Ketika menggunakan biplot, jenis variabel yang dilibatkan adalah variabel‐
variabel numerik , sehingga dapat disusun suatu table ringkasannya. Tidak
jarang, kita berhadapan dengan data yang mempunyai variabel yang bertipe
kategorik, seperti pekerjaan, jenis kelamin, kelompok umur, partai politik yang
dipilih, warna kesukaan dan lain sebagainya.
Beberapa alat yang biasa digunakan untuk menyajikan data adalah: table
frekwensi, table kontingensi, diagaram lingkaran dan diagram batang.
Pengguanaan alat‐alat tersebut tidak begitu efektif dan tidak mungkin bila kita
berhadapan dengan banyak variabel kategorik , apalagi dengan kategori yang
cukup banyak disetiap variabelnya. Analisis korespondensi membantu kita
memperkecil masalah yang kita hadapi dengan menghasilkan sebuah plot
koresondensi yang mirip dengan plot hasil analisois biplot.
2. Rumusan Masalah
Dengan berdasarkan latar belakang masalah diatas metode analisis apa
yang cocok untuk mereduksi dimensi variabel dan menggambarkan profil
vektor
baris dan vektor kolom suatu matriks data dari tabel kontingensi, 3. Tujuan
penelitian
Untuk mereduksi dimensi variabel dan melihat hubungan antara dua
variabel atau lebih dari tabel kontingensi
4. Manfaat penelitian
Sebagai masukan bagi pemerintah daerah propinsi Jawa Timur dalam
rangka meningkatkan PDRB Jawa Timur.
II. Tinjauan Pustaka
Analisis korespondensi adalah tehnik untuk menyajikan baris dan kolom dari
suatu matriks data yang merupakan table kontingensi dua arah dan sebagai
titik dalam ruang vektor berdimensi gandaGreenacre, 1984. Analisis korespondensi
mempunyai kesamaan konsep dengan analisis komponen
SEMNAS Matematika dan Pend. Matematika 2007
698
utama dan biplot, yaitu dapat mereduksi data kedalam ruang berdimensi yang
lebih rendah berdasarkan akar karakteristik terbesar untuk mempertahankan
informasi optimum. Analisis korespondensi adalah tehnik interdepedensi yang
lebih popular untuk mereduksi dimensi dan perceptual maping Hair
dkk,1998. Analisis korespondensi menggambarkan kedekatan profil antar kontingen
pada tiap gugus data dalam bentuk grafik atas dasar posisi relatif yang
menunjukkan jarak antar kategori. Perhitungan jarak dengan menggunakan
jarak chi‐kuadrat dirumuskan sebgai berikut:
Jarak baris ke I dan ke I’ adalah :
d
2
i,I’ = ∑ 1f.j fijfi. – fi’j fi’.
2
Jarak kolom ke j dengan ke j’ adalah
d
2
j.j’ = ∑ 1fi. fijf.j. – fi’j f.j’.
2
dimana i=1,2,…n dan j=1,2,…p
fij = frekuensi relatif sel baris ke i kolom ke j
fi. = total frekuensi relatif baris ke i.
f.j = total frekunsi relatif kolom ke j.
Konsep jarak chi‐kuadrat adalah jika dua barais yang identik penyebaran
frekuensi relatif masing‐masing kategori pada kolom bernilia sama digabung
maka jarak antar kolom tidak berubah, dan jika dua kolom yang identik
digabungkan maka jarak antar baris tidak berubah.
