IDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK
DOI:
https://doi.org/10.35706/syji.v4i2.334Abstract
Institut Pertanian Bogor (IPB) berusaha semaksimal mungkin meningkatkan kelulusan para mahasiswanya baik secara kualitas maupun kuantitas. Secara kualitas mahasiswa lulus dengan nilai IPK yang maksimal dan lulus tepat waktu. Secara kuantitas artinya jumlah mahasiswa yang masuk sama dengan jumlah mahasiswa yang lulus, berarti tidak ada yang berhenti studi. Mahasiswa berhenti studi merupakan salah satu persoalan yang dapat merugikan pribadi mahasiswa, institusi, dan negara. Keterkaitan mahasiswa pascasarjana IPB berhenti studi berdasarkan jenis kelamin, usia, status perkawinan, status pekerjaan, status perguruan tinggi asal, IPK S1, sumber biaya S2, daerah perguruan tinggi asal, dan linieritas S1 dapat dilihat dengan analisis Chisquared Automatic Interaction Detection (CHAID) dan regresi logistik. Data yang digunakan dalam penelitian ini adalah data mahasiswa pascasarjana IPB angkatan 2005-2010. Berdasarkan analisis CHAID menghasilkan 4 faktor yang mempengaruhi mahasiswa pascasarjana IPB berhentis studi yaitu sumber biaya pendidikan S2, status perguruan tinggi asal, linieritas S1, dan IPK S1. Hasil analisis regresi logistik menunjukkan bahwa mahasiswa pascasarjana IPB berhenti studi dipengaruhi oleh jenis kelamin, status perguruan tinggi asal, sumber biaya pendidikan S2, dan linearitas rumpun ilmu. Ketepatan klasifikasi yang diperoleh untuk analisis CHAID dan regresi logistik masing-masing sebesar 97.1%.Downloads
References
Alamudi A, Wigena AH, Aunuddin. 1998. Eksplorasi struktur data dengan metode CHAID. Forum Statistika dan Komputasi 3(1):10-16.
Agresti, A. 2007. An Introduction to Categorical Data Analysis. New York: John Wiley & Sons.
Antipov E, Pokryshevskaya E. 2010. Applying CHAID for logistic regression diagnostics and classification accuracy improvement. Journal of Targeting, Measurement and Analysis for Marketing 18(2):109–117.
Breiman L, JH Friedman, RA Olshen, CJ Stone. 1993. Classification and Regression Trees. New York (US): Champan and Hall.
Cameron, A. C., Trivedi, P. K. 1998. Regression Analysis of Count Data. Cambridge: Cambridge University Press.
Hardin, J. W., Hilbe, J. M. 2007. Generalized Linear Models and Extensions. Texas: A Stata Press Publication.
Hosmer, D. W, Lemeshow. 2000. Applied Logistic Regression. New York: John Wiley & Sons, Inc.
Khosgoftaar, T. M., Gao, K., Szabo, R. M. 2004. Comparing Software Fault Predictions of Pure and Zero-Inflated Poisson Regression Models. International Journal of System Science 36(11):705-715.
McCullagh, P., J. A. Nelder. 1983. Generalized Linear Models. London: Chapmann and Hall.
Myers, R. H. 1990. Classical and Modern Regression with Applications. Ed ke-2. PWS-KENT Publishing Company. Boston.
Organized by: Program Studi Informatika, Universitas Singaperbangsa Karawang
