1

BAB 1
PENDAHULUAN

1.1 Latar belakang
Salah satu program pemerintah yang sedang dilaksanakan sekarang
adalah meningkatkan mutu pendidikan secara nasional. Peningkatan mutu di
setiap satuan pendidikan, diarahkan pada upaya terselenggaranya layanan
pendidikan kepada pihak yang berkepentingan atau masyarakat.
Usaha untuk meningkatkan mutu pendidikan nasional salah satunya
dilakukan dengan diselenggarakannya akreditasi sekolah, baik untuk sekolah
negeri maupun sekolah swasta. Hal ini merupakan implementasi Keputusan
Menteri Pendidikan Nasional Nomor 087/U/2002 tentang Akreditasi Sekolah.
Keputusan Mendiknas ini penting artinya jika diposisikan sebagai salah satu
kesempatan untuk membenahi kinerja pendidikan di negara kita.
Pelaksanaan akreditasi sekolah dilakukan oleh Badan Akreditasi Sekolah
Provinsi (BAS Provinsi) dan Badan Akreditasi Sekolah Kabupaten / Kota (BAS
Kabupaten / Kota). BAS Provinsi melaksanakan akreditasi untuk TKLB, SDLB,
SMPLB, SMA, SMK, dan SMLB, sedangkan BAS Kabupaten/Kota melaksana-
kan akreditasi untuk TK, SD dan SMP.
Hasil akreditasi yang ditetapkan melalui rapat pleno, BAS Provinsi atau
BAS Kabupaten/Kota sesuai dengan kewenangannya akan menerbitkan sertifikat
akreditasi sekolah sesuai dengan format dan borang yang dikeluarkan oleh Badan
Akreditasi Sekolah Nasional (BASNAS). Sertifikat akreditasi memuat nilai
masing-masing komponen (dalam angka) dan peringkat/status akreditasi sekolah
yang dinyatakan dengan huruf A (amat baik), B (baik), dan C (cukup). Status
akreditasi ini berlaku untuk kurun waktu 4 tahun sejak tanggal ditetapkannya.
Setelah periode 4 tahun sekolah harus diakreditasi ulang.
Ditinjau dari skala data, peringkat/status akreditasi merupakan data
dengan skala ordinal. Oleh karena itu, penentuan peringkat/status ini adalah
klasifikasi data yang bersifat ordinal. Salah satu metode statistika yang dapat
dipakai untuk klasifikasi data yang bersifat ordinal adalah regresi logistik ordinal
(Antonov, 2004).
2
Pendidikan adalah salah satu faktor yang mempengaruhi pembangunan
manusia (Brata, 2005). Salah satu faktor yang menunjang baik atau tidaknya
pendidikan adalah sekolah. Baik tidaknya mutu suatu sekolah dinyatakan dengan
akreditasi sekolah. Ingin dianalisis status akreditasi suatu sekolah dengan
memperhatikan Indeks Pembangunan Manusia tiap wilayah yaitu Kabupaten/Kota
asal sekolah SMK yang terakreditasi apakah Indeks Pembagunan Manusia tiap
wilayah yaitu Kabupaten/Kota asal sekolah berpengaruh terhadap akreditasi suatu
sekolah di wilayah masing-masing Kabupaten/Kota tersebut. Disamping
memperhatikan Indeks Pembangunan Manusia, juga ingin menghubungkan status
akreditasi dengan profil sekolah yang bersangkutan yang meliputi status sekolah
yaitu negeri atau swasta, lama berdiri suatu sekolah pada saat mengajukan
akreditasi, jumlah siswa pada saat mengajukan akreditasi, jumlah guru pada saat
mengajukan akreditasi, jumlah alumni yang diterima di dunia usaha dan industri
setahun terakhir pada saat mengajukan akreditasi, status tanah/bangunan serta
jumlah nilai rata-rata ujian nasional sekolah.
Analisis yang dilakukan adalah Regresi Logistik Ordinal. Analisis ini
bertujuan untuk mengkaji bentuk penaksir parameter serta model akreditasi suatu
sekolah yang menghubungkan dengan Indeks pembangunan Manusia serta profil
sekolah yang meliputi status sekolah yaitu negeri atau swasta, lama berdiri suatu
sekolah pada saat mengajukan akreditasi, jumlah siswa pada saat mengajukan
akreditasi, jumlah guru pada saat mengajukan akreditasi, jumlah alumni yang
diterima di dunia usaha dan industri setahun terakhir pada saat mengajukan
akreditasi, status tanah/bangunan serta jumlah nilai rata-rata ujian nasional
sekolah.

1.2 Perumusan Masalah
Perumusan masalah dalam penelitian ini adalah:
1. Bagaimana mengkaji bentuk penaksir parameter Regresi Logistik Ordinal
2. Bagaimana menentukan model akreditasi sekolah berdasarkan faktor-faktor
yang terdapat dalam profil sekolah yang meliputi status sekolah yaitu negeri
atau swasta, lama berdiri suatu sekolah pada saat mengajukan akreditasi,
jumlah siswa pada saat mengajukan akreditasi, jumlah guru pada saat
3
mengajukan akreditasi, jumlah alumni yang diterima di dunia usaha dan
industri setahun terakhir pada saat mengajukan akreditasi, status
tanah/bangunan serta jumlah nilai rata-rata ujian nasional sekolah dengan
memperhatikan Indeks Pembangunan Manusia tiap wilayah asal sekolah SMK
yang terakreditasi dengan menggunakan Regresi Logistik Ordinal.

1.3 Tujuan
Tujuan dalam penelitian ini adalah sebagai berikut:
1. Mengkaji bentuk penaksir parameter Regresi Logistik Ordinal.
2. Menentukan model akreditasi sekolah berdasarkan faktor-faktor yang terdapat
dalam profil sekolah yang meliputi status sekolah yaitu negeri atau swasta,
lama berdiri suatu sekolah pada saat mengajukan akreditasi, jumlah siswa
pada saat mengajukan akreditasi, jumlah guru pada saat mengajukan
akreditasi, jumlah alumni yang diterima di dunia usaha dan industri setahun
terakhir pada saat mengajukan akreditasi, status tanah/bangunan serta jumlah
nilai rata-rata ujian nasional sekolah dengan memperhatikan Indeks
Pembangunan Manusia tiap wilayah asal sekolah SMK yang terakreditasi
dengan menggunakan Regresi Logistik Ordinal.

1.4 Manfaat
Manfaat penelitian ini adalah sebagai berikut :
1. Memperluas wawasan mengenai regresi logistik ordinal
2. Memberikan wawasan mengenai akreditasi sekolah
3. Bagi Dinas Pendidikan dapat mengetahui bentuk model akreditasi sekolah
yang menghubungkan antara status akreditasi suatu sekolah dengan profil
sekolah serta Indeks Pembangunan Manusia Kabupaten/Kota asal sekolah
masing-masing.

1.5 Batasan Masalah
Batasan masalah dalam penelitian ini adalah bahwa pembentukan model
akreditasi sekolah ini hanya dibatasi pada sekolah yang mengajukan akreditasi
4
pada tingkat satuan pendidikan SMK di Propinsi Jawa Timur yang terakreditasi
tahun 2006.





























5
BAB 2
TINJAUAN PUSTAKA

2.1 Tinjauan Statistika
2.1.1 Regresi Logistik Ordinal
Regresi logistik ordinal merupakan salah satu metode statistika untuk
menganalisis variabel respon (dependen) yang mempunyai skala ordinal yang
terdiri atas tiga kategori atau lebih. Variabel prediktor (independen) 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 logit 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 peluang kumulatif yaitu peluang kurang dari atau sama dengan
kategori respon ke-j pada p variabel prediktor yang dinyatakan dalam vektor 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 :
|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+
= ≤


=
=
p
k
k k j
p
k
k k j
x
x
j Y P
1
1
exp 1
exp
) | (
β θ
β θ
X (2.1)
dimana j = 1, 2, ..., J adalah kategori respon (Agresti, 1990).
Persamaan (2.1) didapatkan dari Fungsi logistik sebagai berikut:
( ) Z - exp 1
1
) Z (
+
= F
=
exp(Z)
1
exp(Z)
exp(Z)
1
+

6
=
) exp(
) exp( 1
1
Z
Z +

=
) exp( 1
) exp(
Z
Z
+
(2.2)
dimana F(Z) = Y
Z = kombinasi beberapa variabel prediktor (X)
Persamaan (2.2) didapatkan 0 ) ( lim =
−∞ →
Z F
Z
,
2
1
) ( lim
0
=

Z F
Z
, dan
1 ) ( lim =
∞ →
Z F
Z
sehingga dapat digambarkan dengan kurva sebagai berikut :













Gambar 2.1 Kurva Distribusi Logistik

Definisi cumulative logit models diatas didapatkan model:

|
|
¹
|

\
|
>

= ≤
) | (
) | (
log ) | (
X
X
X
j Y P
j Y P
j Y P (2.3)


1/2
0 Z
F(Z)
1
–1
7
Mensubstitusikan persamaan (2.1) pada persamaan (2.3), sehingga
didapatkan:
|
|
¹
|

\
|
≤ −

= ≤
) | ( 1
) | (
log ) | (
X
X
X
j Y P
j Y P
j Y P
=
|
|
|
|
|
|
|
|
|
|
|
¹
|

\
|
|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+

|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+




=
=
=
=
p
k
k k j
p
k
k k j
p
k
k k j
p
k
k k j
x
x
x
x
1
1
1
1
exp 1
exp
1
exp 1
exp
log
β θ
β θ
β θ
β θ

=
|
|
|
|
|
|
|
|
|
|
|
¹
|

\
|
|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+

|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+






=
=
=
=
=
=
p
k
k k j
p
k
k k j
p
k
k k j
p
k
k k j
p
k
k k j
p
k
k k j
x
x
x
x
x
x
1
1
1
1
1
1
exp 1
exp
exp 1
exp 1
exp 1
exp
log
β θ
β θ
β θ
β θ
β θ
β θ

=
|
|
|
|
|
|
|
|
|
|
|
¹
|

\
|
|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+



=
=
=
p
k
k k j
p
k
k k j
p
k
k k j
x
x
x
1
1
1
exp 1
1
exp 1
exp
log
β θ
β θ
β θ

=
|
|
|
|
|
¹
|

\
|
|
|
¹
|

\
|
+ +
×
|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+



=
=
=
1
exp 1
exp 1
exp
log
1
1
1
p
k
k k j
p
k
k k j
p
k
k k j
x
x
x β θ
β θ
β θ

8
=
|
|
¹
|

\
|
|
|
¹
|

\
|
+

=
p
k
k k j
x
1
exp log β θ


=
+ =
p
k
k k j
x
1
β θ (2.4)
Dalam hal klasifikasi, Cumulative Logit Model merupakan fungsi
pembeda atau fungsi klasifikasi. Fungsi klasifikasi yang terbentuk bila terdapat J
kategori respon adalah sejumlah J – 1. Jika ) ( X
j
π = P(Y=j| X ) menyatakan
peluang kategori respon ke-j pada p variabel prediktor yang dinyatakan dalam
vektor X dan P(Y≤j| X )) menyatakan peluang kumulatif pada p variabel
prediktor yang dinyatakan dalam vektor X maka nilai ) ( X
j
π didapatkan dengan
persamaan berikut :
) ( ... ) ( ) ( ) | (
2 1
X X X X
j j
j Y P π π π γ + + + = ≤ = (2.5)
dimana j = 1, 2, ..., J
Untuk tiga kategori respon dimana j = 1, 2, 3 maka nilai dari peluang
kategori respon ke-j adalah sebagai berikut :
|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+
= ≤ =


=
=
p
k
k k
p
k
k k
x
x
Y P
1
1
1
1
1
exp 1
exp
) | 1 (
β θ
β θ
γ X (2.6)
|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+
= + = ≤ =


=
=
p
k
k k
p
k
k k
x
x
Y P
1
2
1
2
2 1 2
exp 1
exp
) ( ) ( ) | 2 (
β θ
β θ
π π γ X X X (2.7)
Dari kedua peluang kumulatif di atas maka akan didapatkan peluang untuk
masing-masing kategori respon sebagai berikut :
|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+
= ≤ =


=
=
p
k
k k
p
k
k k
x
x
Y P
1
1
1
1
1
exp 1
exp
) | 1 ( ) (
β θ
β θ
π X X (2.8)
9
|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+

|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+
=
− ≤ =




=
=
=
=
p
k
k k
p
k
k k
p
k
k k
p
k
k k
x
x
x
x
Y P
1
1
1
1
1
2
1
2
1 2
exp 1
exp
exp 1
exp
) ( ) | 2 ( ) (
β θ
β θ
β θ
β θ
π π X X X
(2.9)
) | 2 ( 1 ) (
3
X X ≤ − = Y P π
=
|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+



=
=
p
k
k k
p
k
k k
x
x
1
2
1
2
exp 1
exp
1
β θ
β θ

=
|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+

|
|
¹
|

\
|
+ +
|
|
¹
|

\
|
+ +




=
=
=
=
p
k
k k
p
k
k k
p
k
k k
p
k
k k
x
x
x
x
1
2
1
2
1
2
1
2
exp 1
exp
exp 1
exp 1
β θ
β θ
β θ
β θ

=
|
|
¹
|

\
|
+ +

=
p
k
k k
x
1
2
exp 1
1
β θ
(2.10)
dengan demikian =
j
γ P(Y≤j| X ) = ) ( ) ( ) (
2 1
X X X
j
π π π + + + L .
Untuk klasifikasi nilai ) ( X
j
π pada persamaan di atas akan dijadikan
pedoman pengklasifikasian. Suatu pengamatan akan masuk dalam respon
kategori j berdasarkan nilai ) ( X
j
π yang terbesar (Wibowo, 2002).

2.1.2 Estimasi Parameter
Estimasi parameter dapat dipergunakan metode maksimum likelihood.
Metode ini memperoleh dugaan maksimum likelihood bagi β dengan langkah
awal yaitu membentuk fungsi likelihood.
Estimasi dari parameter regresi logistik ordinal didapatkan dengan
menurunkan fungsi log likelihood terhadap parameter yang akan diestimasi dan
disamakan dengan nol. Persamaan 0
) (
=


k
L
β
β
dipergunakan untuk estimasi
10
parameter
k
β dimana k = 1, 2, ...p dan 0
) (
=


j
L
θ
β
dipergunakan untuk estimasi
intersep
j
θ dimana j = 1, 2, ..., J – 1.
Hasil dari persamaan 0
) (
=


k
L
β
β
dan 0
) (
=


j
L
θ
β
merupakan fungsi
nonlinear sehingga diperlukan metode iterasi untuk memperoleh estimasi
parameternya. Metode iterasi yang dipergunakan adalah metode iterative
Weighted Least Square (WLS) yaitu algoritma Newton-Raphson.

2.1.3 Uji Serentak
Dalam pengujian serentak, uji signifikansi model dapat dipergunakan
likelihood-ratio test.
Hipotesis :
H
0
: 0 β =
H
1
: 0 β ≠
Statistik Uji: ))
ˆ
( ln ) ˆ (ln( 2
2
Ω − − = L G ω
Daerah penolakan:
H
0
ditolak bila G >
2
) ; ( α
χ
p
dimana p adalah jumlah prediktor dalam model.

2.1.4 Uji Individu
Untuk pengujian individu signifikansi parameter model dapat diuji dengan
Wald test. Hasil dari Wald test ini akan menunjukkan apakah suatu variabel
prediktor signifikan atau layak untuk masuk dalam model atau tidak.
Hipotesis :
H
0
:
k
β = 0
H
1
:
k
β ≠ 0 ; k = 1, 2, ...p ; p = jumlah prediktor dalam model
Statistik Uji :
W =
)
ˆ
(
ˆ
k
k
SE β
β
(2.11)

11
Daerah Penolakan :
H
0
ditolak bila W lebih besar dari
2 / α
z atau P-value kurang dari α . Hal ini
dikarenakan statistik uji W mengikuti distribusi normal (Hosmer dan Lemeshow,
2000). Uji W mengikuti distribusi normal dikarenakan jumlah sampel adalah
besar.

2.2 Tinjauan Akreditasi Sekolah
2.2.1 Akreditasi Sekolah
Sesuai dengan Keputusan Menteri Pendidikan Nasional Nomor
087/U/2002 tentang Akreditasi Sekolah, Badan Akreditasi Sekolah Nasional
(BASNAS) bertugas menetapkan berbagai kebijakan dan sistem yang terkait
dengan pelaksanaan akreditasi sekolah, yang meliputi kebijakan akreditasi
sekolah, aturan-aturan pelaksanaan akreditasi dan perangkat lainnya, baik
inslrumen maupun pedoman serta petunjuk teknis pelaksanaannya. Pelaksanaan
akreditasi sekolah dilakukan oleh Badan Akreditasi Sekolah Provinsi (BAS
Provinsi) dan Badan Akreditasi Sekolah Kabupaten / Kota (BAS Kabupaten /
Kota). BAS Provinsi melaksanakan akreditasi untuk TKLB, SDLB, SMPLB,
SMA, SMK, dan SMLB, sedangkan BAS Kabupaten/Kota melaksanakan
akreditasi untuk TK, SD dan SMP.
Pelaksanaan sistem akreditasi sebelumnya yang hanya dilaksanakan untuk
sekolah swasta, pelaksanaan sistem akreditasi ini dilaksanakan untuk semua
jenis dan jenjang sekolah, baik sekolah negeri maupun swasta. Selain itu, sistem
akreditasi ini lebih menekankan pada evaluasi diri dengan menempatkan sekolah
sebagai subjek dari proses akreditasi. Seperti pada sistem akreditasi yang
sebelumnya, sistem akreditasi ini juga melibatkan tim penilai yang disebut
asesor. Fungsi asesor adalah untuk melakukan klarifikasi dan validasi terhadap
data dan informasi yang disampaikan oleh sekolah melalui instrumen evaluasi
diri serta data pendukung.
Pelaksanaan akreditasi sekolah oleh BAS Provinsi maupun BAS
Kabupaten/ Kota agar sesuai dengan tujuan, prinsip, serta prosedur yang baku,
maka BASNAS menyusun prosedur pelaksanaan akreditasi sekolah. Pedoman
12
ini disusun untuk dapat memberikan rambu-rambu teknis mengenai mekanisme
pelaksanaan akreditasi sekolah, dimulai dari evaluasi diri, visitasi, sampai
dengan penetapan hasil akreditasi dan penerbitan sertifikat akreditasi. Selain itu,
buku pedoman ini juga memuat norma-norma pelaksanaan akreditasi sekolah
yang diharapkan dapat menjadi landasan moral bagi semua pihak dan dapat
dijadikan sebagai acuan dalam melaksanakan akreditasi sekolah secara benar.

