The uses of canonical analysis to know the pattern of relationship among scores of national exam , scores of school exam , and progress report (Case study at SMA Budhi Warman II Jakarta)

(Studi Kasus di SMA Budhi Warman II Jakarta)

SAUT SAHPUTRA SINAGA

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

BOGOR

2011

Dengan ini saya menyatakan bahwa tesis Penggunaan Analisis Kanonik untuk Mengetahui Pola Hubungan antara Nilai Ujian Nasional, Nilai Ujian Sekolah dan Nilai Rapor (Studi Kasus di SMA Budhi Warman II Jakarta) adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.

Bogor, September 2011

Saut Sahputra Sinaga NRP G151070151

SAUT SAHPUTRA SINAGA. The Uses of Canonical Analysis to Know The Pattern of Relationship among Scores Of National Exam , Scores of School Exam , and Progress Report (Case Study at SMA Budhi Warman II Jakarta). Supervisors: BUDI SUSETYO and AJI HAMIM WIGENA.

Several previous studies about Scores Of National Exam concluded that Scores of School Exam and Progress Report, were the factors that influence Scores Of National Exam . It makes the writer interested in knowing the pattern of relationship among Scores Of National Exam, Scores of School Exam and Progress Report. The method can investigate the relationship of two set of data namely the analysis of canonical variables. Canonical analysis is a statistical technique that can be used to identify the relationship between the two set variables with the principle of forming a linear combination of each set variables so that the correlation between the two sets of these variables into a maximum. This study used primary and secondary data obtained from SMA Budhi Warman 2 Jakarta. Canonical analysis is used to look at the pattern of the relationship among Scores Of National Exam , the Scores of School Exam and Progress Report. Based on the results, it was obtained that only one canonical function that was signinificantly correlated between Scores Of National Exam and Progress Report with R2 canonical correlation was 32 %. In this relationship, scores of Physics National Exam was a set of variable that most influence to the first canonical function and Scores of English progress Report was a set of variable that most influence to the first canonical function. Besides that, the correlation between Scores Of National Exam and Progress Report Non UN was not significantly correlated. Then, it resulted that there were two significant canonical function in relationship between Scores Of National Exam and Scores of School Exam with R2 canonical correlation was 31 % and 28 %. In the first canonical, the most influence were scores of Biology National Exam and Physics Progress Report. While on the second canonical function, it was the scores of Physics National exam and Indonesian Language Progress Report.

Keywords: Canonical Analysis, Scores of National Exam, scores of School Exam , Progress Report

Pola Hubungan antara Nilai Ujian Nasional, Nilai Ujian Sekolah dan Nilai Rapor (Studi Kasus di SMA Budhi Warman II Jakarta). Di bawah bimbingan BUDI SUSETYO dan AJI HAMIM WIGENA.

Peningkatan mutu pendidikan dapat dilakukan dengan melakukan perbaikan, perubahan dan pembaharuan terhadap faktor-faktor yang mempengaruhi keberhasilan pendidikan. Salah satu indikator yang digunakan untuk mengukur tingkat keberhasilan pendidikan yaitu hasil belajar siswa. Untuk mengevaluasi hasil belajar, pemerintah melaksanakan ujian nasional yang merupakan kegiatan pengukuran dan penilaian kompetensi peserta didik secara nasional pada jenjang pendidikan dasar dan menengah.

Beberapa peneliti telah melakukan penelitian untuk memodelkan ujian nasional dengan menggunakan beberapa metode.

Salah satu metode yang dapat menyelidiki hubungan antara dua gugus peubah adalah analisis kanonik. Analisis kanonik merupakan teknik statistika yang dapat digunakan untuk mengidentifikasi hubungan di antara dua gugus peubah dengan prinsip membentuk suatu kombinasi linier dari setiap gugus peubah sedemikian sehingga korelasi di antara kedua gugus peubah tersebut menjadi maksimum.

Dari beberapa penelitian tentang ujian nasional tersebut, nilai ujian sekolah dan nilai semester atau nilai rapor termasuk faktor-faktor yang berpengaruh terhadap nilai ujian nasional. Hasil penelitian tersebut, digunakan untuk mengetahui pola hubungan antara Nilai Ujian Nasional (NUN), Nilai Ujian Sekolah (NUS) dan Nilai Rapor (NR).

Dalam penelitian ini digunakan analisis kanonik untuk mengetahui bentuk dan keeratan hubungan antara NUN, NUS dan NR. Menurut Gittins (1985) analisis korelasi kanonik adalah salah satu teknik analisis statistik yang digunakan untuk mengetahui hubungan antara segugus peubah Y (y1, y2, …, yq) dengan segugus peubah X (x1, x2, …, xp) di mana q p. Analisis korelasi kanonik berfokus pada korelasi antara kombinasi linear dari gugus peubah Y dengan kombinasi linear dari gugus peubah X. Ide utama dari analisis ini adalah mencari pasangan dari kombinasi linear ini yang memiliki korelasi terbesar. Pasangan dari kombinasi linear ini disebut fungsi kanonik dan korelasinya disebut korelasi kanonik. Dalam penelitian ini, dibatasi hanya tiga pola hubungan yang akan diteliti (dianggap cukup penting untuk diketahui pola hubungannya) yaitu antara gugus peubah: a) NUN (gugus peubah Y) dan NR yang diujikan secara nasional atau NR UN (gugus peubah XA); b) NUN (gugus peubah Y) dan NR yang tidak diujikan secara nasional atau NR non UN (gugus peubah XB) ;dan c) NUN (gugus peubah Y) dan NUS yang diujikan secara nasional NUS UN (gugus peubah XC

Analisis Kanonik NUN dan NR UN menghasilkan satu fungsi kanonik yang nyata, yaitu (V

). 1, W1

V

) :

1 = 0.01 X1 + 0.10X2 - 0.48X3 + 0.34X4 - 0.67X5 + 0.16X W

6 1 = 0,32Y1 + 0.48Y2 + 0.43Y3 - 0.71Y4 + 0.40Y5 - 0.06Y

Hasil analisis redundansi dari satu fungsi kanonik yang nyata tersebut diperoleh R

6 2

V1 = 0.57 X14 + 0.24X15 + 0.53X16 + 0.59X17 - 0.33X18 - 0.50X W

19 1 = 0,41Y1 - 0.17Y2 + 0.38Y3 - 0.38Y4 + 0.28Y5 + 0.73Y Fungsi kanonik ke dua (V

6 2, W2

V

) :

2 = 0.72 X14 + 0.24X15 - 0.40X16 - 0.39X17 + 0.69X18 - 0.11X W

19 2 = 0,00Y1 + 0.52Y2 - 0.19Y3 + 0.72Y4 - 0.43Y5 + 0.43Y Tingkat redundansi (R

6 2

)

Berdasarkan hasil dan pembahasan dapat disimpulkan bahwa nilai UN dan nilai rapor UN memiliki hubungan yang nyata, dan menghasilkan satu fungsi kanonik yang nyata. Nilai UN Fisika dan nilai rapor Bahasa Inggris memberikan kontribusi terbesar terhadap fungsi kanonik pertama. Pola hubungan yang kedua, yaitu antara nilai UN dan nilai rapor non UN tidak memiliki hubungan yang nyata, sehingga tidak menghasilkan fungsi kanonik yang dapat diinterpretasi. Selanjutnya untuk pola hubungan yang ketiga, yaitu antara nilai UN dan nilai US yang diujikan secara nasional memiliki hubungan yang nyata. Dari pola hubungan ketiga, diperoleh dua fungsi kanonik yang nyata. Nilai UN Biologi dan nilai US Fisika memberikan kontribusi terbesar terhadap fungsi kanonik pertama. Selanjutnya untuk fungsi kanonik kedua peubah yang memberikan kontribusi terbesar adalah nilai UN Fisika dan nilai US Bahasa Indonesia.

dari fungsi kanonik pertama sebesar 31 % dan 28 % untuk fungsi kanonik kedua.

Berdasarkan kelima peubah yang memberikan kontribusi terbesar terhadap fungsi kanonik masing masing, dapat dikatakan pola hubungan yang terbentuk tidak sejalan.

Kata kunci: Analisis Kanonik, Nilai Ujian Nasional, Nilai Ujian Sekolah, Nilai Rapor

© Hak Cipta milik IPB, tahun 2011

Hak Cipta dilindungi Undang-Undang

Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan yang wajar IPB.

Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apa pun tanpa izin IPB.

(Studi Kasus di SMA Budhi Warman II Jakarta)

SAUT SAHPUTRA SINAGA

Tesis

Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada

Program Studi Statistika

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

BOGOR

2011

Nama : Saut Sahputra Sinaga NRP : G151070151

Disetujui Komisi Pembimbing

Dr. Ir. Budi Susetyo, M.S

Ketua

Dr. Ir. Aji Hamim Wigena, M.Sc Anggota

Mengetahui

Ketua Program Studi Dekan Sekolah Pascasarjana Statistika

Dr. Ir. Erfiani, M.Si. Dr. Ir. Dahrul Syah, M.Sc. Agr.

Segala puji dan syukur penulis panjatkan kepada Allah SWT atas rahmat-Nya sehingga penulis dapat menyelesaikan penelitian dan penulisan tesis ini.

Dalam penyelesaian tesis ini, penulis banyak mendapat masukan dari Dosen Pembimbing, keluarga dan teman-teman. Dengan segala keterbatasan dan kekurangan akhirnya tesis yang berjudul Penggunaan Analisis Kanonik untuk Mengetahui Pola Hubungan antara Nilai Ujian Nasional, Nilai Ujian Sekolah dan Nilai Rapor

Penulis mengucapkan terima kasih kepada:

(Studi Kasus di SMA Budhi Warman II Jakarta) dapat diselesaikan dengan baik.

1. Bapak Dr. Ir. Budi Susetyo, M.S dan Bapak Dr. Ir. Aji Hamim Wigena, M.Sc selaku pembimbing, yang telah banyak memberikan arahan, saran dan bimbingan

2. Seluruh anggota keluarga penulis, yang senantiasa mendoakan dan memberikan dorongan

3. Seluruh Dosen dan karyawan Departemen Statistika FMIPA IPB yang telah memberikan layanan pengajaran dan administrasi dengan baik.

4. Teman-teman statistika yang selama ini telah membantu dalam penyelesaian tesis ini khususnya angkatan 2007

5. Civitas Akademik SMA Budhi Warman II DKI Jakarta, yang telah membantu Penulis.

Penulis menyadari bahwa masih banyak kekurangan dalam tesis ini, oleh karena itu kritik, dan saran sangat diharapkan demi penyempurnaan dan perbaikan tesis ini. Semoga karya ilmiah ini bermanfaat bagi pembaca.

Bogor, September 2011

Penulis dilahirkan di Aek Nabara pada tanggal 7 Juni 1976 dari ayah Walter Sinaga dan ibu Resintan br Tambun. Penulis merupakan putra ke lima dari sembilan bersaudara.

Tahun 1995 penulis menempuh pendidikan S1 di Jurusan Matematika Fakultas PMIPA, IKIP MEDAN dan lulus tahun 1999. Pada tahun 2007, penulis mendapat kesempatan untuk mengikuti program Magister Sains pada Program Studi Statistika, Sekolah Pascasarjana, Institut Pertanian Bogor.

Penulis bekerja sebagai Guru Matematika di SMA Budhi Warman II DKI Jakarta sejak tahun 2004 hingga sekarang.

