2.

1 Pengertian Regresi Logistik

Regresi logistik merupakan bagian dari model-model statistika yang disebut model linear yang
digeneralisasi. Dilihat dari variabel independen, regresi logistik terbagi menjadi dua yaitu regresi logistik
sederhana (hanya memiliki satu variabel independen) dan regresi logistik berganda (memiliki lebih dari
satu variabel independen) sedangkan jika dilihat dari variabel dependennya, regresi logistik dibedakan
menjadi dua yaitu regresi logistik biner (variabel dependennya dichotomous atau hanya memiliki dua
kategori) dan regresi logistik ordinal (variabel dependennya memiliki lebih dari dua kategori atau
polytomous). Regresi logistik merupakan metode statistik yang diterapkan untuk memodelkan variabel
respon yang bersifat kategori (skala nominal/ordinal) berdasarkan satu atau lebih pengubah prediktor
yang dapat berupa variabel kategori maupun kontinu (skala interval atau rasio).
Analisis regresi logistik adalah analisis yang digunakan untuk melihat hubungan antara variabel
dependen yang berupa data kualitatif dengan variabel independen yaitu data kualitatif maupun kuantitatif.
Peubah respon/dependen dalam regresi logistik membentuk kolom (biner) maupun polikotom (ordinal
atau nominal). Tidak seperti regresi linier biasa, regresi logistik tidak mengasumsikan hubungan antara
variabel independen dan dependen secara linier. Regresi logistik merupakan regresi non linier dimana
model yang ditentukan akan mengikuti pola kurva linier. Regresi logistik akan membentuk variabel
prediktor/respon yang merupakan kombinasi linier dari variabel independen. Nilai variabel independen
ini kemudian ditransformasikan menjadi probabilitas dengan fungsi logit.

2.2 Model Regresi Logistik

Model regresi logistik adalah pemodelan statistik yang diterapkan untuk memodelkan variabel
dependen yang bersifat kategori berdasarkan satu atau lebih variabel independen. Model regresi logistik
dinyatakan dalam bentuk model probabilitas. Pada model ini, variabel dependennya adalah logit dari
probabilitas suatu situasi yang akan berlaku dengan syarat atau kondisi adanya variabel-variabel bebas
tertentu. Regresi logistik menghasilkan rasio peluang yang dinyatakan dengan transformasi fungsi
logaritma (log), dengan demikian fungsi transformasi log ataupun ln diperlukan untuk p-value sehingga
dapat dinyatakan bahwa logit(p) merupakan log dari peluang (odds ratio) atau likehood ratio dengan
kemungkinan terbesar nilai peluang adalah 1, dengan demikian persamaan regresi logistik menjadi :

𝑝 𝑝
𝑙𝑜𝑔𝑖𝑡 (𝑝) = log( ) = ln( )
1−𝑝 1−𝑝
dimana 𝑝 bernilai antara 0-1.

Secara umum, model yang digunakan pada regresi logistik adalah

𝑝
log( ) = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑘 𝑋𝑘
1−𝑝
dengan 𝑋1 , 𝑋2 , … , 𝑋𝑘 adalah variabel independen dan 𝛽 adalah koefisien regresi.

2.3 Tujuan Penggunaan Regresi Logistik

1. Menghitung peluang (probabilitas)
 2. Mengklasifikasikan subjek berdasarkan probabilitas
Pengklasifikasian subjek pada analisis regresi logistik dapat dilakukan dengan melihat
perbedaan karakteristik antar kelompok atau subjek. Perbedaan karakteristik antar kelompok
dapat dilihat dengan membahas nilai odds ratio di masing-masing variabel independen dimana
nilai odds ratio adalah (exp(koefisien)) masing-masing variabel.
3. Mengetahui faktor yang mempengaruhi
Selain untuk menghitung peluang dan pengklasifikasian subjek, tujuan dari analisis
regresi logistik adalah untuk mengetahui faktor-faktor yang mempengaruhi terjadinya perbedaan
antar kelompok.

2.4 Manfaat Analisis Regresi Logistik

(a) Meramalkan terbentuknya variabel dependen pada individu berdasarkan nilai-nilai sejumlah
variabel independen yang terdapat pada individu tersebut.
(b) Mengukur hubungan antara variabel dependen dan independen, setelah mengontrol pengaruh
dependen (kovariat) lainnya.

2.5 Asumsi dan Ciri-ciri Regresi Logistik

Berikut ini adalah ciri-ciri dan asumsi yang digunakan dalam regresi logistik :
1. Regresi logistik tidak mengansumsikan hubungan linear antara variabel independen dengan
variabel dependen tetapi mengansumsikan hubungan yang linear antara log odds dari variabel
dependennya dengan variabel independennya.
2. Variabel dependen dan independennya tidak harus berdistribusi normal.
3. Asumsi homoskedastisitas tidak diperlukan.
4. Tidak adanya multikolinearitas.
5. Penambahan atau pengurangan alternatif variabel tidak mempengaruhi odds yang diasosiasikan.
6. Variabel independen tidak perlu diubah ke dalam bentuk metrik (interval atau skala ratio).
7. Variabel dependen bersifat dikotomi (2 kategori) untuk regresi logistik biner dan yang regresi
logistik ordinal (lebih dari 2 kategori).
8. Variabel independen tidak harus memiliki keragaman yang sama antar kelompok variabel.
9. Kategori dalam variabel independen harus terpisah satu sama lain atau bersifat eksklusif.
10. Dapat menyeleksi hubungan karena menggunakan pendekatan non linier log transformasi untuk
memprediksi odds ratio. Odds dalam regresi logistik sering dinyatakan sebagai probabilitas.

2.6 Jenis Regresi Logistik

a. Regresi Logistik Biner

 Pengertian
Regresi logistik biner merupakan regresi logistik dengan peubah respon hanya terdiri
dua kategori. Regresi logistik biner sangat tepat digunakan untuk melakukan pemodelan suatu
kemungkinan kejadian dengan variabel respon bertipe kategori dua pilihan, sebagai contoh:
 1. Seorang manajer melakukan pemodelan kemungkinan produk dibeli pelanggan. Variabel
respon kategorinya adalah dibeli dan tidak dibeli.
2. Seorang petugas kredit melakukan pemodelan kemungkinan klien lalai. Variabel respon
kategorinya adalah lalai dan tidak lalai.
 Model Logistik Biner
Berikut kurva dari model regresi logistik

Berdasarkan kurva diatas, didapatkan suatu bentuk fungsi regresi logistik yang dirumuskan
sebagai berikut :

𝑒 (𝛽0 +𝛽1𝑥1 )
𝜋(𝑥) =
1 + 𝑒 (𝛽0 +𝛽1 𝑥1)

Rumus tersebut memperlihatkan bahwa ketika 𝑥 → ∞, 𝜋(𝑥) ↓ 0 jika 𝛽 < 0 dan 𝜋(𝑥) ↑ 0
jika 𝛽 > 0. Jika 𝛽 → 0 kurvanya cenderung membentuk garis horizontal dan jika modelnya
dipenuhi dengan 𝛽 = 0 maka variabel dependen biner 𝑌 akan saling bebas pada 𝑥. Apabila
persamaan diatas ditransformasi menjadi bentuk logit maka persamaan berikut akan diperoleh :

