POHON KLASIFIKASI DAN POHON REGRESI KEBERHASILAN MAHASISWA PASCASARJANA PROGRAM STUDI STATISTIKA IPB Ida Mariati Hutabarat SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2005SURAT PERNYATAAN Dengan ini saya menyatakan bahwa tesis Pohon Klasifikasi dan Pohon Regresi Keberhasilan Mahasiswa Pascasarjana Program Studi Statistika IPB adalah karya saya sendiri dan belum diajukan dalam bentuk apa pun kepada Perguruan tinggi mana pun, Sumber informasi yang berasal stay dikutip dari ‘arya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini. Bogor, Januari 2005 ‘Ida Mariati Hutabarat NRP G325010061ABSTRACT ‘During the last three years, there have been evidence that a number of students of the Graduate School in the Departement of Statistics were unable to fulfil the academics requirements imposed to the students during the first two semester. Hence, it is important to understand factors affecting student's achievement by tracking their undergraduate education background in relation to their academic achievement. ‘These factors can be determined by using regression tree technique. The result showed that occupation, university status and GPA statistics determined the student achievement in the Statistics Program, Students from BHMN university showed superior capability when compared to students from Java non BHMN university and outside Java. Key words : GPA, description statistics, classification tree, regression treePOHON KLASIFIKASI DAN POHON REGRESI KEBERHASILAN MAHASISWA PASCASARJANA PROGRAM STUDI STATISTIKA IPB IDA MARIATI HUTABARAT Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Departemen Statistika SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2005Judul Tesis : Pohon Klasifikasi dan Pohon Regresi Keberhasilan Mahasiswa Pascasarjana Program Studi Statistika IPB Nama + Ida Mariati Hutabarat NRP + G325010061 Program Studi + Statistika Disetujui Komisi Pembimbing “ i\, a Dr. Ir. Khairil Anwar Notodiputro, M.S. Dr. by. Bi M.S. Kewua Anggota Diketahui Dekan Sekolah Pascasarjana Uta Prof. Dr/ir. Syafrida Manuwoto, M.Se 4 Tanggal Ujian : 6 Oktober 2004 Tanggel Lulus: 97 rep 2mPRAKATA Puji dan syukur penulis panjatkan kepada Allah Bapa atas segala rahmat dan karuniaNya sehingga karya ilmiah ini berhasil disclesaikan. Tema yang di Pilih penulis dalam penelitian ini adalah keberhasilan mahasiswa, dengan judul Pohon Klesifikasi dan Pohon Regresi Kebethasilan Mahasiswa Pascasarjana Program Studi Statistika IPB. Terima Kasih penulis ucapkan kepada Bapak Dr. Ir. Khairil Anwar Notodiputro, M.S. dan Bapak Dr. Ir. Bambang Juanda, M.S, selaic pembimbing, teman-teman mabasiswa STK’O1, sera Bepak Sutikno.MSi yang telah memberikan saran dan bentuan, Di samping itu, terima kasib penulis sampaikan ‘kepada Bapak Sukma, Bapak Qodir beserta staf Divisi Akademik Sekolah Pascasarjana IPB, yang telah membantu sclama Pengumpulan data. Ungkapan terima kasih penulis sampaikan kepada suamni tercinta Henrik Simon Sishaan,SE dan kedua anakku tersayang Dessy Rotua Natalina Siahaan dan Fajar Josua Siahaan atas segala doa, kasth sayang dan pengertian yang senantiasa diberikan selama penulis menjalani pendidikan. Ungkapan terima kasih juga penulis sampaikan kepada Ayahanda Pannet Hutabarat, ibunda Tiurma Simanjuntak dan ‘mama Perpetua Manurung serta scfuruh keluarge untuk semua dos dan dukungan yang tiada habisnya_ ‘Semoga karya ifmiah ini bermanfaat. Bogor, Januari 2005 Ida Mariati HutabaratRIWAYAT HIDUP Penulis dilahirkan di Perbaungan pada tanggal 22 April 1972 dari ayah Pannet Hutabarat dan ibu Tiurma Simanjuntak. Penulis merupakan putri pertama dari lima bersaudara, Tahun 1990 penulis [ulus dari SMA Negeri Perdagangan dan pada tahun yang sama lulus seleksi masuk USU melalui jalur UMPTN. Penulis memilih Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam: Penulis menikah dengan Henrik Simon Siahaan, SE pada tahun 1996 dan saat ini telah dikaruniai dua orang putera bemama Dessy Rotua Natalina Siahaan dan Fajar Josua Siahaan, Pada tahun 1996, pennlis bekerja sebagai staf pengajar di Program studi Matematika Fakultas Keguruan dan IImu Pendidikan Universitas cenderawasih dan sejak tahun 2000 dialihkan ke Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Pada tahun 2001, penulis memperoleh kesempatan untuk melanjutkan pendidikan Program Magister Sains di Departemen Statistika Institut Pertanian ‘Bogor dengan biaya dari BPPS.DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN PENDAHULUAN Latar Belakang ‘Tojuan dan Manfaat Penelitian TINJAUAN PUSTAKA Program Magister Sains Statistika IPB Penelitian Tingkat Keberhasilan Mahasiswa S2 IPB Metode Berstruktur Pohon ‘Metode CART DATA DAN METODE Metode Analisis BASIL DAN PEMBAHASAN KESIMPULAN DAN SARAN Kesimpufan Saran DAFTAR PUSTAKA DAFTAR LAMPIRANDAFTAR TABEL ‘Halaman 1. NMR Mahasiswa yang tidak Memenuhi Persyaratan . “ 2. Karakteristik Kelompok NMR Mahasiswa $2 Statistika SPs IPB 3. Karakteristik Kelompok Masa Studi Mahasiswa $2 STK SPs IPB 4. Karakteristik Kelompok Peringkat Kelas Mahasiswa 2 ‘Statistika SPs IPBx ae aene Pengelompokan Mahasiswa Bedasarkan Status Perkawinan pada tiap DAFTAR GAMBAR Halaman Diagram Pohon oo Sebaran Nilai NMR $2 Pie Chart Nilai NMR $2 Sebaran Masa Studi $2 Pie Chart Masa Studi $2 fone pee Pengelompokan Mahasiswa Bedasarkan Jenis Kelamin pada tiap Kelompok Nilai NMR S2 dan Masa Studi S2 22 2 Kelompok Nilai NMR S2 dan Masa Studi S2 23 8. Pengelompokan Mahasiswa Bedasarkan Usia pada tiap ‘Kelompok Nilai NMR 32 dan Masa Studi $2 24 9. Pengelompokan Mahasiswa Bedasarkan Jenis Pekerjaan pada tiap Kelompok Nilai NMR S2 dan Masa Studi $2 o.oo. ccceesssccsnee 28 10. Pengelompokan Mahasiswa Bedasarkan Latar Belakang Perguruan Tinggi $1 pada tiap Kelompok Nilai NMR $2 dan Masa StudiS2_., 26 11. Pengelompokan Mahasiswa Bedasarkan program Studi pada tiap ‘Kelompok Nilai NMR S2 dan Masa Studi S2 fest OT 12. Pengelompokan Mahasiswa Bedasarkan NMR $1 pada tiap Kelompok Nilai NMR S2 dan Masa Studi S20... 28 13. Pengelompokan Mahasiswa Bedasarkan NMR STK Si pada tiap Kelompok Nilai NMR S2 dan Masa Studi $2 29 14, Pengelompokan Mahasiswa Bedasarkan NMR MAT S1 pada tiap Kelompok Nilai NMR $2 dan Masa Studi $2... oes cccssscesscee 30 15, Plot RY (x-val Relative Error) Peubah Respon NMR $2 30 16, Pohon Regresi Optimum untuk Peubah Respon NMR $2 ~ Bl 17. Plot R (x-val Relaive Error) Peubah Respon Masa Studi$2 33 18. Pohon Regresi Optimum untuk Peubah Respon Masa Studi $2 33 19. Plot R (x-val Relative Error) Peubsh Respon Peringkat Kelas 35 . Pohon Regresi Optimum untuk Peubah Respon Peringkat Kelas 35DAFTAR LAMPIRAN Halaman 1. Data Mahasiswa S2 Statistika Tahun Ajaran 1991-2002 41 2a. Pengelompokan Mahasiswa Berdasarkan Jenis Kelamin pada ‘Tiap Kelompok Nilai NMR $2 46 2b, Pengelompokan Mahasiswa Berdasarkan Jenis Kelamin pada Tiap Kelompok Masa Studi $2... siccieteeteetneece sec 46 3a. Pengelompokan Mahasiswa Berdasarkan Status Perkawinan pada Tiap Kelompok Nilai NMR $2... sees 46 3b. Pengelompokan Mahasiswa Berdasarkan Status Perkawinan pada Tiap Kelompok Masa Studi $2 sceeeeers eset 46 4, Pengelompokan Mahasiswa Berdasarkan Usia pada Tiap Kelompok Nilai NMR S2 47 ‘4b. Pengelompokan Mahasiswa Berdasarkan Usia pada Tiap Kelompok Masa Studi $2... . vse AT 5a, Pengelompokan Mahasiswa Berdasarkan Jenis Pekerjaan pada Tiap Kelompok Nilai NMR S2 sess ae 47 3b. Pengelompokan Mahasiswa Rerdasarkan Jenis Pekerjaan pada ‘Tiap Kelompok Masa Studi $2 seve 47 6a, Pengelompokan Mahasiswa Bedasarkan Latar Belakang Perguruan ‘Tinggi S1 pada tiap Kelompok Nilai NMR $2... 4B 6b. Pengelompokan Mahasiswa Bedasarkan Latar Belakang Perguruan Tinggi S1 pada tiap Kelompok Masa Studi S2__. sce AB 7a, Pengelompokan Makasiswa Bedasarkan program Studi pada tiap Kelompok Nilai NMR S2 oe ven 48 7, Pengelompokan Mahasiswa Bedasarkan program Studi pada tiap Kelompok Masa Studi $20 o.oo cece vee 4B 8a. Pengelompokan Mahasiswa Bedasarkan NMR SI pada tiap Kelompok Nilai NMR S2 seen stentnese 49 8b. Pengetompokan Mahasiswa Bedasarkan NMR SI pada tiap Kelompok Masa Studi $2 499a, Pengelompokan Mahasiswa Bedasarkan NMR STK SI pada 9. 