1
PENDAHULUAN menyatakan ada tiga komponen dalam GLM
Latar Belakang
Model Regresi Poisson secara umum telah
banyak digunakan untuk menganalisis data
cacah di mana rata-rata dan ragamnya sama.
Akan tetapi kondisi ini jarang sekali
ditemukan pada data, sehingga seringkali
ditemukan keragaman data lebih besar
daripada rata-ratanya. Fenomena seperti ini
disebut overdispersi. Kajian yang digunakan
dalam penelitian ini adalah mengetahui
pengaruh faktor eksternal terhadap
ketidaklulusan siswa SMA dalam Ujian
Nasional (UN) di DKI Jakarta.
UN merupakan salah satu isu pendidikan
yang sering menimbulkan kontroversi
dikalangan siswa. Hal ini bermula pada tahun
2003 ketika pemerintah mengubah Evaluasi
Belajar Tahap Akhir Nasional (EBTANAS)
menjadi UN. Perubahan ini ditujukan agar
sumber daya yang dihasilkan lebih berkualitas
yaitu dengan memberlakukan standar nilai
kelulusan.
Jumlah siswa SMA yang tidak lulus UN
dapat dikatakan masih cukup tinggi.
Sementara itu diketahui bahwa tingkat
pendidikan penduduk berkorelasi positif
dengan status ekonomi, derajat kesehatan dan
laju pertumbuhan penduduk (Depdiknas dalam
Wulansari 2008). Hasil penelitian Wulansari
(2008) menyatakan secara statistik jumlah
siswa yang tidak lulus UN dapat diasumsikan
berdistribusi Poisson karena kejadian tersebut
jarang terjadi dalam ruang sampel yang besar,
sehingga hubungan antara jumlah siswa yang
tidak lulus UN dengan faktor-faktor yang
berpengaruh dapat diketahui melalui Regresi
Poisson.
Tujuan
Tujuan dari penelitian ini adalah
mengetahui faktor-faktor eksternal yang
mempengaruhi ketidaklulusan siswa SMA
dalam UN di DKI Jakarta untuk tahun ajaran
2005/2006 dan 2006/2007.
TINJAUAN PUSTAKA
Generalized Linear Model
Generalized Linear Model (GLM)
merupakan perluasan dari model regresi umum
untuk respon berdistribusi dalam keluarga
eksponensial dan modelnya merupakan fungsi
dari nilai harapannya. Agresti (2002)
yaitu:
 Random component (komponen acak) yang
ditunjukkan dengan peubah respon Y dan
peluang distribusinya.
 Systematic component (komponen
sistematik) yang ditunjukkan dengan
peubah penjelas yang digunakan.
 Link function ditunjukkan dengan fungsi
nilai harapannya sama dengan systematic
component.
Regresi Poisson
Regresi Poisson termasuk ke dalam GLM
dan merupakan salah satu bentuk analisis
regresi yang digunakan untuk model data
cacah (count data) dan data dalam bentuk
tabel kontingensi. Model Regresi Poisson
kadang dikenal dengan log-linear model,
terutama ketika digunakan untuk model tabel
kontingensi.
Model Regresi Poisson dengan peubah
penjelas X dapat dituliskan sebagai berikut
(Agresti, 2002) :
Log  = +x
Fungsi peluang sebaran Poisson adalah:
e   y
f ( y;  )  y=0,1,2,....
y !
dengan asumsi E(Y)= Var(Y)=.
Fungsi penghubung kanonik (cannonical
link function) untuk Regresi Poisson yaitu:
  g (  )  log(  )  ( X '  )
Pendugaan parameter koefisien Regresi
Poisson dapat diduga dengan menggunakan
Maximum Likelihood Estimation (MLE)
melalui iterasi dengan metode Newton
Raphson untuk memaksimumkan fungsi log-
likelihoodnya L(y,,).
Overdispersi pada Regresi Poisson
Data cacah untuk Regresi Poisson
dikatakan mengandung overdispersi apabila
keragamannya lebih besar dari nilai
tengahnya. Jika pada data cacah terjadi
overdispersi namun tetap digunakan Regresi
Poisson, maka dugaan dari parameter
koefisien regresinya tetap konsisten namun
tidak efisien. Hal ini berdampak pada nilai
standar error yang menjadi under estimate,
sehingga kesimpulannya menjadi tidak valid.