2.2.2 Mekanisme Akreditasi Sekolah
Akreditasi dilakukan terhadap sekolah yang telah menyatakan siap melalui
evaluasi diri dan mengajukan permohonan akreditasi kepada BAS. Secara
umum, mekanisme dan prosedur akreditasi sekolah, baik yang dilakukan oleh
BAS Provinsi maupun BAS Kabupaten/Kota, sesuai dengan kewenangannya,
adalah seperti tampak pada gambar 2.2 berikut ini:



















13




















Gambar 2.2 Mekanisme Pelaksanaan Akreditasi Sekolah (Data diperoleh dari
basdikmendki@yahoo.com, 2007)










Pelaksanaan Evaluasi
Diri oleh Sekolah
Pengajuan Akreditasi
oleh Sekolah
Penentuan Kelayakan
Visitasi oleh BAS
Perbaikan Internal oleh
Sekolah
Layak
Pelaksanaan Visitasi
Oleh Tim Asesor
Penetapan Hasil
Akreditasi oleh BAS
Penerbitan Hasil
Akreditasi oleh BAS
Terakreditasi
Tidak
Tidak
14
































15
BAB 3
METODE PENELITIAN

3.1 Alat dan Bahan
Alat:
Alat yang digunakan dalam penelitian ini adalah borang berupa format
isian profil sekolah yang dikeluarkan oleh Dinas Pendidikan Propinsi Jawa Timur
yang berfungsi sebagai alat ukur variabel.
Disamping itu digunakan pula alat bantu analisis berupa komputer
Pentium 4 beserta kelengkapannya.

3.2 Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder dari Dinas
Pendidikan Propinsi Jawa Timur. Data tersebut merupakan data laporan akreditasi
sekolah SMK yang telah terakreditasi sampai dengan tahun 2006. Borang format
profil sekolah yang telah diisi oleh sekolah kemudian dikirimkan kembali kepada
Dinas Pendidikan Propinsi Jawa Timur dengan interpretasi yang bermacam-
macam oleh sekolah karena sumber daya manusia yang berbeda, sehingga data
yang diinginkan kadang tidak terpenuhi.
Ketidak-akuratan data ini bukan disebabkan oleh alat ukur yang digunakan
karena sudah dianggap reliabel, akan tetapi disebabkan oleh keterbatasan sumber
daya manusia yang ada. Sedangkan data sekunder Indeks Pembangunan Manusia
per Kabupaten/Kota didapatkan dari BPS Jawa Timur tahun 2005.
Proses pengambilan data dalam penelitian ini adalah menggunakan data
sekunder mengenai profil sekolah Sekolah Menengah Kejuruan (SMK) yang telah
terakreditasi di Sub Dinas Pendidikan Menengah Kejuruan Dinas Pendidikan
Propinsi Jawa Timur. Sekolah yang mengajukan untuk diakreditasi mengirimkan
profil sekolah ke Dinas Pendidikan Propinsi Jawa Timur yang kemudian akan
diproses sehingga keluar nilai akreditasi sekolah yang bersangkutan.
Untuk penilaian akreditasi Sekolah Menengah Kejuruan (SMK) ini
berbeda dengan Sekolah yang lain seperti SD, SMP ataupun SMA yang cara
penilaian akreditasinya adalah per sekolah, sedangkan penilaian akreditasi untuk
16
SMK adalah per jurusan dalam sekolah tersebut yang mengajukan akreditasi.
Dengan demikian untuk satu sekolah SMK yang mempunyai bermacam-macam
jurusan nilai akreditasi dapat berbeda antar jurusan dalam satu sekolah.
Karena satu sekolah mempunyai jurusan yang lebih dari satu dan
mempunyai nilai akreditasi yang kadang berbeda antar jurusan maka pengambilan
data dalam penelitian ini adalah dengan mengambil jurusan di sekolah tersebut
yang mempunyai nilai akreditasi yang paling besar. Dengan demikian satu
sekolah diwakili oleh jurusan yang mempunyai nilai akreditasi yang paling besar.
Pengambilan data sekolah yang terakreditasi ini hanya diambil dari
sekolah yang mengajukan akreditasi selama tahun 2006 ke Dinas Pendidikan
Propinsi Jawa Timur dan sudah diketahui hasil penilaian akreditasinya. Karena
data yang tersedia adalah sangat jauh dari ideal yang diinginkan peneliti maka
data yang diambil adalah data sekolah yang pengisian pada alat ukur yang lengkap
karena banyak sekali sekolah yang mengisi alat ukur yaitu profil sekolah banyak
yang kosong atau tidak terisi sesuai dengan yang diharapkan. Hal ini dikarenakan
kualitas sumber daya manusia yang berbeda-beda dari setiap sekolah. Dari data
yang ada maka yang dapat diambil oleh peneliti adalah sebanyak 109 sekolah
yang telah terakreditasi yang mengajukan akreditasi selama tahun 2006.

3.3 Variabel Penelitian
Penelitian ini terdapat beberapa variabel yang dipergunakan untuk analisis
regresi logistik ordinal. Sebagai variabel prediktor adalah sebagai berikut :
1.
1
x : Status sekolah, ada dua kategori yaitu negeri dan swasta ;
2.
2
x : Lama berdiri sekolah dalam tahun;
3.
3
x : Jumlah siswa;
4.
4
x : Jumlah guru;
5.
5
x : Jumlah alumni yang diterima setahun terakhir
6.
6
x : Status tanah bangunan (1=milik sendiri; 0=menyewa/menumpang)
7.
7
x : Jumlah nilai rata-rata Ujian Nasional Sekolah terakhir
17
8.
8
x : Indeks Pembangunan Manusia tiap Kabupaten/Kota asal sekolah
Sebagai variabel respon adalah peringkat/status akreditasi SMK (1 – 3)
yaitu C = Cukup (1), B = Baik (2) dan A = Amat baik (3) yang dikeluarkan oleh
Badan Akreditasi Sekolah Propinsi Jawa Timur. Peringkat/status akreditasi
sekolah SMK tersebut adalah sebagai berikut :
1. C = Cukup
2. B = Baik
3. A = Amat baik

3.4 Metode Analisis
Urutan analisis yang dipergunakan dalam penelitian ini berdasarkan tujuan
adalah sebagai berikut :
1. Menentukan nilai estimasi parameter untuk model regresi logistik ordinal
a. Mendapatkan turunan pertama , 0
) , ( ln
=


j
L
θ
β θ
dan , 0
) , ( ln
=


k
L
β
β θ

dimana 1 ,..., 2 , 1 − = J j dan p k ,..., 2 , 1 =
b. Mendapatkan turunan kedua dengan 0
) , ( ln
2
2
<


j
L
θ
β θ
, 0
) , ( ln
2
2
<


k
L
β
β θ

dan 0
) , ( ln
2
<
∂ ∂

β θ
β θ L
dimana 1 ,..., 2 , 1 − = J j dan p k ,..., 2 , 1 =
2. Mendapatkan model akreditasi sekolah berdasarkan faktor-faktor yang
terdapat dalam profil sekolah yang meliputi status sekolah yaitu negeri atau
swasta, lama berdiri suatu sekolah pada saat mengajukan akreditasi, jumlah
siswa pada saat mengajukan akreditasi, jumlah guru pada saat mengajukan
akreditasi, jumlah alumni yang diterima di dunia usaha dan industri setahun
terakhir pada saat mengajukan akreditasi, status tanah/bangunan serta jumlah
nilai rata-rata ujian nasional sekolah dengan memperhatikan Indeks
Pembangunan Manusia tiap wilayah asal sekolah SMK yang terakreditasi
dengan langkah-langkah sebagai berikut :
a. Melakukan pengujian hipotesis.
b. Menginterpretasikan model dan mengambil kesimpulan.
18



































19
BAB 4
HASIL DAN PEMBAHASAN

4.1 Estimasi Parameter
Parameter β dapat diestimasi dengan menggunakan metode Maximum
Likelihood Estimation (MLE). Untuk menjelaskan peluang pengamatan sebagai
suatu fungsi dari parameter yang tidak diketahui dapat dibangun dengan suatu
fungsi yang disebut Likelihood function. Untuk memaksimumkan nilai dari fungsi
tersebut digunakan metode Maximum Likelihood Estimation (MLE).
Apabila terdapat suatu sampel random dari distribusi bersama (Y, X)
dimana Y adalah suatu respon ordinal dan ( )
k
T
X X X , , ,
2 1
L = X adalah vektor
variabel independen atau covariates. Jika ( ) X
j
π adalah peluang klasifikasi yaitu
( ) X | Pr j Y = dari variabel respon Y dimana J j , , 2 , 1 L = pada nilai
( )
k
T
X X X , , ,
2 1
L = X variabel independen. Sehingga permasalahannya adalah
menghubungkan ( ) ( ) ( ) ( ) X X X
J
T
π π π π , , ,
2 1
L = pada variabel predictor X.
Jika kategori respon mempunyai urutan atau ordering, maka model logit
yang digunakan adalah cumulative logit models. Model ordinal multiple respon
dalam model logit adalah:
( ) [ ] X β X
T
j
j Y Logit + = ≤ θ | Pr , 1 , , 2 , 1 − = J j L
dimana θ adalah vektor parameter intersep dan ( )
k
T
β β β , , ,
2 1
L = β adalah
vektor parameter slope. Jika
1 +
<
j j
θ θ maka model ini adalah model kumulative
dengan slope yang sama yaitu model garis regresi yang berdasar pada peluang
kumulatif kategori respon. Jika ( ) ( ) ( ) ( ) X X X X
j j
π π π γ + + + = L
2 1
, maka:
( ) ( ) X X
1 1
π γ = (4.1)
( ) ( ) ( ) X X X
2 1 2
π π γ + = (4.2)
M
( ) ( ) ( ) ( ) 1
2 1
= + + + = X X X X
J J
π π π γ L (4.3)


20
Jika terdapat J kategori respon maka model logistik ordinal yang terbentuk adalah:

( )
k k
ln logit X X X β β β θ
γ
γ
γ + + + + =
|
|
¹
|

\
|

= L
2 2 1 1 1
1
1
1
1
(4.4)
( )
k k
ln logit X X X β β β θ
γ
γ
γ + + + + =
|
|
¹
|

\
|

= L
2 2 1 1 2
2
2
2
1
(4.5)

( )
k k J
J
J
J
ln logit X X X β β β θ
γ
γ
γ + + + + =
|
|
¹
|

\
|

=




L
2 2 1 1 1
1
1
1
1
(4.6)
dimana
( ) ( ) ( ) ( )
X β
X β
X X X X
T
j
T
j
e
e
j j
+
+
+
= + + + =
θ
θ
π π π γ
1
2 1
L
, 1 , , 2 , 1 − = J j L (4.7)
dan
1 =
J
γ
. Model ini disebut cumulative logit models sebab odds ratio kejadian
( ) j Y ≤ adalah independen pada setiap indikator kategori.

4.1.1 Fungsi Likelihood
Ketika lebih dari satu observasi Y muncul pada nilai
i
X , adalah cukup
dengan mencatat jumlah observasi
ji
n dan jumlah hasil “j” untuk J j , , 2 , 1 L = .
Maka [ ] n i Y
i
, , 2 , 1 , L = adalah variabel random multinomial independent
( )
Ji i i i
n n n l multinomia Y , , , ~
2 1
L dengan ( ) ( )
i j ji i
n Y E X γ = dimana
1
1
= + +
ki i
n n L sehingga didapatkan:

i i
n R
1 1
= ,

i i i
n n R
2 1 2
+ =
M
1 =
Ji
R
Karena peluang kumulatif yang digunakan dalam menaksir parameter, maka
likelihood dapat ditulis sebagai perkalian 1 − J kategori, sehingga fungsi padat
peluang bersama dari ( )
n
Y Y Y , , ,
2 1
L adalah sama dengan perkalian n fungsi
multinomial.
21
Fungsi likelihoodnya adalah:
( ) L ×
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
|
¹
|

\
| −
|
|
¹
|

\
|
×
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
|
¹
|

\
| −
|
|
¹
|

\
|
=

=


i i i i i i
R R
i
i i
R
i
i
n
i
R R
i
i i
R
i
i
L
2 3 2 1 2 1
3
2 3
3
2
1 2
1 2
2
1
,
γ
γ γ
γ
γ
γ
γ γ
γ
γ
β θ


( )
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
|
¹
|

\
|

|
|
¹
|

\
|
×
− −

− −
i J Ji i J
R R
Ji
i J Ji
R
Ji
i J
) 1 ( 1
) 1 ( ) 1 (
γ
γ γ
γ
γ
(4.8)
( ) ( ) ( ) ( ) ( ) { ( ) + + − − − + =

=
i i
n
i
i i i i i i i i
R R R R R L
2 2
1
2 2 1 2 1 2 1 1
ln ln ln log , ln γ γ γ γ γ β θ

( ) ( ) ( )
( ) ( )
( )+ + + − − −
− − i J i J i i i i i i
R R R R
1 1 3 3 2 3 2 3
ln ln ln γ γ γ γ L

( )
( )
( )
( ) ( )
Ji Ji i J Ji i J Ji
R R R γ γ γ ln ln
1 1
− − −
− −

( ) ( ) ( ) ( ) ( ) { + + − − + − − + =

=
L
n
i
i i i i i i i i i i
R R R R R
1
2 3 2 3 1 2 1 2 1 1
ln ln ln γ γ γ γ γ


( )
( )
( )
( )}
i J Ji i J Ji
R R
1 1
ln
− −
− − γ γ
( ) +
|
|
¹
|

\
|
+

+
− +
¦
¹
¦
´
¦
|
|
¹
|

\
|
+
=
+
+
+
+
=
+
+

i
T
i
T
i
T
i
T
i
T
i
T
e
e
e
e
R R
e
e
R
i i
n
i
i
X β
X β
X β
X β
X β
X β
1
1
2
2
1
1
1 1
ln
1
ln
1 2
1
1
θ
θ
θ
θ
θ
θ

( )
( )
( )
¦
)
¦
`
¹
|
|
¹
|

\
|
+
− − + +
|
|
¹
|

\
|
+

+

+
+

+
+
+
+


i
T
J
i
T
J
i
T
i
T
i
T
i
T
e
e
R R
e
e
e
e
R R
i J Ji i i
X β
X β
X β
X β
X β
X β
) 1 (
) 1 (
2
2
3
3
1
1 ln
1 1
ln
1 2 3
θ
θ
θ
θ
θ
θ
L

(4.9)
jika
( )( )
i
T
i
T
i
T
i
T
i
T
i
T
i
T
i
T
e e
e e
e
e
e
e
X β X β
X β X β
X β
X β
X β
X β
+ +
+ +
+
+
+
+
+ +

=
|
|
¹
|

\
|
+

+
1 2
1 2
1
1
2
2
1 1
ln
1 1
ln
θ θ
θ θ
θ
θ
θ
θ


( )
( )( )
i
T
i
T
i
T
e e
e e
X β X β
X β
+ +

+ +
=
1 2
1 2
1 1
ln
θ θ
θ θ




22
maka fungsi log-likelihood menjadi:
( ) ( ) ( ) {
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( )}
i
T
J
i
T
i
T
i
T
i
T
i
T
e R
e e e e R R
e e e e R R
e R L
i J
i
T
i i
i
T
i i
n
i
i
T
i
X β
X β X β
X β X β
X β
X β
X β
X β β θ
+

+ +
+ +
=
+

+ − −
+ + + − + − − + −
+ + − + − − + −
+ + − + =

1
2 3 2 3
1 2 1 2
1
1 ln 1
1 ln 1 ln ln
1 ln 1 ln ln
1 ln , ln
) 1 (
2 3
1 2
1
1 1
θ
θ θ θ θ
θ θ θ θ
θ
θ
L

(4.10)
Dari fungsi log-likelihood ini kita dapat mendapatkan turunan ( ) β θ, log L terhadap
θ dan β sebagai berikut:
( )
¦
)
¦
`
¹
|
|
¹
|

\
|
+


− − +
¦
¹
¦
´
¦
|
|
¹
|

\
|
+
− =


+
+
=
+
+

i
T
i
T
i
T
i
T
e
e
e e
e
R R
e
e
R
L
i i
n
i
i
X β
X β
X β
X β
1
1
1 2
1
1
1
1 1
1
ln
1 2
1
1
1
θ
θ
θ θ
θ
θ
θ
θ
(4.11)
( )
( )
( ) ¦
)
¦
`
¹

− −
¦
¹
¦
´
¦
+
− =


+
=
+
+

2
1 2
1
2
2
2
1
2
1 2
2 1
1
1
1
ln
θ θ
θ θ
θ
θ
θ
e e
e
R R
e
e
R
L
i i
n
i
i
i
T
i
T
X β
X β
(4.12)
( )
( )

=
+
¦
)
¦
`
¹
¦
¹
¦
´
¦

− =
∂ ∂

n
i
i i
e e
e
R R
L
1
2
1 2
2 1
2
1 2
2 1
ln
θ θ
θ θ
θ θ
(4.13)
0
ln
1
2
=
∂ ∂

j
L
θ θ
dimana 1 , , 3 − = J j L (4.14)
( )

=
+
+
¦
¹
¦
´
¦
¦
)
¦
`
¹
+
− =
∂ ∂

n
i
ji
i
j
i
T
i
T
e
e
R
L
1
2
2
1
2
1
1
1
ln
X β
X β
X
θ
θ
β θ
, 2 , , 2 − = J j L (4.15)
( )
( ) {
( )
( )
¦
)
¦
`
¹
|
|
¹
|

\
|
+


− − +
|
|
¹
|

\
|
+


− =


+
+
+
+
+
=

+ −

i
T
u
i
T
u
u u
u
i
T
u
i
T
u
u u
u
e
e
e e
e
R R
e
e
e e
e
R R
L
ui i u
n
i
i u ui
u
X β
X β
X β
X β
θ
θ
θ θ
θ
θ
θ
θ θ
θ
θ
1 1
ln
1 1
1
1
1
(4.16)