Halaman

DAFTAR TABEL ... xi

DAFTAR LAMPIRAN ... xii

1 PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Tujuan ... 2

2 TINJAUAN PUSTAKA ... 3

2.1Analisis Korelasi Kanonik ... 3

2.1.1 Penentuan Fungsi Kanonik ... 4

2.1.2 Uji Hipotesis ... 6

2.1.3 Interpretasi Fungsi Kanonik ... 7

2.1.4 Redundansi ... 9

2.2 Definisi Belajar dan Hasil Belajar ... 9

3 DATA DAN METODE ... 11

3.1 Data ... 11

3.2 Metode ... 11

4 HASIL DAN PEMBAHASAN ... 14

4.1 Deskripsi Data ... 14

4.2 Analisis Kanonik NUN dan NR UN ... 14

4.2.1 Hasil Pengujian Asumsi ... 14

4.2.2 Hasil Analisis Korelasi Kanonik ... 16

4.2.3 Interpretasi Fungsi Kanonik ... 16

4.3 Analisis Kanonik NUN dan NR non UN ... 20

4.3.1 Hasil Pengujian Asumsi ... 20

4.3.2 Hasil Analisis Korelasi Kanonik ... 21

4.4 Analisis Kanonik NUN dan NUS UN ... 23

4.5 Analisis Hasil Kanonik dan Data Primer ... 26

5 SIMPULAN ... 29

Halaman

1. Gugus Peubah ... 11 2. Hasil Uji Multikolinieritas Gugus Peubah Y ... 15 3. Hasil Uji Multikolinieritas Gugus Peubah XA ... 15 4. Bobot dan Korelasi Kanonik Gugus Peubah XA dan Y terhadap Fungsi

Kanonik Pertama ... 16 5. Korelasi Pasangan Fungsi Kanonik ... 17 6. Hasil Uji Korelasi Kanonik secara Bersama... 17 7. Hasil Uji Korelasi Kanonik secara Parsial dan Nilai Redundansi (R2) ... 18 8. Bobot Kanonik dan Muatan Kanonik serta Muatan Silang Kanonik untuk

Fungsi Kanonik Pertama antara Gugus Peubah Y dan XC ... 19 9. Hasil Uji Multikolinieritas Gugus Peubah XA ... 15 10. Hasil Uji Multikolinieritas Gugus Peubah XB ... 21 11. Bobot dan Korelasi Kanonik Gugus Peubah XB dan Y terhadap Fungsi

Kanonik Pertama ... 22 12. Hasil Uji Multikolinieritas Gugus Peubah XC ... 23 13. Bobot dan Korelasi Kanonik Gugus Peubah Y dan XC terhadap Fungsi

Kanonik Pertama dan Kedua ... 24 14. Muatan Silang antara Gugus Peubah Y dan XC dengan Fungsi Kanonik

Pertama dan Kedua ... 25 15. Deskripsi Data Primer dengan Nilai-nilai Tertinggi Hasil Kanonik

(dalam %) ... 26 16. Deskripsi Data Primer pada Siswa dengan Nilai-nilai Terendah ... 28

xi

Halaman

1 Deskripsi Data Primer ... …. 33

2 Deskripsi Data Sekunder ... ...34

3 Diagram Kotak Garis Data Sekunder ... …..35

4 Hasil Uji Kelinieran ... …..36

5 Sintaks dan Hasil Program SAS untuk Uji Kenormalan Ganda NUN .... ...37

6 Sintaks dan Hasil Program SAS untuk Uji Kenormalan Ganda NR UN .. ...38

7 Sintaks dan Hasil Program SAS untuk Uji Kenormalan Ganda NR non UN ………...39

8 Sintaks dan Hasil Program SAS untuk Uji Kenormalan Ganda NUS UN…..40

9 Hasil Output Analisis Kanonik NUN dan NR UN………...41

10 Hasil Output Analisis Kanonik NUN dan NR non UN ... ...45

11 Hasil Output Analisis Kanonik NUN dan NUS UN ... ...48

I. PENDAHULUAN 1.1 Latar belakang

Peningkatan mutu pendidikan dapat dilakukan dengan melakukan perbaikan, perubahan dan pembaharuan terhadap faktor-faktor yang mempengaruhi keberhasilan pendidikan. Salah satu indikator yang digunakan untuk mengukur tingkat keberhasilan pendidikan yaitu hasil belajar siswa. Untuk mengevaluasi hasil belajar, pemerintah melaksanakan ujian nasional yang merupakan kegiatan pengukuran dan penilaian kompetensi peserta didik secara nasional pada jenjang pendidikan dasar dan menengah.

Beberapa peneliti telah melakukan penelitian untuk memodelkan ujian nasional menggunakan beberapa metode, antara lain: Sutarsih (2008) menggunakan pendekatan regresi spline dalam memodelkan nilai UNAS. Sutarsih memodelkan UNAS SMP, nilai tryout, nilai kompetensi, nilai ujian sekolah, jarak tempuh, dan gaji orang tua terhadap nilai UNAS SMK Negeri 3 Buduran Sidoarjo. Cahyosetiyono (2009) menggunakan regresi zero-inflated generalized poisson dalam memodelkan banyaknya siswa gagal ujian nasional. Cahyosetiyono menyimpulkan bahwa faktor-faktor yang mempengaruhi siswa gagal menempuh ujian nasional antara lain, adanya seleksi pada penerimaan siswa baru, jarak sekolah terhadap pusat kota dan rasio murid-kelas untuk tingkat SMA. Sedangkan untuk tingkat SMK yang berpengaruh adalah status akreditasi sekolah, adanya seleksi pada penerimaan siswa baru, dan rasio murid-kelas. Kusaly (2010) menggunakan metode SUR (Seemingly Unrelated Regression) dalam memodelkan nilai ujian akhir nasional yang menghasilkan bahwa nilai semester dan nilai tryout berpengaruh positif terhadap nilai ujian akhir nasional untuk semua mata pelajaran UAN.

Dari beberapa penelitian tentang ujian nasional tersebut, nilai ujian sekolah dan nilai semester atau nilai rapor termasuk faktor-faktor yang berpengaruh terhadap nilai ujian nasional. Hasil penelitian tersebut menjadi dasar untuk mengetahui pola hubungan antara Nilai Ujian Nasional (NUN), Nilai Ujian Sekolah (NUS) dan Nilai Rapor (NR).

Untuk mengetahui pola hubungan antara NUN, NUS, dan NR diperlukan suatu metode yang dapat memperlihatkan pola hubungan di antara nilai-nilai tersebut. Salah satu metode yang dapat menyelidiki hubungan antara dua gugus peubah yaitu analisis kanonik. Analisis kanonik merupakan teknik statistika yang dapat digunakan untuk mengidentifikasi hubungan di antara dua gugus peubah dengan prinsip membentuk suatu kombinasi linier dari setiap gugus peubah (gugus peubah X dan gugus peubah Y) sedemikian sehingga korelasi di antara kedua gugus peubah tersebut menjadi maksimum.

Beberapa penelitian menggunakan analisis kanonik di antaranya adalah, Harmini (1997) meneliti tentang hubungan struktur ekonomi dengan kesejahteraan rakyat (suatu pendekatan dengan analisis korelasi kanonik). Novriyadi (2005) meneliti tentang analisis korelasi kanonik antara curah hujan GCM dan Curah Hujan di Indramayu. Syafitri dan Indrasari (2009) menerapkan metode analisis korelasi kanonik untuk mengetahui perilaku kesehatan dan karakteristik sosial ekonomi di kota Pati Jawa Tengah. Penelitian-penelitian yang menggunakan analisis kanonik tersebut memperlihatkan bahwa analisis kanonik dapat menunjukkan pola hubungan suatu gugus data dengan gugus data lainnya.

Berdasarkan uraian tersebut, akan diteliti Penggunaan Analisis Kanonik untuk Mengetahui Pola Hubungan antara NUN, NUS, dan NR (Studi Kasus di SMA Budhi Warman II Jakarta).

1.2 Tujuan Penelitian

Penelitian ini bertujuan untuk mengetahui bentuk dan keeratan hubungan antara Nilai Ujian Nasional, Nilai Ujian Sekolah dan Nilai Rapor.

II. TINJAUAN PUSTAKA

2.1 Analisis Korelasi Kanonik

Menurut Gittins (1985) analisis korelasi kanonik adalah salah satu teknik analisis statistik yang digunakan untuk melihat hubungan antara segugus peubah

Y (y1, y2, …, yq) dengan segugus peubah X (x1, x2, …, xp

Analisis korelasi kanonik ini dapat mengukur tingkat keeratan hubungan antara segugus peubah tak bebas dengan segugus peubah bebas. Di samping itu, analisis korelasi kanonik juga mampu menguraikan struktur hubungan di dalam gugus peubah tak bebas maupun di dalam gugus peubah bebas. Analisis korelasi kanonik berfokus pada korelasi antara kombinasi linear dari gugus peubah Y

dengan kombinasi linear dari gugus peubah X. Ide utama dari analisis ini adalah mencari pasangan dari kombinasi linear ini yang memiliki korelasi terbesar. Pasangan dari kombinasi linear ini disebut fungsi kanonik dan korelasinya disebut korelasi kanonik.

). Biasanya, hubungan antara gugus peubah X dan gugus peubah Y selalu dikaitkan dengan dengan analisis hubungan sebab akibat. Padahal hubungan antara gugus peubah X dan gugus peubah Y tidak selalu merupakan hubungan sebab akibat. Hal ini dinyatakan oleh Singarimbun dan Effendi (1989) dan lebih tegas lagi dinyatakan bahwa terdapat peubah yang saling berhubungan, tetapi peubah yang satu tidak mempengaruhi peubah yang lain. Pada penelitian ini, gugus peubah X dan gugus peubah Y yang akan dianalisis bukan merupakan hubungan sebab akibat.

Hair et al. (2006) menyatakan beberapa asumsi yang harus dipenuhi dalam analisis korelasi kanonik yaitu:

a. Kelinieran, yaitu keadaan di mana hubungan antara gugus peubah X dengan gugus peubah Y bersifat linear

b. Tidak ada multikolinearitas, di mana antar gugus peubah X maupun antar gugus peubah Y tidak terjadi multikolinieritas.

c. Kenormalan kenormalan ganda, di mana gugus peubah Y dan gugus peubah X

2.1.1 Penentuan Koefisien Kanonik

Misal dibuat hubungan antara gugus peubah y1, y2, …, yq yang dinotasikan dengan vektor peubah acak Y, dengan gugus peubah x1, x2, …, xp

E(Y) = μ

yang dinotasikan dengan dengan vektor peubah acak X, dimana q ≤ p. Misalkan, karakteristik dari vektor peubah acak X dan Y adalah sebagai berikut :

Y Var(Y) = Σ

E(X) = μ

YY

X Var(X) = Σ

Cov(X,Y) = Σ

XX XY = Σ’

Kombinasi linear dari kedua gugus peubah tersebut dapat dituliskan sebagai berikut:

YX

Sehingga

Vektor koefisien dan dapat diperoleh dengan cara mencari dengan k = min(p,q) yang merupakan nilai eigen dari matriks yang berpadanan dengan vektor eigen . Sedangkan vektor koefisien dapat diperoleh dengan cara mencari dengan k = min(p,q) yang juga merupakan nilai eigen dari matriks yang berpadanan dengan vektor eigen . Sehingga vektor koefisien dan diperoleh dengan rumus sebagai berikut:

. .

. .

. .

Korelasi kanonik diperoleh dengan memaksimumkan nilai:

dengan : i = 1, 2, …, k

Didefinisikan pasangan pertama dari peubah kanonik adalah kombinasi linear (V1, W1) yang memiliki ragam satu dan korelasinya terbesar; pasangan kedua dari peubah kanonik adalah kombinasi linear (V2, W2) yang memiliki ragam satu dan korelasi terbesar kedua serta tidak berkorelasi dengan peubah kanonik yang pertama dan pasangan ke-k dari peubah kanonik adalah kombinasi linear (Vk, Wk

Dengan demikian dapat dituliskan sebagai berikut :

) yang memiliki ragam satu dan korelasinya terbesar ke-k serta tidak berkorelasi dengan peubah kanonik 1, 2, …, k-1.

• Fungsi kanonik pertama :

Var(V1 Var(W

) = 1

1

Maksimum Corr(V

) = 1 1, W1

• Fungsi kanonik kedua

) =

Var(V2) = 1 Cov(V1,V2 Var(W

) = 0

2) = 1 Cov(W1,W2 Cov(V

) = 0 1,W2) = Cov(V2,W1) = 0 dan maksimum Corr(V2,W2

• Fungsi kanonik ke-k

) =

Var(Vk) = 1 Cov(V1,Vk Var(W

) = 0, k) = 1 Cov(W1,Wk Cov(V

) = 0,

1,Wk) = Cov(Vk,W1) = 0, dan maksimum Corr(Vk,Wk

dengan k = min (p,q)

) =

(Johnson & Wichern 2002) Selain menggunakan matriks ragam peragam , Rencher (2002) menyatakan bahwa korelasi kanonik juga dapat diperoleh dari matriks korelasi partisi R.

Jika menggu nakan matriks korelasi partisi R sebagai pengganti dari matriks ragam peragam, akan diperoleh akar ciri yang sama tetapi vektor ciri yang berbeda.

Hubungan antara vektor ciri dan dengan vektor ciri dan yaitu:

dan dengan : Dy = diagonal (Sy1, Sy2,…,Syq

D

) x = diagonal (Sx1, Sx2,…,Sxp)

2.1.2 Uji Hipotesis

Ada dua hipotesis yang akan diujikan dalam analisis korelasi kanonik yaitu uji korelasi kanonik secara bersama dan uji korelasi kanonik secara parsial (Rencher 2002).

a. Uji korelasi kanonik secara bersama : Hipotesis:

( semua korelasi kanoniknya tidak nyata) (paling tidak ada satu korelasi kanonik yang nyata) dengan i = 1, 2, …, k

Statistik uji:

dengan :

df1 = pq

t =

dengan : n = banyak pengamatan p = banyak gugus peubah X q = banyak gugus peubah Y k = min (p,q)

Kriteria keputusan: hipotesis nol ditolak pada taraf nyata α jika . Jika Uji korelasi kanonik secara bersama nyata, maka terdapat minimal korelasi kanonik yang pertama nyata.