𝜋(𝑥)
𝑔(𝑥) = 𝑙𝑜𝑔𝑖𝑡 (𝜋(𝑥)) = ln = 𝛽 0 + 𝛽1 𝑥
1 − 𝜋(𝑥)
dimana 𝑔(𝑥) merupakan fungsi hubungan dari model regresi logistik yang disebut sebagai
fungsi hubungan logit. Model regresi logistik pada persamaan di atas merupakan bentuk model
regresi logistik biner sederhana dengan satu variabel bebas. Model umum dari regresi logistik
biner dengan 𝑥𝑖 = (𝑥𝑖0 , 𝑥𝑖1 , … , 𝑥𝑖𝑘 ) menyatakan grup ke-𝑖 dari 𝑘 variabel bebas , 𝑖 =
1,2, . . , 𝑖 dan 𝑥𝑖0 = 1 adalah :
exp(∑𝑘𝑝=0 𝛽𝑝 𝑥𝑖𝑝 )
𝜋(𝑥𝑖 ) =
1 + exp(∑𝑘𝑝=0 𝛽𝑝 𝑥𝑖𝑝 )
dengan 𝑝 = 0,1,2, … , 𝑘 dan 𝛽0 = 𝛼 ketika 𝑥𝑖0 = 1.
b. Regresi Logistik Ordinal
 Pengertian
Regresi logistik ordinal merupakan salah satu analisis regresi yang digunakan untuk
menganalisa hubungan antara variabel dependen dengan variabel independen, dimana variabel
dependen bersifat polikotomus (lebih dari dua kategori) dengan skala ordinal.
 Model Logistik Ordinal
a. Model Logit Kumulatif
Model yang dapat digunakan untuk regresi logit ordinal adalah model logit kumulatif,
dimana pada model ini terdapat sifat ordinal dari respon 𝑌 yang dituangkan dalam peluang
kumulatif sehingga model logit kumulatif merupakan model yang didapatkan dengan cara
membandingkan peluang kumulatif yaitu peluang kurang dari atau sama dengan kategori
respon (dependen) ke-𝑗 pada 𝑝 variabel independen yang dinyatakan dalam vektor 𝑋,
𝑃(𝑌 ≤ 𝑗|𝑋) dengan peluang lebih besar daripada kategori respon ke- 𝑗, 𝑃(𝑌 > 𝑗|𝑋)
(Hosmer & Lemeshow, 1989). Peluang kumulatif, 𝑃(𝑌 ≤ 𝑗|𝑋) didefinisikan sebagai berikut
:

exp(𝛽0𝑗 + ∑𝑝𝑘=1 𝛽𝑘 𝑥𝑘 )
𝑃(𝑌 ≤ 𝑗|𝑋) =
1 + exp(𝛽0𝑗 + ∑𝑝𝑘=1 𝛽𝑘 𝑥𝑘 )
dengan 𝑗 = 1,2, … 𝑗 adalah kategori respon.
b. Metode Kemungkinan Maksimum
Metode kemungkinan maksimum digunakan untuk menjelaskan peluang
pengamatan sebagai suatu fungsi dari parameter yang tidak diketahui dapat dibangun dengan
suatu fungsi yang disebut likehood function. Metode ini digunakan untuk memaksimumkan
nilai dari fungsi tersebut (Hosmer & Lemeshow, 1989). Cara untuk menaksir parameter pada
regresi logistik multinomial adalah dengan metode kemungkinan maksimum.
Kategori respon (dependen) pada regresi logistik ordinal mempunyai urutan atau
ordering maka model logit yang digunakan adalah model logit kumulatif. Model logit
multiple respon dalam model logit adalah :
𝑙𝑜𝑔𝑖𝑡 𝑃 ≤ 𝑗|𝑋 = 𝜃𝑗 + 𝛽 𝑇 𝑋, 𝑗 = 1,2, … 𝑗 − 1

dimana 𝜃 merupakan vektor parameter intersep dan 𝛽 𝑇 = (𝛽1 , 𝛽2 , … , 𝛽𝑝 ) adalah vektor

parameter kemiringan atau slope. Jika 𝜃𝑗 < 𝜃𝑗+1 maka model ini adalah model kumulatif
dengan kemiringan yang sama yaitu model garis regresi yang berdasarkan pada peluang
kumulatif kategori respon.
Jika terdapat 𝐽 kategori respon maka model logistik ordinal yang terbentuk adalah :
𝑌1
𝐿𝑜𝑔𝑖𝑡 (𝑌1 ) = ln ( ) = 𝜃1 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑝 𝑋𝑝
1 − 𝑌1
 𝑌2
𝐿𝑜𝑔𝑖𝑡 (𝑌2 ) = ln ( ) = 𝜃2 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑝 𝑋𝑝
1 − 𝑌2
𝑌𝑗−1
𝐿𝑜𝑔𝑖𝑡 (𝑌𝑗−1 ) = ln ( ) = 𝜃𝑗−1 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑝 𝑋𝑝
1 − 𝑌𝑗−1
𝑇
𝑒 𝜃𝑗 𝛽 𝑥
𝑌𝑗 (𝑋) = 𝜋1 (𝑋) + 𝜋1 (𝑋) + ⋯ + 𝜋1 (𝑋) = 𝑇
1 + 𝑒 𝜃𝑗 𝛽 𝑥

dengan 𝑗 = 1,2, … , 𝑗 − 1
c. Fungsi Likehood
Menurut Kim (2004), ketika lebih dari satu observasi 𝑌 muncul pada nilai 𝑋𝑖 maka
cara yang digunakan adalah cukup dengan mencatat jumlah observasi 𝑛𝑗𝑖 dan jumlah hasil ′𝑗′

untuk 𝑗 = 1,2, … , 𝐽 sehingga [𝑌𝑖 = 1,2, … , 𝑛] adalah variabel acak yang berdistribusi
multinomial independen dengan 𝐸𝑌𝑖 = 𝑛𝑗𝑖 𝑦𝑗 (𝑋𝑖 ) dimana 𝑛1𝑖 + ⋯ + 𝑛𝑗𝑖 = 1
sedemikian sehingga dapat dinyatakan :
𝑅1𝑖 = 𝑛1𝑖
{𝑅2𝑖 = 𝑛1𝑖 + 𝑛2𝑖
𝑅𝐽𝑖 = 1
Peluang kumulatif digunakan dalam menaksir parameter maka likehood dapat ditulis
sebagai perkalian 𝐽 − 1 kategori, sehingga fungsi kepadatan peluang bersama dari
(𝑌1 , 𝑌2 , … , 𝑌𝑛 ) adalah sama dengan perkalian 𝑛 fungsi multinomial. Fungsi likehoodnya
adalah

