Penerapan Metode Multivariate Adaptive Regression Spline (MARS) Untuk Menentukan Faktor Yang Mempengaruhi Masa Studi Mahasiswa FPMIPA UPI
Keywords:
MARS, Masa StudiAbstract
Keterlambatan lulus dari program S1 menjadi salah satu permasalahan yang terjadi pada mahasiswa di sebagian besar perguruan tinggi, salah satunya terjadi di FPMIPA UPI. Salah satu upaya yang dapat dilakukan sebagai usaha meminimalisir banyaknya mahasiswa yang lulus terlambat adalah dengan cara menganalisis faktor yang mempengaruhi lama masa studi mahasiswa FPMIPA UPI. Multivariate Adaptive Regression Spline (MARS), suatu kombinasi antara Recursive Partitioning Regression (RPR) dan metode Spline, mampu mengolah data berdimensi tinggi dan berukuran besar, serta mampu mengolah data dengan variabel respon berbentuk kontinu ataupun biner, sesuai dengan permasalahan klasifikasi alumni FPMIPA UPI. MARS akan membangun suatu model terbaik sebagai model klasifikasi yang melibatkan beberapa fungsi basis yang memuat variabel prediktor yang berpengaruh. Berdasarkan analisis klasifikasi yang dilakukan diperoleh kesimpulan bahwa variabel prediktor yang paling berpengaruh terhadap masa studi mahasiswa FPMIPA UPI adalah jalur masuk. Sementara variabel prediktor yang berpengaruh lainnya yaitu IP semester pertama, jenis kelamin, dan program studi.
References
Agwil, W., Rahmi, I.,& Yozza, H. (2012). Prediksi Luas Area Kebakaran Hutan Berdasarkan Data Meteorologi dengan Menggunakan Pendekatan Multivariate Adaptive Regression Spline (MARS). (Tugas Akhir). Universitas Andalas, Padang.
Febriyanti A., dkk. (2012). Penerapan Metode Multivariate Adaptive Regression Spline (MARS) untuk Mengidentifikasi Komponen yang Berpengaruh terhadap Peringkat Akreditas Sekolah (Kasus SMA/MA di Provinsi Sumatera Barat). Jurnal Matematika UNAND, 2(2), hlm. 44-53.
Friedman, J. H. (1991). Multivariate Adaptive Regression Spline. The Annals of Statistics, 19(1), hlm. 1-67.Guillory, C. W. (2008). A Multilevel Discrete Time Hazard Model of Retention Data in Higher Education. (Disertasi). Louisiana State University, Lousiana.
Kriner, M. (2007). Survival Analysis with Multivariate Adaptive Regression Spline. (Disertasi). Universitas Munchen, Munich.
Merluarini, B., Safitri, D., & Hoyyi, A. (2014). Perbandingan Analisis Klasifikasi Menggunakan Metode K-Nearest Neighbor (K-NN) dan Multivariate Adaptive Regression Spline (MARS) pada Data Akreditasi Sekolah Dasar Negeri di Kota Semarang. Jurnal Gaussian, 3(3), hlm. 313-322.
Neter, J., William, W. & Michael, H. K. (1983). Applied Linear Regression Models. Homewood : Richard D. Irwin, Inc.
Oktaviana, D. & Budiantara, I. N. (2011). Regresi Spline Birespon untuk Memodelkan Kadar Gula Darah Penderita Diabetes Melitus. [Online]. Diakses dari http://digilib.its.ac.id/public/ITS-paper-19523-1307100068- Paper.pdf. [16 Januari 2015].
Permana, H. (2011). Klasifikasi dengan Metode CHAID (Chi-Squared Automatic Interaction Detection) dan Penerapannya pada Klasifikasi Alumni FMIPA UNY. (Skripsi). Universitas Negeri Yogyakarta, Yogyakarta.
Wicaksono, W., Wilandari, Y., & Suparti. (2014). Pemodelan Multivariate Adaptive Regression Splines (MARS) pada Faktor-faktor Resiko Angka Kesakitan Diare (Studi Kasus: Angka Kesakitan Diare di Jawa Tengah, Jawa Timur, dan Daerah Istimewa Yogyakarta Tahun 2011). Jurnal Gaussian, 3(3), hlm. 253-262.
Wuensch, K. (2009). Binary Logistic with PASW/SPSS. [Online]. Diakses dari http://core.ecu.edu/psyc/wuenschk/MV/Multreg/Logistic-SPSS.doc. [15 Juni 2015].
Zhang, H. & Singer, B. H. (2010). Recursive Partitioning and Applications 2nd Edition. New York: Springer.
