Analisis faktor-faktor keberhasilan mahasiswa menggunakan regresi logistik dan metode CHAID

ANALISIS FAKTOR-FAKTOR KEBERHASILAN MAHASISWA
MENGGUNAKAN REGRESI LOGISTIK DAN METODE CHAID
(Studi Kasus: Mahasiswa Farmasi Uhamka)

SRI NEVI GANTINI

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
2011

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI

Dengan ini saya menyatakan bahwa tesis Analsis Faktor-Faktor
Keberhasilan Mahasiswa Menggunakan Regresi Logistik dan Metode CHAID
(Studi Kasus: Mahasiswa Farmasi UHAMKA) adalah karya saya dengan arahan
dari komisi pembimbing dan belum diajukan dalam bentuk apa pun 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 dibagian akhir tesis ini.

Bogor, Januari 2011
Sri Nevi Gantini
NRP G151070071

RINGKASAN

SRI NEVI GANTINI. Analisis Faktor-Faktor Keberhasilan Mahasiswa
Menggunakan Regresi Logistik dan Metode CHAID (Studi Kasus: Mahasiswa
Farmasi UHAMKA). Dibimbing oleh BUNAWAN SUNARLIM dan UTAMI
DYAH SYAFITRI.
Data kemampuan akademik mahasiswa berupa transkrip nilai dapat
dijadikan sebagai salah satu alat untuk mengukur prestasi mahasiswa.
Kemampuan akademik ini dapat dilihat dari nilai indeks prestasi kumulatif (IPK).
Banyak faktor yang mempengaruhi tingkat keberhasilan akademik mahasiswa,
antara lain faktor yang berasal dari dalam dan luar diri mahasiswa. Faktor yang
berasal dari dalam diri mahasiswa yaitu: minat, kesiapan, motivasi, usaha,
semangat dan persepsi. Sedangkan faktor yang berasal dari luar diri mahasiswa
antara lain: lingkungan sosial, lingkungan keluarga dan lingkungan kampus.
Lingkungan kampus memiliki peranan yang sangat penting dalam meningkatkan
keberhasilan mahasiswa bila dibanding dengan lingkungan lainnya.

Sebagai upaya meningkatkan kualitas lulusan, Universitas Muhammadiyah
Prof. DR. HAMKA (UHAMKA) menggunakan beberapa strategi, salah satunya
adalah strategi pembelajaran. Strategi pembelajaran dipandang sebagai salah satu
strategi pokok untuk meningkatkan mutu lulusan UHAMKA. Dalam menentukan
kebijakan terutama strategi pembelajaran UHAMKA menerapkan kebijakan
bahwa penerimaan mahasiswa baru perlu didukung dengan data yang memadai
dan dapat menjadi suatu acuan, sehingga kebijakan yang dijalankan dapat optimal.
Data tentang mahasiswa baru perlu dianalisa agar data tersebut dapat dijadikan
sebagai bahan informasi yang akurat.
Analisis terhadap kemampuan dasar mahasiswa baru dilakukan untuk
membantu pimpinan UHAMKA dalam menentukan kebijakan, terutama dalam
hal penerimaan mahasiswa baru. Analisis ini merupakan hal yang sangat penting
agar UHAMKA mendapatkan mahasiswa-mahasiswa yang berkualitas.
Salah satu badan yang dijadikan acuan standar mutu Pendidikan Tinggi di
Indonesia adalah Badan Akreditasi Nasional Perguruan Tinggi. Salah satu standar
lulusan adalah IPK. Pada penelitian disamping menyelesaikan permasalahan yang
ada ingin dikaji pula pendekatan dari sisi pemodelan statistika yang berkaitan
dengan ukuran sampel yang besar.
Penelitian dilakukan terhadap 1080 mahasiswa semester enam Program
Studi Farmasi dari tahun 1998 sampai dengan tahun 2006. Tingkat keberhasilan

mahasiswa ditinjau dari sisi IPK, sesuai dengan standar Badan Akreditasi
Nasional Perguruan Tinggi, akan dikaji faktor-faktor yang mempengaruhi
keberhasilan IPK mahasiswa yang lebih dari 2.75. Peubah-peubah penjelas dan
peubah respon pada penelitian ini berskala kategori sehingga digunakan regresi
logistik dan metode CHAID. Tujuan penelitian ini yaitu menentukan model
berdasarkan faktor-faktor yang nyata mempengaruhi tingkat keberhasilan
mahasiswa dengan regresi logistik dan metode CHAID, membandingkan dugaan
keberhasilan dengan keadaan sebenarnya dari hasil klasifikasi metode regresi
logistik dan metode CHAID.

Hasil metode regresi logistik menunjukkan bahwa faktor yang
mempengaruhi keberhasilan mahasiswa yaitu rataan nilai STTB pada saat mereka
di Sekolah Lanjutan Tingkat Atas dan jenis kelamin, sedangkan berdasarkan
metode CHAID faktor yang mempunyai asosiasi paling kuat dengan keberhasilan
mahasiswa yaitu kategori rataan nilai STTB. Hasil segmentasi CHAID
menunjukkan bahwa mahasiswa yang berhasil yaitu perempuan yang memiliki
rataan nilai STTB 7.00-7.99 dan mahasiswa yang memiliki rataan nilai STTB ≥
8.00.
Proses analisis pada regresi logistik dengan cut off 0.5 dan analisis
menggunakan metode CHAID diperoleh nilai sensitivity 50.54%, nilai specificity

78.16%, nilai total ketepatan klasifikasi 63.89% dan nilai total kesalahan
klasifikasi 36.11%.
Kata

kunci:

regresi logistik, metode
kesalahan klasifikasi.

chaid,

keberhasilan

mahasiswa,

© 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 apapun tanpa izin IPB

ANALISIS FAKTOR-FAKTOR KEBERHASILAN MAHASISWA
MENGGUNAKAN REGRESI LOGISTIK DAN METODE CHAID
(Studi Kasus: Mahasiswa Farmasi Uhamka)

SRI NEVI GANTINI

Tesis
Sebagai salah satu syarat untuk memperoleh gelar
Magister Sains
pada Program Studi Statistika

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
2011

Penguji Luar Komisi pada Ujian Tesis : Dr. Ir. Hari Wijayanto, M.Si

PRAKATA
Puji dan syukur penulis ucapkan kehadirat Allah SWT atas segala limpahan
rahmat dan karunia-Nya sehingga penulis bisa menyelesaikan karya ilmiah ini.
Judul karya ilmiah ini adalah “Analisis Faktor-Faktor Keberhasilan Mahasiswa
Menggunakan Regresi Logistik dan Metode CHAID (Studi kasus: Mahasiswa
Farmasi UHAMKA)”. Karya ini merupakan salah satu syarat kelulusan yang
harus dipenuhi untuk mendapatkan gelar Magister Sains pada Program Studi
Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.
Dalam penulisan karya ilmiah ini penulis mendapatkan banyak ilmu,
inspirasi, dan pelajaran yang begitu berharga, sehingga penulis ingin
mengucapkan banyak terima kasih, diantaranya kepada Bapak Ir. Bunawan
Sunarlim, MS dan Ibu Utami Dyah Syafitri, M.Si selaku pembimbing I dan
pembimbing II atas bimbingannya dan telah memberikan waktu, saran dan
masukkannya kepada penulis. Disamping itu, terima kasih penulis ucapkan
kepada seluruh dosen Departemen Statistika IPB terutama kepada Ibu Dr. Ir.
Erfiani M.Si selaku Ketua Program Studi Statistika yang selalu memberi motivasi,

arahan dan perhatiannya, kepada Bapak Dr. Ir. Hari Wijayanto, M.Si selaku
penguji tesis, atas nasehat dan ilmu yang bermanfaat dan seluruh staf Program
Studi Statistika.
Ucapan terimakasih juga penulis sampaikan kepada Departemen Pendidikan
Tinggi atas beasiswa yang diberikan kepada penulis, serta semua teman-teman
Program Studi Statistika IPB atas dukungannya selama pembuatan karya ilmiah
ini.
Semoga karya ilmiah ini dapat bermanfaat.