10a, Pengelompokan Mabasiswa Bedasarkan NMR MAT $1 pada 10, Pep asin ian MATSI ih 12 13. ‘Tiap Kelompok Nilai NMR $2 Pengelompokan Mahasiswa Bedasarkan NMR STK SI pada Tiap Kelompok Mase Studi $2 Tiap Kelompok Nilai NMR $2 Tiap Kelompok Masa Studi $2 . Tabel Tree Sequence untuk Peubah Respon NMR S2 Tabel Tree Sequence untuk Peubah Respon Masa Studi Tabel Tree Sequence untuk Peubah Respon Peringkat Kelas 49 49PENDAHULUAN Latar Belakang : Institut Pertanian Bogor merupakan salah satu universitas terkemuka di Indonesia yang menyelenggarakan pendidikan pascasarjana sejak tahun 1975, Dari hanya tujuh program studi yang dibuka tahun itu, salah satunya adalah Program studi Statistika Terapan, sekarang berkembang menjadi 35 program studi Magister Sains (S2). Program-program studi tersebut dirancang secara ‘husus untuk menumbubkan dan meningkatkan kemampuan para mahasiswa untuk berprestasi lebih baik dalam hidupnya, baik untuk pribadinya, keluarga dan ‘masyarakat, negara, serta untuk sesama umat manusia (IPB, 2001) Penerimaan mahasiswa baru di Sekolah Pascasarjana IPB dilakukan berdasarkan penilaian transkrip dan indikator Jain seperti akreditasi, status perguruan tinggi dan kesesuaian bidang studi selama pendidikan sarjana dan atau pasca sarjana, Kelemahan penilaian transkrip ini adalah sangat beragamnya kualitas Julusan sarjana meskipun nilai transkripnya sama, Hal ini disebabkan kkarena fasilitas pendidikan di perguruan tinggi yang ada di Indonesia belum ‘merata dan memadai terutama dosen, laboratorium dan buku-buku di perpustakan, Calon mahasiswa yang masuk ke program studi Statistika adalah fulusan St Statistika/Matematika, atau Kependidikan yang berlatar belakang Matematika dan Statistika dari berbagai Perguruan Tinggi yang ada di Indonesia, dan ada juga yang bukan lufusan Statistika/Matematika. Bagi ‘mahasiswa yang memiliki latar belakang yang kurang di bidang Matematika dan Statistika diharuskan mengambil beberapa mata kuliah program studi S1 yang dianggap perlu sebagai prasyarat di semester I (satu).Seorang mahasiswa pada program Magister Sains harus mempertahankan NMR (Nilai Mutu Rata-rata) tidak kurang dari 3,00 pada selurch mata kuliah yang ditempuhnya. Apabila pada akhir semester I (dua) seorang mahasiswa tidak dapat mempertahankan NMR tersebut di atas, tidak diizinkan meneruskan pendidikannya di SPsIPB. Untuk mahasiswa yang diterima dengan status percobaan, NMR tersebut diatas harus dapat dipertabankan pada akhir semester I. Jika tidak, maka tidak diizinkan meneruskan pendidikannya di SPs— IPB. Pada program studi Statistika, selama 3 tahun terakhir ini, untuk dua semester pertama selalu terdapat mahasiswa yang tidak sanggup memenuhi Persyaratan yang telah ditetapkan oleh sekolah pascasarjana (SPs) seperti yang terlihat pada Tabel 1 di bawah ini. Tabel 1. NMR Mahasiswa Program Studi Statistika yang Tidak Memenuhi Persyaratan Tahun. Tndeks Prestasi Masuk | Mahasiswa | SooT [Semi] NMR 2000 T 2,50 |] 2,50 (keluary 2 293 | 250 | 2.67 3 283 | 3,00 [292 4 317 | 2.75 | 2.96 5 250 | 2:50 | 250 2001 t 3,33 | 2.63 [298 2 3,00 | 2,63 | 2,82 3 250 | 2,00 | 2:25 (keluar) 4 233 | | 2/33 (pindah Ps) $ 2,35 | 2,88 | 2.62 (pindah PS) 6 250 | - | 2's0 (eluas) 2002 T 3,00 | Zae 2,94 2 267 | = | 2,67 (ketuar) 3 2,00 | - | 2'00 (pindah PS) 4 283 | - | 2/83 (keluar) 5 283 | 283/298 6 3a | 283 7 20 (ketuar) Sumber : Divisi Akademik Sekolah Pascasarjana IPBDari Tabel 1 terfihat bahwa untuk angkatan 2000 yang tidak memenuhi Persyaratan sebesar 25% dari 20 orang, angkatan 2001 sebesar 30% dari 20 orang dan untuk angkatan 2002 yang tidak memenuhi persyaratan sebesar 31% dari 22 orang. Persyaratan umum yang diterapkan tersebut menuntut kualifikasi mahasiswa yang unggul di dalam proses pendidikan selama $2. Dalam hal ini diperlukan pemilihan mahasiswa yang tepat, sehingga menjadi penting untuk mengeiahui faktor-foktor yang mempengaruhi keberbasilan mahasiswa, yaitu dengan menelusuri latar belakeng pendidikan S1 dan prestasi akademik mahasiswa selama di $1. Tajuan dan Manfaat Penelitian Penelitian ini bertujuan untuk mengetahui faktor-faktor penciti yang ‘berpengaruh terhadap keberhasilan mahasiswa Program studi Statistika Sekolah Pascasarjana IPB, dengan cara membuat model pohon regresi. Manfeat dari hasil Penelitian imi dibarapkan dapat memberikan gambaran atau petunjuk bagi langkah Selanjutnya dalam penyefeksian calon mahasiswa baru di Sekolah Pascasarjana IPB khususnya program studi Statistika guna lebih meningkatkan mutu dan kualitas Julusan, serta untuk kelancaran studi di IPB.TINJAUAN PUSTAKA Program Magister Sains Statistika IPB Pendidikan Pascasarjana Program Studi Statistika berfujuan untuk ‘menghasilkan tenaga ahli statistika yang berkemampuan dalam hal-hal berikut (IPB, 2001) : @ Merancang suatu percobaan atau survey pada penelitian dalam berbagai bidang ilmu untuk memperoleh keterangan yang diperlukan secara efisien. b, Menganalisis data yang diperolch secara Kuantitatif, menafsirkan dan menarik kesimpulan dari hasil enalisis tersebut. ©. Menerjemahkan permasalaban dalam suatu bidang ilmu kedalam bahasa statistika, dan sebaliknya menerjemahkan hasil analisis dan kesimpulan ‘yang ditarik secara statistika ke dalam bahasa imu yang bersangkutan, d Mengikuti program pendidikan doktor dalam bidang statistika atau bidang imu Iainnya yang memerlukan penguasaan metode kuantitatif yang kuat. Untuk menyclesaikan program Magister Sains jumlah SKS minimal yang harus dipenuhi adalah 39 SKS yang terdiri dari; kuliah 31 SKS, Kolokium 1 SKS, Seminar I SKS, dan Penulisan Tesis 6 SKS. Mata kuliah yang harus diambil oleh mahasiswa program studi Statistika IPB terbagi dalam mata kuliah wajib dan mata kuliah pilihan. Mata kuliah wajib terdiri dari Bahasa Inggris, Analisis Statistika, Ruang Vektor dan Matriks, Komputasi Statistik, Hitung Peluang, Analisis Regresi Terapan, Teori Statistik dan Model Linier. Mahasiswa yang mengikuti mata kuliah Bahasa Inggris dinyatakan Iulus hanya jika memperoleh nilai minimum B, nilai initidak dihitung dalam perhitungan nilai mutu rata-rata, tetapi SKS tetap diperhitungkan pada beban penyelesaian studi program Magister (S2), Mahasiswa lulusan jurusan Statistika IPB tidak boleh mengambil mata feutiah Analisis Statistika untuk pemenuban Kredit. Mata kuliah pilihan metiputi mata kuliah piliban Statistika dan mata kuliah pilihan diluar Statistika. Mata kuliah pilihan Statistika yang ditawarkan terdiri dari Analisis Data Kategorik, Perancangan Percobsan, Analisis Peubah Ganda, Teori Penarikan Contoh, Analisis Deret Waktu, Metode Pengendalian Mutu. Penelitian Tingkat Keberbasilan Mahasiswa S2 IPB Hasil penelitian tentang tingkat keberhasilan mabasiswa $2 IPB adalah sebagai berikut : 1. Mabasiswa dengan latar belakang program $1 Statistika cenderung mempunyai NMR untuk semua mata ajaran selama S2(NMR $2) yang lebih tinggi dibandingkan dengan mahasiswa yang berasal dari program studi lainnya, Berdasarkan asal Perguruan Tingginya, mahasiswa yang Perguruan tingginya berasal dari Jawa 1 (ITB, IPB, UGM dan UD) memiliki NMR S2 dan NMR mata gjaran wajib Statistika $2 lebih tinggi dibandingkan mahasiswa yang berasal dari Jawa 2 dan Luar Jawa NMR S2 > 3,50 dan mata ajaran wajib Statistika di $2 > 3,50 dua kali lebih berpeluang bisa dicapai oleh mahasiswa yang mempunyai NMR $1 23,00 dan nilai Statistika di $1 2 3,00 dibandingkan mahasiswa yang mempunyai NMR S1 dan Nitai Statistika < 3,00, (Made, 2002)2. Tingkat Keberhasilan mahasiswa S2 IPB berdasarkan nilai NMR S2 di Pengaruhi oleh empat faktor yaitu usia, nilai NMR S1, jenis pekerjaan, dan status perguruan