𝑛
𝑌1𝑖 𝑅1𝑖 𝑌2𝑖 − 𝑌1𝑖 𝑅2𝑖−𝑅1𝑖 𝑌2𝑖 𝑅2 𝑌3𝑖 − 𝑌2𝑖 𝑅3𝑖−𝑅2𝑖 𝑌2𝑖 − 𝑌1𝑖 𝑅2𝑖−𝑅1𝑖
𝐿(𝜃, 𝛽) = ∏ {( ) ( ) } 𝑋 {( ) ( ) } … 𝑋 {( ) }
𝑌2𝑖 𝑌21 𝑌3𝑖 𝑌31 𝑌21
𝑖=1

𝑅𝑗𝑖 −𝑅(𝑗−1)𝑖
𝑌𝑗𝑖 − 𝑌(𝑗−1)𝑖
= ( )
𝑌𝑗𝑖

2.8 Proses Analisis Regresi Logistik

Untuk melakukan analisis regresi logistik ada beberapa proses yang harus dilakukan. Proses
analisis regresi logistik tersebut meliputi :
1. Menentukan model regresi logistik
2. Melakukan pengujian parameter model regresi
a. Uji Kelayakan Model (Goodness of Fit)
Uji kelayakan model dilakukan dengan menggunakan uji statistik Deviance. Deviance
didasarkan pada kriteria rasio likehood untuk membandingkan model current (model tanpa
peubah independen) dengan model penuh (model dengan peubah independen). Statistik uji
Deviance didefinisikan dengan rumus :
 𝑛
𝜋̂𝑖 1 − 𝜋̂𝑖
𝐷 = −2 ∑ [𝑦𝑖 ln ( ) + (1 − 𝑦𝑖 ) ln ( )]
𝑦𝑖 1 − 𝑦𝑖
𝑖=1
dengan
exp(𝑔(𝑥𝑖 ))
𝜋̂ =
1 + exp(𝑔(𝑥𝑖 ))
𝑔(𝑥𝑖 ) = 𝛽0 + 𝛽1 𝑥𝑖1 + ⋯ + 𝛽𝑝 𝑥𝑖𝑝 , 𝑖 = 1,2, … , 𝑛
b. Uji Keberartian Model
Prosedur uji perbandingan kemungkinan (ratio likehood test) dapat digunakan untuk
menguji keberartian model regresi logistik. Statistika uji-G digunakan untuk menguji peranan
variabel independen di dalam model secara bersama-sama (Hosmer & Lemeshow, 1989). Uji ini
membandingkan model lengkap (model dengan variabel independen) terhadap model yang hanya
dengan konstanta secara signifikan lebih baik dari model lengkap dengan rumus sebagai berikut :
𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 Model B
𝐺 = −2 ln [ ]
𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 Model A
Keterangan :

𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 Model A : model yang hanya terdiri dari konstanta saja

𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 Model B : model lengkap (model dengan variabel independen)
c. Uji Keberartian Parameter secara Parsial
Uji keberartian parameter secara parsial dapat dilakukan menggunakan uji Wald. Uji
Wald dapat digunakan untuk menguji ketika hanya ada satu parameter yang diuji (Kleinbaum &
Klein, 2002). Uji Wald digunakan untuk menguji pengaruh variabel independen terhadap
variabel dependen dengan cara membandingkan nilai statistik wald dengan nilai pembanding
Chi-square pada derajat bebas (dB) =1 pada alpha 5% atau dengan membandingkan nilai
signifikansi (p-value) dengan alpha 5% dimana jika p-value < 𝛼 maka menunjukkan bahwa
hipotesis diterima atau terdapat pengaruh yang signifikan dari variabel independen X terhadap
variabel dependen Y secara parsial. Statistik uji Wald dihitung dengan membagi parameter yang
ditaksir oleh galat baku dari paramater yang ditaksir.

𝛽̂𝑘𝑖
𝑍=
𝑆𝐸 (𝛽̂𝑘𝑖 )
Keterangan :

𝛽̂𝑘𝑖 : penaksir 𝛽𝑘𝑖

𝑆𝐸 (𝛽̂𝑘𝑖 ) : penaksir galat baku 𝛽𝑘𝑖

Statistik uji ini berdistribusi normal dalam ukuran sampel yang besar. Kuadrat statistik
uji yang berdistribusi normal ini adalah statistik chi-square dengan derajat kebebasan 𝑣 = 1,
yaitu :
 2
2
𝛽̂𝑘𝑖
𝑍 = ( )
𝑆𝐸 (𝛽̂𝑘𝑖 )
d. Uji Koefisien Determinasi McFadden, Cox dan Snell, Nagelkerke
Pengujian koefisien determinasi dilakukan dengan melihat seberapa besar variabel-
variabel independen mempengaruhi nilai variabel dependen. Koefisien Nagelkerke diperoleh dari
penyempurnaan nilai koefisien determinasi Cox dan Snell.
Berikut rumus untuk mencari koefisien determinasi McFadden

2
𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 (𝑀𝑜𝑑𝑒𝑙 𝐵)
𝑅𝑀𝐹 =1−[ ]
𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 (𝑀𝑜𝑑𝑒𝑙 𝐴)
Berikut rumus untuk mencari koefisien determinasi Cox dan Snell

2
2
𝑅𝑐𝑠 = 1 − exp [− [𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 (𝑀𝑜𝑑𝑒𝑙 𝐵) − 𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 (𝑀𝑜𝑑𝑒𝑙 𝐴)]]
𝑛
Berikut rumus untuk mencari koefisien determinasi Nagelkerke

2
2
𝑅𝑀𝐴𝑋 = 1 − exp [− × [𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 (𝑀𝑜𝑑𝑒𝑙 𝐴)]]
𝑛
2
𝑅𝑐𝑠
𝑅𝑁2 = [ 2 ]
𝑅𝑀𝐴𝑋
2
dimana 𝑅𝑁 merupakan koefisien determinasi Nagelkerke.

3. Interpretasi Model
Pada metode regresi linier, koefisien 𝛽1 menunjukkan perubahan nilai variabel
dependen sebagai akibat perubahan satu satuan variabel independen. Hal yang sama sebenarnya
juga berlaku dalam model regresi logit, tetapi secara matematis sulit diinterpretasikan.
Koefisien dalam model logit menunjukkan perubahan dalam logit sebagai akibat
perubahan satu satuan variabel independen. Interpretasi yang tepat untuk koefisien ini tentunya
bergantung pada kemampuan menempatkan arti dari perbedaan antara dua logit. Oleh karena itu,
dalam model logit dikembangkan pengukuran yang dikenal dengan nama Odds ratio (𝜓). Odds
ratio secara sederhana dapat dirumuskan sebagai :

𝜓 = 𝑒𝛽
dimana 𝑒 adalah bilangan 2,71828 dan 𝛽 adalah koefisien masing-masing variabel independen.