Uji ini dilakukan jika minimal korelasi kanonik yang pertama pada uji korelasi kanonik secara bersama adalah nyata. Sehingga uji individu dilakukan terhadap korelasi kanonik yang kedua, ketiga dan seterusnya sampai ke-k (Rencher 2002).

Hipotesis:

Statistik uji:

dengan : df1

= (p-r+1)(q-r+1)

t =

n = banyak pengamatan p = banyak gugus peubah X q = banyak gugus peubah Y

Kriteria keputusan: hipotesis nol ditolak pada taraf nyata α jika .

2.1.3 Interpretasi Fungsi Kanonik

Menurut Hair et al. (2006), interpretasi yang dapat dilakukan dalam analisis korelasi kanonik yaitu terhadap bobot kanonik (canonical weight), muatan kanonik (canonical loadings) dan muatan silang kanonik (canonical cross loadings).

a. Bobot kanonik, merupakan koefisien kanonik yang telah dibakukan, dapat diinterpretasikan sebagai besarnya keeratan peubah asal terhadap peubah kanonik. Semakin besar nilai koefisien ini menyatakan semakin tinggi tingkat keeratan peubah yang bersangkutan terhadap peubah kanonik. Bila tanda dari bobot suatu peubah berlawanan dengan peubah kanoniknya maka menunjukkan hubungan yang terbalik dengan peubah yang lain. Bobot kanonik memiliki sifat tidak stabil karena pengaruh multikolinieritas,

sehingga dalam mengoptimalkan hasil penghitungan korelasi kanonik, lebih tepat menggunakan muatan kanonik dan muatan silang kanonik untuk menginterpretasi hasil dari analisis korelasi kanonik

b. Muatan kanonik, dapat dihitung dari korelasi sederhana antara peubah asal dengan masing-masing peubah kanoniknya. Semakin besar muatan kanoniknya mencerminkan semakin dekat hubungan peubah kanonik yang bersangkutan dengan peubah asal. Muatan kanonik gugus peubah X

diperoleh dengan rumus sebagai berikut: Rxv = R

R

xx

xx

R

adalah korelasi sederhana antar gugus peubah X, dan adalah vektor koefisien kanonik peubah V. Sedangkan muatan kanonik gugus peubah Y

diperoleh dengan rumus sebagai berikut: yw = Ryy

R

yy

c. Muatan silangkanonik, dapat dihitung dari perkalian nilai korelasi kanonik dengan muatan kanonik. Penghitungan ini mencakup korelasi tiap gugus peubah Y dengan peubah kanonik dari gugus peubah X dan juga sebaliknya. Semakin besar muatan silang kanonik mencerminkan semakin dekat hubungan peubah kanonik yang bersangkutan dengan peubah lawan. Muatan silang kanonik gugus peubah X diperoleh dengan rumus sebagai berikut:

adalah korelasi sederhana antar gugus peubah Y, dan adalah vektor koefisien kanonik peubah W

Rxw = R R

xv , dengan i = 1, 2, …,k xw

R

adalah muatan silang kanonik gugus peubah X dan adalah korelasi kanonik ke-i. Sedangkan muatan silang kanonik gugus peubah Y diperoleh dengan rumus sebagai berikut:

yv = R R

yw , dengan i = 1, 2, …,k yv

Keeratan hubungan antar dua gugus peubah dapat dikatakan baik bila semua koefisien muatan silang dari gugus data X maupun gugus data Y lebih dari atau sama dengan 0.45 (Sherry dan Henson 2005).

adalah muatan silang kanonik gugus peubah Y dan adalah korelasi kanonik ke-i.

2.1.4 Redundansi

Redundansi merupakan sebuah nilai yang menunjukkan besar proporsi keragaman yang dapat dijelaskan oleh peubah kanonik yang dipilih, baik dari gugus peubah kanonik Y maupun gugus peubah kanonik X, yaitu sebagai berikut: a. Proporsi keragaman Y yang diterangkan oleh peubah kanonik W:

b. Proporsi keragaman Y yang diterangkan oleh peubah kanonik V:

c. Proporsi keragaman X yang diterangkan oleh peubah kanonik V:

d. Proporsi keragaman X yang diterangkan oleh peubah kanonik W:

Untuk menentukan fungsi kanonik yang dianggap cukup dalam menerangkan struktur hubungan gugus peubah X dan gugus peubah Y dilihat dari koefisien R-square. Nilai ini didapat dengan mengkuadratkan korelasi kanonik atau dapat dinotasikan sebagai berikut:

Besarnya nilai proporsi keragaman menunjukkan baik tidaknya jumlah peubah kanonik yang dipilih. Semakin besar nilai proporsi keragaman ini menggambarkan semakin baik peubah-peubah kanonik yang dipilih menerangkan keragaman data asal. Sedangkan batasan untuk nilai proporsi bersifat relatif, sebagai acuan yang cukup baik yaitu lebih besar dari 25% (Keramati 2007). Hal ini mengingat kemungkinan adanya peubah peubah lain yang juga berkontribusi dalam penghitungan namun belum disertakan dalam penelitian.

2.2 Definisi Belajar dan Hasil Belajar

Slameto (1991), mengemukakan bahwa belajar adalah suatu usaha yang dilakukan oleh seseorang untuk memperoleh suatu perubahan tingkah laku secara sadar dari hasil interaksinya dengan lingkungan. Ratumanan (2004),

mengemukakan bahwa belajar merupakan suatu kegiatan mental yang menghasilkan kemampuan baru yang bersifat parmanen pada diri siswa dan terjadi dalam kurun waktu tertentu. Dapat dikatakan bahwa belajar merupakan kegiatan individu, baik mental maupun fisik dengan cara berinteraksi dengan lingkungan untuk memperoleh perubahan tingkah laku yang bersifat permanen, yakni dari tidak mampu menjadi mampu. Kegiatan belajar berlangsung dalam kurun waktu tertentu.

Hasil belajar adalah kemampuan yang diperoleh seseorang sesudah mengikuti proses belajar. Hasil belajar mencakup lima kemampuan, (1) Ketrampilan intelektual, (2) strategi kognitif, (3) Informasi verbal, (4) Ketrampilan motorik, dan (5) sikap (Gagne dan Leslie 1979). Bloom (1979) membagi hasil belajar dalam tiga ranah, yaitu kognitif, afektif dan psikomotorik. Selanjutnya Sudjana (2000) mengatakan bahwa belajar dapat dilihat dari tiga sudut pandang yaitu belajar sebagai proses, belajar sebagai hasil dan belajar sebagai fungsi. Belajar sebagai hasil dapat dijadikan dasar teori dalam mendeskripsikan hasil belajar. Hamalik (1989) menyatakan bahwa prestasi belajar adalah hasil yang telah dicapai oleh seseorang dalam kegiatan belajar. Dimyati dan Mudjiono (1999) mengatakan bahwa evaluasi hasil belajar menekankan pada informasi tentang seberapa jauh siswa telah mencapai tujuan pengajaran yang telah ditetapkan.

Dapat disimpulkan bahwa seluruh kegiatan belajar membutuhkan ketekunan yang tinggi agar tujuan pembelajaran dapat tercapai, dan evaluasi hasil belajar perlu dilakukan secara berkala sebagai bahan peningkatan mutu dari hasil belajar yang telah dicapai.

III. DATA DAN METODE

3.1 Data

Data primer dalam penelitian ini diperoleh dari survei yang dilaksanakan pada bulan Februari 2011 terhadap 76 siswa Kelas XII IPA SMA Budhi Warman II Jakarta tahun akademik 2008/2009. Dari kuesioner diperoleh sebelas peubah, yaitu : pendidikan ayah, pendidikan ibu, pekerjaan ayah, pekerjaan ibu, keikutsertaan BIMBEL/Les Privat, banyak saudara, kepemilikan kenderaan roda dua, kepemilikan kenderaan roda empat, kepemilikan rumah, besar daya listrik di rumah dan penggunaan internet (Lampiran 1).

Data sekunder yaitu : NUN, NUS dan NR yang diperoleh dari arsip SMA Budhi Warman II Jakarta. Nilai Rapor yang digunakan adalah rata – rata dari nilai semester ketiga, keempat dan kelima. Pada data sekunder terdapat dua puluh lima peubah yang dirangkum dalam Tabel 1.

Tabel 1 Gugus Peubah

No Gugus Peubah

Peubah Keterangan No Gugus Peubah

Peubah Keterangan

1 Y y1 NUN B. Indonesia 3 XB x7 NR Agama

y2 NUN B.Inggris x8 NR PKN

y3 NUN Matematika x9 NR Sejarah

y4 NUN Fisika x10 NR Seni Rupa

y5 NUN Kimia x11 NR Penjaskes

y6 NUN Biologi x12 NR TIK

x13 NR B. Jepang

2 XA x

x 1 x 2 x 3 x 4 x 5

NR B. Indonesia

6 NR B.Inggris NR Matematika NR Fisika NR Kimia NR Biologi

4 XC x

x 14 x 15 x 16 x 17 x 18

NUS B. Indonesia

19 NUS B.Inggris NUS Matematika NUS Fisika NUS Kimia NUS Biologi

3.2 Metode

Dalam penelitian ini, dibatasi hanya tiga pola hubungan yang akan diteliti (dianggap cukup penting untuk diketahui pola hubungannya) yaitu antara gugus peubah:

b. NUN (gugus peubah Y) dan NR Non UN (gugus peubah XB

c. NUN (gugus peubah Y) dan NUS UN (gugus peubah X

)

C)

Analisis Deskriptif

Pada data primer dan sekunder dilakukan analisis deskriptif, yaitu penghitungan rata-rata, median, nilai minimum, nilai maksimum, ragam dan penyajian diagram kotak garis data.

Analisis Korelasi Kanonik

Pengolahan data secara manual cukup rumit dan memerlukan waktu yang lama. Oleh karena itu, dalam penelitian ini pengolahan data dilakukan dengan bantuan software (SAS 9.1.3 dan SPSS 19 serta Minitab 16).

Penelitian ini berupa studi kasus tentang analisis korelasi kanonik yang diaplikasikan dengan langkah langkah sebagai berikut :

1. Melakukan uji asumsi

a. Kelinieran, yaitu hubungan antara gugus peubah X dengan gugus peubah Y bersifat linear. Kelinieran data dilihat dari scatter plot antara kedua gugus peubah

b. Tidak ada multikolinearitas, antar gugus peubah X maupun antar gugus peubah Y tidak terjadi multikolinieritas. Dalam penelitian ini, dilakukan dengan menghitung nilai Variance Inflation Factor (VIF) dari kedua gugus data menggunakan SPSS. Menurut Allison dalam Meyers et al. (2006) dikatakan terjadi multikolinieritas jika nilai VIF > 2.5

c. Kenormalan ganda, gugus peubah Y dan gugus peubah X berdistribusi Kenormalan Ganda. Menurut Khatree dan Dayanand (1999) dilakukan dengan menguji kenormalan semua gugus peubah X dan gugus peubah

Y dengan menghitung nilai Skewness (kemenjuluran) dan kurtosis (keruncingan) kenormalan ganda Mardia. Peubah dikatakan berdistribusi normal ganda jika p-value Skewness dan p-value Kurtosis lebih besar dari α, dalam penelitian ini menggunakan α = 0,05.

2. Melakukan analisis korelasi kanonik dengan langkah langkah: a. Menentukan fungsi kanonik dan besarnya korelasi kanonik

b. Melakukan uji nyata terhadap korelasi kanonik, baik uji secara bersama maupun parsial. Pengujian dilakukan dengan membandingkan nilai F dengan Fα = 0,05

c. Menentukan nilai redundansi dari beberapa fungsi kanonik yang nyata .

3. Menginterpretasi fungsi kanonik dengan tiga cara yaitu:

a. Menentukan bobot kanonik untuk mengetahui urutan kontribusi relatif dari tiap gugus peubah

b. Menentukan muatan kanonik untuk mengetahui peubah yang memiliki hubungan paling erat dalam tiap gugus peubah

c. Menentukan muatan silang kanonik bagi peubah yang memiliki hubungan paling erat antar gugus peubah

IV. HASIL DAN PEMBAHASAN

4.1 Deskripsi Data

Survei dilakukan terhadap 76 siswa, yang terdiri atas 46 siswa perempuan dan 30 siswa laki-laki. Pendidikan ayah dan ibu dari siswa-siswi tersebut sebagian besar tamatan SLTA, 50% untuk pendidikan ayah dan 64% untuk pendidikan ibu. Selanjutnya dapat dilihat pada Lampiran 1.