Misalkan N adalah matriks data berukuran IXJ yang dinotasikan N
IXJ
=n
ij
, n
ij
≥0. Dengan P merupakan matriks korespondensi yang diperoleh dengan
membagi setiap unsur matriks N dengan total semua matriks N, yaitu:
P =1n.. N,
Dimana n.. = 1’N1
Matematika
699
Misalkan Dr adalah matriks diagonal dari r yang berukuran IXJ yang
dinotasikan D
r
IXJ =diagI dan Dc adalah matriks diagonal dari c yang berukuran
IXJ yang dinotasikan DcIXJ = diag c dengan r = p 1 dan c=
p’ 1 Maka matriks profil baris dan matriks kolom adalah:
R = Dr
‐1
P dan C = Dc
‐1
P’ Kontribusi
Mutlak Kontribusi
mutlak adalah proporsi keragaman yang diterangkan oleh masing
‐masing titik terhadap sumbu utamanya. Nilai kontribusi mutlak ini digunakan
untuk menentukan suatu titik yang masuk pada suatu faktor dimensi
dengan kriteria bahwa titik yang masuk ke dalam suatu faktor adalah yang
mempunyai nilai atau proporsi yang terbesar. Perhitungannya adalah sebagai
berikut: .
2 i
. i
f i
ca
α
ψ =
Dengan .
∑
=
=
n 1
i
1 i
ca
Keterangan: adalah factor yang bersesuaian dengan vector eigen . Nilai dari
dapat dicari dengan
α
ψ α
α
ψ
ψ λ
ϕ λ
ψ
α
ˆ 1
F D
1
1 n
= =
−
. Korelasi
Kuadrat Korelasi
kuadrat adalah bagian ragam dari suatu titik yang dapat dijelaskan
oleh sumbu utamanya. Semakin tinggi nilai korelasi kuadrat menunjukkan
bahwa sumbu utama mampu menerangkan nilai inertia dengan baik
sekali, dan sebaliknya semakin kecil nilai koelasi kuadrat maka semakin sedikit
nilai inertia yang dapat diterangkan oleh sumbu utama.
SEMNAS Matematika dan Pend. Matematika 2007
700
Dalam ruang dimensi n, korelasi kuadrat dapat dituliskan sebagai
∑
=
α α
α α
ϕα λ
ϕα λ
2 2
i Cr
.
III. Metode Penelitian
Data diambil dari tugas akhir mahasiwa Statistika ITS Surabaya.
Variabel dalam data tersebut adalah variabel kabupaten‐kabupaten yang
ada di Jawa Timur dan variabel Struktur perekonomian Jawa Timur.
Langkah ‐langkah dalam analisa korespondensi adalah:
• Menentukan matrik X, F, Dp,dan Dn.
• Tentukan nilai eigen λ dan vektor eigen dari S yaitu u.
• Menentukan operator proyeksi
ψ ϕ,
. • Selanjutnya
menentukan koordinat, kontribusi mutlak, korelasi kuadrat, masing
masing variabel • Analisa
pertabel masing‐masing titik masuk faktor mana. • Setelah
itu plot antara baris dan kolom yaitu antara kabupaten dan struktur
perokonomiannya di Jawa Timur. • Selanjutnya
dapat dilakukan analisa serentak sehingga dapat dilihat kecenderungan
antar kedua variabel.