tinggi $1. Sedangkan masa studi $2 dipengaruhi oleh empat faktor yaitu jenis Kelamin, status perkawinan, nilai NMR SI, dan jenis pekerjaan. (Thoha, 2003 ) Hasil dari penelitian di atas menjadi acuan dalam penelitian ini untuk menentukan peubah yang diduga berpengaruh terhadap keberhasilan mahasiswa dalam menyelesaikan studi, yang mana nantinya akan digunakan dalam Penyeleksian calon mahasiswa baru di Sekolah Pascasarjana IPB. khususnya Program studi Statistika. ‘Metode Berstruktur Pohon Penggunaan metode berstruktur pohon telah menyebar luas diberbagai bidang dalam beberapa tahun terakhir. Bidang terapan yang menggunakan metode tersebut antara lain riset pemasaran (dalam hal segmentasi pasar), kedokteran (untuk diagnosis), ilmu komputer (untuk menyelidii struktur data), botani (dalam hal Kissifikasi), psikologi (teori pengambilan keputusan) dan linguistik (Faridhan 2003). Metode berstruktur pohon dapat dibagi kedalam dua kelompok, yaitu metode yang menghasilkan pohon klasifikesi dan pohon regresi. Kedua metode tersebut berbeda dalam penggunaannya, di mana metode pohon klasifikasi ditujukan untuk pemodelan peubah respon kategorik, sedangkan metode pohon regresi bagi peubah respon kontinu. Pada metode ini pengaruh peubah penjelas Serta pendugaan respon dilakukan pada kelompok-kelompok pengamatan yangditentukan berdasarkan peubah-peubah penjelas, schingga interpretasi hasil dari metode ini lebih mudah dilakukan . “ Struktur pohon pada metode ini diperolch metalui suatu algoritma Penyekatan rekursif terhadap ruang penjelas X. Metode penyekatan tersebut dimmulai dengan menyekat peubah penjelas menjadi dua anak gugus yang disebut simpul (node). Sclanjutnya anak gugus ini diseket lagi menjadi dua anak gugus yang baru. Penyekatan ini diulang sampai diperoleh sekatan-sckatan yang berdasarkan aturan tertentu tidak dapat disekat lebih lanjut. Sckatan akhir yang ihasilkan disebut simpul akhir (terminal node), sedangkan sekatan yang masih mungkin disekat lebih lanjut dinamakan simpul dalam (nonterminal node). Hasil dari proses penyekatan ini dipresentasikan dalam svatu struktur pohon seperti ‘terlihat dalam Gambar 1 (Breiman et al. 1993). Lewis (2000) menyebut simpul asal sebagai simpul induk (parent node); ‘simpul induk dapat disckat menjadi simpul anak tambahan (additional children node). Struktur pohon memiliki satu simpul akar (pada Gambar 1 dinyatakan dengan ti) yang mengandung semua gugus data. Pada Gambar 1, simput dalam dilambangkan dengan lingkaran sedangkan simpul akhir dilambangkan dengan Persegi. Dugan respon dilakukan pada semua simpul akhir (pada Gambar I dinyatakan dengan ts, ts, t, ts dan t),Gambar 1, Diagram Pohon Metode CART Metode CART (Classification and Regression Tree) merupakan suatu metode pohon regresi yang relatif lebih banyak digunakan oleh para peneliti CART memiliki beberapa keunggulan dalam mengeksplorasi struktur data yang Kompleks. CART dapat digunakan untuk menganalisis bubungan kausal antara Peubah respon dan peubah penjelas yang dapat terdiri dari peubah nominal, ordinal maupun kontinu. CART menggunakan pendekatan exhaustive search (greedy search) dalam mengindentifikasi splitting (penyekatan) untuk semua kemungkinan, sehingga CART dapat mencari semua kemungkinan peubah sebagai splitter (penyekat), walaupun prediktor yang digunakan banyak sekali, CART juga mempunyai kemampuan untuk menangani masalah missing variable, Keuntungan lainnya, hasil analisis dengan metode CART relatif lebih mudah untuk dtinterpretasikan terutama bagi pengguna yang bukan statistisi, Namundemikian, pendekstan greedy search mempunyai kelemahan yaitu dapat ‘menghasilkan bias dalam seleksi peubah (Doyle 1973, diacu dalam Loh 2002). Berikut ini akan dipaparken mengenai proses pembentukan pohon Mlasifikasi dan pohon regresi dan kriteria atau ukuran yang digunakamnya, 1), Pohon Klasifikasi, Misalkan (X,Y) adalah peubah acak dengan XeR' dan Ye¢=f12,...J}. Xtersusun dari vector penjelas atau X = (X,,X;,..X,), Y merupakan label Kelas, dan / adalah banyaknya kelas. Tujuan dari metode ‘clasifikasi berstruktur pohon adalah untuk menduga nilai Y berdasarkan nilai ¥ yang diketahui. Menurut Breiman et al, (1993) pembentukan pohon klasifikasi ‘memertukan empat komponen, yaitu: 1. Aturan penyekatan setiap simpul 2. Penandaan label kelas 3. Ukuran yang digunakan untuk menentukan ukuran pohon yang layak (right sized tree). 4. Penentuan nilai dugaan respon bagi setiap simpul akhir, Aturan Penyekatan, Masalah pertama dalam pembentukan pohon adalah bagaimana menggunakan Learning Sample 1° untak menentukan penyekat Diner bagi # menjadi himpunan bagian-himpunan bagizn yang semakin kecil.. Ide paling mendasar adalah memilih masing-masing penyekat dari setiap himpunan agian sehingga setiap himpunan ¢ atau himpunan bagian turunan menjadi lebih homogen dibanding dengan Aimpunan bagian induknya. Breiman et al, (1993) telah mengimplementasikan ide ini dalam cara berikut :1, Definisikan fuungsi keheterogenan suatu simpul oleh : )= pd... oJ}, w yang memenuhi sifat-sifat berikut : a = 4(P,,P2.-4P;) terdefinisi pada himpunan selurah J -pasangan L terurut (P),25,-2,) yang memenuhi $*p,=1 dan O< p, <, a FA NRyrogd b. g20 ©. @hanya mencapai nilai maksimum pada (1/J\I//,....1/J) yaitu ketika ‘memuat amatan-amatan dari seluruh kelss secara seimbang, 4. @hanya mencapai nilai minimum pada (1.0,...,0)(0,1,....0)(0,0,1,...,0), ---0,0,0,0,...,1) yaitu ketika hanya memuat amatan-amatan yang berasal dari satu Kelas. ©. # cokung sekali £. @ suatu fungsi simetrik 2. Penyekatan dimulai dari ruang umum dengan cara memerikss nilai-nilai dari suatu peubah penjelas. Jenis-jenis peubah terdiri atas a, peubah numerik, jika hasil pengukuran bernilai bilangan real. b. peubah kategorik, jika hasil pengukuran mengambil nilai-nilai dalam +himpunan berhingga Pengndaan Label Kelas. Misalkan bahwa pohon 7 telah dibentuk ‘menggunakan date dalam J Pada masing-masing simpul 1 € 7’, nyatakanlah PA)= N(\/ NING = jumiah data anggota 1 yang memenubi x, « AC); p(¢)merupakan dugnan dari peluang P(x, < A()) berdasar J”. Nyatakanlah penduga dari P(Y = |X & AC) berdasar Z° oleh Ai) NAQN(O, 12... 14,0) adalah jumlah dain anggota L® yang memenuhi x, € 4() dan y, = j) Penentuan Ukuran Pohon yang Layak Pohon klasifikasi yang telah dibentuk ‘tidak dibatasi ukurannya sehingga mungkin saja dihasifkan pohon yang begita kompicks dalam menggambarkan dat Hal ini disebabkan oleh proses Pembentuken pohon yang kriteria penghentiannya berdasarkan proporsi tingkat kehomogenan simpul akhir terhadap simpul utama atau banyak objek pada simput akhir. ‘Suara fungsi penilaian ukuran sebuah pohon tanpa mengorbankan kebaikan kecocokan melalui Pengurangan simpul pohon sehingga dicapai Penghematan gambaran dikenal dengan istilah pemangkasan (pruning), Setelah pohon klasifikasi 7 dibentuk, amatan-amatan dalam Z) melewati pohon tezsebul, Proporsi amatan yang mengalami kesalahan pengklasifikasian merupakan penduga pengganti yaitu ; A) = ES Hdl.) i) @) i mana () adalah suatu fungsi indikator berbentuk : a) {Sia ema 4i dalam tanda kurung benar 0, jika permyataan di dalam tanda kurung satah Pohon klasifikasi yang berukuran terbesar akan memberikan nilai pendupa Pengganti paling kecil sehinnga kita akan selalu cenderung menjadikan pohon ini ‘untuk memprakirakan nilai respon. Terdapat dua jenis penduga pengganti yaita12 Penduga Contoh Uji (test sample estimate) dan Penduga Validasi Silang Lipat-V (cross validations ¥-fold estimate) (Breiman et al. (1993) Metode pertama adalah fest sample estimate R"(T). Amatan-amatan dalam L°) dibagi menjadi dua bimpunan £, dan L,. L, digunakan untuk membentuk sekuen pohon 7, sedanglan 2, digunakan untuk menduga R(T) Jika N, adalah jumtah amatan,, maka test sample estimate adalah : R= Fr Seles) 8) Pohon Klasifikasi yang terbaik (optimum) adalah 7*, yang memenuhi kriteria : R(T 4)=mink“,) @ Untuk membentuk cross-validation estimate R(T) dengan V-fold, amatan indukZ® dibagi secara acak menjadi V kelompok, yakni [,,L,...,1, yang berukuran sama untuk setisp kelasnya. Untuk setiap v, v=/,2, _,V, bentuklah pohon 7) menggunakan 1°)—7,, yaitu amatan-amatan dalam 1° selain di Z, dan misatkan d(x) adalah pengklasifikasian yang dihasilkan, Karena tidaksatupun amatan di dalam Z,diguaakan dalam pembentukan 7°), cross-validation estimate R(T") adalah : Wasa in) © dimana N, = N/V adalah jumlah amatan dalam Z,. Kemudian gunakan kembali Prosedur yang sama, bentuk pengklasifikasian d menggunakan seluruh 1°) maka cross-validation estimate adalahrat See) © Pohon klasifikasi yang terbaik (optimum) adalah T*, yang memeauhi kriteria : R(r*)= mink) a” Penentuan nilai dugaan respon bagi setiap simpol akhir. Nilai dugaan respon ada masing-masing kelompok pengamatan yang dihasilkan adalah berdasarkan Aturan jumlah terbenyak, yaitu jikapljle)= max lf) am yang ‘memberikan nilai dugaan kesalahan pengklasifikasian pada simpul ¢ paling kecil sebesar 1— pj(0)t). 