Berikut diagram alir atau flowchart dari proses analisis regresi logistik

3.1 Jenis dan Sumber Data

Pada makalah ini hanya akan dibahas mengenai implementasi dari analisis regresi logistik
ordinal, sehingga variabel dependen Y terdiri lebih dari dua kategori dengan skala ordinal. Regresi
logistik ordinal dalam hal ini diimplementasikan pada penelitian mengenai pengaruh pelayanan di
 Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) terhadap kepuasan mahasiswa Offering
Statistika 2016 Jurusan Matematika UM
Pada penelitian ini digunakan satu tipe data yaitu data primer. Data primer merupakan data
yang dikumpulkan dan diolah sendiri oleh peneliti (Setyobudi, 2016). Data primer dalam penelitian ini
didapatkan dengan menyebar kuisioner kepada 30 responden yang berada di Offering Statistika 2016
Jurusan Matematika UM. Pengambilan data pada kuesioner dilakukan di FMIPA UM yaitu pada jam
perkuliahan antara pukul 08.00-12.00. Pengambilan data dilakukan selama satu hari. (kuisioner
relampir pada Lampiran)

3.2 Variabel Penelitian

Variabel merupakan besaran yang memiliki variasi nilai (Setyobudi, 2016). Pada penelitian
ini variabel yang digunakan meliputi dua variabel yaitu variabel bebas (independen) dan terikat
(dependen). Variabel independen dalam penelitian ini terdapat 3 variabel yang terdiri dari 22 indikator
yaitu aspek administrasi dengan 8 indikator, aspek pengajaran dengan 4 indikator, dan aspek sarana
prasarana dengan 10 indikator. Sedangkan variabel dependen terdiri dari 1 variabel yaitu kepuasan
mahasiswa untuk pelayanan secara keseluruhan di FMIPA UM. Variabel-variabel tersebut diperoleh
dari penelitian yang telah dilakukan sebelumnya oleh Riski Fajar Setyobudi pada tahun 2016 dengan
judul “Analisis Model Regresi Logistik Ordinal Pengaruh Pelayanan di Fakultas Matematika dan Ilmu
Pengetahuan Alam Terhadap Kepuasan Mahasiswa FMIPA UNNES”.
Berikut tabel variabel penelitian yang disertai dengan indikatornya.

Tabel 1. Variabel Penelitian

3.3 Metode Analisis Data

Berikut langkah-langkah dari analisis data menggunakan regresi logistik ordinal.
1. Menyusun instrumen kuisioner yang dilakukan dengan melihat aspek-aspek yang terdapat pada
FMIPA UM. Pertanyaan yang berupa aspek-aspek penelitian menggunakan empat skala penilaian
yang merupakan kategori dari variabel dependen Y. Berikut rincian dari skala penilaian.
Tabel 2. Skala Penilaian
Skala Keterangan
3 Sangat Puas
2 Puas
1 Cukup
0 Buruk

2. Melakukan uji validitas dan reliabilitas.

 Uji validitas dilakukan sebelum kuisioner disebar kepada responden yang menjadi
instrumen penelitian dengan cara menganalisis butir soal yaitu menghitung korelasi antar masing-
masing pertanyaan dengan skor total menggunakan rumus korelasi pearson product momen, yaitu
:
𝑁 ∑ 𝑋𝑌 − ∑ 𝑋 ∑ 𝑌
𝑟𝑥𝑦 =
√(𝑁 ∑ 𝑋 2 − (∑ 𝑋)2 )(𝑁 ∑ 𝑌 2 − (∑ 𝑌)2 )
Keterangan :

𝑟𝑥𝑦 = korelasi product moment

𝑋 = Skor butir pertanyaan
𝑌 = Skor total
𝑁 = Jumlah responden

Pengujian alat pengumpulan data yang kedua adalah pengujian reliabilitas. Suatu
instrumen dikatakan reliabel jika pengukurannya konsisten, cermat, dan akurat (Setyobudi, 2016).
Formula yang digunakan untuk menguji reliabilitas instrumen dalam penelitian ini adalah
koefisien Cronbach Alpha, yaitu
𝑘 ∑ 𝜎𝑖2
𝑟11 =( ) (1 − 2 )
𝑘−1 𝜎𝑡

Dengan rumus varians :

(∑ 𝑋)2
∑ 𝑥2 −
𝜎2 = 𝑁
𝑁
Keterangan :

𝑟11 = Realibilitas instrumen atau koefisien alfa

𝑘 = Banyaknya butir soal

∑ 𝜎𝑖2 = Jumlah varians butir soal

𝜎𝑡2 = Varians total

𝑁 = Jumlah responden
3. Melakukan uji kebebasan antar variabel (multikolinearitas).
Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya
korelasi antar variabel independen. Suatu model regresi menunjukkan adanya multikolinearitas
jika :
1. Tingkat korelasi > 95%
2. Nilai Tolerance < 0,10
3. Nilai VIF > 10
Suatu model regresi dikatakan baik apabila tidak terjadi korelasi antar variabel independennya
(Ghozali, 2007).
4. Membuat dan menduga model regresi logistik.
5. Melakukan pengujian parameter, diantaranya :
a. Menguji kelayakan model logit (Goodness of Fit) dengan menggunakan metode Deviance.
Statistik uji Deviance dilakukan dengan cara sebagai berikut.
 Rumusan Hipotesis :
𝐻0 : Model logit layak digunakan
𝐻1 : Model logit tidak layak digunakan
 Statistik Uji
𝑛
𝜋̂𝑖 1 − 𝜋̂𝑖
𝐷 = −2 ∑ [𝑦𝑖 ln ( ) + (1 − 𝑦𝑖 ) ln ( )]
𝑦𝑖 1 − 𝑦𝑖
𝑖=1
Dengan
exp(𝑔(𝑥𝑖 ))
𝜋̂ =
1 + exp(𝑔(𝑥𝑖 ))
𝑔(𝑥𝑖 ) = 𝛽0 + 𝛽1 𝑥𝑖1 + ⋯ + 𝛽𝑝 𝑥𝑖𝑝 , 𝑖 = 1,2, … , 𝑛
 Kriteria Pengujian
Statistik D akan mengikuti sebaran 𝑋 2 dengan derajat kebabasan 𝑛 − 𝑝. Kriteria
2
keputusan yang diambil yaitu menolak 𝐻0 jika 𝐷ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑋𝑎(𝑛−𝑝) .

 Kesimpulan penaksiran 𝐻0 ditolak atau diterima

b. Menguji peranan variabel independen di dalam model secara bersama-sama (serentak)
menggunakan uji-G. Adapun langkah-langkah pengujian untuk uji perbandingan
kemungkinan adalah sebagai berikut :
 Rumusan Hipotesis
𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑝 = 0 (tidak ada pengaruh variabel independen secara simultan
terhadap variabel dependen)
𝐻1 : sekurang-kurangnya terdapat satu 𝛽𝑗 ≠ 0 , 𝑗 = 1,2, … , 𝑝 (ada pengaruh paling
sedikit satu variabel independen secara simultan terhadap variabel dependen)

 Besaran yang diperlukan

Hitung −2 ln 𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 model A dan −2 ln 𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 model B
 Statistik Uji
𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 Model B
𝐺 = −2 ln [ ]
𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑 Model A
 Kriteria Pengujian
2
Kriteria ini mengambil tarif nyata 𝛼 maka 𝐻0 ditolak jika 𝐺 > 𝑋(𝑎,𝑣) dimana 𝑣 adalah

banyaknya variabel independen.

