Regresi Logistik Biner untuk Memprediksi Probabilitas Kelulusan UAS Mahasiswa yang Mengambil Mata Kuliah Matematika Farmasi

Nadia Tri Indraswari

2023-06-01

1 PENDAHULUAN

1.1 Latar Belakang

Setiap mahasiswa berharap mendapatkan hasil yang optimal pada UAS (Ujian Akhir Semester) setiap mata kuliah yang diambil. Setelah mengikuti perkuliahan selama 15 pertemuan, mereka berharap mencapai hasil yang baik pada pertemuan ke-16, yaitu UAS. Penting bagi pendidik untuk memperhatikan hasil kelulusan UAS peserta didik karena melibatkan proses evaluasi penting. Evaluasi ini mengacu pada instrumen atau alat yang digunakan, di mana tes merupakan instrumen evaluasi umum yang harus diselesaikan oleh peserta didik dalam bentuk soal, baik pilihan ganda maupun esai.

Dalam hasil survei yang dilakukan, terdapat beragam respon terkait hasil kelulusan UAS mahasiswa. Banyak mahasiswa yang mendapatkan hasil yang tidak sesuai dengan harapan, seperti nilai rendah yang menyebabkan mereka tidak lulus UAS dan perlu mengulang mata kuliah tersebut. Namun, ada juga mahasiswa yang berhasil mencapai kelulusan dengan nilai maksimal sesuai dengan upaya dan harapan mereka. Keberhasilan ini sangat bergantung pada usaha individu masing-masing mahasiswa.

Pada percobaan ini, akan diamati apakah terdapat hubungan antara jumlah jam belajar dalam sehari sebagai variabel prediktor (\(X_1\)) dan hasil ujian tengah semester (UTS) sebagai variabel (\(X_2\)) terhadap status kelulusan mahasiwa sebagai variabel respon (\(Y\)).

1.2 Rumusan Masalah

1. Apakah faktor - faktor lamanya jam belajar dan nilai UTS berpengaruh pada probabilitas kelulusan dari Ujian Akhir Semester (UAS)?

2. Bagaimanakah bentuk model dari metode regresi logistik biner pada data probailitas kelulusan dari Ujian Akhir Semester (UAS)?

3. Kesimpulan yang diambil pada data probailitas dari kelulusan Ujian Akhir Semester (UAS)?

1.3 Tujuan Penelitian

Untuk mengetahui hubungan antara pengaruh jumlah jam belajar dalam sehari dan hasil ujian tengah semester (UTS) terhadap status kelulusan mahasiwa.

1.4 Data Penelitian

Penelitian ini dilakukan di Universitas Sumatera Utara (USU) selama satu bulan. Penelitian ini menggunakan metode survei dengan memberikan kuesioner kepada 40 mahasiswa Program Studi S1 Farmasi Universitas Sumatera Utara (USU) yang mengambil mata kuliah Matematika Farmasi pada angkatan 2022-2023. Dalam hal desain penelitian, penelitian ini termasuk dalam kategori penelitian kuantitatif berdasarkan jenis datanya. Penelitian ini berfokus pada pengumpulan data yang dapat diukur secara numerik, seperti tanggapan mahasiswa terhadap hasil kelulusan UAS, persepsi mereka terhadap instrumen evaluasi, dan faktor-faktor lain yang mempengaruhi hasil kelulusan. Metode survei dilakukan dengan memberikan kuesioner kepada responden, yaitu mahasiswa Program Studi S1 Farmasi USU yang mengambil mata kuliah Matematika Farmasi pada angkatan 2022-2023.

Dalam penelitian ini, 40 mahasiswa dipilih sebagai sampel yang mewakili populasi mahasiswa yang relevan. Peneliti menggunakan kuesioner sebagai instrumen pengumpulan data, di mana mahasiswa diminta untuk mengisi kuesioner dengan pertanyaan terkait hasil kelulusan UAS dan faktor-faktor yang mempengaruhinya.

Dengan menggunakan pendekatan penelitian kuantitatif, penelitian ini bertujuan untuk menyediakan data yang dapat diukur dan dianalisis secara statistik. Dengan mengumpulkan data melalui survei, peneliti dapat menganalisis data secara objektif dan mencari hubungan atau pola yang signifikan antara faktor-faktor yang diteliti.

Dengan keterangan masing masing variabel predictor dan variabel respon sebagai berikut :

\(Y\) : Status Kelulusan Mahasiswa, dengan interval pilihan lulus (1) atau tidak lulus(0).