IV. ANALISIS DAN PEMBAHASAN
Tabulasi silang antara Kabupatenkotamadya dan struktur ekonomi
Jawa Timur dapat dilihat sebagai berikut:
Contingency Table
PDRB Ind PDRB Per PDRB Per Pek Ind Pek Pert Pek Perd Pac
70 5263 1198 179 7902 703
Matematika
701
Pon 127 4996 1628 480 6243 1575
Tren 70 4245 1673 1856 5194 1295
Tulug 2349 2191 2802 1928 4054 1638
Blit1 90 5408 1432 691 5672 1675
Ked1 1070 4202 2372 1224 4671 1990
Mal1 812 3402 2019 926 4785 1593
Lum 637 4654 2119 694 5284 1758
Jem 533 4048 2193 1017 4707 2021
Bany 876 3782 1945 1080 5399 1578
Bond 285 5089 1796 741 5862 1618
Situb 609 4464 2206 658 5988 1406
Prob1 1103 4936 1723 578 6225 1702
Pas1 3566 2332 2161 1812 4366 1684
Sid 4335 612 2561 3536 955 1966
Moj1 1564 2472 2622 2323 3225 1854
Jom 707 3990 2044 1121 3339 2530
Ngan 393 3979 2420 623 5737 1623
Mad1 217 4872 1797 780 5807 1679
Mag 254 4770 1890 1012 5953 1341
Ngawi 218 5041 1758 461 6277 1472
Boj 256 5632 1446 571 6864 1269
Tub 1813 2705 2723 507 6013 1637
Lam 5400 5732 1796 424 6998 1310
Grs 4136 1375 2247 2998 2959 1856
Bangkl 52 4930 2434 561 6610 1319
Sam 61 5792 2366 385 7788 663
Pam 38 4071 2708 497 7273 951
Sum 503 3933 1555 693 6423 1393
SEMNAS Matematika dan Pend. Matematika 2007
702
Ked2 8087 3 1091 2424 656 2751
Blit2 689 563 3621 1109 712 3400
Mal2 3314 99 2858 1907 207 2928
Prob2 2280 459 2828 1251 1193 3115
Pas2 1141 624 3889 3148 1074 2661
Moj2 688 250 2914 2339 294 3274
Mad2 1781 215 3575 768 402 3419
Surabaya 3432 33 1437 2088 126 3411
Total 53556 121164 81847 45390 163237 70058
Total Pac
15315 Pon
15049 Tren
14333 Tulug
14962 Blit1
14968 Ked1
15529 Mal1
13537 Lum
15146 Jem
14519 Bany
14660 Bond
15391 Situb
15331
Total 15315
Matematika
703
15049 14333
14962 14968
15529 13537
15146 14519
14660 15391
15331 16267
15921 13965
14060 13731
14775 15152
15220 15227
16038 15398
21660 15571
15906 17055
15538 14500
SEMNAS Matematika dan Pend. Matematika 2007
704
15012 10094
11313 11126
12537 9759
10160 10527
535252
Analysis of Contingency Table
Axis Inertia Proportion Cumulative Histogram
1 0.2907 0.7426 0.7426 2 0.0709 0.1811 0.9237
3 0.0188 0.0481 0.9717 4 0.0086 0.0220 0.9937
5 0.0024 0.0063 1.0000 Total
0.3914
Dengan melihat hasil output di atas didapatkan interpretasi analisis data
yaitu dengan cukup diperhatikan pada dua dimensi saja. Artinya dengan
menggunakan dua dimensi atau mengelompokkan ke dalam dua faktor maka
sudah dapat menjelaskan variabilitas data yang ada yaitu sebesar 92,37,
sedangkan jika diambil tiga dimensi maka variabilitas yang dapat dijelaskan
sebesar 97,17. Artinya faktor ketiga hanya dapat menjelaskan variabilitas data
yang cukup kecil, yaitu sebesar 4,81, sehingga cukup diambil dua dimensi
saja.
Matematika
705
Dari dua faktor yang diambil, kemudian dari faktor tersebut dapat
diterangkan proporsinya sebagai berikut:
1. Faktor 1 menerangkan variabilitas data sebesar 74,26 dengan nilai
inersia sebesar 0,2907
2. Faktor 2 menerangkan variabilitas data sebesar 18,11 dengan nilai
inersia sebesar 0,0709.
