BAB 1

PENDAHULUAN

1.1 Latar belakang

Salah satu program pemerintah yang sedang dilaksanakan sekarang
adalah meningkatkan mutu pendidikan secara nasional. Peningkatan mutu di
setiap satuan pendidikan, diarahkan pada upaya terselenggaranya layanan
pendidikan kepada pihak yang berkepentingan atau masyarakat.
Usaha untuk meningkatkan mutu pendidikan nasional salah satunya
dilakukan dengan diselenggarakannya akreditasi sekolah, baik untuk sekolah
negeri maupun sekolah swasta. Hal ini merupakan implementasi Keputusan
Menteri Pendidikan Nasional Nomor 087/U/2002 tentang Akreditasi Sekolah.
Keputusan Mendiknas ini penting artinya jika diposisikan sebagai salah satu
kesempatan untuk membenahi kinerja pendidikan di negara kita.
Pelaksanaan akreditasi sekolah dilakukan oleh Badan Akreditasi Sekolah
Provinsi (BAS Provinsi) dan Badan Akreditasi Sekolah Kabupaten / Kota (BAS
Kabupaten / Kota). BAS Provinsi melaksanakan akreditasi untuk TKLB, SDLB,
SMPLB, SMA, SMK, dan SMLB, sedangkan BAS Kabupaten/Kota melaksana-
kan akreditasi untuk TK, SD dan SMP.
Hasil akreditasi yang ditetapkan melalui rapat pleno, BAS Provinsi atau
BAS Kabupaten/Kota sesuai dengan kewenangannya akan menerbitkan sertifikat
akreditasi sekolah sesuai dengan format dan borang yang dikeluarkan oleh Badan
Akreditasi Sekolah Nasional (BASNAS). Sertifikat akreditasi memuat nilai
masing-masing komponen (dalam angka) dan peringkat/status akreditasi sekolah
yang dinyatakan dengan huruf A (amat baik), B (baik), dan C (cukup). Status
akreditasi ini berlaku untuk kurun waktu 4 tahun sejak tanggal ditetapkannya.
Setelah periode 4 tahun sekolah harus diakreditasi ulang.
Ditinjau dari skala data, peringkat/status akreditasi merupakan data
dengan skala ordinal. Oleh karena itu, penentuan peringkat/status ini adalah
klasifikasi data yang bersifat ordinal. Salah satu metode statistika yang dapat
dipakai untuk klasifikasi data yang bersifat ordinal adalah regresi logistik ordinal
(Antonov, 2004).

1
 Pendidikan adalah salah satu faktor yang mempengaruhi pembangunan
manusia (Brata, 2005). Salah satu faktor yang menunjang baik atau tidaknya
pendidikan adalah sekolah. Baik tidaknya mutu suatu sekolah dinyatakan dengan
akreditasi sekolah. Ingin dianalisis status akreditasi suatu sekolah dengan
memperhatikan Indeks Pembangunan Manusia tiap wilayah yaitu Kabupaten/Kota
asal sekolah SMK yang terakreditasi apakah Indeks Pembagunan Manusia tiap
wilayah yaitu Kabupaten/Kota asal sekolah berpengaruh terhadap akreditasi suatu
sekolah di wilayah masing-masing Kabupaten/Kota tersebut. Disamping
memperhatikan Indeks Pembangunan Manusia, juga ingin menghubungkan status
akreditasi dengan profil sekolah yang bersangkutan yang meliputi status sekolah
yaitu negeri atau swasta, lama berdiri suatu sekolah pada saat mengajukan
akreditasi, jumlah siswa pada saat mengajukan akreditasi, jumlah guru pada saat
mengajukan akreditasi, jumlah alumni yang diterima di dunia usaha dan industri
setahun terakhir pada saat mengajukan akreditasi, status tanah/bangunan serta
jumlah nilai rata-rata ujian nasional sekolah.
Analisis yang dilakukan adalah Regresi Logistik Ordinal. Analisis ini
bertujuan untuk mengkaji bentuk penaksir parameter serta model akreditasi suatu
sekolah yang menghubungkan dengan Indeks pembangunan Manusia serta profil
sekolah yang meliputi status sekolah yaitu negeri atau swasta, lama berdiri suatu
sekolah pada saat mengajukan akreditasi, jumlah siswa pada saat mengajukan
akreditasi, jumlah guru pada saat mengajukan akreditasi, jumlah alumni yang
diterima di dunia usaha dan industri setahun terakhir pada saat mengajukan
akreditasi, status tanah/bangunan serta jumlah nilai rata-rata ujian nasional
sekolah.

1.2 Perumusan Masalah

Perumusan masalah dalam penelitian ini adalah:
1. Bagaimana mengkaji bentuk penaksir parameter Regresi Logistik Ordinal
2. Bagaimana menentukan model akreditasi sekolah berdasarkan faktor-faktor
yang terdapat dalam profil sekolah yang meliputi status sekolah yaitu negeri
atau swasta, lama berdiri suatu sekolah pada saat mengajukan akreditasi,
jumlah siswa pada saat mengajukan akreditasi, jumlah guru pada saat

2
 mengajukan akreditasi, jumlah alumni yang diterima di dunia usaha dan
industri setahun terakhir pada saat mengajukan akreditasi, status
tanah/bangunan serta jumlah nilai rata-rata ujian nasional sekolah dengan
memperhatikan Indeks Pembangunan Manusia tiap wilayah asal sekolah SMK
yang terakreditasi dengan menggunakan Regresi Logistik Ordinal.

1.3 Tujuan
Tujuan dalam penelitian ini adalah sebagai berikut:
1. Mengkaji bentuk penaksir parameter Regresi Logistik Ordinal.
2. Menentukan model akreditasi sekolah berdasarkan faktor-faktor yang terdapat
dalam profil sekolah yang meliputi status sekolah yaitu negeri atau swasta,
lama berdiri suatu sekolah pada saat mengajukan akreditasi, jumlah siswa
pada saat mengajukan akreditasi, jumlah guru pada saat mengajukan
akreditasi, jumlah alumni yang diterima di dunia usaha dan industri setahun
terakhir pada saat mengajukan akreditasi, status tanah/bangunan serta jumlah
nilai rata-rata ujian nasional sekolah dengan memperhatikan Indeks
Pembangunan Manusia tiap wilayah asal sekolah SMK yang terakreditasi
dengan menggunakan Regresi Logistik Ordinal.

1.4 Manfaat
Manfaat penelitian ini adalah sebagai berikut :
1. Memperluas wawasan mengenai regresi logistik ordinal
2. Memberikan wawasan mengenai akreditasi sekolah
3. Bagi Dinas Pendidikan dapat mengetahui bentuk model akreditasi sekolah
yang menghubungkan antara status akreditasi suatu sekolah dengan profil
sekolah serta Indeks Pembangunan Manusia Kabupaten/Kota asal sekolah
masing-masing.

1.5 Batasan Masalah

Batasan masalah dalam penelitian ini adalah bahwa pembentukan model
akreditasi sekolah ini hanya dibatasi pada sekolah yang mengajukan akreditasi

3
pada tingkat satuan pendidikan SMK di Propinsi Jawa Timur yang terakreditasi
tahun 2006.

4
 BAB 2
TINJAUAN PUSTAKA

2.1 Tinjauan Statistika

2.1.1 Regresi Logistik Ordinal
Regresi logistik ordinal merupakan salah satu metode statistika untuk
menganalisis variabel respon (dependen) yang mempunyai skala ordinal yang
terdiri atas tiga kategori atau lebih. Variabel prediktor (independen) yang dapat
disertakan dalam model berupa data kategori atau kontinu yang terdiri atas dua
variabel atau lebih.
Model yang dapat dipakai untuk regresi logistik ordinal adalah model
logit. Model logit tersebut adalah cumulative logit models. Pada model logit ini
sifat ordinal dari respon Y dituangkan dalam peluang kumulatif sehingga
cumulative logit models merupakan model yang didapatkan dengan
membandingkan peluang kumulatif yaitu peluang kurang dari atau sama dengan
kategori respon ke-j pada p variabel prediktor yang dinyatakan dalam vektor X,
P(Y ≤ j|X), dengan peluang lebih besar dari kategori respon ke-j, P(Y>j|X) (Hosmer
dan Lemeshow, 2000). Peluang kumulatif, P(Y ≤ j|X), didefinisikan sebagai
berikut :
 p

expθ j + ∑ β k x k 

P (Y ≤ j | X ) =  k =1  (2.1)
 p

1 + expθ j + ∑ β k x k 
 k =1 
dimana j = 1, 2, ..., J adalah kategori respon (Agresti, 1990).
Persamaan (2.1) didapatkan dari Fungsi logistik sebagai berikut:
1
F ( Z) =
1 + exp(- Z)

1
=
exp(Z) 1
+
exp(Z) exp(Z)

5
 1
=
1 + exp( Z )
exp( Z )

exp( Z )
= (2.2)
1 + exp( Z )
dimana F(Z) = Y
Z = kombinasi beberapa variabel prediktor (X)
1
Persamaan (2.2) didapatkan lim F ( Z ) = 0 , lim F ( Z ) = , dan
Z → −∞ Z →0 2
lim F ( Z ) = 1 sehingga dapat digambarkan dengan kurva sebagai berikut :
Z →∞

F(Z)

1/2

0 Z

–1

Gambar 2.1 Kurva Distribusi Logistik

Definisi cumulative logit models diatas didapatkan model:

 P(Y ≤ j | X ) 
P (Y ≤ j | X ) = log  (2.3)
 P (Y > j | X ) 

6
 Mensubstitusikan persamaan (2.1) pada persamaan (2.3), sehingga
didapatkan:
 P(Y ≤ j | X ) 
P(Y ≤ j | X ) = log 
 1 − P(Y ≤ j | X ) 
  p
 
 expθ j + ∑ β k x k  
  k =1  
 
 1 + expθ j + ∑ β k x k  
p

   
= log  k =1 

  p
 
expθ j + ∑ β k x k 
  k =1  
1− 
 1 + expθ + β x  
p

  j ∑ k k
  k =1 

  p
 
 expθ j + ∑ β k x k  
  k =1  
 
 p

 1 + expθ j + ∑ β k x k  
  k =1  
= log 
 1 + expθ + β x    
p p

  j ∑ k k expθ j + ∑ β k x k 
 k =1 −  k =1  
 
 1 + expθ + β x  1 + expθ + β x  
p p

  j ∑ k k  j ∑ k k
  k =1   k =1 

  p
 
 expθ j + ∑ β k x k  
  k =1  
 
 1 + expθ j + ∑ β k x k  
p

  
= log  k =1 
1 
 
  p

 1 + expθ j + ∑ β k x k  
  k =1 
 
 
  p
  p

 expθ j + ∑ β k x k  1 + expθ j + ∑ β k x k  

  k =1  ×  k =1 
= log 
 1 + expθ j + ∑ β k x k 
p
1 
   
  k = 1  

7
   p

= log expθ j + ∑ β k x k  
  k =1 
p
= θ j + ∑ β k xk (2.4)
k =1

Dalam hal klasifikasi, Cumulative Logit Model merupakan fungsi

pembeda atau fungsi klasifikasi. Fungsi klasifikasi yang terbentuk bila terdapat J
kategori respon adalah sejumlah J – 1. Jika π j ( X ) = P(Y=j| X ) menyatakan

peluang kategori respon ke-j pada p variabel prediktor yang dinyatakan dalam
vektor X dan P(Y ≤ j| X )) menyatakan peluang kumulatif pada p variabel
prediktor yang dinyatakan dalam vektor X maka nilai π j ( X ) didapatkan dengan

persamaan berikut :
γ j = P(Y ≤ j | X ) = π 1 ( X ) + π 2 ( X ) + ... + π j ( X ) (2.5)

dimana j = 1, 2, ..., J
Untuk tiga kategori respon dimana j = 1, 2, 3 maka nilai dari peluang
kategori respon ke-j adalah sebagai berikut :
 p

expθ1 + ∑ β k x k 
γ 1 = P(Y ≤ 1 | X ) =  k =1  (2.6)
 p

1 + expθ1 + ∑ β k x k 
 k =1 
 p

expθ 2 + ∑ β k x k 
γ 2 = P(Y ≤ 2 | X ) = π 1 ( X ) + π 2 ( X ) =  k =1  (2.7)
 p

1 + expθ 2 + ∑ β k x k 
 k =1 
Dari kedua peluang kumulatif di atas maka akan didapatkan peluang untuk
masing-masing kategori respon sebagai berikut :
 p

expθ1 + ∑ β k x k 
π 1 ( X ) = P(Y ≤ 1 | X ) =  k =1  (2.8)
 p

1 + expθ1 + ∑ β k x k 
 k =1 

8
 π 2 ( X ) = P(Y ≤ 2 | X ) − π 1 ( X )
 p
  p

expθ 2 + ∑ β k x k  expθ1 + ∑ β k x k 
 k =1  −  k =1  (2.9)
=
 p
  p

1 + expθ 2 + ∑ β k x k  1 + expθ 1 + ∑ β k x k 
 k =1   k =1 
π 3 ( X ) = 1 − P(Y ≤ 2 | X )

 p

expθ 2 + ∑ β k x k 

= 1−  k =1 
 p

1 + expθ 2 + ∑ β k x k 
 k =1 
 p
  p

1 + exp  θ 2 + ∑ β k x k  exp  θ 2 + ∑ β k x k 
=  k =1 −  k =1 
 p
  p

1 + exp  θ 2 + ∑ β k x k  1 + exp  θ 2 + ∑ β k x k 
 k =1   k =1 
1
= (2.10)
 p

1 + expθ 2 + ∑ β k x k 
 k =1 
dengan demikian γ j = P(Y ≤ j| X ) = π 1 ( X) + π 2 ( X) + L + π j ( X) .

Untuk klasifikasi nilai π j ( X ) pada persamaan di atas akan dijadikan

pedoman pengklasifikasian. Suatu pengamatan akan masuk dalam respon

kategori j berdasarkan nilai π j ( X ) yang terbesar (Wibowo, 2002).

2.1.2 Estimasi Parameter

Estimasi parameter dapat dipergunakan metode maksimum likelihood.
Metode ini memperoleh dugaan maksimum likelihood bagi β dengan langkah
awal yaitu membentuk fungsi likelihood.
Estimasi dari parameter regresi logistik ordinal didapatkan dengan
menurunkan fungsi log likelihood terhadap parameter yang akan diestimasi dan
∂L(β)
disamakan dengan nol. Persamaan = 0 dipergunakan untuk estimasi
∂β k

9
 ∂L(β)
parameter β k dimana k = 1, 2, ...p dan = 0 dipergunakan untuk estimasi
∂θ j

intersep θ j dimana j = 1, 2, ..., J – 1.

∂L(β) ∂L(β)
Hasil dari persamaan = 0 dan = 0 merupakan fungsi
∂β k ∂θ j

nonlinear sehingga diperlukan metode iterasi untuk memperoleh estimasi

parameternya. Metode iterasi yang dipergunakan adalah metode iterative
Weighted Least Square (WLS) yaitu algoritma Newton-Raphson.

2.1.3 Uji Serentak

Dalam pengujian serentak, uji signifikansi model dapat dipergunakan
likelihood-ratio test.
Hipotesis :
H0 : β=0
H1 : β≠0

Statistik Uji: G 2 = −2(ln(ωˆ ) − ln L(Ω

ˆ ))

Daerah penolakan:
H0 ditolak bila G > χ (2p ;α ) dimana p adalah jumlah prediktor dalam model.

2.1.4 Uji Individu

Untuk pengujian individu signifikansi parameter model dapat diuji dengan
Wald test. Hasil dari Wald test ini akan menunjukkan apakah suatu variabel
prediktor signifikan atau layak untuk masuk dalam model atau tidak.
Hipotesis :
H0 : βk = 0

H1 : β k ≠ 0 ; k = 1, 2, ...p ; p = jumlah prediktor dalam model

Statistik Uji :
βˆ k
W= (2.11)
SE ( βˆ k )

10
Daerah Penolakan :
H0 ditolak bila W lebih besar dari zα / 2 atau P-value kurang dari α . Hal ini
dikarenakan statistik uji W mengikuti distribusi normal (Hosmer dan Lemeshow,
2000). Uji W mengikuti distribusi normal dikarenakan jumlah sampel adalah
besar.

2.2 Tinjauan Akreditasi Sekolah

2.2.1 Akreditasi Sekolah
Sesuai dengan Keputusan Menteri Pendidikan Nasional Nomor
087/U/2002 tentang Akreditasi Sekolah, Badan Akreditasi Sekolah Nasional
(BASNAS) bertugas menetapkan berbagai kebijakan dan sistem yang terkait
dengan pelaksanaan akreditasi sekolah, yang meliputi kebijakan akreditasi
sekolah, aturan-aturan pelaksanaan akreditasi dan perangkat lainnya, baik
inslrumen maupun pedoman serta petunjuk teknis pelaksanaannya. Pelaksanaan
akreditasi sekolah dilakukan oleh Badan Akreditasi Sekolah Provinsi (BAS
Provinsi) dan Badan Akreditasi Sekolah Kabupaten / Kota (BAS Kabupaten /
Kota). BAS Provinsi melaksanakan akreditasi untuk TKLB, SDLB, SMPLB,
SMA, SMK, dan SMLB, sedangkan BAS Kabupaten/Kota melaksanakan
akreditasi untuk TK, SD dan SMP.
Pelaksanaan sistem akreditasi sebelumnya yang hanya dilaksanakan untuk
sekolah swasta, pelaksanaan sistem akreditasi ini dilaksanakan untuk semua
jenis dan jenjang sekolah, baik sekolah negeri maupun swasta. Selain itu, sistem
akreditasi ini lebih menekankan pada evaluasi diri dengan menempatkan sekolah
sebagai subjek dari proses akreditasi. Seperti pada sistem akreditasi yang
sebelumnya, sistem akreditasi ini juga melibatkan tim penilai yang disebut
asesor. Fungsi asesor adalah untuk melakukan klarifikasi dan validasi terhadap
data dan informasi yang disampaikan oleh sekolah melalui instrumen evaluasi
diri serta data pendukung.
Pelaksanaan akreditasi sekolah oleh BAS Provinsi maupun BAS
Kabupaten/ Kota agar sesuai dengan tujuan, prinsip, serta prosedur yang baku,
maka BASNAS menyusun prosedur pelaksanaan akreditasi sekolah. Pedoman

11
ini disusun untuk dapat memberikan rambu-rambu teknis mengenai mekanisme
pelaksanaan akreditasi sekolah, dimulai dari evaluasi diri, visitasi, sampai
dengan penetapan hasil akreditasi dan penerbitan sertifikat akreditasi. Selain itu,
buku pedoman ini juga memuat norma-norma pelaksanaan akreditasi sekolah
yang diharapkan dapat menjadi landasan moral bagi semua pihak dan dapat
dijadikan sebagai acuan dalam melaksanakan akreditasi sekolah secara benar.