2), Pohon Regresi. Seperti halnya metode regresi biasa dengrn p peubah penjelas Xi, 2, ., %, dan satu peubah respon yang kontinu ¥, di sini juga digunakan notasi-notasi yang sama, Menurut Breiman et al. (1993) pembentukan pohon regresi memerlukan empat komponen, yaitu : 1. Aturan penyekatan setiap simpul 2. Kriteria goodness-ofsplic #(s.t) yang merupakan alat evaluasi bagi Penyekatan yang dilakukan oleh penyekat (split) s pada simpul t, 3. Ukuran yang digunakan untuk menentukan ukuran pohon yang layak (right sized tree), 4. Penentuan nilai dugaan respon bagi setiap simpul akhir. ‘Aturan Penyekatan. Pohon regresi dibentuk melalui penyekatan data pada tsp simpul ke dalam dua simpul anak. Aturan penyekatannya adalah sebagai berikut :4 1. Tiap penyekatan tergantung pada nilai yang hanya berasal dari satu peubah penjelas. 2. Untuk peubsh kontinu Xj, penyekatan yang diperbolehkan adalah X; <¢ untuk ¢ 6 R', di mana ¢ adalah nilai tengah antara dua nilai amatan peubah 4; berurwian yang berbeda. Jadi jika X; mempunyai n nilai yang berbeda ‘maka akan terdapat sebanyak-banyaknya n-1 penyekatan, 3. Untuk peubah penjelas kategorik, penyckatan yang terjadi berasal dari semua kemungkinan penyekatan berdasarkan terbentuknya dua anak ‘gugus yang saling lepas (disjoint). Jika peubah X; merupakan peubah kategorik nominal dengan L kategori, maka akan ada 2'~' — 1 penyekatan, sedangkan jika berupa peubah kategorik ordinal, make akan ada L-t Penyckatan yang mungkin. Aturan Growing dan Kriteria Goodness-of-Split$(st) . Pohon regresi dibentuk dengan penyekatan yang rekursif berdasarkan kriteria tertentu Proses penyekatan dilakukan pada tiap simpul dengan cara sebagai berikut : 1. Cari semua kemungkinan penyekatan pada tiap peubah penjelas. 2. Pilih “penyekatan terbaik” dari masing-masing peubah penjelas dan pilih “penyekatan terbaik” dari “kumpulan penyekatan terbaik” tersebut. “Penyekatan terbaik” adalah penyekatan yang memaksimumkan ukuran kchomogenan di dalam masing-masing simpul anak relative terhadap simpul induknya dan yang memaksimumkan ukuran _pemisahan (Separation) antara dua simpul anak tersebut,Jumlah Kuadrat Sisaan digunakan sebagai kriteria kehomogenan di dalam masing-masing simpul. Misalkan, simpul ¢ berisi anak contoh (X,,¥,)}, n(?) adalah banyaknya amatan dalam simpul ¢ dan ratean respon dalam simpul t adalah ¥@= we" © tmaka Jumlah Kuadrat Sisaan di dalam simpul t adalah : veSt)= 5h, -FO © Misalkan ada penyekatan s yang menyekat ¢ menjadi simpul anak kiri £, dan simpul anak kanan fq. Fungsi penyekatan yang digunakan adalah : 65,1) = JKS(0)~ URS(C, + JKC) (10) dan penyekat terbaik s° adalah : As*,)= maxds,) a dengan Q adalah gugus yang berisi semua kemungkinan penyekatan. Pohon regresi dibentuk melalui penyekatan simpul secara rekursif yang memaksimumkan fungsig di atas. Penyekatan tersebut dihentikan tatkala banyaknya amatan dalam simpul tersebut berjumlah “tertentu” atau pada saat nilai @ lebih kecit dari suatu nilai ambang (treshold). Pemilihan aturan penghentian ini tentu saja akan berpengaruh pada ukuran pohon akhir yang terbentuk. Breiman et al. (1993) menetapkan banyaknya amatan pada simput akhir kurang atau sama dengan 5 sedangkan menunit Schmoor et al. (1993), menetapkan banyak amatan kurang dari 25 amatan dalam Kudus, (1999).Penentuan Ukaran Pohon yang Layak Pohon yang dibentuk dengan aturan splitting atau growing di ates berukuran sangat besar. Hal ini karena aturan penghentian (stopping rule) yang digunakan hanya berdasarkan banyaknya amatan pada simpul akhir atau besamya peningkatan tingkat kehomogenan. Lebi banyak penyekatan yang dilakukan mengakibatkan makin kecilnya tingkat kesalahan prediksi, Hal tersebut terjadi karena simpul akhir bisa hanya berisi satu amatan, Masalahnya adalah bagaimana menentukan ukuran pobon yang layak, Pohon yang besar bisa menimbulkan dugaan adanya overfitting. Sebaliknya, kkasus widerfitting tetjadi karena tidak adanya penyckatan lebih lanjut akibat adanya tetapan ambang ¢ (s’t) , padahal sebenarnya penyekatan yang terjadi adalah layak. Cara mengatasi masalah ini adalah mencari pobon dengan ukuran yang layak. Pencarian pohon dengan ukuran yang layak dilakukan dengan (1) penentuan pohon awal yang besar, (2) secare iteratif pohon tersebut dipangkas (runing) menjadi sekuen pobon yang makin kecil dan tersarang dan (3) dipilih pohon terbaik dari sekuen ini dengan menggunakan penduga contoh uji (test sample estimate) atau penduga validasi silang (cross validation estimate). ‘Untuk mendapatkan ‘est sample estimate R“(T), amatan dibagi dua secara acak menjadi learning sample 1, dan test sample Ly. L, digunakan untuk membentuk sekuen pohon {7,} melalui proses pemangkasan, sedangkan L, digunakan untuk membentuk R"(7,). Jika L, berukuran n;, maka “(7, = + — ial PG) Tb. Aelh 2)7 di mana ,(z,) adalah dugaan respon dari amatan ke-n pada pohon ke-k Pohon yang tebaik adalah Tjy, yang memenui kriteria R“(Tyq)= min R*(7,) <3) ‘Untuk membentuk cross-validation estimate R(T) dengan V-fold, amatan induk Z yang berukuran n dibagi secara acak menjadi kelompok, yakni Ly,Zzy.., yang berukuran sama, Learnig sample ke-v adalah LE” =L-L,, v-1,2,...V yang digunakan untuk membentuk sekuen pohon {f,} dan sekuen parameter complexity (c). Jadi terdapat v sekuen {7,} dan v seknen (a,). Kemudian gunakan amatan induk untuk membentuk sekuen 7} dan (a,). Definisikan a', = fara... Tika $;"(x,) adalah dugaan respon dari amatan ke-n pada pohon yang bersesuaian dengan a‘, yang dibentuk oleh Learnig sample ke-v, maka RATS Th. He an Pohon yang terbaik adalah 7,,, yang memenuhi kriteria : Ry nin R™ (T,) as) Cross-validation estimate dengan 10-fold, menghasilkan resubstitution estimate yang paling kecil (Breiman ct ai_,1993). ir. Nilai dugaan respon pada masing-masing kelompok pengamatan yang dihasilkan adalah rataan Penentuan nilai dugaan respon bagi setiap simpul al responnya,DATA DAN METODE Data yang digunakan dalam penelitian ini adalah data mabasiswa S2 Program Studi Statistika IPB angkatan 1991 sampai dengan 2002 yaitu berjumlah 148 mahasiswa Dari jumlah ini 124 (83,78%) berhasil tamat dan 24 (16,22 %) dikeluarkan (dropt out). Mahasiswa yang tertera pada Tabel 1 diikutsertakan dalam analisis yaitu termasuk mahasiswa yang tidak berhasil. Bagi mahasiswa yang tidak dikefuarkan sampai saat ini masih ada yang aktif kuliah sebanyak 6 orang dan yang sudah berhasil tamat 3 orang. Data diperoleh dari Divisi Akademik Sekolah Pascasarjana IPB. Proses pengambilan data berlangsung selama 4 bulan, ‘Ada 3 (tiga) peubah respon yang digunakan yaitu Nilai Mutu Rata-rata (NMR) 82, masa studi $2 dan peringkat kelas yang dilihat dari Indikator Kinerja (IK), Indikator kinerja diperoteh dari selisih Nilai Mura Rata-rata (NMR) S2 dengan masa studi yang ditempuh setelah masing-masing terlebih dahulu distandarisasi dengan cara mengurangi nitai indikator tersebut dengan rata-ratanya kemudian dibagi dengan simpangan bakunya. KK =2me Zu sun imana (16) Kemudian hasil indikator kinerja tersebut dibagi menjadi 3 kelompok selang di dalam pembagian peringkat kelas.Kelompok peringkat kelas adalah . Kelas 1 (baik), jika IK21 2. Kelas2(cukup), jika -1 36 bulan yaituMasa Sudl sebesar 44%, pada kelompok selang 31 ~ 36 bulan sebesar 24% dan sisanya sebesar 16% pada kelompok selang < 24 bulari dan 24— 30 bulan (Gambar 5), Gambar 4. Sebaran Masa Studi $2 Gambar 5, Pie Chart Masa Studi S2 Deskripsi Mabasiswa Berdasarkan Jenis Kelamin Berdasarkan jenis kelaminnya, persentase laki-laki lebih besar (51,35%) daripada perempuan (48,65%). Persentase perempuan yang mencapai nilai NMR 'S2 pada selang 3,00 — 3,24 lebih besar (34,72%) dibandingkan laki-laki (26,32%) dan untuk nilai NMR S2 3,50 — 3,74 persentase laki-laki lebih besar (22,37%) dibandingkan perempuan (9,72%). Percent | fe is : “900 900-924 32549 3503.74 975.400 NMR S2 Masa Studi “eben 7630. 1-98-38 en Tanihaki * Pervmpana. [= Toki laki = Perempane Gambar 6. Pengelompokan Mahasiswa Berdasarkan Jenis Kelamin pada Tiap Kelompok Nilai NMR S2 (kiri) dan Masa Studi S2 (kanan)23 Dalam hal ini juga perempuan mempunyai kecenderungan lebih lama (47,22 %) untuk menyelesaikan masa studi $2 (>36 bulan) dibandingkan laki-laki (40,79 %) (Gambar 6 ). Deskripsi Mahasiswa Berdasarkan Status Perkawinan Sebagian besar (69,75 %) mahasiswa yang menempuh studi S2 Statistika IPB berstatus sudah kawin. Persentase mahasiswa yang belum kawin ternyata lebih besar datam mencapai nilai NMR S2 3,00 - 3,24 sebesar 32,61 % dibandingkan yang sudah kawin (29,41 %). Akan tetapi mahasiswa yang sudah kawin memiliki kecenderungan lebih lama (46,07 %) menyelesaikan masa studi ‘82 (36 bulan) dibandingkan yang belum kawin (39,13 %) (Gambar 7). Percent 190 300524 376340 360.974 275-400 ‘NMR S2 [> Kawi [= Kawin = Bokawin Gambar 7, Pengelompokan Mahasiswa Berdasarkan Status Perkawinan pada Tiap Kelompok Nilai NMR S2 (kiri) dan Masa Studi S2 (kanan)4 dalam tiga kelompok usia, yaitu usia < 33 tahun, 33 ~ 49 tahun dan > 49 tahun. Pembagian ini berdasarkan teori Lavinson dkk dalam Thoha (2003) yang menyebutkan bahwa usia < 33 tahun merupakan masa pencarian jati diri di mana ‘orang mengakui dirinya sendiri serta dunia yang dimasukinya dan berusaha untuk membentuk struktur kehidupan yang stabil. Sedangkan usia 33 — 49 tahun merupakan masa di mana orang dengan kenyakinan yang mantap menemukan tempatnya dalam masyarakat, Sedangkan usia > 49 tahun merupakan permulaan ‘masa dewasa madya, di mana orang akan mulai menata kembali hidupnya. Rata-raia usia mahasiswa ketika masuk S2 Statistika IPB adalah 30,08 tahun. Sebesar 72,97% mahasiswa $2 berusia < 33 tahun, 26,35% berusia 33-49 tahun dan sisanya hanya sebesar 0,68 % berusia >49 tahun. Percent “200 300324 338300 350374 378400 NMR 52 G3 tahun * 33-8 tahen >19 hue Gambar & Pengelompokan Mahasiswa Berdasarkan Usia pada Tiap Kelompok Nilai NMR S2 (kiri) dan Masa Studi S2 (kanan)24 Deskripsi Mahasiswa Berdasarkan Usia Scluruh mahasiswa yang terpilih sebagai unit penelitian ini terbagi ke dalam tiga kelompok usia, yaitu usia < 33 tahun, 33 - 49 tahun dan > 49 tahun. Pembagian ini berdasarkan teori Lavinson dkk dalam Thoha (2003) yang menyebutkan bahwa usia < 33 tahun merupakan masa pencarian jati diri di mana ‘orang mengakui dirinya sendiri serta dunia yang dimasukinya dan berusaha untuk membentuk struktur kehidupan yang stabil. Sedangkan usia 33 — 49 tahun merupakan masa di mana orang dengan kenyakinan yang mantap menemukan tempatnya dalam masyerakat. Sedangkan usia > 49 tahun merupakan permulaan ‘masa dewasa madya, di mana orang akan mulai menata kembali hidupaya, ‘Rata-rata usia mahasiswa ketika masuk S2 Statistika IPB adalah 30,08 tahun, Sebesar 72,97% mahasiswa S2 berusia < 33 tahun, 26,35% berusia 33 — 49 tahun dan sisanya hanya sebesar 0,68 % berusia >49 tahun. & Perssnt Percent Me ea 909 300326 325240 3503.4 375420 eee rerenm ert (NMR S2 Maa Sted a9 [> Gb tahae © 100 taken 249 than ferry So rahue Gambar 8 Pengelompokan Mahasiswa Berdssarkan Usia pada Tiap Kelompok Nilai NMR S2 (kiri) dan Masa Studi S2 (kanan)25 Gambar 8 Menunjukkan bahwa persentase mahasiswa S2 Statistika berusia > 49 tahun yang mencapai nilai NMR S2 3,00 - 3,24 lebih besar dibandingkan mahasiswa berusia <49 tahun. Usia mahasiswa yang semakin tua ‘tidak menunjukkan semakin lama menyelesaikan studi S2. Persentase mahasiswa berusia > 49 tahun yang menyclesaikan masa studi $2 24 - 30 bulan lebih besar dibandingkan mahasiswa berusia < 49 tahun. Deskripsi Mahasiswa Berdasarkan Jenis Pekerjaan. Berdasarkan jenis pekerjaannya, mahasiswa yang bekerja sebagai dosen mempunyai persentase yang jauh lebih besar, yaitu sebesar 86,49% dibandingkan mahasiswa sebagai peneliti (1,35%), dan 12,16% sebagai tenaga lainnya. Pada Gambar 9 terlibat bahwa mahasiswa yang bekerja sebagai tenaga jainnya (bukan dosen maupun peneliti) memiliki persentase cukup besar mengalami kegagalan dalam menempuh studi S2 di program studi statistika IPB. Mase Stadt = Dosen = Penelitt Taine Gambar 9. Pengelompokan Mahasiswa Berdasarkan Jenis Pekerjaan pada ‘Tiap Kelompok Nilai NMR S2 (kiri) dan Masa Studi S2 (kanan)Deskripsi Mahasiswa Berdasarkan Latar Belakang Perguruan Tinggi SI Mahasiswa $2 Statistika SPs IPB berasal dari berbagai perguruan tinggi di Indonesia yang terbagi ke dalam tiga kelompok perguruan tinggi yaitu BHMN, Jawa Non BHMN dan Luar Jawa. BHMN adalah Perguruan Tinggi yang memiliki otonomi kampus, maksudnya memiliki otonomi dalam pengolahan lembaganya sebagai pusat penyelenggara pendidikan tinggi dan dianggap sebagai perguruan tinggi pembina, sehingga secara kualitas memang berbeda dengan perguruan tinggi yang lain, terdiri dari mahasiswa UL, IPB, ITB dan UGM. Pada Gambar 10 menunjukkan bahwa mahasiswa yang berasal dari perguruan tinggi Jawa non BHMN dan Luar Jawa memiliki persentase terbesar dalam pencapaian nilai NMR S2 3,00- 3,24 yang masing-masing sebesar 44,74% dan 46,51%. Perguruan tinggi yang BHMN tidak menunjukken semakin cepat menyelesaikan studi $2. Peroont Percent 00 30020 328348 340976 375400 NMR s2 Masa Studi (ES: Kine ter] Gambar 10. Peagelompokan Mahasiswa Berdasarkan Later Belakang Perguruan Tinggi Si pada Tiap Kelompok Nitsi NMR S2 (kiri) dan Masa Studi S2 (kaman)27 Deskripsi Mahasiswa Berdasarkan Program Studi Si Mahasiswa S2 Statistika SPs IPB berasal dari Program Studi Statistika, Matematika, Pendidikan Matematika dan lainnya (Pertanian, Kehutanan, Iimu tanah, dll). Berdasarkan program studi S1 menunjukkan bahwa mabasiswa yang berasal dari program studi Pendidikan Matematika dan program studi lainnya memiliki persentase terbesar dalam pencapaian nilai NMR S2 3,00 — 3,24 (masing-masing sebesar 52,38% dan 50%) dan juga dalam menyelesaikan masa studi relatif lebih lama (masing-masing sebesar 52,38% dan 50%). Hal ini mungkin disebabkan antara fain oleh latar belakang yang kurang di bidang ‘matematika dan statistika (Gambar 11) Masa Studi Tanke MAT RMATS talenga [FSnce Mat FMats tease] MRS? Gambar 11. Pengelompokan Mahasiswa Berdasarkan Program Studi S1 pada Tiap Kelompok Nilai NMR S2 (kiri) dan Masa Studi S2 (kanan)28 Deskripsi Mahasiswa Berdasarkan NMR S1 Frekuensi NMR S1 menurut tiga kelompok selang adalah sebagian besar (53,38%) nilai NMR S1 < 3,00, kemudian diikuti nilai NMR S1 pada selang 3,00 — 3,24 sebesar 28,38%, dan nilai NMR > 3,24 sebesar 18,24%. Mahasiswa dengan nilai NMR $1 > 3,24 memiliki persentase lebih besar dalam mencapai nilai NMR S2 3,50 — 3,74 sebesar 33,33%, sedangkan mahasiswa dengan nilai NMR $1 < 3,24 memiliki persentase lebih besar dalam mencapai nilai NMR S2 < 3,50. Nilai NMR S] tidak mempengaruhi cepat atau Jamanya dalam menyelesaikan studi S2 (Gambar 12). Percent Percent 200 300924 925-348 390-974 975-400 NMR 82 Masa Stat hanena Tan anion a] Gambar 12, Peagelompokan Mahasiswa Berdasarkan NMR SI pada Tiap Kelompok Nitai NMR S2 (kiri) dan Masa Studi S2 (kanan) Deskripsi Mahasiswa Berdasarkan NMR STK S1 Frekuensi NMR STK SI menurut tiga kelompok selang adalah 43,45% nilai NMR STK SI < 3,00 , 26,21% nilai NMR STK S1 pada selang 3,00 - 3,24 , dan sebesar 30,34%, untuk nilai NMR STK > 3,24.29 Mahasiswa dengan nilai NMR STK S1 > 3,00 memiliki persentase lebih besar (36,84% untuk nilai NMR STK S1 pada selang 3,00 - 3,24 dan 38,64% untuk nilai NMR STK S1 > 3,24), dalam mencapai nilai NMR S2_pada selang 3,00-3,24. Nilai NMR STK SI tidak mempengaruhi masa studi S2 (Gambar 13). Persent Gambar 13. Pengelompokan Mahasiswa Berdasarkan NMR STK SI pada Tiap Kelompok Nilai NMR S2 (kiri) dan Masa Studi S2 (kanan) Deskripsi Mahasiswa Berdasarkan NMR MAT St Frekuensi NMR MAT $1 menurut tiga kelompok selang adalah sebagian besar (57,24%) nilai NMR MAT S1 < 3,00, kemudian diikuti nilai NMR MA SI pada selang 3,00 3,24 sebesar 22,76%, dan nilai NMR MAT SI > 3,24 scbesar 20% ‘Mahasiswa dengan nilai NMR MAT Si > 3,24 memiliki persentase lebih besar dalam mencapai nilai NMR S2 pada selang 3,50 — 3,74 dan mahasiswa dengan nilai NMR MAT SI < 3,00 memiliki persentase lebih besar dalammencapai nilai NMR $2 pada selang 3,25 - 3,49. Nilai NMR MAT S1 tidak mempengaruhi masa studi $2 (Gambar 14). Percent “athe ete SS Mase Stud [e 38 [F<300 » 300-324 «> 324 Gambar 14, Pengelompokan Mahasiswa Berdasarkan NMR MAT S1 pada Tiap Kelompok Nilai NMR S2 (kiri) dan Masa Studi S2 (kanan) Pohon Regresi Untuk Peubah Respon NMR S2 Pada tahap awai dihasiTkan pohon maksimal berukuran 22 simpul terminal. Kernudian melalui pemangkasan berdasarkan aturan Cost Complexity Minimum dan penggunaan validasi Silang lipat-10 (10-fold Cross Validation) dengan nilai R® (x-val Relative Error) terkecil sebesar 0,89, diperoleh pohon optimum (Gambar 15). 42 0.89 Relative Cost A w 4. £09 3 08 0% 3 70 15 20 25 Number of Nodes Gambar 15. Plot R (x-val Relative Error) Peubah Respon NMR S231 Pohon ini mengandung enam buah simpul terminal dengan tingkat ketepatan pengklasifikasian amatan sebesar 72,46% (Gambar 16). Hasil validasi model dengan menggunakan data baru sebanyak 10 mahasiswa diperoleh tingkat ketepatan 60% dan 40% berada di atas selang. Gambar 16. Pohon regresi Optimum Peubah Respon NMR S2 Peubah penjelas yang pertama menyekat adalah asal perguruan tinggi S1. Sehingga peubah ini merupakan peubah dominan. Peubsh yang lain yang muncul adalah peubah NMR S1, NMR STK, NMR MAT, dan pekerjaan. Tabel 2. memperlihatkan karakteristik kelompok pengamatan yang terbentuk berdasarkan Gambar 16 di atas. Terlihat bahwa kelompok mahasiswa yang berasal dari Perguruan Tinggi BHMN, NMR S1>2,69, NMR MATS 3,73 merupakan kelompok dengan NMR S2 tertinggi, sedangkan untuk kelompok mahasiswa yang berasal dari Perguruan Tinggi BHMN, NMR S1<2,69 serta pekerjaan bukan dosen maupun peneliti dan kelompok mahasiswa yang berasal dari Perguruan Tinggi Jawa Non BHMN atau Luar Jawa, NMR STK<2,6132 merupakan kelompok mahasiswa yang diprediksikan akan mengalami kegagalan (DO), Pada simpul akhir 4 dan simpul akhir 5 terlihat bahwa mahasiswa yang memitiki NMR MATS 3,73 memiliki rata-rata NMR S2 lebih tinggi dibandingkan mahasiswa yang memiliki NMR MAT > 3,73. Kesimpulan ini terlihat agak ane, hal ini terjadi karena mahasiswa yang memiliki NMR MAT > 3,73 temyata sebagian besar berasal dari program studi selain statistika dan ‘matematika,di mana satuan kredit yang dambil mata ajaran matematika tidaklebih dari 10% saja. Tabel 2. Karakteristik Kelompok NMR Mabasiswa S2 Statistike SPs IPB Dugaan ae Kel. | N NMR 82 Peubah Penciri 1 | 6 | 265 | Asal PT Jawa Non BEMN atau Luar Jawa, NMR STK s 2,61 Asal PT Jawa Non BHMN atau Luar Jawa, NMR 2 bi 3.8 STK >2,61 3 5 2,70 Asal PT. BHMN, NMR Si < 2,69 dan pekerjaan Jainnya (bukan dosen maupun peneliti) a har ( 320 | Ast PI. BEIMN, NMR SI < 2,69 dan pekegjaan a dosen maupun peneliti 3 | a2 | 352. | Asal PT. BHMN, NMR ST > 2,69, dan NMR MAT * £373 Asal PT. BHMN, NMR S$! > 2,69, dan NMR MAT 6 5 3,11 3373 Pohon Regresi Untuk Peubah Respon Masa Studi $2 Pada tahap awal dihasitkan pohon maksimal berukuran 22 simpul terminal, Kemudian melalui pemangkasan berdasarkan aturan Cost Complexity Minimum dan penggunaan validasi Silang lipat-10 (10-fold Cross Validation) dengan nilai R™ (x-val Relative Error) tetkecil sebesar 1,15, diperolch pohon optimum33 (Gambar 17). Pohon ini mengandung fima buah simpul terminal dengan tingkat ketepatan pengklasifikasian amatan sebesar 65,21% (Gambar 18). Relative Cost 1.15 76 Number of Nodes Gambar 17. Plot R™ (x-val Relative Error) Peubah Respon Masa Studi S2 Hasil validasi model dengan menggunakan data baru sebanyak 10 mahasiswa diperoich tingkat ketepatan 50%, 20% berada di bawah selang dan 40% berada di atas selang. Gambar 18. Pohon Regresi Optimum Peubah Respon Masa Studi S2 Peubah penjelas yang pertama menyekat adalah jenis pekerjaan. Sehingga peubah ini merupakan peubah dominan. Peubah yang lain yang muncul adalah peubah asal Program studi S1, Asal Perguruan Tinggi dan NMR STK.Tabel 3. memperlibatkan karakteristik kelompok pengamatan yang terbentuk berdasarkan Gambar 18 di atas. Terlihat bahwa kelompok mahasiswa yang bukan sebagai dosen maupun peneliti, dan berasal dari program studi Matematika, Pendidikan Matematika dan Program studi lainnya serta kelompok mahasiswa yang bekerja sebagai dosen maupun peneliti, berasal dari Perguruan Tinggi Jawa non BHMN atau Luar Jawa serta NMR STK < 2,61 merupakan kelompok mahasiswa yang diprediksikan akan mengalami kegagalan (DO). Tabel 3. Karakteristik Kelompok Masa Studi Mahasiswa $2 STK SPs IPB Kel. | N Duggan Masa Peubah Penciri Pekerjaan bukan dosen maupun peneliti, dan asal 1} 8 13,50 | program studi matematika, Pendidikan matematika dan P studi lainnya, Pekerjaan bukan dosen maupun peneliti, dan asal 2110 | 2780 | program studi Statistika. 316 18,00 __ | Pekerjaan dosen maupun penelit, asal PT Jawa non BHMN dan Luar Jawa dan NMR STK < 2,610. 2 | 64] 33,67 | Pekerjaan dosen maupun penelit, asal PT Jawa i non BHMN dan Luar Jawa dan NMR STK > 2,610, 5_| 50 | 36,58 | Pekerjaan_dosen maupun peneliti, asal PT BEIMN Pohon Regresi Untuk Peubah Respon Peringkat Kelas Pada tahap awal dihasilkan pohon maksimat berukuran {7 simpul terminal. Kemudian melalui pemangkasan berdasarkan aturan Cost Complexity Minimum dan penggunaan validasi Silang lipat-10 (70-fold Cross Validation) dengan nilai R™ (-val Relative Error) terkecil sebesar 0,75, diperolch pohon optimum (Gambar 19). Pohon ini mengandung lima buah simpul terminal dengan tingkat ketepatan pengklasifikasian amatan sebesar 62,32% (Gambar 20). Hasil validasi35 ‘model dengan menggunakan data baru sebanyak 10 mahasiswa diperolch tingkat ketepatan 50%, 1 0.75 Relative Cost Bo. 86 07 & 0g 10 15 20 Number of Nodes Gambar 19. Plot R (x-val Relative Error) Peubah Respon Peringkat Keias Gambar 20. Pohon Regresi Optimum Peubah Respon Peringkat Kelas Peubah penjelas yang pertama menyekat adalah jenis pekerjaan. Sehingga peubah ini merupakan peubah dominan. Peubah yang lain yang muncul adalah Asal Perguruan Tinggi , NMR SI dan NMR STK. Tabel 4 memperlihatkan karakteristik kelompok pengamatan yang terbentuk berdasarkan Gambar 20 di atas. Terlihat bahwa kelompok mahasiswa36 sebagai dosen maupun peneliti , berasal dari Perguruan Tinggi BHMN dan NMR. $1 > 2,85 merupakan kelompok mahasiswa yang kelas 1 ( baik). ‘Tabel 4. Karakteristik kelompok Peringkat Kelas mahasiswa S2 STK IPB Kel. N Dugaan Kelas Peubah Penciri 1 18 5 Pekerjaan bukan dosen maupun peneliti 2 21 2 ?Pekerjaan dosen maupun peneliti, asal PT BHMN dan NMR 81. < 2,85 29 1 Pekerjaan dosen maupun penelid, asal PT BHMN dan NMR S1 > 2,85 6 4 Pekerjaan dosen maupun peneliti, asal PT Jawa Non BHMN atau Luar Jawa dan NMR STK < 2.61 64 3 Pekerjaan dosen maupun peneliti, asal PT Jawa Non BHMN atau Luar Jawa, NMR STK > 2,61 Dari ketiga pohon regresi di atas, terlihat bahwa jenis pekerjasn, asal perguruan tinggi dan NMR STK muncul sebagai peubah yang diduga berpengaruh terhadap keberhasilan mahasiswa S2 Statistika SPs IPB. Mahasiswa yang bukan dosen dan peneliti kemungkinannya lebih besar mengalami kegagalan dalam ‘menempuh studi S2 di program studi Statistika IPB. Mahasiswa yang berasal dari perguruan tinggi BHMN lebih unggul dibandingkan mahasiswa yang berasal dari perguruan tinggi Jawa non BHMN dan Luar Jawa,KESIMPULAN DAN SARAN Kesimpulan Kajian ini menunjukkan bahwa keberhasilan mahasiswa statistika IPB dipengaruhi oleh status perguruan tinggi, NMR pendidikan $1, NMR mata kuliah Matematika selama pendidikan S1, serta jenis pekerjaan mabasiswa, Sccara lebih rinci keberhasilan mahasiswa statistika dapat dideskripsikan sebagai berikut : 1. Kelompok mahasiswa dengan NMR S2 tertinggi yaitu mahasiswa yang erasal dari Perguruan Tinggi BHMN, NMR SI>2,69, dan NMR MAT < 3,73. Mahasiswa yang memiliki NMR MAT > 3,73 umumnya berasal dari Program Studi non Matematika / Statistika, 2. Berdasarkan pohon regresi NMR S2 terdapat dua kelompok mahasiswa yang terbentuk dengan dugaan rata-rata NMR S2 < 3,00 atau DO yaitu : 1). Kelompok mahasiswa yang berasal dari Perguruan Tinggi BHMN, NMR. SI < 2,69 serta pekerjaan bukan dosen maupun penelit. 2), Kelompok mahasiswa yang berasal dari Perguruan Tinggi Jawa Non BHMN dan Luar Jawa, NMR STK < 2,61. 3. Berdasarkan pohon regresi masa studi S2 terdapat dua kelompok mahasiswa yang terbentuk dengan dugaan rata-rata masa studinya < 3 semester (Do) yaitu: 1). Kelompok mahasiswa yang bukan sebagai dosen maupun peneliti, dan berasal dari program studi Matematika, Pendidikan Matematika dan Program studi lainnya.38 2), Kelompok mahasiswa yang bekerja sebagai dosen maupun peneliti, asal PT Jawa non BHMN dan Luar Jawa dan NMR STK s 2,61. 4. Pohon regresi juga menunjukkan bahwa mahasiswa yang tergolong bethasil dengan baik adalah kelompok mahasiswa yang bekerja sebagai dosen ‘maupun peneliti, berasal dari perguruan tinggi BHMN dan NMR SI > 2,85, 5. Kelompok mahasiswa yang cenderung gagal (dropt out) adalah : 1), Kelompok mahasiswa yang bukan sebagai dosen maupun peneliti 2). Kelompok mahasiswa yang bekerja sebagai dosen maupun peneliti asal PT Jawa non BHMN dan Luar Jawa , NMR STK < 2,61. Saran Dari pohon regresi yang diperoleh disarankan untuk menyeleksi ‘mahasiswa baru dengan memperhatikan peubah-peubah yang berpengaruh untuk ‘menghasilkan mutu lulusan yang baik, Mahasiswa yang diterima di Program Studi Statistika SPs IPB yang diprediksikan berhasil menyelesaikan studi adalah mahasiswa yang pekerjaannya sebagai dosen atau peneliti, memiliki NMR S1 > 2,69 bagi mahasiswa yang berasal dari perguruan tinggi BHMN dan memiliki NMR STK Si > 2,61 bagi mahasiswa yang berasal dari perguruan tinggi Jawa non BHMN dan Luar Jawa. Penelitian ini mengkaji sisi input (masukan) dari suatu sistem pendidikan, Penelitian lebih Janjut dari sisi proses belajar mengajar diperlukan untuk mempetajari bagaimana keberhasilan mahasiswa jika dikaitkan dengan proses pembelajarannya. © Apakah dengan input yang tetap, perbaikan proses pembelajaran dapat meningkatkan keberhasilan mahasiswa S2 Statistika IPB?DAFTAR PUSTAKA Breiman, L. J. H. Friedman, R. A. Alshen, and C. J. Stone. 1993. Classification ‘and Regression Trees. Chapman and Hall, New York Faridhan Y.E. 2003. Metode Klasiftkasi Berstruktur Pohon Dengan Algoritma Cruise, Quest, dan Chaid (Tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. IPB. 2001. Katalog Program Pascasarjana IPB. Bogor: Institut Pertanian Bogor. Kudus, A. 1999. Penerapan Metode Regresi Berstruktur Pohon pada Pendugaan Masa Rawat Kelahiran Bayi (Studi Kasus di Rumah Sakit Hasan Sadikin Bandung) [Tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Lewis, R. J. 2000. An Introduction to Classification and Regression Tree (CART) “Analysis. Department of Emergency Medicine, Harbor-UCLA Medical Center, Toniance, California. Loh WY. 2002, Regression Trees with Unbiased Variable Selection and Interaction Detection, Statistica Sinica 12;361-386. Made S. 2002. Peubah-peubah Penciri yang Mempengaruhi Tingkat Keberhasilan Mahasiswa S2 STK IPB (Tesis]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. Steinberg, Dan and Phillip Colla. 2000 CART for Windows User's Guide. Salford Systems, 2000. Thoha, LF. 2003. Studi Tentang Tingkat Keberhasilan Mahasiswa S2 Program ‘Pascasarjana IPB [Skripsi]. Bogor: Fakultas Matematika dan lim Pengetahuan Alam, Institut Pertanian Bogor.LAMPIRAN41 Lampiran 1. Data Mahasiswa S2 Statistika Tahun Ajaran 1991 — 2002 OK | Asal PT] P_ Studi [Status] No. Usia_] Poke] [NMR_STK| NMR_MAT | NMR_S1 | NMR_S2 | Masa Std 1 [910954 2 oO 1 [30 [4 3.67 3.60 3.08 3.38 42 2 [91096 [1 2 3 ol | 1 3.09 314 336. 3.65. 33 3 | 91097 [oO | 2. 3 oj 26 [4 3.16 3.45. 3.35. 3.65. St 4 {910% 0 | 2 2 cs a 281 2.89 2.85 3.91 26 3] 91099 [0 4 3 3a 1 2.96 ‘3.07 3.03 3.00. 31 a TT z 2 ce 2.46 2.60 2.30 3.00 50 7 [91106 [0 2 3 of 23 [4 3.73 2.80 3.26 3.82 36 8 of 2 3 i 1 3 oT 2 2 + 7 4 2 3 1 1 4 2 0 2 1 2 0 4 1 2 3 1 1 3 1 0 z 7 3 1 3 7 2 7 2 + 3 1 2 3 3 2 3 3 3 3 242 i. 3[2]8]S/3] BIN] a) 3aes45 Ligs | Sistas i 5} 3] 63} 3] 183) yO] SB) SII A] ahs46 Lampiran 2a, Pengelompokan Mahasiswa Berdasarkan Jenis Kelamin Pada ‘Tiap Kelompok Nilai NMR S2 ‘Tenis NMR $2 Totat Kelamin <3,00 3,00 -3,24 | 3,25 -3,49 | 3,50- 3,74 | 3,75 - 4,00 Lakieké 2 0 B 7 4 76 (15,79%) | (26,32%) | (30,26%) (22,37%) (5.26%) | (51,35%) 2 5 2 7 6 2 Perempuan | (16.67%) | (34,72%) | (30.56%) | (9.72%) | _(8,3396)_| (48,6594) Total 24 45 45 24 410 148 Lampiran 2b. Pengelompokan Mahasiswa Berdasarkan Jenis Kelamin Pada Tiap Kelompok Masa Studi S2 Jenis Masa Studi $2 Total Kelamin <24 bulan (24-30 bulan | 31-36 bulan > 36 bulan Tania 12 B 20 aI 76 (15, 79%) (17,10%) (26,32%) (40,79%) (51,35%) 2 0 is 34 2 Perempuan | soma | (13.89%) | 2.2%) | 47.22%) | (48.65%) Total Pz 23 36, 65 148 Lampiran 3a. Peagelompokan Mahasiswa Berdasarkan Status Perkawinan Pada Tiap Kelompok Nilai NMR S2 Searus RMR SZ al Peckawinan_[<3,00 | 3,00-324 | 325-349 | 3,50-3,74 [3,75-400| © Kewin 16 30 5 B 3 102 ass | eoaim | asim | 02.75% | ase | 892%) Pun kown | 13 19 a 2 46 730% | @261% | @17% | e391 | 435% | 61,08 Taal 2a 45 rc 53 10 a8 Lampiran 3b. Pengelompokan Mahasiswa Berdasarkan Status Perkawinan ‘Pada Tiap Kelompok Masa Studi S2 ‘Status Wage Studi Toa ‘Perkawinan <24 bulan 24-30 butan | 31-36 bulan > 36 bulan Kawin i6 7 2 a7 102 asem | acer _|_eusmg | asor | 6a.92 Belum Kawin & 6 14 18 46 a73%% | 03.08%) | Gos | G9,13%9) | Gi,08%). Total 24 2 36 65 iss47 Lampiran 4a, Pengelompokan Mabasiswa Berdasarkan Usia Pada Tip ‘Kelompok Nilai NMR S2 sie NMR S? SHO] NAA [325-349 | 380-374 [375-400] TH <3 aha 16 3 7 2 5 108 casa | Gos | aos | uss | 633%) | 72.97%) a 16 3 1 39 3-@tahin u 205% | vari | 0% | os | 2.56%) | 26.35%) > 49 tah 0 1 0 0 0 1 Q (100%) Q o )__{ 0.68%) Total 24 5 45 24 10 148 Lampiran 4b. Pengelompokan Mabasiswa Berdasarkan Usia Pada Tiap Kelompok Masa Studi S2 Usa Masa Staal 52 36bulan | Tol <35 taka 16 6 2% 30 108 cag | casa | exon | 529%) 97%) 3-49 han 3 6 10 5 Ey cosim | _cssea | ese | Gaaemy | 535%) > aban 0 1 0 0 1 Q 190%) Q Q (0.68%) Toa 24 23 36 S 14s Lampiran Sa. Pengelompokan Mahasiswa Berdasarkan Jenis Pekerjaan Pada Tiap Kelompok Nilai NMR S2 Tenis MRS? Pekerjaan | <3 00 | 300-324 | 525-349 | 350-374 [375-400 | Tom Dosen ia a 0. zi 10 128 vos | G35 | 125%) | asai% | @81%) | 6,49%) Peneliti 0 1 0 1 0 2 o (50%) Q (50%) | 0.35%) ‘Advanced 10 1 3 2 0 8 Profesional | (55.56%) | (5.55%) | (27.78%) | (11.11%) | 02.16% Total 24 45 45 24 10 148 Lampiran Sb. Pengelompokan Mahasiswa Berdasarkan Jenis Pekerjaan Pada Tiap Kelompok Masa Studi S2 “enis ‘Masa Studi S2 Pokerjaan | <24bulan” | 24-30bukan | 31-36bilan [| >36buian | Tot! Dosen i 20 34 o 128 cose) | sei) | 2sser) | (46.87%) | (86.49%), Peneliti 0 1 0 1 2 Q 0%) Q (30%) 35%) “Advanced 10 2 2 4 18 Profesional | (55.56%) | ci) | ann% | @222%) | 12.16%) Total 24 2 36 65. 