Deskripsi data sekunder yaitu NUN, NR dan NUS dapat dilihat pada Lampiran 2. Nilai rata-rata tertinggi adalah NR Penjaskes yaitu sebesar 87. Rata-rata terendah yaitu sebesar 76 adalah NR Biologi. Jika dilihat dari penyebaran data, dapat dilihat bahwa keragaman terbesar pada NR Seni Rupa, dan ragam terkecil pada NUS Kimia.

Dari penyajian diagram kotak garis data yang ada di Lampiran 3 pada NUN tampak bahwa UN Kimia memiliki median terbesar di antara yang lain. Pada NR UN, median tertinggi adalah NR bahasa Inggris. Sedangkan pada NR Non UN yang tertinggi yaitu NR PJK yang juga mempunyai ragam terkecil dibanding yang lainnya. Median dari seluruh nilai hampir sama, tetapi yang tertinggi mediannya adalah NUS Bahasa Inggris, dapat dilihat pada diagram kotak garis NUS

4.2 Analisis Kanonik NUN dan NR UN

Analisis ini mengkaji hubungan antara gugus peubah Y dengan gugus peubah XA. Gugus peubah Y adalah keseluruhan peubah yang ada di dalam Nilai

Ujian Nasional. Gugus peubah XA adalah keseluruhan peubah yang ada di dalam

Nilai Rapor dari mata pelajaran yang diujikan secara nasional.

4.2.1 Hasil Pengujian Asumsi Gugus Peubah Y

1. Tidak terdapat multikolinieritas pada gugus peubah Y, terlihat dari keseluruhan nilai VIF gugus peubah Y tidak ada yang melebihi 2,5, yang tercantum pada tabel 2

Tabel 2 Hasil Uji Multikolinieritas Gugus Peubah Y

2. Pada output SAS (Lampiran 5) untuk gugus peubah Y, diperoleh p - value skewness = 0.53 > (α = 0.05) danp - value kurtosis = 0.27 > (α = 0.05) maka H0 diterima. Ini berarti gugus peubah Y memenuhi asumsi kenormalan ganda.

Gugus Peubah X

1. Pada gugus peubah X A

A diperoleh bahwa keseluruhan nilai VIF tidak ada yang

melebihi 2,5 (Tabel 3) maka tidak terjadi multikolinieritas pada gugus data XA.

Tabel 3 Hasil Uji Multikolinieritas Gugus Peubah XA

2. Nilai p-value skewness dan p-value kurtosis pada gugus peubah XA masing-

masing adalah 0.15 dan 0.68. Nilai-nilai tersebut melebihi α =0.05, dapat disimpulkan gugus data XA memenuhi asumsi kenormalan ganda (Lampiran 6).

Gugus Peubah Y

Peubah Nilai VIF Gugus Peubah Y

Peubah Nilai VIF NUN IND NUN ING 1,16 NUN FIS NUN KIM 1,15

NUN MAT 1,15 NUN BIO 1,06

NUN FIS 1,12 NUN IND 1,17

NUN KIM 1,15 NUN ING 1,33

NUN BIO 1,05 NUN MAT 1,05

NUN ING NUN MAT 1,11 NUN KIM NUN BIO 1,03

NUN FIS 1,09 NUN IND 1,17

NUN KIM 1,07 NUN ING 1,26

NUN BIO 1,05 NUN MAT 1,14

NUN IND 1,00 NUN FIS 1,11

NUN MAT NUN FIS 1,02 NUN BIO NUN IND 1,17

NUN KIM 1,14 NUN ING 1,34

NUN BIO 1,04 NUN MAT 1,14

NUN IND 1,17 NUN FIS 1,11

NUN ING 1,31 NUN KIM 1,13

Gugus Peubah XA

Peubah Nilai VIF

Gugus Peubah XA

Peubah Nilai VIF NR IND NR B.ING 1.40 NR FIS NR KIM 1.85

NR MAT 1.89 NR BIO 1.45

NR FIS 1.93 NR IND 1.62

NR KIM NR BIO 1.95 1.66 NR ING NR MAT 1.51 1.96 NR ING NR MAT 2.04 NR KIM NR BIO 1.66

NR FIS 1.91 NR IND 1.56

NR KIM 1.97 NR ING 1.48

NR BIO NR IND 1.64 1.50 NR MAT NR FIS 1.87 1.79

NR MAT NR FIS 1.87 NR BIO NR ING 1.50

NR KIM 1.87 NR MAT 1.93

NR BIO 1.58 NR FIS 1.68

NR IND NR ING 1.51 1.53 NR KIM NR IND 2.03 1.62

Berdasarkan scatter plot gugus peubah NUN terhadap gugus peubah NR UN dapat dilihat adanya garis linier untuk kedua gugus peubah tersebut, dapat disimpulkan asumsi kelinieran terpenuhi. Selanjutnya analisis korelasi kanonik dapat dilakukan pada kedua gugus data tersebut (Lampiran 4).

4.2.2 Hasil Analisis Korelasi Kanonik

Semua asumsi untuk uji korelasi kanonik sudah terpenuhi, sehingga analisis korelasi kanonik dapat dilanjutkan. Pengolahan data dalam analisis korelasi kanonik menggunakan program SAS 9.1.3 dan SPSS 19 serta Minitab 16. Hasil penghitungan secara lengkap dapat dilihat pada lampiran. Untuk kepentingan memperoleh hasil penelitian, diambil bagian bagian yang penting saja, seperti fungsi kanonik, uji hipotesis, dan analisis redudansi.

1. Fungsi Kanonik

Banyaknya fungsi kanonik yang terbentuk untuk 6 peubah NUN (q=6) dan 6 peubah NR UN (p=6) yaitu min (6,6) = 6. Fungsi peubah kanonik yaitu (Vi, Wi) untuk i = 1, 2, …, 6, diperoleh akar ciri (dari yang terbesar) yaitu 0.47, 0.30, 0.10, 0.06, 0.05, 0.00 beserta vektor-vektor ciri padanannya. Kemudian didapat vektor koefisien dan yang juga merupakan bobot kanonik untuk fungsi peubah kanonik yang berurutan (Tabel 4).

Tabel 4 Bobot dan Korelasi Kanonik gugus peubah XA dan Y terhadap Fungsi Kanonik Pertama

Gugus Peubah XA

V1 Gugus

Peubah Y

W1

Bobot Kanonik Korelasi

Bobot Kanonik

Korelasi x1 0.01 0.07 y1 0.32 0.49 x2 0.99 0.67 y2 0.48 0.56 x3 -0.48 -0.20 y3 0.43 0.10 x4 0.34 0.20 y4 -0.71 -0.50 x5 -0.67 -0.22 y5 0.40 0.46 x6 0.16 0.18 y6 -0.06 0.08 Fungsi kanonik ke-1, yaitu (V1, W1) :

V1 = 0.01x1 + 0.99x2 - 0.48x3 + 0.34x4 - 0.67x5 + 0.16x6 W1= 0.32y1 + 0.48y2 + 0.43y3 - 0.71y4 + 0.40y5 - 0.06y6

demikian seterusnya hingga fungsi kanonik ke-6. Selanjutnya dari pasangan kanonik tersebut berdasarkan output SAS diperoleh korelasi kanonik dari yang terbesar hingga yang terkecil (Tabel 5).

Tabel 5 Korelasi Pasangan Fungsi Kanonik

2. Uji Hipotesis

a. Uji korelasi kanonik secara bersama

Berdasarkan pengujian hipotesis menggunakan uji statistik Wilk diperoleh F = 1.67 > Fα = 0.05 = 1.55 (Tabel 6) dapat diputuskan bahwa H0 ditolak, yang berarti paling tidak ada satu korelasi kanonik yang nyata. Dengan demikian, ke enam fungsi kanonik dapat dianalisis lebih lanjut.

Tabel 6 Hasil Uji korelasi kanonik secara bersama Statistik F

Wilks'Lambda 1.67 Pillai'sTrace 1.63 Hotelling-LawleyTrace 1.69 Roy'sGreatestRoot 5.37

b. Uji korelasi kanonik secara parsial

Uji korelasi kanonik secara parsial hanya menghasilkan satu fungsi kanonik saja yang nyata, yaitu fungsi kanonik pertama (Tabel 7), F = 1.67 > F0.05 = 1.46. Fungsi kanonik pertama, mempunyai proporsi keragaman sebesar 0.48 (Lampiran 9). Hal ini berarti kombinasi dari fungsi kanonik pertama sudah cukup menerangkan keragaman peubah NUN dan peubah NR UN sebesar 48 %.

Fungsi Kanonik

Korelasi Kanonik

1 0.56

2 0.47

3 0.29

4 0.25

5 0.22

Tabel 7 Hasil Uji Korelasi Kanonik secara Parsial dan Nilai Redundansi (R2)

3. Analisis Redundansi

Analisis redundansi dilakukan hanya pada satu fungsi kanonik, yaitu fungsi kanonik pertama. Nilai redundansi (R2) dari fungsi kanonik yang dianalisis tersebut adalah 32%. Nilai ini diperoleh dari output program SAS (Lampiran 9). Hal ini berarti dari satu fungsi kanonik tersebut bisa menjelaskan keragaman hubungan NUN dan NR UN kurang dari separuhnya.

4.2.3 Interpretasi Fungsi Kanonik

a. Bobot Kanonik

Besarnya bobot kanonik (Tabel 8) menunjukkan keeratan terhadap peubah kanonik. Berdasarkan koefisien kanonik yang telah dibakukan dapat disimpulkan pada fungsi kanonik pertama urutan keeratan gugus peubah XAterhadap peubah

kanonik adalah x2, x5, x3, x4, x6, x1. Selanjutnya, urutan keeratan gugus peubah Y terhadap peubah kanonik adalah y4, y2, y3, y5, y1, y6 . Berdasarkan urutan keeratan kedua gugus peubah dapat disimpulkan bahwa NR Bahasa Inggris dan NUN Bahasa Inggris memberikan keeratan yang tertinggi terhadap fungsi kanonik pertama, sedangkan urutan keeratan yang terendah adalah NR Bahasa Indonesia dan NUN Biologi.

Fungsi Kanonik

F F0.05 R2

1 2 3 4 5 6

1.67 1.29 0.89 0.88 0.92 0.24

1. 46 1. 55 1. 70 1. 94 2. 45 4. 03

0.32 0.23 0.09 0.06 0.05 0.00

Tabel 8 Bobot Kanonik dan Muatan Kanonik serta Muatan Silang Kanonik untuk Fungsi Kanonik Pertama antara Gugus Peubah Y dan XA

b. Muatan Kanonik

Muatan kanonik menyatakan korelasi gugus peubah terhadap peubah kanonik di mana peubah bergabung dalam setiap fungsi kanonik. Besarnya muatan kanonik menunjukkan keeratan terhadap peubah kanonik. Berdasarkan koefisien kanonik yang telah dibakukan dapat disimpulkan pada fungsi kanonik pertama urutan keeratan gugus peubah XA terhadap peubah kanonik adalah x2, x5,

x3, x4, x6, x1. Selanjutnya, urutan keeratan gugus peubah Y terhadap peubah kanonik adalah y2 , y4, y1, y5, y3, y6 . Berdasarkan urutan keeratan kedua gugus peubah dapat disimpulkan bahwa NR Bahasa Inggris dan NUN Bahasa Inggris memberikan keeratan yang tertinggi terhadap fungsi kanonik pertama, sedangkan urutan keeratan yang terendah adalah NR Bahasa Indonesia dan NUN Biologi.

c. Muatan Silang Kanonik

Muatan silang kanonik menyatakan korelasi gugus peubah dalam suatu peubah kanonik terhadap peubah kanonik lainnya. Besarnya muatan silang kanonik menunjukkan keeratan terhadap peubah kanonik. Berdasarkan koefisien kanonik yang telah dibakukan dapat disimpulkan pada fungsi kanonik pertama urutan keeratan gugus peubah XA terhadap peubah kanonik adalah x2, x5, x3, x4, x6, x1. Selanjutnya, urutan keeratan gugus peubah Y terhadap peubah kanonik adalah

y2, y4, y1, y5, y3, y6 . Berdasarkan urutan keeratan kedua gugus peubah dapat disimpulkan bahwa NR Bahasa Inggris dan NUN Bahasa Inggris memberikan

Gugus Peubah Bobot Kanonik Muatan Kanonik Muatan Silang Kanonik

XA : x1 0.01 0.70 0.04

x2 0.99 0.67 0.38

x3 - 0.48 - 0.20 - 0.11

x4 0.34 0.20 0.11

x5 - 0.67 - 0.22 - 0.12

x6 0.16 0.18 0.10

Y : y1 0.32 0.49 0.28

y2 0.48 0.56 0.32

y3 0.43 0.10 0.06

y4 - 0.71 - 0.50 - 0.28

y5 0.40 0.45 0.25

keeratan yang tertinggi terhadap fungsi kanonik pertama, sedangkan urutan keeratan yang terendah adalah NR Bahasa Indonesia dan NUN Biologi.