\(X_1\) : Jumlah jam belajar dalam sehari.

\(X_2\) : Hasil ujian tengah semester (UTS) matematika farmasi.

Mahasiswa Kelulusan Jam UTS
1 0 1 5
2 0 1 5
3 0 1 5
4 0 1 5
5 0 1 5
6 0 1 5
7 0 1 5
8 0 1 6
9 0 1 7
10 1 1 6
11 0 2 5
12 0 2 5
13 0 2 6
14 1 2 6
15 1 2 7
16 1 2 7
17 1 2 7
18 1 2 6
19 1 2 5
20 1 2 5
21 0 3 5
22 0 3 6
23 1 3 5
24 1 3 5
25 1 3 6
26 1 3 6
27 1 3 7
28 1 3 7
29 1 3 8
30 1 3 8
31 0 4 6
32 1 4 5
33 1 4 6
34 1 4 7
35 1 4 7
36 1 4 8
37 1 4 8
38 1 4 8
39 1 4 6
40 1 4 8

2 TINJAUAN PUSTAKA

2.1 Asumsi Multikolinieritas

Uji asumsi multikolinearitas adalah Uji asumsi yang dilakukan untuk memastikan apakah di dalam sebuah model regresi ada interkorelasi atau kolinearitas antar variabel bebas. Uji asumsi multikolinearitas merupakan salah satu uji asumsi yang perlu dipertimbangkan dalam analisis regresi. Multikolinearitas terjadi ketika ada korelasi yang tinggi antara dua atau lebih variabel independen dalam model regresi. Ini dapat mempengaruhi hasil analisis regresi dan interpretasi koefisien regresi. Metode untuk menguji adanya multikoliniearitas dapat dilihat dari nilai tolerance value atau variance inflation factor (VIF) dengan rumus:

atau

Batas tolerance value adalah 0.10 atau nilai VIF adalah 10. Jika VIF lebih dari 10 dan nilai tolerance kurang dari 0.1, maka terjadi multikoliniearitas yang tinggi antar variabel bebas dengan variabel bebas lainnya. Namun apabila VIF kurang dari 10 dan nilai tolerance lebih dari 0.10, maka dapat diartikan tidak terdapat multikolinieritas. Regresi yang baik memiliki VIF sekitar angka 1 dan mempunyai nilai tolerance mendekati 1.

2.2 Analisis Regresi

Analisis regresi merupakan salah satu analisis yang bertujuan untuk mengetahui pengaruh suatu variabel terhadap variabel lain. Model regresi yang paling sederhana adalah model regresi linier sederhana dengan bentuk persamaan :

keterangan :

\(Y\) = variabel terikat (nilai yang diprediksi)

\(X\) = variabel bebas

\(\beta_0\)= konstanta

\(\beta_1\)= koefisien regresi (nilai peningkatan ataupun penurunan)

\(\varepsilon\) = galat acak

2.3 Analisis Regresi Logistik Biner

Regresi logistik adalah bagian dari analisis regresi yang digunakan untuk menganalisis variabel dependen yang bersifat kategori dan variabel independen bersifat kategori, kontinu, atau gabungan dari keduanya. Model regresi logistik biner digunakan untuk menganalisa hubungan antara satu variabel respon (variabel tak bebas) dan beberapa variabel bebas, dengan variabel responnya berupa data kualitatif dikotomi yaitu bernilai 1 untuk menyatakan keberadaan sebuah karakteristik dan bernilai 0 untuk menyatakan ketidakberadaaan sebuah karakteristik. Model regresi logistik tersebut adalah :

Persamaan tersebut memiliki bentuk yang tidak linier, untuk itu agar menjadi linier maka digunakan transformasi log atau biasa disebut transformasi logit. Sehingga logit dari \(\pi (X_i)\) adalah keterangan :

Untuk mengetahui pengaruh variabel bebas, maka dilakukan uji signifikansi parameter baik secara keseluruhan maupun secara individu. Statistik uji yang digunakan dalam uji keseluruhan adalah uji G atau likelihood ratio test. Sedangkan statistik uji yang digunakan dalam uji parsial adalah statistik uji Wald (Hosmer & Lemeshow, 2000).

2.4 Uji Signifikansi Parameter

2.4.1 Uji Simultan

Uji simultan dalam konteks analisis regresi digunakan untuk menguji secara bersama-sama apakah semua variabel independen secara signifikan mempengaruhi variabel dependen. Uji simultan biasanya dilakukan untuk menguji hipotesis nol bahwa tidak ada hubungan signifikan antara semua variabel independen dengan variabel dependen.