23
( ) ( )
( ) {
( )
( )
( )
( )
( )
( ) ¦
)
¦
`
¹

− −

− −
+
− − =


+
+


+
+
+

+
+
=
− + ∑
2
1 1
2
1
1 1
2
1
1
1
1
1
ln
u u
u u
u u
u u
i
T
u
i
T
u
e e
e
R R
e e
e
R R
e
e
R R
L
ui i u i u ui
n
i
i u i u
u
θ θ
θ θ
θ θ
θ θ
θ
θ
θ
X β
X β
(4.17)
dimana 2 , , 2 − = J u L
( )
( )
( )

=
+


¦
)
¦
`
¹
¦
¹
¦
´
¦

− =
∂ ∂



n
i
i u ui
u u
u u
u u
e e
e
R R
L
1
2
1
1
2
1
1
ln
θ θ
θ θ
θ θ
, 1 , , 2 − = J u L (4.18)
0
ln
2
=
∂ ∂

j u
L
θ θ
, jika 2 | | ≥ − j u (4.19)
( ) ( )
( ) {
( )
2
1
1 1
2
1
ln
i
T
u
i
T
u
e
e
R R
L
ji
n
i
i u i u
j u
X β
X β
X
+
+
=
− +
+
− − =



θ
θ
β θ
, 2 , , 2 − = J u L (4.20)
( ) ( )
( ) {
( )
( )
¦
)
¦
`
¹
|
|
¹
|

\
|
+
− −
|
|
¹
|

\
|
+


− =


+
+

+
+
=
− −





− −


i
T
J
i
T
J
i
T
J
i
T
J
J J
J
e
e
R
e
e
e e
e
R R
L
i J
n
i
i J i J
J
X β
X β
X β
X β
1
1
1
1
2 1
1
1
1
1
ln
1
1
2 1
1
θ
θ
θ
θ
θ θ
θ
θ

(4.21)
( ) ( )
( )
( )
( )
( )
( )
¦
)
¦
`
¹
+
− −
¦
¹
¦
´
¦

− − =


+
+

=
+
− −
− −

− −
− −

2
2
1
2
2 1
1
2
2
1
1
2 1
2 1
1
1
ln
i
T
J
i
T
J
J J
J J
e
e
R
e e
e
R R
L
i J
n
i
i J i J
J
X β
X β
θ
θ
θ θ
θ θ
θ
(4.22)
( )
( ) {
( )
¦
)
¦
`
¹
+
− − =
∂ ∂

+
+
=





2
1
2
1
2
1
1
1
1
ln
i
T
J
i
T
J
e
e
R
L
ji
n
i
i J
j J
X β
X β
X
θ
θ
β θ
(4.23)
( )
( )
( )
¦
)
¦
`
¹
|
|
¹
|

\
|
+
− −
+ +
|
|
¹
|

\
|
+

+
− − +
¦
¹
¦
´
¦
|
|
¹
|

\
|
+
− =


+
+

=
+
+
+
+
+
+



i
T
J
i
T
J
i
T
i
T
i
T
i
T
i
T
i
T
e
e
R
e
e
e
e
R R
e
e
R
L
ui
i J
n
i
ui ui
ui i i
ui
ui i
u
X β
X β
X β
X β
X β
X β
X β
X β
X
X X
X
X
X
1
1
2
2
1
1
1
1
1
1
1 1 1
ln
1
1
1 2 1
θ
θ
θ
θ
θ
θ
θ
θ
β
L
(4.24)
24
( )
( ) ( )
( )
( )
( ) ¦
)
¦
`
¹
|
|
¹
|

\
|
+
− −
+ +
|
|
¹
|

\
|
+

+
− − +
¦
¹
¦
´
¦
|
|
¹
|

\
|
+
− =
∂ ∂

+
+

=
+
+
+
+
+
+



2
1
1
2 2
1 2 1
2
1
1
2
2
1
1
1
1
1
1
1 1
1
ln
i
T
J
i
T
J
i
T
i
T
i
T
i
T
i
T
i
T
e
e
R
e
e
e
e
R R
e
e
R
L
ji ui
i J
n
i
ji ui ji ui
i i
ji ui
i
j u
X β
X β
X β
X β
X β
X β
X β
X β
X X
X X X X X X
θ
θ
θ
θ
θ
θ
θ
θ
β β
L
(4.25)
turunan pertama dari log-likelihood : ( ) β θ, log L terhadap θ dan β adalah non
linier dalam parameter. Karena non linier maka untuk mendapatkan taksiran
parameter digunakan metode Newton-Raphson dengan iterasi Weighted Least
Square. Untuk mengestimasi varians dan kovarians diperoleh dari turunan kedua
fungsi log-likelihood.
Turunan kedua dari fungsi log likelihood diatas merupakan elemen dari
matriks Hessian. Matrik Hessian berisi model negatif elemen dari matriks Hessian
yang dinyatakan dengan ( ) ( ) β H VX X β I − = =
'
. Selanjutnya metode Newton-
Raphson dengan iterasi Weighted Least Square digunakan untuk mendapatkan
taksiran parameter yaitu sebagai berikut:
( ) ( )
( )
( ) t t t t
r
1
) 1 (

+
− = H β β
dimana
( )
( )
ab
t
L
r
β ∂

=
β
dimana a=0,1,...,p dan b=1,2,...,J
Oleh karena estimasi parameter dengan metode Maximum Likelihood
sangat sulit, maka digunakan program komputerisasi yaitu program Minitab 14
untuk mendapatkan nilai-nilai taksiran parameter terhadap model akreditasi SMK.
Disini digunakan % 10 = α karena dalam dunia pendidikan tidak lepas dari faktor
sosial yang sulit untuk dikendalikan.

4.2 Penentuan Model Akreditasi SMK Berdasarkan Profil Sekolah
Variabel-variabel yang digunakan dalam penelitian ini adalah sebagai
variabel respon yaitu status akreditasi sekolah yaitu cukup, baik, dan amat baik,
sedangkan sebagai variabel prediktor adalah status sekolah, lama berdiri sekolah,
jumlah siswa terakhir, jumlah guru terakhir, status tanah bangunan, jumlah alumni
25
yang diterima di dunia usaha dan industri, jumlah nilai rata-rata ujian nasional
sekolah terakhir serta indeks pembangunan manusia Kabupaten/Kota asal sekolah
SMK. Penjelasan mengenai variabel-variabel dalam penelitian dapat dilihat pada
Tabel 4.1.
Tabel 4.1 Variabel-variabel dalam penelitian
No Variabel Tipe variabel Kode
1 Variabel Respon (Status
akreditasi)
Kualitatif
C = Cukup
B = Baik
A = Amat baik

1
2
3
2 Variabel Prediktor:
1
x : Status sekolah


2
x : Lama berdiri Sekolah (tahun)
3
x : Jumlah siswa terakhir
4
x : Jumlah guru terakhir
5
x : Jumlah alumni yang diterima
dunia usaha dan industri
setahun terakhir
6
x : Status tanah bangunan
7
x : Jumlah nilai rata-rata Ujian
Nasional Sekolah
8
x : Indeks Pembangunan Manusia
tiap Kabupaten/Kota asal
sekolah

Kualitatif:
- Swasta
- Negeri
Kuantitatif

Kuantitatif

Kuantitatif
Kuantitatif



Kualitatif:
- Menyewa/menumpang
- Milik sendiri

Kuantitatif



0
1
-
-

-
-




0
1

-



26
a. Model Akreditasi
Model akreditasi Sekolah Menengah Kejuruan (SMK) merupakan model
logit dari regresi logistik ordinal dengan delapan variabel prediktor dan tiga
kategori respon. Pada Tabel 4.2 dapat dilihat banyaknya sekolah yang masuk
kategori akreditasi.
Tabel 4.2 Informasi respon
No Jenis Akreditasi Jumlah Sekolah
1 C 11
2 B 62
3 A 36

Sekolah yang terakreditasi C atau cukup terdapat 11 sekolah, sekolah yang
terakreditasi B atau baik terdapat 62 sekolah, sedangkan sekolah yang masuk pada
akreditasi A atau amat baik terdapat 36 sekolah. Dengan demikian secara total
terdapat 109 sekolah.
Karena terdapat tiga kategori respon maka model logit yang terbentuk
adalah dua model logit yaitu sebagai berikut:
Tabel 4.3 Estimasi parameter model
Prediktor Koefisien SE Koef
Konstan (1) -0,685519 4,54770
Konstan (2) 3,11173 4,56250
1
x -1,97213 1,39537
2
x -0,0404839 0,0197898
3
x -0,0011422 0,0011318
4
x -0,0427285 0,0196091
5
x 0,0014973 0,0057685
6
x -0,490459 0,684865
7
x -0,223848 0,0891472
8
x 0,0761840 0,0596407

27
8 7 6 5 4
3 2 1
1
1
1
0761840 , 0 223848 , 0 490459 , 0 0014973 , 0 0427285 , 0
0011422 , 0 0404839 , 0 97213 , 1 685519 , 0
1
log ) (
x x x x x
x x x Logit
+ − − + −
+ − − − − =
|
|
¹
|

\
|

=
γ
γ
γ


( )
8 7 6 5 4
3 2 1
2
2
2
0761840 , 0 223848 , 0 490459 , 0 0014973 , 0 0427285 , 0
0011422 , 0 0404839 , 0 97213 , 1 11173 , 3
1
log
x x x x x
x x x Logit
+ − − + −
+ − − − =
|
|
¹
|

\
|

=
γ
γ
γ


b. Pengujian Signifikansi Model Akreditasi SMK
Uji secara serentak
Untuk pengujian secara serentak, pengujian signifikansi model akreditasi
sekolah SMK menggunakan likelihood ratio test. Hipotesisnya adalah sebagai
berikut:
Hipotesis :
H
0
: 0 β =
H
1
: 0 β ≠

Tabel 4.4 Pengujian secara serentak
Log-Likelihood
=-80,926
G = 38,330 DF = 8 P-value = 0,00
Goodness-of-Fit Test
Metode Chi-Square DF P
Pearson 174,617 208 0,955
Deviance 161,852 208 0,992
Hubungan Pengukuran
Pasangan Jumlah Persentase Pengukuran
Concordant 2647 80,0
Discordant 655 19,8
Ties 8 0,2
Somers’D = 0,60
Goodman-Kruskal Gamma =0,60
Kendall’s Tau-a = 0,34

Berdasarkan Tabel 4.4 di atas didapatkan nilai statistik uji G sebesar
38,330. Dari nilai p-value = 0,000 yang lebih kecil dari 1 , 0 = α maka dapat
diambil kesimpulan bahwa dengan pengujian secara serentak model akreditasi
28
sekolah SMK dengan regresi logistik ordinal dengan delapan variabel prediktor
signifikan pada tingkat kepercayaan 90%.
Untuk Goodness of Fit dengan metode Pearson nilai Chi-square = 174,617
sedangkan untuk Deviance adalah sebesar 161,852. Nilai Concordant adalah
sebesar 80%, nilai Discordant adalah sebesar 19,8% dan nilai Ties adalah sebesar
0,2%.

Uji Secara Individu
Dari pengujian secara serentak dapat diketahui bahwa model adalah
signifikan atau tolak H
0
yang berarti bahwa minimal ada satu parameter yang
signifikan. Statistik uji yang digunakan untuk uji secara individu adalah uji Wald.
Pengujian ini digunakan untuk mengetahui variabel prediktor yang signifikan
secara individu. Hipotesis yang digunakan adalah:
H
0
:
k
β = 0
H
1
:
k
β ≠ 0 ; k = 1, 2, ...p
Dari output Minitab 14 didapatkan nilai statistik uji Wald untuk masing-masing
parameter variabel prediktor sebagai berikut:
Tabel 4.5 Statistik Uji Wald untuk pengujian secara individu
Prediktor Koefisien SE Koef Z P Odds Ratio
Konstan (1) -0,685519 4,54770 -0,15 0,880
Konstan (2) 3,11173 4,56250 0,68 0,495
1
x -1,97213 1,39537 -1,41 0,158 0,14
2
x -0,0404839 0,0197898 -2,05 0,041 0,96
3
x -0,0011422 0,0011318 -1,01 0,313 1,00
4
x -0,0427285 0,0196091 -2,18 0,029 0,96
5
x 0,0014973 0,0057685 0,26 0,795 1,00
6
x -0,490459 0,684865 -0,72 0,474 0,61
7
x -0,223848 0,0891472 -2,51 0,012 0,80
8
x 0,0761840 0,0596407 1,28 0,201 1,08
29
Dari Tabel 4.5 di atas dapat diketahui bahwa untuk model akreditasi
sekolah SMK untuk variabel prediktor yang signifikan pada tingkat kepercayaan
90% dan berpengaruh pada model adalah lama berdiri sekolah, jumlah guru, dan
jumlah nilai rata-rata Unas sekolah. Sedangkan variabel prediktor yang tidak
signifikan adalah status sekolah, jumlah siswa, jumlah alumni yang diterima di
dunia usaha dan industri, status tanah dan bangunan serta indeks pembangunan
manusia Kabupaten/Kota asal SMK yang terakreditasi.
Variabel prediktor status sekolah yang terdiri atas sekolah negeri dan
swasta, jumlah siswa, jumlah alumni yang diterima di dunia usaha dan industri,
status tanah dan bangunan tidak signifikan pada model dikarenakan pada saat
pengambilan data, sekolah SMK yang mengajukan akreditasi selama tahun 2006
yang terbesar adalah sekolah swasta, hanya beberapa sekolah SMK yang berstatus
negeri yaitu ada 4 sekolah. Sekolah SMK swasta tersebut umumnya mempunyai
keragaman jumlah siswa yang kecil sehingga tidak signifikan dalam model.
Variabel jumlah alumni yang diterima di dunia usaha dan industri juga tidak
signifikan dalam model juga disebabkan keragaman data yang kecil antar sekolah
SMK karena sebagian besar data yang diambil adalah dari sekolah swasta.
Variabel status tanah dan bangunan tidak signifikan dalam model, hal ini
dikarenakan data yang diambil adalah sebagian besar sekolah yang sudah
memiliki tanah dan bangunan sendiri, sedangkan sekolah yang menyewa atau
menumpang hanya sebagian kecil yaitu ada 11 sekolah. Variabel indeks
pembangunan manusia tidak signifikan dalam model, hal disebabkan sekolah-
sekolah yang mengajukan akreditasi selama tahun 2006 berasal dari
Kabupaten/Kota yang mempunyai indeks pembangunan manusia yang hampir
signifikan tidak beda jauh.
Interpretasi model yang terbentuk adalah dengan menggunakan odds rasio.
Nilai odds rasio yang signifikan dalam model berdasarkan Tabel 4.5 adalah
variabel lama berdiri sekolah dengan odds rasio sebesar 0,96, variabel jumlah
guru dengan odds rasio sebesar 0,96, variabel nilai Unas sekolah dengan odds
rasio sebesar 0,8. Odds rasio variabel lama berdiri sekolah adalah sebesar 0,96, ini
dapat diartikan bahwa terdapat 4% peningkatan dalam nilai perbandingan status
sekolah yang lebih tinggi tiap 10 tahun pertambahan lama berdiri sekolah. Odds
30
rasio jumlah guru adalah sebesar 0,96, dapat diartikan bahwa terdapat peningkatan
4% nilai perbandingan status sekolah yang lebih tinggi tiap penambahan 10 0rang
guru. Sedangkan variabel nilai Unas sekolah dengan odds rasio sebesar 0,8, dapat
diartikan bahwa terdapat peningkatan 20% dalam nilai perbandingan status
sekolah yang lebih tinggi tiap penambahan 10 nilai Unas sekolah.
