4.3 Analisis Kanonik NUN dan NR non UN

Hubungan kedua yang akan dianalisis adalah gugus peubah Y dengan gugus peubah XB. Gugus peubah Y adalah keseluruhan peubah yang ada di dalam

Nilai Ujian Nasional (NUN). Gugus peubah XB adalah keseluruhan peubah yang

ada di dalam Nilai Rapor dari mata pelajaran yang tidak diujikan secara nasional (NR non UN).

4.3.1 Hasil Pengujian Asumsi Gugus Peubah XB

1. Pada gugus peubah XB nilai p-value skewness = 0.24 dan p-value kurtosis =

0.85. Nilai-nilai tersebut lebih dari α =0.05, sehingga gugus peubah XB

memenuhi asumsi kenormalan ganda (Lampiran 7 )

2. Seluruh nilai VIF pada gugus peubah XB tidak ada yang melebihi 2,5. Pada

gugus data XB tidak terjadi multikolinieritas (Tabel 9)

3.Asumsi kelinieran pada hubungan gugus peubah Y dengan gugus peubah XB

Berdasarkan scatter plot terpenuhi. Dapat dilihat dari garis linier yang terbentuk (Lampiran 4). Analisis korelasi kanonik dapat dilakukan pada kedua gugus data tersebut.

Tabel 9 Hasil Uji Multikolinieritas Gugus Peubah XB Gugus Peubah

Y

Peubah Nilai VIF

Gugus Peubah Y

Peubah Nilai VIF

NR AGM NR PKN 1.91 NR PJK RT_TIK 1,65

NR SEJ 1,81 RT_BAJ 1,81

NR SRP 1,78 RT_AGM 2,02

NR PJK 1,06 RT_PKN 1,93

NR TIK 1,49 RT_SEJ 1,94

NR PKN RT_SEJ 1,69 NR TIK RT_BAJ 1,65

RT_SRP 1,70 RT_AGM 1,81

RT_PJK 1,10 RT_PKN 2,02

RT_TIK 1,67 RT_SEJ 1,93

RT_BAJ 1,93 RT_SRP 1,94

NR SEJ RT_SRP 1,76 NR BAJ RT_AGM 1,79

RT_PJK 1,10 RT_PKN 1,91

RT_TIK 1,67 RT_SEJ 1,94

RT_BAJ 1,96 RT_SRP 1,60

RT_AGM 1,96 RT_PJK 1,02

NR SRP RT_PJK 1,09

RT_TIK 1,61 RT_BAJ 1,73 RT_AGM 2,08 RT_PKN 1,82

4.3.2 Hasil Analisis Korelasi Kanonik

Secara lengkap, hasil penghitungan yang merupakan output dari program SAS dapat dilihat pada lampiran. Tidak semua output hasil SAS ditampilkan, hanya bagian terpenting saja.

1. Fungsi Kanonik

Berbeda dengan kasus sebelumnya, pada gugus peubah Y dan gugus peubah XB, tidak terdapat satu mata pelajaran yang sama. Nilai minimum dari

banyaknya gugus peubah XB dan gugus peubah Y, yaitu min (6,7) maka diperoleh

6 fungsi kanonik yang terbentuk, yaitu (Vi,Wi) untuk i = 1, 2, …, 6. Diperoleh akar ciri sebagai berikut berdasarkan urutan dari yang terbesar, yaitu : 0.22, 0.14, 0.032, 0.02, 0.02 dan 0.01 dan vektor-vektor ciri padanannya. Kemudian didapat bobot kanonik untuk fungsi peubah kanonik yang berurutan (Tabel 10).

Dari tabel 10 dapat dibentuk enam pasangan fungsi kanonik. Fungsi kanonik ke-1, yaitu (V1, W1) :

V1 = 0.52 x7 - 0.44x8 - 0.6x9 + 0.34x10 + 0.06x11 + 0.28x12 + 0.56x13

W1= 0,67y1 + 0.07y2 + 0.09y3 + 0.58y4 - 0.29y5 + 0.38y6 dilanjutkan hingga ke pasangan fungsi kanonik yang keenam. Korelasi kanonik yang

dihasilkan dari keenam pasangan fungsi kanonik tersebut yaitu 0.42, 0.35, 0.18, 0.15, 0.14 dan 0.10.

Tabel 10 Bobot dan Korelasi Kanonik gugus peubah XB dan Y terhadap Fungsi Kanonik Pertama

Gugus Peubah XB

V1 Gugus

Peubah Y

W1

Bobot Kanonik Korelasi

Bobot Kanonik

Korelasi x7 0.52 0.58 y1 0.67 0.67 x8 - 0.44 0.04 y2 0.07 0.32 x9 - 0.60 -0.03 y3 0.09 0.28 x10 0.34 0.45 y4 0.58 0.60 x11 0.06 0.15 y5 -0.28 - 0.14 x12 0.28 0.50 y6 0.38 0.32 x13 0.56 0.70

2. Uji Hipotesis

a. Uji korelasi kanonik secara bersama

Berdasarkan pengujian korelasi kanonik menggunakan uji statistik Wilk diperoleh F = 0.65 < F0.05 = 1.55 sehingga dapat diputuskan bahwa H0 diterima (Tabel 11), yang berarti semua korelasi kanoniknya tidak nyata. Dengan demikian, ke enam fungsi kanonik tidak dapat dianalisis lebih lanjut.

Tabel 11 Hasil Uji korelasi kanonik secara bersama

4.4 Analisis Kanonik NUN dan NUS UN

Hubungan kedua yang akan dianalisis adalah gugus peubah Y dengan gugus peubah XC. Gugus peubah Y adalah keseluruhan peubah yang ada di dalam

Nilai Ujian Nasional (NUN). Gugus peubah XC adalah keseluruhan peubah yang

ada di dalam Nilai Ujian Sekolah dari mata pelajaran yang diujikan secara nasional (NUS UN). Berdasarkan uji asumsi yang dilakukan, diperoleh:

Statistik F Wilks'Lambda 0.65 Pillai'sTrace 0.66 Hotelling-LawleyTrace 0.65 Roy'sGreatestRoot 2.12

1. Terdapat kelinieran, karena pada gugus data NUN terhadap gugus data NS UN diperoleh adanya garis linier untuk masing-masing scatter plot antara masing kedua gugus peubah tersebut (Lampiran 4)

2. Tidak adanya multikolinieritas, karena pada gugus peubah XC diperoleh bahwa keseluruhan nilai VIF tidak ada yang melebihi 2,5 (Tabel 12)

Tabel 12 Hasil Uji Multikolinieritas Gugus Peubah XC

3. Adanya kenormalan ganda, karena berdasarkan uji kenormalan ganda Mardia untuk gugus peubah Ydiperoleh p-value Skewness = 0.53 dan p-value kurtosis = 0.27; dan untuk gugus peubah XCdiperoleh p-value skewness = 0.09 dan

p-value kurtosis = 0.24. Nilai-nilai tersebut dibandingkan dengan α = 0.05, dan dapat disimpulkan memenuhi asumsi kenormalan ganda karena semuanya melebihi α = 0.05 (Lampiran 8).

Setelah asumsi terpenuhi maka analisis kanonik dapat dilakukan, dengan hasil sebagai berikut. Selanjutnya, dengan bantuan software SAS diperoleh akar ciri yang telah diurutkan dari yang terbesar yaitu 0.44, 0.38, 0.28, 0.07, 0.01 dan 0.00, juga bobot kanonik seperti pada tabel 13.

Gugus Peubah XC

Peubah Nilai VIF

Gugus Peubah XC

Peubah Nilai VIF US IND

US ING 1,19 USFIS US KIM 1,16

US MAT 1,42 US BIO 1,37

US FIS 1,48 US IND 1,17

US KIM 1,19 US ING 1,10

US BIO 1,32 US MAT 1,38

US ING

US MAT 1,41 USKIM US BIO 1,50

US FIS 1,38 US IND 1,19

US KIM 1,19 US ING 1,18

US BIO 1,51 US MAT 1,33

US IND 1,19 US FIS 1,45

US MAT

US FIS 1,44 USBIO US IND 1,04

US KIM 1,11 US ING 1,19

US BIO 1,41 US MAT 1,34

US IND 1,18 US FIS 1,35

Tabel 13 Bobot dan Korelasi Kanonik Gugus Peubah Y dan XC terhadap Fungsi Kanonik Pertama dan Kedua

Gugus Peubah Xc

V1 V2

Bobot Kanonik Korelasi Kanonik Bobot Kanonik Korelasi Kanonik

x14 0.57 0.50 0.72 0.63

x15 0.24 0.46 0.24 0.12

x16 0.53 0.62 -0.40 -0.16

x17 0.59 0.64 -0.39 -0.24

x18 -0.33 0.05 0.69 0.52

x19 -0.50 0.17 -0.15 -0.02

Gugus Peubah Y

W1 W2

Bobot Kanonik Korelasi Kanonik Bobot Kanonik Korelasi Kanonik

y1 0.41 0.34 0.00 0.17

y2 -0.11 0.10 0.52 0.55

y3 0.38 0.30 -0.18 -0.00

y4 -0.38 -0.27 0.72 0.70

y5 0.28 0.32 -0.43 -0.11

y6 0.73 0.78 0.43 0.40

Ada enam pasang fungsi kanonik yang dapat dibentuk dari kedua gugus peubah. Pasangan fungsi kanonik (Vi,Wi) untuk i = 1, 2, …, 6. Kemudian fungsi kanonik diperoleh setelah vektor dan didapat.

Fungsi kanonik ke-1, yaitu (V1, W1) :

V1 = 0.57x14 + 0.24x15 + 0.53x16 + 0.59x17- 0.33x18- 0.50x19 W1= 0,41y1 - 0.11y2 + 0.38y3 - 0.38y4 + 0.28y5 + 0.73y6 demikian seterusnya hingga fungsi kanonik ke-6, yaitu (V6, W6) : V6 = - 0.17x14 - 0.28x15 - 0.62x16 + 0.83x17 + 0.48x18 +0.29x19 W6= 0.75y1 - 0.42y2 + 0.34y3 + 0.21y4 - 0.32y5 - 0.20y6

Fungsi kanonik pertama memiliki korelasi kanonik terbesar yaitu 0.55, fungsi kanonik kedua memiliki korelasi kanonik terbesar kedua yaitu 0.52, dan seterusnya berurut korelasi kanonik ke tiga hingga ke enam yaitu 0.47, 0.26, 0.10 dan 0.02.

Berdasarkan pengujian secara keseluruhan terhadap keenam fungsi kanonik tersebut diperoleh bahwa terdapat fungsi kanonik yang nyata pada taraf α = 0.05. Pada output SAS menggunakan statistik Wilk nilai F = 2.05, nilai ini lebih dari F alpa 0.05 yaitu 1.46. Kemudian dari pengujian secara parsial diperoleh bahwa dua fungsi kanonik pertama yang nyata pada taraf α = 0.05. Fungsi kanonik pertama ini mempunyai proporsi keragaman sebesar 0.37 dan fungsi kanonik kedua sebesar 0.32. Hal ini berarti kombinasi dari dua fungsi

kanonik pertama ini sudah mampu menerangkan keragaman peubah NUN dan peubah NUS UN sebesar 69%.

Selanjutnya dua fungsi kanonik pertama tersebut yang akan diinterpretasi. Berdasarkan bobot kanonik pada fungsi kanonik pertama dapat dilihat bahwa NUS Fisika yang memberikan kontribusi paling besar terhadap fungsi kanonik pertama, sedangkan untuk gugus peubah NUN, yang berkontribusi paling besar yaitu NUN Biologi. NUS Bahasa Indonesia dan NUN Fisika memberi kontribusi terbesar terhadap fungsi kanonik kedua.

