peluang gagal DO sebesar 1.773 10.564 kali dibandingkan mahasiswa dengan profesi ibu PNS.
Dari Tabel 19 dapat ditunjukkan bahwa mahasiswa program studi teknik Elektro, Teknik Komputer dan teknik Kimia mempunyai peluang gagal DO
masing-masing sebesar 5.245 kali, 6.432, dan 5.720 kali.
4.6. Hasil Berdasarkan Tabel Klasifikasi
Tabel klasifikasi metode regresi logistik ditunjukkan dalam Tabel 20. Dimana dalam Tabel 20 ditunjukkan bahwa dengan menggunakan nilai cutpoint
sebesar 0.5, diperoleh nilai sensitivity sebesar 99.66 dan nilai specificity sebesar 44.53. Sedangkan nilai kesalahan positif 5.77 dan nilai kesalahan negatif
6.56. Menurut Hosmer Lemeshow 2000, salah satu ukuran kebaikan model dalam regresi logistik adalah jika memiliki peluang salah klasifikasi yang
minimal. Jadi menurut hasil dalam Tabel 20 dapat disimpulkan bahwa model di atas sudah baik karena memiliki total nilai kesalahan klasifikasi yang minimal,
yakni 12.33. Tabel 20 Hasil Klasifikasi Regresi Logistik
Amatan Dugaan
Berhasil Tidak berhasil
Total Percentage
Correct Berhasil 1159
4 1163
99.66 Tidak berhasil
71 57
128 44.53
Total 1230 61
1291 94.19
Misclassification rate 5.77
6.56 12.33
4.7. Hasil Pengolahan Analisis Survival
Pada analisis survival, data tersensor dalam penelitian ini adalah mahasiswa POLBAN yang selama kurun waktu penelitian semester 1 sampai
dengan semester 4 tidak mendapat sangsi DO atau dapat dikategorikan mahasiswa yang berhasil . Sebaliknya data tidak tersensor adalah mahasiswa
POLBAN yang mendapat sangsi DO selama kurun waktu penelitian, dan
mahasiswa POLBAN yang mengundurkan diri selama jangka waktu tersebut. Atau dapat dikategorikan sebagai mahasiswa yang tidak berhasil.
Hasil analisis survival ditunjukkan dalam Tabel 21. Dengan nilai α=0.1,
maka peubah penjelas yang memberikan pengaruh signifikan adalah jenis kelamin, nilai IP semester 1, nilai Matematika, dan program studi. Masing-masing
peubah penjelas program studi tidak ada yang menunjukkan pengaruh signifikan, karena nilai p 0.1. Tetapi apabila semua program studi dimasukkan ke dalam
model, ternyata memberi pengaruh yang signifikan. Sedangkan dengan nilai
α=0.05, maka peubah yang memberikan pengaruh signifikan terhadap keberhasilan mahasiswa adalah jenis kelamin, nilai IP
semester 1, dan nilai Matematika. Hasil yang diberikan analisis survival menunjukkan hasil yang hampir sama dengan regresi logistik. Dimana secara
umum, peubah penjelas jenis kelamin, IP semester 1, dan program studi memberi pengaruh yang signifikan terhadap keberhasilan mahasiswa. Perbedaannya
terletak pada peubah nilai Matematika, dimana dalam analisis survival peubah nilai Matematika memberikan pengaruh signifikan, sedangkan dalam regresi
logistik tidak signifikan. Dari nilai rasio hazard dapat disimpulkan bahwa mahasiswa dengan jenis
kelamin perempuan mempunyai resiko gagal DO 0.456 kali dibandingkan mahasiswa laki-laki. Dengan kata lain mahasiswa laki-laki lebih besar peluang
gagalnya dibandingkan mahasiswa perempuan, atau dapat dikatakan bahwa daya tahan mahasiswa perempuan relatif lebih tinggi dibandingkan mahasiswa laki-lai.