2.2.2 Mekanisme Akreditasi Sekolah

Akreditasi dilakukan terhadap sekolah yang telah menyatakan siap melalui
evaluasi diri dan mengajukan permohonan akreditasi kepada BAS. Secara
umum, mekanisme dan prosedur akreditasi sekolah, baik yang dilakukan oleh
BAS Provinsi maupun BAS Kabupaten/Kota, sesuai dengan kewenangannya,
adalah seperti tampak pada gambar 2.2 berikut ini:

12
 Pelaksanaan Evaluasi
Diri oleh Sekolah

Pengajuan Akreditasi
oleh Sekolah

Penentuan Kelayakan
Visitasi oleh BAS

Tidak Perbaikan Internal oleh

Layak
Sekolah

Pelaksanaan Visitasi
Oleh Tim Asesor

Penetapan Hasil
Akreditasi oleh BAS

Tidak
Terakreditasi

Penerbitan Hasil
Akreditasi oleh BAS

Gambar 2.2 Mekanisme Pelaksanaan Akreditasi Sekolah (Data diperoleh dari

basdikmendki@yahoo.com, 2007)

13
14
 BAB 3
METODE PENELITIAN

3.1 Alat dan Bahan

Alat:
Alat yang digunakan dalam penelitian ini adalah borang berupa format
isian profil sekolah yang dikeluarkan oleh Dinas Pendidikan Propinsi Jawa Timur
yang berfungsi sebagai alat ukur variabel.
Disamping itu digunakan pula alat bantu analisis berupa komputer
Pentium 4 beserta kelengkapannya.

3.2 Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder dari Dinas
Pendidikan Propinsi Jawa Timur. Data tersebut merupakan data laporan akreditasi
sekolah SMK yang telah terakreditasi sampai dengan tahun 2006. Borang format
profil sekolah yang telah diisi oleh sekolah kemudian dikirimkan kembali kepada
Dinas Pendidikan Propinsi Jawa Timur dengan interpretasi yang bermacam-
macam oleh sekolah karena sumber daya manusia yang berbeda, sehingga data
yang diinginkan kadang tidak terpenuhi.
Ketidak-akuratan data ini bukan disebabkan oleh alat ukur yang digunakan
karena sudah dianggap reliabel, akan tetapi disebabkan oleh keterbatasan sumber
daya manusia yang ada. Sedangkan data sekunder Indeks Pembangunan Manusia
per Kabupaten/Kota didapatkan dari BPS Jawa Timur tahun 2005.
Proses pengambilan data dalam penelitian ini adalah menggunakan data
sekunder mengenai profil sekolah Sekolah Menengah Kejuruan (SMK) yang telah
terakreditasi di Sub Dinas Pendidikan Menengah Kejuruan Dinas Pendidikan
Propinsi Jawa Timur. Sekolah yang mengajukan untuk diakreditasi mengirimkan
profil sekolah ke Dinas Pendidikan Propinsi Jawa Timur yang kemudian akan
diproses sehingga keluar nilai akreditasi sekolah yang bersangkutan.
Untuk penilaian akreditasi Sekolah Menengah Kejuruan (SMK) ini
berbeda dengan Sekolah yang lain seperti SD, SMP ataupun SMA yang cara
penilaian akreditasinya adalah per sekolah, sedangkan penilaian akreditasi untuk

15
SMK adalah per jurusan dalam sekolah tersebut yang mengajukan akreditasi.
Dengan demikian untuk satu sekolah SMK yang mempunyai bermacam-macam
jurusan nilai akreditasi dapat berbeda antar jurusan dalam satu sekolah.
Karena satu sekolah mempunyai jurusan yang lebih dari satu dan
mempunyai nilai akreditasi yang kadang berbeda antar jurusan maka pengambilan
data dalam penelitian ini adalah dengan mengambil jurusan di sekolah tersebut
yang mempunyai nilai akreditasi yang paling besar. Dengan demikian satu
sekolah diwakili oleh jurusan yang mempunyai nilai akreditasi yang paling besar.
Pengambilan data sekolah yang terakreditasi ini hanya diambil dari
sekolah yang mengajukan akreditasi selama tahun 2006 ke Dinas Pendidikan
Propinsi Jawa Timur dan sudah diketahui hasil penilaian akreditasinya. Karena
data yang tersedia adalah sangat jauh dari ideal yang diinginkan peneliti maka
data yang diambil adalah data sekolah yang pengisian pada alat ukur yang lengkap
karena banyak sekali sekolah yang mengisi alat ukur yaitu profil sekolah banyak
yang kosong atau tidak terisi sesuai dengan yang diharapkan. Hal ini dikarenakan
kualitas sumber daya manusia yang berbeda-beda dari setiap sekolah. Dari data
yang ada maka yang dapat diambil oleh peneliti adalah sebanyak 109 sekolah
yang telah terakreditasi yang mengajukan akreditasi selama tahun 2006.

3.3 Variabel Penelitian

Penelitian ini terdapat beberapa variabel yang dipergunakan untuk analisis
regresi logistik ordinal. Sebagai variabel prediktor adalah sebagai berikut :
1. x1 : Status sekolah, ada dua kategori yaitu negeri dan swasta ;

2. x 2 : Lama berdiri sekolah dalam tahun;

3. x3 : Jumlah siswa;

4. x 4 : Jumlah guru;

5. x5 : Jumlah alumni yang diterima setahun terakhir

6. x6 : Status tanah bangunan (1=milik sendiri; 0=menyewa/menumpang)

7. x7 : Jumlah nilai rata-rata Ujian Nasional Sekolah terakhir

16
8. x8 : Indeks Pembangunan Manusia tiap Kabupaten/Kota asal sekolah

Sebagai variabel respon adalah peringkat/status akreditasi SMK (1 – 3)

yaitu C = Cukup (1), B = Baik (2) dan A = Amat baik (3) yang dikeluarkan oleh
Badan Akreditasi Sekolah Propinsi Jawa Timur. Peringkat/status akreditasi
sekolah SMK tersebut adalah sebagai berikut :
1. C = Cukup
2. B = Baik
3. A = Amat baik

3.4 Metode Analisis

Urutan analisis yang dipergunakan dalam penelitian ini berdasarkan tujuan
adalah sebagai berikut :
1. Menentukan nilai estimasi parameter untuk model regresi logistik ordinal
∂ ln L(θ, β) ∂ ln L(θ, β)
a. Mendapatkan turunan pertama = 0, dan = 0,
∂θ j ∂β k

dimana j = 1,2,..., J − 1 dan k = 1,2,..., p

∂ 2 ln L(θ, β) ∂ 2 ln L(θ, β)
b. Mendapatkan turunan kedua dengan < 0, <0
∂θ j ∂β k
2 2

∂ 2 ln L(θ, β)
dan < 0 dimana j = 1,2,..., J − 1 dan k = 1,2,..., p
∂θ∂β
2. Mendapatkan model akreditasi sekolah berdasarkan faktor-faktor yang
terdapat dalam profil sekolah yang meliputi status sekolah yaitu negeri atau
swasta, lama berdiri suatu sekolah pada saat mengajukan akreditasi, jumlah
siswa pada saat mengajukan akreditasi, jumlah guru pada saat mengajukan
akreditasi, jumlah alumni yang diterima di dunia usaha dan industri setahun
terakhir pada saat mengajukan akreditasi, status tanah/bangunan serta jumlah
nilai rata-rata ujian nasional sekolah dengan memperhatikan Indeks
Pembangunan Manusia tiap wilayah asal sekolah SMK yang terakreditasi
dengan langkah-langkah sebagai berikut :
a. Melakukan pengujian hipotesis.
b. Menginterpretasikan model dan mengambil kesimpulan.

17
18
 BAB 4
HASIL DAN PEMBAHASAN

4.1 Estimasi Parameter

Parameter β dapat diestimasi dengan menggunakan metode Maximum
Likelihood Estimation (MLE). Untuk menjelaskan peluang pengamatan sebagai
suatu fungsi dari parameter yang tidak diketahui dapat dibangun dengan suatu
fungsi yang disebut Likelihood function. Untuk memaksimumkan nilai dari fungsi
tersebut digunakan metode Maximum Likelihood Estimation (MLE).
Apabila terdapat suatu sampel random dari distribusi bersama (Y, X)
dimana Y adalah suatu respon ordinal dan X T = ( X 1 , X 2 ,L, X k ) adalah vektor

variabel independen atau covariates. Jika π j (X ) adalah peluang klasifikasi yaitu

Pr (Y = j | X ) dari variabel respon Y dimana j = 1,2,L, J pada nilai

X T = ( X 1 , X 2 ,L, X k ) variabel independen. Sehingga permasalahannya adalah

menghubungkan π T = (π 1 (X ), π 2 (X ),L, π J (X )) pada variabel predictor X.