Bogor, Januari 2011

Sri Nevi Gantini

RIWAYAT HIDUP

Penulis dilahirkan di Bandung pada tanggal 6 November 1964,
menyelesaikan pendidikan di SMA Perguruan Rakyat I Jakarta pada tahun 1984
dan menyelesaikan perkuliahan di Universitas Padjadjaran Bandung Fakutas
MIPA jurusan Matematika pada tahun 1988. Pada tahun 2007 diterima di Program
Studi Statistika Pascasarjana IPB, dengan beasiswa dari Direktorat Jenderal

Perguruan tinggi.
Penulis bekerja sebagai staf pengajar di Universitas Muhammadiyah Prof.
DR. HAMKA sejak tahun 1997 pada Fakultas Matematika dan Ilmu Pengetahuan
Alam Program Studi Farmasi. Mata kuliah yang diampu penulis: Matematika
Dasar dan Statistika Dasar.

DAFTAR ISI
Halaman

DAFTAR TABEL ...........................................................................................

vi

DAFTAR GAMBAR ...................................................................................... vii
DAFTAR LAMPIRAN ................................................................................... viii
PENDAHULUAN
Latar Belakang ........................................................................................
Tujuan ...................................................................................................

1

4

TINJAUAN PUSTAKA
Tingkat Keberhasilan Mahasiswa .......................................................... 5
Regresi Logistik ..................................................................................... 5
Pendugaan Parameter .............................................................................. 6
Pengujian Parameter................................................................................ 7
Pereduksian Peubah ................................................................................ 8
Tabel Kasifikasi ...................................................................................... 8
Interpretasi Koefisien .............................................................................. 9
Metode CHAID ...................................................................................... 10
Ketepatan dan Kesalahan Klasifikasi ..................................................... 12
METODOLOGI
Metodologi Pengumpulan Data .............................................................. 14
Metode Analisis ..................................................................................... 16
HASIL DAN PEMBAHASAN
Deskripsi Karakteristik Responden Berdasarkan Peubah Penjelas.........
Deskripsi Karakteristik Responden Berdasarkan Tingkat Keberhasilan
Model Regresi Logistik ...........................................................................
Interpretasi Koefisien ..............................................................................

Keakuratan Model ..................................................................................
Metode CHAID .......................................................................................
Perbandingan Hasil Klasifikasi Regresi Logistik dan Metode CHAID ..

19
21
23
25
25
27
29

SIMPULAN DAN SARAN ............................................................................. 30
DAFTAR PUSTAKA ..................................................................................... 31
LAMPIRAN .................................................................................................... 32

vi

DAFTAR TABEL
Halaman

1

Model Regresi Logistik dengan Satu Peubah Penjelas Dikotom .............

10

2

Klasifikasi Respon .....................................................................................

13

3

Peubah-peubah Penjelas yang digunakan dalam analisis
dan peubah bonekanya ...............................................................................

16

4

Hasil Analisis Regresi Logistik Model Penuh ...........................................

23

5

Analisis Regresi Logistik Hasil Uji Backward Elimination ......................

24

6

Nilai Dugaan Peluang untuk Setiap Kombinasi Peubah Penjelas..............

24

7

Rasio Odds dari Peubah Penjelas yang Nyata ...........................................

25

8

Klasifikasi Metode Regresi Logistik dengan Cut Off 0.3
sampai dengan 0.4

9

..............................................................................

26

Klasifikasi Metode Regresi Logistik dengan Cut Off 0.5 ..........................

26

10 Klasifikasi Metode Regresi Logistik dengan Cut Off 0.6
sampai dengan 0.8 ...................................................................................

26

11 Segmentasi CHAID....................................................................................

28

12 Klasifikasi Metode CHAID........................................................................

29

vii

DAFTAR GAMBAR
Halaman

1 Diagram Alur Analisis Data ........................................................................ 18
2 Persentase Responden Berdasarkan Peubah-Peubah Penjelas .................... 20
3 Persentase Peubah Penjelas Terhadap Tingkat Keberhasilan ..................... 22
4 Dendogram CHAID Status Keberhasilan Mahasiswa ................................. 28

viii

DAFTAR LAMPIRAN
Halaman

Tabulasi Silang Peubah Penjelas dan Peubah Respon .................................. 33
Nilai Log Likelihood ..................................................................................... 37

1 
 

PENDAHULUAN

Latar Belakang
Universitas Muhammadiyah Prof. DR. HAMKA (selanjutnya disebut
UHAMKA) merupakan salah satu perguruan tinggi swasta milik Persyarikatan
Muhammadiyah yang berkedudukan di Jakarta. Sebagai salah satu amal usaha
Muhammadiyah, UHAMKA adalah perguruan tinggi berbasis Islam yang
bersumber pada Al-Qur’an dan As-Sunah serta berasaskan Pancasila dan UUD
1945. Dalam melaksanakan tugas caturdharma Perguruan Tinggi Muhammadiyah,
kampus menyelenggarakan pembinaan ketakwaan dan keimanan kepada Allah
SWT, pendidikan dan pengajaran, penelitian, dan pengabdian pada masyarakat
menurut tuntutan Islam. UHAMKA membina 7 Fakultas dan 1 Program
Pascasarjana. Salah satu program studi yang dibina UHAMKA adalah Prodi
Farmasi yang berada di Fakultas Matematika dan Ilmu Pengetahuan Alam.
Program Studi Farmasi berlokasi di Kampus Jalan Limau II Kebayoran
Baru, Jakarta Selatan dan Kampus Jalan Delima II/IV Klender, Jakarta Timur.
Kampus ini berdiri sejak tanggal 30 Mei 1997 melalui surat keputusan Dirjen
Dikti Depdikbud Republik Indonesia Nomor: 1138/DIKTI/Kep/1997 tentang
penetapan perubahan IKIP Muhammadiyah Jakarta menjadi Universitas
Muhammadiyah Prof. DR. HAMKA. (UHAMKA

2009). Sampai saat ini

UHAMKA telah meluluskan kurang lebih 700 Sarjana Farmasi (S.Si) (sumber:
Data lulusan Farmasi UHAMKA TA 2009/2010).
Program studi Farmasi bertujuan menghasilkan Sarjana Sains (S.Si) dalam
bidang Farmasi yang bersifat profesional di bidang Farmasi, tanggap terhadap
perkembangan serta kemajuan teknologi dalam bidang Farmasi, mampu
mengatasi masalah yang dihadapi masyarakat serta mampu bersaing antara para
pencari kerja dalam proses mencari pekerjaan yang sesuai. Untuk memenangkan
persaingan itu mahasiswa dituntut untuk dapat mengembangkan potensi diri
secara holistik yang mencakup unsur fisik, mental, dan kepribadian sebagai
sumber daya manusia yang bermutu di masa depan. Mahasiswa adalah pemangku
kepentingan utama internal dan sekaligus sebagai pelaku proses nilai tambah
dalam penyelenggaraan akademik yang harus mendapatkan manfaat dari proses

