Analisis Kinerja Siswa dalam Ujian Online
M (variabel dependen): Skor akhir siswa dalam ujian online. N1 (variabel independen): Jumlah waktu belajar siswa sebelum ujian. N2 (variabel independen): Tingkat konsistensi latihan soal ujian. N3 (variabel independen): Jumlah materi yang dipelajari. N4 (variabel independen): Tingkat dukungan orang tua dalam proses belajar.
Jumlah waktu bekajar siswa sebelum ujian membangkitkan variabel N1 dengan jumlah waktu belajar sebelum ujian 15-30 menit dengan nilai tengah 10 dan banyak siswa 30
set.seed (16)
n <- 30
u <- runif(n)
N1 <- round(30*(-(log(1-u)/10)))
N1## [1] 3 1 2 1 6 1 0 5 6 0 1 3 1 3 2 1 6 3 4 0 10 5 2 2 1
## [26] 3 9 11 4 2Tingkat konsistensi latihan soal ujian konsistensi setiap siswa (0= 25%) (1= 50%)
set.seed(16)
n <-30
N2 <- round(runif(n))
N2## [1] 1 0 0 0 1 0 0 1 1 0 0 1 0 1 1 0 1 1 1 0 1 1 1 0 0 1 1 1 1 0Jumlah materi yang di pelajari materi ujian pada setiap harinya (0= wajib) (1= peminatan)
set.seed(17)
N3 <- round(runif(n))
N3## [1] 0 1 0 1 0 1 0 0 1 0 0 0 1 1 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1 0Tingkat dukungan orang tua dalam proses belajar skala dukungan 0-5
set.seed(17)
N4 <- round(rnorm(n, 3, 2),5)
N4## [1] 0.96998 2.84073 2.53403 1.36546 4.54418 2.66878 4.94575 6.43307 3.51047
## [10] 3.73316 5.36158 4.28638 5.59064 3.37584 6.18241 2.88964 4.67694 3.31874
## [19] 4.25191 4.26717 4.36206 1.63593 1.55349 6.34705 1.80849 5.31969 3.23484
## [28] 3.51844 3.76472 1.57704##Membangkitkan data M
a0 <- 0.5
a1 <- 0.2
a2 <- 3
a3 <- 2
a4 <- -1datapelengkap <- a0+(a1*N1)+(a2*N2)+(a3*N3)+(a4*N4)
datapelengkap## [1] 3.13002 -0.14073 -1.63403 1.33454 0.15582 0.03122 -4.44575 -1.93307
## [9] 3.18953 -3.23316 -4.66158 -0.18638 -2.89064 2.72416 -0.28241 -0.18964
## [17] 2.02306 0.78126 2.04809 -1.76717 3.13794 4.86407 4.34651 -3.44705
## [25] 0.89151 -1.21969 4.06516 4.18156 2.53528 -0.67704r <-exp(datapelengkap)/(1+exp(datapelengkap))
r## [1] 0.958114196 0.464875451 0.163279039 0.791590612 0.538876372 0.507804366
## [7] 0.011592348 0.126411167 0.960438366 0.037936746 0.009363022 0.453539416
## [13] 0.052618206 0.938437307 0.429863032 0.452731576 0.883197049 0.685951609
## [19] 0.885754482 0.145894620 0.958430885 0.992340123 0.987213672 0.030856957
## [25] 0.709201685 0.227991009 0.983129263 0.984955145 0.926578367 0.336922264set.seed(17)
t <-rbinom(n,1,r)
t## [1] 1 1 0 1 1 0 0 0 1 0 0 0 0 1 1 1 1 1 1 0 1 1 1 0 0 0 1 1 0 0datagab <- data.frame(n,N1,N2,N3,N4)
datagab## n N1 N2 N3 N4
## 1 30 3 1 0 0.96998
## 2 30 1 0 1 2.84073
## 3 30 2 0 0 2.53403
## 4 30 1 0 1 1.36546
## 5 30 6 1 0 4.54418
## 6 30 1 0 1 2.66878
## 7 30 0 0 0 4.94575
## 8 30 5 1 0 6.43307
## 9 30 6 1 1 3.51047
## 10 30 0 0 0 3.73316
## 11 30 1 0 0 5.36158
## 12 30 3 1 0 4.28638
## 13 30 1 0 1 5.59064
## 14 30 3 1 1 3.37584
## 15 30 2 1 1 6.18241
## 16 30 1 0 1 2.88964
## 17 30 6 1 1 4.67694
## 18 30 3 1 0 3.31874
## 19 30 4 1 1 4.25191
## 20 30 0 0 1 4.26717
## 21 30 10 1 1 4.36206
## 22 30 5 1 1 1.63593
## 23 30 2 1 1 1.55349
## 24 30 2 0 1 6.34705
## 25 30 1 0 1 1.80849
## 26 30 3 1 0 5.31969
## 27 30 9 1 1 3.23484
## 28 30 11 1 1 3.51844
## 29 30 4 1 1 3.76472
## 30 30 2 0 0 1.57704modelreglog <- glm(t~N1+N2+N3+N4,family = binomial(link = "logit"),data = datagab)
summary(modelreglog)##
## Call:
## glm(formula = t ~ N1 + N2 + N3 + N4, family = binomial(link = "logit"),
## data = datagab)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -1.0470 1.8628 -0.562 0.5741
## N1 0.3217 0.4866 0.661 0.5085
## N2 3.1362 2.0086 1.561 0.1184
## N3 2.6825 1.3969 1.920 0.0548 .
## N4 -0.8375 0.4466 -1.875 0.0608 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 41.455 on 29 degrees of freedom
## Residual deviance: 20.341 on 25 degrees of freedom
## AIC: 30.341
##
## Number of Fisher Scoring iterations: 6Dengan skenario ini, dapat menganalisis faktor-faktor yang berpengaruh terhadap kinerja siswa dalam ujian online. Beberapa faktor yang dapat dianalisis meliputi:
Waktu Belajar: Memahami pola waktu belajar siswa sebelum ujian dapat memberikan wawasan tentang hubungannya dengan kinerja mereka.
Konsistensi Latihan Soal: Mengukur tingkat konsistensi dalam menjawab latihan soal ujian online dapat membantu menentukan seberapa siap siswa dalam menghadapi ujian sesungguhnya.
Materi yang Dipelajari: Menganalisis materi apa yang paling banyak dipelajari oleh siswa dan apakah materi tersebut memiliki korelasi dengan kinerja mereka dalam ujian online.
Dukungan Orang Tua: Mengetahui seberapa besar dukungan yang diberikan oleh orang tua kepada siswa dalam hal belajar dan persiapan ujian juga dapat menjadi faktor yang berpengaruh terhadap kinerja siswa.
Dengan menganalisis faktor-faktor ini, Anda dapat memberikan rekomendasi atau strategi yang lebih efektif untuk meningkatkan kinerja siswa dalam ujian online di masa mendatang.