31
BAB 5
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Berdasarkan hasil analisis data dan pembahasan maka dapat diambil
kesimpulan sebagai berikut:
1. Penaksiran parameter Regresi Logistik Ordinal diperoleh dengan
menggunakan metode penaksiran Maksimum Likelihood. Untuk menjelaskan
peluang pengamatan sebagai suatu fungsi dari parameter yang tidak diketahui
dapat dibangun dengan suatu fungsi yang disebut Likelihood function. Untuk
memaksimumkan nilai dari fungsi tersebut digunakan metode Maximum
Likelihood Estimation (MLE). Fungsi Likelihood adalah sebagai berikut:
( ) L ×
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
|
¹
|

\
| −
|
|
¹
|

\
|
×
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
|
¹
|

\
| −
|
|
¹
|

\
|
=

=


i i i i i i
R R
i
i i
R
i
i
n
i
R R
i
i i
R
i
i
L
2 3 2 1 2 1
3
2 3
3
2
1 2
1 2
2
1
,
γ
γ γ
γ
γ
γ
γ γ
γ
γ
β θ

( )
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
|
¹
|

\
|

|
|
¹
|

\
|
×
− −

− −
i J Ji i J
R R
Ji
i J Ji
R
Ji
i J
) 1 ( 1
) 1 ( ) 1 (
γ
γ γ
γ
γ

kemudian didapatkan fungsi log-likelihood:
( ) ( ) ( ) {
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( )}
i
T
J
i
T
i
T
i
T
i
T
i
T
e R
e e e e R R
e e e e R R
e R L
i J
i
T
i i
i
T
i i
n
i
i
T
i
X β
X β X β
X β X β
X β
X β
X β
X β β θ
+

+ +
+ +
=
+

+ − −
+ + + − + − − + −
+ + − + − − + −
+ + − + =

1
2 3 2 3
1 2 1 2
1
1 ln 1
1 ln 1 ln ln
1 ln 1 ln ln
1 ln , ln
) 1 (
2 3
1 2
1
1 1
θ
θ θ θ θ
θ θ θ θ
θ
θ
L

turunan pertama dari log-likelihood : ( ) β θ, log L terhadap θ dan β adalah non
linier dalam parameter. Karena non linier maka untuk mendapatkan taksiran
parameter digunakan metode Newton-Raphson dengan iterasi Weighted Least
Square. Akan tetapi metode penaksiran maksimum Likelihood sulit dilakukan
32
dalam menentukan ( ) β θ, awal, sehingga dipergunakan program komputerisasi
minitab 14.
2. Variabel yang signifikan yang berpengaruh terhadap status akreditasi SMK di
Jawa Timur adalah lama berdiri suatu sekolah pada saat mengajukan
akreditasi, jumlah guru pada saat mengajukan akreditasi, serta jumlah nilai
rata-rata ujian nasional sekolah. Model Akreditasi SMK di Jawa Timur dengan
Regresi Logistik Ordinal adalah sebagai berikut:
8 7 6 5 4
3 2 1
1
1
1
0761840 , 0 223848 , 0 490459 , 0 0014973 , 0 0427285 , 0
0011422 , 0 0404839 , 0 97213 , 1 685519 , 0
1
log ) (
x x x x x
x x x Logit
+ − − + −
+ − − − − =
|
|
¹
|

\
|

=
γ
γ
γ

( )
8 7 6 5 4
3 2 1
2
2
2
0761840 , 0 223848 , 0 490459 , 0 0014973 , 0 0427285 , 0
0011422 , 0 0404839 , 0 97213 , 1 11173 , 3
1
log
x x x x x
x x x Logit
+ − − + −
+ − − − =
|
|
¹
|

\
|

=
γ
γ
γ

( )
8 7 6 5 4
3 2 1
8 7 6 5 4
3 2 1
1 1
0761840 , 0 223848 , 0 490459 , 0 0014973 , 0 0427285 , 0
0011422 , 0 0404839 , 0 97213 , 1 685519 , 0 exp( 1
0761840 , 0 223848 , 0 490459 , 0 0014973 , 0 0427285 , 0
0011422 , 0 0404839 , 0 97213 , 1 685519 , 0 exp(
x x x x x
x x x
x x x x x
x x x
+ − − + −
+ − − − − +
+ − − + −
+ − − − −
= = π γ

( )
07618 , 0 223848 , 0 490459 , 0 0014973 , 0 0427285 , 0
0011422 , 0 0404839 , 0 97213 , 1 11173 , 3 exp( 1
0761840 , 0 223848 , 0 490459 , 0 0014973 , 0 0427285 , 0
0011422 , 0 0404839 , 0 97213 , 1 11173 , 3 exp(
7 6 5 4
3 2 1
8 7 6 5 4
3 2 1
2 1 2
+ − − + −
+ − − − +
+ − − + −
+ − − −
= + =
x x x x
x x x
x x x x x
x x x
π π γ

1
π = P(Y=1| X ) menyatakan peluang kategori respon ke-1 atau masuk
kategori C pada p variabel prediktor yang dinyatakan dalam vektor
X
2
π = P(Y=2| X ) menyatakan peluang kategori respon ke-2 atau masuk
kategori B pada p variabel prediktor yang dinyatakan dalam vektor
X
3
π = 1 -
1
π -
2
π = P(Y=3| X ) menyatakan peluang kategori respon ke-2
atau masuk kategori A pada p variabel prediktor yang dinyatakan
dalam vektor X
33
5.2 Saran
Berdasarkan kesimpulan diatas maka saran-saran yang dapat disampaikan
adalah bahwa untuk penelitian selanjutnya untuk memodelkan akreditasi
hendaknya dimasukkan variabel lain yang lebih mewakili untuk mengukur
akreditasi SMK di Jawa Timur.

































34
DAFTAR PUSTAKA

Agresti, A., (1990), Categorical Data Analysis, John Wiley & Sons, Inc., New
York.
Antonov, A., (2004), ‘Performance of Modern Techniques for Rating Model
Design’, Master Thesis, Zürich.
Hosmer, D. W., dan Lemeshow, S., (2000), Applied Logistic Regression, John
Wiley & Sons, Inc., New York.
Hyun, S. K.,(2004), “Topics In Ordinal Logistic Regression And Its Applications”,
Dissertation Ph.D.,Texas A&M University.
McCullagh,P., (1980),”Regression models for ordinal data”, Journal of the Royal
Statistical Society, Seri B, No.42, hal. 109-142.
Tim Sekretariat Negara RI (2005), Peraturan Pemerintah Tentang Standar
Nasional Pendidikan, Sekretariat Negara RI, Jakarta.
Wibowo, W., (2002), ‘Perbandingan Hasil Klasifikasi Analisis Diskriminan dan
Regresi Logistik Pada Pengklasifikasian Data Respon Biner’, KAPPA
Vol. 3, No.1, hal 36-45..














35
Lampiran 1
Data Akreditasi SMK di Jawa Timur
No Nama Jurusan SMK
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x Y
1 MEKANIKA SMK
TARUNA BAKTI
NGANJUK
0 18 1647 50 62 1 22.56 67.5 2
2 MEKANIK
OTOMOTIF SMK
PGRI 1
BANYUWANGI
0 30 114 30 20 1 21.34 66.0 2
3 AKUNTANSI SMK 17
AGUSTUS
BANYUWANGI
0 37 488 25 35 1 20.54 66.0 3
4 TATA BOGA SMKN
2 MAGETAN
1 6 232 16 42 1 19.58 69.9 3
5 ADMIN PKT SMK
MUH. 1
TRENGGALEK
0 18 127 19 61 1 20.55 70.2 2
6 MEKANIKA
OTOMOTIF SMK
CANDA BHIRAWA
PARE KEDIRI
0 42 277 26 47 1 18.69 68.7 2
7 AUDIO VIDEO SMK
GAMALIEL 1 KOTA
KEDIRI
0 38 312 63 9 1 14.82 73.2 3
8 MEKANIK
OTOMOTIF SMK AR
RAHMAH KAB.
KEDIRI
0 8 309 30 18 1 22.47 68.7 2
9 TEKNIK LAS SMK
MA'ARIF PANDAAN
KAB. PASURUAN
0 6 162 5 27 0 18.51 64.2 2
10 AKUNTANSI SMK 02
ISLAM 45 AMBULU
JEMBER
0 8 119 19 8 1 18.71 61.7 1
11 TEK KOMPUTER
JARINGAN SMK
PGRI PANDAAN
PASURUAN
0 20 261 30 27 1 18.72 64.2 3
12 TEK PERMESINAN
SMK TRI SAKTI
KUDU JOMBANG
0 19 100 16 16 1 19.56 69.4 2
13 ADMIN PKT SMK
TPI PORONG
SIDOARJO
0 20 121 14 15 1 18.45 74.0 1
36
14 AKUNTANSI SMK
WACHID HASYIM
SURABAYA
0 20 291 32 77 1 21.52 74.6 3
15 TEK MEKANIKA
OTOMOTIF SMK
PGRI 1
BANGKALAN
0 20 108 17 18 1 20.43 60.2 2
16 PENJUALAN SMK
MA'ARIF NU
PRAMBON
SIDOARJO
0 6 152 16 16 1 19.06 74.0 1
17 AEI MAINTENANCE
REPAIR SMK
PENERB. DHARMA
WIRAWAN
SIDOARJO
0 21 91 30 39 1 21.75 74.0 3
18 ADMIN PEKT SMK
PERDANA 1
SURABAYA
0 21 22 17 5 0 18.93 74.6 1
19 PENJUALAN SMK
PSM WARUJAYENG
NGANJUK
0 35 471 31 83 1 19.62 67.5 3
20 ADMIN PKT SMK
PGRI 7 SURABAYA
0 22 107 27 20 0 19.86 74.6 2
21 TEK KOMPUTER
DAN JARGN SMKN
1 CERME GRESIK
1 10 72 34 28 1 23.78 71.6 2
22 TEK KOMP DAN
JARINGAN SMK
SUNAN AMPEL
MENGANTI GRESIK
0 4 117 16 20 1 18.59 71.6 1
23 MEKANIK OTMTF
SMK SULTAN
AGUNG KEMLAGI
MOJOKERTO
0 6 188 17 8 0 22.37 70.3 2
24 TEKNIK LAS SMK
QOMARUL
HIDAYAH 1 TUGU
KAB. TRENGGALEK
0 22 271 24 0 0 17.55 70.2 2
25 MEK OTMOTF SMK
MAHARDIKA
LAMONGAN
0 13 203 14 64 1 21.69 66.9 3
26 PENJUALAN SMK
PGRI KAB.
LUMAJANG

0 28 245 39 55 1 23.49 64.5 3
37
27 AKUNTANSI SMK
PGRI 3 KOTA
KEDIRI
0 10 561 65 228 1 21.56 73.2 2
28 TEK PERMESIN
SMK MUH 1
KEPANJEN
MALANG
0 32 538 28 39 1 23.64 66.9 3
29 AKUNTANSI SMK
PGRI 6 NGAWI
0 12 487 39 23 0 21.90 65.2 3
30 MEKANIK OTMTF
SMK PGRI 2
PONOROGO
0 23 1251 70 15 1 21.30 66.5 3
31 MESIN OTOMTF
SMK YPM 12
TUBAN
0 8 529 38 73 1 21.65 64.2 3
32 TEK. INFORMATIKA
SMK BIMA
BOJONEGORO
0 5 20 14 20 1 19.74 63.6 2
33 MEKANIK OTOMTF
SMK AHMAD YANI
KOTA
PROBOLINGGO
0 38 677 42 70 1 23.73 71.3 3
34 MEKANIK OTOMTF
SMK PGRI I
SUTOJAYAN KAB.
BLITAR
0 23 213 15 60 1 21.53 70.3 2
35 TEK. PERMESINAN
SMK SANTO YUSUF
CARUBAN MADIUN
0 10 41 8 21 1 18.45 66.9 2
36 MEKANIK
OTOMOTIF SMK
TAMAN SISWA
TULUNGAGUNG
0 10 422 50 18 1 19.78 70.5 2
37 AKUNTANSI SMK
PGRI 1 PACITAN
0 41 365 49 40 1 22.09 68.1 3
38 ADMIN PKT SMK
PGRI 2 KOTA
KEDIRI
0 30 314 67 47 0 17.43 73.2 2
39 AKUNTANSI SMK
MADINATUL ULUM
BOJONEGORO
0 11 82 16 11 1 15.47 63.6 1
40 TEK. OTOMOTIF
SMK NURIS KAB.
JEMBER
0 4 63 24 10 1 16.26 61.7 2
41 AKUNTANSI SMK
PGRI 3 NGANJUK
0 14 267 55 59 1 19.62 67.5 3
38
42 NAUTIKA NIAGA
SMK WIRA
MARITIM
SURABAYA

0 6 60 18 33 1 21.89 74.6 2

43 PENJUALAN SMK
PEMUDA 1
KESAMBEN
JOMBANG
0 31 467 37 31 1 18.56 69.4 2
44 MEKANIK
OTOMOTIF SMK
TAMAN SISWA
KOTA KEDIRI
0 8 106 20 12 1 20.22 73.2 2
45 PENJUALAN SMK
AHMAD YANI
JABUNG KAB.
MALANG
0 5 61 17 11 1 17.64 66.9 1
46 MEKANIK
OTOMOTIF SMK
PGRI 1 MOJOROTO
KOTA KEDIRI
0 23 618 61 188 1 22.56 73.2 2
47 PENJUALAN SMK
MUH. 2
MANTINGAN
NGAWI
0 6 76 17 0 1 16.38 65.2 2
48 TEK. OTOMOTIF
SMK MUH. 2
GENTENG
BANYUWANGI
0 31 734 47 97 1 18.67 66.0 3
49 MEKANIK OTOMTIF
SMK MUH. 6
ROGOJAMPI
BANYUWANGI
0 14 990 39 80 1 20.01 66.0 2
50 TATA BUSANA SMK
PGRI KESAMBEN
KAB BLITAR
0 17 40 12 8 0 20.10 70.3 1
51 AKUNTANSI SMK
MAGETAN 1 KAB.
MAGETAN
0 38 145 46 31 1 22.38 69.9 3
52 ADMIN. PKT SMK
KARYA DHARMA 2
KAB. TRENGGALEK
0 24 76 29 40 1 18.65 70.2 3
53 MEKANIK OTOMTF
SMK YP 17 KAB.
LUMAJANG

0 42 397 33 7 1 20.44 64.5 2
39
54 MEKANIK
OTOMOTIF SMK
WIYATA DHARMA
WALIKUKUN KAB.
NGAWI
0 4 166 18 19 1 18.72 65.2 2
55 MESIN PERKAKAS
SMK DHARMA
WIRAWAN TG.
ANGIN SIDOARJO
0 14 56 16 50 1 20.42 74.0 2
56 ADMIN PKT SMK
SORE KOTA
PROBOLINGGO
0 30 115 25 5 1 21.48 71.3 2
57 AKUNTANSI SMK 2
PANCASILA
JEMBER
0 21 221 16 28 1 22.86 61.7 3
58 AKOMODASI
PERHTLAN SMK
PRAJNAPARAMITA
KOTA MALANG
0 14 447 28 39 1 23.49 73.9 3
59 MEKANIK OTMTF
SMKN 1
TRENGGALEK
1 7 386 68 35 1 21.56 70.2 3
60 ADMIN PKT SMK
PAWYATAN 1 KOTA
KEDIRI
0 61 307 34 47 1 19.67 73.2 3
61 AKUNTANSI SMK
BRAWIJAYA 1
KOTA KEDIRI
0 20 89 18 9 1 20.34 73.2 2
62 AKUNTANSI SMK
PARAMITA KOTA
MOJOKERTO
0 37 171 28 40 1 20.01 74.6 2
63 BODI OTOMOTIF
SMK YAPENAS
GEMPOL KAB.
PASURUAN
0 5 184 28 33 1 19.83 64.2 2
64 AKUNTANSI SMK
TRISILA UNDAAN
SURABAYA
0 31 464 31 58 1 17.67 74.6 2
65 ADMIN PRKTRN
SMK PGRI
DONOROJO
PACITAN
0 33 309 25 20 1 13.98 68.1 3
66 INSTALASI LISTRIK
SMK ISLAM
AHMAD YANI
NGANTANG
MALANG
0 11 51 15 12 1 17.76 66.9 2
40
67 PENJUALAN SMK
YP KOTA BLITAR
0 33 427 68 65 1 14.07 75.1 2
68 AKUNTANSI SMK
PAWYATAN DAHA
2 KOTA KEDIRI
0 43 255 34 16 1 19.14 73.2 2
69 AKUNTANSI SMK
MUH. 1 GENTENG
BANYUWANGI
0 39 464 43 131 1 21.61 66.0 2
70 AKUNTANSI SMK
DARMA SISWA 2
WARU SIDOARJO
0 15 175 32 17 1 20.84 74.0 3
71 BISNIS DAN
MANAJEMEN SMK
ISLAM
PENANGGUNGAN
NGORO KAB.
MOJOKERTO
0 4 137 17 15 1 19.76 70.3 2
72 USAHA JASA
PARIWISATA SMK
PARIWISATA
AIRLANGGA KAB.
MOJOKERTO
0 7 113 15 31 1 22.55 70.3 2
73 AKUNTANSI SMK
PAHLAWAN
MOJOSARI
MOJOKERTO
0 31 660 44 57 1 18.87 70.3 2
74 MEKANIKA
OTOMTF SMK
RADEN PATAH
MOJOSARI
MOJOKERTO
0 19 708 47 56 1 14.04 70.3 2
75 TEK. PERMESINAN
SMK NASIONAL
MOJOSARI KAB.
MOJOKERTO
0 19 582 47 10 1 20.88 70.3 2
76 ADMIN PKT SMK
PGRI SOOKO KAB.
MOJOKERTO
0 19 151 44 12 1 18.03 70.3 2
77 MESIN PERKAKAS
SMK AL ISLAMY
GEDEG KAB.
MOJOKERTO
0 14 50 17 5 1 15.65 70.3 2
78 MEKANIK
OTOMOTF SMK
JAYANEGARA PURI
MOJOKERTO
0 28 60 20 5 1 21.81 70.3 1
41
79

TEK LISTRIK INSTL
SMK AHMAD YANI
MAYANGAN KOTA
PROBOLINGGO

0 38 267 62 36 1 19.08 71.3 2
80 AKUNTANSI SMK
PEMUDA KRIAN
SIDOARJO
0 35 942 54 33 1 20.67 74.0 3
81 AKUNTANSI SMK
DIPONEGORO
SIDOARJO
0 18 129 30 10 1 17.66 74.0 2
82 AKUNTANSI SMK
BUDI UTOMO
PRAMBON
SIDOARJO
0 21 262 23 25 1 22.47 74.0 2
83 MEKANIK OTOMTF
SMK YPM 4 TAMAN
SIDOARJO
0 14 882 51 10 1 21.67 74.0 3
84 INSTL. LISTRIK
SMK PERSATUAN 2
TULANGAN
SIDOARJO
0 16 109 23 7 1 19.08 74.0 2
85 AKUNTANSI SMK
DARUSSALAM
TAMAN SIDOARJO
0 6 50 17 3 1 15.03 74.0 2
86 MEKANIK OTMTF
SMK SENOPATI
SIDOARJO
0 12 452 32 65 1 15.50 74.0 3
87 MESIN PERKAKAS
SMK ANTARTIKA
BUDURAN
SIDOARJO
0 33 877 54 221 1 21.57 74.0 3
88 AKUNTANSI SMK
DARUL ULUM 1
REJOSO
PETERONGAN
JOMBANG
0 16 72 28 2 1 18.78 69.4 2
89 MEKANIK
OTOMOTIF SMK
WINARA JOMBANG
0 14 158 18 72 0 20.83 69.4 2
90 PENJUALAN SMK
AL IHSANI
KESAMBEN
JOMBANG


0 6 151 16 10 1 18.63 69.4 2
42
91 TEK. INFORMATIKA
SMK TELKOM
DARUL ULUM
JOMBANG
0 11 106 44 20 1 24.21 69.4 3
92 MEKANIK OTOMTF
SMK PGRI 2
JOMBANG
0 25 315 58 132 1 20.28 69.4 2
93 TEK. PERMESINAN
SMK DIPONEGORO
PLOSO JOMBANG
0 17 766 43 200 1 18.48 69.4 2
94 AKUNTANSI SMK
MUH. 2 JOGOROTO
JOMBANG
0 5 94 17 5 1 19.58 69.4 2
95 AKUNTANSI SMK
NU 1 SUKODADI
LAMONGAN
0 7 132 21 16 1 27.28 66.9 2
96 TEK. KOMP.
JARINGAN SMKN 1
KOTA PASURUAN
1 27 230 57 35 1 23.67 71.4 3
97 AKUNTANSI SMK
MUH. 1 KAB.
LAMONGAN
0 32 220 60 30 1 24.48 66.9 3
98 AKUNTANSI SMK
PGRI 6 NGAWI
0 12 487 39 23 0 22.52 65.2 3
99 ADMIN. PKT SMK
MANGGALA
SURABAYA
0 21 56 17 8 1 20.00 74.6 1
100 MEKANIK OTOMTF
SMK PGRI 6
SURABAYA
0 45 115 24 26 1 21.50 74.6 3
101 MEKANIK OTOMTF
SMK MUH. 5 BABAT
LAMONGAN
0 14 602 48 100 1 22.26 66.9 3
102 ADMIN. PKT SMK
MUH. 2 GRESIK
0 15 66 18 5 1 19.66 71.6 2
103 PENJUALAN SMK
MAARIF NU PAKIS
KAB. MALANG
0 22 169 21 36 1 19.32 66.9 2
104 MEKANIK
OTOMOTF SMK NU
MIFTAHUL HUDA
KEPANJEN
MALANG
0 10 373 37 38 1 23.17 66.9 2
105 ADMIN. PKT SMK
PANCA BHAKTI
MAGETAN
0 14 83 23 8 1 22.23 69.9 2
43
106 MEKANIK OTOMTF
SMK DARMA SISWA
1 WARU SIDOARJO
0 16 292 46 119 1 24.63 74.0 3
107 PENJUALAN SMK
MUH. 1 BARON
NGANJUK

0 20 54 15 10 1 21.69 67.5 1
108 AKUNTANSI SMK
PGRI KAWEDANAN
MAGETAN
0 22 75 21 25 0 22.81 69.9 2
109 AKUNTANSI SMK
KARYA DHARMA 2
KAB. TRENGGALEK
0 24 184 29 40 1 21.67 70.2 2

Keterangan:
Y : Status akreditasi SMK
1
x : Status sekolah
2
x : Lama berdiri Sekolah (tahun)
3
x : Jumlah siswa terakhir
4
x : Jumlah guru terakhir
5
x : Status tanah bangunan
6
x : Jumlah alumni yang diterima dunia usaha dan industri setahun terakhir
7
x : Jumlah nilai rata-rata Ujian Nasional Sekolah
8
x : Indeks Pembangunan Manusia tiap Kabupaten/Kota asal sekolah










44
Lampiran 2
Hasil Output Minitab 14
MTB > OLogistic 'AKREDITASI' = STATUS 'LAMA BERDIRI' 'JUMLAH SISWA' &
CONT> 'JUMLAH GURU' 'DITERIMA DU/DI' 'STATUS TANAH' UNAS IPM;
SUBC> Logit;
SUBC> Brief 2.