Jika kategori respon mempunyai urutan atau ordering, maka model logit
yang digunakan adalah cumulative logit models. Model ordinal multiple respon
dalam model logit adalah:
Logit [Pr (Y ≤ j | X )] = θ j + β T X , j = 1,2,L , J − 1

dimana θ adalah vektor parameter intersep dan β T = (β1 , β 2 ,L, β k ) adalah

vektor parameter slope. Jika θ j < θ j +1 maka model ini adalah model kumulative

dengan slope yang sama yaitu model garis regresi yang berdasar pada peluang
kumulatif kategori respon. Jika γ j (X ) = π 1 (X ) + π 2 (X ) + L + π j (X ) , maka:

γ 1 (X ) = π 1 (X ) (4.1)
γ 2 (X ) = π 1 (X ) + π 2 (X ) (4.2)
M
γ J (X ) = π 1 (X ) + π 2 (X ) + L + π J (X ) = 1 (4.3)

19
Jika terdapat J kategori respon maka model logistik ordinal yang terbentuk adalah:

 γ 
logit (γ 1 ) = ln 1  = θ1 + β 1 X1 + β 2 X 2 + L + β k X k (4.4)
1− γ1 

 γ 
logit (γ 2 ) = ln 2  = θ 2 + β1 X1 + β 2 X 2 + L + β k X k (4.5)
1− γ 2 
…
 γ 
logit (γ J −1 ) = ln J −1  = θ J −1 + β 1 X1 + β 2 X 2 + L + β k X k (4.6)
 1 − γ J −1 
θ j +βT X

dimana γ j (X) = π 1 (X) + π 2 (X) + L + π j (X) =

e
θ j +βT X
, j = 1,2,L , J − 1 (4.7)
1+ e

dan γ J =1 . Model ini disebut cumulative logit models sebab odds ratio kejadian

(Y ≤ j ) adalah independen pada setiap indikator kategori.

4.1.1 Fungsi Likelihood

Ketika lebih dari satu observasi Y muncul pada nilai X i , adalah cukup

dengan mencatat jumlah observasi n ji dan jumlah hasil “j” untuk j = 1,2,L , J .

Maka [Yi , i = 1,2,L, n] adalah variabel random multinomial independent

Yi ~ multinomial (n1i , n2i ,L, n Ji ) dengan E (Yi ) = n ji γ j (X i ) dimana

n1i + L + nki = 1 sehingga didapatkan:

R1i = n1i ,

R2i = n1i + n2i

M
R Ji = 1
Karena peluang kumulatif yang digunakan dalam menaksir parameter, maka
likelihood dapat ditulis sebagai perkalian J − 1 kategori, sehingga fungsi padat
peluang bersama dari (Y1 , Y2 ,L, Yn ) adalah sama dengan perkalian n fungsi
multinomial.

20
Fungsi likelihoodnya adalah:

 γ R1i  γ − γ R2i −R1i   γ R2i  γ − γ R3i −R2i 

n
L(θ, β) = ∏ 1i   2i 1i  ×   
2i 3i 2i
 ×L
i=1  γ 2i   γ 2i  γ
  3i   3i  γ 


 γ (J −1)i R( J −1)i  γ Ji −γ (J −1)i RJi −R( J −1)i 

×     
γ
 Ji   γ Ji  
(4.8)

n
ln L(θ, β ) = ∑ {R1i log(γ 1i ) + (R2i − R1i ) ln(γ 2i − γ 1i ) − R2i ln(γ 2i ) +R2i ln(γ 2i ) +
i =1

(R3i − R2i ) ln(γ 3i − γ 2i ) − R3i ln(γ 3i ) + L + R( J −1)i ln(γ ( J −1)i ) +

(R Ji − R ( J −1 )i )ln (γ Ji − γ ( J −1 )i ) − R Ji ln (γ Ji )
n
= ∑{R1i ln(γ 1i ) + (R2i − R1i ) ln(γ 2i − γ 1i ) + (R3i − R2i ) ln(γ 3i − γ 2i ) +L+
i =1

(R Ji − R ( J −1 )i )ln (γ Ji − γ ( J −1 )i )}


n  eθ1+β Xi
T
  θ2 +β Xi eθ1+β Xi
T T

= ∑R1i ln  + (R2i − R1i )ln e − +
i =1 
 1 + eθ1+βT Xi   1 + eθ2 +βT Xi 1 + eθ1+βT Xi 
    

 eθ3 +β Xi   θ( J −1) +β Xi 

T
eθ2 +β Xi
T T

(R3i − R2i )ln θ3+βT Xi − θ2 +βT Xi

  +L+ (RJi − R( J −1)i )ln1− e 
  1+ eθ( J −1) +βT Xi 
1+ e 1+ e   

(4.9)

 eθ2 +β Xi θ1 +β Xi  θ2 +β Xi θ1 +β Xi
T T T T
e e − e
ln  = ln
jika

−
 1 + eθ2 +βT Xi 1 + eθ1 +βT Xi 
 1 + e(
θ2 +βT Xi
1 + e )(
θ1 +βT Xi
)
eβ
T
Xi
(e θ 2 −θ1
)
= ln
(1 + e θ 2 +β Xi
T
)(1 + e θ1 + β T X i
)

21
maka fungsi log-likelihood menjadi:

{ ( ( ))+
n
ln L(θ, β ) = ∑ R1i θ1 + β T X i − ln 1 + eθ1 +β
T
Xi

i =1

(R2i − R1i )(βT Xi + ln(eθ ) (

− eθ1 − ln 1 + eθ2 +β )− ln(1 + e θ1 +βT Xi
))+
T
2 Xi

(R3i − R2i )(βT Xi + ln(eθ 3

− eθ 2 )− ln(1 + e θ 3 + βT X i
)− ln(1 + e θ 2 + βT X i
))+ L +
(
− (1 − R( J −1)i )ln 1 + eθ J −1 +β
T
Xi
)}
(4.10)
Dari fungsi log-likelihood ini kita dapat mendapatkan turunan log L(θ, β ) terhadap
θ dan β sebagai berikut:

∂ ln L n   eθ1 +β Xi   θ1
eθ1 +β Xi 
T T

= ∑ R1i 1 −  + (R2i − R1i ) − e −  (4.11)

∂θ1 i =1 
 1 + eθ1 +βT Xi   eθ2 − eθ1 1 + eθ1 +βT Xi 
    

∂ 2 ln L n  eθ1 +β Xi eθ1 +θ 2

T

= ∑  − R2 i − (R2i − R1i )
∂θ1
2
i =1 
 1 + e (
θ1 + βT X i
)
2
( 2
eθ 2 − eθ1  ) (4.12)

n  
∂ 2 ln L  eθ1 +θ 2
= ∑ (R2i − R1i ) 2
∂θ1∂θ 2 i =1  eθ 2 − eθ1 ( ) 
(4.13)

∂ 2 ln L
=0 dimana j = 3, L , J − 1
∂θ1∂θ j
(4.14)

∂ 2 ln L n  X ji eθ1 +β Xi 
T

= ∑ − R2i
∂θ1∂β j i=1 
 1+ e (
θ1 +βT Xi
 )
2  , j = 2, L , J − 2 (4.15)

 eθu θu +βT Xi   θu θu +βT Xi 

∂lnL n
= ∑{(Rui − R(u−1)i ) θu θu−1 − θ +βTX  + (R(u+1)i − Rui )− θu+1 θu − θ +βTX 
e e e 
∂θu i=1  e −e 1+ e u i   e −e 1+ e u i 
  
(4.16)

22
∂lnL eθu +β Xi
T
eθu +θu−1 eθu +θu+1 
= ∑{−(R(u+1)i − R(u−1)i ) −(Rui − R(u−1)i ) θu θu−1 −(R(u+1)i − Rui )
n

∂θu
2
i=1 (1+e ) θu +βT Xi
2
e −e (
eθu+1 −eθu
2
) 
(4.17)
dimana u = 2,L, J − 2

n  
∂2 ln L eθu +θu−1
= ∑(Rui − R(u−1)i )

2  , u = 2, L , J − 1
∂θu ∂θu−1 i=1  eθu − eθu−1 ( ) 
(4.18)

∂2 lnL
= 0, jika | u − j |≥ 2
∂θu∂θ j
(4.19)

X jieθu +β Xi
T

∂2 ln L n
= ∑{− (R(u+1)i − R(u−1)i )
∂θu β j i=1 1+ eθu +β Xi
T
( 2
) , u = 2, L, J − 2 (4.20)

 eθJ −1 θJ −1+βT Xi   eθJ −1+β Xi 

T
∂lnL n
= ∑{(R( J−1)i − R( J−2)i ) θJ −1 θJ −2 − θ +βTX  −(1− R( J−1)i ) θ +βTX 
e
∂θJ−1 i=1  e −e 1+ e J −1 i  1+ e J −1 i 
  

(4.21)

∂2 lnL n  eθJ−1+θJ−2 eθJ−1+β Xi

T

=∑−(R( J−1)i − R( J−2)i ) −(1− R( J−2)i )
∂θ 2J−1 i=1  θJ −1
e −e ( θJ −2 2
) 1+eθJ−1+β Xi
T
( )
2

(4.22)

X ji eθJ −1 +β Xi 
T

∂ 2 ln L
= ∑{− (1 − R( J −2)i )
n

∂θ J −1∂β j i=1 ( 2
1 + eθJ −1 +β Xi 
T
) (4.23)