 Kesimpulan penaksiran 𝐻0 ditolak atau diterima.
 c. Menguji keberartian parameter secara parsial atau individu menggunakan uji Wald. Berikut
langkah-langkahnya :
 Rumusan Hipotesis
𝐻0 : 𝛽𝑘𝑖 = 0 (variabel independen ke-𝑘 tidak memiliki pengaruh yang siginifikan
secara parsial terhadap variabel dependen).
𝐻1 : 𝛽𝑘𝑖 ≠ 0 (variabel independen ke-𝑘 memiliki pengaruh yang signifikan secara
parsial terhadap variabel dependen).
 Besaran yang diperlukan

Hitung 𝛽̂𝑘𝑖 dan 𝑆𝐸 (𝛽̂𝑘𝑖 )

 Statistik Uji
2
𝛽̂𝑘𝑖
𝑍2 = ( )
𝑆𝐸 (𝛽̂𝑘𝑖 )
 Kriteria Pengujian
2
Mengambil taraf nyata 𝛼 maka 𝐻0 ditolak jika 𝑍 2 > 𝑋(𝑎,1)
 Kesimpulan penaksiran 𝐻0 ditolak atau diterima.
d. Melakukan uji koefisien determinasi McFadden, Cox dan Snell, Nagelkerke.
6. Melakukan interpretasi model. Jika model regresi logistik ordinal telah diuji dan hasil modelnya
baik dan signifikansinya nyata maka data tersebut dapat diinterpretasikan dengan menggunakan
uji Odds ratio sebagai berikut :
Misalnya 𝑌 = 0 digunakan sebagai kategori pembanding, odds ratio untuk 𝑌 = 𝑗
terhadap 𝑌 = 0 yang dihitung pada dua nilai 𝑥 = 𝑎 dan 𝑥 = 𝑏 adalah

𝑃(𝑌 = 𝑗|𝑥 = 𝑎)/𝑃(𝑌 = 0|𝑥 = 𝑎)

𝜓𝑗 (𝑎, 𝑏) =
𝑃(𝑌 = 𝑗|𝑥 = 𝑏)/𝑃(𝑌 = 0|𝑥 = 𝑏)

Nilai odds ratio 𝜓 digunakan untuk menunjukkan kecenderungan hubungan suatu variabel X
terhadap variabel Y dan selalu bernilai positif. Misalnya 𝜓 = 1 berarti bahwa 𝑥 = 𝑎
mempunyai resiko yang sama dengan 𝑥 = 𝑏 untuk menghasilkan 𝑌 = 𝑗. Apabila 1 < 𝜓 < ∞
berarti 𝑥 = 𝑎 memiliki resiko lebih tinggi 𝜓 kali dibandingkan 𝑥 = 𝑏 untuk menghasilkan
𝑌 = 𝑗 begitupun sebaliknya.
Berikut adalah diagram alir atau flowchart dari metode analisis data menggunakan analisis
regresi logistik ordinal

Mulai

Data
 Ya

Uji
Multikolinearita
s

Tidak

Menentukan model regresi

logistik

Tidak

Uji kelayakan
model
Ya

Tidak

Uji keberartian model (uji

peranan v.independen
secara serentak)
Ya

Eliminasi
variabel
Uji keberartian Tidak
independen
parameter secara yg tidak
parsial berpengaruh
Ya terhadap
variabel
dependen

Menguji koefisien
determinasi

Interpretasi
Model
 Selesai

4.1 Uji Validitas dan Reliabilitas Kuisioner

Uji validitas dan reliabilitas dilakukan pada item-item pertanyaan untuk melihat korelasi antar
pertanyaan dari kuisioner dan melihat kekonsistenan kuisioner.
a. Uji Validitas
Uji validitas menggunakan rumus korelasi product momen pearson dan diolah menggunakan
SPSS 16. Total responden yang akan diuji adalah 30 responden Mahasiswa Offering Statistika 2016
Jurusan Matematika UM. Hipotesis yang akan diuji adalah :
𝐻0 : Tidak adanya korelasi antar pertanyaan kuisioner (𝑟ℎ𝑖𝑡𝑢𝑛𝑔 < 𝑟𝑡𝑎𝑏𝑒𝑙 )
𝐻1 : Adanya korelasi antar pertanyaan kuisioner (𝑟ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑟𝑡𝑎𝑏𝑒𝑙 )
Taraf kepercayaan yang digunakan adalah 95% (𝛼 = 0,05). Pengujian validitas dilakukan
dengan cara membandingkan nilai 𝑟ℎ𝑖𝑡𝑢𝑛𝑔 dengan 𝑟𝑡𝑎𝑏𝑒𝑙 . Apabila hasil pengujian menunjukkan

𝑟ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑟𝑡𝑎𝑏𝑒𝑙 maka terdapat korelasi atau pertanyaan memiliki validitas. Berdasarkan hasil
pengujian menggunakan SPSS 16 maka hasil uji validitas adalah sebagai berikut.
Tabel 3. Hasil Uji Validasi

Variabel Butir Pertanyaan Korelasi Sig R Tabel Ket

Kemudahan 0,754 0,000 Valid

mengurus surat
Keramahan petugas 0,544 0,002 Valid
Kesediaan petugas 0,522 0,003 Valid
Aspek perpustakaan
Administrasi Kemudahan 0,700 0,000 Valid
(𝑋1) SIPEJAR
Kemudahan 0,564 0,001 Valid
SIAKAD
Jadwal kuliah 0,543 0,002 Valid
Kemudahan 0,700 0,000 Valid
informasi
Ketersediaan sarana 0,556 0,001 Valid
Perhatian dosen 0,579 0,001 Valid
Ketepatan waktu 0,484 0,007 Valid
Aspek Penyampaian materi 0,372 0,043 Valid
Pengajaran
(𝑋2) Materi Jelas 0,424 0,019 Valid
Area parkir 0,587 0,001 Valid
Kebersihan 0,589 0,001 Valid
Ruang Kelas 0,526 0,003 Valid
 Fas.Perpustakaan 0,463 0,010 Valid
Fas.Laboratorium 0,582 0,001 Valid
Aspek Sarana 0,361
Fas.Kegiatan 0,676 0,000 Valid
dan Prasarana Mahasiswa
(𝑋3) Koneksi internet 0,562 0,001 Valid
Gazebo 0,401 0,028 Valid
Kantin 0,597 0,000 Valid
Tempat Ibadah 0,580 0,001 Valid

Hasil pengujian validitas untuk setiap butir pertanyaan pada 3 aspek yang dinilai yaitu aspek
administrasi, aspek pengajaran, dan aspek sarana prasarana di FMIPA UM diketahui bahwa nilai
korelasi semua butir pertanyaan lebih besar dari 𝑟𝑡𝑎𝑏𝑒𝑙 dengan (0,361) sehingga keputusannya adalah

menolak 𝐻0 dan menerima 𝐻1 . Kesimpulan dari uji validitas adalah bahwa ada keterkaitan pada
setiap butir pertanyaan di kuisioner.
b. Uji Reliabilitas
Uji reliabilitas dilakukan dari 30 responden Mahasiswa Offering Statistika 2016 Jurusan
Matematika UM menggunakan rumus cronbach’s alpha. Hipotesis yang akan diuji adalah sebagai
berikut.
𝐻0 : Kuisioner tidak bisa memberikan hasil yang konsisten sebagai alat ukur survei (𝑟ℎ𝑖𝑡𝑢𝑛𝑔 <
0,7)
𝐻1 : Kuisioner bisa memberikan hasil yang konsisten sebagai alat ukur survei (𝑟ℎ𝑖𝑡𝑢𝑛𝑔 > 0,7)
Berikut hasil pengujian reliabilitas menggunakan SPSS 16.