2 
 

pendidikan, penelitian, dan layanan/pengabdian kepada masyarakat. Untuk itu,
mahasiswa perlu memiliki nilai-nilai profesionalisme, kemampuan adaptif, kreatif
dan inovatif dalam mempersiapkan diri memasuki dunia profesi atau dunia kerja,
dengan demikian akan diperoleh lulusan yang memenuhi standar kompetensi yang
diinginkan.
Lulusan adalah status yang dicapai mahasiswa setelah menyelesaikan proses
pendidikan sesuai dengan persyaratan kelulusan yang ditetapkan oleh program
studi sarjana. Sebagai salah satu keluaran langsung dari proses pendidikan yang
dilakukan oleh program studi sarjana adalah lulusan yang bermutu yang memiliki
ciri penguasaan kompetensi akademik termasuk hard skills dan soft skills
sebagaimana dinyatakan dalam sasaran mutu serta dibuktikan dengan kinerja
lulusan di masyarakat sesuai dengan profesi dan bidang ilmu.
Untuk mencapai lulusan yang demikian, program studi harus menempatkan
mahasiswa sebagai pemangku kepentingan utama sekaligus sebagai pelaku proses
seperti yang dijelaskan di atas sehingga visi dan misi dapat terwujud dan
terlaksana. Pada akhirnya akan tercapai lulusan yang mampu bersaing dan
bermutu tinggi, serta memiliki kompetensi yang sesuai dengan kebutuhan dan
tuntutan pemangku kepentingan.
Sebagai acuan atas keunggulan mutu mahasiswa dan lulusan yang terkait
erat dengan mutu, maka Badan Akreditasi Nasional Perguruan Tinggi (BAN PT)
telah mengeluarkan standar mutu mahasiswa dan lulusan sehingga dapat
dipertanggungjawabkan kepada seluruh pemangku kepentingan (stakeholders)
dan sebagai gambaran terhadap kompetensi mahasiswa itu sendiri. Setiap standar
dan elemen dalam instrumen akreditasi dinilai secara kualitatif maupun kuantitatif
dengan menggunakan quality grade descriptor sebagai berikut: Sangat Baik, Baik
dan Cukup.
Data kemampuan akademik mahasiswa berupa transkrip nilai dapat
dijadikan sebagai salah satu alat untuk mengukur prestasi mahasiswa.
Kemampuan akademik ini dapat dilihat dari nilai indeks prestasi kumulatif (IPK).
Banyak faktor yang mempengaruhi tingkat keberhasilan akademik mahasiswa,
antara lain faktor yang berasal dari dalam dan luar diri mahasiswa. Faktor yang
berasal dari dalam diri mahasiswa yaitu: minat, kesiapan, motivasi, usaha,

3 
 

semangat dan persepsi. Sedangkan faktor yang berasal dari luar diri mahasiswa
antara lain: lingkungan sosial, lingkungan keluarga dan lingkungan kampus.
Lingkungan kampus memiliki peranan yang sangat penting dalam meningkatkan
keberhasilan mahasiswa bila dibanding dengan lingkungan lainnya. 
Sebagai upaya meningkatkan kualitas lulusan, UHAMKA menggunakan
beberapa strategi, salah satunya adalah strategi pembelajaran. Strategi
pembelajaran dipandang sebagai salah satu strategi pokok untuk meningkatkan
mutu lulusan UHAMKA. Kebijakan kampus yang digunakan dalam penerapan
strategi pembelajaran ini adalah meningkatkan pembelajaran, pembaharuan
kebijakan dalam proses pembelajaran yaitu pembaharuan dalam menggunakan
metodologi pembelajaran, dan analisis prestasi belajar.
Dalam menentukan kebijakan terutama strategi pembelajaran UHAMKA
menerapkan kebijakan bahwa penerimaan mahasiswa baru perlu didukung dengan
data yang memadai dan dapat menjadi suatu acuan, sehingga kebijakan yang
dijalankan dapat optimal. Data tentang mahasiswa baru perlu dianalisa agar data
tersebut dapat dijadikan sebagai bahan informasi yang akurat.
Analisis terhadap kemampuan dasar mahasiswa baru dilakukan untuk
membantu pimpinan UHAMKA dalam menentukan kebijakan, terutama dalam
hal penerimaan mahasiswa baru. Analisis ini merupakan hal yang sangat penting
agar UHAMKA mendapatkan mahasiswa-mahasiswa yang berkualitas.
Beberapa peneliti telah mengembangkan metode regresi logistik dan metode
CHAID untuk kasus yang berbeda. (Ture et al 2006) melakukan penelitian
menggunakan

873

responden

pada

kasus

“prestasi

akademik”

yang

menyimpulkan bahwa metode CHAID mempunyai kesalahan klasifikasi yang
lebih kecil yaitu 32.3% dibandingkan dengan regresi logistik sebanyak 35.71%.
Penelitian lain yang dilakukan (Atti 2008) menggunakan 827 responden untuk
kasus “penyakit jantung koroner” menyimpulkan bahwa metode CHAID
mempunyai kesalahan klasifikasi yang lebih kecil yaitu 30.7% dibandingkan
dengan regresi logistik yang nilainya 32.8%.
Sehubungan dengan penerimaan mahasiswa baru

yang berkualitas dan

dalam rangka penyelesaian studi, penulis melakukan penelitian tentang faktorfaktor yang mempengaruhi keberhasilan mahasiswa, dalam hal ini mencari

4 
 

hubungan antara peubah respon dengan peubah penjelas berskala kategori,
menggunakan metode regresi logistik dan metode CHAID untuk kasus mahasiswa
Farmasi UHAMKA dengan jumlah responden 1080.

Tujuan
1.

Menentukan model berdasarkan faktor-faktor yang nyata mempengaruhi
tingkat keberhasilan mahasiswa Farmasi UHAMKA dalam mencapai IPK
lebih dari 2.75 pada semester 6 dengan menggunakan regresi logistik dan
metode CHAID.

2.

Membandingkan dugaan keberhasilan dengan keadaan sebenarnya dari hasil
klasifikasi menggunakan metode regresi logistik dan metode CHAID.
Hasil penelitian ini diharapkan dapat memberikan informasi yang

dibutuhkan dan menjadi bahan masukkan bagi program Farmasi UHAMKA
dalam rangka pengembangan dan peningkatan mutu pendidikan.

5 
 

TINJAUAN PUSTAKA

Tingkat Keberhasilan Mahasiswa
Secara garis besar, faktor-faktor yang mempengaruhi keberhasilan mahasiswa
dalam pendidikan (Munthe 1983, diacu dalam Halim 2009) adalah:
1. Faktor intelektual seperti masalah belajar, bakat, dan kecerdasan.
2. Faktor nonintelektual seperti sosial, emosional, jenis kelamin, kesehatan,
keuangan, pengembangan pribadi, keluarga, pemanfaatan waktu luang,
agama, dan akhlak.
Menurut (Munandar 1987, diacu dalam Sampoerno 2002), kualitas
mahasiswa banyak dipengaruhi oleh berbagai faktor, antara lain:
1. Latar belakang keluarga; dukungan orang tua, taraf sosial ekonomi orang
tua.
2. Lingkungan belajar di rumah; sarana dan prasarana yang tersedia.
3. Lingkungan kampus dan dosennya; mampu bersosialisasi.
4. Motivasi; minat untuk berprestasi, keuletan.
Motivasi merupakan keseluruhan daya penggerak psikis didalam diri
mahasiswa yang menimbulkan kegiatan belajar dan memberikan arahan pada
kegiatan belajar demi mencapai tujuan. Motivasi dapat menentukan baik tidaknya
pencapai tujuan sehingga semakin besar motivasi akan semakin besar peluang
mahasiswa untuk memperoleh keberhasilan.