Berdasarkan muatan (korelasi) kanonik pada fungsi kanonik pertama, diperoleh bahwa NUS Fisika dan NUN Biologi sama-sama memiliki hubungan yang paling erat dengan fungsi kanonik pertama (Tabel 13). Sedangkan dari fungsi kanonik kedua, diperoleh NUS Bahasa Indonesia dan NUN Fisika memiliki hubungan paling erat dengan fungsi kanonik kedua (Tabel 4).

Berdasarkan muatan silang gugus peubah X dan Y dengan fungsi kanonik pertama dapat dilihat pada tabel 14 bahwa NUS Fisika dan NUN Biologi yang paling erat hubungan dengan fungsi kanonik pertama. Sedangkan pada fungsi kanonik kedua yang paling erat hubungannya yaitu NUS Bahasa Indonesia dan NUN Fisika.

Tabel 14 Muatan Silang antara Gugus Peubah Y dan XC dengan Fungsi Kanonik Pertama dan Kedua

Gugus Peubah

Y

V1 V2

Gugus Peubah

XC

W1 W2

y1 0.19 0.09 x14 0.28 0.33

y2 0.057 0.29 x15 0.25 0.07

y3 0.17 -0.00 x16 0.34 -0.08

y4 -0.15 0.37 x17 0.35 -0.13

y5 0.18 -0.06 x18 0.03 0.27

y6 0.43 0.21 x19 0.09 -0.01

Berdasarkan tingkat redundansi dari fungsi yang nyata diperoleh bahwa fungsi kanonik pertama memiliki R2 sebesar 31 % dan 28 % untuk fungsi kanonik kedua.

4.5 Analisis Hasil Kanonik dan Data Primer

Berdasarkan tabel 15 dapat dilihat bahwa dari siswa dengan nilai tertinggi di kelima Nilai tersebut, pada umumnya pendidikan orangtua minimal SMA. Dalam hal pekerjaan, lebih banyak Ibu yang pekerjaannya sebagai Ibu Rumah Tangga. Selain itu dapat dilihat pada tabel 15 bahwa sebagian besar siswa mengikuti Bimbel, tinggal dengan orangtua, memiliki orangtua yang lengkap, tidak memiliki riwayat penyakit parah, memiliki fasilitas transportasi dan internet. Sedangkan daya listrik yang ada di rumah siswa-siswa tersebut, sebagian besar bukan yang berdaya listrik besar.

Berdasarkan tabel 16, dapat dilihat bahwa sebagian besar siswa dengan nilai terendah mempunyai orangtua yang tamatan SLTA, pekerjaan ayah PNS/TNI, pekerjaan Ibu sebagai ibu rumah tangga. Dari tabel 16, juga dapat dilihat bahwa hampir di semua nilai siswa yang merupakan anak pertama sampai ketiga mendapat nilai diatas 90. Jika dilihat dari sarana transportasi dan komunikasi (internet), siswa mendapatkan sarana yang bagus. Jika dibandingkan dengan siswa yang memiliki nilai tertinggi persentase riwayat penyakit parah siswa terlihat lebih besar pada NUN Biologi dan NUS Fisika. Hal yang sama juga terlihat pada persentase siswa yang mengikuti Bimbel atau les.

Tabel 15 Deskripsi Data Primer dengan Nilai-nilai Tertinggi Hasil Kanonik (dalam %)

Nilai Pendidikan Ayah Pendidikan Ibu Pekerjaan Ayah

SD SLTP SLTA PT S

D SLTP SLT

A PT KRY WN PNS/ TNI WR S

NUN Fisika 0 0 80 20 0 30 50 20 40 50 10

NR B.Inggris 10 0 60 30 0 10 60 30 40 20 40

NUN Biologi 0 0 66.7 33.3 0 30 40 30 20 40 40

NUS Fisika 0 0 60 40 0 0 60 40 30 60 10

NUS B.

Indonesia 0 0 70 30

1

0 0 50 40 40 40 20

Nilai Pekerjaan Ibu Anak Ke Banyak saudara

KRYAWN PNS/

TNI WRS IR

T 1-3 >3

1-3

org >3 org

NUN Fisika 20 10 20 50 90 10 80 20

NR B.Inggris 10 10 10 70 90 10 90 10

NUN Biologi 20 0 30 50 80 20 80 20

NUS Fisika 0 10 0 90 90 10 90 10

NUS Indonesia 10 20 0 70 90 10 90 10

Nilai Tinggal dgn orang Tua

Orang Tua cerai/meninggal

Banyak Kendaraan Bermotor roda 2

Banyak Kendaraan Bermotor roda 4 Ya Tidak Ya Tidak 1-2

buah

>2 buah Tidak Ada

1-3 buah

NUN Fisika 90 10 10 90 70 30 60 40

NR B.Inggris 100 0 0 100 60 40 40 60

NUN Biologi 80 20 20 80 80 20 40 60

NUS Fisika 100 0 0 100 70 30 40 60

NUS Indonesia 100 0 0 100 50 50 70 30

Nilai Pernah sakit parah

Rumah Bimbel/les Pelajaran bimbel Ya Tidak Sendiri Kontrak Ya Tidak Pel.UN Mtk

NUN Fisika 10 90 90 10 90 10 66.67 33.33

NR B.Inggris 10 90 90 10 90 10 44.44 55.56

NUN Biologi 0 100 90 10 90 10 66.67 33.33

NUS Fisika 20 80 90 10 80 20 62.5 37.50

NUS Indonesia 0 100 100 0 70 30 57.14 42.86

Nilai

Daya Listrik Internet 900-1200 W

1300-2200 W Ya Tidak

NUN Fisika 70 30 100 0

NR B.Inggris 50 60 80 20

NUN Biologi 50 50 100 0

NUS Fisika 70 30 100 0

Tabel 16 Deskripsi Data Primer pada Siswa dengan Nilai-nilai terendah

Nilai Pendidikan Ayah Pendidikan Ibu Pekerjaan Ayah

SD SLTP SLTA PT S

D SLTP SLTA PT KRY WN PNS/ TNI WR S

NUN Fisika 0 0 60 40 0 0 80 20 50 50 0

NR B.Inggris 20 0 60 20 20 10 60 10 0 90 10

NUN Biologi 10 0 50 40 0 0 90 10 0 90 10

NUS Fisika 0 0 70 30 10 0 60 30 30 40 30

NUS B.

Indonesia 10 0 50 40 0 0 60 40 30 50 20

Nilai Pekerjaan Ibu Anak Ke Banyak saudara

KRY WN

PNS/

TNI WRS IRT 1-3 >3 1-4 org

>3 org

NUN Fisika 10 20 10 60 100 0 100 0

NR B.Inggris 10 20 60 70 90 10 90 10

NUN Biologi 0 10 10 80 100 0 80 20

NUS Fisika 20 10 10 60 80 20 90 10

NUS Indonesia 0 30 20 60 90 10 90 10

Nilai Tinggal dgn orang tua

Ortu cerai/meninggal

Banyak Kendaraan Bermotor roda 2

Banyak Kendaraan Bermotor roda 4 Ya Tidak Ya Tidak 1-2

buah

> 2 buah Tidak Ada

1-3 buah

NUN Fisika 100 0 0 100 70 30 70 30

NR B.Inggris 100 0 0 100 60 40 40 60

NUN Biologi 100 0 0 100 100 0 70 30

NUS Fisika 80 20 20 80 80 20 80 20

NUS Indonesia 100 0 0 100 50 50 70 30

Nilai Pernah sakit parah

Rumah Bimbel/les Pelajaran bimbel Ya Tidak Sendiri Kontrak Ya Tidak Pel.UN Mtk

NUN Fisika 10 90 100 0 90 10 70 30

NR B.Inggris 10 90 80 20 80 20 56.7 33.3

NUN Biologi 20 80 100 0 80 20 80 20

NUS Fisika 20 80 80 20 50 50 80 20

NUS Indonesia 0 100 100 0 70 30 57.14 42.86

Nilai Daya Listrik Internet 900-1200 W 1300-2200

W Ya Tidak

NUN Fisika 40 60 70 30

NR B.Inggris 30 70 80 20

NUN Biologi 50 50 100 0

NUS Fisika 30 70 90 10

V.

SIMPULAN

Berdasarkan hasil dan pembahasan yang telah diuraikan disimpulkan bahwa: 1. Nilai UN dan Nilai Raport UN memiliki hubungan. Nilai UN Fisika dan

Nilai Rapor Bahasa Inggris merupakan peubah yang memberi kontribusi terbesar terhadap fungsi kanonik pertama

2. Nilai UN dan Nilai Ujian Sekolah UN memiliki hubungan. Nilai Ujian Nasional Biologi dan Nilai Ujian Sekolah Fisika member kontribusi terbesar terhadap fungsi kanonik pertama. Sedangkan Nilai Ujian Nasional Fisika dan Nilai Ujian Sekolah Bahasa Indonesia memberikan kontribusi tertinggi terhadap fungsi kanonik kedua

3. Berdasarkan kelima peubah (NUN Fisika, NR B.Inggris, NUN Biologi, NUS Fisika, dan NUS B.Indonesia) yang memberikan kontribusi terbesar terhadap fungsi kanonik masing masing, dapat dikatakan pola hubungan yang terbentuk tidak sejalan

4. Nilai UN dan Nilai Rapor non UN tidak memiliki hubungan

5. _{Keikutsertaan siswa dalam bimbel atau les memberikan kontribusi yang}

besar terhadap Nilai Ujian Nasional. Selain itu, daya listrik juga memberikan kontribusi pada siswa-siswa dengan nilai tertinggi. Adapun faktor-faktor yang lain pada data primer kontribusinya tidak begitu kelihatan.

DAFTAR PUSTAKA

Bloom BS. 1979. Taxonomy of Education Objectives. London: London Longmen. Inc.

Cahyosetiyono D. 2009. Pemodelan Banyaknya Siswa Gagal Ujian Nasional dengan Regresi Zero-Inflated Generalized Poisson. [tesis]. Surabaya: Sekolah Pascasarjana, Institut Teknologi Surabaya.

Dimyati, Mudjiono

Gagne RM, Leslie JB. 1979. Principles of instructional design. New York: Holt, Rinehart and Winston

. 1999. Belajar dan Pembelajaran. Jakarta: PT Rineka. Cipta

Hair JF, Black WC, Babin BJ, Anderson RE . 2010. Multivariate Data Analysis Seventh Edition. New Jersey: PrenticeHall International, New Jersey.

Gittins R. 1985. Canonical Analysis: A Review With Application in Ecology. Spinger-Verlag, Berlin.

Hamalik U. 1989. Metode belajar kesulitan-kesulitan belajar. Bandung:Tersito Harmini. 1997. Hubungan Struktur Ekonomi dengan Kesejahteraan Rakyat

(Suatu Pendekatan dengan Analisis Korelasi Kanonik [tesis].

Johnson RA, Winchern DW. 2002. Applied Multivariate Statistical Analysis, Prentice Hall, New Jersey.

Bogor: Institut Pertanian Bogor.

Keramati A. 2007. Assessing the Effects of Information Technology on Firm Performance Using Canonical Correlation Analysis: A Survey in Iran Car Part Suppliers Sector. World Academy of Science, Engineering and Technology 35 2007, pp:11-18

Khattree R, Dayanand NN. 1999. Applied Multivariate Statistics with SAS® Software, Second Edition. Cary, NC: SAS Institute Inc

Kusaly J. 2010. Pemodelan Nilai Ujian Akhir Nasional Siswa SMA Negeri 2 Ambon Tahun 2007/2008 Menggunakan Metode Seemingly Unrelated Regression (SUR) [tesis]. Surabaya: Sekolah Pascasarjana, Institut Teknologi Surabaya.

Novriyadi H. 2005. Analisis Korelasi Kanonik antara Curah Hujan GCM dan Curah Hujan di Indramayu [Skripsi]. Bogor: Institut Pertanian Bogor.

Meyers LS, Gamst G, Guarino AJ. 2006. Applied Multivariate Research:Design and Interpretation. United States of America: Sage Publications, Inc

Ratumanan TG. 2004. Belajar dan Pembelajaran. Press.

Surabaya:Unesa University

Rencher AC. 2002. Methods of Multivariate Analysis, Second Edition. Canada: A John Wiley & Sons, Inc. Publications.

Rosita EW. 2007. Sensitivitas Produksi Kelapa Sawit (Elaeis guineensis Jacq.) Terhadap Variabilitas Curah Hujan Akibat Pengaruh Penyimpangan Iklim [Skripsi]. Bogor: Institut Pertanian Bogor.