Row Contributions
‐‐‐‐Component 1‐‐‐‐ ‐‐‐‐Component 2‐‐‐‐ ID Name Qual Mass Inert Coord Corr Contr Coord Corr Contr
1 Pac 0.985 0.029 0.033 ‐0.649 0.930 0.041 ‐0.159 0.056 0.010 2 Pon 0.972 0.028 0.016 ‐0.467 0.972 0.021 ‐0.001 0.000 0.000
3 Tren 0.559 0.027 0.011 ‐0.290 0.501 0.008 0.098 0.057 0.004 4 Tulug 0.710 0.028 0.007 0.262 0.695 0.007 ‐0.039 0.015 0.001
5 Blit1 0.891 0.028 0.016 ‐0.451 0.890 0.020 0.013 0.001 0.000 6 Ked1 0.736 0.029 0.001 ‐0.107 0.612 0.001 0.048 0.124 0.001
7 Mal1 0.980 0.025 0.002 ‐0.172 0.955 0.003 0.028 0.025 0.000 8 Lum 0.923 0.028 0.006 ‐0.287 0.917 0.008 0.023 0.006 0.000
9 Jem 0.925 0.027 0.004 ‐0.200 0.707 0.004 0.111 0.218 0.005 10 Bany 0.942 0.027 0.003 ‐0.199 0.940 0.004 ‐0.009 0.002 0.000
11 Bond 0.959 0.029 0.012 ‐0.395 0.957 0.015 0.014 0.001 0.000 12 Situb 0.982 0.029 0.008 ‐0.331 0.981 0.011 ‐0.010 0.001 0.000
13 Prob1 0.937 0.030 0.008 ‐0.294 0.826 0.009 ‐0.108 0.111 0.005 14 Pas1 0.953 0.030 0.015 0.350 0.609 0.013 ‐0.263 0.344 0.029
15 Sid 0.903 0.026 0.074 0.993 0.886 0.089 ‐0.140 0.018 0.007 16 Moj1 0.621 0.026 0.008 0.239 0.498 0.005 0.119 0.123 0.005
17 Jom 0.429 0.026 0.005 ‐0.067 0.060 0.000 0.168 0.369 0.010 18 Ngan 0.943 0.028 0.008 ‐0.315 0.897 0.009 0.071 0.046 0.002
SEMNAS Matematika dan Pend. Matematika 2007
706
19 Mad1 0.963 0.028 0.011 ‐0.388 0.955 0.015 0.036 0.008 0.001 20 Mag 0.960 0.028 0.011 ‐0.380 0.957 0.014 0.020 0.003 0.000
21 Ngawi 0.984 0.028 0.015 ‐0.457 0.983 0.020 ‐0.014 0.001 0.000 22 Boj 0.980 0.030 0.020 ‐0.502 0.956 0.026 ‐0.079 0.023 0.003
23 Tub 0.157 0.029 0.006 ‐0.061 0.047 0.000 ‐0.093 0.110 0.003 24 Lam 0.905 0.040 0.036 0.085 0.021 0.001 ‐0.557 0.884 0.177
25 Grs 0.901 0.029 0.040 0.661 0.810 0.044 ‐0.222 0.091 0.020 26 Bangkl 0.983 0.030 0.016 ‐0.453 0.972 0.021 0.048 0.011 0.001
27 Sam 0.967 0.032 0.027 ‐0.568 0.957 0.035 ‐0.057 0.010 0.001 28 Pam 0.840 0.029 0.019 ‐0.467 0.834 0.022 0.041 0.006 0.001
29 Sum 0.916 0.027 0.011 ‐0.371 0.898 0.013 ‐0.052 0.018 0.001 30 Ked2 0.994 0.028 0.179 1.384 0.764 0.185 ‐0.759 0.230 0.228
31 Blit2 0.911 0.019 0.045 0.553 0.329 0.020 0.734 0.581 0.143 32 Mal2 0.988 0.021 0.061 1.049 0.980 0.080 0.099 0.009 0.003
33 Prob2 0.909 0.021 0.034 0.724 0.824 0.037 0.232 0.085 0.016 34 Pas2 0.880 0.023 0.050 0.643 0.496 0.033 0.567 0.384 0.106
35 Moj2 0.975 0.018 0.055 0.748 0.476 0.035 0.766 0.499 0.151 36 Mad2 0.801 0.019 0.051 0.776 0.570 0.039 0.494 0.231 0.065