Regresi Logistik
Regresi logistik adalah suatu analisis statistika yang mendeskripsikan
hubungan antara peubah respon yang memiliki dua kategori atau lebih dengan satu
atau lebih peubah penjelas berskala kategori atau interval (Hosmer & Lemeshow
2000). Pendekatan model persamaan regresi logistik digunakan karena dapat
menjelaskan hubungan antara X dan

π (x ) yang bersifat tidak linear,

ketidaknormalan sebaran dari Y, keragaman respon yang tidak konstan dan tidak
dapat dijelaskan oleh model regresi linear biasa (Agresti 2007).

6 
 

Jika data hasil pengamatan memiliki p peubah bebas yaitu x1 , x2 ,..., x p dengan
peubah respon Y, dengan Y mempunyai dua kemungkinan nilai 0 dan 1,

Y=1

menyatakan bahwa respon memiliki kriteria yang ditentukan dan sebaliknya Y = 0
tidak memiliki kriteria, maka peubah respon Y mengikuti sebaran Bernoulli dengan
parameter π ( xi ) sehingga fungsi sebaran peluang:

f ( yi ) = [π (xi )] i [1 − π (xi )] i , yi = 0,1
Model umum regresi logistik dengan p peubah penjelas yaitu:
y

π (x) =

1− y

exp(g (x ))
1 + exp(g (x))

(1)

(2)
 

dimana π(x) = E(Y|x) adalah kondisi rataan bersyarat dari Y jika x diketahui
apabila regresi logistik digunakan, dengan melakukan transformasi logit diperoleh

⎡ π (x ) ⎤
g (x ) = ln ⎢
⎥
⎣1 − π (x )⎦
dengan

(3)

g (x) = β 0 + β1 x1 + ... + β p x p , g(x) merupakan penduga logit yang

berperan sebagai fungsi linear dari peubah penjelas, karena fungsi penghubung
yang digunakan adalah fungsi penghubung logit maka sebaran peluang yang
digunakan disebut sebaran logistik (McCullagh & Nelder 1989).

Pendugaan Parameter
Pendugaan parameter βi pada model logit dilakukan dengan metode penduga
kemungkinan maksimum, karena asumsi kehomogenan ragam galat tidak dipenuhi.
Jika antara amatan yang satu dengan amatan yang lain diasumsikan bebas, maka
fungsi kemungkinan maksimumnya adalah:

l (β ) = ∏ f ( y i π i )
n

(4)

i =1

parameter βi diduga dengan memaksimumkan persamaan diatas. Untuk
memudahkan perhitungan dilakukan pendekatan logaritma, sehingga fungsi logkemungkinan sebagai berikut, menurut (McCullagh & Nelder 1989):
n ⎡
n
⎛ π
ln [l (β )] = ∑ [ y i ln π i + (1 − y i ) ln (1 − π i )] = ∑ ⎢ y i ln ⎜⎜ i
i =1 ⎣
i =1
⎝1− π i

⎤
⎞
⎟⎟ + ln (1 − π i )⎥
⎠
⎦

(5)

7 
 

Substitusi

⎛ π
ln⎜⎜ i
⎝1− π i

⎞
⎟⎟
⎠

dengan

exp(β 0 + β1 xi1 + ... + β p xip )

1 + exp(β 0 + β1 xi1 + ... + β p xip )

πi

dengan

kemungkinan

menjadi

β 0 + β1 xi1 + ... + β p xip

sehingga

fungsi

log

dan

n ⎡
⎛
exp(β 0 + β1 xi1 + ... + β p xip ) ⎞⎤
⎟
ln[l (β )] = ∑ ⎢ yi (β 0 + β1 xi1 + ... + β p xip ) + ln⎜1 −
⎜ 1 + exp(β + β x + ... + β x ) ⎟⎥⎥
i =1 ⎢
i
p
ip
0
1
1
⎝
⎠⎦
⎣

(6)

Nilai dugaan βi dapat diperoleh dengan memaksimumkan ln [l (β )] yaitu dengan
membuat turunan pertama ln [l (β )] terhadap βi dengan i = 0, 1, 2, …, p. Secara
analitik penurunan ini sangatlah tidak mudah, oleh karena itu secara teknis
pendugaan βi diperoleh dari proses iterasi yaitu dengan menggunakan algoritma
Iteratively Reweighted Least Square (IRLS) (McCullagh & Nelder 1989).

Pengujian Parameter
Pengujian terhadap parameter model dilakukan untuk mengetahui pengaruh
peubah penjelas dalam model. Uji parameter yang digunakan adalah statistik:
1. Uji G
2. Uji Wald (W)

βi diduga dengan metode kemungkinan maksimum maka untuk menguji
peranan peubah penjelas di dalam model secara bersama-sama digunakan uji rasio
kemungkinan yaitu Uji G (Hosmer & Lemeshow 2000). Adapun rumus untuk uji G
berdasarkan hipotesis H0: β1 = β 2 = ... = β p = 0 lawan H1: paling sedikit ada satu βi
≠ 0 (i = 1, 2, …, p) adalah:

⎡L ⎤
G = −2 ln ⎢ 0 ⎥
⎣ L1 ⎦

(7)

dimana L0 likelihood tanpa peubah penjelas dan L1 likelihood dengan peubah
penjelas.
Statistik G akan mengikuti sebaran χ dengan derajat bebas p. Kriteria
2

keputusan yang diambil yaitu menolak H0 jika Ghitung > χ p2 (α ) (Hosmer &
Lemeshow 2000).

8 
 

Statistik Uji Wald digunakan untuk menguji parameter βi (Hosmer &
Lemeshow 2000). Rumus untuk Uji Wald berdasarkan hipotesis
H0: βi = 0 lawan H1: βi ≠ 0 (i = 0,1, 2, …, p) adalah:

Wi =

βˆi
SˆE βˆi

( )

(8)

()

dengan βˆi merupakan penduga βi dan SˆE β̂ merupakan penduga galat baku dari

βˆi . Statistik W mengikuti sebaran normal baku. Kriteria keputusan adalah H0
ditolak jika Whitung > Z α .
2

Pereduksian Peubah
Salah satu metode pereduksian peubah penjelas yaitu backward elimination.
Analisis dimulai dengan model penuh yaitu memasukkan seluruh peubah penjelas
ke dalam model kemudian peubah diuji satu persatu mulai dari peubah yang
memiliki nilai-p yang paling besar, metode ini menggunakan uji Khi-kuadrat jika
ada peubah yang tidak nyata pada nilai

yang ditentukan peubah tersebut

dikeluarkan dari model. Setiap proses eliminasi selesai maka akan dilakukan uji
kebaikan model untuk menguji bahwa model dapat menggambarkan data dengan
baik. Analisis akan selesai jika tidak ada lagi peubah yang dapat dieliminasi dari
model (Garson 2010).