Tabel 4. Uji Reliabilitas

Berdasarkan hasil perhitungan uji reliabilitas didapatkan nilai cronbach’s alpha kuisioner
adalah 0,894. Nilai ini lebih besar dari standar minimal agar kuisioner dapat dijadikan sebagai alat
ukur yaitu 0,7 (Setyobudi, 2016). Keputusan yang dapat diambil adalah menolak 𝐻0 dan menerima
𝐻1 , sehingga kesimpulannya adalah kuisioner yang digunakan untuk menganalisis tingkat kepuasan
mahasiswa dapat dijadikan alat ukur yang reliability dan memberikan hasil yang konsisten.
4.2 Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk melihat kebebasan antar variabel independen. Hipotesis
yang digunakan adalah sebagai berikut :
𝐻0 = Variabel 𝑥1, , 𝑥2, 𝑥3 bersifat multikolinearitas (VIF > 10)
𝐻1 = Variabel 𝑥1, , 𝑥2, 𝑥3 tidak bersifat multikolinearitas (VIF ≤ 10)
Berikut hasil perhitungan uji multikolinearitas menggunakan SPSS 16.

Tabel 5. Hasil Uji Multikolinearitas

Variabel VIF
Administrasi (𝑋1) 2,378
Pengajaran (𝑋2) 1,274
Sarana Prasarana (𝑋3) 2,071

Berdasarkan hasil perhitungan diketahui bahwa perhitungan multikolinearitas antar variabel

memenuhi kriteria yang ditentukan yaitu nilai VIF < 10 maka keputusan yang diambil adalah
menolak dan menerima . Kesimpulannya adalah antar variabel bebas (aspek administrasi,
aspek pengajaran dan aspek sarana prasarana) tidak terdapat masalah multikolinearitas.

4.3 Model Regresi

Berikut adalah hasil pendugaan model regresi logistik ordinal mengenai pelayanan FMIPA
UM terhadap kepuasan mahasiswa Offering Statistika 2016 Jurusan Matematika UM menggunakan
SPSS16.
Tabel 6. Model Regresi

Estimate
Threshold [𝑌 = 0] 29,546

[𝑌 = 1] 40,389

[𝑌 = 2] 54,072

Variabel Administrasi (𝑋1) 1,064

Pengajaran (𝑋2) −0,339

Sarana Prasarana (𝑋3) 1,949

Dari output diatas dihasilkan persamaan regresi logistik sebagai berikut:

𝐿𝑜𝑔𝑖𝑡 (𝑌0 ) = 29,546 + 1,064 𝑋1 − 0,339 𝑋2 + 1,949 𝑋3
𝐿𝑜𝑔𝑖𝑡 (𝑌1 ) = 40,389 + 1,064 𝑋1 − 0,339 𝑋2 + 1,949 𝑋3
𝐿𝑜𝑔𝑖𝑡 (𝑌2 ) = 54,072 + 1,064 𝑋1 − 0,339 𝑋2 + 1,949 𝑋3
 Hasil tersebut berdasar dari melihat rumus pada model regresi ordinal, dimana nilai
merupakan nilai variabel konstanta, jika dilihat dari output diatas variabel konstanta dapat dilihat
pada kolom Estimate dan pada baris Threshold dengan nilai sebesar 29,546 ; 40,389 dan 54,072.
Sedangkan nilai merupakan nilai variabel independen, jika dilihat dari output diatas variabel
independen dapat dilihat pada kolom Estimate dan pada baris Location dengan nilai masing-
masing sebesar 1,064 ; -0,339 dan 1,949 sehingga didapatkan hasil persamaan seperti diatas.

4.4 Pengujian Parameter Model Regresi

a. Uji Kelayakan Model (Goodness of Fit)

Uji kelayakan model (Goodness of Fit) dilakukan untuk melihat apakah model regresi
logistik ordinal yang didapat layak untuk digunakan. Berikut adalah hasil uji kelayakan model
menggunakan uji Metode Deviance pada SPSS 16 :
Tabel 7. Uji Kelayakan Model

Hipotesis yang diuji adalah :

𝐻0 : Model logit layak untuk digunakan
𝐻1 : Model logit tidak layak untuk digunakan
Pada output diatas diketahui bahwa nilai Chi-Square Metode Deviance sebesar 3,960 dengan

derajat bebas sebesar 75. Kriteria pengujiannya adalah menolak jika ,

2 2
karena nilai 𝑋(0,05;75) = 96,216 maka 𝐷 < 𝑋(0,05;75) sehingga menerima . Selain itu,

karena nilai signifikansi pada Uji Deviance di atas diperoleh sebesar 1,000 yang lebih besar dari 0,05
maka dapat disimpulkan bahwa model logit tersebut layak untuk digunakan.
b. Uji Keberartian model
Uji keberartian model digunakan untuk menguji peranan variabel independen di dalam model
secara bersama-sama (serentak) atau dalam kata lain untuk menguji pengaruh variabel independen
secara simultan terhadap variabel dependen. Berikut adalah hasil uji keberartian model melalui uji
statistik G menggunakan SPSS 16 :
Tabel 8. Uji Statistik G
Hipotesis yang diuji adalah:
𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑝 = 0 , (tidak ada pengaruh variabel independen secara simultan terhadap
variabel dependen)
𝐻1 : sekurang-kurangnya terdapat satu 𝛽𝑗 ≠ 0 , 𝑗 = 1,2, … , 𝑝 (ada pengaruh paling sedikit satu
variabel independen secara simultan terhadap variabel dependen)

Berdasarkan data tersebut maka diketahui bahwa nilai statistik G sebesar 70,267. Kriteria
pengujian dilakukan dengan mengambil taraf nyata dari tabel distribusi chi-square

diperoleh , karena nilai statistik G pada output tersebut sebesar 70,267 yang

berarti bahwa nilai statistik G lebih besar dari nilai maka keputusannya yaitu

menolak dan menerima sehingga terdapat salah satu .

c. Uji Keberartian Parameter
Uji keberartian parameter digunakan untuk menguji pengaruh variabel independen ke-𝑘
secara parsial terhadap variabel dependen. Berikut adalah hasil uji keberartian parameter melalui Uji
Wald menggunakan SPSS 16.
Tabel 9. Hasil Uji Wald

Variabel Wald df Sig.