∂lnL n   Xuieθ1+β Xi  
T
θ1+βT Xi θ2 +βT Xi 
X e X e
= ∑R1i Xui − + (R2i − R1i )Xui − ui
− ui  +L+
∂βu i=1   1+ eθ +βT
X   1+ eθ +βT
X
1+ eθ +βT
X 
  
1 i 1 i 2 i

 XuieθJ −1+β Xi 
T

(1− R(J−1)i )− θJ−1+βTXi 

 1+ e 
(4.24)

23
∂2 lnL n   XuiXjie 1 i   XuiXjieθ1+βT Xi XuiXjieθ2 +βT Xi 
θ +βT X

= ∑R1i −  + (R − R )− −  +L+

∂βu∂β j i=1   1+ eθ1+β Xi
 
T
 2i 1i 
 (
 1+ e
θ1 +β Xi
T
) (
2
) 2 
1+ eθ2 +β Xi 
T

 XuiXjieθJ −1+βT Xi 

(1− R(J−1)i )− θ +βTX 2 
(
 1+ e
J −1 i
) 

(4.25)
turunan pertama dari log-likelihood : log L(θ, β ) terhadap θ dan β adalah non
linier dalam parameter. Karena non linier maka untuk mendapatkan taksiran
parameter digunakan metode Newton-Raphson dengan iterasi Weighted Least
Square. Untuk mengestimasi varians dan kovarians diperoleh dari turunan kedua
fungsi log-likelihood.
Turunan kedua dari fungsi log likelihood diatas merupakan elemen dari
matriks Hessian. Matrik Hessian berisi model negatif elemen dari matriks Hessian
yang dinyatakan dengan I(β ) = X ' VX = −H(β ) . Selanjutnya metode Newton-
Raphson dengan iterasi Weighted Least Square digunakan untuk mendapatkan
taksiran parameter yaitu sebagai berikut:

β (t +1) = β (t ) − (H (t ) ) r (t )
−1

∂L(β )
dimana r (t ) = dimana a=0,1,...,p dan b=1,2,...,J
∂β ab
Oleh karena estimasi parameter dengan metode Maximum Likelihood
sangat sulit, maka digunakan program komputerisasi yaitu program Minitab 14
untuk mendapatkan nilai-nilai taksiran parameter terhadap model akreditasi SMK.
Disini digunakan α = 10% karena dalam dunia pendidikan tidak lepas dari faktor
sosial yang sulit untuk dikendalikan.

4.2 Penentuan Model Akreditasi SMK Berdasarkan Profil Sekolah

Variabel-variabel yang digunakan dalam penelitian ini adalah sebagai
variabel respon yaitu status akreditasi sekolah yaitu cukup, baik, dan amat baik,
sedangkan sebagai variabel prediktor adalah status sekolah, lama berdiri sekolah,
jumlah siswa terakhir, jumlah guru terakhir, status tanah bangunan, jumlah alumni

24
yang diterima di dunia usaha dan industri, jumlah nilai rata-rata ujian nasional
sekolah terakhir serta indeks pembangunan manusia Kabupaten/Kota asal sekolah
SMK. Penjelasan mengenai variabel-variabel dalam penelitian dapat dilihat pada
Tabel 4.1.
Tabel 4.1 Variabel-variabel dalam penelitian

No Variabel Tipe variabel Kode

1 Variabel Respon (Status Kualitatif

akreditasi) C = Cukup 1
B = Baik 2
A = Amat baik 3
2 Variabel Prediktor:
x1 : Status sekolah Kualitatif:
- Swasta 0
- Negeri 1

x 2 : Lama berdiri Sekolah (tahun) Kuantitatif -

-
x3 : Jumlah siswa terakhir Kuantitatif

x 4 : Jumlah guru terakhir

Kuantitatif -
x5 : Jumlah alumni yang diterima Kuantitatif -
dunia usaha dan industri
setahun terakhir
x6 : Status tanah bangunan Kualitatif:
- Menyewa/menumpang 0
x7 : Jumlah nilai rata-rata Ujian
- Milik sendiri 1
Nasional Sekolah
x8 : Indeks Pembangunan Manusia Kuantitatif -
tiap Kabupaten/Kota asal
sekolah

25
a. Model Akreditasi
Model akreditasi Sekolah Menengah Kejuruan (SMK) merupakan model
logit dari regresi logistik ordinal dengan delapan variabel prediktor dan tiga
kategori respon. Pada Tabel 4.2 dapat dilihat banyaknya sekolah yang masuk
kategori akreditasi.
Tabel 4.2 Informasi respon
No Jenis Akreditasi Jumlah Sekolah
1 C 11
2 B 62
3 A 36

Sekolah yang terakreditasi C atau cukup terdapat 11 sekolah, sekolah yang

terakreditasi B atau baik terdapat 62 sekolah, sedangkan sekolah yang masuk pada
akreditasi A atau amat baik terdapat 36 sekolah. Dengan demikian secara total
terdapat 109 sekolah.
Karena terdapat tiga kategori respon maka model logit yang terbentuk
adalah dua model logit yaitu sebagai berikut:
Tabel 4.3 Estimasi parameter model
Prediktor Koefisien SE Koef
Konstan (1) -0,685519 4,54770
Konstan (2) 3,11173 4,56250
x1 -1,97213 1,39537

x2 -0,0404839 0,0197898

x3 -0,0011422 0,0011318

x4 -0,0427285 0,0196091

x5 0,0014973 0,0057685

x6 -0,490459 0,684865

x7 -0,223848 0,0891472

x8 0,0761840 0,0596407

26
  γ 
Logit (γ 1 ) = log 1  = −0,685519 − 1,97213 x1 − 0,0404839 x 2 − 0,0011422 x3 +
1− γ1 
− 0,0427285 x 4 + 0,0014973 x5 − 0,490459 x6 − 0,223848 x7 + 0,0761840 x8

 γ 
Logit (γ 2 ) = log 2  = 3,11173 − 1,97213 x1 − 0,0404839 x 2 − 0,0011422 x3 +
1− γ 2 
− 0,0427285 x 4 + 0,0014973 x5 − 0,490459 x6 − 0,223848 x7 + 0,0761840 x8

b. Pengujian Signifikansi Model Akreditasi SMK

Uji secara serentak
Untuk pengujian secara serentak, pengujian signifikansi model akreditasi
sekolah SMK menggunakan likelihood ratio test. Hipotesisnya adalah sebagai
berikut:
Hipotesis :
H0 : β=0
H1 : β≠0

Tabel 4.4 Pengujian secara serentak

Log-Likelihood G = 38,330 DF = 8 P-value = 0,00
=-80,926
Goodness-of-Fit Test
Metode Chi-Square DF P
Pearson 174,617 208 0,955
Deviance 161,852 208 0,992
Hubungan Pengukuran
Pasangan Jumlah Persentase Pengukuran
Concordant 2647 80,0 Somers’D = 0,60
Discordant 655 19,8 Goodman-Kruskal Gamma =0,60
Ties 8 0,2 Kendall’s Tau-a = 0,34

Berdasarkan Tabel 4.4 di atas didapatkan nilai statistik uji G sebesar

38,330. Dari nilai p-value = 0,000 yang lebih kecil dari α = 0,1 maka dapat
diambil kesimpulan bahwa dengan pengujian secara serentak model akreditasi

27
sekolah SMK dengan regresi logistik ordinal dengan delapan variabel prediktor
signifikan pada tingkat kepercayaan 90%.
Untuk Goodness of Fit dengan metode Pearson nilai Chi-square = 174,617
sedangkan untuk Deviance adalah sebesar 161,852. Nilai Concordant adalah
sebesar 80%, nilai Discordant adalah sebesar 19,8% dan nilai Ties adalah sebesar
0,2%.

Uji Secara Individu

Dari pengujian secara serentak dapat diketahui bahwa model adalah
signifikan atau tolak H0 yang berarti bahwa minimal ada satu parameter yang
signifikan. Statistik uji yang digunakan untuk uji secara individu adalah uji Wald.
Pengujian ini digunakan untuk mengetahui variabel prediktor yang signifikan
secara individu. Hipotesis yang digunakan adalah:
H0: β k = 0