Tabel Klasifikasi
Untuk melihat ketepatan dugaan yang digambarkan pada model regresi
logistik digunakan tabel klasifikasi yang merupakan tabel 2x2 untuk peubah respon
yang biner, beberapa hal yang terkait dengan tabel klasifikasi antara lain:
1. Tingkat ketepatan, yakni jumlah dugaan yang tepat berdasarkan jumlah
contohnya.
2. Sencitivity, adalah persentase dugaan yang tepat pada kategori tandingan
dari peubah respon (misal peubah yang berkategori 1 pada regresi logistik
biner).

9 
 

3. Specitivity, adalah persentase dugaan yang tepat dari kategori pembanding
dari peubah respon (misal peubah yang berkategori 0 pada regresi logistik
biner).
4. Tingkat kesalahan positif adalah persentase banyaknya kesalahan pada
peubah respon yang didugaan bernilai 1 tetapi yang terjadi bernilai 0,
kemudian dibandingkan dengan total kejadian yang didugaan bernilai 1.
5. Tingkat kesalahan negatif adalah persentase banyaknya kesalahan pada
peubah respon yang didugaan bernilai 0 tetapi yang terjadi bernilai 1,
kemudian dibandingkan dengan total kejadian yang didugaan bernilai 0
(Garson 2010).
Interpretasi Koefisien
Pada regresi linier, koefisien β1 merupakan beda antara nilai Y pada X=x+1
dengan nilai Y pada X=x.

Y (x) = β0 + β1x

(9)

β1 = Y (x + 1) − Y (x )

(10)

Sedangkan pada regresi logistik β1 = g (x + 1) − g (x ) menunjukkan peubah
nilai logit untuk setiap satu unit peubah pada peubah bebas X. Untuk model regresi
logistik dengan satu peubah penjelas dikotom dapat dilihat pada Tabel 1.

⎡ π (1) ⎤
Nilai odds (rasio antara Y=1 dengan Y=0 untuk X=1) adalah ⎢
⎥
⎣1 − π (1) ⎦
sedangkan untuk X=0 adalah

⎡ π (0) ⎤
⎢1 − π (0) ⎥ . Log dari kedua odds tersebut
⎣
⎦

didefinisikan sebagai g(1) dan g(0) . Rasio odds (ψ ) didefinisikan sebagai rasio
dari odds untuk X =1 dengan X =0 sehingga:

ψ=
lnψ = ln

[π (1) /(1 − π (1)]
= exp(β1 )
[π (0) /(1 − π (0)]

[π (1) /(1 − π (1))]
= g (1) − g (0) = β1  = beda logit
[π (0) /(1 − π (0))]

(11)

(12)

10 
 

Tabel 1 Model Regesi Logistik dengan Satu Peubah Penjelas Dikotom
Peubah Penjelas

Peubah Respon

x=1

x=0

y=1

π (1) =

exp( β 0 + β 1 )
1 + exp( β 0 + β 1 )

π ( 0) =

exp( β 0 )
1 + exp( β 0 )

y=0

1 − π (1) =

1
1 + exp(β 0 + β1 )

1 − π (0) =

1
1 + exp(β 0 )

Jumlah

1 

1 

Dengan demikian, pada model logistik dengan satu peubah penjelas dikotom,
koefisien β 1 adalah model beda logit, sedangkan exp( β 1 ) nilai rasio odds.
Interpretasi koefisien untuk model regresi logistik dapat dilakukan dengan
melihat rasio oddsnya. Jika suatu peubah penjelas mempunyai tanda koefisien
positif, maka nilai rasio oddsnya akan lebih besar dari satu, sebaliknya jika tanda
koefisiennya negatif maka nilai rasio oddsnya akan lebih kecil dari satu. Rasio odds
memiliki selang kepercayaan (1- α )100% sebagai berikut:

exp[βˆi ± Z

1−

α

SˆE ( βˆi )]

(13)

2

Metode CHAID
Chi-square

Automatic

Interaction

Detecion

(CHAID)

pertama

kali

diperkenalkan dalam sebuah artikel berjudul “ An Exploratory Tecnique for
Investigating Large Quantities of Categorical Data” oleh Dr. G.V. Kass pada
tahun 1980. CHAID merupakan salah satu tipe dari metode AID (Automatic
Interaction Detecion). Metode AID adalah suatu teknik untuk menganalisis
kelompok data berukuran besar dengan membaginya menjadi sub-sub kelompok
yang tidak saling tumpang tindih (Kass 1980). Tehnik pemecahan (splitting)
kelompok menjadi beberapa sub kelompok sehingga diperoleh sub-sub kelompok
yang secara maksimal saling berbeda.
Metode ini terutama dikembangkan untuk menelusuri keterkaitan struktural
dalam data survey (Fielding 1977). Peubah-peubah tersebut dapat berupa satu
peubah respon dengan beberapa peubah penjelas atau beberapa peubah respon
dengan beberapa peubah penjelas. Metode CHAID merupakan teknik eksplorasi
nonparametrik untuk menganalisis sekumpulan data yang berukuran besar dan

11 
 

cukup efisien untuk menduga peubah-peubah penjelas yang paling nyata terhadap
peubah respon.
Pada prisipnya cara kerja metode CHAID memisahkan data kedalam
beberapa kelompok secara bertahap. Tahap pertama diawali dengan membagi data
menjadi beberapa kelompok berdasarkan satu peubah penjelas yang pengaruhnya
paling nyata terhadap peubah respon. Masing-masing kelompok yang diperoleh
diperiksa secara terpisah untuk membaginya menjadi beberapa kelompok
berdasarkan peubah penjelas dan seterusnya hingga pada akhirnya diperoleh
kelompok-kelompok pengamatan yang memiliki respon dan peubah penjelas
tertentu yang berkaitan, hasil analisis metode CHAID adalah suatu dendogram
pemisahan.
Metode CHAID digunakan bila peubah responnya berskala nominal atau
ordinal dengan kriteria statistik uji khi-kuadrat pada setiap pemisahannya. Proses
pemisahan dilakukan secara iteratif dimulai dari peubah bebas yang mempunyai
asosiasi paling kuat dengan peubah tak bebas yang digambarkan oleh besarnya
nilai-p (p-value) berdasarkan uji khi-kuadrat ((Magidson & Vermunt 2006). Dalam
proses ini juga akan dilakukan penggabungan kategori-kategori dalam satu peubah
bebas yang tidak memiliki asosiasi yang nyata dengan peubah tak bebas. Secara
singkat algoritma CHAID adalah sebagai berikut, menurut (Kass 1980):
1.

Membuat tabulasi silang antara kategori-kategori peubah penjelas dengan
kategori-kategori peubah respon.

2.

Membuat subtabel berukuran 2xd yang mungkin, d adalah banyaknya kategori
peubah respon. Kemudian cari nilai
seluruh

semua subtabel tersebut. Dari

yang diperoleh, cari yang terkecil katakan
ditetapkan, db

penjelas yang memiliki

. Jika

1 , maka kedua kategori peubah

digabung menjadi satu kategori. Untuk

peubah ordinal penggabungan hanya dapat dilakukan terhadap kategori yang
berurutan.
3.

