PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI...

TUGAS AKHIR – SS 141501

PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI KINERJA DOSEN ITS DI GOOGLE SCHOLAR CITATION MENGGUNAKAN MODEL REKURSIF ALFISYAHRINA HAPSERY NRP 1313 105 032

Dosen Pembimbing Dr. Suhartono, S.Si., M.Sc. Program Studi S1 Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2015

FINAL PROJECT – SS 141501 MODELING THE FACTOR THAT AFFECT THE PERFORMANCE OF ITS LECTURER IN GOOGLE SCHOLAR CITATION USE RECURSIVE MODEL ALFISYAHRINA HAPSERY NRP 1313 105 032 Supervisor Dr. Suhartono, S.Si., M.Sc. Undergraduate Programme of Statistics Faculty of Mathematics and Natural Sciences Institut Teknologi Sepuluh Nopember Surabaya 2015

PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI KINERJA DOSEN ITS DI GOOGLE

SCHOLAR CITATION MENGGUNAKAN MODEL REKURSIF.

Nama : Alfisyahrina Hapsery NRP : 1313105032 Program Studi : Sarjana Statistika FMIPA-ITS Dosen Pembimbing : Dr. Suhartono

Abstrak Institut Teknologi Sepuluh Nopember (ITS) merupakan perguruan tinggi yang menjalankan Tri Dharma Perguruan Tinggi, dimana salah satu isinya adalah setiap dosen wajib melakukan penelitian. Hal ini berkaitan dengan pengisian Beban Kerja Dosen (BKD) pada sistem informasi kepegawaian. Kinerja dosen dapat diukur berdasarkan karya ilmiah yang dipublikasikan. Publikasi ilmiah dapat dilakukan melalui akun google scholar citation. Namun, tidak semua dosen di ITS memiliki akun tersebut. Penelitian ini dilakukan untuk mengetahui faktor apa saja yang mempengaruhi kinerja dosen di ITS. Metode yang digunakan adalah regresi linier berganda dummy dengan menggunakan model rekursif. Data pada penelitian ini merupakan data primer dan sekunder, yang diperoleh dari pendataan oleh bagian kepegawaian ITS dan web http://scholar.google.com/. Faktor-faktor yang mempengaruhi kinerja dosen ITS dimana jumlah kutipan sebagai variabel dependen adalah jumlah paper yang ditulis dengan bahasa Inggris, lulusan, dan jabatan yaitu Guru besar dengan koefisien determinasi 43,8%. Sedangkan model rekursif kedua dengan indeks h sebagai variabel dependen faktor yang mempengaruhi adalah jumlah kutipan, jumlah paper yang ditulis dalam bahasa Inggris, pendidikan, usia, fakultas untuk kategori FMIPA, dan lulusan dimana proporsi variasi yang dapat menjelaskan indeks h sebesar 78,6%. Kata kunci: Google Scholar Citation, Indeks h, Jumlah Kutipan,

Kinerja Dosen, Model Rekursif.

iv

http://scholar.google.com/


MODELING THE FACTOR THAT AFFECT THE PERFORMANCE OF ITS LECTURER IN GOOGLE SCHOLAR CITATION USE RECURSIVE MODEL

Name : Alfisyahrina Hapsery NRP : 1313105032 Study Program : Bachelor of Statistics FMIPA-ITS Advisor : Dr. Suhartono

Abstrak Institut Teknologi Sepuluh Nopember (ITS) is a college high run Tri Dharma University, where one of its content is required to conduct research lecturers. This relates to the charging Workload Lecturer on personnel information system. Faculty performance can be measured by published scientific papers. Scientific publications that can be done through a google account scholar citation. However, not all lecturers in ITS have the account. This research was conducted to determine what factors affect the performance of lecturers in ITS. The method used is multiple linear regression dummy using recursive models. The data in this research are primary and secondary data, obtained from ITS data collection and web http://scholar.google.com/. Factors that influence the performance of lecturers ITS where the number of citations as the dependent variable is the number of papers written in English, graduate, and professor positions, with a coefficient of determination 43.8%. While the second recursive models with h index as the dependent variable is the number of factors that affect the citations, the number of papers written in English, education, faculty of Natural Sciences category FMIPA, and graduates where the proportion of variation which may explain the h index by 78.6%. Keywords: Google Scholar Citation, Indeks h, Jumlah Kutipan,

Kinerja Dosen, Model Rekursif.

iv


KATA PENGANTAR

Puji syukur kehadirat Allah SWT yang menguasai arsy yang agung dan atas segala limpahan rahmat, taufik, serta hidayah-Nya sehingga penulis dapat menyelesaikan Tugas Akhir yang berjudul ”Pemodelan Faktor-faktor yang Mempengaruhi Kinerja Dosen ITS di Google Scholar Citation Menggunakan Model Rekursif” sesuai dengan waktu yang telah direncanakan. Shalawat serta salam senantiasa penulis curahkan kepada baginda Nabi Besar Muhammad SAW beserta seluruh keluarga dan sahabatnya yang selalu membantu perjuangan beliau dalam menegakkan Dinullah di muka bumi ini.

Dalam penulisan Tugas Akhir ini, tentunya banyak pihak yang telah memberikan bantuan baik moril maupun materil. Oleh karena itu, penulis mengucapkan terima kasih sebesar-besarnya kepada: 1. Bapak Dr. Suhartono, M.Sc selaku dosen pembimbing yang

tidak kenal lelah membimbing dan mengingatkan penulis agar tugas akhir ini bisa terselesaikan dengan baik.

2. Bapak Dr. Muhammad Mashuri, M.T selaku Ketua Jurusan Statistika FMIPA ITS.

3. Ibu Dra. Lucia Aridinanti M.T selaku Ketua Program Studi Sarjana, yang telah meluangkan waktunya untuk memberi arahan selama perkuliahan hingga penyelesaian Tugas Akhir.

4. Bapak Dr. Agus Suharsono, Ms dan ibu Dr. Santi Puteri selaku dosen penguji atas saran dan kritik yang membangun.

5. Ibu Dr.Vita Ratnasari selaku dosen wali. 6. Seluruh dosen dan karyawan Jurusan Statistika FMIPA ITS. 7. Seluruh staff dan karyawan Institut Teknologi Sepuluh

Nopember. 8. Bapak, Ibu, Mas alan dan Adek Alta tercinta, atas segala doa

serta dukungan yang telah diberikan. Selalu mengingatkan dan memaafkan segala kesalahan penulis. You’re my everything.

vi

9. Hasby Premature, sahabat yang telah menemani perjalanan penulis dalam suka maupun duka hingga proses penyelesaian tugas akhir ini.

10. Teman-temanku tersayang, Fitrah, Beskem, teman-teman lab. ekobis dan teman-teman Σ21 atas segala dukungan dan kebersamaan bersama kalian semua.

11. Rika atas pembelajaran mentranslet ke dalam bahasa inggris. 12. Semua pihak yang telah membantu, yang tidak bisa

disebutkan satu persatu. Penulis menyadari bahwa penyusunan tugas akhir ini jauh

dari kata sempurna. Oleh karena itu, penulis mengharapkan saran dan kritik yang dapat menyempurnakan Tugas Akhir ini. Semoga tugas akhir ini dapat memberi manfaat kepada penulis, pembaca, dan penelitian selanjutnya. Aamiin.

Surabaya, Juni 2015 Penulis

vii

DAFTAR ISI

Halaman

HALAMAN JUDUL.................................................................... i LEMBAR PENGESAHAN ....................................................... iii ABSTRAK .................................................................................. iv ABSTRACT .................................................................................v KATA PENGANTAR ............................................................... vi DAFTAR ISI ............................................................................ viii DAFTAR GAMBAR ...................................................................x DAFTAR TABEL ..................................................................... xii DAFTAR LAMPIRAN ........................................................... xiv

BAB I PENDAHULUAN ............................................................1 1.1 Latar Belakang ...................................................................1 1.2 Rumusan Masalah ..............................................................4 1.3 Tujuan Penelitian ...............................................................4 1.4 Manfaat Penelitian .............................................................5 1.5 Batasan Masalah ................................................................5

BAB II TINJAUAN PUSTAKA .................................................7 2.1 Sejarah Institut Teknologi Sepuluh Nopember ..................7 2.2 Dosen .................................................................................7 2.3 Publikasi Ilmiah pada Akun Google Scholar .................. 8 2.4 Korelasi ............................................................................10 2.5 Deteksi Multikolinearitas .................................................10 2.6 Regresi Linier Berganda ..................................................11

2.6.1 Estimasi Parameter .................................................12 2.6.2 Analisis Varians ......................................................15 2.6.3 Pengujian Parameter Model ....................................16 2.6.4 Koefisien Determinasi (R2) .....................................17 2.6.5 Asumsi IIDN ...........................................................18

2.7 Variabel Dummy ..............................................................20 2.8 Model Rekursif ................................................................20

viii

2.9 Prosedur Pemilihan Model Terbaik Menggunakan Stepwise ...........................................................................22

2.10 Penelitian Sebelumnya ...................................................22

BAB III METODOLOGI PENELITIAN ................................24 3.1 Sumber Data .....................................................................24 3.2 Metode Analisis Data .......................................................26

BAB IV ANALISIS DAN PEMBAHASAN ............................27 4.1 Perhitungan Indeks h ........................................................27 4.2 Karakteristik Dosen pada Bulan Mei 2015 ......................38 4.3 Pendeteksian Hubungan Antar Variabel ..........................43 4.4 Pemodelan Kinerja Dosen ITS dimana Jumlah Kutipan

sebagai Variabel Dependen ...............................................48 4.5 Pemodelan Kinerja Dosen ITS dimana Indeks h

sebagai Variabel Dependen ...............................................55

BAB V KESIMPULAN DAN SARAN ....................................62 5.1 Kesimpulan ......................................................................62 5.2 Saran .................................................................................63

DAFTAR PUSTAKA ................................................................64

LAMPIRAN ...............................................................................65

ix

DAFTAR TABEL

Halaman

Tabel 2.1 Analyisis of Variance.................................................15 Tabel 3.1 Variabel Dependen ....................................................26 Tabel 3.2 Variabel Independen..................................................26 Tabel 3.3 Sepuluh Dosen ITS dalam Raking of Scientists in

Indonesia ...................................................................26 Tabel 3.4 Kategori Variabel Independen ...................................30 Tabel 3.5 Struktur Data .............................................................30 Tabel 4.1 Jumlah Kutipan Masing-masing Paper Dr. “X” .......27 Tabel 4.2 Persentase Jumlah Dosen yang Memiliki Akun per

Jurusan .......................................................................34 Tabel 4.3 Statistika Deskriptif Data Jumlah Kutipan Dosen

ITS .............................................................................36 Tabel 4.4 Statistika Deskriptif Data Indeks h Dosen ITS ..........38 Tabel 4.5 Statistika Deskriptif Data Usia Dosen ITS ................39 Tabel 4.6 Statistika Deskriptif Jumlah Paper Dosen ITS yang

ditulis dalam Bahasa Indonesia .................................47 Tabel 4.7 Statistika Deskriptif Jumlah Paper Dosen ITS yang

ditulis dalam Bahasa Inggris .....................................40 Tabel 4.8 Karakteristik Dosen Berdasarkan Jabatan .................49 Tabel 4.9 Karakteristik Dosen Berdasarkan Jenis Kelamin ......51 Tabel 4.10 Karakteristik Dosen Bedasarkan Lulusan .................51 Tabel 4.11 Karakteristik Dosen Berdasarkan Pendidikan ...........52 Tabel 4.12 Statistika Deskriptif Dosen Jurusan Teknik Kimia

pada Bulan Mei 2015 ................................................53 Tabel 4.13 Matriks Korelasi Antara Variabel Independen

dengan Variabel Dependen .......................................56 Tabel 4.14 Hasil Pengujian Parsial untuk Jumlah Kutipan .........57 Tabel 4.15 Koefisien Determinasi untuk Jumlah Kutipan ..........59 Tabel 4.16 Koefisien Determinasi dan Pengujian Parsial untuk

Jumlah Kutipan dengan Variabel Hasil Pemilihan Model Terbaik ...........................................................61

xi

Tabel 4.17 Ringkasan dari beberapa Step pada Pemilihan

Model Terbaik .......................................................... 61 Tabel 4.18 Uji Identik untuk Jumlah Kutipan ............................ 62 Tabel 4.19 Koefisien Determinasi dan Pengujian Parsial untuk

Jumlah Kutipan dengan Menghilangkan Data Outlier ....................................................................... 60

Tabel 4.20 Model Regresi untuk Variabel Indeks h ................... 60 Tabel 4.21 Koefisien Determinasi untuk Indeks h ..................... 60 Tabel 4.22 Pemilihan Model Terbaik untuk Indeks h dengan

Menggunakan Metode Stepwise ............................... 60

xii

DAFTAR GAMBAR

Halaman

Gambar 2.1 Grafik Perhitungan Indeks h ...................................9 Gambar 2.2 Plot Pengamatan ...................................................19 Gambar 2.3 Model Rekursif dengan Tiga Persamaan .............22 Gambar 3.1 Diagram Alir .......................................................29 Gambar 4.1 Grafik Indeks h Dr. “X” .......................................32 Gambar 4.2 Gambar 4.3 Jumlah Kutipan Masing-masing Dosen

Jurusan Teknik Kimia ..........................................39 Gambar 4.3 Jumlah Indeks h Masing-masing Dosen Jurusan

Teknik Kimia .......................................................40 Gambar 4.4 Plot antara Jumlah Kutipan, Indeks h dengan

Masing-masing Variabel Independen ...................45 Gambar 4.5 Plot antara Indeks h dengan Jumlah Kutipan .......46 Gambar 4.6 Pemeriksaan Asumsi Independen dari Hasil

Pemilihan Model Terbaik untuk Jumlah Kutipan .................................................................53

Gambar 4.7 Uji Kenormalan Residual dari Hasil Pemilihan Model Terbaik untuk Jumlah Kutipan .................54

Gambar 4.8 Pemeriksaan Asumsi Independen dari Hasil Pemilihan Model Terbaik untuk Indeks h ............63

Gambar 4.9 Uji Kenormalan Residual dari Hasil Pemilihan Model Terbaik ......................................................64

x

DAFTAR LAMPIRAN

Halaman

Lampiran 1. Statistika Deskriptif Jurusan Fisika ........................65 Lampiran 2. Statistika Deskriptif Jurusan Matematika ...............66 Lampiran 3. Statistika Deskriptif Jurusan Statistika ...................67 Lampiran 4. Statistika Deskriptif Jurusan Kimia ........................68 Lampiran 5. Statistika Deskriptif Jurusan Biologi ......................69 Lampiran 6. Statistika Deskriptif Jurusan Teknik Mesin ............70 Lampiran 7. Statistika Deskriptif Jurusan Teknik Elektro ..........71 Lampiran 8. Statistika Deskriptif Jurusan Teknik Fisika ............72 Lampiran 9. Statistika Deskriptif Jurusan Teknik Industri..........73 Lampiran 10. Statistika Deskriptif Jurusan Teknik Material ......74 Lampiran 11. Statistika Deskriptif Jurusan Teknik Multimedia .75 Lampiran 12. Statistika Deskriptif Jurusan Manajemen Bisnis ..76 Lampiran 13. Statistika Deskriptif Jurusan Teknik Sipil ............77 Lampiran 14. Statistika Deskriptif Jurusan Arsitektur ................78 Lampiran 15. Statistika Deskriptif Jurusan Teknik Lingkungan .79 Lampiran 16. Statistika Deskriptif Jurusan Desain Produk .........80 Lampiran 17. Statistika Deskriptif Jurusan Geodesi ...................81 Lampiran 18. Statistika Deskriptif Jurusan PWK .......................82 Lampiran 19. Statistika Deskriptif Jurusan Teknik Perkapalan ..83 Lampiran 20. Statistika Deskriptif Jurusan Teknik Sistem

Perkapalan ............................................................84 Lampiran 21. Statistika Deskriptif Jurusan Teknik Kelautan......85 Lampiran 22. Statistika Deskriptif Jurusan Teknik Informatika .86 Lampiran 23. Statistika Deskriptif Jurusan Sistem Informasi .....87 Lampiran 24. Tiga Puluh Dosen dengan Jumlah Kutipan Nol ....88 Lampiran 25. Empat Puluh Dua Dosen ITS dalam Ranking

Webometric 2015 ................................................89 Lampiran 26. Output Regresi Linier Berganda dengan Model

Rekursif Pertama ..................................................90 Lampiran 27. Output Pemilihan Model Terbaik Menggunakan

Metode Stepwise untuk Model Rekursif Pertama 91

xiii

Lampiran 28. Output Uji Identik untuk Model Rekursif Pertama dengan Variabel Independen Hasil Stepwise ....... 96

Lampiran 29. Output Regresi Tanpa Data Outlier untuk Model Rekursif Pertama dengan Variabel Independen Hasil Stepwise...................................................... 97

Lampiran 30. Output Regresi Linier Berganda untuk Model Rekursif Kedua ........................................................

Lampiran 31. Output Pemilihan Model Terbaik Menggunakan Stepwise untuk Model Rekursif Kedua ............... 98

Lampiran 32. Output Uji Identik untuk Model Rekursif Kedua dengan Variabel Independen hasil Stepwise ........ 99

xiv

BAB I PENDAHULUAN

1.1 Latar Belakang Dosen adalah pendidik yang berpengalaman dalam bidang profesinya, bertanggung jawab memberikan sejumlah ilmu pengetahuan kepada anak didik dalam perkuliahan. Dalam me-laksanakan tugas keprofesian menurut UU no 14 Tahun 2005 pasal 60, dosen memiliki beberapa kewajiban: Pertama, melaksa-nakan pendidikan, penelitian, dan pengabdian kepada masyarakat. Kedua, melaksanakan proses pembelajaran, serta menilai dan mengevaluasi hasil pembelajaran. Ketiga, meningkatkan dan mengembangkan kualifikasi akademik dan kompetensi secara berkelanjutan sejalan dengan perkembangan ilmu pengetahuan dan teknologi. Keempat, bertindak objektif dan tidak diskri-minatif atas dasar pertimbangan jenis kelamin, agama, suku, ras, atau latar belakang sosial ekonomi. Hal ini juga diamanatkan dalam Tri Dharma Perguruan Tinggi yang mencakup pendidikan dan pengajaran, penelitian dan kegiatan pengabdian kepada masyarakat. Institut Teknologi Sepuluh Nopember (ITS) adalah salah satu perguruan tinggi negeri yang menjalankan Tri Dharma Perguruan Tinggi terkait dengan penelitian. ITS yang berlokasi di Surabaya awalnya didirikan oleh Yayasan Perguruan Tinggi Teknik (YPTT) yang diketuai oleh Dr. Angka Nitisastro pada tanggal 10 November 1957. Berkaitan dengan penelitian dan karya ilmiah pada sistem informasi kepegawaian ITS pada bagian rangkuman, setiap dosen harus memperbarui jumlah kutipan google scholar citation dan indeks h. Hal ini dilakukan sebagai salah satu syarat beban kerja dosen (BKD) melalui karya ilmiah pada google scholar citation. Google scholar merupakan akun google cendekia yang dapat membantu seseorang untuk mempublikasikan karya ilmiah, paper, dan hasil penelitian lainnya. Situs ini dibuat untuk mem-permudah para peneliti dalam mencari berbagai literatur ilmiah.

1

2

Pada akun google scholar citation terdapat citation-index, dimana didalamnya memperlihatkan jumlah kutipan dan indeks h. Citation-index dapat menginformasikan jumlah penelitian yang telah mengutip dan dikutip karya ilmiah tersebut. Jumlah kutipan adalah jumlah paper yang telah dikutip oleh buku, paper peneliti lainnya. Sedangkan, indeks h menginformasikan bahwa pemilik akun memiliki paper sebanyak h dengan jumlah kutipan untuk setiap paper lebih dari h (Firdaus, 2012). Indeks h diajukan oleh Prof. Hirsh pada tahun 2005 untuk mengkarakteristikkan output ilmiah peneliti. Menurut Hirsch (2005) indeks h lebih baik untuk kriteria tunggal dalam meng-evaluasi karya ilmiah seorang ilmuwan. Namun, patut diwaspa-dai karena penilaian kinerja seorang ilmuwan berdasarkan jumlah kutipan memiliki keuntungan maupun kerugian. Misalnya pada perhitungan jumlah total paper, tidak merefleksikan dampak serta pentingnya hasil penelitian. Apabila membandingkan dua ilmu-wan dengan jumlah paper atau kutipan yang sama dengan indeks h berbeda, paper dengan indeks h lebih tinggi cenderung ilmuwan yang lebih sempurna.