Ordinal Logistic Regression: AKREDITASI versus STATUS, LAMA BERDIRI,
...

Link Function: Logit


Response Information

Variable Value Count
AKREDITASI 1 11
2 62
3 36
Total 109


Logistic Regression Table

Odds 95% CI
Predictor Coef SE Coef Z P Ratio Lower Upper
Const(1) -0.685519 4.54770 -0.15 0.880
Const(2) 3.11173 4.56250 0.68 0.495
STATUS -1.97213 1.39537 -1.41 0.158 0.14 0.01 2.14
LAMA BERDIRI -0.0404839 0.0197898 -2.05 0.041 0.96 0.92 1.00
JUMLAH SISWA -0.0011422 0.0011318 -1.01 0.313 1.00 1.00 1.00
JUMLAH GURU -0.0427285 0.0196091 -2.18 0.029 0.96 0.92 1.00
DITERIMA DU/DI 0.0014973 0.0057685 0.26 0.795 1.00 0.99 1.01
STATUS TANAH -0.490459 0.684865 -0.72 0.474 0.61 0.16 2.34
UNAS -0.223848 0.0891472 -2.51 0.012 0.80 0.67 0.95
IPM 0.0761840 0.0596407 1.28 0.201 1.08 0.96 1.21


Log-Likelihood = -80.926
Test that all slopes are zero: G = 38.330, DF = 8, P-Value = 0.000


Goodness-of-Fit Tests

Method Chi-Square DF P
Pearson 174.617 208 0.955
Deviance 161.852 208 0.992


Measures of Association:
(Between the Response Variable and Predicted Probabilities)

Pairs Number Percent Summary Measures
Concordant 2647 80.0 Somers' D 0.60
Discordant 655 19.8 Goodman-Kruskal Gamma 0.60
Ties 8 0.2 Kendall's Tau-a 0.34
Total 3310 100.0

MTB > Stop.

Pendidikan adalah salah satu faktor yang mempengaruhi pembangunan manusia (Brata, 2005). Salah satu faktor yang menunjang baik atau tidaknya pendidikan adalah sekolah. Baik tidaknya mutu suatu sekolah dinyatakan dengan akreditasi sekolah. Ingin dianalisis status akreditasi suatu sekolah dengan memperhatikan Indeks Pembangunan Manusia tiap wilayah yaitu Kabupaten/Kota asal sekolah SMK yang terakreditasi apakah Indeks Pembagunan Manusia tiap wilayah yaitu Kabupaten/Kota asal sekolah berpengaruh terhadap akreditasi suatu sekolah di wilayah masing-masing Kabupaten/Kota tersebut. Disamping memperhatikan Indeks Pembangunan Manusia, juga ingin menghubungkan status akreditasi dengan profil sekolah yang bersangkutan yang meliputi status sekolah yaitu negeri atau swasta, lama berdiri suatu sekolah pada saat mengajukan akreditasi, jumlah siswa pada saat mengajukan akreditasi, jumlah guru pada saat mengajukan akreditasi, jumlah alumni yang diterima di dunia usaha dan industri setahun terakhir pada saat mengajukan akreditasi, status tanah/bangunan serta jumlah nilai rata-rata ujian nasional sekolah. Analisis yang dilakukan adalah Regresi Logistik Ordinal. Analisis ini bertujuan untuk mengkaji bentuk penaksir parameter serta model akreditasi suatu sekolah yang menghubungkan dengan Indeks pembangunan Manusia serta profil sekolah yang meliputi status sekolah yaitu negeri atau swasta, lama berdiri suatu sekolah pada saat mengajukan akreditasi, jumlah siswa pada saat mengajukan akreditasi, jumlah guru pada saat mengajukan akreditasi, jumlah alumni yang diterima di dunia usaha dan industri setahun terakhir pada saat mengajukan akreditasi, status tanah/bangunan serta jumlah nilai rata-rata ujian nasional sekolah.

1.2 Perumusan Masalah Perumusan masalah dalam penelitian ini adalah: 1. Bagaimana mengkaji bentuk penaksir parameter Regresi Logistik Ordinal 2. Bagaimana menentukan model akreditasi sekolah berdasarkan faktor-faktor yang terdapat dalam profil sekolah yang meliputi status sekolah yaitu negeri atau swasta, lama berdiri suatu sekolah pada saat mengajukan akreditasi, jumlah siswa pada saat mengajukan akreditasi, jumlah guru pada saat

2

mengajukan akreditasi, jumlah alumni yang diterima di dunia usaha dan industri setahun terakhir pada saat mengajukan akreditasi, status

tanah/bangunan serta jumlah nilai rata-rata ujian nasional sekolah dengan memperhatikan Indeks Pembangunan Manusia tiap wilayah asal sekolah SMK yang terakreditasi dengan menggunakan Regresi Logistik Ordinal.

1.3 Tujuan Tujuan dalam penelitian ini adalah sebagai berikut: 1. Mengkaji bentuk penaksir parameter Regresi Logistik Ordinal. 2. Menentukan model akreditasi sekolah berdasarkan faktor-faktor yang terdapat dalam profil sekolah yang meliputi status sekolah yaitu negeri atau swasta, lama berdiri suatu sekolah pada saat mengajukan akreditasi, jumlah siswa pada saat mengajukan akreditasi, jumlah guru pada saat mengajukan akreditasi, jumlah alumni yang diterima di dunia usaha dan industri setahun terakhir pada saat mengajukan akreditasi, status tanah/bangunan serta jumlah nilai rata-rata ujian nasional sekolah dengan memperhatikan Indeks Pembangunan Manusia tiap wilayah asal sekolah SMK yang terakreditasi dengan menggunakan Regresi Logistik Ordinal.

1.4 Manfaat Manfaat penelitian ini adalah sebagai berikut : 1. Memperluas wawasan mengenai regresi logistik ordinal 2. Memberikan wawasan mengenai akreditasi sekolah 3. Bagi Dinas Pendidikan dapat mengetahui bentuk model akreditasi sekolah yang menghubungkan antara status akreditasi suatu sekolah dengan profil sekolah serta Indeks Pembangunan Manusia Kabupaten/Kota asal sekolah masing-masing.

1.5 Batasan Masalah Batasan masalah dalam penelitian ini adalah bahwa pembentukan model akreditasi sekolah ini hanya dibatasi pada sekolah yang mengajukan akreditasi

3

pada tingkat satuan pendidikan SMK di Propinsi Jawa Timur yang terakreditasi tahun 2006.

4

1 Regresi Logistik Ordinal Regresi logistik ordinal merupakan salah satu metode statistika untuk menganalisis variabel respon (dependen) yang mempunyai skala ordinal yang terdiri atas tiga kategori atau lebih.1) dimana j = 1.. Persamaan (2.. P(Y ≤ j|X). Peluang kumulatif. J adalah kategori respon (Agresti. Model logit 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 peluang kumulatif yaitu peluang kurang dari atau sama dengan kategori respon ke-j pada p variabel prediktor yang dinyatakan dalam vektor X.1) didapatkan dari Fungsi logistik sebagai berikut: F ( Z) = 1 1 + exp(. 2. dengan peluang lebih besar dari kategori respon ke-j.1 Tinjauan Statistika 2.1. P(Y ≤ j|X). P(Y>j|X) (Hosmer dan Lemeshow.BAB 2 TINJAUAN PUSTAKA 2. didefinisikan sebagai berikut : p   θ j + ∑ β k x k  exp  k =1   P (Y ≤ j | X ) = p   1 + expθ j + ∑ β k x k    k =1   (2.. 1990). 2000). .Z) = 1 exp(Z) 1 + exp(Z) exp(Z) 5 . Model yang dapat dipakai untuk regresi logistik ordinal adalah model logit. Variabel prediktor (independen) yang dapat disertakan dalam model berupa data kategori atau kontinu yang terdiri atas dua variabel atau lebih.

3) 6 .2) = dimana F(Z) = Y Z = kombinasi beberapa variabel prediktor (X) Persamaan Z →∞ (2. 2 dan lim F ( Z ) = 1 sehingga dapat digambarkan dengan kurva sebagai berikut : F(Z) 1 1/2 0 Z –1 Gambar 2.2) didapatkan Z → −∞ lim F ( Z ) = 0 .1 Kurva Distribusi Logistik Definisi cumulative logit models diatas didapatkan model:  P(Y ≤ j | X )  P (Y ≤ j | X ) = log  P (Y > j | X )     (2. lim F ( Z ) = Z →0 1 .= 1 1 + exp( Z ) exp( Z ) exp( Z ) 1 + exp( Z ) (2.

3).Mensubstitusikan persamaan (2. sehingga didapatkan:  P(Y ≤ j | X )  P(Y ≤ j | X ) = log  1 − P(Y ≤ j | X )     p       expθ j + ∑ β k x k      k =1     p  1 + expθ j + ∑ β k x k         k =1   = log  p     expθ j + ∑ β k x k      k =1   1−   p  1 + expθ + β x    j ∑ k k    k =1    p       expθ j + ∑ β k x k      k =1     p     1 + expθ j + ∑ β k x k      k =1   = log  p p     1 + expθ + β x   j ∑ k k expθ j + ∑ β k x k        k =1 k =1  −     p p  1 + expθ + β x  1 + expθ + β x    j ∑ k k  j ∑ k k      k =1 k =1      p      expθ j + ∑ β k x k       k =1     p  1 + expθ j + ∑ β k x k        k =1   = log  1   p     1 + expθ j + ∑ β k x k     k =1        p p       expθ j + ∑ β k x k  θ j + ∑ β k x k   1 + exp     k =1 k =1   ×   = log  p 1  1 + expθ j + ∑ β k x k         k =1     7 .1) pada persamaan (2.

2.6) (2..5) Untuk tiga kategori respon dimana j = 1.. J (2. + π j ( X ) dimana j = 1.8) 8 ...p     = log expθ j + ∑ β k x k     k =1    = θ j + ∑ β k xk k =1 p (2. 2.4) Dalam hal klasifikasi. . 3 maka nilai dari peluang kategori respon ke-j adalah sebagai berikut : p   expθ1 + ∑ β k x k    k =1   γ 1 = P(Y ≤ 1 | X ) = p   1 + expθ1 + ∑ β k x k    k =1   p   expθ 2 + ∑ β k x k    k =1   γ 2 = P(Y ≤ 2 | X ) = π 1 ( X ) + π 2 ( X ) = p   1 + expθ 2 + ∑ β k x k    k =1   (2. Jika π j ( X ) = P(Y=j| X ) menyatakan peluang kategori respon ke-j pada p variabel prediktor yang dinyatakan dalam vektor X dan P(Y ≤ j| X )) menyatakan peluang kumulatif pada p variabel prediktor yang dinyatakan dalam vektor X maka nilai π j ( X ) didapatkan dengan persamaan berikut : γ j = P(Y ≤ j | X ) = π 1 ( X ) + π 2 ( X ) + .7) Dari kedua peluang kumulatif di atas maka akan didapatkan peluang untuk masing-masing kategori respon sebagai berikut : p   expθ1 + ∑ β k x k    k =1   π 1 ( X ) = P(Y ≤ 1 | X ) = p   1 + expθ1 + ∑ β k x k    k =1   (2. Cumulative Logit Model merupakan fungsi pembeda atau fungsi klasifikasi.. Fungsi klasifikasi yang terbentuk bila terdapat J kategori respon adalah sejumlah J – 1.

1. Estimasi dari parameter regresi logistik ordinal didapatkan dengan menurunkan fungsi log likelihood terhadap parameter yang akan diestimasi dan disamakan dengan nol. Persamaan ∂L(β) = 0 dipergunakan untuk estimasi ∂β k 9 .π 2 ( X ) = P(Y ≤ 2 | X ) − π 1 ( X ) p p     expθ 2 + ∑ β k x k  expθ1 + ∑ β k x k      k =1 k =1   −   = p p     1 + expθ 2 + ∑ β k x k  1 + expθ 1 + ∑ β k x k      k =1 k =1     (2.10) dengan demikian γ j = P(Y ≤ j| X ) = π 1 ( X) + π 2 ( X) + L + π j ( X) .2 Estimasi Parameter Estimasi parameter dapat dipergunakan metode maksimum likelihood. Untuk klasifikasi nilai π j ( X ) pada persamaan di atas akan dijadikan pedoman pengklasifikasian. Metode ini memperoleh dugaan maksimum likelihood bagi β dengan langkah awal yaitu membentuk fungsi likelihood.9) π 3 ( X ) = 1 − P(Y ≤ 2 | X ) p   θ 2 + ∑ β k x k  exp  k =1   = 1− p   1 + expθ 2 + ∑ β k x k    k =1   p  1 + exp  θ 2 + ∑ β k x k  k =1  = p  1 + exp  θ 2 + ∑ β k x k  k =1  p     exp  θ 2 + ∑ β k x k     k =1 −   p     1 + exp  θ 2 + ∑ β k x k     k =1    = 1 p   1 + expθ 2 + ∑ β k x k    k =1   (2. 2. 2002). Suatu pengamatan akan masuk dalam respon kategori j berdasarkan nilai π j ( X ) yang terbesar (Wibowo.

p = jumlah prediktor dalam model Statistik Uji : W= ˆ βk ˆ SE ( β k ) (2. . J – 1..α ) dimana p adalah jumlah prediktor dalam model.11) 10 . Hipotesis : H0 H1 : βk = 0 : β k ≠ 0 . 2.p .1. 2..p dan intersep θ j dimana j = 1.3 Uji Serentak Dalam pengujian serentak. Metode iterasi yang dipergunakan adalah metode iterative Weighted Least Square (WLS) yaitu algoritma Newton-Raphson. Hipotesis : H0 H1 : β=0 : β≠0 ˆ ˆ Statistik Uji: G 2 = −2(ln(ω ) − ln L(Ω)) Daerah penolakan: H0 ditolak bila G > χ (2p .parameter β k dimana k = 1... uji signifikansi model dapat dipergunakan likelihood-ratio test. . ....1. Hasil dari Wald test ini akan menunjukkan apakah suatu variabel prediktor signifikan atau layak untuk masuk dalam model atau tidak. 2. 2. 2. Hasil dari persamaan ∂L(β) = 0 dipergunakan untuk estimasi ∂θ j ∂L(β) ∂L(β) = 0 dan = 0 merupakan fungsi ∂β k ∂θ j nonlinear sehingga diperlukan metode iterasi untuk memperoleh estimasi parameternya. k = 1.4 Uji Individu Untuk pengujian individu signifikansi parameter model dapat diuji dengan Wald test.

Pelaksanaan sistem akreditasi sebelumnya yang hanya dilaksanakan untuk sekolah swasta. Seperti pada sistem akreditasi yang sebelumnya. maka BASNAS menyusun prosedur pelaksanaan akreditasi sekolah. Uji W mengikuti distribusi normal dikarenakan jumlah sampel adalah besar. SMPLB. baik sekolah negeri maupun swasta. pelaksanaan sistem akreditasi ini dilaksanakan untuk semua jenis dan jenjang sekolah. Pelaksanaan akreditasi sekolah dilakukan oleh Badan Akreditasi Sekolah Provinsi (BAS Provinsi) dan Badan Akreditasi Sekolah Kabupaten / Kota (BAS Kabupaten / Kota). serta prosedur yang baku. sistem akreditasi ini lebih menekankan pada evaluasi diri dengan menempatkan sekolah sebagai subjek dari proses akreditasi. sedangkan BAS Kabupaten/Kota melaksanakan akreditasi untuk TK. SD dan SMP. Badan Akreditasi Sekolah Nasional (BASNAS) bertugas menetapkan berbagai kebijakan dan sistem yang terkait dengan pelaksanaan akreditasi sekolah. baik inslrumen maupun pedoman serta petunjuk teknis pelaksanaannya. Selain itu. sistem akreditasi ini juga melibatkan tim penilai yang disebut asesor. prinsip. aturan-aturan pelaksanaan akreditasi dan perangkat lainnya.1 Akreditasi Sekolah Sesuai dengan Keputusan Menteri Pendidikan Nasional Nomor 087/U/2002 tentang Akreditasi Sekolah. SMK. SMA. Hal ini dikarenakan statistik uji W mengikuti distribusi normal (Hosmer dan Lemeshow. Pelaksanaan akreditasi sekolah oleh BAS Provinsi maupun BAS Kabupaten/ Kota agar sesuai dengan tujuan. 2.Daerah Penolakan : H0 ditolak bila W lebih besar dari zα / 2 atau P-value kurang dari α .2. BAS Provinsi melaksanakan akreditasi untuk TKLB. yang meliputi kebijakan akreditasi sekolah. SDLB. Pedoman 11 . 2000). dan SMLB. Fungsi asesor adalah untuk melakukan klarifikasi dan validasi terhadap data dan informasi yang disampaikan oleh sekolah melalui instrumen evaluasi diri serta data pendukung.2 Tinjauan Akreditasi Sekolah 2.

