Ordinal Path (3)

TUGAS ANALISIS MULTIVARIAT FAKTOR-FAKTOR YANG MEMPENGARUHI SEMANGAT BELAJAR MAHASISWA DENGAN ANALISIS JALUR ORDINAL Studi Kasus Mahasiswa Prodi Statistika Angkatan 2009 Universitas Brawijaya

Oleh: FITRIYANI DEWI M. (0810950042) EVELLIN DEWI LUSIANA (0910950037) KASIH MAHARANI (0910950045) (0910950045) LELI DWI KORNIASARI (0910950047) OKKY ARISKA AMELIA (0910950057) RANIKA PERMATA ADI (0910950059) RISHA ARDASARI UTAMA (0910950063)

PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA & ILMU PENGETAHUAN ALAM UNIVERSITAS BRAWIJAYA MALANG 2012

The world’s largest digital library

Try Scribd FREE for 30 days to access over 125 million titles without ads or interruptions! Start Free Trial Cancel Anytime.













BAB I PENDAHULUAN

1.1.Latar Belakang

Prestasi belajar dari mahasiswa biasanya dilihat berdasarkan nilai IPK. Hal penting dalam pencapaian nilai IPK yang baik tergantung pada proses belajar yang dialami oleh mahasiswa tersebut. Proses belajar tersebut akan berlangsung secara baik dan efektif apabila seorang mahasiswa memiliki penggerak/energi untuk mencapai tujuan pada apa akan yang dipelajari. Penggerak atau energi yang dimaksud inilah yang disebut dengan semangat belajar. Tanpa ada semangat belajar, seorang mahasiswa tidak akan mampu mengikuti proses belajar yang sedang berlangsung, akibatnya prestasi akademik pun akan menurun. Ada banyak hal yang dapat mempengaruhi semangat belajar dari mahasiswa di antaranya adalah kondisi perkuliahan yang baik, tempat tinggal mahasiswa, keaktifan di organisasi dan nilai IPK semester sebelumnya (hubungan 2). Selain itu pada faktor-faktor tersebut, terdapat pula hubungan antara kondisi perkuliahan

terhadap IPK semester lalu (hubungan 1). Hal ini

mengakibatkan terdapat lebih dari satu hubungan, sehingga analisis yang sesuai untuk digunakan adalah analisis jalur. Analisis jalur adalah analisis yang dapat menjelaskan keeratan hubungan antar variabel dengan cara menguraikan koefisien korelasi menjadi pengaruh langsung dan pengaruh tidak langsung. Untuk mengetahui besarnya sokongan pengaruh setiap variabel X terhadap variabel Y salah satu cara yang dapat digunakan adalah regresi dengan variabel dibakukan. Sehingga dapat dikatakan bahwa analisis regresi merupakan bagian dari analisis jalur. Ketika hanya ada satu variabel Y yang nilainya ditentukan oleh satu atau lebih variabel X, analisis jalur sama dengan analisis regresi. Tetapi analisis jalur tidak hanya terbatas pada kasus yang sederhana, pada kasus yang rumit analisis jalur masih dapat digunakan. Dalam analisis jalur, terdapat beberapa asumsi yang harus terpenuhi, salah satunya adalah skala pengukuran sekurang-kurangnya adalah interval. Dalam kehidupan nyata, tidak















mengembangkan metode untuk menerapkan analisis jalur pada variabel dengan skala ordinal dan nominal. Metode yang digunakan adalah metode yang melibatkan model regresi nonlinier, yaitu model regresi logistik.

1.2. Masalah dan Batasan Masalah

Permasalahan yang dihadapi dalam makalah ini yaitu: -

Apa yang dimaksud dengan regresi logistik ordinal dan analisis jalur?

-

Bagaimana membentuk model regresi logistik ordinal untuk bentuk hubungan 1 dan 2?

-

Bagaimana menguji kesesuaian model logistik dan validitas dari model yang dihasilkan?

-

Bagaimana menentukan pengaruh langsung dan pengaruh tidak langsung pada masingmasing hubungan dan cara menginterpresikan pengaruh tersebut? Pada makalah ini, masalah dibatasi pada hubungan kondisi perkuliahan, keaktifan di

organisasi, tempat tinggal dan IPK semester lalu terhadap semangat belajar Mahasiswa Prodi Statistika Angkatan 2009 UB, yang dianalisis dengan analisis jalur ordinal. Software statistika yang digunakan adalah Minitab 15, SPSS 16 dan Ms. Excel 2007.