Mutu perguruan tinggi ditentukan oleh kualitas pengajarnya. Dengan adanya sitasi google scholar citation, ITS dapat me-ngukur kinerja dosen berdasarkan jumlah kutipan dan indeks h. Kinerja atau performasi dapat diartikan sebagai prestasi kerja, pelaksanaan kerja, serta pencapaian kerja dari suatu proses. Kinerja dosen adalah kemampuan untuk melaksanakan pekerjaan atau tugas (Trisnaningsih, 2011). Kinerja adalah tingkat keber-hasilan seseorang dalam menyelesaikan pekerjaan. Faktor yang menentukan tingkat kinerja adalah penilaian kinerja. Penilaian kinerja juga dapat dilakukan memalui karya ilmiah. Institut Teknologi Bandung (ITB) tahun 2014 memberikan insentif bagi dosen yang melakukan penelitian, terkait dengan adanya webometric. Webometric merupakan sebuah lembaga pemeringkat yang berpusat di Madrid. Salah satu penilaian yang menunjang suatu perguruan tinggi untuk meraih status WCU (Webometric Ranking

3

of World University) yaitu dengan meningkatkan publikasi pada akun google scholar citation. Tahun 2009 ITS menduduki peringkat ke 8 dengan scolar 2853. Saat ini dari 498 urutan rangking profil dengan sitasi tertinggi, sebanyak 42 Dosen ITS masuk dalam daftar tersebut. Dari 42 dosen yang termasuk dalam peringkat tersebut, tertinggi dengan adalah Dr. Eng. Siti Machmudah dengan jumlah kutipan 655. Data yang diperoleh dari http://personal.its.ac.id/ pada bulan Oktober 2014 menunjukkan bahwa hanya 10,9% dari 900 Dosen ITS yang memiliki akun pada google scholar. Dari 10,9% dosen yang memiliki akun, tertinggi sebanyak 13 dosen berasal dari jurusan Teknik Informatika. Jumlah kutipan tertinggi pada bulan Oktober 2014 sebanyak 370 kutipan dipublikasikan oleh Prof. Surya Rosa dari jurusan Kimia. Hal ini semakin memperkuat bahwa sedikitnya jumlah dosen yang memiliki akun, berkaitan untuk mengajukan BKD. Kepemilikan akun juga menunjang ITS untuk memperoleh WCU. Oleh karena itu, perlu dilakukan pene-litian untuk mengetahui faktor-faktor yang mempengaruhi kinerja dosen ITS di google scholar citation.

Penelitian tentang kinerja dosen telah dilakukan oleh Trisnaningsih (2011) menggunakan regresi linier berganda, dimana variabel yang mempengaruhi adalah motivasi. Selain itu Taroreh (2009), meneliti kinerja dosen melalui survey terhadap 455 dosen perguruan tinggi menggunakan path analysis. Hasil penelitian menunjukkan bahwa organisasi, budaya organisasi, komunikasi, konflik organisasi, berpengaruh secara langsung terhadap kepuasan kerja.

Penelitian lainnya yang dilakukan Ahalik (2002) meneliti mengenai faktor-faktor yang mempengaruhi kinerja dosen STIE Perbanas Jakarta menggunakan korelasi bivariate. Variabel yang signifikan mempengaruhi kinerja dosen adalah kompensasi, masalah yang dihadapi dosen, waktu yang dibutuhkan untuk meningkatkan ilmu, dan usia. Berdasarkan penelitian yang telah dilakukan, tidak ada penelitian yang mengukuran kinerja dosen berdasarkan karya ilmiah yang dipublikasikan dalam akun google

http://personal.its.ac.id/

4

scholar citation. ITS telah melakukan evaluasi kinerja dosen setiap semester berdasarkan pengisian Indeks Prestasi Dosen (IPD) oleh mahasiswa. Namun, ITS belum mengevaluasi kinerja dosen berdasarkan penelitian yang dipublikasikan pada google scholar citation. Pada penelitian ini, metode yang digunakan untuk me-modelkan kinerja dosen ITS adalah regresi linier berganda dengan model rekursif. Penggunaan model rekursif dikarenakan hubungan diantara jumlah kutipan dan indeks h. Hubungan keduanya merupakan hubungan sebab akibat sepihak. Per-hitungan indeks h diperoleh dari jumlah kutipan masing-masing paper. Namun tidak sebaliknya, perhitungan jumlah kutipan tidak bergantung pada indeks h. Oleh karena itu, pada penelitian ini digunakan model rekursif. Model terbaik dari hasil analisis regresi dapat diketahui melalui koefisien determinasi. 1.2 Rumusan Masalah

Institut Teknologi Sepuluh Nopember (ITS) adalah salah satu perguruan tinggi negeri yang menjalankan Tri Dharma Perguruan Tinggi terkait dengan penelitian. Berkaitan dengan penelitian dan karya ilmiah pada sistem informasi kepegawaian ITS pada bagian rangkuman, setiap dosen harus memperbarui jumlah kutipan google scholar citation dan indeks h. Hal ini dilakukan sebagai salah satu syarat beban kerja dosen (BKD) melalui karya ilmiah pada google scholar citation. Oleh karena itu, perlu dilakukan penelitian untuk mengetahui faktor-faktor yang mempengaruhi kinerja dosen ITS di google scholar citation menggunakan model rekursif. Sehingga, permasalahan yang diangkat dalam penelitian ini adalah bagaimana statistika deskriptif dari karakteristik dosen ITS dan dosen jurusan Teknik Kimia pada khususnya berdasarkan kepemilikan akun di google scholar citation, serta faktor-faktor apa saja yang mempengaruhi kinerja dosen ITS di google scholar citation menggunakan model rekursif.

5

1.3 Tujuan Penelitian Tujuan yang ingin dicapai pada penelitian ini berdasarkan

rumusan masalah diatas adalah sebagai berikut. 1. Mengetahui karakteristik dosen ITS dan dosen jurusan Teknik

Kimia pada khususnya. 2. Menentukan faktor apa saja yang mempengaruhi kinerja dosen

ITS di google scholar citation menggunakan model rekursif. 1.4 Manfaat Penelitian

Manfaat dilakukan penelitian ini yaitu memberikan informasi berupa model kinerja dosen ITS di google scholar citation. Informasi tersebut digunakan sebagai evaluasi bagi ITS untuk meningkatkan kinerja dosen di ITS melalui karya ilmiah yaitu jumlah sitasi di google scholar citation.

1.5 Batasan Masalah

Batasan masalah pada penelitian ini yaitu 1. Objek penelitian adalah seluruh dosen ITS baik PNS maupun

Non PNS, kecuali dosen MKU dan UPT. 2. Penelitian hanya menggunakan jumlah kutipan dan indeks h

sebagai variabel dependen. Variabel tersebut diambil pada bulan Oktober 2014 dan ditinjau kembali pada bulan Mei 2015.

3. Jurusan di ITS dianggap sama, sehingga tidak digunakan sebagai variabel dummy.

6

(Halaman ini sengaja dikosongkan)

BAB II TINJAUAN PUSTAKA

2.1 Sejarah Institut Teknologi Sepuluh Nopember Institut Teknologi Sepuluh Nopember (ITS) melekat dengan sejarah perjuangan kemerdekaan Republik Indonesia. Pendirian ITS dipelopori oleh para pejuang kemerdekaan Republik Indonesia sejak tahun 1957, melibatkan dr. Angka Nitisastro, Soedjasmono, K.H. Yahya Hasyim, dan didukung oleh Roeslan Abdulgani. Yayasan Perguruan Tinggi Teknik (YPTT) secara resmi berdiri dan diketuai oleh dr. Angka Nitisastro. Yayasan tersebut dibentuk sebagai wadah untuk memikirkan tindakan-tindakan lebih lanjut dan memperbincangkan segala konsekuensi yang berkaitan dengan pengambilan keputusan dalam rangka mendirikan sebuah Perguruan Tinggi Teknik di Kota Surabaya.

YPTT mendirikan perguruan tinggi yang diberi nama “Perguruan Tinggi Teknik 10 Nopember Surabaya” pada tanggal 10 Nopember 1957. Perguruan tinggi tersebut diresmikan oleh Presiden Soekarno, dan memiliki dua jurusan yaitu, Jurusan Teknik Sipil dan Teknik Mesin. Beberapa tahun kemudian melalui usaha-usaha yang dirintis oleh para tokoh YPTT mem-buahkan hasil. Perguruan Tinggi Teknik 10 Nopember dirubah statusnya menjadi Perguruan Tinggi Negeri dengan nama: “Institut Teknologi Sepuluh Nopember”. ITS yang semula memiliki 2 (dua) jurusan berubah menjadi lima yaitu: Teknik Sipil, Teknik Elektro, Teknik Mesin, Teknik Perkapalan, dan Teknik Kimia.

2.2 Dosen

Menurut UU no 4 tahun 2005 Dosen adalah pendidik profe-sional dan ilmuwan dengan tugas utama mentransformasikan, me-ngembangkan, dan menyebarkan ilmu pengetahuan, teknologi dan seni melalui pendidikan, penelitian, dan pengabdian masya-rakat. Dosen adalah pendidik yang berpengalaman dalam bidang profesinya, bertanggung jawab memberikan sejumlah ilmu penge-

7

http://id.wikipedia.org/w/index.php?title=Yayasan_Perguruan_Tinggi_Teknik&action=edit&redlink=1

http://id.wikipedia.org/w/index.php?title=Angka_Nitisastro&action=edit&redlink=1

http://id.wikipedia.org/wiki/Presiden

http://id.wikipedia.org/wiki/Soekarno

8

tahuan kepada anak didik dalam perkuliahan, dan ikut berperan dalam usaha pembentukan sumber daya manusia. Salah satu cara untuk mengembangkan sumber daya suatu perguruan tinggi yaitu dengan meningkatkan kinerja dosen.

UU no 14 tahun 2005 pasal 7 ayat 2 menyebutkan bahwa dosen memiliki kesempatan untuk mengembangkan keprofesian secara berkelanjutan dengan belajar sepanjang hayat. Selain itu, dalam pasal 60 juga disebutkan bahwa kewajiban dosen berkaitan dengan penelitian dapat meningkatkan dan mengembangkan kualifikasi akademik dan kompetensi secara berkelanjutan sejalan dengan perkembangan ilmu pengetahuan dan teknologi. 2.3 Publikasi Ilmiah pada Akun Google Scholar

Google scholar merupakan suatu web dalam akun google cendekia yang dapat membantu seseorang untuk mempublikasi-kan karya ilmiah. Pada akun google scholar terdapat jumlah kutipan dan indeks h. Jumlah kutipan adalah jumlah karya ilmiah yang telah dikutip oleh karya ilmiah atau penelitian lain. Indeks h menginformasikan bahwa seorang pemilik akun memiliki paper sebanyak h dengan jumlah kutipan untuk setiap paper minimal sama dengan h (Firdaus, 2012).

Seorang ilmuwan Fisika bernama Hirsch pada tahun 2005 mengusulkan perhitungan indeks h untuk mengkarakteristikkan output ilmiah peneliti. Penelitian tersebut berguna untuk mengha-silkan proporsionalitas konstan. Indeks h lebih baik untuk kriteria tunggal dalam mengevaluasi karya ilmiah ilmuwan. Patut diwas-padai bahwa penilaian kinerja seorang ilmuwan berdasarkan jum-lah kutipan memiliki keuntungan maupun kerugian. 1. Jumlah total paper. Jumlah ini sering digunakan untuk me-

ngukur produktivitas ilmuwan, namun tidak merefleksikan dampak serta pentingnya hasil penelitian.

2. Jumlah kutipan. Mengukur produktivitas ilmuwan, namun nilainya dapat menjadi bias akibat beberapa paper yang me-miliki jumlah kutipan tinggi. Hal ini akan menjadi tidak

9

representatif terutama jika paper tersebut ditulis bersama dengan peneliti lain.

3. Jumlah kutipan per paper. Perhitungan ini dapat digunakan langsung untuk mengukur kinerja ilmuwan dari berbagai usia, namun cara ini sangat menguntungkan ilmuwan dengan produktivitas rendah dan merugikan ilmuwan dengan pro-duktivitas tinggi. Indeks h mengukur dampak luas bagi para ilmuwan, dan

menghindari kelemahan yang tercantum pada nomor 1 sampai 3 diatas. Apabila dua ilmuwan dengan jumlah indeks h sama, sebanding dengan penelitian yang selama ini dilakukan, bahkan jika jumlah paper atau jumlah kutipan berbeda. Sebaliknya, membandingkan dua ilmuwan dengan jumlah paper atau kutipan yang sama dan nilai indeks h berbeda, makalah dengan indeks h lebih tinggi cenderung ilmuwan yang lebih sempurna.

Gambar 2.1 Grafik Perhitungan Indeks h

Gambar 2.1 Menjelaskan mengenai perhitungan indeks h melalui grafik. Sumbu x merupakan banyaknya paper, sedangkan sumbu y merupakan jumlah kutipan. Garis diagonal membantu untuk mengetahui indeks h seorang ilmuwan, dengan menghitung jumlah plot yang berada diatas garis tersebut. Plot yang berada

10

diatas garis menunjukkan bahwa seorang ilmuwan memiliki h paper dengan jumlah kutipan masing-masing paper lebih dari h.

2.4 Korelasi

Koefisien korelasi merupakan nilai yang dihitung dari n pengamatan untuk mengetahui hubungan antara dua variabel. Koefisien korelasi merupakan penaksir yang bias, dimana nilai korelasi tersebut berada diantara -1 dan 1 (Gujarati, 2004: 85). Apabila 0=r

mengindikasi bahwa terdapat ketidaklinieran dian-tara komponen. Hipotesis yang digunakan adalah

0:H0 =ρ (tidak ada hubungan antara variabel). 0:H1 ≠ρ (ada hubungan antara variabel).

Statistik uji koefisien korelasi adalah

,1

22r

nrt−

−=

dengan

,

])([])([

))((

1

2

1

2

1

2

1

2

111

∑ ∑∑ ∑

∑∑∑

= == =

===

−−

−

=n

i

n

iii

n

i

n

iii

n

ii

n

ii

n

iii

YYnXXn

YXYXn

r

dan derajat bebas (df) .2−n Tolak 0H apabila nilai || t lebih dari

),21( dft α− atau valuep lebih kecil dari .α

2.5 Deteksi Multikolinearitas

Multikolinearitas adalah suatu kondisi dimana satu atau lebih koefisien parameter β secara parsial tidak signifikan, namun secara keseluruhan koefisien determinasi R2 tinggi dan pengujian serentak menunjukkan signifikan (Gujarati, 2004: 354-369). Kasus ini mengindikasi adanya hubungan diantara variabel independen. Cara mendeteksi kasus multikolinearitas yaitu 1. Tingginya nilai koefisien determinasi R2, namun hanya

beberapa koefisien regresi signifikan secara parsial.

(2.1)

11

Gelaja klasik ditunjukkan dengan nilai R2 lebih dari 0.8, sedangkan hasil pengujian koefisien regresi secara parsial tidak signifikan.

2. Hubungan yang kuat diantara variabel independen Pengujian hubungan diantara variabel independen meng-

gunakan korelasi perlu dilakukan, karena multikolinearitas merupakan kasus yang serius ketika nilai R2 lebih dari 0.8. Permasalahan yang muncul ketika terdapat hubungan dian-tara variabel independen. Perubahan tanda antara koefisien korelasi dengan koefisien regresi, juga merupakan salah satu ciri adanya kasus multikolinearitas.

3. Menghitung variance inflation factor (VIF) Adanya kasus multikolinearitas juga dapat dideteksi dengan

menghitung nilai VIF. Apabilai VIF untuk masing-masing variabel lebih dari 10, maka dapat dikatakan bahwa ada kasus multikolinearitas. Rumus untuk menghitung VIF sebagai berikut

211

jj

RVIF

−=

dimana 2jR merupakan koefisien determinasi.

2.6 Regresi Linier Berganda Analisis regresi membahas mengenai ketergantungan satu variabel terhadap variabel lainnya, namun tidak selalu ada hu-bungan sebab akibat. Dengan menggeneralisasikan model regresi linier dua dan tiga variabel, model regresi untuk populasi k-variabel meliputi variabel dependen Y dan k variabel inde-penden yang menjelaskan kXXX ,,, 21 dapat ditulis

,22110 ikikiii XXXY εββββ +++++= ni 3,2,1=

dengan 0β menyatakan parameter intersep, 1β sampai dengan

kβ merupakan koefisien dari variabel independen, ε adalah resi-dual, dan i menunjukkan observasi hingga n. Persamaan (2.3)

(2.3)

(2.2)

12

memberikan nilai rata-rata yang diharapkan dari variabel dependen dengan syarat nilai variabel kXXX ,,, 21 tetap, dapat diartikan yaitu ).,,,|( 21 kiii XXXYE Persamaan (2.3) meru-pakan bentuk sederhana dari sekumpulan n pengamatan berikut:

.22110

2222212102

1121211101

nknknnn

kk

kk

XXX

XXXXXX

Y

YY

ε

ε

ε

ββββ

ββββββββ

+++++=

+++++=

+++++=

Menggunakan notasi matriks, persamaan (2.4) dapat ditulis

nY

YY

2

1

=

knnn

k

k

XXX

XXXXXX

21

22212

12111

1

11

kβ

ββ

1

0

+ ,2

1

nε

εε

atau

,1n1)1(n1n ××+×× += εβXY kk dimana persamaan (2.6) menjelaskan mengenai dimensi atau derajat matriks X dan vektor εβY dan ,, , dapat ditulis (Gujarati, 2004: 926-927).

.εXβY += 2.6.1 Estimasi Parameter Estimasi parameter dari β , dapat diperoleh melalui metode Ordinary Least Square (OLS) dengan terlebih dahulu menuliskan model regresi dengan k-variabel:

,22110ˆˆˆˆ

ikikiii XXXY εββββ +++++= dapat dituliskan secara singkat dalam notasi matriks

(2.4)

(2.8)

(2.6)

(2.7)

(2.5)

13

.ˆˆ εβXY +=

Estimasi parameter diperoleh dengan meminimumkan jumlah kuadrat residual

,110

2

11

2 ˆ...ˆˆ∑∑==

−= −−−

n

i

n

ii kiki XXiY βββε

dengan ∑=

n

ii

1

2ε adalah jumlah kuadrat residual. Apabila dituliskan

dalam notasi matriks, sama dengan meminimumkan εε ˆˆ ' yaitu

[ ] .1

2222

21

2

1

21 ˆˆˆ

ˆ

ˆˆ

ˆˆˆˆˆ ∑=

=+++=

=n

iin

n

n

u

uu

uuu εεεε

uu'

Dari persamaan (2.9) diperoleh

.ˆˆ βXYε −=

Oleh karena itu

)ˆ()ˆ(ˆˆ '' βXYβXYεε −−= ,ˆˆˆ' βXXβYXβ2YY '''' +−=

dimana digunakan sifat-sifat transpose suatu matriks ''XββX ˆ)ˆ( ' = dan karena yXβ ''ˆ

adalah suatu skalar, bentuk tersebut sama dengan transpose dari .ˆ' βXY Dalam notasi skalar, metode OLS

menaksir kβββ ,,, 10 sehingga nilai ∑=

n

ii

1

2ε sekecil mungkin. Hal

ini diperoleh dengan menurunkan persamaan (2.10) secara parsial terhadap kβββ ˆ,,ˆ,ˆ

10 dan menyamakan hasil yang diperoleh dengan nol. Persamaan normal untuk metode OLS adalah

(2.9)

(2.10)

(2.12)

(2.13)

(2.11)

14

,ˆˆˆˆ

ˆˆˆˆ

ˆˆˆˆ

ˆˆˆˆ

222110

2222212120

112122

1110

22110

∑∑∑∑∑

∑∑∑∑∑∑∑∑∑∑∑∑∑∑

=++++

=++++

=++++

=++++

ikikikikiikiki

iikiikiiii

iikiikiiii

ikikii

YXXXXXXX

YXXXXXXX

YXXXXXXX

YXXXn

ββββ

ββββ

ββββ

ββββ

dalam notasi matriks dapat ditulis

,2

1

32

23222

13121

1

0

22

1211

1

1

11

=

∑∑∑

∑∑∑∑∑

nknnn

k

k

kkiikiki

kiiii

kii

Y

YY

XXX

XXXXXX

XXXX

XXXX

XXn

β

ββ

atau .ˆ YXβX)(X '' =

Pada persamaan (2.14) diketahui XX' dan YX' meru-pakan perkalian silang antara X dan Y menghasilkan β . Invers dari

XX' adalah 1)( −XX' , maka hasil perkalian kedua sisi persamaan (2.14) adalah

.ˆ 11 YXX)(XβX)(XX)(X '''' −− =

Karena IX)(XX)(X '' =−1 , suatu matriks identitas order kk ×diperoleh

,ˆ 1 YXX)(XβI '' −= .ˆ 1 YXX)(Xβ '' −=

Persamaan (2.16) merupakan hasil fundamental dari teori OLS dalam notasi matriks. Persamaan tersebut menunjukkan vektor βdapat ditaksir dari data yang ada, dan diperoleh langsung dengan menurunkan εε ˆˆ ' terhadap β (Gujarati, 2004: 931-933).