2.ini disusun untuk dapat memberikan rambu-rambu teknis mengenai mekanisme pelaksanaan akreditasi sekolah. sesuai dengan kewenangannya.2 Mekanisme Akreditasi Sekolah Akreditasi dilakukan terhadap sekolah yang telah menyatakan siap melalui evaluasi diri dan mengajukan permohonan akreditasi kepada BAS.2 berikut ini: 12 . Selain itu. baik yang dilakukan oleh BAS Provinsi maupun BAS Kabupaten/Kota. visitasi. 2. mekanisme dan prosedur akreditasi sekolah. sampai dengan penetapan hasil akreditasi dan penerbitan sertifikat akreditasi. dimulai dari evaluasi diri. buku pedoman ini juga memuat norma-norma pelaksanaan akreditasi sekolah yang diharapkan dapat menjadi landasan moral bagi semua pihak dan dapat dijadikan sebagai acuan dalam melaksanakan akreditasi sekolah secara benar. adalah seperti tampak pada gambar 2. Secara umum.

2007) 13 .Pelaksanaan Evaluasi Diri oleh Sekolah Pengajuan Akreditasi oleh Sekolah Penentuan Kelayakan Visitasi oleh BAS Layak Tidak Perbaikan Internal oleh Sekolah Pelaksanaan Visitasi Oleh Tim Asesor Penetapan Hasil Akreditasi oleh BAS Terakreditasi Tidak Penerbitan Hasil Akreditasi oleh BAS Gambar 2.2 Mekanisme Pelaksanaan Akreditasi Sekolah (Data diperoleh dari basdikmendki@yahoo.com.

14 .

Data tersebut merupakan data laporan akreditasi sekolah SMK yang telah terakreditasi sampai dengan tahun 2006. sedangkan penilaian akreditasi untuk 15 .1 Alat dan Bahan Alat: Alat yang digunakan dalam penelitian ini adalah borang berupa format isian profil sekolah yang dikeluarkan oleh Dinas Pendidikan Propinsi Jawa Timur yang berfungsi sebagai alat ukur variabel. Sekolah yang mengajukan untuk diakreditasi mengirimkan profil sekolah ke Dinas Pendidikan Propinsi Jawa Timur yang kemudian akan diproses sehingga keluar nilai akreditasi sekolah yang bersangkutan. Disamping itu digunakan pula alat bantu analisis berupa komputer Pentium 4 beserta kelengkapannya. akan tetapi disebabkan oleh keterbatasan sumber daya manusia yang ada. Ketidak-akuratan data ini bukan disebabkan oleh alat ukur yang digunakan karena sudah dianggap reliabel. sehingga data yang diinginkan kadang tidak terpenuhi. SMP ataupun SMA yang cara penilaian akreditasinya adalah per sekolah. Proses pengambilan data dalam penelitian ini adalah menggunakan data sekunder mengenai profil sekolah Sekolah Menengah Kejuruan (SMK) yang telah terakreditasi di Sub Dinas Pendidikan Menengah Kejuruan Dinas Pendidikan Propinsi Jawa Timur.BAB 3 METODE PENELITIAN 3. 3. Borang format profil sekolah yang telah diisi oleh sekolah kemudian dikirimkan kembali kepada Dinas Pendidikan Propinsi Jawa Timur dengan interpretasi yang bermacammacam oleh sekolah karena sumber daya manusia yang berbeda.2 Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder dari Dinas Pendidikan Propinsi Jawa Timur. Sedangkan data sekunder Indeks Pembangunan Manusia per Kabupaten/Kota didapatkan dari BPS Jawa Timur tahun 2005. Untuk penilaian akreditasi Sekolah Menengah Kejuruan (SMK) ini berbeda dengan Sekolah yang lain seperti SD.

Karena satu sekolah mempunyai jurusan yang lebih dari satu dan mempunyai nilai akreditasi yang kadang berbeda antar jurusan maka pengambilan data dalam penelitian ini adalah dengan mengambil jurusan di sekolah tersebut yang mempunyai nilai akreditasi yang paling besar. 0=menyewa/menumpang) 7.3 Variabel Penelitian Penelitian ini terdapat beberapa variabel yang dipergunakan untuk analisis regresi logistik ordinal. x6 : Status tanah bangunan (1=milik sendiri. 2. x3 : Jumlah siswa. 3. ada dua kategori yaitu negeri dan swasta .SMK adalah per jurusan dalam sekolah tersebut yang mengajukan akreditasi. Dari data yang ada maka yang dapat diambil oleh peneliti adalah sebanyak 109 sekolah yang telah terakreditasi yang mengajukan akreditasi selama tahun 2006. Pengambilan data sekolah yang terakreditasi ini hanya diambil dari sekolah yang mengajukan akreditasi selama tahun 2006 ke Dinas Pendidikan Propinsi Jawa Timur dan sudah diketahui hasil penilaian akreditasinya. 3. x 2 : Lama berdiri sekolah dalam tahun. x7 : Jumlah nilai rata-rata Ujian Nasional Sekolah terakhir 16 . Dengan demikian untuk satu sekolah SMK yang mempunyai bermacam-macam jurusan nilai akreditasi dapat berbeda antar jurusan dalam satu sekolah. x5 : Jumlah alumni yang diterima setahun terakhir 6. Karena data yang tersedia adalah sangat jauh dari ideal yang diinginkan peneliti maka data yang diambil adalah data sekolah yang pengisian pada alat ukur yang lengkap karena banyak sekali sekolah yang mengisi alat ukur yaitu profil sekolah banyak yang kosong atau tidak terisi sesuai dengan yang diharapkan. 4. x 4 : Jumlah guru. x1 : Status sekolah. Dengan demikian satu sekolah diwakili oleh jurusan yang mempunyai nilai akreditasi yang paling besar. Sebagai variabel prediktor adalah sebagai berikut : 1. Hal ini dikarenakan kualitas sumber daya manusia yang berbeda-beda dari setiap sekolah. 5.

J − 1 dan k = 1.. x8 : Indeks Pembangunan Manusia tiap Kabupaten/Kota asal sekolah Sebagai variabel respon adalah peringkat/status akreditasi SMK (1 – 3) yaitu C = Cukup (1). β) ∂β k 2 <0 dan ∂ 2 ln L(θ.. Menginterpretasikan model dan mengambil kesimpulan. Menentukan nilai estimasi parameter untuk model regresi logistik ordinal a.. Mendapatkan model akreditasi sekolah berdasarkan faktor-faktor yang terdapat dalam profil sekolah yang meliputi status sekolah yaitu negeri atau swasta. C = Cukup 2. B = Baik (2) dan A = Amat baik (3) yang dikeluarkan oleh Badan Akreditasi Sekolah Propinsi Jawa Timur... jumlah siswa pada saat mengajukan akreditasi.. p ∂θ∂β 2.2. ∂θ j dan ∂ ln L(θ. Mendapatkan turunan kedua dengan ∂ 2 ln L(θ.2. Melakukan pengujian hipotesis. ∂β k dimana j = 1.2. β) < 0 dimana j = 1. jumlah alumni yang diterima di dunia usaha dan industri setahun terakhir pada saat mengajukan akreditasi.. ∂ 2 ln L(θ. β) = 0. status tanah/bangunan serta jumlah nilai rata-rata ujian nasional sekolah dengan memperhatikan Indeks Pembangunan Manusia tiap wilayah asal sekolah SMK yang terakreditasi dengan langkah-langkah sebagai berikut : a. Mendapatkan turunan pertama ∂ ln L(θ. lama berdiri suatu sekolah pada saat mengajukan akreditasi. β) ∂θ j 2 < 0. B = Baik 3....8.. p b. b.. jumlah guru pada saat mengajukan akreditasi. J − 1 dan k = 1. β) = 0..4 Metode Analisis Urutan analisis yang dipergunakan dalam penelitian ini berdasarkan tujuan adalah sebagai berikut : 1... 17 .. A = Amat baik 3. Peringkat/status akreditasi sekolah SMK tersebut adalah sebagai berikut : 1.2.

18 .

Sehingga permasalahannya adalah menghubungkan π T = (π 1 (X ). maka: γ 1 (X ) = π 1 (X ) γ 2 (X ) = π 1 (X ) + π 2 (X ) M (4. Jika γ j (X ) = π 1 (X ) + π 2 (X ) + L + π j (X ) . maka model logit yang digunakan adalah cumulative logit models. X k ) variabel independen. X 2 .L. Jika kategori respon mempunyai urutan atau ordering. β 2 . Jika π j (X ) adalah peluang klasifikasi yaitu Pr (Y = j | X ) dari variabel respon Y dimana j = 1.1) (4.2.1 Estimasi Parameter Parameter β dapat diestimasi dengan menggunakan metode Maximum Likelihood Estimation (MLE).L. β k ) adalah vektor parameter slope.2) γ J (X ) = π 1 (X ) + π 2 (X ) + L + π J (X ) = 1 (4.L . X k ) adalah vektor variabel independen atau covariates.3) 19 . J − 1 dimana θ adalah vektor parameter intersep dan β T = (β1 . X) dimana Y adalah suatu respon ordinal dan X T = ( X 1 .L. Untuk memaksimumkan nilai dari fungsi tersebut digunakan metode Maximum Likelihood Estimation (MLE).L.2.BAB 4 HASIL DAN PEMBAHASAN 4. Model ordinal multiple respon dalam model logit adalah: Logit [Pr (Y ≤ j | X )] = θ j + β T X . π J (X )) pada variabel predictor X. Jika θ j < θ j +1 maka model ini adalah model kumulative dengan slope yang sama yaitu model garis regresi yang berdasar pada peluang kumulatif kategori respon. Apabila terdapat suatu sampel random dari distribusi bersama (Y. J pada nilai X T = ( X 1 . Untuk menjelaskan peluang pengamatan sebagai suatu fungsi dari parameter yang tidak diketahui dapat dibangun dengan suatu fungsi yang disebut Likelihood function. π 2 (X ). j = 1.L. X 2 .

6) dimana γ j (X) = π 1 (X) + π 2 (X) + L + π j (X) = dan e θ j +βT X θ j +βT X 1+ e .L. adalah cukup dengan mencatat jumlah observasi n ji dan jumlah hasil “j” untuk j = 1. maka likelihood dapat ditulis sebagai perkalian J − 1 kategori.L.1 Fungsi Likelihood Ketika lebih dari satu observasi Y muncul pada nilai X i . J .Jika terdapat J kategori respon maka model logistik ordinal yang terbentuk adalah:  γ  logit (γ 1 ) = ln 1  = θ1 + β 1 X1 + β 2 X 2 + L + β k X k 1− γ  1   (4. 4. R2i = n1i + n2i M dimana R Ji = 1 Karena peluang kumulatif yang digunakan dalam menaksir parameter.2.2.2.1. n2i . Y2 .L . j = 1. i = 1.7) γ J =1 .L.4)  γ logit (γ 2 ) = ln 2 1− γ 2    = θ 2 + β 1 X1 + β 2 X 2 + L + β k X k   (4. J − 1 (4. Model ini disebut cumulative logit models sebab odds ratio kejadian (Y ≤ j ) adalah independen pada setiap indikator kategori. n] adalah variabel random multinomial independent dengan E (Yi ) = n ji γ j (X i ) Yi ~ multinomial (n1i . sehingga fungsi padat peluang bersama dari (Y1 . Maka [Yi . Yn ) adalah sama dengan perkalian n fungsi multinomial.5) …  γ  logit (γ J −1 ) = ln J −1  = θ J −1 + β 1 X1 + β 2 X 2 + L + β k X k 1− γ  J −1   (4. n Ji ) n1i + L + nki = 1 sehingga didapatkan: R1i = n1i .L . 20 .

β ) = ∑ {R1i log(γ 1i ) + (R2i − R1i ) ln(γ 2i − γ 1i ) − R2i ln(γ 2i ) +R2i ln(γ 2i ) + (R3i − R2i ) ln(γ 3i − γ 2i ) − R3i ln(γ 3i ) + L + R( J −1)i ln(γ ( J −1)i ) + (R n i =1 Ji − R ( J −1 )i )ln (γ Ji − γ ( J −1 )i ) − R Ji ln (γ Ji ) = ∑{R1i ln(γ 1i ) + (R2i − R1i ) ln(γ 2i − γ 1i ) + (R3i − R2i ) ln(γ 3i − γ 2i ) +L+ (R n Ji − R ( J −1 )i )ln (γ Ji − γ ( J −1 )i )} T   eθ1+β Xi  = ∑R1i ln  1 + eθ1+βT Xi i =1      θ2 +β Xi eθ1+β Xi  + (R2i − R1i )ln e −   1 + eθ2 +βT Xi 1 + eθ1+βT Xi   T T T  +   T  eθ3 +β Xi eθ2 +β Xi  (R3i − R2i )ln θ3+βT Xi − θ2 +βT Xi 1+ e 1+ e T +β X θ   e ( J −1) i  +L+ (RJi − R( J −1)i )ln1−   1+ eθ( J −1) +βT Xi        (4. β) = ∏ 1i   2i 1i  ×    ×L γ   γ  γ   γ  i=1  2i   2i   3i   3i        n  γ (J −1)i R( J −1)i  γ Ji −γ (J −1)i RJi −R( J −1)i       ×        γ Ji   γ Ji     n i =1 (4.Fungsi likelihoodnya adalah:  γ R1i  γ − γ R2i −R1i   γ R2i  γ − γ R3i −R2i     2i  3i 2i  L(θ.8) ln L(θ.9) jika  eθ2 +β Xi eθ1 +β Xi ln −  1 + eθ2 +βT Xi 1 + eθ1 +βT Xi  T T  eθ2 +β Xi − eθ1 +β Xi  = ln T T  1 + eθ2 +β Xi 1 + eθ1 +β Xi  T T ( = ln (1 + e eβ T Xi θ 2 +β Xi T (e )( )(1 + e θ 2 −θ1 ) ) ) θ1 + β T X i 21 .

14) T X ji eθ1 +β Xi  ∂ 2 ln L n    = ∑ − R2i 2  .12) n  ∂ 2 ln L eθ1 +θ 2  = ∑ (R2i − R1i ) ∂θ1∂θ 2 i =1  eθ 2 − eθ1  ( ) (4. J − 2 T ∂θ1∂β j i=1  1 + eθ1 +β Xi    ( ) (4. β ) = ∑ R1i θ1 + β T X i − ln 1 + eθ1 +β n (R2i − R1i )(βT Xi + ln(eθ (R3i − R2i )(βT Xi + ln(eθ i =1 { ( ( 2 − eθ1 − ln 1 + eθ2 +β − eθ 2 Xi T 3 − (1 − R( J −1)i )ln 1 + eθ J −1 +β )} ) ( )− ln(1 + e ( T Xi T Xi θ 3 + βT X i ))+ )− ln(1 + e )− ln(1 + e θ1 +βT Xi θ 2 + βT X i ))+ ))+ L + (4.11)    T ∂ 2 ln L n  eθ1 +β Xi  = ∑  − R2 i 2 T ∂θ1 i =1  1 + eθ1 +β Xi  ( ) 2 − (R2i − R1i )   2   (   2 eθ 2 − eθ1   eθ1 +θ 2 ) (4.15) T T  eθu  eθu +β Xi  eθu eθu +β Xi  ∂lnL n  = ∑{(Rui − R(u−1)i ) θu θu−1 − θ +βTX  + (R(u+1)i − Rui )− θu+1 θu − θ +βTX   e −e   e −e 1+ e u i  ∂θu i=1 1+ e u i     (4. L .10) Dari fungsi log-likelihood ini kita dapat mendapatkan turunan log L(θ.16) 22 . L .13) ∂ 2 ln L =0 ∂θ1∂θ j dimana j = 3. β ) terhadap θ dan β sebagai berikut: T ∂ ln L n   eθ1 +β Xi   = ∑ R1i 1 −  1 + eθ1 +βT Xi ∂θ1 i =1    θ1   eθ1 +β Xi  + (R2i − R1i ) − e −   θ2 θ1 1 + eθ1 +βT Xi   e −e T   (4. J − 1 (4.maka fungsi log-likelihood menjadi: ln L(θ. j = 2.