14848 Lampiran 6a. Pengelompokan Mahasiswa Berdssarkan Latar Belakang Perguruan Tinggi Si Pada Tiap Kelompok Nilai NMR S2 L NMR S2 P. Tinggi St [23,00 | 3,00-3.24 | 325-349 | 350-378 [3,75- 400 | Total BEMN 3 3 a 20 10 a7 ais) | 1.99% | i309 | e285 | casi | 4527 Tawa 8 7 2 T 0 38 Non BHMN |_(21,05%) | (44,74%) | (31,58%)_| (2.63%) © __| @5,68%) ‘Loar Jawa 3 20 12 3 0 3 (18,60) | (46,51% | 27.91%) | (6.98%) | @9,05%) Total 24 5 45 24 10, 148 Lampiran 6b. Pengelompokan Mahasiswa Berdasarkan Latar Belakang Perguruan Tinggi Si Pada Tiap Kelompok Masa Studi S2 T. Belakang ‘Masa Studi S2 P. Tinggi S1_ [~<24bulan | 24-30bulan | 31-360ulan | >30bulen Tout BEN ¥ HW 5 33 7 aise | a6 | @239%) | 49.25%) | 45,27%) Tawa 3 3 3 17 38 Non: | ais | a3ie | eros | azar | c2s.s00e) | Loar Jawa ’ 7 3 15 a3 cass) | (1628%) | _Go25%) | 4.89%) | @9,05%) “Tosa 2 2 36 65 148 Lampiran 7s. Pengelompokan Mahasiswa Berdasarkan Program Studi SI Pada Tiap Kelompok Nilai NMR S2 Program NMR Sz Studi ST <3,00 | 3,00-3,24 | 325-349 | 3,50-3.78 [3.75400 | Tost 31K 6 iz 27 if 7 0 sm | 7.14% | Gasm | @5,72% | co | 47,20%) MAT 13 7 10 4 3 a7 6%) | (36.17%) | @128%) | (851%) | 638%) | 1.76%) Pend. MAT 4 1 3 1 0 2 cas,ose) | (82.38%) | @3,81%) | (4.76%) © | a419%) Taina 1 3 3 1 0 10 0%) | 60%) | 0%) | 19%), Q | 676%) Total 24 45 45 28 10 148, Lampiran 7b. Pengelompokan Mahasiswa Berdasarkan Program Studi S1 Pada Tiap Kelompok Mase Studi S2 Program Masa Siudi $2 Studi $1 <4 bilan [ 24-30bulan | 31-36bulan | >36bulen | Tot! ox 3 z | _@ 30 7 sm | anie | orasey | azs6%) | 47.29%) MAT 13 7 3 19 a 27.56%) | asse% | arom | 40.43%) | 1,76) 4 1 3 in 2 Pend MAT | gos) | (4.70%) | sary | (52.38% | (14.19%) 5 1 3 1 3 10 Lainnya 00%) 0%) com) (50%) _|_6,76%) Toul 24 B 36 55, 148,48 Lampiran 6a. Pengelompokan Mahasiswa Berdasarkan Latar Belakang Perguruan Tinggi S1 Pada Tisp Kelompok Nilai NMR S2 TL. Belakang NMS? P. Tinggi $1 [~"<3,00_| 3,00-3,24 | 3,25-3,49 | 3,50-3,74 | 3,75 400 | Total ‘BHMN a e 2 20, 10 oF 1.9%) | (11,94) |_G134%) | 29.85%) | 1493%) | 45,27%) Tawa g 7 3 1 0 38 Non BHMN | (21,05%) | (44,74%) | (31.58%) | (2,63%) | 5.68%) ‘Luar Jawa 8 20 12 3 0 8 18,s0%) | (46.51%) | 27.91%) | (6.98%) © | 9,05%) Total 24 43 45 26 10 148 Lampiran 6b.’ Pengelompokan Mabasiswa Berdasarkan Later Belakang ‘Perguruan Tinggi S1 Pada Tiap Kelompok Masa Studi S2 T. Belang Masa Studi $2 P. Tinggi $1 [~<24bulan | 24—30bulan | 31-36bulan | >36bulan | Total BHMN s r 5 3 7 aise) | 647%) | 239%) | 925%) | (45.27%) Tawa 8 5 8 7 38 Non BHMN | __(21,05%) | _(13,16%) | _(21,05%) | (44,74%) | (25,68%) Luar Jawa a 7 3 15 43 (18.60%) | (16,28%) | 30.23%) | 34.89%) | (29,059) 24 2 36 Total 65 146 Lampiran 7a. Pengelompokan Mahssiswa Berdasarkan Program Studi Si Pada Tiap Kelompok Nilai NMR S2 Program NMR SZ Studi SI <3,00_[ 300-324 | 325-349 | 350-374 | 3.75-4,00 | Total STK 6 2 27 1% 7 75 asm | a7 | Gesm™ | 57% | cow | 4729% MAT 1 7 10 4 3 a7 exec | 5.1m) | 21.28%) | 51%) | 638%) | G1,76%) Pend. MAT 4 1 $ 1 6 2 | casos | 2390 | asi) | 4.76%) | 04,39%) Tainaya 1 5 3 1 0 0 ao) | mm) | Go) | 0%) QO} 676%) Foul 24 45 45 4 10 148. Lampiran 7b. Pengelompokan Mahasiswa Berdasarkan Program Studi SI Pada Tiap Kelompok Masa Studi S2 Progam Masa Studi S2 ‘Studi SE <2abulan [24-30 boian | 31-36bolan {> 36bulen | TO sIK 6 2 2 30 70 sm | ania | or | 42,86) | 47.29%) MAT 13 7 3 19 a7 e750 | css | aro) | 40.43%) | 61,76%) 4 1 3 1 21 Pend MAT | casos | 76%) | e381 | 230%) _| v4.19 7 1 3 1 $ 10 anys (0%) GO%) 10%) (50%), {6,76%) Total 24 2 36 65, 148,49, Lampiran 8a, Pengelompokan Mahasiswa Berdasarkan NMR SI Pada Tiap Kelompok Nilai NMR S2 RMR §2 ‘NMR SIF “<3.00__[ 300-324 | 3,25-3,49 | 350-394 | 3,75-400 | Total 3,00 15 21 6 2 3 7B “ (399%) | 26,587) | G291%) | (15.19%) | (633%) _| (53.38%), 300-324 3 7 B 3 1 2 : 90s) | aoe | cos | g10o | 338% | ca > r 4 27 324 | 670% _| as93% | a2 | 63330 | 048206 | 08.24%) Total 24 45 45 24 10 148 ‘Lampiran 8b. Pengelompokan Mahasiswa Berdasarkan NMR S1 Pada Tiap ‘Kelompok Masa Studi $2 asa Studi S2 NMR SI [<2 bulan [ 24-30bolan | 31-36bulan [>36bulan | Total 3.00 15 4 7 3 7 ‘ assem | a7 | rsa | arm | (5338%) 300-328 3 3 10 19 a ! 9.05%) |. arso% | assim) | cas24%) | (28.38%) Sam 1 4 9 13 27 " g.7%) | _a4sa%) | 339%) | 8.159%) | 18.24%) Toul 2a 2 36 is 148 Lampiran 9a. Pengelompokan Mahasiswa Berdasarkan NMR STK S1 Pada Tiap Kelompok Nilai NMR S2 NMR STK NMR S82 SI 3,00 [300-524 [325-349 | 350-374] 375-400} Total 300 iz 1 a 5 3 ae (1s0s%) | 222% | 33,339 | ose | (4.76%) | (43.45%) 3,00~3.24 ; is o 7 3 38 00-328 | care | 6s | 3.60%) | 82% | G90 | 26.21%) > 324 4 7 15 4 4 44 9.0m) | 8.64% | Gs09%) | 09% | 0.09% | G034%) Total 21 45 5 24 10 145, Lampiran 9b. Pengelompokan Mahasiswa Berdasarkan NMR STK S1 Pada Tiap Kelompok Masa Studi S2 Tass Sta 82 NMR STK 81 <24 bulan 24-30 bulan | 31-36 bulan > 36 bulan Total <0 72 = a 30 a (19.05%) (02,70%) (20,63%) 476%) | (43.45%). 500 Lag 3 3 10 15 38 “ ” (13,16%) _|_(21,05%) 26,32%) G9A™%) (26.21%) 3324 4 7 13 20 4 ” (9,09%) (15.91%) (29.55%) (45.45%) (30,34%)_ Total, 2 23 36 65 145,50 Lampiran 10a. Pengelompokan Mahasiswa Berdasarkan NMR MAT Si Pada Tiap Kelompok Nilai NMR S2 NMRMAT NMR S2 Total si <3,00 +3,00-3,24 | 3,25-3,49 | 3,50-3,74 | 3,75 -4,00 = 3,00 is %6 28 é 3 B “ asom | Giz | o3,2 | @6% | 23% | 67206 yoosaze 4 io wT 5 2 3 cam | 6339 | 63.33%) | ust6% | «00% | 22.76% Sane 2 3 6 in 2 Ey (6.90%) (27,58%) | (20,69%) | (37,93%) (690%) (20%) Total 21 45 45 24 10 145 yn 10b. Pengelompokan Mahasiswa Berdasarkan NMR MAT Si Pada Tiap Kelompok Masa Studi S2 “Masa Studi S2 NMR MAT S127) balan ‘24-30 balan | 31-36 bulan > 36 bulan Total 300 5 4 18 36 & - (18,07%) (16,87%) (21,69%) (43,37%) (57,24%) 3000324 4 3 10 ia 3 400 aim | a5i%e | ozo | aaa | 2.76%) > ane 2 4 3 15 29 (6.90%) (13,79%) (27,59%) (51,72%) (20%) Taal 21 Be a 145, Lampiran 11. Tabel Tree Sequence Untuk Peubah Respon NMR S2 ‘Number |: Nodes: | = Retetive Enon 1 22 0.973 20.118 2 2t 0.973 + 0.118 3 20 0.969 + 0.418 4 19 0.970 + 0.117 5 18_| 09703097 & 47 0.986 + 0.417, 7 16 | 0.961 0.113 8 45 0.973 +0.142 9 14 | 0.964 £0.10 10 413. 0.961 +0.110 At 41 0,946 + 0.108. 12. 9 0.947 £ 0.111 13 8 0.920 + 0.110 44 7 (0.927 + 0.100 15" 6 0.887 + 0.086 16 5 0.890 + 0.096 7 A 0.918 + 0.087 418 3 0.949 + 0.088 19 2 1.018 £0.051 20 4 1.001 + 0.000957, = Minimum Cost “Optimal51 Lampiran 12. Tabel Tree Sequence Untuk Peubah Respon Masa Studi S2 ‘Tree. | Terminal] Crosé-Valideted. | Resubstinton] Number | Nodes | Relative Ear | Relative Error: 4 22__| 1,386 + 0.147 0541 z 24 1.361 20.147 0.545 3 19 [1387 20447 0.552. 4 18_|_1.400 = 0148 0.556 5 17_| 1.304 £0148 0.562 6 16 | 1.387 20.148 0.968 7 15) fart 20.146 0.574 S 44 | 1.877 20.145, 0.584 3 13 | 4.974 20.145. 0.590) 40 [12 [1.9752 0.143 0.600, 11 30 | 1.23420131 ‘0.637 12 9 1.167 £0125. ‘0.658, 13 8 1.172 0.120 0.686 14 7 117i £0120 0.714 i=] 5 11452 0.112 0773, 16 3 4.452 4 0.109 ‘0.834 47 2 10,961 2 0.061 0.880. 18 1__| 4.001 .0.000085"[ 1.000 * Minimum Cost ™ Optimal Lampiran 13. Tabel Tree Sequence Untuk Peubah Respon Peringkat Kelas ‘Tree . | Terminal] Cross-Validated |, Resubsttaion: Number | Nodes | “Relative Cost: |" Relative Gost - 5 1 47 [0.769 + 0.063 0.409. 45__| 0.760 + 0.063 0.418 3 44 [0775 4 0.062 0.423 4 43 | 0.799 + 0.061 0.440 5 12 | 0.807 + 0.061 0.456 6 7 | 0.804 0.061 0.546 7 6 | 0.789 +0.061 0.564 al ‘S| 0.752 3 0.060 0.590. 9 4 | 0.823 2 0.959 0.629 10, 3 | 0.850 + 0.055 0676 7 1 000 # 0.000. 1.000 * Minimum Cost ™ Optimal