(2.14)

(2.16)

(2.15)

15

2.6.2 Analisis Varians Teknik Analisis Varians atau ANOVA yang pertama untuk

menguji signifikansi analisis regresi hasil estimasi secara serentak, yaitu menguji 0H bahwa koefisien parsial sebenarnya secara serentak sama dengan nol. Kedua untuk menilai kontribusi dari suatu variabel independen (Gujarati, 2004: 939). Teknik ANOVA dengan mudah dapat diperluas pada kasus k-variabel. ANOVA didapat dengan cara memecah Sum of Square (SS). Pernyataan secara matriks untuk tiga SS secara bertutut-turut adalah

Tabel 2.1 Analisis Varians.

2.6.3 Pengujian Parameter Model a. Pengujian Serentak Pengujian serentak dilakukan untuk mengetahui signifikansi koefisien model. Dengan mengasumsikan bahwa residual iu didistribusikan secara normal, maka hipotesis yang digunakan adalah 0:H 210 ==== kβββ

:H1 Paling tidak ada satu 0≠jβ , .3,2,1 kj = Statistik uji yang digunakan adalah

.MSEMSRF =

Sumber df Sum of Square (SS)

Mean Square (MS)

Regresi p 2ˆ Yn−yXβ '' 1

ˆ 2

−−

kYnyXβ ''

Residual pn − yXβyy ''ˆ' − kn −

− yXβyy ''ˆ'

Total 1−n 2' Yn−yy

(2.17)

16

Tolak 0H apabila nilai F lebih dari tabelF

dengan

p)-n1,-p,-(1tabel FF α= atau apabila valuep lebih kecil dari .α Artinya, paling tidak ada satu parameter yang memberikan pengaruh (signifikan). Oleh karena itu, dilanjutkan pada pengujian secara parsial.

b. Pengujian Parsial Nilai 2σ tidak diketahui, dan ditaksir 2σ melalui perge-seran ke distribusi t. Hal ini mengakibatkan setiap elemen para-meter β

mengikuti distribusi t dengan derajat bebas pn − . Oleh karena itu, distribusi t dapat digunakan untuk menguji hipotesis iβsecara parsial. Hipotesis yang digunakan untuk menguji parameter secara parsial adalah sebagai berikut

0:H0 =jβ

,0:H1 ≠jβ .3,2,1 kj = Statistik uji yang digunakan adalah

.)ˆ(

ˆt j

jSe β

β=

Tolak H0 apabia nilai || t lebih dari ),21( dft α− atau valuep lebih

kecil dari .α Dengan begitu dapat diketahui parameter yang memberikan pengaruh terhadap model secara parsial. 2.6.4 Koefisien Determinasi (R2)

Kebaikan model dapat diukur melalui koefisien determinasi. Koefisien determinasi 2R didefinisikan sebagai

.2SSTSSRR =

Secara umum, persamaan (2.19) dapat ditulis (Gujarati, 2004: 936-937)

(2.18)

(2.19)

17

.ˆ

2'

22

YnYnR

−

−=

yyyXβ ''

Koefisien determinasi digunakan untuk melihat proporsi keragaman variabel dependen disekitar rata-rata yang dapat dijelaskan oleh persamaan regresi. Semakin besar nilai koefisien determinasi atau semakin mendekati 100%, maka model regresi akan semakin baik menjelaskan pengaruh variabel independen terhadap variabel dependen (Draper dan Smith, 1992: 89). 2.6.5 Asumsi IIDN a. Identik Identik atau homoskedastisitas berarti varians dari residual bersifat tetap. Pengujian homogenitas varians dari residual dilaku-kan menggunakan uji white dengan beberapa langkah sebagai berikut (Gujarati, 2004: 417). 1. Regresikan seluruh variabel independen dengan variabel

dependen hingga menghasilkan residual. 2. Regresikan residual dengan seluruh variabel independen.

Model yang digunakan adalah sebagai berikut .ˆ 215

224

21322110

2iiiiiii vXXXXXX

i++++++= ββββββε

3. Hipotesis yang digunakan adalah sebagai berikut 222

2210 :H σσσσ ==== n (residual identik)

:H1 Minimal ada satu 22 σσ ≠i (residual tidak identik). Untuk memperoleh keputusan dilakukan dengan membandingkan nilai R2 dikali n dengan 2

dfχ . Tolak H0 apabila nilai )( 2Rn× lebih

besar dari 2dfχ

.~)( 22dfRn χ×

(2.20)

(2.24)

(2.25)

18

b. Independen

Asumsi residual independen dilakukan dengan membuat plot antara nilai residual tε dengan hasil prediksi variabel dependen. Asumsi yang harus dipenuhi adalah pengamatan atau residual yang satu dengan yang lain saling bebas (Hair, 2010: 183-185).

Gambar 2.2 Plot Pengamatan.

Pelanggaran terhadap asumsi independen disebut dengan autocorrelation. Autocorrelation dalam konsep regresi linier berarti komponen residual berkorelasi, dengan kata lain terjadi ketergantungan antara residual ke-i dengan ke-j.Suatu data dikatakan terjadi kasus autocorrelation apabila pola data membentuk pola tertentu sepeti Gambar 2.2. Secara visual, data diharuskan menyebar agar memenuhi asumsi independen. c. Distribusi Normal Pengujian terhadap asumsi kenormalan dilakukan menggu-nakan uji Kolmogorov-Smirnov. Uji kenormalan ini biasanya digunakan pada data yang bersifat kontinyu. Penerapan pengujian ini menggunakan dua buah fungsi distribusi kumulatif yaitu distribusi kumulatif yang ditentukan sebagai hipotesis serta distribusi kumulatif dari data yang teramati. Adapun pengujian hipotesisnya adalah (Daniel, 1989: 343-345).

)()(:H 00 xFxF = (Data berdistribusi normal) )()(:H 01 xFxF ≠ (Data tidak berdistribusi normal).

Statistik uji yang digunakan adalah

19

,)()(sup 0 xFxSD −= dengan

)(xS : fungsi peluang kumulatif yang dihitung dari sampel. )(0 xF : fungsi peluang kumulatif yang diterapkan, atau di bawah

H0 )( iZZP < untuk distribusi normal. )(xF : fungsi distribusi yang belum diketahui.

Tolak H0 apabila nilai D lebih besar dari Dtabel atau dengan menggunakan valuep lebih kecil dari .α 2.7 Variabel Dummy Dalam analisis regresi, variabel dependen sering kali dipengaruhi tidak hanya oleh variabel skala rasio, tetapi juga oleh variabel yang berskala nominal. Variabel seperti itu disebut variabel dummy. Apabila variabel kualitatif memiliki kategori r, maka gunakan hanya untuk variabel dummy (r-1). Variabel-variabel dummy merupakan sebuah skala refleksibel yang dapat mengatasi berbagai masalah. Untuk memahami hal ini, sebagai contoh, dilakukan pemodelan untuk mengetahui faktor yang mempengaruhi upah per jam. Variabel dummy yang digunakan yaitu perbedaan jenis kelamin dan ras. Perhatikan model berikut:

iiiii XDDY εβααα ++++= 22110

dengan iY = upah per jam dalam dolar X = (pendidikan) lamanya bersekolah

1D = 1 jika perempuan, 0 lainnya

2D = 1 jika bukan kulit putih, 0 lainnya Persamaan (2.27), jenis kelamin dan ras merupakan kualitatif, serta pendidikan adalah variabel independen berjenis kuantitatif. Secara implisit, terdapat asumsi bahwa pengaruh perbedaan dari dummy jenis kelamin adalah sama untuk kedua kategori ras. Pengaruh perbedaan dari dummy ras juga sama untuk kedua kategori jenis kelamin (Gujarati, 2004: 340).

(2.26)

(2.27)

20

2.8 Model Rekursif Metode OLS tidak dapat digunakan untuk mengestimasi model regresi yang memiliki keterkaitan antara residual dan variabel independen. Jika diaplikasikan secara bebas, maka hasil estimasi bias (dalam sampel yang kecil) dan seberapa besar pun sampel yang digunakan, bias yang terjadi tidak akan hilang. Akan tetapi, terdapat suatu situasi dimana OLS dapat diaplikasikan secara benar bahkan dalam konteks persamaan. Kasus semacam ini dinamakan model rekursif, triangular, atau causal. Berikut adalah sistem persamaan untuk melihat sifat-sifat dari model tersebut:

tttttt

ttttt

tttt

XXYYYXXYYXXY

3232131232131303

2222121121202

1212111101

εγγβββεγγββεγγβ

+++++=++++=+++=

dimana, secara berurutan X dan Y merupakan variabel dependen dan independen. Residual adalah sebagaimana berikut ini

0),cov(),cov(),cov( 323121 === tttttt εεεεεε

yaitu residual periode yang sama pada persamaan yang berbeda tidak berkorelasi (secara teknik, dinamakan sebagai asumsi dari korelasi nol serentak). Dengan mempertimbangkan persamaan pertama dari (2.28) persamaan tersebut hanya mengandung variabel independen pada sisi kanan dan tidak berkorelasi dengan residual u1t, maka persamaan (2.28) memenuhi asumsi klasik dari OLS. OLS dapat diaplikasikan langsung pada persamaan tersebut. Selanjutnya pertimbangkan pula persamaan kedua dari persamaan (2.28), yang mengandung variabel Y1 sebagai variabel indepen-den juga dapat menggunakan OLS, dengan syarat Yi1 dan u2t tidak berkorelasi.

Dengan mengembangkan syarat tersebut, estimasi OLS dapat diaplikasikan terhadap persamaan ketiga dalam (2.28), karena baik Y1 dan Y2 tidak berkorelasi dengan ε2. Oleh karena itu, pada model rekursif, OLS dapat digunakan dalam masing-masing

(2.28)

(2.29)

21

persamaan secara terpisah. Dalam kasus ini, sebenarnya tidak ada permasalahan persamaan simultan. Berdasarkan sistem tersebut, jelas bahwa tidak ada saling ketergantungan diantara variabel-variabel dependen. Apabila digambarkan seperti yang terlihat pada Gambar 2.3. Jadi, Y1 mempengaruhi Y2, namun tidak sebaliknya Y2 tidak mempengaruhi Y1. Dengan prinsip yang sama, Y1 dan Y2 mempengaruhi Y3, namun Y3 tidak mempenga-ruhi Y1 dan Y2. Dengan kata lain, setiap persamaan menunjukkan ketergantungan sebab-akibat sepihak, sehingga disebut model rekursif (Gujarati, 2004: 763).

Gambar 2.3 Model Rekursif dengan Tiga Persamaan.

2.9 Prosedur Pemilihan Model Terbaik Menggunakan

Stepwise Stepwise adalah salah satu metode pemilihan model terbaik.

Metode Stepwise dilakukan dengan meregresikan satu per satu variabel independen yang memiliki korelasi tertinggi dengan variabel dependen. Pemilihan model terbaik dengan langkah-langkah sebagai berikut: 1. Hitung koefisien korelasi antara variabel independen dengan

variabel dependen. 2. Pilih variabel independen yang mempunyai korelasi tertinggi

dengan variabel dependen. 3. Kemudian, regresikan variabel independen tersebut dengan

variabel dependen. 4. Lakukan pengujian parameter secara serentak dan parsial.

Apabila hasil pengujian menyimpulkan bahwa variabel independen berpengaruh terhadap variabel dependen, maka

22

tambahkan variabel independen tertinggi berikut-nya. Apabila sebaliknya, maka hilangkan variabel independen dari model.

5. Langkah selanjutnya, lakukan langkah pertama hingga keempat. Keputusan untuk memilih model regresi terbaik dimana

seluruh variabel signifikan, harus memenuhi beberapa kriteria yaitu: perubahan nilai R2 menjadi lebih baik, S cenderung stabil dan mendekati nilai 2σ yang sebenarnya, dan Mallow Cp seren-dah mungkin hingga mendekati atau sama dengan p (Draper dan Smith, 1992: 293-296).

Korelasi yang digunakan dalam metode stepwise adalah korelasi parsial dengan rumus

),(Korelasi),,,|,(Korelasi 121 kykk XXXXY εε== −

dengan ,122110ˆ

ikkii XXXY εββββ +++++= − ,1122110

ˆikkiik XXXX εββββ +++++= −−

Korelasi parsial dihitung dari residual hasil regresi antar variabel variabel independen. 2.10 Penelitian Sebelunya

Beberapa penelitian sebelumnya yang berkaitan dengan penelitian ini adalah sebagai berikut. 1. Penelitian sebelumnya mengenai kinerja dosen telah dilakukan

oleh Trisnaningsih (2011). Metode yang digu-nakan adalah Regresi linier berganda, dimana variabel yang mempengaruhi adalah motivasi.

2. Taroreh (2009), meneliti kinerja dosen melalui survey ter-hadap 455 dosen PT menggunakan path analysis. Hasil penelitian menunjukkan bahwa organisasi , budaya organi-sasi, komunikasi, konflik organisasi, berpengaruh secara langsung terhadap kepuasan kerja.

3. Ahalik (2002) meneliti mengenai faktor-faktor yang mem-pengaruhi kinerja dosen STIE Perbanas Jakarta menggunakan

(2.30)

23

korelasi bivariate. Variabel yang signifikan mempengaruhi kinerja dosen adalah Kompensasi, Masalah yang diha-dapi dosen, waktu yang dibutuhkan untuk menambah ilmu, dan usia.

Beberapa penelitian yang telah dilakukan, belum ada yang membahas mengenai kinerja dosen berdasarkan jumlah penelitian yang dipublikasikan.

BAB III METODOLOGI PENELITIAN

3.1 Sumber Data

Data pada penelitian tergolong data sekunder dan primer. Data sekunder yaitu data dosen yang diperoleh dari hasil pendataan ITS tahun 2015. Data Primer diperoleh dari akun google scholar citation dengan link http://scholar.google.com/ pada bulan Mei 2015. Jumlah data pada penelitian ini sebanyak 900 dosen.

Variabel penelitian yang digunakan terdiri dari variabel dependen

dan variabel independen. Kedua variabel tersebut

dijelaskan pada Tabel 3.1 dan 3.2 Tabel 3.1 Variabel Dependen.

Variabel Nama Variabel Skala

iY ,1 Jumlah Kutipan Dosen ke-i Rasio

iY ,2 Indeks h Dosen ke-i Rasio

Tabel 3.2 Variabel Independen. Variabel Nama Variabel Skala

iX ,1 Jenis Kelamin Nominal

iX ,2 Fakultas Nominal

iX ,3 Jabatan Ordinal

iX ,4 Pendidikan Ordinal

iX ,5 Lulusan Nominal

iX ,6 Usia Rasio

iX ,7 Lama bekerja Rasio

iX ,8 Jumlah paper dalam bahasa Indonesia Rasio

iX ,9 Jumlah paper dalam bahasa Inggris Rasio

25



Definisi variabel dependen yang digunakan pada penelitian ini adalah 1. Jumlah kutipan

Menunjukkan banyaknya ilmuwan atau peneliti yang telah mengutip paper dalam akun google scholar.

2. Indeks h Indeks h adalah h paper, dimana setiap paper memiliki jumlah kutipan lebih dari atau sama dengan h. Jumlah kutipan dan indeks h merupakan variabel yang saling

berhubungan. Perhitungan indeks h diperoleh dari jumlah kutipan setiap paper. Sehingga terdapat dua model dalam penelitian ini. Dengan adanya ”Raking of scientists in Indonesia Institutions according to their GSC public profiles” yang tertulis pada http://www.webometrics.info/en/node/96 dapat diketahui bagai-mana hubungan antara jumlah kutipan dengan indeks h.

Sebagai contoh dapat dilihat pada Tabel 3.3 Heru Setyawan menduduki posisi 118 dari 498 dengan indeks h 10 dan jumlah kutipan 285. Budi Santoso yang memiliki jumlah kutipan lebih banyak yaitu 487, juga memiliki indeks h sama yaitu 10.

Tabel 3.3 Sepuluh Dosen ITS dalam Ranking of Scientists in Indonesia..

No Nama Indeks h Citation

1 Siti Machmudah 15 655

2 Nyoman Pujawan 11 613

3 Widiyastuti 11 423

4 Budi Santoso 10 487

5 Heru Setyawan 10 285

6 Mauridhi Hery P. 9 401

7 Setiyo Gunawan 9 295

8 Surya RosaP 8 655

9 Bambang Syairudin 8 307

10 Didik Prasetyoko 8 296

http://www.webometrics.info/en/node/96

Kategori masing-masing variabel independen yang digunakan pada penelitian ini dapat dilihat pada Tabel 3.4.

Tabel 3.4 Kategori Variabel Independen. Variabel Kategori

Jenis Kelamin 1 = Laki-laki 2 = Perempuan

Fakultas (F)

1 = FMIPA 2 = FTI 3 = FTSP 4 = FTK 5 = FTIF

Jabatan (J)

1 = Guru Besar 2 = Lektor Kepala 3 = Lektor 4 = Asisten Ahli

Pendidikan 1 = S3 2 = S2

Lulusan 1 = Luar Negeri 2 = Dalam Negeri

Kategori untuk variabel dummy adalah

1, 1, jika laki-laki 0, lainnyaiX

=

1 1, jika FMIPA 0, lainnya

F

=

2 1, jika FTI 0, lainnya

F

=

3 1, jika FTSP 0, lainnya

F

=

4 1, jika FTK 0, lainnya

F

=

1 1, jika Guru Besar 0, lainnya

J

=

2 1, jika Lektor Kepala 0, lainnya

J

=

3 1, jika Lektor 0, lainnya

J

=

4, 1, jika S3 0, lainnyaiX

=

5, 1, jika luar negeri 0, lainnya.iX

=

3.2 Langkah Penelitian Langkah-langkah yang dilakukan untuk mengetahui faktor-

faktor yang mempengaruhi kinerja dosen ITS adalah 1. Pengumpulan literatur dari buku, jurnal serta homepage yang

menunjang sumber ilmiah untuk penelitian. 2. Melakukan eksplorasi data untuk melihat karakteristik dosen

ITS. a. Menghitung nilai mean dan std. deviasi. b. Melakukan pemeriksaan hubungan antar variabel, baik

variabel independen maupun dependen dengan menggu-nakan koefisien korelasi dan scatter plot

3. Memodelkan faktor-faktor yang mempengaruhi kinerja dosen ITS. a. Mengestimasi parameter model regresi hasil analisis. b. Melakukan pengujian parameter secara serentak untuk

mengetahui signifikansi koefisien model. c. Menguji parameter secara individu. Jika terdapat variabel

yang tidak signifikan, maka dilakukan penanggulangan menggunakan metode stepwise.

d. Mengukur kebaikan model melalui perhitungan koefisien determinasi.

e. Melakukan pengujian asumsi identik menggunakan uji white.

f. Melakukan pemeriksaan asumsi independen menggunakan plot antara residual dengan hasil prediksi.

g. Melakukan pengujian asumsi distribusi normal menggunakan Kolmogorov-Smirnov.

h. Interpretasi model regresi.

24

Gambar 3.1 Diagram Alir Penelitian

Kesimpulan

Selesai

Melakukan pemilihan model terbaik menggunakan stepwise

Mulai

Eksplorasi data : 1. Menghitung nilai mean dan standart deviasi. 2. Menjelaskan pola hubungan antar variabel independen

maupun dependen

Memodelkan faktor-faktor yang mempengaruhi kinerja dosen ITS

Data

25

Stuktur data pada penelitian ini dapat diketahui dari Tabel 3.5, yang menginformasikan bahwa terdapat dua variabel independen dan beberapa variabel dependen.