Hal ini didukung oleh Gambar 5 dalam lampiran 3, dimana secara visual daya tahan mahasiswa laki-laki menunjukkan nilai yang lebih rendah dibandingkan
mahasiswa perempuan. Sementara itu nilai dugaan peubah penjelas nilai IP semester 1 adalah
negatif, ini berarti bahwa resiko mahasiswa gagal tidak dapat bertahan cenderung rendah, atau dengan kata lain resiko mahasiswa untuk bertahan relatif
tinggi. Nilai dugaan parameter penjelasnya menunjukkan angka -1.570. Sedangkan nilai rasio odds menunjukkan angka 0.208, interpretasi nilai yang
ditunjukkan oleh rasio odds adalah apabila nilai IP semester 1 bertambah satu satuan maka resiko mahasiswa gagal DO berkurang sebesar 79.2.
Tabel 21 Hasil Analisis Survival Peubah B
SE Wald
Df Sig.
ExpB 95.0 CI for
ExpB Lower Upper
Jenkel -0.786 0.337
5.421 1
0.02 0.456
0.235 0.883
Nilmat -0.002 0.001
4.195 1
0.041 0.998
0.996 1
IP -1.57 0.092
289.83 1
0.208 0.174
0.249 progstud
16.062 10 0.098 progstud1 0.803
0.662 1.471 1 0.225 2.233 0.61 8.177 progstud2 0.097
0.682 0.02 1 0.887 1.101 0.289 4.191 progstud3 0.513
0.645 0.633 1 0.426 1.67 0.472 5.909 progstud4 0.442
0.648 0.466 1 0.495 1.557 0.437 5.542 progstud5 -0.633 0.74 0.732 1 0.392 0.531 0.124 2.265
progstud6 0.118 0.72 0.027 1 0.87 1.125 0.274 4.609 progstud7 0.748
0.632 1.401 1 0.237 2.113 0.612 7.293 progstud8 0.819
0.643 1.619 1 0.203 2.267 0.642 8.001 progstud9 -0.039
0.937 0.002 1 0.966 0.961 0.153 6.028 progstud10 -0.357 0.71 0.254
1 0.615 0.7
0.174 2.811
Berdasarkan Tabel 21, maka model yang diberikan analisis survival adalah 42
570 .
1 002
. 786
. exp
. |
7 4
1
X X
X t
h X
t h
i
− −
− =
Sedangkan peubah nilai Matematika mempunyai nilai dugaan negatif. Artinya mahasiswa dengan nilai matematika tinggi akan mempunyai resiko gagal
DO yang rendah. Tabel 21 menunjukkan angka -0.002 untuk nilai dugaan
peubah nilai Matematika. Sedangkan nilai rasio hazardnya memperlihatkan angka
0.998. Interpretasi yang ditunjukkan nilai rasio hazard bermakna, jika peubah nilai Matematika bertambah satu satuan, maka akan menyebabkan nilai resiko
mahasiswa gagal tidak dapat bertahan berkurang sebesar 0.2. Dari Tabel 21 diperlihatkan bahwa program studi 7 atau teknik
Komputer, program studi 8 atau teknik Kimia, dan program studi 1 atau teknik Telkomunikasi, walaupun tidak menunjukkan pengaruh yang signifikan, tetapi
ketiga program studi mempunyai nilai rasio hazard yang cukup tinggi. Masing- masing adalah 2.113 untuk teknik Komputer, 2.267 untuk teknik Kimia, dan 2.233
untuk teknik Telkomunikasi. Artinya resiko gagal mahasiswa ketiga program studi tersebut relatif tinggi. Dengan kata lain daya tahan mahasiswa ketiga
program studi tersebut relatif rendah. Hal ini didukung oleh Gambar 5 lampiran 3, dimana secara visual dapat ditunjukkan bahwa daya tahan mahasiswa teknik
Komputer, teknik Kimia, dan teknik Telkomunikasi paling rendah dibandingkan program studi yang lain.
BAB V. KESIMPULAN DAN SARAN
5.1. Kesimpulan