H1: β k ≠ 0 ; k = 1, 2, ...p
Dari output Minitab 14 didapatkan nilai statistik uji Wald untuk masing-masing
parameter variabel prediktor sebagai berikut:
Tabel 4.5 Statistik Uji Wald untuk pengujian secara individu
Prediktor Koefisien SE Koef Z P Odds Ratio
Konstan (1) -0,685519 4,54770 -0,15 0,880
Konstan (2) 3,11173 4,56250 0,68 0,495
x1 -1,97213 1,39537 -1,41 0,158 0,14

x2 -0,0404839 0,0197898 -2,05 0,041 0,96

x3 -0,0011422 0,0011318 -1,01 0,313 1,00

x4 -0,0427285 0,0196091 -2,18 0,029 0,96

x5 0,0014973 0,0057685 0,26 0,795 1,00

x6 -0,490459 0,684865 -0,72 0,474 0,61

x7 -0,223848 0,0891472 -2,51 0,012 0,80

x8 0,0761840 0,0596407 1,28 0,201 1,08

28
 Dari Tabel 4.5 di atas dapat diketahui bahwa untuk model akreditasi
sekolah SMK untuk variabel prediktor yang signifikan pada tingkat kepercayaan
90% dan berpengaruh pada model adalah lama berdiri sekolah, jumlah guru, dan
jumlah nilai rata-rata Unas sekolah. Sedangkan variabel prediktor yang tidak
signifikan adalah status sekolah, jumlah siswa, jumlah alumni yang diterima di
dunia usaha dan industri, status tanah dan bangunan serta indeks pembangunan
manusia Kabupaten/Kota asal SMK yang terakreditasi.
Variabel prediktor status sekolah yang terdiri atas sekolah negeri dan
swasta, jumlah siswa, jumlah alumni yang diterima di dunia usaha dan industri,
status tanah dan bangunan tidak signifikan pada model dikarenakan pada saat
pengambilan data, sekolah SMK yang mengajukan akreditasi selama tahun 2006
yang terbesar adalah sekolah swasta, hanya beberapa sekolah SMK yang berstatus
negeri yaitu ada 4 sekolah. Sekolah SMK swasta tersebut umumnya mempunyai
keragaman jumlah siswa yang kecil sehingga tidak signifikan dalam model.
Variabel jumlah alumni yang diterima di dunia usaha dan industri juga tidak
signifikan dalam model juga disebabkan keragaman data yang kecil antar sekolah
SMK karena sebagian besar data yang diambil adalah dari sekolah swasta.
Variabel status tanah dan bangunan tidak signifikan dalam model, hal ini
dikarenakan data yang diambil adalah sebagian besar sekolah yang sudah
memiliki tanah dan bangunan sendiri, sedangkan sekolah yang menyewa atau
menumpang hanya sebagian kecil yaitu ada 11 sekolah. Variabel indeks
pembangunan manusia tidak signifikan dalam model, hal disebabkan sekolah-
sekolah yang mengajukan akreditasi selama tahun 2006 berasal dari
Kabupaten/Kota yang mempunyai indeks pembangunan manusia yang hampir
signifikan tidak beda jauh.
Interpretasi model yang terbentuk adalah dengan menggunakan odds rasio.
Nilai odds rasio yang signifikan dalam model berdasarkan Tabel 4.5 adalah
variabel lama berdiri sekolah dengan odds rasio sebesar 0,96, variabel jumlah
guru dengan odds rasio sebesar 0,96, variabel nilai Unas sekolah dengan odds
rasio sebesar 0,8. Odds rasio variabel lama berdiri sekolah adalah sebesar 0,96, ini
dapat diartikan bahwa terdapat 4% peningkatan dalam nilai perbandingan status
sekolah yang lebih tinggi tiap 10 tahun pertambahan lama berdiri sekolah. Odds

29
rasio jumlah guru adalah sebesar 0,96, dapat diartikan bahwa terdapat peningkatan
4% nilai perbandingan status sekolah yang lebih tinggi tiap penambahan 10 0rang
guru. Sedangkan variabel nilai Unas sekolah dengan odds rasio sebesar 0,8, dapat
diartikan bahwa terdapat peningkatan 20% dalam nilai perbandingan status
sekolah yang lebih tinggi tiap penambahan 10 nilai Unas sekolah.

30
 BAB 5
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Berdasarkan hasil analisis data dan pembahasan maka dapat diambil
kesimpulan sebagai berikut:
1. Penaksiran parameter Regresi Logistik Ordinal diperoleh dengan
menggunakan metode penaksiran Maksimum Likelihood. Untuk menjelaskan
peluang pengamatan sebagai suatu fungsi dari parameter yang tidak diketahui
dapat dibangun dengan suatu fungsi yang disebut Likelihood function. Untuk
memaksimumkan nilai dari fungsi tersebut digunakan metode Maximum
Likelihood Estimation (MLE). Fungsi Likelihood adalah sebagai berikut:

 γ R1i  γ − γ R2i −R1i   γ R2i  γ − γ R3i −R2i 

n
L(θ, β) = ∏ 1i   2i 1i  ×   
2i 3i 2i
 ×L
γ
i=1  2i   γ  γ
  3i   3i  γ 
 2i

 γ (J −1)i R( J −1)i  γ Ji −γ (J −1)i RJi −R( J −1)i 

×     
γ
 Ji   γ Ji  
kemudian didapatkan fungsi log-likelihood:

{ ( ( ))+
n
ln L(θ, β ) = ∑ R1i θ1 + β T X i − ln 1 + eθ1 +β
T
Xi

i =1

(R2i − R1i )(βT Xi + ln(eθ ) (

− eθ1 − ln 1 + eθ2 +β )− ln(1 + e
θ1 +βT Xi
))+
T
2 Xi

(R3i − R2i )(βT Xi + ln(eθ 3

− eθ 2 )− ln(1 + e
θ 3 + βT X i
)− ln(1 + e θ 2 + βT X i
))+ L +
(
− (1 − R( J −1) i )ln 1 + eθ J −1 +β
T
Xi
)}
turunan pertama dari log-likelihood : log L(θ, β ) terhadap θ dan β adalah non
linier dalam parameter. Karena non linier maka untuk mendapatkan taksiran
parameter digunakan metode Newton-Raphson dengan iterasi Weighted Least
Square. Akan tetapi metode penaksiran maksimum Likelihood sulit dilakukan

31
 dalam menentukan (θ, β ) awal, sehingga dipergunakan program komputerisasi
minitab 14.
2. Variabel yang signifikan yang berpengaruh terhadap status akreditasi SMK di
Jawa Timur adalah lama berdiri suatu sekolah pada saat mengajukan
akreditasi, jumlah guru pada saat mengajukan akreditasi, serta jumlah nilai
rata-rata ujian nasional sekolah. Model Akreditasi SMK di Jawa Timur dengan
Regresi Logistik Ordinal adalah sebagai berikut:
 γ 
Logit (γ 1 ) = log 1  = −0,685519 − 1,97213 x1 − 0,0404839 x 2 − 0,0011422 x3 +
1− γ1 
− 0,0427285 x 4 + 0,0014973 x5 − 0,490459 x6 − 0,223848 x7 + 0,0761840 x8

 γ 
Logit (γ 2 ) = log 2  = 3,11173 − 1,97213 x1 − 0,0404839 x 2 − 0,0011422 x3 +
1− γ 2 
− 0,0427285 x 4 + 0,0014973 x5 − 0,490459 x6 − 0,223848 x7 + 0,0761840 x8

exp( −0,685519 − 1,97213 x1 − 0,0404839 x 2 − 0,0011422 x3 +

− 0,0427285 x 4 + 0,0014973 x 5 − 0,490459 x 6 − 0,223848 x 7 + 0,0761840 x8
γ 1 = (π 1 ) =
1 + exp( −0,685519 − 1,97213 x1 − 0,0404839 x 2 − 0,0011422 x 3 +
− 0,0427285 x 4 + 0,0014973 x 5 − 0,490459 x 6 − 0,223848 x 7 + 0,0761840 x8

exp( 3,11173 − 1,97213 x1 − 0 , 0404839 x 2 − 0 ,0011422 x 3 +

− 0 ,0427285 x 4 + 0 ,0014973 x 5 − 0 , 490459 x 6 − 0 , 223848 x 7 + 0 ,0761840 x8
γ 2 = (π 1 + π 2 ) =
1 + exp( 3,11173 − 1,97213 x1 − 0 ,0404839 x 2 − 0 ,0011422 x 3 +
− 0 ,0427285 x 4 + 0 , 0014973 x 5 − 0 , 490459 x 6 − 0 , 223848 x 7 + 0 ,07618

π 1 = P(Y=1| X ) menyatakan peluang kategori respon ke-1 atau masuk

kategori C pada p variabel prediktor yang dinyatakan dalam vektor
X
π 2 = P(Y=2| X ) menyatakan peluang kategori respon ke-2 atau masuk
kategori B pada p variabel prediktor yang dinyatakan dalam vektor
X
π 3 = 1 - π 1 - π 2 = P(Y=3| X ) menyatakan peluang kategori respon ke-2
atau masuk kategori A pada p variabel prediktor yang dinyatakan
dalam vektor X

32
5.2 Saran
Berdasarkan kesimpulan diatas maka saran-saran yang dapat disampaikan
adalah bahwa untuk penelitian selanjutnya untuk memodelkan akreditasi
hendaknya dimasukkan variabel lain yang lebih mewakili untuk mengukur
akreditasi SMK di Jawa Timur.

33
 DAFTAR PUSTAKA

Agresti, A., (1990), Categorical Data Analysis, John Wiley & Sons, Inc., New
York.
Antonov, A., (2004), ‘Performance of Modern Techniques for Rating Model
Design’, Master Thesis, Zürich.
Hosmer, D. W., dan Lemeshow, S., (2000), Applied Logistic Regression, John
Wiley & Sons, Inc., New York.
Hyun, S. K.,(2004), “Topics In Ordinal Logistic Regression And Its Applications”,
Dissertation Ph.D.,Texas A&M University.
McCullagh,P., (1980),”Regression models for ordinal data”, Journal of the Royal
Statistical Society, Seri B, No.42, hal. 109-142.
Tim Sekretariat Negara RI (2005), Peraturan Pemerintah Tentang Standar
Nasional Pendidikan, Sekretariat Negara RI, Jakarta.
Wibowo, W., (2002), ‘Perbandingan Hasil Klasifikasi Analisis Diskriminan dan
Regresi Logistik Pada Pengklasifikasian Data Respon Biner’, KAPPA
Vol. 3, No.1, hal 36-45..