Administrasi (𝑋1) 2,974 1 0,095
Pengajaran (𝑋2) 0,333 1 0,564
Sarana Prasarana (𝑋3) 5,922 1 0,015

Hasil pengujian parameter Wald pada output di atas menjelaskan bahwa variabel sarana
prasarana adalah variabel yang mempunyai pengaruh signifikan secara parsial terhadap kepuasan
mahasiswa Offering Statistika 2016 Jurusan Matematika UM terhadap pelayanan di FMIPA UM
dikarenakan variabel tersebut mempunyai nilai signifikansi atau dengan kata lain

menolak jika dimana nilai dari sebesar 3,84 dan 𝑍 2 = 5,922

sedangkan untuk variabel administrasi dan pengajaran dapat dikatakan tidak berpengaruh signifikan
secara parsial terhadap kepuasan mahasiswa Offering Statistika 2016 Jurusan Matematika UM
terhadap pelayanan di FMIPA UM.
d. Koefisien Determinasi Model
Besarnya nilai koefisien determinasi pada model regresi logistik ditunjukkan oleh nilai Mc
Fadden, Cox dan Snell, Nagelkerke R Square.
 Tabel Determinasi dapat dilihat pada Tabel dibawah ini :

Tabel 10. Koefisien Determinasi

Tabel di atas menunjukkan nilai koefisien determinasi Mc Fadden sebesar 0,970

sedangkan koefisisien determinasi Cox dan Snell sebesar 0,904 dan koefisien determinasi
Negelkerke sebesar 0,993 atau sebesar 99,3%. Koefisien Negelkerke sebesar 99,3% yang berarti
bahwa variabel independen yaitu aspek administrasi, aspek pengajaran dan aspek saran prasarana
mempengaruhi penilaian kepuasan secara umum sebesar 99,3% sedangkan 0,7% dipengaruhi oleh
faktor lain yang tidak termasuk dalam pengujian model.

4.5 Interpretasi Model

Jika model regresi logistik ordinal telah diuji dan hasil modelnya baik dan signifikansinya
nyata maka data tersebut dapat diinterpretasikan dengan menggunakan uji odds ratio sebagai berikut :
1. Odds rasio aspek administrasi (𝑋1 ): 𝜓 = 𝑒 1,064 = 2,89. Hal ini dapat diartikan bahwa
peluang seorang mahasiswa merasa sangat puas pada pelayanan aspek administrasi 2,89 kali
dibanding dengan mahasiswa yang merasa tidak puas.

2. Odds rasio aspek pengajaran (𝑋2 ): 𝜓 = 𝑒 −0,339 = 0,71. Hal ini dapat diartikan bahwa
peluang seorang mahasiswa merasa sangat puas pada pelayanan aspek pengajaran 0,71 kali
dibanding dengan mahasiswa yang merasa tidak puas.
3. Odds rasio aspek sarana prasarana (𝑋3 ): 𝜓 = 𝑒 1,949 = 7,02. Hal ini dapat diartikan bahwa
peluang seorang mahasiswa merasa sangat puas pada pelayanan aspek sarana prasarana 7,02 kali
dibanding dengan mahasiswa yang merasa tidak puas.

4.6 Pembahasan

Berdasarkan hasil analisis data yang didapatkan dari 30 responden di Offering Statistika
2016 Jurusan Matematika UM diperoleh hasil dari uji kelayakan model (goodness of fit)
menggunakan metode Deviance dengan hasil sebesar 3,960 dengan signifikansi 1,000

sehingga model logit regresi logistik layak untuk digunakan.

Berdasarkan nilai uji statistik G untuk melihat peranan variabel independen di dalam
model secara bersama-sama digunakan uji rasio kemungkinan (Uji G) didapat nilai statistik G

sebesar 70,267 yang lebih besar bila dibandingkan dengan nilai pada tabel
sehingga pada model regresi logistik ordinal terdapat salah satu .
Pada hasil Uji Wald diketahui bahwa terdapat satu variabel dependen yang berpengaruh
signifikan secara parsial terhadap kepuasan mahasiswa di FMIPA UM. Variabel dependen tersebut
adalah 𝑋3 = aspek sarana prasarana.
Koefisien determinasi Nagelkerke sebesar 0,993 atau sebesar 99,3%. Hal ini berarti bahwa
variabel independen yaitu aspek administrasi, aspek pengajaran dan aspek sarana dan prasarana
mempengaruhi penilaian kepuasan pelayanan di FMIPA UM secara umum sebesar 99,3%.
Berdasarkan hasil dari interpretasi persamaan regresi logistik ordinal dengan menggunakan
uji rasio odd dihasilkan peluang dari seorang mahasiswa merasa sangat puas paling tinggi berada pada
variabel ke tiga yaitu aspek sarana prasarana sebesar 7,02 kali dibanding dengan mahasiswa yang
merasa tidak puas, selanjutnya diikuti oleh variabel aspek administrasi sebesar 2,89 kali dan terakhir
yaitu variabel aspek pengajaran sebesar 0,71 kali.
5.1 Kesimpulan

1. Berdasarkan uji kelayakan model (goodness of fit) menggunakan metode Deviance dengan

hasil sebesar 3,960 dengan signifikansi 1,000 sehingga model logit regresi logistik

layak untuk digunakan.

2. Model persamaan logistiknya :

𝐿𝑜𝑔𝑖𝑡 (𝑌0 ) = 29,546 + 1,064 𝑋1 − 0,339 𝑋2 + 1,949 𝑋3
𝐿𝑜𝑔𝑖𝑡 (𝑌1 ) = 40,389 + 1,064 𝑋1 − 0,339 𝑋2 + 1,949 𝑋3
𝐿𝑜𝑔𝑖𝑡 (𝑌2 ) = 54,072 + 1,064 𝑋1 − 0,339 𝑋2 + 1,949 𝑋3
3.

4. Berdasarkan hasil Uji Wald diketahui bahwa terdapat satu variabel independen yang
berpengaruh signifikan secara parsial terhadap kepuasan mahasiswa Offering Statistika
2016 Jurusan Matematika UM terhadap pelayanan di FMIPA UM. Variabel independen
tersebut adalah aspek sarana prasarana.

5. Berdasarkan koefisien determinasi Negelkerke sebesar 0,993 atau sebesar 99,3%. Hal ini
berarti variabel independen aspek administrasi, aspek pengajaran dan aspek sarana dan
prasarana mempengaruhi penilaian kepuasan pelayanan di FMIPA UM secara umum
sebesar 99,3%.
 LAMPIRAN
Lampiran 1
Angket Pengaruh Pelayanan di Fakultas Matematika dan Ilmu Pengetahuan Alam Terhadap
Kepuasan Mahasiswa Offering Statistika 2016
Nama :
Jenis Kelamin :
Mohon diisi dengan tanda checklist (√) pada pilihan yang kami sediakan.