Hipotesis

\(H0 : 𝛽_1= 𝛽_2=…= 𝛽_𝑝= 0\) (Tidak ada pengaruh antara variabel independen terhadap variabel dependen).

\(H1:\) Minimal terdapat satu \(𝛽𝑗 ≠ 0.\) Dengan \(j = 1,2, … p\) (Ada pengaruh antara variabel independen terhadap variabel dependen).

Statistik Uji

\(G = -2log(L0/Lp)\)

keterangan :

P : banyaknya variabel prediktor dalam model

L0 : nilai likelihood tanpa variabel prediktor

Lp : nilai likelihood dengan variabel prediktor

2.4.2 Uji Parsial

Uji parsial digunakan untuk menguji bagaimana pengaruh masing-masing variabel bebasnya secara sendiri-sendiri terhadap variabel terikatnya yang dianggap konstan.Uji parsial dalam analisis regresi digunakan untuk menguji secara individual apakah setiap variabel independen memiliki pengaruh yang signifikan terhadap variabel dependen dalam model regresi. Uji parsial membantu mengidentifikasi kontribusi masing-masing variabel independen secara terpisah terhadap variabel dependen.

Hipotesis

\(H0 : 𝛽_j = 0\) (Tidak ada pengaruh antara masing-masing variabel independen terhadap variabel dependen).

\(H1:\) Minimal terdapat satu \(𝛽𝑗 ≠ 0.\) Dengan \(j = 1,2, … p\) (Ada pengaruh antara masing-masing variabel independen terhadap variabel dependen).

Statistik Uji Wald

Tolak \(|𝑊| > Z(α/2)\) atau \(p-value\) statistik uji wald \(< α(0,05).\)

2.4.3 Odds Ratio

Odds ratio (rasio peluang) adalah sebuah ukuran statistik yang digunakan untuk menggambarkan hubungan antara dua kejadian atau variabel dalam analisis regresi logistik atau studi observasional. Odds ratio mengukur perbandingan antara peluang kejadian satu kelompok terhadap kelompok lainnya.

Dalam konteks analisis regresi logistik, odds ratio digunakan untuk mengukur perubahan dalam peluang suatu kejadian atau variabel dependen ketika terjadi perubahan dalam variabel independen. Odds ratio menggambarkan seberapa banyak peluang (odds) kejadian tersebut akan berubah dengan perubahan satu unit dalam variabel independen.

Statistik Uji

Keputusan

Bila nilai \(ψ = 1\), maka antara kedua variabel tersebut tidak terdapat hubungan.

Bila nilai \(ψ < 1\), maka antara kedua variabel terdapat hubungan negatif terhadap perubahan kategori dari nilai \(x\) dan demikian sebaliknya bila \(ψ >1\).

2.4.4 Uji Kesesuaian Model

Uji kesesuaian model digunakan untuk mengevaluasi sejauh mana model regresi atau model prediksi lainnya cocok atau sesuai dengan data yang digunakan. Uji ini membantu mengukur seberapa baik model dapat menjelaskan variasi dalam variabel dependen atau seberapa baik model dapat melakukan prediksi.

Hipotesis :

\(H0\) : Model sesuai (tidak terdapat perbedaan yang signifikan antara hasil observasi dengan kemungkinan prediksi model)

\(H1\): Model tidak sesuai (terdapat perbedaan yang signifikan antara hasil observasi dengan kemungkinan prediksi

Kelayakan model pada uji regresi logistic atau Goodness of Fit dapat dilihat pada table Hosmer and Lemeshow Test. Uji Hosmer and Lemeshow dilakukan dengan dasar pengelompokan pada nilai dugaan peluang yang diamati pada setiap variabel independen.