34
Lampiran 1
Data Akreditasi SMK di Jawa Timur
No Nama Jurusan SMK x1 x2 x3 x4 x5 x6 x7 x8 Y

1 MEKANIKA SMK 0 18 1647 50 62 1 22.56 67.5 2

TARUNA BAKTI
NGANJUK
2 MEKANIK 0 30 114 30 20 1 21.34 66.0 2
OTOMOTIF SMK
PGRI 1
BANYUWANGI
3 AKUNTANSI SMK 17 0 37 488 25 35 1 20.54 66.0 3
AGUSTUS
BANYUWANGI
4 TATA BOGA SMKN 1 6 232 16 42 1 19.58 69.9 3
2 MAGETAN
5 ADMIN PKT SMK 0 18 127 19 61 1 20.55 70.2 2
MUH. 1
TRENGGALEK
6 MEKANIKA 0 42 277 26 47 1 18.69 68.7 2
OTOMOTIF SMK
CANDA BHIRAWA
PARE KEDIRI
7 AUDIO VIDEO SMK 0 38 312 63 9 1 14.82 73.2 3
GAMALIEL 1 KOTA
KEDIRI
8 MEKANIK 0 8 309 30 18 1 22.47 68.7 2
OTOMOTIF SMK AR
RAHMAH KAB.
KEDIRI
9 TEKNIK LAS SMK 0 6 162 5 27 0 18.51 64.2 2
MA'ARIF PANDAAN
KAB. PASURUAN
10 AKUNTANSI SMK 02 0 8 119 19 8 1 18.71 61.7 1
ISLAM 45 AMBULU
JEMBER
11 TEK KOMPUTER 0 20 261 30 27 1 18.72 64.2 3
JARINGAN SMK
PGRI PANDAAN
PASURUAN
12 TEK PERMESINAN 0 19 100 16 16 1 19.56 69.4 2
SMK TRI SAKTI
KUDU JOMBANG
13 ADMIN PKT SMK 0 20 121 14 15 1 18.45 74.0 1
TPI PORONG
SIDOARJO

35
14 AKUNTANSI SMK 0 20 291 32 77 1 21.52 74.6 3
WACHID HASYIM
SURABAYA
15 TEK MEKANIKA 0 20 108 17 18 1 20.43 60.2 2
OTOMOTIF SMK
PGRI 1
BANGKALAN
16 PENJUALAN SMK 0 6 152 16 16 1 19.06 74.0 1
MA'ARIF NU
PRAMBON
SIDOARJO
17 AEI MAINTENANCE 0 21 91 30 39 1 21.75 74.0 3
REPAIR SMK
PENERB. DHARMA
WIRAWAN
SIDOARJO
18 ADMIN PEKT SMK 0 21 22 17 5 0 18.93 74.6 1
PERDANA 1
SURABAYA
19 PENJUALAN SMK 0 35 471 31 83 1 19.62 67.5 3
PSM WARUJAYENG
NGANJUK
20 ADMIN PKT SMK 0 22 107 27 20 0 19.86 74.6 2
PGRI 7 SURABAYA
21 TEK KOMPUTER 1 10 72 34 28 1 23.78 71.6 2
DAN JARGN SMKN
1 CERME GRESIK
22 TEK KOMP DAN 0 4 117 16 20 1 18.59 71.6 1
JARINGAN SMK
SUNAN AMPEL
MENGANTI GRESIK
23 MEKANIK OTMTF 0 6 188 17 8 0 22.37 70.3 2
SMK SULTAN
AGUNG KEMLAGI
MOJOKERTO
24 TEKNIK LAS SMK 0 22 271 24 0 0 17.55 70.2 2
QOMARUL
HIDAYAH 1 TUGU
KAB. TRENGGALEK
25 MEK OTMOTF SMK 0 13 203 14 64 1 21.69 66.9 3
MAHARDIKA
LAMONGAN
26 PENJUALAN SMK 0 28 245 39 55 1 23.49 64.5 3
PGRI KAB.
LUMAJANG

36
27 AKUNTANSI SMK 0 10 561 65 228 1 21.56 73.2 2
PGRI 3 KOTA
KEDIRI
28 TEK PERMESIN 0 32 538 28 39 1 23.64 66.9 3
SMK MUH 1
KEPANJEN
MALANG
29 AKUNTANSI SMK 0 12 487 39 23 0 21.90 65.2 3
PGRI 6 NGAWI
30 MEKANIK OTMTF 0 23 1251 70 15 1 21.30 66.5 3
SMK PGRI 2
PONOROGO
31 MESIN OTOMTF 0 8 529 38 73 1 21.65 64.2 3
SMK YPM 12
TUBAN
32 TEK. INFORMATIKA 0 5 20 14 20 1 19.74 63.6 2
SMK BIMA
BOJONEGORO
33 MEKANIK OTOMTF 0 38 677 42 70 1 23.73 71.3 3
SMK AHMAD YANI
KOTA
PROBOLINGGO
34 MEKANIK OTOMTF 0 23 213 15 60 1 21.53 70.3 2
SMK PGRI I
SUTOJAYAN KAB.
BLITAR
35 TEK. PERMESINAN 0 10 41 8 21 1 18.45 66.9 2
SMK SANTO YUSUF
CARUBAN MADIUN
36 MEKANIK 0 10 422 50 18 1 19.78 70.5 2
OTOMOTIF SMK
TAMAN SISWA
TULUNGAGUNG
37 AKUNTANSI SMK 0 41 365 49 40 1 22.09 68.1 3
PGRI 1 PACITAN
38 ADMIN PKT SMK 0 30 314 67 47 0 17.43 73.2 2
PGRI 2 KOTA
KEDIRI
39 AKUNTANSI SMK 0 11 82 16 11 1 15.47 63.6 1
MADINATUL ULUM
BOJONEGORO
40 TEK. OTOMOTIF 0 4 63 24 10 1 16.26 61.7 2
SMK NURIS KAB.
JEMBER
41 AKUNTANSI SMK 0 14 267 55 59 1 19.62 67.5 3
PGRI 3 NGANJUK

37
42 NAUTIKA NIAGA 0 6 60 18 33 1 21.89 74.6 2
SMK WIRA
MARITIM
SURABAYA

43 PENJUALAN SMK 0 31 467 37 31 1 18.56 69.4 2

PEMUDA 1
KESAMBEN
JOMBANG
44 MEKANIK 0 8 106 20 12 1 20.22 73.2 2
OTOMOTIF SMK
TAMAN SISWA
KOTA KEDIRI
45 PENJUALAN SMK 0 5 61 17 11 1 17.64 66.9 1
AHMAD YANI
JABUNG KAB.
MALANG
46 MEKANIK 0 23 618 61 188 1 22.56 73.2 2
OTOMOTIF SMK
PGRI 1 MOJOROTO
KOTA KEDIRI
47 PENJUALAN SMK 0 6 76 17 0 1 16.38 65.2 2
MUH. 2
MANTINGAN
NGAWI
48 TEK. OTOMOTIF 0 31 734 47 97 1 18.67 66.0 3
SMK MUH. 2
GENTENG
BANYUWANGI
49 MEKANIK OTOMTIF 0 14 990 39 80 1 20.01 66.0 2
SMK MUH. 6
ROGOJAMPI
BANYUWANGI
50 TATA BUSANA SMK 0 17 40 12 8 0 20.10 70.3 1
PGRI KESAMBEN
KAB BLITAR
51 AKUNTANSI SMK 0 38 145 46 31 1 22.38 69.9 3
MAGETAN 1 KAB.
MAGETAN
52 ADMIN. PKT SMK 0 24 76 29 40 1 18.65 70.2 3
KARYA DHARMA 2
KAB. TRENGGALEK
53 MEKANIK OTOMTF 0 42 397 33 7 1 20.44 64.5 2
SMK YP 17 KAB.
LUMAJANG

38
54 MEKANIK 0 4 166 18 19 1 18.72 65.2 2
OTOMOTIF SMK
WIYATA DHARMA
WALIKUKUN KAB.
NGAWI
55 MESIN PERKAKAS 0 14 56 16 50 1 20.42 74.0 2
SMK DHARMA
WIRAWAN TG.
ANGIN SIDOARJO
56 ADMIN PKT SMK 0 30 115 25 5 1 21.48 71.3 2
SORE KOTA
PROBOLINGGO
57 AKUNTANSI SMK 2 0 21 221 16 28 1 22.86 61.7 3
PANCASILA
JEMBER
58 AKOMODASI 0 14 447 28 39 1 23.49 73.9 3
PERHTLAN SMK
PRAJNAPARAMITA
KOTA MALANG
59 MEKANIK OTMTF 1 7 386 68 35 1 21.56 70.2 3
SMKN 1
TRENGGALEK
60 ADMIN PKT SMK 0 61 307 34 47 1 19.67 73.2 3
PAWYATAN 1 KOTA
KEDIRI
61 AKUNTANSI SMK 0 20 89 18 9 1 20.34 73.2 2
BRAWIJAYA 1
KOTA KEDIRI
62 AKUNTANSI SMK 0 37 171 28 40 1 20.01 74.6 2
PARAMITA KOTA
MOJOKERTO
63 BODI OTOMOTIF 0 5 184 28 33 1 19.83 64.2 2
SMK YAPENAS
GEMPOL KAB.
PASURUAN
64 AKUNTANSI SMK 0 31 464 31 58 1 17.67 74.6 2
TRISILA UNDAAN
SURABAYA
65 ADMIN PRKTRN 0 33 309 25 20 1 13.98 68.1 3
SMK PGRI
DONOROJO
PACITAN
66 INSTALASI LISTRIK 0 11 51 15 12 1 17.76 66.9 2
SMK ISLAM
AHMAD YANI
NGANTANG
MALANG