No. Pertanyaan Skala Penilaian

Sangat Puas Cukup Tidak
puas Puas
A. Aspek Administrasi
1. Kemudahan mengurus surat keterangan
akademik
2. Keramahan dan kecepatan pelayanan
tenaga administrasi dalam proses registrasi
dan proses administrasi lainnya
3. Kesediaan dan kesigapan petugas untuk
membantu mahasiswa dan memberikan
layanan dengan tanggap
4. Kemudahan mahasiswa melakukan akses
SIAKAD
5. Kemudahan mahasiswa menjalankan
SIPEJAR
6. Jadwal kuliah yang tersusun dengan baik
7. Kemudahan memperoleh informasi sekitar
kampus
8. Ketersediaan sarana dan forum komunikasi
antara mahasiswa dan pihak fakultas
maupun universitas
B. Aspek Pengajaran
1. Perhatian dosen terhadap mahasiswa
dalam membantu mahasiswa yang kurang
memahami materi
2. Ketepatan waktu dosen saat mengawali
dan mengakhiri perkuliahan
3. Penyampaian materi sesuai dengan
rencana setiap pertemuan
 4. Penyampaian materi diberikan secara jelas
dan disertai contoh permasalahannya
C. Aspek Sarana dan Prasarana
1. Ketersediaan area parkir
2. Kebersihan toilet dan lingkungan kampus
3. Kelengkapan ruang kelas

4. Fasilitas dan kelengkapan buku di

perpustakaan
5. Fasilitas Lab Komputer dan Lab Praktik
6. Fasilitas penunjang kegiatan mahasiswa
7. Kecepatan koneksi Wifi
8. Kenyamanan Gazebo
9. Kebersihan dan kenyamanan kantin
10. Sarana Ibadah yang memadai
D. Aspek Kepuasan Mahasiswa
1. Kepuasan mhs secara keseluruhan

Lampiran 2
Data Penelitian
No Aspek Aspek Aspek Sarana dan Kepuasan
Administrasi Pengajaran Prasarana Mahasiswa

1 16 8 20 3
2 15 8 17 2
3 8 5 14 1
4 12 7 14 1
5 5 7 6 0
6 10 4 15 1
7 13 8 17 2
8 13 8 17 2
9 10 4 10 0
10 5 5 9 0
11 7 4 10 0
12 17 8 12 1
13 14 8 20 2
14 8 6 7 0
15 19 4 21 3
16 12 4 16 2
17 12 5 16 2
18 14 7 18 2
19 17 9 16 2
20 12 9 15 1
 21 16 8 20 2
22 16 8 18 2
23 14 5 12 1
24 12 7 10 1
25 15 8 16 2
26 15 7 19 2
27 10 8 15 1
28 16 8 11 1
29 10 4 13 1
30 16 8 20 2
Lampiran 3
Data Penelitian
Skor
No. Nomor Butir Angket
Total
Resp
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 44
2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 1 1 2 1 1 2 2 3 40
3 1 1 1 2 2 0 0 1 1 2 1 1 2 1 2 2 2 1 0 2 1 1 27
4 2 2 2 1 2 2 1 1 1 2 2 2 1 2 1 1 3 1 0 1 2 2 34
5 1 1 0 1 1 1 0 0 1 2 2 2 1 1 2 0 1 0 0 0 0 1 19
6 1 1 1 2 1 2 1 1 1 1 1 1 1 1 2 2 2 1 2 1 1 2 29
7 2 2 1 2 2 2 1 1 2 2 2 2 2 2 2 1 2 2 2 1 1 2 38
8 2 2 1 2 2 2 1 1 2 2 2 2 2 2 2 1 2 2 2 1 1 2 38
9 1 1 2 1 2 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 0 1 24
10 0 0 0 1 1 2 1 0 1 1 2 1 1 0 1 0 2 1 1 2 1 0 19
11 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 21
12 2 2 2 2 3 2 2 2 2 2 2 2 1 1 1 2 2 1 1 1 1 1 37
13 2 0 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 42
14 1 1 0 1 2 1 0 2 1 1 2 2 1 0 0 1 1 1 0 1 1 1 21
15 2 2 2 3 3 3 2 2 1 1 1 1 3 2 3 2 3 2 2 1 1 2 44
16 2 1 2 2 2 1 1 1 1 1 2 0 3 2 2 1 2 1 1 1 2 1 32
17 2 1 2 2 2 1 1 1 1 1 2 1 2 1 2 2 2 1 0 2 2 2 33
18 1 1 3 3 3 3 0 0 2 2 2 1 3 3 1 0 3 1 2 1 1 3 39
19 2 2 1 3 3 2 2 2 1 3 3 2 2 1 2 1 2 2 1 1 2 2 42
20 1 1 1 2 2 2 2 1 2 2 3 2 2 1 2 2 2 1 1 1 1 2 36
21 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 44
22 2 1 2 2 3 3 2 1 2 2 2 2 2 2 2 1 2 2 1 2 2 2 42
23 2 2 2 2 2 1 2 1 1 1 1 2 2 1 1 1 2 1 0 1 2 1 31
24 1 1 1 2 2 2 1 2 2 2 2 1 2 2 0 2 1 0 0 0 1 1 28
25 1 1 2 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 39
26 2 2 2 2 1 2 2 2 2 1 2 2 2 2 2 2 2 2 2 1 2 2 41
27 1 1 1 2 1 2 1 1 2 2 2 2 1 2 2 2 1 2 1 1 2 1 33
28 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 35
29 1 0 3 2 1 3 0 0 2 1 1 0 2 2 1 0 1 2 2 0 0 3 27
30 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 44

Lampiran 4
Hasil Uji Validitas
Variabel Butir Pertanyaan Korelasi Sig R Tabel Ket

Kemudahan 0,754 0,000 Valid

mengurus surat
 Keramahan petugas 0,544 0,002 Valid
Kesediaan petugas 0,522 0,003 Valid
Aspek perpustakaan
Administrasi Kemudahan 0,700 0,000 Valid
(𝑋1) SIPEJAR
Kemudahan 0,564 0,001 Valid
SIAKAD
Jadwal kuliah 0,543 0,002 Valid
Kemudahan 0,700 0,000 Valid
informasi
Ketersediaan sarana 0,556 0,001 Valid
Perhatian dosen 0,579 0,001 Valid
Ketepatan waktu 0,484 0,007 Valid
Aspek Penyampaian materi 0,372 0,043 0,361 Valid
Pengajaran
(𝑋2) Materi Jelas 0,424 0,019 Valid
Area parkir 0,587 0,001 Valid
Kebersihan 0,589 0,001 Valid
Ruang Kelas 0,526 0,003 Valid
Fas.Perpustakaan 0,463 0,010 Valid
Aspek Sarana
dan Prasarana
Fas.Laboratorium 0,582 0,001 Valid
(𝑋3) Fas.Kegiatan 0,676 0,000 Valid
Mahasiswa
Koneksi internet 0,562 0,001 Valid
Gazebo 0,401 0,028 Valid
Kantin 0,597 0,000 Valid
Tempat Ibadah 0,580 0,001 Valid

Lampiran 5
Hasil Uji Reliabilitas

Hasil Uji Multikolinearitas

 Hasil Model Regresi Logistik

Hasil Uji Kelayakan Model (Goodness of fit)

Lampiran 6
Hasil Uji Keberartian Model

Hasil Uji Wald

 Hasil Uji Koefisien Determinasi

Lampiran 7
Tabel Distribusi Chi-Square (𝑋 2 )

Tabel R