Analisis Regresi Multilevel pada Data Longitudinal Indeks Prestasi Kumulatif (IPK) Mahasiswa Program Magister IPB

Abstract

Salah satu indikator untuk mengukur kualitas lulusan perguruan tinggi adalah keberhasilan studi mahasiswa. Capaian Indeks Prestasi Kumulatif (IPK) dan lama studi adalah indikator penting dalam mengevaluasi keberhasilan studi mahasiswa. Penelitian-penelitian sebelumnya menggunakan lama studi mahasiswa sebagai indikator keberhasilan mahasiswa program magister, sehingga struktur data yang dihasilkan berbentuk cross-sectional. Jika ditinjau berdasarkan capaian IPK, struktur data yang dihasilkan berbentuk longitudinal karena merupakan pengamatan berulang. Tujuan dari penelitan ini adalah untuk memodelkan hubungan antara capaian IPK mahasiswa sebagai data longitudinal, mengidentifikasi faktor-faktor yang memengaruhi capaian IPK mahasiswa, dan menduga komponen ragam capaian IPK program magister Sekolah Pascasarjana IPB. Data yang digunakan adalah data mahasiswa program magister kelas regular angkatan 2019. Metode yang digunakan adalah regresi multilevel dengan IPK sebagai nilai amatan berulang level kesatu tersarang pada level kedua (individu mahasiswa) tersarang pada level ketiga (fakultas). Capaian IPK mahasiswa program magister IPB dimodelkan sebagai data longitudinal dengan metode regresi 3-level. Diketahui faktor yang memengaruhi capaian IPK adalah semester mahasiswa, usia, status perkawinan, sumber biaya pendidikan, jumlah mahasiswa tiap fakultas, interaksi usia dengan sumber biaya pendidikan, serta antara semester dengan status perkawinan. Komponen keragaman menunjukkan adanya keragaman perbedaan IPK antar fakultas, keragaman perbedaan IPK antar mahasiswa dalam fakultas, serta keragaman IPK antar semester dalam mahasiswa dalam fakultas.

The academic accomplishment of college graduates is one factor used to gauge their caliber. Academic performance indicators for students in the master's program at IPB Postgraduate School include cumulative grade point average (GPA) and length of study. Previous studies have used the length of study as an academic performance indicator for master's program students, so the resulting data structure is cross-sectional. In contrast, if we examine it in light of the GPA performance, the resulting data structure is longitudinal because it involves repeated measurements. Therefore, this research aims to model student GPA performance as longitudinal data, identify the factors that influence student GPA performance, and estimate the variance components of GPA performance in the master's program at IPB Postgraduate School. The technique utilized is multilevel regression, with the first level's repeated observation value (GPA) nested at the second level (individual students), which is nested at the third level (faculty). The GPA performance in the master's program at IPB Postgraduate School is modeled as longitudinal data using the 3-level regression method. The results show that the factors influencing GPA achievement are student semesters, age, marital status, sources of tuition fees, number of students in each faculty, age interaction with sources of tuition fees, and semester interaction with marital status. The variance component shows the variance of GPA differences between faculties, the variance of GPA differences between students within the faculty, and the variance of GPA over the semester among students within the faculty.