24) 23 . L. L .L.22) T n X ji eθJ −1 +β Xi  ∂ 2 ln L  = ∑{− (1 − R( J −2)i ) 2 T ∂θ J −1∂β j i=1 1 + eθJ −1 +β Xi   ( ) (4.23) T T T  Xuieθ1+β Xi  Xuieθ1+β Xi Xuieθ2 +β Xi  ∂lnL n      + (R2i − R1i )Xui −  +L+ = ∑R1i Xui − − θ1+βT Xi  θ1+βT Xi θ2 +βT Xi    ∂βu i=1   1+ e 1+ e 1+ e      XuieθJ −1+β Xi  (1− R(J−1)i )− θJ−1+βTXi   1+ e     T (4.21) T ∂2 lnL n  eθJ−1+θJ−2 eθJ−1+β Xi  =∑−(R( J−1)i − R( J−2)i ) −(1− R( J−2)i ) T θJ −1 θJ −2 2 ∂θ 2J−1 i=1  e −e 1+eθJ−1+β Xi  ( ) ( )   2   (4. J − 1   (4.17) dimana u = 2. jika | u − ∂θu∂θ j j |≥ 2 T (4. J − 2 n  eθu +θu−1 ∂2 ln L  = ∑(Rui − R(u−1)i ) ∂θu ∂θu−1 i=1  eθu − eθu−1  ( )   2  .20) T T  eθJ −1  eθJ −1+β Xi  eθJ −1+β Xi  ∂lnL n  = ∑{(R( J−1)i − R( J−2)i ) θJ −1 θJ −2 − θ +βTX  −(1− R( J−1)i ) θ +βTX   1+ e J −1 i  ∂θJ−1 i=1 1+ e J −1 i   e −e    (4.19) X jieθu +β Xi ∂2 ln L n = ∑{− (R(u+1)i − R(u−1)i ) 2 T ∂θu β j i=1 1+ eθu +β Xi ( ) .∂lnL ∂θu 2 = ∑{−(R(u+1)i − R(u−1)i ) n i=1 (1+e ) θu +βT Xi eθu +β Xi T eθu +θu−1 eθu +θu+1 −(Rui − R(u−1)i ) θu θu−1 −(R(u+1)i − Rui ) 2 e −e eθu+1 −eθu ( )   2   (4. u = 2. J − 2 (4. u = 2.18) ∂2 lnL = 0.

.. status tanah bangunan. sedangkan sebagai variabel prediktor adalah status sekolah. jumlah guru terakhir. jumlah siswa terakhir... 4. β ) terhadap θ dan β adalah non linier dalam parameter.2 Penentuan Model Akreditasi SMK Berdasarkan Profil Sekolah Variabel-variabel yang digunakan dalam penelitian ini adalah sebagai variabel respon yaitu status akreditasi sekolah yaitu cukup. Turunan kedua dari fungsi log likelihood diatas merupakan elemen dari matriks Hessian.p dan b=1. Selanjutnya metode NewtonRaphson dengan iterasi Weighted Least Square digunakan untuk mendapatkan taksiran parameter yaitu sebagai berikut: β (t +1) = β (t ) − (H (t ) ) r (t ) −1 dimana r (t ) = ∂L(β ) dimana a=0. dan amat baik.2. Matrik Hessian berisi model negatif elemen dari matriks Hessian yang dinyatakan dengan I(β ) = X ' VX = −H(β ) . jumlah alumni 24 . Disini digunakan α = 10% karena dalam dunia pendidikan tidak lepas dari faktor sosial yang sulit untuk dikendalikan. Karena non linier maka untuk mendapatkan taksiran parameter digunakan metode Newton-Raphson dengan iterasi Weighted Least Square.J ∂β ab Oleh karena estimasi parameter dengan metode Maximum Likelihood sangat sulit...25) turunan pertama dari log-likelihood : log L(θ. lama berdiri sekolah..θ +βT X ∂2 lnL n   XuiXjie 1 i   = ∑R1i − T ∂βu∂β j i=1   1+ eθ1+β Xi    XuiXjieθ1+βT Xi XuiXjieθ2 +βT Xi    +L+  + (R − R )− − 2 2  T T  2i 1i  θ1 +β Xi 1+ eθ2 +β Xi    1+ e ( ) ( )  XuiXjieθJ −1+βT Xi (1− R(J−1)i )− θ +βTX 2  J −1 i  1+ e ( )      (4.. Untuk mengestimasi varians dan kovarians diperoleh dari turunan kedua fungsi log-likelihood. maka digunakan program komputerisasi yaitu program Minitab 14 untuk mendapatkan nilai-nilai taksiran parameter terhadap model akreditasi SMK.1. baik.

Swasta .1 Variabel-variabel dalam penelitian No 1 Variabel akreditasi) Variabel Respon Tipe variabel (Status Kualitatif C = Cukup B = Baik A = Amat baik 2 Variabel Prediktor: x1 : Status sekolah Kode 1 2 3 Kualitatif: . Tabel 4.Milik sendiri 0 1 Nasional Sekolah x8 : Indeks Pembangunan Manusia Kuantitatif - tiap Kabupaten/Kota asal sekolah 25 . jumlah nilai rata-rata ujian nasional sekolah terakhir serta indeks pembangunan manusia Kabupaten/Kota asal sekolah SMK. Penjelasan mengenai variabel-variabel dalam penelitian dapat dilihat pada Tabel 4.1.Negeri 0 1 - x 2 : Lama berdiri Sekolah (tahun) Kuantitatif Kuantitatif Kuantitatif x3 : Jumlah siswa terakhir x 4 : Jumlah guru terakhir - x5 : Jumlah alumni yang diterima Kuantitatif dunia usaha dan industri setahun terakhir x6 : Status tanah bangunan x7 : Jumlah nilai rata-rata Ujian Kualitatif: .Menyewa/menumpang .yang diterima di dunia usaha dan industri.

0197898 0.684865 0.0196091 0.56250 1.0011422 -0.97213 -0.490459 -0. sekolah yang terakreditasi B atau baik terdapat 62 sekolah.39537 0.0011318 0.0596407 x3 x4 x5 x6 x7 x8 26 .0891472 0.685519 3.a.0761840 SE Koef 4.2 dapat dilihat banyaknya sekolah yang masuk kategori akreditasi.3 Estimasi parameter model Prediktor Konstan (1) Konstan (2) x1 x2 Koefisien -0. Dengan demikian secara total terdapat 109 sekolah.0404839 -0.54770 4.223848 0.0427285 0.0057685 0. Tabel 4. Karena terdapat tiga kategori respon maka model logit yang terbentuk adalah dua model logit yaitu sebagai berikut: Tabel 4.11173 -1. sedangkan sekolah yang masuk pada akreditasi A atau amat baik terdapat 36 sekolah.0014973 -0.2 Informasi respon No 1 2 3 Jenis Akreditasi C B A Jumlah Sekolah 11 62 36 Sekolah yang terakreditasi C atau cukup terdapat 11 sekolah. Pada Tabel 4. Model Akreditasi Model akreditasi Sekolah Menengah Kejuruan (SMK) merupakan model logit dari regresi logistik ordinal dengan delapan variabel prediktor dan tiga kategori respon.

60 Goodman-Kruskal Gamma =0.97213 x1 − 0.1 maka dapat diambil kesimpulan bahwa dengan pengujian secara serentak model akreditasi 27 .0761840 x8 b. Dari nilai p-value = 0. γ  Logit (γ 1 ) = log 1  = −0.4 Pengujian secara serentak Log-Likelihood =-80.0011422 x3 + 1− γ  1   − 0.97213 x1 − 0.000 yang lebih kecil dari α = 0. Pengujian Signifikansi Model Akreditasi SMK Uji secara serentak Untuk pengujian secara serentak.617 161.2 Pengukuran Somers’D = 0.0404839 x 2 − 0.223848 x7 + 0.60 Kendall’s Tau-a = 0.685519 − 1.0014973 x5 − 0.223848 x7 + 0.955 0.992 P G = 38. pengujian signifikansi model akreditasi sekolah SMK menggunakan likelihood ratio test.00 Hubungan Pengukuran Pasangan Concordant Discordant Ties Jumlah 2647 655 8 Persentase 80.490459 x6 − 0.0427285 x 4 + 0.0404839 x 2 − 0.926 Goodness-of-Fit Test Metode Pearson Deviance Chi-Square 174.852 208 208 DF 0.490459 x6 − 0.11173 − 1. Hipotesisnya adalah sebagai berikut: Hipotesis : H0 H1 : β=0 : β≠0 Tabel 4.330 DF = 8 P-value = 0.8 0.0761840 x8  γ  Logit (γ 2 ) = log 2  = 3.0427285 x 4 + 0.330.0014973 x5 − 0.4 di atas didapatkan nilai statistik uji G sebesar 38.0 19.0011422 x3 + 1− γ  2   − 0.34 Berdasarkan Tabel 4.

795 0.8% dan nilai Ties adalah sebesar 0.39537 0.28 P 0.. nilai Discordant adalah sebesar 19.05 -1.0404839 -0.617 sedangkan untuk Deviance adalah sebesar 161. Uji Secara Individu Dari pengujian secara serentak dapat diketahui bahwa model adalah signifikan atau tolak H0 yang berarti bahwa minimal ada satu parameter yang signifikan.880 0.852.72 -2.158 0.11173 -1.51 1.201 Odds Ratio 0.0761840 SE Koef 4.0891472 0.96 1.00 0.029 0.0011318 0.490459 -0.41 -2.495 0.54770 4.26 -0.5 Statistik Uji Wald untuk pengujian secara individu Prediktor Konstan (1) Konstan (2) x1 x2 Koefisien -0.56250 1.474 0.012 0.80 1.684865 0.0596407 Z -0. .0057685 0.61 0.2%.0197898 0.. Nilai Concordant adalah sebesar 80%.15 0.01 -2.sekolah SMK dengan regresi logistik ordinal dengan delapan variabel prediktor signifikan pada tingkat kepercayaan 90%.p Dari output Minitab 14 didapatkan nilai statistik uji Wald untuk masing-masing parameter variabel prediktor sebagai berikut: Tabel 4.223848 0.685519 3. Pengujian ini digunakan untuk mengetahui variabel prediktor yang signifikan secara individu.68 -1.00 0. Hipotesis yang digunakan adalah: H0: β k = 0 H1: β k ≠ 0 .041 0. Statistik uji yang digunakan untuk uji secara individu adalah uji Wald.97213 -0.08 x3 x4 x5 x6 x7 x8 28 .0196091 0.0011422 -0.18 0.96 1.313 0. k = 1.14 0. Untuk Goodness of Fit dengan metode Pearson nilai Chi-square = 174. 2.0427285 0.0014973 -0.

Variabel status tanah dan bangunan tidak signifikan dalam model. Variabel jumlah alumni yang diterima di dunia usaha dan industri juga tidak signifikan dalam model juga disebabkan keragaman data yang kecil antar sekolah SMK karena sebagian besar data yang diambil adalah dari sekolah swasta. variabel jumlah guru dengan odds rasio sebesar 0. Interpretasi model yang terbentuk adalah dengan menggunakan odds rasio. Sedangkan variabel prediktor yang tidak signifikan adalah status sekolah.96. jumlah siswa. dan jumlah nilai rata-rata Unas sekolah.Dari Tabel 4. status tanah dan bangunan tidak signifikan pada model dikarenakan pada saat pengambilan data. Odds 29 . jumlah guru.8. Sekolah SMK swasta tersebut umumnya mempunyai keragaman jumlah siswa yang kecil sehingga tidak signifikan dalam model. status tanah dan bangunan serta indeks pembangunan manusia Kabupaten/Kota asal SMK yang terakreditasi. Odds rasio variabel lama berdiri sekolah adalah sebesar 0. jumlah alumni yang diterima di dunia usaha dan industri. jumlah alumni yang diterima di dunia usaha dan industri. Variabel indeks pembangunan manusia tidak signifikan dalam model. hal ini dikarenakan data yang diambil adalah sebagian besar sekolah yang sudah memiliki tanah dan bangunan sendiri. sekolah SMK yang mengajukan akreditasi selama tahun 2006 yang terbesar adalah sekolah swasta.5 di atas dapat diketahui bahwa untuk model akreditasi sekolah SMK untuk variabel prediktor yang signifikan pada tingkat kepercayaan 90% dan berpengaruh pada model adalah lama berdiri sekolah. Variabel prediktor status sekolah yang terdiri atas sekolah negeri dan swasta. jumlah siswa.5 adalah variabel lama berdiri sekolah dengan odds rasio sebesar 0. hal disebabkan sekolahsekolah yang mengajukan akreditasi selama tahun 2006 berasal dari Kabupaten/Kota yang mempunyai indeks pembangunan manusia yang hampir signifikan tidak beda jauh. variabel nilai Unas sekolah dengan odds rasio sebesar 0. Nilai odds rasio yang signifikan dalam model berdasarkan Tabel 4. ini dapat diartikan bahwa terdapat 4% peningkatan dalam nilai perbandingan status sekolah yang lebih tinggi tiap 10 tahun pertambahan lama berdiri sekolah. hanya beberapa sekolah SMK yang berstatus negeri yaitu ada 4 sekolah.96.96. sedangkan sekolah yang menyewa atau menumpang hanya sebagian kecil yaitu ada 11 sekolah.

dapat diartikan bahwa terdapat peningkatan 20% dalam nilai perbandingan status sekolah yang lebih tinggi tiap penambahan 10 nilai Unas sekolah. Sedangkan variabel nilai Unas sekolah dengan odds rasio sebesar 0. dapat diartikan bahwa terdapat peningkatan 4% nilai perbandingan status sekolah yang lebih tinggi tiap penambahan 10 0rang guru.8.96. 30 .rasio jumlah guru adalah sebesar 0.

1 Kesimpulan Berdasarkan hasil analisis data dan pembahasan maka dapat diambil kesimpulan sebagai berikut: 1.BAB 5 KESIMPULAN DAN SARAN 5. Untuk menjelaskan peluang pengamatan sebagai suatu fungsi dari parameter yang tidak diketahui dapat dibangun dengan suatu fungsi yang disebut Likelihood function. Akan tetapi metode penaksiran maksimum Likelihood sulit dilakukan 31 . Karena non linier maka untuk mendapatkan taksiran parameter digunakan metode Newton-Raphson dengan iterasi Weighted Least Square. Fungsi Likelihood adalah sebagai berikut:  γ R1i  γ − γ R2i −R1i   γ R2i  γ − γ R3i −R2i     2i  3i 2i  L(θ. β ) terhadap θ dan β adalah non linier dalam parameter. β) = ∏ 1i   2i 1i  ×L ×    γ   γ  γ   γ  i=1  2i   2i   3i   3i        n  γ (J −1)i R( J −1)i  γ Ji −γ (J −1)i RJi −R( J −1)i       ×        γ Ji   γ Ji     kemudian didapatkan fungsi log-likelihood: ln L(θ. Untuk memaksimumkan nilai dari fungsi tersebut digunakan metode Maximum Likelihood Estimation (MLE). β ) = ∑ R1i θ1 + β T X i − ln 1 + eθ1 +β n (R2i − R1i )(βT Xi + ln(eθ (R3i − R2i )(βT Xi + ln(eθ i =1 { ( ( 2 − eθ1 − ln 1 + eθ2 +β − eθ 2 Xi T 3 − (1 − R( J −1) i )ln 1 + eθ J −1 +β )} ) ( )− ln(1 + e ( T Xi T Xi θ 3 + βT X i ))+ )− ln(1 + e )− ln(1 + e θ1 +βT Xi θ 2 + βT X i ))+ ))+ L + turunan pertama dari log-likelihood : log L(θ. Penaksiran parameter Regresi Logistik Ordinal diperoleh dengan menggunakan metode penaksiran Maksimum Likelihood.

0427285 x 4 + 0.0761840 x8  γ  Logit (γ 2 ) = log 2  = 3.490459 x 6 − 0. β ) awal.0761840 x8 1 + exp( −0. 490459 x 6 − 0 .dalam menentukan (θ. Variabel yang signifikan yang berpengaruh terhadap status akreditasi SMK di Jawa Timur adalah lama berdiri suatu sekolah pada saat mengajukan akreditasi.223848 x7 + 0.97213 x1 − 0.0404839 x 2 − 0. serta jumlah nilai rata-rata ujian nasional sekolah.07618 π 1 = P(Y=1| X ) menyatakan peluang kategori respon ke-1 atau masuk kategori C pada p variabel prediktor yang dinyatakan dalam vektor X π 2 = P(Y=2| X ) menyatakan peluang kategori respon ke-2 atau masuk kategori B pada p variabel prediktor yang dinyatakan dalam vektor X π 3 = 1 .0761840 x8 exp( 3.685519 − 1.0427285 x 4 + 0.0011422 x3 + 1− γ  1   − 0.0404839 x 2 − 0 .0014973 x5 − 0. 223848 x 7 + 0 .0761840 x8 exp( −0.223848 x 7 + 0.0427285 x 4 + 0 .0011422 x 3 + − 0.223848 x7 + 0.0014973 x 5 − 0 . 0404839 x 2 − 0 .0427285 x 4 + 0. 490459 x 6 − 0 . jumlah guru pada saat mengajukan akreditasi. sehingga dipergunakan program komputerisasi minitab 14.0404839 x 2 − 0.490459 x 6 − 0.0011422 x3 + γ 1 = (π 1 ) = − 0.97213 x1 − 0 . 0014973 x 5 − 0 .11173 − 1.0011422 x 3 + − 0 .97213 x1 − 0.97213 x1 − 0 .0404839 x 2 − 0.490459 x6 − 0.685519 − 1.π 1 .0014973 x 5 − 0.685519 − 1.0011422 x 3 + γ 2 = (π 1 + π 2 ) = − 0 .223848 x 7 + 0.0427285 x 4 + 0.11173 − 1. Model Akreditasi SMK di Jawa Timur dengan Regresi Logistik Ordinal adalah sebagai berikut:  γ  Logit (γ 1 ) = log 1  = −0.0761840 x8 1 + exp( 3. 2.490459 x6 − 0.0014973 x5 − 0.97213 x1 − 0.π 2 = P(Y=3| X ) menyatakan peluang kategori respon ke-2 atau masuk kategori A pada p variabel dalam vektor X prediktor yang dinyatakan 32 .0014973 x 5 − 0.0404839 x 2 − 0.97213 x1 − 0.0011422 x3 + 1− γ  2   − 0.11173 − 1.0427285 x 4 + 0 . 223848 x 7 + 0 .

2 Saran Berdasarkan kesimpulan diatas maka saran-saran yang dapat disampaikan adalah bahwa untuk penelitian selanjutnya untuk memodelkan akreditasi hendaknya dimasukkan variabel lain yang lebih mewakili untuk mengukur akreditasi SMK di Jawa Timur.5. 33 .

S. Applied Logistic Regression..1. New York. ‘Performance of Modern Techniques for Rating Model Design’. Categorical Data Analysis. No. A. (2004). Seri B. Journal of the Royal Statistical Society.”Regression models for ordinal data”. W. D.. Antonov. ‘Perbandingan Hasil Klasifikasi Analisis Diskriminan dan Regresi Logistik Pada Pengklasifikasian Data Respon Biner’. hal 36-45. Inc. Hyun. 3. Inc. S. Zürich..... Wibowo.(2004). John Wiley & Sons. “Topics In Ordinal Logistic Regression And Its Applications”.. Master Thesis. (1990). KAPPA Vol.. Jakarta..Texas A&M University.P. McCullagh. (1980). dan Lemeshow. hal.. W. K. (2002). 34 . Hosmer. (2000). John Wiley & Sons.42. Peraturan Pemerintah Tentang Standar Nasional Pendidikan. A. Dissertation Ph. New York.DAFTAR PUSTAKA Agresti.D. Tim Sekretariat Negara RI (2005). 109-142. No. Sekretariat Negara RI..

7 1 11 0 20 261 30 27 1 18.0 2 3 0 37 488 25 35 1 20.4 2 13 0 20 121 14 15 1 18.2 3 12 0 19 100 16 16 1 19.9 3 20. 1 TRENGGALEK MEKANIKA OTOMOTIF SMK CANDA BHIRAWA PARE KEDIRI AUDIO VIDEO SMK GAMALIEL 1 KOTA KEDIRI MEKANIK OTOMOTIF SMK AR RAHMAH KAB.47 68.0 3 4 5 1 0 6 18 232 127 16 19 42 61 1 1 19.Lampiran 1 Data Akreditasi SMK di Jawa Timur No 1 Nama Jurusan SMK MEKANIKA SMK TARUNA BAKTI NGANJUK MEKANIK OTOMOTIF SMK PGRI 1 BANYUWANGI AKUNTANSI SMK 17 AGUSTUS BANYUWANGI TATA BOGA SMKN 2 MAGETAN ADMIN PKT SMK MUH.5 2 2 0 30 114 30 20 1 21. KEDIRI TEKNIK LAS SMK MA'ARIF PANDAAN KAB.56 67.34 66.45 74.7 2 9 0 6 162 5 27 0 18.72 64.51 64.7 2 7 0 38 312 63 9 1 14.0 1 35 .71 61.2 2 6 0 42 277 26 47 1 18.58 69.2 2 10 0 8 119 19 8 1 18.82 73.69 68.2 3 8 0 8 309 30 18 1 22.54 66.56 69. PASURUAN AKUNTANSI SMK 02 ISLAM 45 AMBULU JEMBER TEK KOMPUTER JARINGAN SMK PGRI PANDAAN PASURUAN TEK PERMESINAN SMK TRI SAKTI KUDU JOMBANG ADMIN PKT SMK TPI PORONG SIDOARJO x1 x2 x3 x4 x5 x6 x7 x8 Y 0 18 1647 50 62 1 22.55 70.

93 74.75 74.0 1 0 21 91 30 39 1 21.6 1 0 6 188 17 8 0 22. LUMAJANG 0 20 291 32 77 1 21.78 71.62 67.5 3 0 1 22 10 107 72 27 34 20 28 0 1 19.59 71.43 60.6 1 0 35 471 31 83 1 19.3 2 0 22 271 24 0 0 17.06 74.5 3 36 .6 3 0 20 108 17 18 1 20.69 66.55 70.14 15 16 17 18 19 20 21 22 23 24 25 26 AKUNTANSI SMK WACHID HASYIM SURABAYA TEK MEKANIKA OTOMOTIF SMK PGRI 1 BANGKALAN PENJUALAN SMK MA'ARIF NU PRAMBON SIDOARJO AEI MAINTENANCE REPAIR SMK PENERB.9 3 0 28 245 39 55 1 23.52 74.6 2 23.37 70.6 2 0 4 117 16 20 1 18.0 3 0 21 22 17 5 0 18.2 2 0 13 203 14 64 1 21.49 64.86 74. TRENGGALEK MEK OTMOTF SMK MAHARDIKA LAMONGAN PENJUALAN SMK PGRI KAB.2 2 0 6 152 16 16 1 19. DHARMA WIRAWAN SIDOARJO ADMIN PEKT SMK PERDANA 1 SURABAYA PENJUALAN SMK PSM WARUJAYENG NGANJUK ADMIN PKT SMK PGRI 7 SURABAYA TEK KOMPUTER DAN JARGN SMKN 1 CERME GRESIK TEK KOMP DAN JARINGAN SMK SUNAN AMPEL MENGANTI GRESIK MEKANIK OTMTF SMK SULTAN AGUNG KEMLAGI MOJOKERTO TEKNIK LAS SMK QOMARUL HIDAYAH 1 TUGU KAB.

6 2 0 38 677 42 70 1 23.2 3 0 5 20 14 20 1 19.9 2 0 10 422 50 18 1 19.26 61.27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 AKUNTANSI SMK PGRI 3 KOTA KEDIRI TEK PERMESIN SMK MUH 1 KEPANJEN MALANG AKUNTANSI SMK PGRI 6 NGAWI MEKANIK OTMTF SMK PGRI 2 PONOROGO MESIN OTOMTF SMK YPM 12 TUBAN TEK.45 66.09 68.30 66. PERMESINAN SMK SANTO YUSUF CARUBAN MADIUN MEKANIK OTOMOTIF SMK TAMAN SISWA TULUNGAGUNG AKUNTANSI SMK PGRI 1 PACITAN ADMIN PKT SMK PGRI 2 KOTA KEDIRI AKUNTANSI SMK MADINATUL ULUM BOJONEGORO TEK.9 3 0 0 12 23 487 39 23 15 0 1 21.73 71.47 63.64 66.2 2 0 11 82 16 11 1 15.56 73.2 3 21.1 3 17.5 3 1251 70 0 8 529 38 73 1 21.90 65.5 2 0 0 41 30 365 314 49 67 40 47 1 0 22. JEMBER AKUNTANSI SMK PGRI 3 NGANJUK 0 10 561 65 228 1 21.7 2 0 14 267 55 59 1 19.62 67. INFORMATIKA SMK BIMA BOJONEGORO MEKANIK OTOMTF SMK AHMAD YANI KOTA PROBOLINGGO MEKANIK OTOMTF SMK PGRI I SUTOJAYAN KAB.74 63.78 70.5 3 37 .3 2 0 10 41 8 21 1 18.6 1 0 4 63 24 10 1 16.2 2 0 32 538 28 39 1 23. OTOMOTIF SMK NURIS KAB.53 70.43 73.65 64. BLITAR TEK.3 3 0 23 213 15 60 1 21.

MAGETAN ADMIN.67 66.5 2 38 .4 2 44 0 8 106 20 12 1 20.38 65.65 70.22 73.9 3 52 0 24 76 29 40 1 18. LUMAJANG 0 6 60 18 33 1 21.89 74.64 66.56 69.2 3 53 0 42 397 33 7 1 20. TRENGGALEK MEKANIK OTOMTF SMK YP 17 KAB.6 2 43 0 31 467 37 31 1 18. PKT SMK KARYA DHARMA 2 KAB. MALANG MEKANIK OTOMOTIF SMK PGRI 1 MOJOROTO KOTA KEDIRI PENJUALAN SMK MUH.9 1 46 0 23 618 61 188 1 22.2 2 45 0 5 61 17 11 1 17.44 64.42 NAUTIKA NIAGA SMK WIRA MARITIM SURABAYA PENJUALAN SMK PEMUDA 1 KESAMBEN JOMBANG MEKANIK OTOMOTIF SMK TAMAN SISWA KOTA KEDIRI PENJUALAN SMK AHMAD YANI JABUNG KAB. OTOMOTIF SMK MUH.3 1 51 0 38 145 46 31 1 22. 2 MANTINGAN NGAWI TEK.38 69.01 66.2 2 48 0 31 734 47 97 1 18.0 2 50 0 17 40 12 8 0 20.10 70.2 2 47 0 6 76 17 0 1 16. 2 GENTENG BANYUWANGI MEKANIK OTOMTIF SMK MUH.56 73. 6 ROGOJAMPI BANYUWANGI TATA BUSANA SMK PGRI KESAMBEN KAB BLITAR AKUNTANSI SMK MAGETAN 1 KAB.0 3 49 0 14 990 39 80 1 20.

56 70. NGAWI MESIN PERKAKAS SMK DHARMA WIRAWAN TG.2 2 0 37 171 28 40 1 20. ANGIN SIDOARJO ADMIN PKT SMK SORE KOTA PROBOLINGGO AKUNTANSI SMK 2 PANCASILA JEMBER AKOMODASI PERHTLAN SMK PRAJNAPARAMITA KOTA MALANG MEKANIK OTMTF SMKN 1 TRENGGALEK ADMIN PKT SMK PAWYATAN 1 KOTA KEDIRI AKUNTANSI SMK BRAWIJAYA 1 KOTA KEDIRI AKUNTANSI SMK PARAMITA KOTA MOJOKERTO BODI OTOMOTIF SMK YAPENAS GEMPOL KAB.2 2 0 31 464 31 58 1 17.6 2 0 5 184 28 33 1 19.01 74.2 2 0 14 56 16 50 1 20.67 74.2 3 0 61 307 34 47 1 19.48 71.9 3 1 7 386 68 35 1 21.7 3 0 14 447 28 39 1 23.86 61.6 2 0 33 309 25 20 1 13.76 66.54 55 56 57 58 59 60 61 62 63 64 65 66 MEKANIK OTOMOTIF SMK WIYATA DHARMA WALIKUKUN KAB.83 64.72 65.3 2 0 21 221 16 28 1 22.1 3 0 11 51 15 12 1 17.98 68.0 2 0 30 115 25 5 1 21.2 3 0 20 89 18 9 1 20.67 73.42 74.34 73.49 73. PASURUAN AKUNTANSI SMK TRISILA UNDAAN SURABAYA ADMIN PRKTRN SMK PGRI DONOROJO PACITAN INSTALASI LISTRIK SMK ISLAM AHMAD YANI NGANTANG MALANG 0 4 166 18 19 1 18.9 2 39 .

1 2 19. PERMESINAN SMK NASIONAL MOJOSARI KAB. MOJOKERTO MESIN PERKAKAS SMK AL ISLAMY GEDEG KAB.04 70.3 2 0 14 50 17 5 1 15.88 70.07 75.55 70.2 2 0 39 464 43 131 1 21. 1 GENTENG BANYUWANGI AKUNTANSI SMK DARMA SISWA 2 WARU SIDOARJO BISNIS DAN MANAJEMEN SMK ISLAM PENANGGUNGAN NGORO KAB.76 70.87 70.3 2 0 19 708 47 56 1 14. MOJOKERTO AKUNTANSI SMK PAHLAWAN MOJOSARI MOJOKERTO MEKANIKA OTOMTF SMK RADEN PATAH MOJOSARI MOJOKERTO TEK.03 70.84 74.14 73.81 70.67 68 69 70 71 72 73 74 75 76 77 78 PENJUALAN SMK YP KOTA BLITAR AKUNTANSI SMK PAWYATAN DAHA 2 KOTA KEDIRI AKUNTANSI SMK MUH. MOJOKERTO ADMIN PKT SMK PGRI SOOKO KAB. MOJOKERTO MEKANIK OTOMOTF SMK JAYANEGARA PURI MOJOKERTO 0 0 33 43 427 255 68 34 65 16 1 1 14.65 70.3 2 0 19 582 47 10 1 20.3 1 40 .61 66.0 2 0 15 175 32 17 1 20.0 3 0 4 137 17 15 1 19. MOJOKERTO USAHA JASA PARIWISATA SMK PARIWISATA AIRLANGGA KAB.3 2 0 28 60 20 5 1 21.3 2 0 31 660 44 57 1 18.3 2 0 7 113 15 31 1 22.3 2 0 19 151 44 12 1 18.

57 74.67 74.50 74.0 2 82 0 21 262 23 25 1 22.47 74.0 2 86 0 12 452 32 65 1 15.4 2 41 .3 2 80 0 35 942 54 33 1 20.67 74.03 74.66 74.0 3 87 0 33 877 54 221 1 21.63 69.4 2 90 0 6 151 16 10 1 18.08 74.0 2 83 0 14 882 51 10 1 21.83 69.78 69.0 2 85 0 6 50 17 3 1 15.0 3 84 0 16 109 23 7 1 19.79 TEK LISTRIK INSTL SMK AHMAD YANI MAYANGAN KOTA PROBOLINGGO AKUNTANSI SMK PEMUDA KRIAN SIDOARJO AKUNTANSI SMK DIPONEGORO SIDOARJO AKUNTANSI SMK BUDI UTOMO PRAMBON SIDOARJO MEKANIK OTOMTF SMK YPM 4 TAMAN SIDOARJO INSTL.4 2 89 0 14 158 18 72 0 20. LISTRIK SMK PERSATUAN 2 TULANGAN SIDOARJO AKUNTANSI SMK DARUSSALAM TAMAN SIDOARJO MEKANIK OTMTF SMK SENOPATI SIDOARJO MESIN PERKAKAS SMK ANTARTIKA BUDURAN SIDOARJO AKUNTANSI SMK DARUL ULUM 1 REJOSO PETERONGAN JOMBANG MEKANIK OTOMOTIF SMK WINARA JOMBANG PENJUALAN SMK AL IHSANI KESAMBEN JOMBANG 0 38 267 62 36 1 19.0 3 81 0 18 129 30 10 1 17.0 3 88 0 16 72 28 2 1 18.08 71.

17 66.32 66.28 69. PKT SMK PANCA BHAKTI MAGETAN 0 11 106 44 20 1 24. PKT SMK MUH.9 3 0 0 12 21 487 56 39 17 23 8 0 1 22.50 74.00 74.9 2 1 27 230 57 35 1 23.58 69. PERMESINAN SMK DIPONEGORO PLOSO JOMBANG AKUNTANSI SMK MUH.91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 TEK.28 66.21 69. INFORMATIKA SMK TELKOM DARUL ULUM JOMBANG MEKANIK OTOMTF SMK PGRI 2 JOMBANG TEK.4 2 0 5 94 17 5 1 19.4 2 0 17 766 43 200 1 18.4 3 0 32 220 60 30 1 24.2 3 20.9 3 0 0 15 22 66 169 18 21 5 36 1 1 19.4 2 0 7 132 21 16 1 27. 2 JOGOROTO JOMBANG AKUNTANSI SMK NU 1 SUKODADI LAMONGAN TEK. 1 KAB. MALANG MEKANIK OTOMOTF SMK NU MIFTAHUL HUDA KEPANJEN MALANG ADMIN.9 2 0 10 373 37 38 1 23.9 2 0 14 83 23 8 1 22.6 1 0 45 115 24 26 1 21. PKT SMK MANGGALA SURABAYA MEKANIK OTOMTF SMK PGRI 6 SURABAYA MEKANIK OTOMTF SMK MUH.6 2 19.67 71. KOMP.66 71.52 65.6 3 0 14 602 48 100 1 22.4 3 0 25 315 58 132 1 20. 2 GRESIK PENJUALAN SMK MAARIF NU PAKIS KAB. 5 BABAT LAMONGAN ADMIN.23 69. JARINGAN SMKN 1 KOTA PASURUAN AKUNTANSI SMK MUH.48 69.9 2 42 .48 66. LAMONGAN AKUNTANSI SMK PGRI 6 NGAWI ADMIN.26 66.

9 2 0 24 184 29 40 1 21. 1 BARON NGANJUK 108 AKUNTANSI SMK PGRI KAWEDANAN MAGETAN 109 AKUNTANSI SMK KARYA DHARMA 2 KAB.5 1 0 22 75 21 25 0 22.0 3 20 54 15 10 1 21.63 74. TRENGGALEK Keterangan: Y : Status akreditasi SMK x1 : Status sekolah x 2 : Lama berdiri Sekolah (tahun) 16 292 46 119 1 24.81 69.106 MEKANIK OTOMTF 0 SMK DARMA SISWA 1 WARU SIDOARJO 107 PENJUALAN SMK 0 MUH.2 2 x3 : Jumlah siswa terakhir x 4 : Jumlah guru terakhir x5 : Status tanah bangunan x6 : Jumlah alumni yang diterima dunia usaha dan industri setahun terakhir x7 : Jumlah nilai rata-rata Ujian Nasional Sekolah x8 : Indeks Pembangunan Manusia tiap Kabupaten/Kota asal sekolah 43 .69 67.67 70.

21 Log-Likelihood = -80.0891472 0.60 0.0196091 0. SUBC> Logit.28 P 0.01 2.0011318 0.60 0.39537 0. SUBC> Brief 2.474 0..05 -1.0014973 -0.01 0.795 0.95 1.34 0.14 1.00 1.313 0.96 2.99 0. Number 2647 655 8 3310 Percent 80.852 DF 208 208 P 0. LAMA BERDIRI. & Ordinal Logistic Regression: AKREDITASI versus STATUS.8 0.685519 3.Lampiran 2 Hasil Output Minitab 14 MTB > OLogistic 'AKREDITASI' = STATUS 'LAMA BERDIRI' 'JUMLAH SISWA' CONT> 'JUMLAH GURU' 'DITERIMA DU/DI' 'STATUS TANAH' UNAS IPM.80 1.2 100.158 0.330. ..0427285 0.926 Test that all slopes are zero: G = 38.0197898 0.880 0.0596407 Z -0.67 0.54770 4.00 1.14 0.41 -2.201 0.34 44 .617 161.00 0.72 -2.955 0.92 0.56250 1.61 0.041 0.0 Summary Measures Somers' D Goodman-Kruskal Gamma Kendall's Tau-a 0.490459 -0.012 0.26 -0.01 -2.0057685 0.96 1.18 0.00 0.97213 -0.00 0.96 1. P-Value = 0.992 Measures of Association: (Between the Response Variable and Predicted Probabilities) Pairs Concordant Discordant Ties Total MTB > Stop.92 1.00 1.0761840 SE Coef 4.223848 0.000 Goodness-of-Fit Tests Method Pearson Deviance Chi-Square 174.08 0.029 0.684865 0.15 0.0404839 -0. Link Function: Logit Response Information Variable AKREDITASI Value 1 2 3 Total Count 11 62 36 109 Logistic Regression Table Odds Ratio 95% CI Lower Upper Predictor Const(1) Const(2) STATUS LAMA BERDIRI JUMLAH SISWA JUMLAH GURU DITERIMA DU/DI STATUS TANAH UNAS IPM Coef -0.0011422 -0.11173 -1.0 19.51 1.495 0.16 0.68 -1. DF = 8.

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer: Get 4 months of Scribd and The New York Times for just $1.87 per week!

Master Your Semester with a Special Offer from Scribd & The New York Times