Sherry A , Henson RK. 2005. Conducting and Interpreting Canonical Correlation Analysis in Personality Research: A User-Friendly Primer. Journal Of Personality Assessment 84(1), Lawrence Erlbaum Associates, Inc. pp:37–48. Singarimbun M, Effendi S. 1989. Metode Penelitian Survai. Jakarta: LP3ES Slameto. 1991. Belajar dan Faktor-Faktor yang Mempengaruhi. Jakarta : Rineka

Cipta

Sudjana N. 2000. Dasar-dasar Proses Belajar Mengajar. Bandung: Sinar Baru Algesindo.

Sutarsih S. 2008. Pemodelan Nilai UNAS dengan Pendekatan Regresi Spline

Syafitri D, Indrasari P. 2009. Analisis Korelasi Kanonik pada Perilaku Kesehatan dan Karakteristik Sosial Ekonomi di Kota Pati Jawa Tengah. Media Statistika, 2 (1). pp. 41-50

33

Lampiran 1 Deskripsi Data Primer

No Peubah Keterangan Persentase (%)

1 Jenis Kelamin Perempuan 60.5

laki-laki 39.5

2 Pendidikan Ayah SD,SMP 5.30

SMA,STM,SMK 65.8

D3,Sarjana Muda, S1,S2 27.6

tidak ada 1.3

Pendidikan Ibu SD,SMP 11.8

SMA,STM,SMK 64.5

D3,Sarjana Muda, S1,S2 23.7

tidak ada 0

3 Pekerjaan Ayah PNS,BUMN 23.7

Swasta,wiraswasta 52.6

TNI,Polri 18.4

Petani/Pelaut 3.9

Pekerjaan Ibu Ibu rumah tangga 73.7

PNS,Guru 18.4

Wiraswasta 6.6

Dokter 1.3

4 Anak ke 1 39.5

2 32.5

3 18.4

4 7.9

5 1.3

5 Tinggal dengan ortu Tidak 3.9

Ya 96.1

6 Ortu cerai / wafat Tidak 94.7

Ya 5.3

7 Riwayat penyakit berat

Ada 1.3

Tidak ada 85.5

8 Status kepemilikan Rumah

bukan milik pribadi 10.5

milik pribadi 89.5

9 Ikut Bimbel Tidak 25

Ya 75

10 Internet di Rumah Tidak 11.8

Ya 88.2

11 Banyak Kepemilikan Sepeda motor

Tidak punya 3.9

1 buah 21.1

2 buah 48.7

3 buah 17.1

4-6 buah 9.2

12 Banyak

Kepemilikan Mobil

Tidak Punya 53.9

1 buah 36.8

2- 3 buah 9.2

13 Daya Listrik 900 MW 19.7

100 MW 2.6

1200 MW 30.3

1300MW 40.8

Lampiran 2 Deskripsi Data Sekunder

Nilai

Mean Variance Minimum Maximum

UN IND 8.3389 0.3251 7.0000 9.4

UN ING 8.6033 0.1196 7.8000 9.2

UN MAT 8.2743 0.1860 7.2500 9.0

UN FIS 8.3871 0.3147 7.0000 9.75

UN KIM 8.8095 0.2331 7.5000 9.5

UN BIO 7.8430 0.2487 6.5000 8.9

NR IND 80.432 4.326 76.500 85.5

NR ING 78.639 6.094 72.500 86.5

NR MAT 78.155 4.814 75.000 83.17

NR FIS 78.228 6.363 73.000 84

NR KIM 77.778 2.492 75.330 82.33

NR BIO 75.849 2.626 73.170 80.5

NR AGM 78.140 5.468 73.330 84.5

NR PKN 80.053 3.238 76.170 84.5

NR SEJ 76.595 3.366 73.330 81.5

NR SRP 84.041 7.800 75.330 88.5

NR PJK 86.971 0.569 84.670 88.5

NR TIK 80.847 2.598 77.330 84.67

NR BAJ 80.559 7.247 76.000 88

NUS IND 8.4725 0.0357 8.1800 8.88

NUS ING 8.5204 0.0579 8.0100 9.03

NUS MAT 8.4374 0.0608 8.1100 8.97

NUS FIS 8.3607 0.0306 8.0700 8.86

NUS KIM 8.4291 0.0164 8.2000 8.78

Lampiran 3 Boxplot Data Sekunder

UN KIM UN FIS

UN MAT UN ING

UN IND 10.0

9.5

9.0

8.5

8.0

7.5

7.0

D

a

ta

Boxplot of UN I ND, UN I NG, UN MAT, UN FI S, UN KI M

RT BIO RT KIM

RT FIS RT MAT

RT ING RT IND

86

84

82

80

78

76

74

72

D

a

ta

RT BAJ RT TIK

RT PJK RT SRP

RT SEJ RT PKN

RT AGM 90

85

80

75

D

a

ta

Boxplot of NR AGM, NR PKN, NR SEJ, NR SRP, NR PJK, NR TI K, NR BAJ

NUS BIO NUS KIM

NUS FIS NUS MAT

NUS ING NUS IND

9.0

8.8

8.6

8.4

8.2

8.0

D

a

ta

Lampiran 4 Hasil Uji kelinieran 84 80 76 9 8 7 85 80 75 9 8 7 81 78 75 9 8 7 85 80 75 9 8 7 81 78 75 9 8 7 80.0 77.5 75.0 9 8 7 84 80 76 9.0 8.5 8.0 85 80 75 9.0 8.5 8.0 81 78 75 9.0 8.5 8.0 85 80 75 9.0 8.5 8.0 81 78 75 9.0 8.5 8.0 80.0 77.5 75.0 9.0 8.5 8.0 84 80 76 9 8 7 85 80 75 9 8 7 81 78 75 9 8 7 85 80 75 9 8 7 81 78 75 9 8 7 80.0 77.5 75.0 9 8 7

UN I ND* RT I ND UN I ND* RT I NG UN I ND* RT MAT UN I ND* RT FI S UN I ND* RT KI M

UN I ND* RT BI O UN I NG* RT I ND UN I NG* RT I NG UN I NG* RT MAT UN I NG* RT FI S

UN I NG* RT KI M UN I NG* RT BI O UN MAT* RT I ND UN MAT* RT I NG UN MAT* RT MAT

UN MAT* RT FI S UN MAT* RT KI M UN MAT* RT BI O

Scatterplot of UN I ND vs RT I ND, UN I ND vs RT I NG, UN I ND vs RT MAT, U

84 80 76 9 8 7 85 80 75 9 8 7 81 78 75 9 8 7 85 80 75 9 8 7 81 78 75 9 8 7 80.0 77.5 75.0 9 8 7 84 80 76 9.6 8.8 8.0 85 80 75 9.6 8.8 8.0 81 78 75 9.6 8.8 8.0 85 80 75 9.6 8.8 8.0 81 78 75 9.6 8.8 8.0 80.0 77.5 75.0 9.6 8.8 8.0 84 80 76 9 8 7 85 80 75 9 8 7 81 78 75 9 8 7 85 80 75 9 8 7 81 78 75 9 8 7 80.0 77.5 75.0 9 8 7

UN FI S* RT I ND UN FI S* RT I NG UN FI S* RT MAT UN FI S* RT FI S UN FI S* RT KI M

UN FI S* RT BI O UN KI M* RT I ND UN KI M* RT I NG UN KI M* RT MAT UN KI M* RT FI S

UN KI M* RT KI M UN KI M* RT BI O UN BI O* RT I ND UN BI O* RT I NG UN BI O* RT MAT

UN BI O* RT FI S UN BI O* RT KI M UN BI O* RT BI O

Scatterplot of UN FI S vs RT I ND, UN FI S vs RT I NG, UN FI S vs RT MAT, U

85 80 75 9 8 7 85 80 75 9 8 7 80.0 77.5 75.0 9 8 7 85 80 75 9 8 7 88.5 87.0 85.5 9 8 7 84 81 78 9 8 7 85 80 75 9 8 7 85 80 75 9.0 8.5 8.0 85 80 75 9.0 8.5 8.0 80.0 77.5 75.0 9.0 8.5 8.0 85 80 75 9.0 8.5 8.0 88.5 87.0 85.5 9.0 8.5 8.0 84 81 78 9.0 8.5 8.0 85 80 75 9.0 8.5 8.0 85 80 75 9 8 7 85 80 75 9 8 7 80.0 77.5 75.0 9 8 7 85 80 75 9 8 7 88.5 87.0 85.5 9 8 7 84 81 78 9 8 7

UN I ND* RT AGM UN I ND* RT PKN UN I ND* RT SEJ UN I ND* RT SRP UN I ND* RT PJK

UN I ND* RT TI K UN I ND* RT BAJ UN I NG* RT AGM UN I NG* RT PKN UN I NG* RT SEJ

UN I NG* RT SRP UN I NG* RT PJK UN I NG* RT TI K UN I NG* RT BAJ UN MAT* RT AGM

UN MAT* RT PKN UN MAT* RT SEJ UN MAT* RT SRP UN MAT* RT PJK UN MAT* RT TI K

85 80 75 9 8 7 8.7 8.4 8.1 9 8 7 9.0 8.5 8.0 9 8 7 9.0 8.5 8.0 9 8 7 8.8 8.4 8.0 9 8 7 8.70 8.45 8.20 9 8 7 9.0 8.5 8.0 9 8 7 8.7 8.4 8.1 9.6 8.8 8.0 9.0 8.5 8.0 9.6 8.8 8.0 9.0 8.5 8.0 9.6 8.8 8.0 8.8 8.4 8.0 9.6 8.8 8.0 8.70 8.45 8.20 9.6 8.8 8.0 9.0 8.5 8.0 9.6 8.8 8.0 8.7 8.4 8.1 9 8 7 9.0 8.5 8.0 9 8 7 9.0 8.5 8.0 9 8 7 8.8 8.4 8.0 9 8 7 8.70 8.45 8.20 9 8 7 9.0 8.5 8.0 9 8 7

UN MAT* RT BAJ UN FI S* NUS I ND UN FI S* NUS I NG UN FI S* NUS MAT UN FI S* NUS FI S

UN FI S* NUS KI M UN FI S* NUS BI O UN KI M* NUS I ND UN KI M* NUS I NG UN KI M* NUS MAT

UN KI M* NUS FI S UN KI M* NUS KI M UN KI M* NUS BI O UN BI O* NUS I ND UN BI O* NUS I NG

UN BI O* NUS MAT UN BI O* NUS FI S UN BI O* NUS KI M UN BI O* NUS BI O

Scatterplot of UN MAT vs RT BAJ, UN FI S vs NUS I ND, UN FI S vs NUS I NG,

8.7 8.4 8.1 9 8 7 9.0 8.5 8.0 9 8 7 9.0 8.5 8.0 9 8 7 8.8 8.4 8.0 9 8 7 8.70 8.45 8.20 9 8 7 9.0 8.5 8.0 9 8 7 8.7 8.4 8.1 9.6 8.8 8.0 9.0 8.5 8.0 9.6 8.8 8.0 9.0 8.5 8.0 9.6 8.8 8.0 8.8 8.4 8.0 9.6 8.8 8.0 8.70 8.45 8.20 9.6 8.8 8.0 9.0 8.5 8.0 9.6 8.8 8.0 8.7 8.4 8.1 9 8 7 9.0 8.5 8.0 9 8 7 9.0 8.5 8.0 9 8 7 8.8 8.4 8.0 9 8 7 8.70 8.45 8.20 9 8 7 9.0 8.5 8.0 9 8 7

UN FI S* NUS I ND UN FI S* NUS I NG UN FI S* NUS MAT UN FI S* NUS FI S UN FI S* NUS KI M

UN FI S* NUS BI O UN KI M* NUS I ND UN KI M* NUS I NG UN KI M* NUS MAT UN KI M* NUS FI S

UN KI M* NUS KI M UN KI M* NUS BI O UN BI O* NUS I ND UN BI O* NUS I NG UN BI O* NUS MAT

UN BI O* NUS FI S UN BI O* NUS KI M UN BI O* NUS BI O

Lampiran 5 Sintaks dan Hasil Program SAS untuk Uji Kenormalan Ganda NUN /* Program uji kenormalan multivariate UN GANTI*/

title ’Output skewness dan kurtosis mardia utk UN’;

options ls = 64 ps=45 nodate nonumber;

/* Program ini menguji kenormalan multivariate menggunakan Mardia’s skewness and kurtosis measures */ proc iml ;

y ={

………...Data………

/*Untuk menentukan banyaknya data dan dimensi dari vektornya. Peubah dfchi adalah derajat bebas untuk pendugaan Chi-kuadrat dari skewness (kemenjuluran) multivariate . */

n = nrow(y) ; p = ncol(y) ;

dfchi = p*(p+1)*(p+2)/6 ;