Fenomena overdispersi (McCullagh & Nelder,
1983) dapat dituliskan:
Var(Y) > E(Y)

Overdispersi dapat diindikasikan dengan
nilai dispersi Pearson Chi-square dan
Deviance yang dibagi dengan derajat
bebasnya. Jika kedua nilai ini lebih besar dari
1 maka dikatakan terjadi overdispersi pada
data. Overdispersi dapat pula terjadi karena
adanya pengamatan missing pada peubah
penjelas, adanya pencilan pada data, perlunya
interaksi dalam model, peubah penjelas perlu
ditransformasi atau kesalahan spesifikasi link
function (Hardin & Hilbe, 2007).
Regresi Binomial Negatif
Regresi Binomial Negatif merupakan salah
satu solusi untuk mengatasi masalah
overdispersi pada data cacah yang didasarkan
pada model campuran Poisson-Gamma
(Hardin & Hilbe, 2007). Fungsi peluang
Binomial Negatif adalah sebagai berikut:
k y
( y  k)  k  
f ( y, k, )    1 
(k)( y  1)    k     k 
y=0,1,2,....
di mana k dan  adalah parameter dengan
E(Y)= dan Var(Y)= +2/k ; k-1 disebut
parameter dispersi.
Goodness Of Fit Tests
Ismail dan Jemain (2007) menyatakan
bahwa goodness of fits model Regresi Poisson
dan Regresi Binomial Negatif dapat dilihat
dari nilai Pearson Chi-squares, Deviance, AIC
(Akaike Information Criterion), BSC
(Bayesian Schwartz Information Criterion)
dan nilai Likelihood Ratio statistics. Nilai
Pearson Chi-squares dan Deviance yang lebih
mendekati derajat bebasnya menunjukkan
model yang lebih baik. Sedangkan nilai AIC
dan BSC yang lebih kecil menujukkan model
yang lebih baik dan untuk nilai Likelihood
Ratio Statistics yang menunjukkan Tolak H0
berarti model tersebut yang lebih baik, karena
mengindikasikan adanya overdispersi pada
data.
Famoye, Wulu & Singh (2004)
menyatakan untuk goodness of fits dapat pula
digunakan nilai log-likelihood di mana model
dengan nilai log-likelihood yang lebih besar
menunjukkan model yang lebih baik.
2
BAHAN DAN METODE
Bahan
Data yang digunakan dalam penelitian ini
adalah data sekunder jumlah kelulusan siswa
tiap SMA di DKI Jakarta yang diperoleh dari
Dinas Pendidikan Menengah dan Tinggi
(DIKMENTI) Propinsi DKI Jakarta. Peubah
respon yang diamati adalah jumlah siswa yang
tidak lulus UN tahun ajaran 2005-2006 dan
2006-2007. Peubah penjelas yang digunakan
berupa data karakteristik SMA tahun ajaran
2007/2008 disajikan pada Tabel 1.
Pada penelitian ini untuk membangun
model dimasukkan pula peubah offset, yaitu
suatu peubah penjelas yang dimasukkan ke
dalam model namun nilai koefisiennya tidak
diestimasi tapi diasumsikan nilainya sama
dengan 1 dan biasanya nilainya bervariasi dari
satu observasi ke observasi lain. Peubah yang
k 
 digunakan sebagai peubah offset adalah jumlah
peserta UN.
Metode
Tahapan metode yang dilakukan dalam
penelitian ini disajikan pada Gambar 1. Secara
lengkap langkah-langkah yang dilakukan
adalah sebagai berikut :
1. Analisis statistika deskriptif jumlah siswa
tidak lulus UN per rayon wilayah.
2. Deskripsi peubah penjelas untuk
mendapatkan karakteristik SMA pada
masing-masing tahun ajaran.
3. Pendeteksian overdispersi pada data dengan
melihat nilai Pearson Chi-squares dan
Deviance yang dibagi dengan derajat
bebasnya.
4. Melakukan analisis Regresi Poisson dan
Regresi Binomial Negatif untuk
mengetahui faktor-faktor eksternal yang
berpengaruh terhadap jumlah siswa yang
tidak lulus UN.
5. Interpretasi model Regresi Poisson dan
Regresi Binomial Negatif.
6. Identifikasi kebaikan model Regresi
Poisson dan Regresi Binomial Negatif
dengan melihat nilai AIC, BSC, Pearson
Chi-squares, Deviance, Likelihood ratio
statistics dan log-likelihood dalam
permasalahan overdispersi.
Software yang digunakan dalam penelitian
ini adalah Microsoft Excel 2007, SPSS 15,
Stata 10 dan SAS 9.1.