Tabel 3.5 Stuktur Data Penelitian Dosen

1Y 2Y 1X 2X pX

1 1,1Y 1,2Y 1,1X 1,2X 1,pX

2 1,2Y 2,2Y 2,1X 2,2X 2,pX

900 1,900Y 2,900Y 900,1X 900,2X 900,pX

26

BAB IV ANALISIS DAN PEMBAHASAN

Pada bab ini akan dilakukan perhitungan indeks h, dan pemodelan data kinerja dosen ITS dengan menggunakan model rekursif. Hasil analisis dan pembahasan adalah sebagai berikut. 4.1 Perhitungan Indeks h Indeks h merupakan indeks yang menginformasikan bahwa seorang ilmuwan memiliki paper sebanyak h dengan jumlah kutipan untuk masing-masing paper sama atau lebih dari h. Indeks h digunakan untuk mengevaluasi karya ilmiah seorang ilmuwan pada akun google scholar citation. Dosen merupakan seorang ilmuwan yang kinerjanya dapat diukur melalui indeks h. Sebagai contoh, Pada akun google scholar Dr. “X” memiliki 55 paper yang ditulis dalam bahasa Inggris, dan 52 dalam bahasa Indonesia. Jumlah kutipan dari 107 paper sebanyak 135. Jumlah kutipan (Y1) masing-masing paper milik Dr. “X” dapat diketahui pada Tabel 4.1. Tahap pertama adalah paper diurutkan dari jumlah kutipan tertinggi hingga terendah. Paper ke-1 memiliki 16 jumlah kutipan, paper ke-2 memiliki 14 jumlah kutipan, dan seterusnya sampai pada paper ke-30 memiliki 1 jumlah kutipan.

Tabel 4.1 Jumlah Kutipan Masing-masing Paper Dr. “X”

Paper ke Y1 Paper ke Y1 Paper ke Y1 Paper ke Y1

1 16 9 5 17 3 25 2

2 14 10 4 18 3 26 2

3 11 11 4 19 2 27 1

4 9 12 3 20 2 28 1

5 7 13 3 21 2 29 1

6 7 14 3 22 2 30 1

7 6 15 3 23 2

8 6 16 3 24 2

31

32

Grafik perhitungan indeks h dari karya ilmiah Dr. “X” adalah seperti Gambar 4.5.

302520151050

30

25

20

15

10

5

0

Paper ke-

Y1

6

Gambar 4.1 Grafik Indeks h Dr. “X”.

Grafik tersebut diperoleh dengan mengurutkan jumlah paper yang dikutip ilmuwan lain. Jumlah kutipan untuk masing-masing paper menjadi sumbu y, sedangkan urutan paper mulai dari kutipan tertinggi hingga terendah sebagai sumbu x. Secara visual, terlihat bahwa ter-dapat enam titik yang berada diatas garis biru. Titik-titik tersebut menunjukkan indeks h Dr. “X” sebanyak 6. Artinya terdapat 6 paper dimana masing-masing paper dikutip lebih dari atau sama dengan 6 pengutip. 4.2 Karakteristik Dosen pada Bulan Mei 2015 Jumlah dosen di ITS pada bulan Mei 2015 sebanyak 900. Karakteristik 900 dosen berkaitan dengan publikasi ilmiah pada akun google scholar citation ditunjukkan melalui Tabel 4.2. Tabel tersebut menginformasi jumlah dosen per jurusan maupun per fakultas yang memiliki akun pada google scholar. Jurusan Kimia pada Fakultas MIPA memiliki jumlah dosen tertinggi untuk kategori kepemilikan akun. Untuk FTI tertinggi adalah jurusan T. Multimedia dengan persentase sebesar 55,56. Sedangkan untuk FTSP kepemilikan akun tertinggi adalah jurusan

33

T. Geodesi sebesar 52,17% dari 23 dosen di jurusan tersebut. Jurusan T. Kelautan menduduki jumlah tertinggi diantara FTK sebesar 32,14% dari 28 dosen. Hal yang sama juga dialami jurusan T. Informatika, yang menduduki jumlah tertinggi diantara FTIF sebesar 45,5% dari 44 dosen dijurusan tersebut.

Tabel 4.2 Persentase Jumlah Dosen yang Memiliki Akun per Jurusan. Fakultas Jurusan Jumlah

Dosen Jumlah Dosen yang

memiliki akun Persentase

FMIPA

Fisika 35 13 37.14 Matematika 47 12 25.53 Statistika 41 19 43.90 Kimia 34 18 52.94 Biologi 21 9 42.86

FTI

Manaj.Bisnis 8 3 37.50 T.Elektro 72 23 31.94 T.Fisika 39 14 35.90 T.Industri 34 16 47.06 T.Kimia 51 19 37.25 T.Lingkungan 30 14 46.67 T.Material 19 9 47.37 T.Mesin 69 23 33.33 T.Mutimedia 18 10 55.56

FTSP

D.Produk 23 4 17.39 D.Interior 12 0 0.00 Arsitektur 43 12 27.91 PWK 21 7 33.33 T.Geodesi 23 12 52.17 T.Sipil 100 29 29.00

FTK T.Kelautan 28 9 32.14 T.Perkapalan 22 6 27.27 T.Sis.Perkapalan 29 7 24.14

FTIF Sis.Informasi 30 9 30.00 T.Informatika 44 20 45.45

Total 900 317 35,5 Pada Akun google scholar terdapat jumlah kutipan yang memberikan informasi mengenai banyaknya ilmuwan atau peneliti yang telah mengutip paper dalam suatu akun. Tabel 4.3 menginformasikan rata-rata jumah kutipan tertinggi di FMIPA adalah jurusan Kimia, dengan keragaman 156 dan jumlah kutipan terendah sebanyak 9. Rata-rata tertinggi di FTI adalah jurusan T. Kimia, dengan jumlah kutipan 181. Untuk FTSP rata-rata jumlah kutipan tertinggi adalah jurusan T. Sipil sebanyak 26 kutipan,

34

sedangkan FTK rata-rata jumlah kutipan tertinggi diraih oleh jurusan T. Sistem Perkapalan sebanyak 68 kutipan. FTIF yang terdiri dari dua jurusan, rata-rata kutipan tertinggi diraih oleh T. Informatika sebanyak 63 kutipan. Jurusan dengan rata-rata jumlah kutipan terendah adalah Arsitektur sebesar 2,83 kutipan. Informasi yang diperoleh dari Tabel 4.4 adalah rata-rata indeks h dosen ITS masing-masing jurusan. Jurusan dengan rata-rata indeks h tertinggi dimiliki oleh T. Kimia sebesar 5,16. Indeks h tertinggi di jurusan tersebut sebesar 15. Terendah adalah jurusan PWK dengan indeks h tertinggi yaitu 1. Informasi ini mendukung adanya perbedaan jumlah kutipan dan indeks h dimasing-masing jurusan. Untuk masing-masing fakultas, rata-rata indeks h tertinggi di fakultas MIPA diraih oleh jurusan Kimia. Rata-rata indeks h tertinggi di masing-masing fakultas diraih oleh jurusan yang sama dengan tertinggi untuk jumlah kutipan, yaitu FTI diraih oleh T. Kimia, FTSP diraih oleh T. Sipil, FTK diraih oleh T. Sistem Perkapalan, dan FTIF diraih oleh T. Informatika. Hasil pada Tabel 4.5 menunjukkan bahwa rata-rata usia dosen ITS secara keseluruhan berada diatas 30 tahun. Usia maksimum dosen ITS dari seluruh jurusan yaitu berusia 60 tahun. Rata-rata usia tertinggi yaitu T. Kelautan sebesar 49 tahun. Posisi rata-rata usia tertua di masing-masing fakultas berbeda dengan posisi pada jumlah kutipan dan indeks h. Perbedaan tersebut terdapat pada FTSP dan FTK, pada FTSP jurusan dengan rata-rata usia dosen tertua yaitu Arsitektur. Sedangkan pada FTK rata-rata usia dosen tertua yaitu T. Kelautan. Untuk fakultas lainnya yaitu FMIPA, FTI dan FTIF jurusan yang menduduki posisi dengan rata-rata usia tertua masih sama. Jurusan tersebut adalah Kimia untuk FMIPA, T. Kimia untuk FTI dan T. Informatika untuk FTIF.

35

Tabel 4.3 Statistika Deskriptif Data Jumlah kutipan Dosen ITS. Fakultas Jurusan n Mean St.Dev Min Max

FMIPA

Fisika 13 45,6 47,2 0 141 Matematika 12 26,92 34,46 1 125 Statistika 19 28,21 38,11 0 135 Kimia 18 112,4 156,3 9 662

Biologi 9 11,22 15,63 0 51 Total MIPA 70 44,87 58,34 0 662

FTI

Manaj.Bisnis 3 16,7 24,7 0 45 T.Elektro 23 69,9 102,6 0 458 T.Fisika 14 40,4 81,9 0 303 T.Industri 16 76,6 130,8 0 532 T.Kimia 19 181,1 205,5 2 689

T.Lingkungan 14 80.0 77,4 1 271

T.Material 9 42,9 62,9 0 155 T.Mesin 23 11,96 16,85 0 53 T.Mutimedia 10 80.0 133,7 0 420

Total FTI 131 66,61 92,92 0 689

FTSP

D.Produk 4 5.0 4,69 0 9 Arsitektur 12 2,83 3,71 0 11 PWK 7 15.0 12,72 0 3 T.Geodesi 12 10,17 13,46 0 43

T.Sipil 29 25,21 42.0 0 165 Total FTSP 64 11,64 15,316 0 165

FTK

T.Kelautan 9 16,67 16,73 0 50

T.Perkapalan 6 35,5 55,4 0 121

T.Sis.Perkapalan 7 67,6 107,6 1 294

Total FTK 23 39,92 59,91 0 294

FTIF Sis.Informasi 9 14,89 28,29 0 87

T.Informatika 20 62,8 85 0 325

Total FTIF 29 38,84 56,64 0 325

Total 317 40,37 56,62 0 689

36

Tabel 4.4 Statistika Deskriptif Data Indeks h Dosen ITS. Fakultas Jurusan n Mean St.Dev Min Max

FMIPA



FTI


T.Lingkungan 14 3,71 1,86 1 8

T.Material 9 2,22 1,39 0 4 T.Mesin 23 1,22 1,24 0 4 T.Mutimedia 10 3,10 2,96 0 10

Total FTI 131 2,93 2,39 0 15

FTSP

D.Produk 4 1,25 0,96 0 2 Arsitektur 12 0,75 0,75 0 2 PWK 7 0,71 0,49 0 1 T.Geodesi 12 1,42 0,90 0 3

T.Sipil 29 1,86 1,50 0 5 Total FTSP 64 1,19 0,92 0 5

FTK

T.Kelautan 9 2,11 1,45 0 5

T.Perkapalan 6 1,67 2,25 0 5

T.Sis.Perkapalan 7 3,43 2,99 1 9

Total FTK 23 2,40 2,23 0 9


T.Informatika 20 3,25 1,94 0 9

Total FTIF 29 2,46 1,83 0 9

Total 317 2,31 1,79 0 15

37

Tabel 4.5 Statistika Deskriptif Usia Dosen ITS. Fakultas Jurusan n Mean St.Dev Min Max

FMIPA



FTI


T.Lingkungan 14 45,7 9,79 32 61

T.Material 9 37,7 3,71 32 46 T.Mesin 23 46,1 8,68 34 63 T.Mutimedia 10 41,7 7,30 30 56

Total FTI 131 42,9 8,51 25 66

FTSP


T.Sipil 29 47,9 9,92 31 65 Total FTSP 64 43,74 9,76 24 66

FTK

T.Kelautan 9 49,9 5,97 41 56

T.Perkapalan 6 39,8 9,75 30 55 T.Sis. Perkapalan 7 39,9 7,31 25 46

Total FTK 23 43,2 7,67 25 56


T.Informatika 20 37,2 7,09 27 55

Total FTIF 29 36,9 7,99 27 56

Total 317 42,54 8,48 24 66

38

Jurusan T. Kimia memiliki rata-rata jumlah kutipan tertinggi dan indeks h diantara jurusan lainnya, namun jumlah paper yang ditulis dalam bahasa Indonsia tertinggi sebanyak 46 paper seperti yang tertera pada Tabel 4.6. Rata-rata jumlah paper yang ditulis dalam bahasa Indonsia tertinggi diantara seluruh jurusan di ITS adalah jurusan T. Industri sejumlah 45 paper. Terendah adalah jurusan D. Produk sebanyak 2 paper dalam bahasa Indonesia. Rata-rata tertinggi untuk jumlah paper dalam bahasa Indonesia masing-masing fakultas dapat dilihat pada Tabel 4.6. Untuk FMIPA rata-rata tertinggi diraih oleh jurusan Statistika, sedangkan FTI diraih oleh T. Industri sejumlah 44 paper. Keadaan yang berbeda pada FTSP rata-rata tertinggi diraih oleh T. Geodesi sebanyak 24 paper. Pada FTK dan FTIF diraih oleh jurusan yang sama dengan rata-rata usia dosen tertua yaitu jurusan T. Kelautan dan T. Informatika. Tabel 4.7 menunjukkan karakteristik dosen berdasarkan jumlah paper yang ditulis dalam bahasa Inggris. Tertinggi adalah jurusan T. Multimedia sebanyak 44 paper. Hal ini di dukung dengan fakta bahwa jurusan tersebut memiliki jumlah dosen yang memiliki akun tertinggi. sekitar 55% dari total jumlah dosen di Jurusan T. Multimedia. Jurusan yang berada pada posisi dengan rata-rata paper yang ditulis dalam bahasa Inggris tertinggi untuk FMIPA adalah jurusan Kimia sebanyak 15 paper, untuk FTI adalah jurusan T. Multimedia sebanyak 44 papar,FTSP adalah jurusan T. Sipil sebanyak 11 paper, untuk FTK diraih oleh T. Sistem Perkapalan, sedangkan untuk FTIF adalah jurusan T. Informatika sebanyak 21 paper. Beberapa fakultas yaitu FMIPA, FTSP, FTK dan FTIF, jurusan yang meraih posisi tertinggi untuk jumlah paper yang ditulis dalam bahas Inggris sama dengan posisi pada rata-rata jumlah kutipan tertinggi.

39

Tabel 4.6 Statistika Deskriptif Jumlah Paper Dosen ITS yang ditulis dalam Bahasa Indonesia.

Fakultas Jurusan n Mean St.Dev Min Max

FMIPA

Fisika 13 20,62 17,3 0 50 Matematika 12 21,75 22,2 1 66 Statistika 19 22,37 19,7 2 67 Kimia 18 13,89 8,29 0 25 Biologi 9 10,44 6,39 1 20

Total MIPA 70 17,8 14,8 0 67

FTI

Manaj.Bisnis 3 7,670 4,93 2 11 T.Elektro 23 20,96 18,0 1 71 T.Fisika 14 8,790 7,13 0 24 T.Industri 16 45,80 60,3 0 210 T.Kimia 19 13,00 11,6 0 46 T.Lingkungan 14 22,43 28,9 0 109 T.Material 9 6,890 9,05 0 28 T.Mesin 23 6,300 6,59 0 23 T.Mutimedia 10 24,90 30,5 0 93

Total FTI 131 17.4 19.7 0 210

FTSP

D.Produk 4 1,750 0,96 1 3 Arsitektur 12 7,170 6,10 0 19 PWK 7 12,57 10,7 1 28 T.Geodesi 12 24,50 43,0 1 159 T.Sipil 29 16,83 29,7 0 159

Total FTSP 64 12,6 18,1 0 159

FTK

T.Kelautan 9 14,67 9,43 0 28 T.Perkapalan 6 6,830 6,74 0 19 T.Sis.Perkapalan 7 11,43 12,6 0 33

Total FTK 23 11 9,6 0 28


T.Informatika 20 25,10 24,09 0 104

Total FTIF 29 19,4 16,1 0 104 Total 317 15,63 15,64 0 210

40

Tabel 4.7 Statistika Deskriptif Jumlah Paper Dosen ITS yang ditulis dalam Bahasa Inggris.

Fakultas Jurusan n Mean St.Dev Min Max

FMIPA

Fisika 13 16,92 13,89 0 43 Matematika 12 10,92 9,220 0 31 Statistika 19 12,95 12,87 1 55 Kimia 18 14,17 13,44 0 45 Biologi 9 5,220 3,630 0 10

Total MIPA 70 12 10,6 0 55

FTI

Manaj.Bisnis 3 4,330 5,130 0 10

T.Elektro 23 22,35 24,12 0 89 T.Fisika 14 10,93 11,35 0 40 T.Industri 16 14,94 17,25 0 64 T.Kimia 19 24,05 23,95 1 98 T.Lingkungan 14 14,00 14,93 3 63 T.Material 9 12,78 8,800 1 27 T.Mesin 23 6,830 6,530 0 19 T.Mutimedia 10 44,00 67,90 2 198

Total FTI 131 17,1 20,0 0 198

FTSP


T.Sipil 29 10,2 12,02 0 56

Total FTSP 64 6,0 6,2 0 56

FTK T.Kelautan 9 10,78 8,930 3 30 T.Perkapalan 6 8,170 13,32 0 34 T.Sis.Perkapalan 7 20,57 25,44 2 71

Total FTK 23 13,2 15,9 0 71

FTIF Sis.Informasi 9 5,330 4,580 0 12 T.Informatika 20 22,45 19,86 3 75

Total FTIF 29 13,9 12,2 0 75

Total 317 12,45 12,97 0 198

41

Berdasarkan Tabel 4.8 untuk kategori jabatan dosen sebagai guru besar masing-masing jurusan terbanyak adalah jurusan T. Kimia, hal ini sejalan dengan jumlah kutipan tertinggi yang diraih jurusan tersebut. Dosen yang memiliki akun mayoritas menjabat sebagai Lektor sebanyak 109 dosen, sedangkan yang menjabat sebagai guru besar hanya 57 dosen. Jurusan Kimia pada FMIPA memiliki menduduki posisi dengan dosen sebagai guru besar terbanyak. Untuk FTI jumlah dosen sebagai guru besar yaitu jurusan T. Kimia sebanyak 11 dosen. Pada FTSP jurusan dengan jumlah dosen yang menjabat sebagai guru besar terbanyak adalah T. Sipil. Untuk FTK dan FTIF masih dengan jurusan yang sama yaitu T. Kelautan dan T.Informatika. Berdasarkan jurusan-jurusan dengan posisi tertinggi yang mayoritas sama, menunjukkan ada pengaruh terhadap banyaknya jumlah kutipan dan indeks h.

Karakteristik dosen berdasarkan Jenis kelamin dapat dilihat pada Tabel 4.9. Untuk masing-masing fakultas mayoritas dosen yang memiliki akun berjenis kelamin laki-laki. Jurusan tersebut adalah Statistika dan Kimia untuk FMIPA, T. Elektro dan T. Sipil untuk FTI, T. Kelautan dan T. Informatika untuk FTK dan FTIF. Secara keseluruhan lebih dari 50% dosen yang memiliki akun pada google scholar citation berjenis kelamin laki-laki.

Karakteristik Dosen berdasarkan Lulusan dapat dilihat pada Tabel 4.10. Sebanyak 178 dosen ITS yang memiliki akun menempuh pendidikan terakhirnya di luar negeri. Untuk FMIPA jurusan dengan jumlah dosen yang menempuh pendidikan terakhir di luar negeri terbanyak adalah Kimia, FTI adalah T. Kimia, FTSP adalah jurusn T. Sipil, untuk FTK adalah jurusan T. Kelautan dan FTIF adalah jurusan T. Informatika.

Karakteristik berdasarkan pendidikan terakhir yang ditem-puh, dosen dimana pendidikan terakhir adalah S3 sebanyak 18 dosen berasal dari T. Kimia. Hal ini mendukung tingginya indeks h dan jumlah kutipan. Terbukti bahwa jurusan yang memiliki jumlah kutipan tertinggi adalah T. Kimia. Untuk jurusan di masing-masing fakultas sama dengan posisi pada kategori dosen sebagai guru besar.