2.4.5 Ketepatan Klasifikasi

Ketepatan klasifikasi (classification accuracy) adalah ukuran yang digunakan untuk mengevaluasi seberapa baik sebuah model klasifikasi dapat memprediksi atau mengklasifikasikan data dengan benar. Ketepatan klasifikasi mengukur persentase jumlah kasus yang diklasifikasikan secara benar oleh model dibandingkan dengan jumlah total kasus. Ketepatan hasil klasifikasi diperoleh melalui nilai akurasi yang dihasilkan oleh confusion matrix. Variabel respon yang memiliki dua kelas memiliki empat kemungkinan hasil prediksi klasifikasi yang berbeda yaitu true positive (TP), true negative (TN), false positive (FP), dan false negative (FN). Adapun tingkat akurasi dapat dihitung dengan rumus pada persamaan berikut ini:

Statistik Uji :

3 SOURCE CODE DAN PEMBAHASAN

3.1 Menginput Data, Menginisiasi Data dan Membentuk Data Frame

> library(readxl)
> # Menginput Data
> data<-read_excel("C:/Users/rahma/OneDrive/Documents/Materi Kuliah Semester 4/KomStat/Prak Komstat.xlsx")
> head(data)
# A tibble: 6 × 3
  Kelulusan Lama_Jam_Belajar Nilai_UTS
      <dbl>            <dbl>     <dbl>
1         0                1         5
2         0                1         5
3         0                1         5
4         0                1         5
5         0                1         5
6         0                1         5
> str(data)
tibble [40 × 3] (S3: tbl_df/tbl/data.frame)
 $ Kelulusan       : num [1:40] 0 0 0 0 0 0 0 0 0 1 ...
 $ Lama_Jam_Belajar: num [1:40] 1 1 1 1 1 1 1 1 1 1 ...
 $ Nilai_UTS       : num [1:40] 5 5 5 5 5 5 5 6 7 6 ...
> #Menginisiasi Data
> Y <- data$Kelulusan
> X1 <- data$Lama_Jam_Belajar
> X2 <- data$Nilai_UTS
> #Membuat Data Frame
> df <- data.frame(Y,X1,X2)
> df
   Y X1 X2
1  0  1  5
2  0  1  5
3  0  1  5
4  0  1  5
5  0  1  5
6  0  1  5
7  0  1  5
8  0  1  6
9  0  1  7
10 1  1  6
11 0  2  5
12 0  2  5
13 0  2  6
14 1  2  6
15 1  2  7
16 1  2  7
17 1  2  7
18 1  2  6
19 1  2  5
20 1  2  5
21 0  3  5
22 0  3  6
23 1  3  5
24 1  3  5
25 1  3  6
26 1  3  6
27 1  3  7
28 1  3  7
29 1  3  8
30 1  3  8
31 0  4  6
32 1  4  5
33 1  4  6
34 1  4  7
35 1  4  7
36 1  4  8
37 1  4  8
38 1  4  8
39 1  4  6
40 1  4  8

3.2 Uji Asumsi Multikolinieritas

> #Uji Asumsi Multikolinieritas
> reglog_X1 <- lm(X1~X2, data=df)
> VIF_X1 <- 1 / (1 - summary(reglog_X1)$r.squared)
> reglog_X2 <- lm(X2~X1, data=df)
> VIF_X2 <- 1 / (1 - summary(reglog_X2)$r.squared)
> nilai_vif <- data.frame(VIF_X1,VIF_X2)
> nilai_vif
    VIF_X1   VIF_X2
1 1.349287 1.349287

Interpretasi :

Sebelum membentuk model regresi logistik biner, terlebih dahulu melakukan perhitungan VIF atau Variance Inflation Factors Perhitungan VIF ini dilakukan pada setiap variabel prediktor. Berdasarkan hasil perhitungan diatas, nilai VIF pada masing masing variabel prediktor menghasilkan nilai kurang dari 10.

Hal itu berarti bahwa masing masing variabel prediktor tidak terjadi multikolinieritas antar variabel prediktor atau tidak saling berkorelasi. Sehingga data yang merupakan faktor-faktor yang mempengaruhi probabilitas kelulusan.

3.3 Analisis Regresi Logistik Biner

> #Analisis Regresi Logistik Biner
> reg_logistik <- glm(Y~X1+X2,family = "binomial", data=df)
> summary(reg_logistik)

Call:
glm(formula = Y ~ X1 + X2, family = "binomial", data = df)

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-2.3145  -0.5160   0.2169   0.6455   1.5387  

Coefficients:
            Estimate Std. Error z value Pr(>|z|)   
(Intercept)  -8.7450     3.3212  -2.633  0.00846 **
X1            1.1419     0.4793   2.382  0.01720 * 
X2            1.1308     0.5531   2.044  0.04092 * 
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 52.925  on 39  degrees of freedom
Residual deviance: 32.715  on 37  degrees of freedom
AIC: 38.715

Number of Fisher Scoring iterations: 5

Untuk memperoleh data model regresi logistik berdasarkan dari data probabilitas kelulusan ujian yang dipengaruhi oleh jam belajar dan perolehan nilai uts menggunakan function glm(), mendapatkan hasil sebagai berikut :

\(g(x)= -8,7450 + 1,1419X_1 + 1,1308X_2\)

Interpretasi :

  • \(1,1419\) berarti bahwa ketika nilai variabel \(X_1\) (Lama jam belajar) meningkat 1 kejadian dan variabel lain bernilai konstan, maka akan terjadi kenaikan sebesar \(1,1419\) pada probabilitas kelulusan dari Ujian Akhir Semester (UAS).

  • \(1,1308\) berarti bahwa ketika nilai variabel \(X_2\) (Nilai UTS) meningkat 1 kejadian dan variabel lain bernilai konstan, maka akan terjadi kenaikan sebesar \(1,1308\) pada probabilitas kelulusan dari Ujian Akhir Semester (UAS).

> Rsq <- 1-(32.175/52.925)
> Rsq
[1] 0.3920642

Interpretasi : Dari nilai R square diatas, didapatkan hasil bahwa variabel lama jam belajar \((X_1)\) dan Nilai UTS \((X_2)\) dapat menjelaskan 39.20% probabilitas kelulusan dari Ujian Akhir Semester (UAS). Sedangkan 60,80% dijelaskan oleh variabel lain yang tidak dijelaskan pada model ini.

4 Uji Signifikansi Parameter

4.1 Uji Simultan

> # Uji Simultan
> library(pscl)
> pR2(reg_logistik)
fitting null model for pseudo-r2
        llh     llhNull          G2    McFadden        r2ML        r2CU 
-16.3573377 -26.4625295  20.2103837   0.3818679   0.3966511   0.5406186 
> qchisq(0.95,1)
[1] 3.841459

Interpretasi :

Pada hasil perhitungan uji simultan, didapatkan nilai \(G^2\) sebesar 20.2103837 dengan nilai chi-square tabel sebesar 3.841459. Berdasarkan hal tersebut dapat diartikan bahwa nilai \(G^2\) lebih besar dibandingkan dengan nilai chi-square, sehingga dapat diputuskan H0 diterima.

Dengan demikian dapat disimpulkan bahwa terdapat pengaruh secara signifikan antara variabel independen terhadap probabilitas kelulusan dari Ujian Akhir Semester (UAS).

4.2 Uji Parsial

> # Uji Parsial
> uji_parsial <- summary(reg_logistik) 
> uji_parsial

Call:
glm(formula = Y ~ X1 + X2, family = "binomial", data = df)

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-2.3145  -0.5160   0.2169   0.6455   1.5387  

Coefficients:
            Estimate Std. Error z value Pr(>|z|)   
(Intercept)  -8.7450     3.3212  -2.633  0.00846 **
X1            1.1419     0.4793   2.382  0.01720 * 
X2            1.1308     0.5531   2.044  0.04092 * 
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 52.925  on 39  degrees of freedom
Residual deviance: 32.715  on 37  degrees of freedom
AIC: 38.715

Number of Fisher Scoring iterations: 5

Interpretasi :

1.Lama Jam Belajar \((X_1)\)

  • Keputusan : P-Value(0.01720) < \(α\) (0.05), maka Tolak \(H0.\)

  • Kesimpulan: Dengan tingkat kepercayaan 95%, maka dapat disimpulkan bahwa tidak terdapat cukup bukti variabel \(X1\) (lama jam belajar) berpengaruh secara signifikan terhadap probabilitas kelulusan dari Ujian Akhir Semester (UAS).

2.Nilai UTS \((X_2)\)

  • Keputusan : P-Value(0.04092) < \(α\) (0.05), maka Tolak \(H0.\)

  • Kesimpulan: Dengan tingkat kepercayaan 95%, maka dapat disimpulkan bahwa tidak terdapat cukup bukti variabel \(X2\) (Nilai UTS) berpengaruh secara signifikan terhadap probabilitas kelulusan dari Ujian Akhir Semester (UAS).

4.3 Odds Ratio

> #Odds Ratio
> beta <- (coef(reg_logistik))
> beta
(Intercept)          X1          X2 
  -8.744953    1.141913    1.130785 
> oddsRatio_beta <- exp(beta)
> oddsRatio_beta
 (Intercept)           X1           X2 
0.0001592631 3.1327565585 3.0980879035 
> cbind(beta,oddsRatio_beta)
                 beta oddsRatio_beta
(Intercept) -8.744953   0.0001592631
X1           1.141913   3.1327565585
X2           1.130785   3.0980879035

Interpretasi :

  1. Lama jam belajar Apabila waktu jam belajar bertambah 1 , maka kecenderungan terhadap probabilitas kelulusan dari Ujian Akhir Semester (UAS) meningkat sebesar 3.1327565585 atau 3 kali.

  2. Nilai UTS Apabila Nilai UTS bertambah 1, maka kecenderungan terhadap probabilitas kelulusan dari Ujian Akhir Semester (UAS) meningkat sebesar 3.0980879035 atau 3 kali.

4.4 Uji Kesesuaian Model

> #Uji Kesesuaian Model
> library(ResourceSelection)
> kesesuaian_model <-hoslem.test(df$Y,fitted(reg_logistik))
> kesesuaian_model

    Hosmer and Lemeshow goodness of fit (GOF) test

data:  df$Y, fitted(reg_logistik)
X-squared = 4.8631, df = 8, p-value = 0.7721

Interpretasi : Berdasarkan hasil perhitungan dari uji kesesuain model diatas, diperoleh nilai p-value (0,7721) lebih besar dari pada α (0.05), maka keputusan yang dapat diambil yaitu Terima Ho. Dapat disimpulkan bahwa model yang telah terbentuk sesuai untuk digunakan.

4.5 Ketepatan Klasifikasi

> #Ketepatan Klasifikasi
> cross_tab <- table(df$Y,fitted(reg_logistik)>0.5)
> cross_tab
   
    FALSE TRUE
  0    10    5
  1     3   22
> akurasi<-((22+5)/40)*100
> print(paste(akurasi,"%"))
[1] "67.5 %"

Interpretasi : Berdasarkan pembentukan tabel ketetapan klasifikasi yang merupakan tabel frekuensi dua arah antara variabel respon dan prediktor, maka diperoleh tingkat akurasi model sebesar 67.5 %

5 KESIMPULAN

  1. Faktor - Faktor terkait jumlah jam belajar dalam sehari dan nilai UTS (Ujian Tengah Semester merupakan faktor-faktor yang berpengaruh terhadap prabibilitas kelulusan dari Ujian Akhir Semester(UAS). Diketahui bahwa semakin banyak jumlah jam belajar dalam sehari dan semakin tinggi perolehan nilai UTS (Ujian Tengah Semester) mempunyai peluang yang lebih tinggi untuk lulus UAS (Ujian Akhir Semester).

  2. Model dari metode regresi logistik biner yang terbentuk pada data yaitu probabilitas kelulusan dari Ujian Akhir Semester (UAS):

    \(g(x)= -8,7450 + 1,1419X_1 + 1,1308X_2\)

  3. Regresi logistik adalah suatu metode pemodelan matematika yang digunakan untuk menentukan hubungan antara variabel dependen yang berbentuk biner dengan satu atau lebih variabel independen yang bersifat metrik (interval atau rasio). Regresi logistik sangat tepat digunakan sebagai metode analisis data pada penelitian ini karena terbukti menunjukkan adanya pengaruh antara jumlah jam belajar dalam sehari dan nilai UTS (Ujian Tengah Semester) terhadap kelulusan dari UAS (Ujian Akhir Semester) mata kuliah matematika farmasi yang diikuti oleh 40 mahasiswa.

6 DAFTAR PUSTAKA

  • Sihotang, S. F. (2023). ANALISIS REGRESI LOGISTIK BINER UNTUK MEMPREDIKSI PROBABILITAS KELULUSAN MAHASISWA PADA MATA KULIAH MATEMATIKA FARMASI. MES: Journal of Mathematics Education and Science, 8(2), 203-211.

  • Ghozi, S., Ramli, R., & Setyani, A. (2018). Analisis Keputusan Nasabah Dalam Memilih Jenis Bank: Penerapan Model Regresi Logistik Biner (Studi Kasus Pada Bank Bri Cabang Balikpapan). Media Statistika, 11(1), 17-26.

  • Tampil, Y., Komaliq, H., & Langi, Y. (2017). Analisis Regresi Logistik Untuk Menentukan Faktor-Faktor Yang Mempengaruhi Indeks Prestasi Kumulatif (IPK) Mahasiswa FMIPA Universitas Sam Ratulangi Manado. d’CARTESIAN: Jurnal Matematika dan Aplikasi, 6(2), 56-62.

  • Roflin, E., Riana, F., Munarsih, E., & Liberty, I. A. (2023). Regresi Logistik Biner dan Multinomial. Penerbit NEM.