Jika terdapat kategori gabungan yang terdiri dari tiga atau lebih kategori asal,
maka harus dilakukan pembagian biner terhadap kategori gabungan tersebut,
dari pembagian ini dicari

terbesar. Jika

pembagian biner berlaku. Kembali ke tahap 2.

terbesar >

, maka

12 
 

4. Setelah diperoleh penggabungan optimal untuk setiap peubah penjelas hitung
nilai-p

masing-masing

tabel

yang

dibentuk

(tabel

yang

mengalami

pengurangan kategori, nilai-p nya dikalikan dengan pengganda Bonferoni
sesuai dengan tipe peubahnya). Cari nilai-p yang terkecil. Jika nilai-p terkecil
<

yang telah ditetapkan, maka X pada nilai-p tersebut adalah peubah penjelas

yang pengaruhnya paling nyata bagi peubah respon.
5.

Jika pada tahap 4 diperoleh peubah yang pengaruhnya paling nyata, kembali ke
tahap 1 untuk setiap bagian data hasil pemisahan.
Statistik uji yang digunakan adalah

dengan rumus:

keterangan:
r = total baris
c = total kolom
i = indeks baris
j = indeks kolom
= nilai sel baris ke-i kolom ke-j
= nilai harapan sel baris ke-i kolom ke-j
Pengganda Bonferoni untuk tabel yang mengalami pengurangan kategori sesuai
dengan tipe peubahnya:
1. Peubah monotonik yaitu bila kategori berskala ordinal
1
1

2. Peubah bebas yaitu bila kategori berskala nominal
∑

1

!

!

Ketepatan dan Kesalahan Klasifikasi
Salah satu ukuran kebaikan model dalam regresi logistik yaitu model yang
mempunyai peluang salah klasifikasi minimal (Hosmer & Lemeshow 2000).
Ketepatan dan kesalahan klasifikasi dari model dapat dilihat dalam tabel klasifikasi.
Tabel klasifikasi untuk peubah respon dikotom terdiri atas dua kolom nilai dugaan
dan dua nilai amatan. Untuk memperoleh ketepatan klasifikasi (correct

13 
 

classification) terhadap amatan harus menentukan nilai cutpoint (c) dan
dibandingkan dengan peluang dugaan

. Jika

lebih besar atau sama

dengan c maka nilai dugaan termasuk pada respon y=1 dan selain itu y=0. Tabel 2
memperlihatkan tabel klasifikasi secara umum.
Tabel 2 Klasifikasi Respon
Dugaan
Amatan

1

0

Total

Ketepatan

1
0

a
c

b
d

(a + b) = n1.
(c + d) = n0.

a/n1.
d/n0.

Total

(a + c) = n.1

(b +d) = n.0

(a + b + c + d) = n

(a + d)/n

Kesalahan

c/n.1

b/n.0

(b + c)/n

Ketepatan klasifikasi (correct classification) terdiri atas specificity dan
sentisivity. Specificity atau ketepatan klasifikasi dalam menduga kejadian bahwa
respon tidak memiliki kriteria yang diharapkan yaitu pada y=0 sebesar d/n0.100%,
untuk mengevaluasi ketepatan klasifikasi dalam menduga kejadian bahwa respon
memiliki kriteria yang diharapkan yaitu y=1 atau disebut juga sensitivity yang
nilainya sebesar a/n1.100%, sedangkan ketepatan klasifikasi yaitu ketepatan
klasifikasi dalam menduga kejadian secara tepat dapat diduga oleh model yang
nilainya (a+d)/n100%.
Selain ketepatan klasifikasi dapat pula diketahui besarnya kesalahan
klasifikasi (misclassification rate). Kesalahan klasifikasi dalam menduga kejadian
respon terdiri atas kesalahan positf atau negatif. Kesalahan positif nilainya sebesar
c/n.1100% dinyatakan sebagai persentase besarnya kesalahan ketika respon diduga
memiliki kriteria yang ditentukan yaitu y=1 tapi amatan sebenarnya bernilai y=0
dan sebaliknya kesalahan negatif yang nilainya sebesar b/n.0100% dinyatakan
sebagai persentase besarnya kesalahan ketika respon diduga tidak memiliki kriteria
yang diharapkan y=0 namun amatan sebenarnya bernilai y=1. Kesalahan klasifikasi
diartikan sebagai besarnya kesalahan klasifikasi terhadap kesalahan keseluruhan
kejadian yang dapat diperoleh dengan cara merasiokan total klasifikasi yang tidak
terkoreksi dengan jumlah keseluruhan data yaitu sebesar (b+c)/n100%.

14 
 

METODOLOGI

Metodologi Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data sekunder yaitu data
mahasiswa S1 Program Studi Farmasi UHAMKA angkatan 1998 sampai dengan 2006
yang diperoleh dari Biro Administrasi Akademik dan Kemahasiswaan (BAAK)
UHAMKA. Data tersebut belum dilakukan elektonik file, sehingga data yang ada
diambil dari arsip pendaftaran mahasiswa baru kemudian dimasukkan soft copy.
Proses mengambilan data dilakukan selama 6 bulan, karena dibutuhkan koordinasi
dengan kepala tata usaha, bagian akademik dan ketua program studi, dari data yang
ada sulit mendapatkan peubah yang sesuai dengan teori untuk dianalisa maka perlu
dipilih peubah-peubah yang akan digunakan. Peubah-peubah yang dipilih diduga dapat
mempengaruhi keberhasilan mahasiswa kemudian dari peubah-peubah tersebut
dikategorikan. Selanjutnya dicari nilai IPK pada semester enam dari masing-masing
data yang dapat diperoleh dari BAAK.
Badan Akreditasi Nasional Perguruan Tinggi (BAN PT 2008) sebagai lembaga
resmi negara yang memberikan penilaian terhadap program studi menetapkan nilai
Indek Prestasi Kumulatif sebagai berikut :
1. Sangat baik

: Jika IPK ≥ 3.5

2. Baik

: Jika 2.75 < IPK < 3.5

3. Cukup

: Jika 2 ≤ IPK ≤ 2.75

Pada penelitian ini nilai IPK mahasiswa dikelompokan menjadi dua bagian yaitu
mahasiswa yang berhasil dengan kriteria IPK lebih dari 2.75 (y=1) dan yang kurang
berhasil dengan kriteria IPK maksimal 2.75 (y=0). Sedangkan untuk peubah penjelas
terdapat pada Tabel 3. Pemilihan Kategori terhadap peubah penjelas didasarkan pada
eksplorasi awal. Apabila n pada suatu kategori relatif kecil maka kategori akan
digabungkan terhadap kategori lain. Adapun alasan/keterangan pemilihan peubah
penjelas sebagai berikut:
1. Peubah penjelas usia dikelompokkan menjadi kategori ≤ 22 tahun dan > 22
tahun, karena diperkirakan responden mencapai semester 6 pada kategori usia
tersebut.

15 
 

2. Asal daerah dikelompokkan berdasarkan tempat kelahiran responden, yaitu
diluar ataupun dalam area Jabodetabek, karena sebagian besar responden
berasal dari Jabodetabek.
3. Asal sekolah dibagi menjadi kategori Sekolah Menengah Atas ataupun diluar
dari Sekolah Menengah Atas, seperti Sekolah Menengah Farmasi, Sekolah
Analisis Kimia dan Sekolah Perawat Kesehatan.
4. Peubah penjelas tenggang waktu merujuk pada masa alih atau masa tunggu
responden dari sejak lulus Sekolah Lanjutan Tingkat Atas sampai masuk
perguruan tinggi. Adapun waktu tenggang yang dimaksud adalah

< 1 tahun

artinya langsung kuliah atau ≥ 1 tahun artinya menganggur terlebih dahulu.
5. Rataan nilai STTB yaitu rataan nilai yang tercantum pada Surat Tanda Tamat
Belajar di Sekolah Lanjutan Tingkat Atas responden. Peubah penjelas ini
dibagi tiga kategori yaitu: rataan nilai STTB ≤ 6.99, rataan nilai STTB 7.007.99, rataan nilai STTB ≥ 8.00, berdasarkan eksplorasi.
6. Di UHAMKA, responden menjalankan perkuliahan dalam kelas pagi atau
kelas sore. Oleh karena itu peubah penjelas kelas dibagi menjadi kelas sore dan
kelas pagi.
7. Jenis kelamin dikategorikan menjadi perempuan dan laki-laki.
8. Jarak kampus ke tempat tinggal diasumsikan sebagai jarak tempat responden
menetap selama kuliah terhadap kampus yaitu ≥ 5 km atau < 5 km.
9. Peubah penjelas status tempat tinggal digolongkan responden tinggal mandiri
yaitu kos/kontrak atau dengan keluarga.

16 
 

Tabel 3 Peubah-peubah penjelas yang digunakan dalam analisis dan peubah bonekanya

Peubah Penjelas
Usia (X1)

Kategori
1. ≤ 22 tahun
2. > 22 tahun

D1
0
1

D2
-

Asal Daerah (X2)

1.Luar Jabodetabek
2. Jabodetabek

0
1

-

Asal Sekolah (X3)

1. SMA
2. Non SMA

0
1

-

Tenggang Waktu (X4)

1. < 1 tahun
2. ≥ 1 tahun

0
1

-

Rataan Nilai STTB (X5)

1. ≤ 6.99
2. 7.00-7.99
3. ≥ 8.00

0
1
0

0
0
1

Kelas (X6)

1. Sore
2. Pagi

0
1

-

Jenis Kelamin (X7)

1. Perempuan
2. Laki-laki

1
0

-

Jarak Kampus Ke Tempat Tinggal (X8)

1. ≥ 5 km
2. < 5 km

0
1

-

Status Tempat Tinggal (X9)

1. Kos/Kontrak
2. Keluarga

0
1

-

Metode Analisis
1.

Eksplorasi data terhadap data awal, jika dari data yang diperoleh ada yang tidak
lengkap maka observasi tersebut dikeluarkan dari populasi amatan.

2.

Data yang diperoleh diringkas dengan cara menyajikan persentase untuk setiap
peubah-peubah penjelas yang diamati dan membuat tabulasi silang dari peubah
respon dan peubah penjelas.

3.

Melakukan pendugaan parameter yaitu dengan membuat model persamaan regresi
logistik.

4.

Melakukan pengujian parameter, ada dua tahap dalam melakukan pengujian ini,
yaitu:
a. Dengan statistik uji-G. Statistik uji-G dilakukan untuk menguji parameter
secara bersama-sama.
b. Dengan statistik uji-Wald. Statistik uji-Wald dilakukan untuk menguji
parameter dari model secara satu persatu.

17 
 

5.

Mengeluarkan beberapa peubah penjelas yang tidak ada pengaruhnya terhadap
peubah respon berdasarkan hasil statistik uji-G dan uji-Wald dengan prosedur
backward elimination.

6.

Melakukan interpretasi koefisien. Langkah ini dilakukan setelah tidak ada lagi
peubah penjelas yang tidak nyata.

7.

Memprediksi peluang keberhasilan dari peubah-peubah yang nyata.

8.

Melakukan analisis klasifikasi dengan menggunakan persamaan regresi logistik
yang diperoleh berdasarkan nilai dugaan peluangnya.

9.

Melakukan analisis klasifikasi dengan menggunakan hasil percabangan akhir dari
metode CHAID.

10. Membandingkan hasil dugaan keberhasilan dengan keadaan sebenarnya dari hasil
klasifikasi metode regresi logistik dan metode CHAID.

18 
 

Secara ringkas tahapan analisis data dapat dilihat pada diagram alur Gambar 1.
Mulai

Mengumpulkan dan menyeleksi data. Jika dari data yang diperoleh ada
yang tidak lengkap maka observasi tersebut dikeluarkan dari populasi
amatan.

Meringkas dan menyajikan data. Pada tahap ini dilakukan tabulasi silang
dengan cara menyajikan frekuensi dan persentase untuk setiap peubah
penjelas yang diamati.

Melakukan pendugaan parameter
yaitu dengan membuat model
persamaan regresi logistik.

Melakukan analisis dengan
menggunakan hasil percabangan
akhir dari metode CHAID

Melakukan pengujian parameter
dengan statistik uji G dan Wald

Mengeluarkan peubah penjelas
yang tidak nyata terhadap
peubah respon berdasarkan
prosedur backward elimination

Interpretasi hasil

Menentukan nilai klasifikasi

Interpretasi koefisien 

Memprediksi peluang keberhasilan
dari peubah-peubah yang nyata

Membandingkan dugaan dengan keadaan sebenarnya dari klasifikasi
hasil metode regresi logistik dengan metode CHAID.

selesai

 

Gambar 1 Diagram Alur Analisis Data.

19 
 

HASIL DAN PEMBAHASAN
Deskripsi Karakteristik Responden Berdasarkan Peubah Penjelas
Hasil analisis mengenai persentase responden berdasarkan peubah-peubah
penjelas ditunjukkan pada Gambar 2. Usia responden ≤ 22 tahun sebanyak
66.2% lebih banyak dibandingkan yang usia > 22 tahun yaitu 33.8% artinya
mahasiswa yang masuk pada prodi Farmasi sebagian besar berusia sesuai dengan
perkiraan usia responden pada semester enam.
Persentase responden berdasarkan asal daerah, yang berasal dari luar
Jabodetabek sebanyak 14.6% lebih sedikit dibandingkan dari Jabodetabek yaitu
85.4% ini disebabkan kurangnya promosi dari prodi Farmasi di luar Jabodetabek.
Berdasarkan asal sekolah yang berasal dari SMA sebanyak 53.3% sedangkan
yang berasal dari Non SMA sebanyak 46.7% artinya prodi Farmasi lebih diminati
oleh siswa SMA dibandingkan siswa Non SMA.
Berdasarkan tenggang waktu, yang memiliki masa tenggang waktu < 1
tahun sebanyak 58.1% lebih besar dibandingkan ≥ 1 tahun yaitu 41.9% artinya
yang diterima pada prodi Farmasi sebagian besar mereka yang baru lulus sekolah
atau tidak menganggur dulu. Berdasarkan rataan nilai STTB sebagian besar
responden memiliki rataan nilai ≤ 6.99 sebanyak 55.4% sedangkan yang rataan
nilai 7.00-7.99 sebanyak 27.8% dan yang rataan nilai STTB ≥ 8.00 sebanyak
16.8% artinya siswa yang diterima sebagian besar yang memiliki prestasi cukup.
Persentase responden berdasarkan kelas, yang kelas sore 37% lebih sedikit
dibandingkan kelas pagi yaitu 63% hal ini disebabkan belajar di pagi hari akan
lebih nyaman dibanding sore hari sehingga kelas pagi lebih banyak diminati
mahasiswa. Berdasarkan jenis kelamin, perempuan sebanyak 75.2% jauh lebih
banyak dibandingkan laki-laki yaitu 24.8% artinya prodi Farmasi lebih diminati
perempuan dibanding laki-laki.
Berdasarkan jarak kampus ke tempat tinggal, yang memiliki jarak kampus
ke tempat tinggal ≥ 5 km sebanyak 58.1% lebih banyak dibandingkan yang
berjarak < 5 km yaitu 41.9% artinya masih kurang minat anak sekeliling kampus
untuk memilih prodi Farmasi. Berdasarkan status tempat tinggal yang kos/kontrak
sebanyak 15.1% lebih sedikit dibandingkan yang tinggal dengan keluarga yaitu

20 
 

84.9%
% ini disebbabkan tem
mpat tinggaal keluarga mereka tiddak terlaluu jauh dari
kamppus sehinggga tidak perllu kos.
 
 

>22 
tahun
33.8%

Usia

Asal D
Daerah

22 
tahun
66.2%

A
Asal Sekolah
h

Tenggan
ng Waktu

Non 
SMA
4
46.7%
SMA 
53.3%

8.00
16.8%

Luar 
ode
Jabo
tabek
6%
14.6

Jabode
ek
tabe
85.4
4%

1Thn
41.9%

22 tahun artinya mahasiswa tersebut pada saat sekolah dasar atau
sekolah lanjutan mengalami suatu masalah mungkin terlambat mendaftar sekolah
atau pernah tidak naik kelas, hal ini dapat mempengaruhi tingkat keberhasilan.
Responden yang berasal dari Jabodetabek tingkat keberhasilannya 44.1%
jauh lebih besar dibandingkan dengan responden yang berasal dari luar
Jabodetabek yaitu 7.6% artinya mahasiswa yang berasal dari Jabodetabek
memiliki daya saing lebih tinggi dibandingkan mahasiswa yang dari luar
Jabodetabek. Responden yang berasal dari SMA tingkat keberhasilannya 26.7%
hampir sama dengan tingkat keberhasilan responden yang berasal dari Non SMA
yaitu 25%.
Responden yang memiliki tenggang waktu < 1 tahun artinya tidak sempat
menganggur memiliki tingkat keberhasilan 30.6% sedangkan responden yang
memiliki tenggang waktu ≥ 1 tahun tingkat keberhasilannya 21.1% artinya
responden yang baru lulus akan lebih berhasil dibandingkan yang sempat
menganggur.
Responden yang memiliki rataan nilai STTB ≤ 6.99 tingkat keberhasilannya
22.3%, yang rataan nilai STTB 7.00-7.99 tingkat keberhasilannya 14.5% dan yang
rataan nilai STTB ≥ 8.00 tingkat keberhasilannya 14.8%, ini menunjukkan tingkat
keberhasilan paling tinggi diperoleh pada kategori rataan nilai STTB ≤ 6.99.
Responden yang masuk pada kelas pagi tingkat keberhasilannya 32.4%
lebih tinggi dibandingkan responden yang kelas sore, artinya mahasiswa akan
lebih mudah menerima kuliah pada pagi hari dibandingkan pada sore hari karena
kuliah pagi hari lebih nyaman dibanding kuliah sore hari..

22 
 

Respondenn perempuaan tingkat keberhasilan
k
nnya 41.5% lebih tingggi dari pada
laki-llaki yaitu 10.2% hal ini disebabbkan perem
mpuan lebihh tekun dibbandingkan
laki-llaki.
m memiliki
Respondenn yang jarrak kampuss ke tempaat tinggalnyya ≥ 5 km
tingkkat keberhassilan 29.5%
% dan responnden jarak kampus
k
ke tempat
t
tingggal < 5 km
mem
miliki tingkaat keberhasiilan 22.1%. Responden
n yang berttempat tingggal dengan
keluaarga tingkkat keberhaasilannya 44.0% leb
bih tinggi dibandinggkan yang
kos/kkontrak yaiitu 7.7% ini
i disebabbkan tinggaal dirumahh sendiri tiidak perlu
mem
mikirkan biaaya tempat tinggal, haal ini mengu
urangi bebaan pikiran m
mahasiswa
sehinngga didugaa untuk mem
mperoleh keeberhasilan
n akan lebihh mudah dibbandingkan
mahaasiswa yangg harus mem
mikirkan biaaya tempat tinggal.
t
Kesembiilan peubaah penjelass yang diiamati adaa dua peuubah yang
menuunjukkan baahwa antaraa tingkat keeberhasilan dan tingkaat kurang beerhasil dari
masing-masing kategori jauuh berbedaa yaitu kateg
gori rataan nilai STTB
B dan jenis
kelam
min.
90
0.00%
80
0.00%
70
0.00%
60
0.00%
50
0.00%
40
0.00%
30
0.00%
20
0.00%
10
0.00%
0
0.00%

Kurang Berrhasil
Berhasil

1 2 1 2 1 2 1 2 1 2 3 1 2 1 2 1 2 1 2
X1

X2

X3

X
X4

X5

X6

X7

X8
8

X9

G
Gambar
3 Peersentase Peeubah Penjeelas Terhad
dap Tingkat Keberhasilaan.
Keterangan:
X1=
=Usia
X2=
=Asal Daeraah
X3=
=Asal Sekollah
X4=
=Tenggang Waktu
X5=
=Rataan Nillai STTB

X6=K
Kelas
X7=Jeenis Kelamiin
X8= Jarak Kampu
u Ke Tempaat Tinggal
X9=Sttatus Tempaat Tinggal

23 
 

Model Regresi Logistik
Analisis regresi logistik dengan menggunakan 9 peubah penjelas dapat
dilihat pada Tabel 4 yang menghasilkan nilai statistik uji-G sebesar 157.156
dengan derajat bebasnya 10 dan log likelihood sebesar -669.421 dengan nilaip=0.000, sehingga dapat ditarik kesimpulan bahwa paling sedikit ada satu
tidak sama dengan nol diantara peubah penjelas tersebut pada taraf nyata 5%.
Uji Wald pada model regresi logistik menunjukkan hanya ada dua peubah
penjelas yaitu X5 dan X7 yang nyata pada taraf 5%, jadi rataan nilai STTB (X5)
dan jenis kelamin (X7) berpengaruh terhadap keberhasilan untuk mendapatkan
IPK lebih dari 2.75.
Tabel 4 Hasil Analisis Regresi Logistik Model Penuh
Peubah
Penjelas

SE

Wald

Nilai-p

Rasio
Odds

X1(1)

-0.069

0.185

0.138

0.710

0.933

X2(1)

-0.122

0.205

0.354

0.552

0.885

X3(1)

0.052

0.146

0.125

0.724

1.053

X4(1)

-0.060

0.178

0.114

0.735

0.942

X5(1)

0.521

0.145

12.848

0.000

1.684

X5(2)

2.385

0.245

95.071

0.000

10.858

X6(1)

-0.053

0.141

0.140

0.708

0.949

X7(1)

0.592

0.155

14.671

0.000

1.807

X8(1)

0.045

0.139

0.103

0.748

1.046

X9(1)

0.084

0.210

0.161

0.689

1.088

-0.778

0.277

7.866

0.005

0.459

Konstant

Metode backward elimination digunakan untuk mencari peubah-peubah
yang tidak nyata dan peubah tersebut dikeluarkan dari model satu persatu mulai
dari peubah yang memiliki nilai-p paling besar. Setelah dilakukan reduksi
terhadap peubah-peubah yang tidak nyata maka nilai uji G diperoleh sebesar
155.979 dengan derajat bebas 3 dan nilai log likelihoodnya sebesar -670.009

24 
 

dengan nilai nilai-p sebesar 0.000.