42

Tabel 4.8 Karakteristik Dosen ITS Berdasarkan Jabatan. Fakultas Jurusan n GB LK L AA

FMIPA

Fisika 13 4 4 5 0 Matematika 12 3 3 5 1 Statistika 19 1 6 9 3 Kimia 18 5 8 4 1

Biologi 9 0 5 2 2 Total MIPA 71 13 26 25 7

FTI

Manaj.Bisnis 3 0 0 2 1 T.Elektro 23 4 5 10 4 T.Fisika 14 0 6 5 3 T.Industri 16 5 2 6 3 T.Kimia 19 11 3 4 1 T.Lingkungan 14 4 3 5 2 T.Material 9 0 0 6 3 T.Mesin 23 4 5 8 6 T.Mutimedia 10 1 2 5 2

Total FTI 131 29 26 51 25

FTSP

D.Produk 4 0 1 2 1 Arsitektur 12 1 4 3 4 PWK 7 0 0 2 5 T.Geodesi 12 1 1 6 4

T.Sipil 29 5 9 9 6 Total FTSP 64 7 15 22 20

FTK T.Kelautan 9 2 1 5 1 T.Perkapalan 6 2 0 0 4 T.Sis.Perkapalan 7 1 1 3 2

Total FTK 22 5 2 8 7

FTIF Sis.Informasi 9 1 0 1 7 T.Informatika 20 2 9 2 7

Total FTIF 29 3 9 3 14

Total 317 57 78 109 73

43

Tabel 4.9 Karakteristik Dosen ITS Berdasarkan Jenis Kelamin Fakultas Jurusan n PR LK

FMIPA

Fisika 13 0 13

Matematika 12 2 10

Statistika 19 7 12 Kimia 18 6 12

Biologi 9 8 1

Total MIPA 71 23 48

FTI

Manaj.Bisnis 3 0 3 T.Elektro 23 0 23 T.Fisika 14 2 12 T.Industri 16 4 12 T.Kimia 19 7 12 T.Lingkungan 14 6 8 T.Material 9 2 7 T.Mesin 23 1 22 T.Mutimedia 10 0 10

Total FTI 131 22 109

FTSP

D.Produk 4 2 2 Arsitektur 12 4 8 PWK 7 2 5 T.Geodesi 12 3 9

T.Sipil 29 4 25 Total FTSP 64 15 49

FTK T.Kelautan 9 0 9 T.Perkapalan 6 2 4 T.Sis.Perkapalan 7 1 6

Total FTK 22 3 19

FTIF Sis.Informasi 9 2 7 T.Informatika 20 9 11

Total FTIF 29 11 18

Total 317 74 243

44

Tabel 4.10 Karakteristik Dosen ITS Berdasarkan Lulusan Luar dan Dalam Negeri

Fakultas Jurusan n LN (1) DN(0)

FMIPA

Fisika 13 4 9 Matematika 12 4 8 Statistika 19 3 16 Kimia 18 12 6

Biologi 9 2 7 Total MIPA 71 25 46

FTI


Total FTI 131 86 45

FTSP



FTK T.Kelautan 9 9 0

T.Perkapalan 6 2 4 T.Sis.Perkapalan 7 5 2

Total FTK 22 16 6


Total FTIF 29 21 8

Total 317 178 139

45 Tabel 4.11 Karakteristik Dosen ITS Berdasarkan Pendidikan Terakhir. Fakultas Jurusan n S3(1) S2(0)

FMIPA

Fisika 13 8 5 Matematika 12 8 4 Statistika 19 12 7 Kimia 18 12 6

Biologi 9 2 7 Total MIPA 71 42 29

FTI


Total FTI 131 89 42

FTSP



FTK T.Kelautan 9 9 0 T.Perkapalan 6 2 4 T.Sis.Perkapalan 7 4 3

Total FTK 22 15 7


Total FTIF 29 10 19

Total 317 186 131

46

Teknik Kimia merupakan salah satu jurusan dari FTI yang memiliki jumlah kutipan tertinggi, serta jumlah dosen yang memiliki akun terbanyak. Karakteristik dosen jurusan Teknik Kimia pada bulan Mei 2015 ditunjukkan pada nilai statistika deskriptif sebagai berikut.

Tabel 4.12 Statistika Deskriptif Dosen Jurusan Teknik Kimia pada Bulan Mei 2015

Variabel Rata-rata St.Dev Min Max Y1 181,1 205,5 2 689 Y2 5,158 3,848 1 15 X6 48,74 12,61 26 65 X7 22,58 12,34 2 40 X8 13,00 11,62 0 46 X9 24,05 23,95 1 98

Tabel 4.12 menunjukkan bahwa rata-rata jumlah kutipan tertinggi yaitu 181 dengan rata-rata indeks h sebanyak 5. Usia dosen Teknik Kimia berada dikisaran 48 tahun dengan rata-rata lama bekerja selama 22 tahun.

Saida

h Altw

ay

Hikmatu

n Ni'm

ah

Mahfud

Rena

nto

Elly A

gusti

ani

Supra

pto

Achm

ad Roe

syad

i

Ali Altw

ay

Dana

wati Hari

P.

M. Rac

himoe

llah

Siti N

urkha

midah

Soep

rijanto

Gede

Wiba

wa

Heru

Setya

wan

Setiy

o Gun

awan

Widi

yastu

ti

Siti Z

ullaik

ah

Arief

Widj

aja

Siti M

achm

udah

700

600

500

400

300

200

100

0

Jum

lah

Kuti

pan

181

2161720262833536785

122133147

295308

441471488

689

Gambar 4.2 Jumlah Kutipan Masing-masing Dosen Jurusan Teknik Kimia.

47

Gambar 4.2 menunjukkan urutan dosen Teknik Kimia berdasarkan jumlah kutipan tertinggi hingga terendah. Siti Machmudah menduduki posisi pertama dengan jumlah kutipan 689, posisi kedua yaitu Arief Widjaja, dan posisi terakhir yaitu Saidah Altway. Posisi tersebut sedikit berbeda dengan jumlah indeks h masing-masing dosen. Pada Gambar 4.3 posisi ter-tinggi masih dimiliki Siti Machmudah, sedangkan posisi kedua tergantikan oleh Widyastuti. Terlihat bahwa sebanyak tujuh dosen memiliki jumlah indeks h lebih dari 5.

Saida

h Altw

ay

Mahfud

El ly A

gusti

ani

Hikmatu

n Ni'm

ah

Rena

nto

Dana

wati Hari

P.

Achm

ad Ro

esya

di

M. Rac

himoe

llah

Gede

Wiba

wa

Ali Altw

ay

Supra

pto

Siti Z

ullaik

ah

Soep

rijanto

Siti N

urkha

midah

Arief

Widj

aja

Setiy

o Gun

awan

Heru

Setya

wan

Widi

yastu

ti

Siti M

achm

udah

16

14

12

10

8

6

4

2

0

Y2

5

111

22333

444

56

77

9

1011

15

Gambar 4.3 Jumlah Indeks h Masing-masing Dosen Jurusan Teknik Kimia

4.3 Deteksi Hubungan Antar Variabel Sebelum melakukan pemodelan faktor-faktor yang mem-pengaruhi kinerja dosen ITS dengan model rekursif, terlebih dahulu perlu dilakukan pendeteksian hubungan antar variabel. Hubungan antar variabel tidak hanya antar variabel independen dengan dependen, tetapi antar variabel independen. Hubungan diantara variabel independen disebut multikolinearitas. Pada penelitian ini, terdapat dua model rekursif. Model pertama dimana jumlah kutipan sebagai variabel dependen, dan model kedua indeks h sebagai variabel dependen dimana jumlah kutipan ikut serta sebagai variabel independen.

48

Berikut adalah koefisien korelasi yang digunakan untuk mengetahui hubungan diantara kedua variabel.

Tabel 4.13 Matriks Korelasi Antara Variabel Independen dengan Variabel dependen.

Variabel dependen Y1 Jumlah Kutipan Y2 Indeks h

Variabel independen Y2 Y1 X6 X7 X8 X9 Y1 0,845 1,000 X6 0,085 0,075 1,000 X7 0,127 0,103 0,964 1,000 X8 0,355 0,286 0,249 0,242 1,000 X9 0,720 0,646 0,129 0,156 0,444 1,000 Catatan : Data yang dicetak tebal signifikan pada α 0,1.

Hubungan diantara dua variabel pada model pertama maupun model kedua diketahui berdasarkan valuep lebih kecil dari )1,0(α,sehingga seluruh variabel saling berhubungan. Namun, terdapat satu variabel independen yang tidak memiliki hubungan dengan jumlah kutipan (Y1) maupun indeks h (Y2) yaitu variabel usia (X6).

Tabel 4.13 menginformasikan hubungan diantara variabel independen, diketahui bahwa antar variabel independen me-miliki hubungan. Artinya antar variabel independen terjadi kasus multikolinearitas. Dalam analisis regresi tidak diper-kenankan adanya kasus multikolinieritas.

Deteksi multikolinearitas juga diperkuat dengan perubahan tanda antara koefisien korelasi dengan koefisien regresi, seperti yang terlihat pada Tabel 4.14 Diketahui untuk model pertama variabel usia (X6), Lama Bekerja (X7), dan paper yang ditulis dalam bahasa Indonesia (X8) mengalami perubahan tanda yang awalnya positif pada koefisien korelasi berubah menjadi negatif pada koefisien regresi. Selain itu, juga dapat diketahui melalui nilai VIF beberapa variabel yang nilainya lebih dari 10. Besarnya koefisien determinasi R2 juga menunjukkan kasus multiko-linearitas karena secara parsial pada taraf signifikan (0,1), hanya dua parameter yang berpengaruh terhadap model.

49

Untuk Model rekursif kedua, yaitu indeks h sebagai variabel dependen dan jumlah kutipan ditambahkan sebagai variabel independen. Variabel independen diantara model kedua yang mengalami perubahan tanda adalah variabel usia dan fakultas. Perubahan tanda yang awalnya positif menjadi negatif pada koefisien regresi. Kasus multikolinearitas diperkuat dengan nilai VIF untuk variabel jumlah kutipan lebih dari 10. Eksplorasi data secara visual dilakukan menggunakan scatter plot seperti yang terlihat pada Gambar 4.4. Plot yang terbentuk tidak mengikuti pola linier. Pola data yang terlihat yaitu data menggerombol dipojok kiri bawah, pada variabel X8 dan X9. Beberapa data menyebar manjauh dari garis biru, yang menunjukkan data outlier. Kasus outlier akan diperkuat dengan adanya pengujian asumsi iidn pada pembahasan selanjutnya dari hasil analisis regresi baik pada model pertama maupun model kedua.

706050403020

700

600

500

400

300

200

100

0

X6

Y1

706050403020

16

14

12

10

8

6

4

2

0

X6

Y2

403020100

700

600

500

400

300

200

100

0

X7

Y1

403020100

16

14

12

10

8

6

4

2

0

X7

Y2

Gambar 4.4 Plot antara Jumlah Kutipan, Indeks h dengan Masing-masing

Variabel Kuantitatif

50

200150100500

700

600

500

400

300

200

100

0

X8

Y1

200150100500

16

14

12

10

8

6

4

2

0

X8

Y2

200150100500

700

600

500

400

300

200

100

0

X9

Y1

200150100500

20

15

10

5

0

X9

Y2

Gambar 4.4 Plot antara Jumlah Kutipan, Indeks h dengan Masing-masing

Variabel Kuantitatif (Lanjutan). Eksplorasi data selanjutnya yaitu untuk variabel kualitatif dengan menggunakan Boxplot seperti yang terlihat pada Gambar 4.5. Berdasarkan gambar tersebut, menunjukkan jumlah dosen masing-masing kategori, baik pada rata-rata maupun median. Selain itu, dapat diketahui juga, adanya data oulier untuk masing-masing variabel independen, hal ini disebabkan oleh jumlah kutipan dan indeks h masing-masing dosen yang berbeda. Artinya ada beberapa dosen yang memiliki jumlah kutipan dan indeks h melebihi dosen ITS lainnya.

laki-lakiperempuan

700

600

500

400

300

200

100

0

Jenis Kelamin

Y1

Laki-lakiPerempuan

16

14

12

10

8

6

4

2

0

Jenis Kelamin

Y2

22

2.629632.32432

Gambar 4.5 Boxplot antara Jumlah Kutipan, Indeks h dengan Masing-masing Variabel Kualitatif.

51

FTIFFTKFTSPFTIFMIPA

700

600

500

400

300

200

100

0

Fakultas

Y1

FTIFFTKFTSPFTIFMIPA

16

14

12

10

8

6

4

2

0

Fakultas

Y2

22

1

22

2.758622.40909

1.820512.948722.69014

AALLKGB

700

600

500

400

300

200

100

0

Jabatan

Y1

19.027436.504654.1538

115.772

392654

AALLKGB

16

14

12

10

8

6

4

2

0

Jabatan

Y2

1

22

41.60274

2.275232.64103

4.21053

S2S3

700

600

500

400

300

200

100

0

Pendidikan

Y1

S3S2

16

14

12

10

8

6

4

2

0

Pendidikan

Y2

3

1

3.43548

1.31298

LNDN

700

600

500

400

300

200

100

0

Lulusan

Y1

LNDN

16

14

12

10

8

6

4

2

0

Lulusan

Y2

3

1

3.3427

1.55396

Gambar 4.5 Boxplot antara Jumlah Kutipan, Indeks h dengan Masing-masing Variabel Kualitatif (Lanjutan).

Seperti yang telah dijelaskan pada bab 3, Jumlah kutipan mempengaruhi indeks h namun tidak sebaliknya. Adanya sebab-akibat secara sepihak inilah yang dinamakan model rekursif.

52

Secara visual pada Gambar 4.6 terlihat beberapa data menggerombol menjadi satu, dan beberapa data merupakan data outlier.

7006005004003002001000

16

14

12

10

8

6

4

2

0

Y1

Y2

Gambar 4.6 Plot antara Indeks h dengan Jumlah Kutipan

Berdasarkan hasil deteksi hubungan antar variabel secara visual dan menggunakan koefisien korelasi sudah dapat dipastikan bahwa terdapat kasus multikolinearitas, baik pada model pertama maupun model kedua. Selanjutnya akan dilakukan pemodelan kinerja Dosen ITS.

4.4 Pemodelan Kinerja Dosen ITS dimana Jumlah Kutipan

sebagai Variabel Dependen Untuk memperoleh model dengan variabel yang berpe-ngaruh dilakukan dengan meregresikan seluruh variabel independen dengan variabel dependen. Hasil estimasi parameter model regresi adalah

.XX140,0X09,1X61,02,176,15J11J6,23J

F8,4F4,13F1,26F3,259,116,12Y

9876

54321

432111

2,7756,7

+−−−+++++

++++−=XX

X

Persamaan (4.1) merupakan model regresi jumlah kutipan. selanjutnya akan membahas mengenai pengujian parameter

(4.1)

53

regresi secara serentak dan parsial. Pengujian signifikansi parameter secara serentak dapat dilihat pada lampiran 26. Pada taraf signifikanα sebesar 10% menunjukkan bahwa valuep lebih kecil dariα sehingga dapat dikatakan secara serentak parameter yang didapatkan signifikan terhadap model untuk jumlah kutipan. Selanjutnya dilakukan pengujian parameter secara parsial untuk mengetahui signifikan variabel yang berpengaruh terhadap jumlah kutipan seperti yang tertera pada Tabel 4.14

Tabel 4.14 Model Regresi dan Hasil Uji Parsial untuk Jumlah Kutipan Model B Std.

Error t valuep VIF

Constant 12,62 50,45 0,25 0,803 X1 -11,88 10,08 -1,18 0,240 F1 25,35 17,68 1,43 0,153 1,094 F2 26,07 16,17 1,61 0,108 3,265 F3 13,41 16,96 0,79 0,430 3,661 F4 4,780 21,53 0,22 0,824 3,209 J1 56,69 20,99 2,70 0,007 1,800 J2 23,65 15,93 1,48 0,139 3,907 J3 10,97 12,81 0,86 0,393 2,829 X4 15,60 11,28 1,38 0,168 2,226 X5 17,16 10,49 1,64 0,103 1,853 X6 -0,606 1,724 -0,35 0,726 1,629 X7 -1,089 1,751 -0,62 0,534 15,82 X8 -0,139 0,197 -0,71 0,478 17,10 X9 27,68 0,250 11,07 0.000 1,389

Berdasarkan hasil estimasi pengujian signifikansi didapatkan hasil bahwa dua variabel yang signifikan pada )1,0(α , karena

valuep lebih kecil dari .α Variabel yang signifikan yaitu jabatan kategori guru besar (J1) dan jumlah paper yang ditulis dalam bahasa Inggris (X9). Selanjutnya mengukur kebaikan model regresi dengan melihat besarnya koefisien determinasi. Koefisien determinasi juga dapat menjelaskan proporsi dari variasi total jumlah kutipan yang dapat dijelaskan oleh variabel independen.

54

Tabel 4.15 Koefisien Determinasi untuk Jumlah Kutipan S R-sq R-sq (adj)

72,61 46,9 44,5 Tabel 4.15 menjelaskan bahwa besarnya nilai R2(adj) menunjukkan variabilitas data yang dapat dijelaskan oleh model regresi sebesar 44,5 %. Artinya seluruh variabel independen dapat menjelaskan jumlah kutipan sebesar 44,5%. Rendahnya variabilitas data dikarenakan adanya multikolinearitas. oleh karena itu, perlu dilakukan pemilihan model terbaik untuk mendapatkan variabel yang berpengaruh dan variabilitas data model regresi. Pemilihan model terbaik dilakukan menggunakan metode stepwise. Prosedur pemilihan model terbaik pada metode stepwise dengan mensuptitusi satu per satu variabel independen berdasarkan nilai koefisien korelasi tertinggi. Hasil pemilihan model dapat dilihat pada Tabel 4.16. Hasil estimasi parameter dengan menggunakan metode stepwise sebagai berikut.

.J7,22X5,24X86,206,7Y 1591 +++−=

Persamaan (4.2) merupakan model regresi untuk jumlah kutipan. Selanjutnya dilakukan parameter regresi secara serentak dan parsial. Hasil pengujian signifikansi parameter secara serentak dapat dilihat pada lampiran 27. Hasil pengujian serentak dengan α sebesar 10% menunjukkan bahwa valuep lebih kecil dari α . Sehingga dapat dikatakan secara serentak parmeter yang didapatkan signifikan terhadap model untuk jumlah kutipan. Pengujian parameter secara parsial dilakukan untuk me-ngetahui signifikan variabel yang berpengaruh terhadap jumlah kutipan. Hasil pengujian parameter secara parsial pada step 3 terdapat pada Tabel 4.16, sedangkan step lainnya terdapat pada lampiran 27.

(4.2)

55

Tabel 4.16 Koefisien Determinasi dan Pengujian Parsial untuk Jumlah Kutipan dengan Variabel Independen Hasil Pemilihan Model Terbaik.

Step 3

S 73,07 R-sq 0,443 R-sq (adj) 0,438 Variabel yang dimasukkan dalam Model Regresi

Variabel

Koefisien regresi

Signifikansi Statistik Korelasi

B Std. Error t valuep Parsial VIF

Constant -7,06 6,412 -1,102 0,271 X9 2,86 0,225 12,72 0,000 0,584 1,169 X5 24,5 8,882 2,762 0,006 0,154 1,153 J1 22,7 11,57 1,961 0,051 0,110 1,172

Hasil estimasi parameter pada Tabel 4.16 diketahui bahwa seluruh parameter signifikan pada α 0,1 karena valuep lebih kecil dari .α Pemilihan model terbaik pada metode stepwise dengan melihat penambahan R2(adj) disetiap step. Dapat diketahui bahwa pada taraf signifikan α 0,1 variabel yang berpengaruh terhadap jumlah kutipan adalah paper yang ditulis dengan bahasa Inggris (X9), lulusan (X5), dan jabatan sebagai Guru besar (J1). Kebaikan model regresi dapat diukur dengan menggunakan koefisien determinasi. Koefisien determinasi juga dapat menjelaskan proporsi dari variasi total jumlah kutipan yang dapat dijelaskan oleh variabel independen.