37 Surabaya 0.937 0.020 0.073 1.166 0.937 0.092 ‐0.014 0.000 0.000
Matematika
707
1.0 0.5
0.0 -0.5
1.0
0.5
0.0
-0.5
Component 1 C
o m
p onent
2
S u ra b a ya M a d 2
M o j 2 P a s2
P ro b 2 M a l 2
B l i t2
K e d 2 S u m
P a m S a m
B a n g kl G rs
L a m T u b
B o j Ng a wi
M a g M a d 1
Ng a n Jo m
M o j 1 S i d
P a s1 P ro b 1
S i tu b B o n d
B a n y Je m
L u mM a l 1 K e d 1
B l i t1 T u l u g
T re n P o n
P a c
Row Plot
Dari Tabel Row Contributions terlihat bahwa ada dua titik profil yang
mempunyai nilai quality kurang dari 50 yaitu : Jombang Jom dan Tuban
Tub. Hal ini berarti variabilitas data kedua kabupaten tersebut belum mampu
dijelaskan dengan baik oleh kedua faktor yang terpilih. Sedangkan untuk ke‐35
titik profil lainnya dapat dijelaskan dengan baik oleh kedua faktor terpilih
dengan total proporsi sebesar 92,37.
Pengelompokan kategori kabupaten dalam faktor 1 dan 2 dapat dijelaskan
yaitu: • Faktor
1 terdiri dari 32 level kabupaten yaitu: Pacitan, Ponorogo, ……, Surabaya
SEMNAS Matematika dan Pend. Matematika 2007
708
Kabupaten Ngawi mempunyai kontribusi relatif terbesar yaitu 98,3
dan Kotamadaya Kediri Ked2 mempunyai kontribusi mutlak terbesar
yaitu 18,5.
• Faktor 2 terdiri dari 5 level Kabupaten yaitu Jombang, Tuban,
Lamongan, kotamadya Blitar dan kotamadya Mojokerto..
Lamongan mempunyai kontribusi relatif terbesar yaitu 88,4 dan
Lamongan mempunyai kontribusi mutlak terbesar yaitu 17,7.
Column Contributions
‐‐‐‐Component 1‐‐‐‐ ‐‐‐‐Component 2‐‐‐‐ ID Name Qual Mass Inert Coord Corr Contr Coord Corr Contr
1 PDRB Ind 0.995 0.100 0.373 1.060 0.769 0.386 ‐0.574 0.226 0.465 2 PDRB Per 0.952 0.226 0.151 ‐0.492 0.929 0.189 ‐0.078 0.023 0.019
3 PDRB Perd 0.845 0.153 0.070 0.205 0.234 0.022 0.331 0.611 0.237 4 Pek Ind 0.729 0.085 0.132 0.641 0.675 0.120 0.181 0.054 0.039
5 Pek Pert 0.972 0.305 0.166 ‐0.442 0.917 0.205 ‐0.108 0.054 0.050 6 Pek Perd 0.851 0.131 0.109 0.417 0.535 0.078 0.320 0.316 0.189
Matematika
709
1 .0 0 .5
0 .0 -0 .5
1 .0
0 .5
0 .0
-0 .5
C o m p o n e n t 1 C
om p
one nt
2
P e k P e rd
P e k P e rt P e k I n d
P D R B P e rd
P D R B P e rt
P D R B I n d
C o lu m n P lo t
Dari Tabel Column Contributions terlihat bahwa tidak ada titik profil yang
mempunyai nilai quality kurang dari 50. Hal ini berarti variabilitas data
tersebut mampu dijelaskan dengan baik oleh kedua faktor yang terpilih.