1.3.Tujuan

Tujuan dari makalah ini yaitu: -

Untuk mengetahui pengertian regresi logistik ordinal dan analisis jalur

-

Untuk mengetahui cara membentuk model regresi logistik ordinal

-

Untuk mengetahui pengujian kesesuaian model logistik dan validitas model yang dihasilkan

-

Untuk mengetahui penentuan pengaruh langsung dan pengaruh tidak langsung pada analisis jalur ordinal dan cara mengeinterpretasi pengaruh tersebut















BAB II DASAR TEORI

2.1. Model Regresi Logistik Ordinal

Regresi logistik ordinal merupakan salah satu metode statistika untuk menganalisis variabel respon yang mempunyai skala ordinal yang terdiri atas tiga kategori atau lebih. Variabel prediktor 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 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 peluanga

kumulatif, yaitu peluang kurang dari aau sama dengan kategori respon ke-j pada p variabel prediktor yang dinyatakan dalam vector 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 (Agresti, 1990): p

P(Y

 j ) 

exp( j

   k X k )

1  exp( j

k 1 p

(1)

   k X k ) k 1

di mana j=1,2,..J dan J = kategori respon Dalam hal klasifikasi, cumulative logit models logit models merupakan fungsi pembeda atau fungsi klasifikasi/ fungsi klasifikasi yang terbentuk bila terdapat J kategori respon adalah sejumlah J-1 fungsi. Jika  j ( X )  P(Y

 jX )

menyatakan peluang kategori respon ke-j pada p

variabel prediktor yang dinyatakan dalam vector X dan P (Y

 j

) menyatakan peluang

kumulatif pada p variabel prediktor yang dinyatakan dalam vector X maka nilai didapatkan dengan persamaan berikut:

 j ( X )















Logit Logit[ P(Y

 jX)]   j  β

T

(3)

X

di mana θ adalah vector intersep, β Jika  j

T

=(β1, β2,...., βp ) adalah vector slope.

  1 ( X)   2 ( X)  .....   j ( X )

1



 1 ( X)

 j



 1 ( X)   2 ( X)

, maka

.

(4)

. .

 j



 1 ( X)   2 ( X)  ...   j ( X )

Apabila terdapat J kategori respon, maka model logistik ordinal yang terbentuk adalah

  1    1  1 X1  2 X 2  ....   p X p   1  1 

Logit( 1 )  ln 

  2    2  1 X1  2 X 2  ....   p X p   1  2 

Logit( 2 )  ln 

. . .

  j 1  Logit ( j 1 )  ln   1   j 1    j 1  1 X 1   2 X 2  ....   p X p   Untuk tiga kategori respon di mana j=1,2,3 maka nilai peluang kategori repon ke-j adalah sebagai berikut:

 1

2

 P(Y  1X) 

exp(1 

p

  X ) k 1 p

1  exp(1 

k

k

  X ) k 1

k

 P(Y  2X)  1 ( X)   2 ( X) 

k

exp( 2 

p

  X ) k 1 p



k

k















Dari kedua peluang kumulatif tersebut, maka akan didapatkan peluang untuk masingmasing kategori respon sebagai berikut:

 1 ( X)  P(Y  1X) 

exp(1 

p

  X )

1  exp(1 

 2 ( X)  P(Y  2X)   1 (X) 

 3 ( X)  1  P(Y  2X)  1 



k

k 1 p

  X ) k 1

k

k

p

  X

exp( 2 

exp( 2 

k

k 1 p

1  exp(2 

)

k

  X k

k 1

 k

)

exp(1 

p

  X ) k 1 p

1  exp(1 

k

k

  X ) k

k 1

k

p

  X ) k

k 1 p

1  exp( 2 

k

  X ) k 1

k

k

p

1  exp( 2 

  X

k

)

1  exp( 2 

  X

k

)

k 1 p k 1

k

k

exp( 2 



p

  X ) k 1 p

1  exp( 2 

k

k

  X ) k 1

k

k

1



1  exp( 2 

dengan demikian  j

k

p

  X ) k 1

k

k

  1 ( X)   2 ( X)  .....   j ( X )

Untuk klasifikasi, nilai  j ( X)

pada persamaan tersebut akan dijadikan pedoman

pengklasifikasian. Suatu pengamatan akan masuk dalam respon kategori j berdasarkan nilai  j ( X) yang terbesar.

2.2. Pendugaan Parameter Logistik Ordinal

Pendugaan parameter regresi logistik ordinal adalah dengan menggunakan metode kemungkinan maksimum. Metode yang digunakan untuk membentuk model regresi logistik ordinal adalah maximum likelihood . Misalkan

     

adalah nilai respon, y =1

















       ,                  }         ∏   {0 1    0 1     











(5)



dan log-likelihood nya nya adalah

                    ,                                 . /                     86 8 6 7   6 79                                    86 8 6 7   6 79                     











(6)



Dengan menurunkan

terhadap setiap parameter dan menyamakan dengan nol, akan

didapatkan nilai duga untuk parameter tersebut.





