Tabel 4.17 Ringkasan dari Beberapa Step pada Pemilihan Model Terbaik Step S R-sq R-sq (adj)

1 74,525 0,417 0,415 2 73,402 0,436 0,433 3 73,071 0,443 0,438

Berdasarkan Tabel 4.17 pada step ketiga diketahui bahwa besarnya nilai R2(adj) menunjukkan variabilitas data yang dapat dijelaskan oleh model regresi sebesar 43,8%. Dapat diartikan variabel jumlah paper yang ditulis dalam bahasa Inggris, lulusan, dan jabatan sebagai guru besar dapat menjelaskan jumlah kutipan sebesar 43,8%. Selanjutnya untuk mengetahui seberapa besar

56

faktor tersebut berpengaruh terhadap jumlah kutipan, dilakukan interpretasi. Berdasarkan persamaan (4.2) besarnya pengaruh masing-masing variabel independen dari hasil pemilihan model terbaik dapat dijelaskan berdasarkan nilai koefisien sebagai berikut. 1. Jumlah paper yang ditulis dalam bahasa Inggris (X9). Apabila jumlah paper yang ditulis dalam bahasa Inggris

bertambah 10, secara rata-rata jumlah kutipan bertambah 29 dengan syarat variabel lainnya dianggap konstan.

2. Lulusan (X5) Rata-rata dosen yang menempuh pendidikan terakhir di luar

negeri, jumlah kutipannya 25 kali lebih tinggi dibandingkan dengan dosen yang menempuh pendidikan terakhir di dalam negeri.

3. Jabatan (J1) Dosen dengan jabatan sebagai guru besar jumlah kutipan-nya

23 kali lebih tinggi dibandingkan dengan dosen yang memiliki jabatan sebagai lektor kepala, lektor, dan asisten ahli. Asumsi dalam analisi regresi adalah identik, independen dan

berdistribusi normal. Asumsi identik dilakukan dengan meng-gunakan uji white, yaitu meregresikan kuadrat residual dengan seluruh variabel independen seperti yang tertera pada persamaan 4.3. Residual dikatakan memenuhi asumsi identik apabila hasil kali n dengan R2 lebih kecil dari .2

dfχ

29159

2 X.343,0J8,5399X7,4390X3,2924,2077ˆ −+++−=iε Berdasarkan persamaan 4.3 diperoleh nilai R2 sebesar 0,73. Asumsi identik terpenuhi, karena 2,23073,03182 =×=× Rn

lebih kecil dari ).78,7(2

4χ

(4.3)

57

Selanjutnya pemeriksaan asumsi independen dengan mem-buat plot antara nilai residual tε dengan hasil prediksi dari jumlah kutipan. Residual dikatakan memenuhi asumsi independen apabila plot menyebar dan tidak membentuk pola tertentu.

6005004003002001000

500

250

0

-250

-500

Prediksi Jumlah Kutipan

Res

idua

l

Gambar 4.8 Pemeriksaan Asumsi Independen Hasil Pemilihan Model Terbaik

untuk Jumlah Kutipan Secara visual terlihat pada Gambar 4.8 bahwa residual tidak menyebar, pola data menggerombol menjadi satu. Berdasarkan plot tersebut dapat dikatakan bahwa residual tidak memenuhi asumsi Independen. Asumsi Independen yang terlanggar diakibat adanya data outlier.

Pengujian asumsi selanjutnya adalah asumsi normalitas menggunakan uji Kolmogorov-Smirnov.

58

6005004003002001000-100-200-300

99.9

99

95

90

80

706050403020

10

5

1

0.1

Residual

Perc

ent

Mean 5.595804E-14StDev 72.72N 317KS 0.261P-Value <0.010

Gambar 4.9 Uji Kenormalan Residual Hasil Pemilihan Model Terbaik untuk

Jumlah Kutipan Gambar 4.9 secara visual terlihat bahwa data tidak mengikuti garis biru. Residual akan berdistribusi normal apabila valuep lebih dari .α Residual tidak memenuhi asumsi ber-disttribusi normal karena valuep lebih kecil dari α pada taraf signifikan 0,1. Sama dengan pengujian asumsi lainnya, yaitu asumsi identik, dan independen, asumsi kenormalan pun tidak terpenuhi akibat adanya data outlier. Sehingga, dilakukan penanggulangan dengan menghilangkan data outlier. Hasil analisis regresi dengan menghilangkan data outlier dapat dilihat pada Tabel 4.19.

59

Tabel 4.19 Koefisien Determinasi dan Pengujian Parsial untuk Jumlah Kutipan dengan Menghilangkan Data Outlier.

Step 3

S 36,48 R-sq 0,564 R-sq (adj) 0,560 Variabel yang dimasukkan dalam Model Regresi

Variabel

Koefisien regresi

Signifikansi Statistik

B Std. Error t valuep

Constant -6,01 3,33 -1,804 0,072 X9 2,81 0,17 16,525 0,000 X5 12,4 4,51 2,751 0,006 J1 9,43 6,04 1,561 0,120

Hasil analisis menunjukkan peningkatan nilai R2 dari 43% menjadi 56% dan seluruh variabel signifikan. Namun, hal ini justru menambah lebih banyak data outlier. Apabila dilakukan penanggulanagan untuk kedua kali dengan menghilangkan data outlier, maka akan ada data outlier baru. 4.5 Pemodelan Kinerja Dosen ITS dimana Indeks h sebagai

Variabel Dependen. Pemodelan dilakukan untuk mengetahui variabel yang ber-pengaruh terhadap indeks h. Pemodelan dilakukan dengan cara meregresikan seluruh variabel independen dengan indeks h. Hasil estimasi parameter model regresi adalah sebagai berikut

.19

8765

43214

32112

YXX00259,0X0189,0X0383,0X227,10

XJ253,0J187,0J391,0F232,0F334,0F302,0F021,0X121,020,2Y

0,01420,0286

0,553

+++−−+

+++++

−−++=

Persamaan (4.4) merupakan model regresi indeks h. Selanjutnya adalah pengujian parameter regresi secara serentak dan parsial. Pengujian parameter secara serentak dapat dilihat pada lampiran 30. Dengan menggunakan taraf signifikanα sebesar 0,1 diketahui bahwa valuep lebih kecil dari α sehingga dapat dikatakan secara

(4.4)

60

serentak parameter yang didapatkan signifikan terhadap model untuk indeks h. Pengujian selanjutnya yaitu pengujian parameter secara parsial. Untuk pengujian parameter secara parsial seperti yang tertera pada Tabel 4.20 berikut.

Tabel 4.20 Hasil Pengujian Parsial untuk Variabel Indeks h Model B Std. Error t valuep VIF

Constant 2,197 0,7363 2,98 0,003 X1 0,121 0,1475 0,82 0,414 1,099 F1 0,021 0,2588 0,08 0,936 3,287 F2 -0,302 0,2370 -1,28 0,203 3,693 F3 -0,334 0,2478 -1,35 0,179 3,216 F4 -0,232 0,3142 -0,74 0,461 1,800 J1 0,391 0,3100 1,26 0,208 4,001 J2 0,187 0,2333 0,80 0,423 2,850 J3 0,253 0,1872 1,35 0,177 2,231 X4 0,553 0,1651 3,35 0,001 1,865 X5 0,227 0,1537 1,47 0,141 1,643 X6 -0,038 0,0252 -1,52 0,129 15,83 X7 0,019 0,0256 0,74 0,461 17,13 X8 0,003 0,0028 0,90 0,368 1,391 X9 0,029 0,0043 6,60 0,000 2,059 Y1 0,014 0,0008 16,9 0,000 1,884

Berdasarkan hasil estimasi pengujian signifikansi diperoleh hasil bahwa tiga parameter yang signifikan pada )1,0(α karena

valuep lebih kecil dari .α Berdasarkan hasil estimasi yang terdapat pada Tabel 4.20, variabel usia (X6) signifikan pada )15,0(α . Hal ini menunjukkan bahwa variabel usia merupakan indikator, variabel usia tidak signifikan )1,0(α karena adanya kasus multikolinearitas seperti yang dijelaskan pada sub bab 4.3. Kebaikan model regresi diukur dengan menggunakan koefisien determinasi yang proporsi keragaman indeks h yang dapat dijelaskan oleh model regresi.

Tabel 4.21. Koefisien Determinasi untuk Indeks h S R-sq R-sq (adj)

1,05960 79,4 78,4 Hasil dari Tabel 4.21 diketahui bahwa besarnya nilai R2(adj) menunjukkan variabilitas data yang dapat dijelaskan oleh model

61

regresi sebesar 78,4 %. Dapat diartikan variabel variabel independen dapat menjelaskan indeks h sebesar 78,4%. Nilai R2(adj) tergolong baik karena hampir mendekati 80%, akan tetapi seperti yang tertera pada Tabel 4.20 hanya beberapa variabel saja yang signifikan terhadap indeks h. Hal ini merupakan salah satu ciri adanya kasus multikolinearitas. Oleh karena itu, dilakukan pemilihan model terbaik dengan menggunakan metode stepwise. Pemilihan model terbaik pada metode stepwise dengan menggunakan perubahan R2(adj) sebagai kreteria pengambilan keputusan. Pemodelan dilakukan dengan meregresikan seluruh variabel independen hasil pemilihan model terbaik dengan indeks h. Hasil estimasi parameter model regresi adalah

516

4912

X3102,0F3471,0X013,0X5902,0X0312,0Y0142,01365,0Y

++−+++=

Persamaan (4.5) merupakan model regresi indeks h. Selanjutnya adalah pengujian parameter hasil pemilihan model terbaik seperti yang tertera pada Tabel 4.22 berikut

Tabel 4.22 Hasil Pemilihan Model Terbaik untuk Indeks h dengan Menggunakan Metode Stepwise.

Step 6

S 1,056 R-sq 0,790 R-sq (adj) 0,786 Model Regresi

Variabel

Koefisien regresi

Signifikansi Statistik

Korelasi

B Std.

Error t valuep Parsial VIF

Constant 1,365 0,298 4,58 0,000 Y1 0,014 0,001 17,3 0,000 0,702 1,804 X9 0,031 0,004 7,76 0,000 0,403 1,791 X4 0,59 0,158 3,73 0,000 0,207 1,723 X6 -0,01 0,007 -1,87 0,062 -0,106 1,188 F1 0,347 0,148 2,34 0,020 0,132 1,086 X5 0,31 0,148 2,10 0,036 0,118 1,526

Hasil estimasi pengujian signifikansi dari Tabel 4.22 diketahui bahwa seluruh parameter signifikan pada )1,0(α karena valuep

lebih kecil dari .α Selanjutnya untuk mengetahui seberapa besar

(4.5)

62

faktor tersebut berpengaruh terhadap indeks h, dilakukan interpretasi. Berdasarkan persamaan (4.4) besarnya pengaruh masing-masing variabel independen yang signifikan dapat dijelaskan berdasarkan nilai koefisien sebagai berikut. 1. Jumlah Kutipan (Y1). Setiap bertambahnya 100 jumlah kutipan maka indeks h akan

bertambah sebesar 2, dengan syarat variabel yang lain dianggap konstan.

2. Jumlah paper yang ditulis dalam bahasa Inggris (X9). Setiap penambahan 100 paper yang ditulis dalam bahasa

Inggris, maka indeks h dosen akan bertambah sebesar 3, dengan syarat variabel yang lain dianggap konstan.

4. Pendidikan (X4). Rata-rata dosen yang berpendidikan terakhir S3, indeks h 0,59

lebih besar dibanding dengan S2. 5. Usia (X6). Semakin bertambahanya usia dosen, maka indeks h akan

berkurang sebesar 0,013. 6. Fakultas (F1). Dosen yang berasal dari FMIPA, indeks h 0,35 lebih besar

dibandingkan dosen yang berasal dari jurusan lain. 7. Lulusan (X5). Dosen yang menempuh pendidikan terakhir di Luar negeri

indeks h 0,31 lebih besar dibandingkan dosen yang pendidikan terakhirnya dalam negeri.

Kebaikan model regresi dapat diukur dengan menggunakan koefisien determinasi. Proporsi keragaman variabek dependen yang dapat dijelaskan oleh variabel independen sudah mendekati 80%, seperti yang terlihat pada Tabel 4.22. Asumsi dalam analisi regresi adalah identik, independen dan berdistribusi normal. Asumsi identik dilakukan dengan meng-gunakan uji white, yaitu dengan meregresikan residual kuadrat dengan seluruh variabel independen. Model yang digunakan pada pengujian identik sesuai dengan persamaan (2.25). Hasil uji identik seperti yang tertera pada persamaan 4.4.

63

Residual dikatakan memenuhi asumsi identik apabila hasil kali n dengan R2 lebih kecil dari .2

dfχ

69516

4912

XX003,0X025,0F101,0X042,0X084,0X138,0Y012,0443,2ˆ

+−−−+−+=iε

Berdasarkan persamaan 4.6 diperoleh nilai R2 sebesar 0,338. Asumsi identik terpenuhi, karena 48,107338,03182 =×=× Rn

lebih kecil dari ).02,12(2

4χ Pmeriksaan asumsi selanjutnya yaitu uji asumsi independen dengan membuat plot antara nilai residual tε dengan prediksi indeks h. Residual dikatakan memenuhi asumsi independen apabila plot menyebar dan tidak membentuk pola tertentu.

1614121086420

4

3

2

1

0

-1

-2

-3

-4

Prediksi Indeks h

Res

idua

l

Gambar 4.10 Pemeriksaan Asumsi Independen Hasil Pemilihan Model Terbaik untuk Indeks h

Secara visual terlihat bahwa residual tidak menyebar, pola

data yang terbentuk menggerombol menjadi satu, sehingga Berdasarkan plot tersebut dapat dikatakan bahwa residual tidak memenuhi asumsi Independen. Asumsi Independen yang terlanggar karena adanya data outlier. Pengujian asumsi

(4.6)

64

selanjutnya adalah asumsi normalitas menggunakan uji Kolmogorov-Smirnov.

43210-1-2-3-4

99.9

99

95

90

80

706050403020

10

5

1

0.1

Residual

Perc

ent

Mean 3.774758E-15StDev 1.046N 317KS 0.058P-Value <0.010

Gambar 4.11 Uji Kenormalan Residual Hasil Pemilihan Model Terbaik untuk

Indeks h Residual akan berdistribusi normal apabila valuep lebih besar dari

.α Maka, residual tidak memenuhi asumsi berdistribusi normal karena valuep lebih kecil dari ).1,0(α Pengujian asumsi identik, independen, dan kenormalan tidak terpenuhi karena adanya data outlier.

BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan

Hasil analisis dari faktor-faktor yang mempengaruhi kinerja dosen ITS di google scholar citation adalah 1. Sebanyak 35,5% dari 900 dosen di ITS memiliki akun pada

google scholar citation. Fakultas dengan kepemilikan akun terbanyak adalah FTI sebesar 36,91% dari 317 dosen, namun berdasarkan jurusan kepemilikan akun tertinggi adalah jurusan T. Multimedia.

2. Faktor-faktor yang mempengaruhi kinerja dosen ITS dengan jumlah kutipan sebagai variabel dependen adalah jumlah paper yang ditulis dengan bahasa Inggris (X9), lulusan (X5), dan Jabatan yaitu Guru besar (J1). Ketiga variabel tersebut dapat menjelaskan jumlah kutipan sebesar 43,8%. Besarnya pengaruh masing-masing variabel yaitu setiap penambahan paper yang ditulis dalam bahasa Inggris, maka jumlah kutipan dosen akan bertambah sebesar 29. Dosen yang menempuh pendidikan terakhir di Luar negeri jumlah kutipannya akan bertambah sebesar 25. Dosen dengan jabatan sebagai Guru besar jumlah kutipannya akan bertambah sebesar 23. Sedangkan model rekursif kedua dengan indeks h sebagai variabel dependen faktor yang mempengaruhi adalah jumlah kutipan (Y1), jumlah paper yang ditulis dalam bahasa Inggris (X9), pendidikan (X4), usia (X6), fakultas untuk kategori FMIPA, lulusan (X5) dimana proporsi variasi yang dapat menjelaskan indeks h sebesar 78,6%.

5.2 Saran

Saran yang bisa diberikan berdasarkan penelitian yang telah dilakukan adalah sebagai berikut: 1. Bagi ITS, sebaiknya menghimbau kepada seluruh dosen

untuk mempublikasikan akun google scholar, sehingga para

65

66

peneliti lain dapat mengindeks hasil karya ilmiah tersebut. Serta memperbarui data dosen di web personal dosen ITS.

2. Bagi penelitian selajutnya, dapat menggunakan metode LOESS dan LOWESS untuk menambah besarnya koefisien determinasi.

DAFTAR PUSTAKA

Daniel, W.W. 1989. Statistika Nonparametrik Terapan. Diterjemahkan oleh Alex Tri K. W. Jakarta: PT. Gramedia Pustaka Utama.

Draper N.R. dan Smith, H. 1992. Analisis Regresi Terapan, Edisi Kedua. Jakarta: Py. Gramedia Pustaka Utama.

Firdaus, M.L. (2012). Teknik Publikasi Karya Ilmiah di Jurnal Nasional dan Internasional. Universitas Bengkulu: Bengkulu.

Gujarati, D.N, dan Porter. 2012. Dasar-dasar Ekonometrika, Edisi 5-Buku 2. Jakarta: Salemba Empat.

Gujarati, D.N. (2004). Basic ekonometric, Fourth edition. The McGraw-Hill Companies.

Hair, J.F., Rolph E. Anderson, Ronald L. Tatham, William C. Black. 2006. Multivariate Data Analysis. Sixth Edition, Pearson Education Prentice Hall, Inc.

Hirsh, J.E. 2005. An Index to Quantify an individual’s scientific

research output. Univeersity of California at San Diego. La. Jolla.

Martono. (2013). Faktor-faktor yang Mempengaruhi Kinerja Dosen pada Akademi Manajemen Bumi Sebalo Bengkayang. Akademi Manajemen Bumi Sebalo Bengkayang. Kalimantan Barat.

Perhitungan indeks h. http://en.wikipedia.org/wiki/H-index [diakses tanggal 27 mei 2015]

Setiawan, dan Kusrini D.E. 2010. Ekonometrika. Jogyakarta: Andi.

67

http://en.wikipedia.org/wiki/H-index

68

Trisnaningsih, S. 2011. Faktor-faktor yang Mempengaruhi Kinerja Dosen Akutansi. Universitas Pembangunan Nasional Veteran. Surabaya.

Taroreh, R.N. 2009. Analisis faktor-faktor Organisasional yang Mempengaruhi Kinerja Dosen Ekonomi PTN Di Sulawesi Utara. Universitas Negeri Malang. Malang.

LAMPIRAN 1. Statistika Deskriptif Jurusan Fisika

Yoyo

k Cah

yono

Diky A

nggo

ro

M.Zainu

ri

Gatut

Yudo

yono

Sung

kono

Bagu

s Jay

a S.

Hasto

Sun

arno

Enda

rko

Mashu

ri

Yono

Hadi

P.

Suas

moro

Darm

into

Sumina

r Prat

apa

140

120

100

80

60

40

20

0

Y1

46

01189

1819

6270

7475

115

141

Yoyo

k Cah

yono

Diky A

nggo

ro

M.Zainu

ri

Sung

kono

Bagu

s Jay

a S.

Gatut

Yudo

yono

Hasto

Sun

arno

Mashu

ri

Enda

rko

Darm

into

Yono

Hadi

P.

Suas

moro

Sumina

r Prat

apa

8

7

6

5

4

3

2

1

0

Y2

3

0

11

2222

3

4444

7

Descriptive Statistics: Y1, Y2, X6, X7, X8, X9 Variable Mean StDev Minimum Maximum Y1 45.6 47.2 0.0 141.0 Y2 2.769 1.833 0.000 7.000 X6 47.38 9.83 29.00 60.00 X7 22.23 10.69 1.00 35.00 X8 20.62 17.34 0.00 50.00 X9 16.92 13.89 0.00 43.00

65

66

LAMPIRAN 2. Statistik Deskriptif Jurusan Matematika

Didik

Khus

nul A

.

Chair

ul Im

ron

Laksm

i Prita W

.

Budi

Setiy

ono

Band

ung A

rry S

.

Erna A

pril ia

ni

Dieky

Adzki

ya

Imam

Muk

hlash

Moh. Is

a Irawan

Subio

no

Basu

ki W

idodo

Subc

han

140

120

100

80

60

40

20

0

Y1

27

11256

182129

3339

43

125

Didik

Khus

nul A

.

Budi

Setiy

ono

Band

ung A

rry S.

Laksm

i Prita W

.