Pengelompokan kategori PDRB terdiri dari faktor 1 dan 2 dapat dijelaskan
Yaitu: • Faktor
1 terdiri dari 5 level yaitu: PDRB industri, PDRB pertanian, pekerja
industri, pekerja pertanian dan pekerja perdagangan PDRB
dari sektor pertanian mempunyai kontribusi relatif sebesar 92,9
dan PDRB dari sektor industri mempunyai kontribusi mutlak sebesar
38,6. • Faktor
2 juga terdiri dari 1 level yaitu: PDRB
dari sektor perdagangan mempunyai kontribusi relatif sebesar 61,1
dan kontribusi mutlak sebesar 23,7.
SEMNAS Matematika dan Pend. Matematika 2007
710
1.0 0.5
0.0 -0.5
1.0
0.5
0.0
-0.5
Component 1 C
o m
p onent
2
Pek Perd
Pek Pert Pek Ind
PDRB Perd
PDRB Pert
PDRB Ind
Symmetric Plot
Surabaya Mad2
Moj2 Pas2
Prob2 Mal2
Blit2
Ked2 Sum
Pam Sam
Bangkl Grs
Lam Tub
Boj Ngawi
Mag Mad1
Ngan Jom
Moj1 Sid
Pas1 Prob1
Situb Bond Bany
Jem LumMal1
Ked1 Blit1
Tulug Tren
Pon Pac
Analisis serentak antara kabupaten dan struktur ekonomi di Jawa Timur
dapat menjelaskan pola kecenderungan dalam variabel baris dan kolom. Dari
analisis ini dapat dikatakan bahwa :
Faktor 1 dicirikan oleh :
• 32 level kabupaten dari variabel kabupaten yaitu: Pacitan, Ponorogo, …,
Surabaya. • 5
level struktur perekonomian di Jawa Timur yaitu: PDRB industri, PDRB pertanian,
pekerja industri, pekerja pertanian dan pekerja perdagangan. PDRB
pertanian dan pekerja pertanian mempunyai profil sebaran yang bertentangan
dengan pekerja industri dan pekerja perdagangan jika dipandang
dari dimensi 2.
Matematika
711
Faktor 2 dicirikan oleh :
• 5 level dari variabel kabupaten yaitu Jombang, Tuban, Lamongan,
kotamadya Blitar dan kotamadya Mojokerto. Kabupaten Tuban dan
Lamongan mempunyai profil sebaran yang bertentangan dengan kabupaten
Jombang, Kotamadya Blitar dan Mojokerto jika dipandang dari dimensi 2.
• 1 level dari variabel struktur perekonomian di Jawa Timur yaitu PDRB dari
sektor perdagangan
Dari analisis seretak ini juga diperoleh simetri plot, seperti yang terlihat di
atas. Dari plot tersebut dapat dikatakan bahwa :
• Kotamadya Malang, Probolinggo, Pasuruan, Mojokerto Surabaya,
Kabupaten Mojokerto dan Tuban mempunyai sebaran profil yang sama
dengan struktur perokonomian pada sektor PDRB perdagangan, pekerja
perdagangan dan pekerja industri.
• Kabupaten Pacitan, Probolinggo, Bojonegoro dan Sampang mempunyai
sebaran profil yang sama dengan struktur perokonomian pada sektor PDRB
pertanian dan pekerja pertanian.
• Kabupaten Pasuruan, Lamongan, Gresik dan Kediri mempunyai sebaran
profil yang sama dengan struktur perokonomian pada sektor PDRB
industri.
SEMNAS Matematika dan Pend. Matematika 2007
712
V. Kesimpulan dan Saran
Kesimpulan
Kotamadya Malang, Probolinggo, Pasuruan, Mojokerto Surabaya,
Kabupaten Mojokerto dan Tuban mempunyai sebaran profil yang sama
dengan struktur perokonomian pada sektor PDRB perdagangan, pekerja
perdagangan dan pekerja industri, Kabupaten Pacitan, Probolinggo,
Bojonegoro dan Sampang mempunyai sebaran profil yang sama dengan
struktur perokonomian pada sektor PDRB pertanian dan pekerja pertanian,
sedangkan Kabupaten Pasuruan, Lamongan, Gresik dan Kediri mempunyai
sebaran profil yang sama dengan struktur perokonomian pada sektor PDRB
industri.
Saran Dalam rangka meningkatkan PRDB Propinsi Jawa Timur perlu
diprioritaskan keunggulan sektor‐sektor ekonomi pada kabupaten atau
kotamadya tertentu.
VI. DAFTAR PUSTAKA
Bendexin, M. 1996. A Practical Guide to Use of Correspondence Analysis in
Marketting Reseacrh. Univercity of the Witwatersrand, South Afrika.
Johnson, R. A., Wichern, D.W. 2002 Applied Multivariat Statistical Analysis.
Prenteice Hall, New Jersey.
Lebart, L., Morineau, A., Warwicck, K.M. 1984. Multivariate Deskriptive
Statistically Analysis. Ohn Wiley Sons, New York.
Matematika
713
Dipo 1999. Hubungan Struktur Ekonomi dan Kesejahteraan Rakyat Di
Jawa Timur Indonesia. Tugas Akhir, D3 Statistika ITS, Surabaya.
TIM Pelatihan. 2004. Modul Pelatihan Analisi Mutivariat. Jurusan Statistika
IPB, Bogor.
SEMNAS Matematika dan Pend. Matematika 2007
714
Dipresentasikan dalam SEMNAS Matematika dan Pendidikan Matematika 2007 dengan tema “Trend Penelitian Matematika dan Pendidikan Matematika di Era Global” yang
diselenggarakan oleh Jurdik Matematika FMIPA UNY Yogyakarta pada tanggal 24 Nopember 2007
Perbandingan Model Neural Network dan Regresi Logistik pada Kasus
Masa Studi Mahasiswa Jurusan Pendidikan Matematika FMIPA UNY
Oleh: Dhoriva Urwatul Wutsqa
1
dan Sri Rezeki
2
Universitas Negeri Yogyakarta
1
Universitas Islam Riau
2
Abstrak Penelitian
ini bertujuan untuk membandingkan model Neural Network NN dengan regresi logistik dalam
memodelkan masalah klasifikasi pada kasus masa studi mahasiswa Jurusan Pendidikan Matematika
FMIPA UNY, dan mengetahui faktor‐faktor yang mempengaruhi masa studi mahasiswa Jurusan
Pendidikan Matematika FMIPA UNY. Subyek penelitian ini adalah mahasiswa Jurusan Pendidikan
Matematika yang lulus sejak Agustus 2001 hingga November 2005. Jumlah responden dalam penelitian ini
sebanyak 319 orang. Variabel respon dalam penelitian ini adalah ketepatan masa studi. Variabel
penjelasnya yaitu jenis kelamin, IPK tahun pertama dan program studi. Variabel penjelas dipilih
berdasarkan ketersediaan data. Untuk membandingkan kedua model digunakan kriteria ketepatan
klasifikasi, yaitu rasio antara banyaknya data yang terprediksi secara tepat, dengan keseluruhan data.
Faktor ‐faktor yang mempengaruhi masa studi mahasiswa Jurusan Pendidikan Matematika FMIPA UNY
ditentukan berdasarkan uji signifikansi terhadap parameter pada model logistik. Hasil perbandingan
kedua model tersebut untuk kasus masa studi mahasiswa di UNY menunjukkan bahwa model regresi
logistik lebih baik digunakan karena mampu memberikan tingkat ketepatan klasifikasi yang lebih tinggi
dibandingkan NN. Diantara faktor‐faktor jenis kelamin, IPK pada tahun pertama, dan program studi, IPK
pada tahun pertama merupakan faktor yang secara signifikan mempengaruhi masa studi mahasiswa.
Kata Kunci: Model NN, model regresi logistik, ketepatan klasifikasi, masa studi.
1. Pendahuluan