             

(8)

di mana

Melalui teknik iterasi Newton-Raphson

pada iterasi ke t (t =

  dan

digunakan untuk menduga

0,1,2,…). Iterasi untuk pendugaan nilai

mencapai kondisi konvergen untuk setiap i.

|  |            untuk





terus dilakukan sampai

(9)

dan

2.3. Analisis Jalur

Analisis jalur erat sekali hubungannya dengan analisis regresi berganda, sehingga dapat dikatakan bahwa analisis regresi merupakan bagian dari analisis jalur. Ketika hanya ada satu variabel Y yang nilainya ditentukan oleh satu atau lebih variabel X, analisis jalur sama dengan analisis regresi. Tetapi analisis jalur tidak hanya terbatas pada kasus yang sederhana, pada kasus yang rumit analisis jalur masih mampu untuk digunakan. Beberapa peneliti mengatakan bahwa analisis jalur merupakan model bentuk hubungan sebab akibat, namun hubungan antar variabelnya harus searah (Lestari, 2005). Untuk mengetahui besarnya sokongan pengaruh setiap variabel X terhadap variabel Y

















Analisis jalur bukan merupakan metode untuk menemukan penyebab-penyebab, tetapi sebuah metode yang digunakan pada model yang dibuat peneliti berdasarkan pengetahuan dan pertimbangan teori (Kerlinger & Pedhazur, 1973). Menurut Wright (1934) dalam Kerlinger & Pedhazur (1973), metode analisis jalur tidak dimaksudkan untuk mencapai tugas yang tidak mungkin untuk memperoleh hubungan kausal dari nilai koefisien korelasi. Hal ini dimaksudkan untuk menggabungkan informasi kuantitatif yang diperoleh dari korelasi dengan informasi kualitatif tentang hubungan kausal yang telah diketahui untuk memperoleh interpretasi kuantitatif. 

Asumsi Analisis Jalur

Menurut Dillon dan Goldstein (1984), setiap analisis yang digunakan untuk menyelesaikan permasalahan statistika harus memenuhi asumsi-asumsi yang mendasari agar kesimpulan yang diperoleh dapat dipertanggungjawabkan. Asumsi yang harus dipenuhi pada analisis jalur adalah: 1. Hubungan antar variabel adalah linier dan aditif 2. Hanya model rekursif yang dapat dipertimbangkan yaitu hanya system aliran kausal satu arah. Model dikatakan sebagai model rekursif jika antara error dan variabel penjelas saling bebas dan antar error saling bebas. 3. Skala pengukuran sekurang-kurangnya interval 4. Variabel penjelas diukur tanpa kesalahan 5. Model yang dianalisis dispesifikasikan dengan benar berdasarkan teori-teori dan konsep yang relevan. 

Diagram Jalur Dan Model Analisis Jalur

















pertimbangan-pertimbangan dari penelitian sebelumnya atau berdasarkan perkiraanperkiraan dasar untuk mempermudah analisis jalur (Hair, 1995). Dalam menyusun diagram jalur, konvensinya antara lain untuk menggunakan garis dua arah untuk menunjukkan korelasi antar variabel dan garis berarah tunggal untuk menunjukkan pengaruh langsung dari satu variabel ke variabel lain (Li, 1986). Berikut ini adalah contoh dari diagram jalur:

Persamaan/model struktural bagi diagram jalur tersebut adalah:

di mana: i

: 1,2,…,n

Y, Z

: variabel endogen

Xi

: variabel eksogen

PY1X1,…,PY1Xk : koefisien jalur

















Pada analisis jalur variabel eksogen mempengaruhi variabel endogen tidak hanya melalui pengaruh langsung dan tak langsung tetapi juga melalui pengaruh tak teranalisis dan pengaruh semu (Dillon & Goldstein, 1984). Menurut Falkenbe (1999) dalam Ismaliana (2003), Diagram jalur model sebab akibat dapat digambarkan sebagai berikut:

X1 Py1x1

Py2x1

rx1x2

Py1x2

rx1x3

X2

rx2x3

Py2y1 Y1

Y2

Py2x3

Py1x3

Py2e2 X3 Py1e1 e1

e2

Secara ringkas, koefisien korelasi dapat didekomposisi menjadi empat komponen yaitu: 1. Pengaruh Langsung ( Direct Effect ) adalah pengaruh variabel eksogen terhadap



















Py2y1

Py1x1 X1

Y2

Y1

maka ry2x1= py1x1py1y2 3. Pengaruh tak teranalisis ( Unanalyzed Effect ) adalah pengaruh yang timbul karena adanya korelasi antara variabel eksogen Py1x1 X1 rx1x2

Y1 X2

Py1x2

maka r y1x1= py1x1 + py1x2 rx1x2 U 4. Pengaruh semu ( Spurious Effect ) adalah pengaruh variabel eksogen terhadap lebih dari satu variabel endogen yang saling berkorelasi Py1x1

Y1



















Y3 Y2

Y1 X1

Anggap terdapat empat variabel,



adalah variabel eksogen,

  

adalah variabel

endogen. Setiap variabel mempunyai jumlah kategorik masing-masing. Misal

*+                                          

mempunyai kategorik



,

. Dari bentuk strukural yang ada, dapat dijelaskan dengan

persamaan model logistik:



β





β

β

β



β

β

β

β

β

β



















                                                                                           Log odds ratio dari

terhadap

adalah

β



Ketika dilakukan subtitusi

dan

dan

di atas dengan nilai harapan dari keduanya yaitu

akan didapatkan



Yang mana persamaan di atas adalah efek langsung

β

ke

. Jadi,



β

 

β

adalah efek langsung dari setiap variabel terhadap

Efek total dari

terhadap 

β

β

.

adalah

β

























                                                                                                     …

…



















                     …



di mana:

: variabel endogen ke- h kategori ke- j

: variabel eksogen ke- i kategori ke- k pada variabel endogen ke- h kategori j : pengaruh tidak langsung variabel eksogen ke- i dengan kategori k terhadap

variabel endogen ke- h kategori j h

: variabel endogen ke- h

i

: variabel eksogen ke- i

j

: kategori ke-j variabel endogen h

k

: kategori ke-k variabel eksogen i

2.5. Uji validitas model analisis jalur kategorik

Validitas menunjukkan sejauh mana suatu alat ukur itu mampu mengukur apa yang





















     ̂    ̂         ̂    ̂       Di mana :

2. Statistik Deviance Deviance

Di mana:



















̂ 

: peluang Y pada kategori ke- j dan x dengan kategori ke- i : pengamatan Y pada kategori ke- j dan x dengan kategori ke- i

p

: jumlah parameter pada model

g

: jumlah grup yang terbentuk

k : jumlah kategori peubah respon Hosmer-Lemeshow menyebar mengikuti sebaran Khi-kuadrat dengan derajat Statistik Hosmer-Lemeshow

bebas v = g(k -1)-1)- p. keputusan tolak Ho, jika

  ]

    [  atau

lebih kecil dari peluang yang diinginkan(), sehingga

diambil kesimpulan bahwa model yang diperoleh tidak sesuai.

dapat



















BAB III METODOLOGI

3.1 Sumber Data 3.1.1 Lokasi dan Waktu Penelitian

Penelitian ini dilakukan pada mahasiswa statistika angkatan 2009 di Prodi Statistika Jurusan Matematika Fakultas MIPA Universitas Brawijaya Malang. Waktu penelitian dilakukan selama 1 hari dan penyebaran kuisioner dilakukan saat mahasiswa berada di kampus.



















Dalam penelitian ini, diketahui bahwa N (banyak populasi) sebesar 91 mahasiswa dan toleransi terjadinya galat yang digunakan (e) adalah 0.1. Dengan demikian diperoleh jumlah sampel sebanyak 48 mahasiswa Prodi Statistika angkatan 2009 Universitas Brawijaya. Berikut adalah perhitungan banyaknya sampel dalam penelitian ini dengan rumus Slovin :

            



















X2 = Aktif Organisasi

X3 = Tempat Tinggal

1 = Ya 2 = Tidak 1 = Rumah sendiri/family 2 = Kos / Kontrak

Nominal

Nominal

1 = Sangat Bersemangat 2 = Bersemangat Y2 = Semangat Belajar

3 = Kurang Bersemangat 4 = Tidak Bersemangat 5 = Sangat Tidak Bersemangat

Ordinal





















angka di belakang koma yang menunjukkan kualitas belajar keseluruhan dari materi program studi yang dihitung dengan menjumlah hasil perkalian nilai hasil belajar dengan bobot sks dibagi dengan jumlah kredit yang ditetapkan untuk program studi



















tinggal memiliki arti yang sama dengan rumah, kediaman, akomodasi, perumahan, dan arti-arti yang lain.

Mahasiswa rantau biasanya akan memilih rumah kos atau rumah kontrakan





















Bersemangat



Kurang bersemangat



Tidak bersemangat



















5.

Menghitung

efek

langsung

dan

tidak

langsung

variabel-variabel

eksogen

menggunakan Excel. a. Efek langsung diperoleh dengan menghitung trace dari hasil perkalian matriks



















BAB IV HASIL DAN PEMBAHASAN 4.1. Model Duga Regresi Logistik Ordinal





















































































































































































































Ordinal Path (3)

Recommend Documents