Chair

ul Im

ron

Erna A

prilia

ni

Dieky

Adzki

ya

Imam

Muk

hlash

Subio

no

Moh. Is

a Irawan

Basu

ki W

idodo

Subc

han

7

6

5

4

3

2

1

0

Y2

2

11111

2

3333

4

6


67

LAMPIRAN 3. Statistik Deskriptif Jurusan Statistika

Setia

wan

Agus

Suh

arson

o

Dwi E

ndah

K.

Wah

yu W

ibowo

Destr

i Sus

i lanin

grum

Jerry

Dwi T

. P.

Adatu

l Muk

arrom

ah

Sri P

ingit W

.

Muh. S

jahid

A.

Ismain

i Zain

Dedy

Dwi P

.

Irham

ah

Sutik

no

Sony

Sun

aryo

Heri

Kusw

anto

Santi

Wula

n P.

Muh. M

ashu

ri

I N. B

udian

tara

Suha

rtono

140

120

100

80

60

40

20

0

Y1

28

00223456789

24313335

60

70

102

135

Setia

wan

Agus

Suh

arson

o

Adatu

l Muk

arrom

ah

Jerry

Dwi T

. P.

Dwi E

ndah

K.

Wah

yu W

ibowo

Destr

i Sus

i lanin

grum

Sri P

ingit W

.

Muh. S

jahid

A.

Dedy

Dwi P

.

Irham

ah

Ismain

i Zain

Heri Ku

swan

to

Sutik

no

Muh. M

ashu

ri

Sony

Sun

aryo

Santi

Wula

n P.

Suha

rtono

I N. B

udian

tara

7

6

5

4

3

2

1

0

Y2

2

00

1111111

222

3333

4

66


68

LAMPIRAN 4. Statistik Deskriptif Jurusan Kimia

Eko S

antoo

Yulfi

Zetra

Dra I

ta Ulf

in

Hend

ro Juw

ono

Yuly

Kusu

mawati

Supr

apto

Mardi

Santo

so

Djok

o Har

tanto

Perry

Burha

n

Hamza

h Fan

suri

Sri F

atmaw

ati

Fred

y Kurn

iawan

Nuru

l Widi

astut

i

Ratna

Ediat

i

Irmina

Kris

M.

Adi S

etyo P

.

Didik

Pras

etyok

o

Surya

Ros

a P.

700

600

500

400

300

200

100

0

Y1

112

9111215172831375479

100116120137146147

303

662

Eko S

antoo

Dra I

ta Ulf

in

Hend

ro Juw

ono

Yulfi

Zetra

Djok

o Har

tanto

Perry

Burha

n

Yuly

Kusu

mawati

Ratna

Ediat

i

Nurul W

idias

tuti

Mardi

Santo

so

Supr

apto

Fred

y Kurn

iawan

Sri F

atmaw

ati

Adi S

etyo P

.

Irmina

Kris

M.

Hamza

h Fan

suri

Didik

Pras

etyok

o

Surya

Ros

a P.

9

8

7

6

5

4

3

2

1

0

Y2

4

1

22222

3333

4

5

6666

88


69

LAMPIRAN 5. Statistik Deskriptif Jurusan Biologi

Dian S

apta

R.

Nur H

idaya

tul A

.

Dewi H

idaya

ti

Wird

hatul

Mus

lihati

n

Sri N

urhati

ka

Aunu

rohim

Enny

Zulai

ka

Awik

Puji D

. N.

Maya S

hovit

ri

50

40

30

20

10

0

Y1

11

0134

8911

14

51

Dian S

apta

R.

Nur H

idaya

tul A.

Dewi H

idaya

ti

Enny

Zulai

ka

Wird

hatul

Mus

lihati

n

Aunu

rohim

Maya S

hovit

ri

Awik

Puji D

. N.

Sri N

urhati

ka

3.0

2.5

2.0

1.5

1.0

0.5

0.0

Y2

1

0

111

22222


70

LAMPIRAN 6. Statistik Deskriptif Jurusan Teknik Mesin

Achm

ad S

yaifu

din

Liza R

usdiy

ana

Budi

Luwar

S.

Winarto

Nur H

usod

o

Eddy

Widi

yono

Suha

rdjon

o

Julen

dra B

. Aria

teja

Abdu

llah S

haha

b

Heru

Mirm

anto

Prab

owo

Joko

Sarse

tiyan

to

Hend

ro Nu

rhad

i

Sampu

rno

Bamba

ng S

ampu

rno

Agus

Sigit

P.

Yogi

Yuwon

o

Ungg

ul Was

iwito

no

Haru

s Lak

sana

G.

Fahm

i Mub

arok

Dedy

Zulhi

daya

t N.

Indra Si

dharta

Suwar

no

60

50

40

30

20

10

0

Y1

12

000000011234

8881010

14

29

3637

5153

Achm

ad S

yaifu

din

Liza R

usdiy

ana

Budi

Luwar

S.

Winarto

Nur H

usod

o

Eddy

Widi

yono

Suha

rdjon

o

Hend

ro Nu

rhad

i

Julen

dra B

. Aria

teja

Sampu

rno

Bamba

ng S

ampu

rno

Heru

Mirm

anto

Joko

Sarse

tiyan

to

Prab

owo

Abdu

llah S

haha

b

Agus

Sigit

P.

Yogi

Yuwon

o

Dedy

Zulhi

daya

t N.

Haru

s Lak

sana

G.

Fahm

i Mub

arok

Ungg

ul Was

iwito

no

Indra

Sidh

arta

Suwar

no

5

4

3

2

1

0

Y2

1

0000000

1111111111

22

33

44


71

LAMPIRAN 7. Statistik Deskriptif Jurusan Teknik Elektro

Rudy

Dika

irono

Prase

tiyon

o Hari M

.

Istas

Prato

mo

Ali Fa

toni

Astria

Nur I

.

Josa

phat

P.

Wahyu

di

Eko S

etijad

i

Dimas

Anton

A.

Puji H

anda

yani

Imam

Arifi

n

Tri A

rief S

ardjo

no

Moh. N

uh

Margo

Pujia

ntara

Muh. R

ivai

Achm

ad A

rifin

Wira

wan

Ardy

ono P

riyad

i

Djoko

Purw

anto

Achm

ad A

ffand

i

Adi S

oepr

ijanto

Gaman

tyo H.

Moch.

Asha

ri

500

400

300

200

100

0

Y1

70

004477151921212229333652

709999

115133133

230

458

Rudy

Dika

irono

Prase

tiyon

o Hari M

.

Istas

Prato

mo

Eko S

etijad

i

Ali Fa

toni

Wahyu

di

Astria

Nur I

.

Puji H

anda

yani

Josa

phat

P.

Imam

Arifi

n

Dimas

Anton

A.

Tri A

rief S

ardjo

no

Muh. R

ivai

Margo

Pujia

ntara

Moh. N

uh

Achm

ad A

rifin

Wira

wan

Ardy

ono P

riyad

i

Djoko

Purw

anto

Adi S

oeprija

nto

Achm

ad A

ffand

i

Gaman

tyo H

.

Moch.

Asha

ri

10

8

6

4

2

0

Y2

3

00

1111

222

333333

4

5

666

77

9


72

LAMPIRAN 8. Statistik Deskriptif Jurusan Teknik Fisika

Arief

Abd

urrak

hman

Andi

Rahm

adian

san

Purw

adi A

gus D

.

Kathe

rin In

driaw

ati

Hend

ra Co

rdova

Imam

Abad

i

Ruri Ag

ung W

.

Ridho

Hanto

ro

Totok

Soeh

artan

to

Ali M

usya

fa

Aulia

Siti

A.

Guna

wan Nu

groho

Dhan

y Arif

ianto

Agus

Muh

amad

H.

300

250

200

150

100

50

0

Y1

4002244510111818

2936

123

303

Arief

Abd

urrak

hman

Andi

Rahm

adian

san

Purw

adi A

gus D

.

Kathe

rin In

driaw

ati

Hend

ra Co

rdova

Totok

Soeh

artan

to

Ali M

usya

fa

Ruri

Agun

g W.

Imam

Abad

i

Ridho

Hanto

ro

Guna

wan Nu

groho

Aulia

Siti

A.

Dhan

y Arifian

to

Agus

Muh

amad

H.

10

8

6

4

2

0

Y2

3

0

111111

22

333

7

10


73

LAMPIRAN 9. Statistik Deskriptif Jurusan Teknik Industri

Effi L

atiffia

nti

Supa

rno

Nanin

g Aran

ti W.

Yudh

a And

rian S

.

Nani

Kurni

ati

Mokh.

Suef

Erwin

Widodo

Arief

Rah

man

Sri G

unan

i Part

iwi

Ibnu H

isyam

Nurh

adi S

iswan

to

Moses

Lakso

no S.

Ahmad

Rus

dians

yah

Udisu

bakti

C.

Iwan

Vana

ny

Budi

Santo

sa

I N Pu

jawan

700

600

500

400

300

200

100

0

Y1

110

02391618192535425264

127132150

532

646

Effi L

atiffia

nti

Ibnu H

isyam

Nanin

g Aran

ti W.

Supa

rno

Nani

Kurni

ati

Yudh

a And

rian S

.

Erwin

Widodo

Mokh.

Suef

Arief

Rah

man

Nurh

adi S

iswan

to

Sri G

unan

i Part

iwi

Ahmad

Rus

dians

yah

Moses

Lakso

no S.

Iwan

Vana

ny

Udisu

bakti

C.

Budi

Santo

sa

I N Pu

jawan

12

10

8

6

4

2

0

Y2

3

0

111

2222

333

44

55

10

11

Variable Mean StDev Minimum Maximum Y1 110.1 187.4 0.0 646.0 Y2 3.471 3.002 0.000 11.000 X9 17.47 19.70 0.00 64.00 X8 45.3 58.4 0.0 210.0 X6 45.18 8.73 32.00 66.00 X7 19.59 8.70 1.00 39.00

74

LAMPIRAN 10. Statistik Deskriptif Jurusan Teknik Material

Sutar

sis

Sigit T

ri W.

Widyas

tuti

Rinda

ng Fa

jarin

Mas Ir

fan P.

H.

Agun

g Pur

niawan

Sung

ging P

.

Diah S

usan

ti

Lukm

an No

eroc

him

160

140

120

100

80

60

40

20

0

Y1

42

0117

1525

33

149155

Sutar

sis

Sigit T

ri W.

Widyas

tuti

Mas Ir

fan P.

H.

Rinda

ng Fa

jarin

Agun

g Purnia

wan

Sung

ging P

.

Lukm

an No

eroc

him

Diah S

usan

ti

5

4

3

2

1

0

Y2

2

0

11

22

33

44


75

LAMPIRAN 11. Statistik Deskriptif Jurusan Teknik Multimedia

Reza

Fuad

R.

Muhtad

in

Ahmad

Zaini

Supe

no M

ardi

S. N.

Adhi

Dhar

ma W.

Surya

Sum

peno

Arief

Kurni

awan

I Ketu

t Edy

P.

Moch.

Haria

di

Maurid

hi He

ry P.

400

300

200

100

0

Y1

80

0235122940

99

190

420

Reza

Fuad

R.

Muhtad

in

Ahmad

Zaini

Adhi

Dharma W

.

Arief

Kurni

awan

Supe

no M

ardi

S. N.

Surya

Sum

peno

I Ketu

t Edy

P.

Moch.

Haria

di

Maurid

hi He

ry P.

10

8

6

4

2

0

Y2

3

0

11

222

3

4

6

10


76

LAMPIRAN 12. Statistik Deskriptif Jurusan Manajemen Bisnis

Berto Mulia W.Nugroho Priyo N.Imam Baihaqi

50

40

30

20

10

0

Y1

16

Berto Mulia W.Nugroho Priyo N.Imam Baihaqi

6

5

4

3

2

1

0

Y2

2

0

1

5


77

LAMPIRAN 13. Statistik Deskriptif Jurusan Teknik Sipil

Bamba

ng Pisc

esa

Harun

Alrasy

id

Umboro

Lasm

into

Kusum

astuti

Suharj

oko

Budi R

ahardj o

Machs

us

Nur A

hmad

H.

I Gus

ti Pu

tu R.

Mustai

n Arif

Rachm

ad Basu

k i

Cahya

Bua

na

F aimun

Anak

Agu

ng G

. K.

Budi S

uswan

to

Kun tjo

ro

E rvina

Ahy

udan

ari

Triwula

n

Cahyo

no Bi

ntang

N.

P riyo S

upro

bo

Januart

i Jaya

E.

Enda

h Wah

yuni

Moh. A

rif Ro

hman

Ridho

Bayuaji

Noor E

ndah

Suwarno

Ind ras

urya

B M.

M. Sigi

t Dar

mawan

Christion

o Utom

o

180

160

140

120

100

80

60

40

20

0

Y1

25

000001112334689913131421

2727333639

53

93

150

165

Bamban

g Pisc

esa

Harun Alra

syid

Umboro

Lasm

in to

Kusu

mastu ti

Suharj

oko

Budi

Rahar

djo

Faim

un

Cahya

Bua

na

Budi S

uswan

to

Machs

us

Mustain A

rif

Rach

mad Ba

suki

Nu r Ahm

ad H

.

I Gu sti

Putu R

.

Moh. A

rif Ro

hman

Endah

Wah

yuni

Ervin

a Ahy

udan

ari

Anak A

gung

G. K

.

Kuntjor

o

Triw

ulan

Priyo

Supro

bo

Cahy on

o Bint

ang N

.

Janua

rti Ja

ya E.

Ridho

Bayu

aji

No or En

dah

Suwarno

Christio no

Utomo

M. Sigi

t Darmaw

an

Indr

asury

a B M

.

6

5

4

3

2

1

0

Y2

2

00000

111111111

2222222

3333

4

555


78

LAMPIRAN 14. Statistik Deskriptif Jurusan Arsitektur

Mahen

dra W

ardh

ana

Nur E

ndah

N.

Irvan

syah

Ima D

efian

a

I. Gu

sti Ngu

rah A.

Rabb

ani K

.

Murni R

achm

awati

Ispurw

ono S

.

Bamba

ng S.

Vince

ntius

T. N.

Enda

ng Ti

ti S.

FX Ted

dy B.

S.

12

10

8

6

4

2

0

Y1

3

00000

1

2

3

44

9

11

Mahen

dra W

ardh

ana

Nur E

ndah

N.

Irvan

syah

Ima D

efian

a

I. Gu

sti N

gurah

A.

Rabb

ani K

.

Ispurw

ono S

.

Murni R

achm

awati

Bamba

ng S.

Vince

ntius

T. N

.

FX Ted

dy B.

S.

Enda

ng Ti

ti S.

3.0

2.5

2.0

1.5

1.0

0.5

0.0

Y2

1

00000

11111

22


79

LAMPIRAN 15. Statistik Deskriptif Jurusan Teknik Lingkungan

Irwan

Bagy

o S.

Nieke

Karnan

ingro

em

Harm

in S.

Titah

Ipung

Fitri

P.

Arie

Dipare

za S

.

Adhi

Yunia

rto

Ali M

asdu

qi

Joni H

erman

a

Alia D

amay

anti

IDAA W

.

Yul in

ah T

.

Bieby

Voij

ant T

.

Arse

to Ye

kti B.

Sarw

oko M

.

300

250

200

150

100

50

0

Y1

80

1121920

40454651

7592

105

151

192

271

Arie

Dipare

za S

.

Irwan

Bagy

o S.

Ipung

Fitri

P.

Nieke

Karn

aning

roem

Harm

in S.

Titah

Adhi

Yunia

rto

Alia D

amay

anti

Bieby

Voij

ant T

.

Ali M

asdu

qi

Joni H

erman

a

Arse

to Ye

kti B.

IDAA W

.

Yulin

ah T

.

Sarw

oko M

.

9

8

7

6

5

4

3

2

1

0

Y2

4

11

22

3

44444

555

8


80

LAMPIRAN 16. Statistik Deskriptif Jurusan Desain Produk

Taufik HidayatOctaviyanti Dwi W.Ellya ZulaikhaBambang Tristiyono

10

8

6

4

2

0

Y1

5

0

2

99

Taufik HidayatOctaviyanti Dwi W.Ellya ZulaikhaBambang Tristiyono

3.0

2.5

2.0

1.5

1.0

0.5

0.0

Y2

1

0

1

22


81

LAMPIRAN 17. Statistik Deskriptif Jurusan Geodesi

Firman

Syaif

uddin

Hepi

Haps

ari H.

Noor

laila

Haya

ti

Ayi S

yaefu

l B.

Yanto

Budis

usan

to

Agun

g Bud

i C.

Amien

Wido

do

Eko Y

uli Ha

ndok

o

Lalu

Muham

ad J.

Dwa D

esa W

.

Bang

un M

uljo S

.

Widya U

tama

40

30

20

10

0

Y1

10

00122

5778

17

30

43

Firman

Syaif

uddin

Hepi

Haps

ari H

.

Ayi S

yaefu

l B.

Noorlai

la Ha

yati

Yanto

Budis

usan

to

Agun

g Bud

i C.

Dwa D

esa W

.

Amien

Wido

do

Lalu

Muham

ad J.

Eko Y

uli Ha

ndok

o

Bang

un M

uljo S

.

Widya U

tama

4

3

2

1

0

Y2

1

00

1111

22222

3


82

LAMPIRAN 18. Statistik Deskriptif Jurusan PWK

Dian R

ahmaw

ati

Rulli

Pratiw

i S.

Cahy

ono S

usety

o

Ardy

Mau

lidy N

.

Putu

Gde A

.

Prana

nda N

avita

s

Eko B

udi S

.

4

3

2

1

0

Y1 2

00

1

22

33

Dian R

ahmaw

ati

Rull i

Pratiw

i S.

Cahy

ono S

usety

o

Prana

nda N

avita

s

Ardy

Mau

l idy N

.

Putu

Gde A

.

Eko B

udi S

.

3.0

2.5

2.0

1.5

1.0

0.5

0.0

Y2

1

00

11111


83

LAMPIRAN 19. Statistik Deskriptif Jurusan Teknik Perkapalan

Hasa

nudin

Septi

a Hardy

S.

Sri R

ejeki

W. P

.

Dedi

Budi

P.

Achm

ad Zu

bayd

i

I Ketu

t Aria

P. U.

6

5

4

3

2

1

0

Y2

2

000

1

4

5

Hasa

nudin

Septi

a Hardy

S.

Sri R

ejeki

W. P

.

Dedi

Budi

P.

I Ketu

t Aria

P. U.

Achm

ad Zu

bayd

i

120

100

80

60

40

20

0

Y1

36

0001

91

121


84

LAMPIRAN 20. Statistik Deskriptif Jurusan Teknik Sistem Perkapalan

Adi K

urniaw

an

Irfan

Syari

ef A.

M. Bad

rus Z

aman

Dwi P

riyan

ta

Trika

Pitan

a

Ketut

Buda

A.

Semin

300

250

200

150

100

50

0

Y1

68

1172331

116

294

Adi K

urniaw

an

Irfan

Syari

ef A.

M. Bad

rus Z

aman

Dwi P

riyan

ta

Trika

Pitan

a

Ketut

Buda

A.

Semin

10

8

6

4

2

0

Y2

4

11

22

3

6

9


85

LAMPIRAN 21. Statistik Deskriptif Jurusan Teknik Kelautan

Wisnu W

ardh

ana

Mahmud

Mus

tain

Nur S

yahro

ni

Yoyo

k Sety

o H.

Tri A

chmad

i

Wahyu

di

Rudi

Walu

jo P.

Danie

l Moh

. R.

Eko B

udi D

.

50

40

30

20

10

0

Y1

16.67

03

779

15

23

36

50

Wisnu W

ardh

ana

Wahyu

di

Mahmud

Mus

tain

Tri A

chmad

i

Nur S

yahro

ni

Yoyo

k Sety

o H.

Rudi

Walu

jo P.

Danie

l Moh

. R.

Eko B

udi D

.

5

4

3

2

1

0

Y2

2.11

0

11

222

33

5


86

LAMPIRAN 22. Statistik Deskriptif Jurusan TeknikInformatika

Rizky

Janu

ar A.

Baskoro

Adi

P.

Isye A

riesh

anti

Joko

Lian

to B.

Huda

n Stud

iawan

Ary M

azha

ruddin

S.

Was

kitho

W.

Umi L

ai li Y

.

Henn

ing Ti

ti C.

Royy

ana M

uslim

I.