39
67 PENJUALAN SMK 0 33 427 68 65 1 14.07 75.1 2
YP KOTA BLITAR
68 AKUNTANSI SMK 0 43 255 34 16 1 19.14 73.2 2
PAWYATAN DAHA
2 KOTA KEDIRI
69 AKUNTANSI SMK 0 39 464 43 131 1 21.61 66.0 2
MUH. 1 GENTENG
BANYUWANGI
70 AKUNTANSI SMK 0 15 175 32 17 1 20.84 74.0 3
DARMA SISWA 2
WARU SIDOARJO
71 BISNIS DAN 0 4 137 17 15 1 19.76 70.3 2
MANAJEMEN SMK
ISLAM
PENANGGUNGAN
NGORO KAB.
MOJOKERTO
72 USAHA JASA 0 7 113 15 31 1 22.55 70.3 2
PARIWISATA SMK
PARIWISATA
AIRLANGGA KAB.
MOJOKERTO
73 AKUNTANSI SMK 0 31 660 44 57 1 18.87 70.3 2
PAHLAWAN
MOJOSARI
MOJOKERTO
74 MEKANIKA 0 19 708 47 56 1 14.04 70.3 2
OTOMTF SMK
RADEN PATAH
MOJOSARI
MOJOKERTO
75 TEK. PERMESINAN 0 19 582 47 10 1 20.88 70.3 2
SMK NASIONAL
MOJOSARI KAB.
MOJOKERTO
76 ADMIN PKT SMK 0 19 151 44 12 1 18.03 70.3 2
PGRI SOOKO KAB.
MOJOKERTO
77 MESIN PERKAKAS 0 14 50 17 5 1 15.65 70.3 2
SMK AL ISLAMY
GEDEG KAB.
MOJOKERTO
78 MEKANIK 0 28 60 20 5 1 21.81 70.3 1
OTOMOTF SMK
JAYANEGARA PURI
MOJOKERTO

40
79 TEK LISTRIK INSTL 0 38 267 62 36 1 19.08 71.3 2
SMK AHMAD YANI
MAYANGAN KOTA
PROBOLINGGO

80 AKUNTANSI SMK 0 35 942 54 33 1 20.67 74.0 3

PEMUDA KRIAN
SIDOARJO
81 AKUNTANSI SMK 0 18 129 30 10 1 17.66 74.0 2
DIPONEGORO
SIDOARJO
82 AKUNTANSI SMK 0 21 262 23 25 1 22.47 74.0 2
BUDI UTOMO
PRAMBON
SIDOARJO
83 MEKANIK OTOMTF 0 14 882 51 10 1 21.67 74.0 3
SMK YPM 4 TAMAN
SIDOARJO
84 INSTL. LISTRIK 0 16 109 23 7 1 19.08 74.0 2
SMK PERSATUAN 2
TULANGAN
SIDOARJO
85 AKUNTANSI SMK 0 6 50 17 3 1 15.03 74.0 2
DARUSSALAM
TAMAN SIDOARJO
86 MEKANIK OTMTF 0 12 452 32 65 1 15.50 74.0 3
SMK SENOPATI
SIDOARJO
87 MESIN PERKAKAS 0 33 877 54 221 1 21.57 74.0 3
SMK ANTARTIKA
BUDURAN
SIDOARJO
88 AKUNTANSI SMK 0 16 72 28 2 1 18.78 69.4 2
DARUL ULUM 1
REJOSO
PETERONGAN
JOMBANG
89 MEKANIK 0 14 158 18 72 0 20.83 69.4 2
OTOMOTIF SMK
WINARA JOMBANG
90 PENJUALAN SMK 0 6 151 16 10 1 18.63 69.4 2
AL IHSANI
KESAMBEN
JOMBANG

41
91 TEK. INFORMATIKA 0 11 106 44 20 1 24.21 69.4 3
SMK TELKOM
DARUL ULUM
JOMBANG
92 MEKANIK OTOMTF 0 25 315 58 132 1 20.28 69.4 2
SMK PGRI 2
JOMBANG
93 TEK. PERMESINAN 0 17 766 43 200 1 18.48 69.4 2
SMK DIPONEGORO
PLOSO JOMBANG
94 AKUNTANSI SMK 0 5 94 17 5 1 19.58 69.4 2
MUH. 2 JOGOROTO
JOMBANG
95 AKUNTANSI SMK 0 7 132 21 16 1 27.28 66.9 2
NU 1 SUKODADI
LAMONGAN
96 TEK. KOMP. 1 27 230 57 35 1 23.67 71.4 3
JARINGAN SMKN 1
KOTA PASURUAN
97 AKUNTANSI SMK 0 32 220 60 30 1 24.48 66.9 3
MUH. 1 KAB.
LAMONGAN
98 AKUNTANSI SMK 0 12 487 39 23 0 22.52 65.2 3
PGRI 6 NGAWI
99 ADMIN. PKT SMK 0 21 56 17 8 1 20.00 74.6 1
MANGGALA
SURABAYA
100 MEKANIK OTOMTF 0 45 115 24 26 1 21.50 74.6 3
SMK PGRI 6
SURABAYA
101 MEKANIK OTOMTF 0 14 602 48 100 1 22.26 66.9 3
SMK MUH. 5 BABAT
LAMONGAN
102 ADMIN. PKT SMK 0 15 66 18 5 1 19.66 71.6 2
MUH. 2 GRESIK
103 PENJUALAN SMK 0 22 169 21 36 1 19.32 66.9 2
MAARIF NU PAKIS
KAB. MALANG
104 MEKANIK 0 10 373 37 38 1 23.17 66.9 2
OTOMOTF SMK NU
MIFTAHUL HUDA
KEPANJEN
MALANG
105 ADMIN. PKT SMK 0 14 83 23 8 1 22.23 69.9 2
PANCA BHAKTI
MAGETAN

42
106 MEKANIK OTOMTF 0 16 292 46 119 1 24.63 74.0 3
SMK DARMA SISWA
1 WARU SIDOARJO
107 PENJUALAN SMK 0 20 54 15 10 1 21.69 67.5 1
MUH. 1 BARON
NGANJUK

108 AKUNTANSI SMK 0 22 75 21 25 0 22.81 69.9 2

PGRI KAWEDANAN
MAGETAN
109 AKUNTANSI SMK 0 24 184 29 40 1 21.67 70.2 2
KARYA DHARMA 2
KAB. TRENGGALEK

Keterangan:
Y : Status akreditasi SMK
x1 : Status sekolah
x 2 : Lama berdiri Sekolah (tahun)
x3 : Jumlah siswa terakhir

x 4 : Jumlah guru terakhir

x5 : Status tanah bangunan

x6 : Jumlah alumni yang diterima dunia usaha dan industri setahun terakhir

x7 : Jumlah nilai rata-rata Ujian Nasional Sekolah

x8 : Indeks Pembangunan Manusia tiap Kabupaten/Kota asal sekolah

43
Lampiran 2
Hasil Output Minitab 14
MTB > OLogistic 'AKREDITASI' = STATUS 'LAMA BERDIRI' 'JUMLAH SISWA' &
CONT> 'JUMLAH GURU' 'DITERIMA DU/DI' 'STATUS TANAH' UNAS IPM;
SUBC> Logit;
SUBC> Brief 2.

Ordinal Logistic Regression: AKREDITASI versus STATUS, LAMA BERDIRI,

...

Link Function: Logit

Response Information

Variable Value Count

AKREDITASI 1 11
2 62
3 36
Total 109

Logistic Regression Table

Odds 95% CI
Predictor Coef SE Coef Z P Ratio Lower Upper
Const(1) -0.685519 4.54770 -0.15 0.880
Const(2) 3.11173 4.56250 0.68 0.495
STATUS -1.97213 1.39537 -1.41 0.158 0.14 0.01 2.14
LAMA BERDIRI -0.0404839 0.0197898 -2.05 0.041 0.96 0.92 1.00
JUMLAH SISWA -0.0011422 0.0011318 -1.01 0.313 1.00 1.00 1.00
JUMLAH GURU -0.0427285 0.0196091 -2.18 0.029 0.96 0.92 1.00
DITERIMA DU/DI 0.0014973 0.0057685 0.26 0.795 1.00 0.99 1.01
STATUS TANAH -0.490459 0.684865 -0.72 0.474 0.61 0.16 2.34
UNAS -0.223848 0.0891472 -2.51 0.012 0.80 0.67 0.95
IPM 0.0761840 0.0596407 1.28 0.201 1.08 0.96 1.21

Log-Likelihood = -80.926
Test that all slopes are zero: G = 38.330, DF = 8, P-Value = 0.000

Goodness-of-Fit Tests

Method Chi-Square DF P
Pearson 174.617 208 0.955
Deviance 161.852 208 0.992

Measures of Association:
(Between the Response Variable and Predicted Probabilities)

Pairs Number Percent Summary Measures

Concordant 2647 80.0 Somers' D 0.60
Discordant 655 19.8 Goodman-Kruskal Gamma 0.60
Ties 8 0.2 Kendall's Tau-a 0.34
Total 3310 100.0

MTB > Stop.

44