/* q is projection matrix, s is the maximum likelihood estimate of the variance covariance matrix, g_matrix is n by n the matrix of g(i,j) elements, beta1hat and beta2hat are respectively the Mardia’s sample skewness and kurtosis measures, kappa1 and kappa2 are the test statistics based on skewness and kurtosis to test for normality and pvalskew and pvalkurt are corresponding p values. */

q = i(n) - (1/n)*j(n,n,1); s = (1/(n))*y`*q*y ; s_inv = inv(s) ;

g_matrix = q*y*s_inv*y`*q;

beta1hat = ( sum(g_matrix#g_matrix#g_matrix) )/(n*n); beta2hat =trace( g_matrix#g_matrix )/n ;

kappa1 = n*beta1hat/6 ;

kappa2 = (beta2hat - p*(p+2) ) /sqrt(8*p*(p+2)/n) ; pvalskew = 1 - probchi(kappa1,dfchi) ;

pvalkurt = 2*( 1 - probnorm(abs(kappa2)) );

print s ;

print s_inv ;

print beta1hat kappa1 pvalskew;

print beta2hat kappa2 pvalkurt;

’Output skewness dan kurtosis mardia utk UN’

BETA1HAT KAPPA1 PVALSKEW 4.3067076 54.55163 0.5298419 BETA2HAT KAPPA2 PVALKURT 45.507623 -1.108805 0.2675145 Interpretasi:

Karena (pvalskewness = 0.5298419) > (α = 0.05) maka terima H

Karena (pvalkurtosis = 0.2675145) > (α = 0.05) maka terima H

0

Jadi nilai UN berdistribusi Normal (Khatree, 1999)

Lampiran 6 Sintaks dan Hasil Program SAS untuk Uji Kenormalan Ganda NR UN

/* Program uji kenormalan multivariate RAPORT UN GANTI*/

title ’Output skewness dan kurtosis mardia utk RAPORT UN’;

options ls = 64 ps=45 nodate nonumber;

/* Program ini menguji kenormalan multivariate menggunakan Mardia’s skewness and kurtosis measures */ proc iml ;

y ={

………Data………

/*Untuk menentukan banyaknya data dan dimensi dari vektornya. Peubah dfchi adalah derajat bebas untuk pendugaan Chi-kuadrat dari skewness (kemenjuluran) multivariate . */

n = nrow(y) ; p = ncol(y) ;

dfchi = p*(p+1)*(p+2)/6 ;

/* q is projection matrix, s is the maximum likelihood estimate of the variance covariance matrix, g_matrix is n by n the matrix of g(i,j) elements, beta1hat and beta2hat are respectively the Mardia’s sample skewness and kurtosis measures, kappa1 and kappa2 are the test statistics based on skewness and kurtosis to test for normality and pvalskew and pvalkurt are corresponding p values. */

q = i(n) - (1/n)*j(n,n,1); s = (1/(n))*y`*q*y ; s_inv = inv(s) ;

g_matrix = q*y*s_inv*y`*q;

beta1hat = ( sum(g_matrix#g_matrix#g_matrix) )/(n*n); beta2hat =trace( g_matrix#g_matrix )/n ;

kappa1 = n*beta1hat/6 ;

kappa2 = (beta2hat - p*(p+2) ) /sqrt(8*p*(p+2)/n) ; pvalskew = 1 - probchi(kappa1,dfchi) ;

pvalkurt = 2*( 1 - probnorm(abs(kappa2)) );

print s ;

print s_inv ;

print beta1hat kappa1 pvalskew;

print beta2hat kappa2 pvalkurt;

’Output skewness dan kurtosis mardia utk RAPORT UN’

BETA1HAT KAPPA1 PVALSKEW 5.2985339 67.114763 0.1468797 BETA2HAT KAPPA2 PVALKURT 47.056468 -0.419757 0.6746632 Interpretasi:

Karena (pvalskewness = 0.1468797) > (α = 0.05) maka terima H Karena (pvalkurtosis = 0.6746632) > (α = 0.05) maka terima H

0

Jadi nilai Raport UN berdistribusi Normal (Khatree, 1999) 0

Hasil Analisis Korelasi Kanonik Nilai UN DAN Raport UN The CANCORR Procedure

Canonical Redundancy Analysis

Squared Multiple Correlations Between the VAR Variables and the First M Canonical Variables of the WITH Variables

M 1 2 3 4 5 6

y1 0.0778 0.1107 0.1252 0.1253 0.1445 0.1446

y2 0.1004 0.1066 0.1178 0.1261 0.1423 0.1425

y3 0.0030 0.0176 0.0427 0.0622 0.0732 0.0735

y4 0.0799 0.0964 0.0965 0.1316 0.1358 0.1358

y5 0.0632 0.0633 0.0837 0.0916 0.0929 0.0943

y6 0.0022 0.1508 0.1627 0.1687 0.1688 0.1691

Squared Multiple Correlations Between the WITH Variables and the First M Canonical Variables of the VAR Variables

M 1 2 3 4 5 6

x1 0.0015 0.0137 0.0441 0.0453 0.0558 0.0570

x2 0.1418 0.1419 0.1447 0.1458 0.1702 0.1702

x3 0.0130 0.0335 0.0722 0.0767 0.0924 0.0925

x4 0.0121 0.0271 0.0535 0.0821 0.0826 0.0830

x5 0.0147 0.0619 0.0673 0.0730 0.0997 0.0998

x6 0.0106 0.0284 0.0802 0.0823 0.0837 0.0845

Syntax :

options ps=100 ls=76 nonumber nodate; title' ';

data UN_DAN_RAPORT_UN;

input y1 y2 y3 y4 y5 y6 x1 x2 x3 x4 x5 x6; datalines;

………DATA……… ;

Title 'Hasil Analisis Korelasi Kanonik Nilai UN DAN Raport UN'; proc cancorr redundancy corr data=UN_DAN_RAPORT_UN;

var y1-y6; with x1-x6; run;

Lampiran 10 Hasil Output Analisis Kanonik NUN dan NR non UN

Hasil Analisis Korelasi Kanonik Nilai UN DAN Raport Non UN The CANCORR Procedure

Canonical Correlation Analysis

Adjusted Approximate Squared Canonical Canonical Standard Canonical Correlation Correlation Error Correlation 1 0.423601 0.230226 0.094750 0.179438 2 0.345732 0.224495 0.101668 0.119530 3 0.175313 . 0.111921 0.030735 4 0.151583 . 0.112817 0.022977 5 0.137377 . 0.113291 0.018873 6 0.104253 . 0.114215 0.010869 Eigenvalues of Inv(E)*H

= CanRsq/(1-CanRsq)

Eigenvalue Difference Proportion Cumulative 1 0.2187 0.0829 0.4971 0.4971 2 0.1358 0.1040 0.3086 0.8057 3 0.0317 0.0082 0.0721 0.8778 4 0.0235 0.0043 0.0535 0.9313 5 0.0192 0.0082 0.0437 0.9750 6 0.0110 0.0250 1.0000 Test of H0: The canonical correlations in the

current row and all that follow are zero Likelihood Approximate

Ratio F Value Num DF Den DF Pr > F 1 0.66397618 0.65 42 298.95 0.9547 2 0.80917217 0.47 30 258 0.9928 3 0.91902349 0.28 20 216.53 0.9992 4 0.94816514 0.30 12 174.91 0.9894 5 0.97046389 0.34 6 134 0.9161 6 0.98913128 0.37 2 68 0.6897

Multivariate Statistics and F Approximations S=6 M=0 N=30.5

Statistic Value F Value Num DF Den DF Pr > F Wilks' Lambda 0.66397618 0.65 42 298.95 0.9547

Pillai's Trace 0.38242160 0.66 42 408 0.9496

Hotelling-Lawley Trace 0.43988500 0.65 42 183.23 0.9524

Roy's Greatest Root 0.21867650 2.12 7 68 0.0525

NOTE: F Statistic for Roy's Greatest Root is an upper bound. Hasil Analisis Korelasi Kanonik Nilai UN DAN Raport Non UN The CANCORR Procedure

Canonical Redundancy Analysis

Standardized Variance of the VAR Variables Explained by Their Own The Opposite Canonical Variables Canonical Variables

Canonical

Variable Cumulative Canonical Cumulative

Number Proportion Proportion R-Square Proportion Proportion

1 0.1846 0.1846 0.1794 0.0331 0.0331

2 0.1535 0.3382 0.1195 0.0184 0.0515

3 0.1447 0.4828 0.0307 0.0044 0.0559

4 0.1611 0.6439 0.0230 0.0037 0.0596

5 0.2118 0.8557 0.0189 0.0040 0.0636

6 0.1443 1.0000 0.0109 0.0016 0.0652

Standardized Variance of the WITH Variables Explained by Their Own The Opposite Canonical Variables canonical Variables Canonical

Variable Cumulative Canonical Cumulative

Number Proportion Proportion R-Square Proportion Proportion

1 0.1876 0.1876 0.1794 0.0337 0.0337

2 0.1459 0.3335 0.1195 0.0174 0.0511

3 0.1116 0.4451 0.0307 0.0034 0.0545

4 0.1524 0.5976 0.0230 0.0035 0.0580

5 0.1479 0.7455 0.0189 0.0028 0.0608

6 0.0781 0.8236 0.0109 0.0008 0.0617

Syntax :

options ps=100 ls=76 nonumber nodate; title' ';

data UN_DAN_RAPORT_NON_UN;

input y1 y2 y3 y4 y5 y6 x1 x2 x3 x4 x5 x6 x7; datalines;

……….DATA……… ;

Title 'Hasil Analisis Korelasi Kanonik Nilai UN DAN Raport Non UN'; proc cancorr redundancy corr data=UN_DAN_RAPORT_NON_UN;

var y1-y6; with x1-x7; run;

Lampiran 11 Hasil Output Analisis Kanonik NUN dan NUS UN

Hasil Analisis Korelasi Kanonik Nilai UN DAN NS UN The CANCORR Procedure

Canonical Correlation Analysis

Adjusted Approximate Squared Canonical Canonical Standard Canonical Correlation Correlation Error Correlation 1 0.553405 0.337582 0.080106 0.306258 2 0.524422 . 0.083714 0.275019 3 0.467924 . 0.090188 0.218952 4 0.259526 0.195181 0.107693 0.067354 5 0.096604 . 0.114392 0.009332 6 0.017567 . 0.115434 0.000309 Eigenvalues of Inv(E)*H

= CanRsq/(1-CanRsq)

Eigenvalue Difference Proportion Cumulative 1 0.4415 0.0621 0.3731 0.3731 2 0.3793 0.0990 0.3206 0.6938 3 0.2803 0.2081 0.2370 0.9307 4 0.0722 0.0628 0.0610 0.9918 5 0.0094 0.0091 0.0080 0.9997 6 0.0003 0.0003 1.0000 Test of H0: The canonical correlations in the

current row and all that follow are zero Likelihood Approximate

Ratio F Value Num DF Den DF Pr > F 1 0.36283850 2.05 36 283.8 0.0007 2 0.52301617 1.85 25 242.97 0.0099 3 0.72142035 1.43 16 202.27 0.1321 4 0.92365740 0.60 9 163.21 0.7945 5 0.99036191 0.17 4 136 0.9558 6 0.99969142 0.02 1 69 0.8844

Multivariate Statistics and F Approximations S=6 M=-0.5 N=31

Statistic Value F Value Num DF Den DF Pr > F Wilks' Lambda 0.36283850 2.05 36 283.8 0.0007

Pillai's Trace 0.87722351 1.97 36 414 0.0010

Hotelling-Lawley Trace 1.18308196 2.06 36 174.19 0.0011

Roy's Greatest Root 0.44145723 5.08 6 69 0.0002

NOTE: F Statistic for Roy's Greatest Root is an upper bound. Hasil Analisis Korelasi Kanonik Nilai UN DAN NS UN

The CANCORR Procedure Canonical Correlation Analysis

Standardized Canonical Coefficients for the VAR Variables V1 V2 V3 V4 V5 V6 y1 0.4142 0.0041 -0.4672 0.3457 -0.3231 0.7487

y2 0.1069 0.5164 0.5196 0.6895 0.3980 -0.4204

y3 0.3750 -0.1845 0.1621 -0.3998 0.8233 0.3412

y4 -0.3830 0.7180 0.2733 0.5776 0.0630 0.2067

y5 0.2830 0.4275 0.2017 0.7362 0.4580 -0.3186

y6 0.7275 0.4250 0.3906 0.0102 0.3929 -0.2039

Standardized Canonical Coefficients for the WITH Variables W1 W2 W3 W4 W5 W6 x1 0.5713 0.7181 0.1354 0.4081 0.3616 -0.1693