Anny

Yunia

rti

Diana

Purw

itasa

ri

Nanik

Sucia

ti

Siti R

ochim

ah

Chas

tine F

atich

ah

Arif B

raman

toro

Ahmad

Hoiru

l B.

Toha

ri Ahm

ad

Riyan

arto

Sarno

Agus

Zaina

l A.

350

300

250

200

150

100

50

0

nama

Y1

62.8

05913172626262730303238445364

79

168

244

325

Rizky Ja

nuar

A.

Basko

ro Ad

i P.

Isye A

riesh

anti

Anny

Yunia

rti

Umi L

ai li Y

.

Joko L

ianto

B.

Siti R

ochim

ah

Huda

n Stud

iawan

Henn

ing Titi

C.

Royya

na M

usl im

I.

Ary M

azha

rudd

in S.

Was

kitho

W.

Diana

Purw

itasa

ri

Nanik

Suc

iati

Arif B

raman

toro

Chas

tine F

atich

ah

Ahmad

Hoir

ul B.

Toha

ri Ah

mad

Agus

Zaina

l A.

Riyan

arto S

arno

9

8

7

6

5

4

3

2

1

0

Y2

3.25

0

1

22222

3333333

44

55

6

9


87

LAMPIRAN 23. Statistik Deskriptif Jurusan Sistem Informasi

Irmas

ari H

afidz

Radit

yo P.

W.

Nisfu

Asru

l S.

Feby

Artw

odini

M.

Arif W

ibiso

n

Bamba

ng S.

Arif D

junaid

y

Ahmad

Muk

lason

Bekti

Cah

yo H.

90

80

70

60

50

40

30

20

10

0

Y1

0112367

27

87

Irmas

ari H

afidz

Arif W

ibiso

n

Radit

yo P.

W.

Nisfu

Asrul S

.

Feby

Artw

odini

M.

Arif D

junaid

y

Ahmad

Muk

lason

Bamba

ng S.

Bekti

Cah

yo H.

6

5

4

3

2

1

0

Y2

0

11111

22

6


88

LAMPIRAN 24. Tiga Puluh Delapan Dosen dengan Jumlah Kutipan Nol.

no Nama Y1 Y2 D1JK X6 X9 Jurusan

1 Suhardjono 0 0 1 52 1 T.Mesin

2 Eddy Widiyono 0 0 1 54 4 T.Mesin

3 Nur Husodo 0 0 1 54 0 T.Mesin

4 Winarto 0 0 1 54 3 T.Mesin

5 Budi Luwar S. 0 0 1 52 0 T.Mesin

6 Liza Rusdiyana 0 0 2 34 3 T.Mesin

7 Achmad Syaifudin 0 0 1 35 3 T.Mesin

8 Prasetiyono H. M. 0 0 1 30 8 T.Elektro

9 Rudy Dikairono 0 0 1 34 2 T.Elektro

. .

. .

. .

35 Hasanudin 0 0 1 34 1 T.Perkapalan

36 Wisnu Wardhana 0 0 1 56 3 T.Kelautan

37 Rizky Januar A. 0 0 1 28 6 T.Informatika

38 Irmasari Hafidz 0 0 1 29 2 Sis.Informasi

89

LAMPIRAN 25. Data Empat Puluh Dua Dosen ITS dalam Ranking Webometric 2015.

no h index citation no h index citation

1 15 655 22 6 179

2 11 613 23 6 144

3 11 423 24 6 142

4 10 487 25 6 131

5 10 285 26 6 122

6 9 401 27 6 120

7 9 295 28 6 113

8 8 655 29 6 111

9 8 307 30 6 111

10 8 296 31 6 104

11 8 252 32 6 80

12 8 231 33 6 77

13 7 429 34 5 171

14 7 223 35 5 159

15 7 185 36 5 146

16 7 141 37 5 133

17 7 130 38 5 127

18 7 123 39 5 122

19 7 116 40 5 114

20 7 106 41 5 100

21 6 306 42 5 94

90

LAMPIRAN 26. Output Regresi Linier Berganda untuk Model Rekursif Pertama

Model Summary

Model R R Square Adjusted R Square

Std. Error of the Estimate

1 .685a .469 .445 72.613 a. Predictors: (Constant), X9, F4, J2, JK, F3, L, X6, J3, F1, X8, P, F2, J1, X7

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 1408141.516 14 100581.537 19.076 .000b Residual 1592358.666 302 5272.711 Total 3000500.183 316

a. Dependent Variable: Y1 b. Predictors: (Constant), X9, F4, J2, X1, F3, X5, X6, J3, F1, X8, X4, F2, J1, X7

Coefficientsa

Model Unstandardized Coefficients

Standardized Coefficients

t Sig. Collinearity Statistics

B Std. Error

Beta Tolerance VIF

1

(Constant) 12.619 50.451 .250 .803 X1 -11.877 10.083 -.052 -1.178 .240 .914 1.094 F1 25.347 17.675 .109 1.434 .153 .306 3.265 F2 26.072 16.171 .129 1.612 .108 .273 3.661 F3 13.408 16.963 .059 .790 .430 .312 3.209 F4 4.784 21.529 .012 .222 .824 .556 1.800 J1 56.693 20.990 .224 2.701 .007 .256 3.907 J2 23.645 15.927 .105 1.485 .139 .353 2.829 J3 10.965 12.810 .054 .856 .393 .449 2.226 X4 15.600 11.276 .079 1.383 .168 .540 1.853 X5 17.156 10.490 .087 1.636 .103 .614 1.629 X6 -.606 1.724 -.059 -.351 .726 .063 15.821 X7 -1.089 1.751 -.108 -.622 .534 .058 17.106 X8 -.140 .197 -.035 -.710 .478 .720 1.389 X9 2.769 .250 .562 11.067 .000 .683 1.465

a. Dependent Variable: Y1

91

LAMPIRAN 27. Output Pemilihan Model Terbaik Mengguna-kan Metode Stepwise untuk Model Rekursif Pertama

Model Summaryd

Model R R Square Adjusted R Square Std. Error of the Estimate 1 .646a .417 .415 74.525 2 .660b .436 .433 73.402 3 .666c .443 .438 73.071 a. Predictors: (Constant), X9 b. Predictors: (Constant), X9, L c. Predictors: (Constant), X9, L, J1 d. Dependent Variable: Y1

ANOVAa Model Sum of Squares df Mean Square F Sig.


2 Regression 1308730.393 2 654365.196 121.453 .000c Residual 1691769.790 314 5387.802 Total 3000500.183 316

3 Regression 1329256.661 3 443085.554 82.984 .000d Residual 1671243.522 313 5339.436 Total 3000500.183 316

a. Dependent Variable: Y1 b. Predictors: (Constant), X9 c. Predictors: (Constant), X9, X5 d. Predictors: (Constant), X9, X5, J1

Coefficientsa Model Unstandardized

Coefficients Standardized Coefficients


B Std. Error Beta Tolerance VIF

1 (Constant) 6.260 5.142 1.218 .224 X9 3.184 .212 .646 15.008 .000 1.000 1.000

2 (Constant) -6.757 6.439 -1.050 .295 X9 2.973 .219 .603 13.602 .000 .914 1.095 X5 28.458 8.693 .145 3.274 .001 .914 1.095

3

(Constant) -7.064 6.412 -1.102 .271 X9 2.862 .225 .580 12.725 .000 .855 1.169 X5 24.530 8.882 .125 2.762 .006 .867 1.153 J1 22.685 11.570 .090 1.961 .051 .853 1.172


92

Coefficientsa



t Sig. Correlations

B Std. Error

Beta Zero-order

Partial Part

1 (Constant) 6.260 5.142 1.218 .224 X9 3.184 .212 .646 15.008 .000 .646 .646 .646

2 (Constant) -6.757 6.439 -1.050 .295 X9 2.973 .219 .603 13.602 .000 .646 .609 .576 X5 28.458 8.693 .145 3.274 .001 .322 .182 .139

3

(Constant) -7.064 6.412 -1.102 .271 X9 2.862 .225 .580 12.725 .000 .646 .584 .537 X5 24.530 8.882 .125 2.762 .006 .322 .154 .116 J1 22.685 11.570 .090 1.961 .051 .311 .110 .083


93

LAMPIRAN 28. Output Uji Identik untuk Model Rekursif Pertama dengan Variabel Independen Hasil Stepwise.

Model Summary

Model R R Square Adjusted R Square Std. Error

of the

Estimate

1 .270a .073 .061 25610.9483

5

a. Predictors: (Constant), X9kuadrat, L, J1, X9

ANOVAa


1

Regression 16057025010.193 4 4014256252.548 6.120 .000b

Residual 204647250744.551 312 655920675.463

Total 220704275754.745 316

a. Dependent Variable: ekuadrat

Coefficientsa

Model Unstandardized

Coefficients

Standardized

Coefficients

t Sig.

B Std. Error Beta

1

(Constant) -2077.405 2382.911

-.872 .384

X9 292.315 154.144 .219 1.896 .059

L 4390.723 3175.701 .083 1.383 .168

J1 5399.821 4072.342 .079 1.326 .186

X9kuadrat -.343 1.111 -.034 -.309 .758

a. Dependent Variable: ekuadrat

94

LAMPIRAN 29. Output Regresi Tanpa Data Outlier untuk Model Rekursif Pertama dengan Variabel Independen Hasil Stepwise.

Model Summary

Model R R Square Adjusted R

Square

Std. Error of the

Estimate

1 .751a .564 .560 36.48032

a. Predictors: (Constant), J1, X5, X9



a. Dependent Variable: Y1 b. Predictors: (Constant), J1, X5, X9



t Sig.

B Std. Error Beta

1

(Constant) -6.010 3.332 -1.804 .072 X9 2.811 .170 .684 16.525 .000 X5 12.399 4.508 .113 2.751 .006 J1 9.431 6.042 .064 1.561 .120


95

LAMPIRAN 30. Output Regresi Linier Berganda untuk Model Rekursif Kedua.

Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 .891a .794 .784 1.060 a. Predictors: (Constant), Y1, F1, J3, X1, F4, X6, X8, X5, F3, J2, X3, X9, F2, J1, X7 b. Dependent Variable: Y2



a. Dependent Variable: Y2 b. Predictors: (Constant), Y1, F1, J3, X1, F4, X6, X8, X5, F3, J2, X4, X9, F2, J1, X7





1

(Constant) 2.197 .736 2.984 .003 X1 .121 .147 .022 .818 .414 .910 1.099 F1 .021 .259 .004 .080 .936 .304 3.287 F2 -.302 .237 -.064 -1.276 .203 .271 3.693 F3 -.334 .248 -.063 -1.346 .179 .311 3.216 F4 -.232 .314 -.026 -.739 .461 .556 1.800 J1 .391 .310 .066 1.261 .208 .250 4.001 J2 .187 .233 .035 .802 .423 .351 2.850 J3 .253 .187 .053 1.352 .177 .448 2.231 X4 .553 .165 .119 3.348 .001 .536 1.865 X5 .227 .154 .049 1.475 .141 .609 1.643 X6 -.038 .025 -.158 -1.523 .129 .063 15.828 X7 .019 .026 .080 .739 .461 .058 17.128 X8 .003 .003 .028 .902 .368 .719 1.391 X9 .029 .004 .248 6.604 .000 .486 2.059 Y1 .014 .001 .606 16.900 .000 .531 1.884


96

LAMPIRAN 31. Output Pemilihan Model Terbaik Mengguna-kan Stepwise untuk Model Rekursif Kedua.

Model Summaryg

Model R R Square Adjusted R Square Std. Error of the Estimate 1 .845a .713 .713 1.223 2 .875b .766 .764 1.108 3 .884c .782 .780 1.071 4 .886d .784 .782 1.066 5 .887e .787 .783 1.062 6 .889f .790 .786 1.056 a. Predictors: (Constant), Y1 b. Predictors: (Constant), Y1, X9 c. Predictors: (Constant), Y1, X9, P d. Predictors: (Constant), Y1, X9, P, X6 e. Predictors: (Constant), Y1, X9, P, X6, F1 f. Predictors: (Constant), Y1, X9, P, X6, F1, L g. Dependent Variable: Y2

ANOVAa



2 Regression 1258.831 2 629.415 512.889 .000c Residual 385.339 314 1.227 Total 1644.170 316

3 Regression 1285.401 3 428.467 373.807 .000d Residual 358.769 313 1.146 Total 1644.170 316

4 Regression 1289.630 4 322.408 283.723 .000e Residual 354.540 312 1.136 Total 1644.170 316

5 Regression 1293.496 5 258.699 229.430 .000f Residual 350.675 311 1.128 Total 1644.170 316

6 Regression 1298.417 6 216.403 194.025 .000g Residual 345.753 310 1.115 Total 1644.170 316

a. Dependent Variable: Y2 b. Predictors: (Constant), Y1 c. Predictors: (Constant), Y1, X9 d. Predictors: (Constant), Y1, X9, P e. Predictors: (Constant), Y1, X9, P, X6 f. Predictors: (Constant), Y1, X9, P, X6, F1 g. Predictors: (Constant), Y1, X9, P, X6, F1, L

97

Coefficientsa



t Sig. Correlations

B Std. Error

Beta Zero-order Partial Part

1 (Constant) 1.548 .078 19.960 .000 Y1 .020 .001 .845 28.005 .000 .845 .845 .845

2 (Constant) 1.293 .077 16.883 .000 Y1 .015 .001 .651 18.209 .000 .845 .717 .497 X9 .035 .004 .299 8.362 .000 .720 .427 .228

3

(Constant) 1.004 .095 10.530 .000 Y1 .015 .001 .623 17.766 .000 .845 .709 .469 X9 .031 .004 .266 7.562 .000 .720 .393 .200 P .641 .133 .139 4.815 .000 .459 .263 .127

4

(Constant) 1.534 .291 5.277 .000 Y1 .014 .001 .618 17.652 .000 .845 .707 .464 X9 .031 .004 .269 7.663 .000 .720 .398 .201 P .738 .142 .159 5.205 .000 .459 .283 .137 X6 -.013 .007 -.055 -1.929 .055 .085 -.109 -.051

5

(Constant) 1.525 .290 5.266 .000 Y1 .014 .001 .616 17.652 .000 .845 .707 .462 X9 .031 .004 .273 7.781 .000 .720 .404 .204 P .743 .141 .161 5.262 .000 .459 .286 .138 X6 -.015 .007 -.060 -2.115 .035 .085 -.119 -.055 F1 .267 .144 .049 1.851 .065 .031 .104 .048

6

(Constant) 1.365 .298 4.580 .000 Y1 .014 .001 .607 17.354 .000 .845 .702 .452 X9 .031 .004 .270 7.758 .000 .720 .403 .202 P .590 .158 .128 3.732 .000 .459 .207 .097 X6 -.013 .007 -.053 -1.875 .062 .085 -.106 -.049 F1 .347 .148 .064 2.341 .020 .031 .132 .061 L .310 .148 .068 2.101 .036 .390 .118 .055


98





1 (Constant) 1.548 .078 19.960 .000 Y1 .020 .001 .845 28.005 .000 1.000 1.000

2 (Constant) 1.293 .077 16.883 .000 Y1 .015 .001 .651 18.209 .000 .583 1.715 X9 .035 .004 .299 8.362 .000 .583 1.715

3

(Constant) 1.004 .095 10.530 .000 Y1 .015 .001 .623 17.766 .000 .567 1.765 X9 .031 .004 .266 7.562 .000 .561 1.781 P .641 .133 .139 4.815 .000 .840 1.190

4

(Constant) 1.534 .291 5.277 .000 Y1 .014 .001 .618 17.652 .000 .564 1.774 X9 .031 .004 .269 7.663 .000 .561 1.784 P .738 .142 .159 5.205 .000 .736 1.358 X6 -.013 .007 -.055 -1.929 .055 .861 1.161

5

(Constant) 1.525 .290 5.266 .000 Y1 .014 .001 .616 17.652 .000 .563 1.776 X9 .031 .004 .273 7.781 .000 .559 1.789 P .743 .141 .161 5.262 .000 .736 1.359 X6 -.015 .007 -.060 -2.115 .035 .852 1.173 F1 .267 .144 .049 1.851 .065 .987 1.013

6

(Constant) 1.365 .298 4.580 .000 Y1 .014 .001 .607 17.354 .000 .554 1.804 X9 .031 .004 .270 7.758 .000 .558 1.791 P .590 .158 .128 3.732 .000 .580 1.723 X6 -.013 .007 -.053 -1.875 .062 .842 1.188 F1 .347 .148 .064 2.341 .020 .921 1.086 L .310 .148 .068 2.101 .036 .655 1.526


99

LAMPIRAN 32. Output Uji Identik untuk Model Rekursif Kedua dengan Variabel Independen Hasil Stepwise.

Model Summary

Model R R Square Adjusted R

Square

Std. Error of

the Estimate

1 .581a .338 .323 1.61659

ANOVAa

Model Sum of

Squares

df Mean Square F Sig.

1

Regression 412.075 7 58.868 22.526 .000b

Residual 807.526 309 2.613

Total 1219.602 316

Coefficientsa

Model Unstandardized

Coefficients

Standardized

Coefficients

t Sig.

B Std. Error Beta

1

(Constant) 2.443 .564

4.328 .000

Y1 .012 .001 .584 9.271 .000

X9 -.138 .033 -1.392 -4.150 .000

P .084 .244 .021 .345 .731

X6 -.042 .013 -.201 -3.251 .001

F1 -.101 .227 -.021 -.445 .657

L .025 .226 .006 .111 .911

x9x6 .003 .001 1.409 4.274 .000

a. Dependent Variable: eekuadrat

100

LAMPIRAN 33. Dosen yang Termasuk Dalam Outlier. No Nama Y1 Y2 X9 X8 X6 X7 Jurusan

1 Surya Rosa P. 662 8 12 23 51 27 Kimia

2 Moch. Ashari 458 9 80 28 49 25 T.Elektro

3 Gamantyo H. 230 7 89 71 44 22 T.Elektro

4 Arief Widjaja 488 7 24 20 48 24 T.Kimia

5 Setiyo Gunawan 308 9 29 23 39 12 T.Kimia

6 Siti Zullaikah 471 5 9 5 36 6 T.Kimia

7 Widiyastuti 441 11 28 5 40 12 T.Kimia

8 Siti Machmudah 689 15 98 2 41 16 T.Kimia

9 Gunawan Nugroho 36 3 18 9 37 12 T.Fisika

10 Agus Muhamad H. 303 10 40 9 36 11 T.Fisika

11 Budi Santosa 532 10 64 149 45 21 T.industri

12 Mauridhi Hery P. 420 10 198 55 56 29 T.Mutimedia

13 Moch. Hariadi 190 6 129 93 45 18 T.Mutimedia

BIODATA PENULIS

Alfisyahrina Hapsery biasa dipanggil Alfi, adalah anak kedua dari tiga bersaudara. Penulis lahir di Mojokerto pada tanggal 28 Septem-ber 1992. Pendidikan formal yang telah ditempuh yaitu SDN Tanggul Kulon VI Jember (1998-2002), SMP Negeri 1 Pamekasan (tahun 2004-2007), MAN Jungcangcang 1 Pamekasan (2007-2010), dan men-dapatkan gelar A.Md pada tahun 2013 di Institut Teknologi Sepuluh Nopember. Penulis diterima kem-

bali sebagai mahasiswi Jurusan Statistika FMIPA ITS tahun 2013 dengan NRP 1313 105 032. Selama menjadi mahasiswi diploma maupun strata 1, penulis menuangkan hobby mengajarnya dengan menjadi asisten dosen pada mata kuliah PMS (Pengantar Metode Statistika), ED (Eksperimen Desain), Multivariat, Statistik Non parametrik, Pengendali Kualitas Statistik, dan Official Statistics. Hal yang paling membahagiakan adalah ketika penulis menjadi asisten di jurusan biologi, mata kuliah biostat. Selain itu penulis juga mendapatkan penghargaan ”lulus dengan predikat cumloat”. Penulis pernah mengikuti seminar nasional di Jogjakarta, dan pernah menjadi peserta pekan ilmiah nasional ke 27 di Semarang. Dengan motto ” impossible is nothing, if we keep traning to get it” , penulis yakin dapat melewati semua perma-salahan dalam hidup dan selanjutnya akan melanjutkan study pasca sarjana. Apabila pembaca ingin berdiskusi, dapat meng-hubungi melalui e-mail [email protected].

mailto:[email protected]

PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI...

Documents

Transcript of PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI...