Studi Kasus Data Metode Pembelajaran Mahasiswa

Dilakukan sebuah survei untuk mengetahui metode pembelajaran yang paling disukai mahasiswa pada beberapa program studi di suatu universitas. Beberapa jenis metode pembelajarannya yakni: Tatap Muka, Daring (online), Hybrid, Praktikum, dan Diskusi Kelompok. Responden survei ini berasal dari 5 program studi yaitu: Statistika, Informatika, Manajemen, Agribisnis, dan Biologi.

Import Data

library(readxl)

metode <- read_excel("C:/Users/lizam/Downloads/Data_Analisis_Korespondensi.xlsx")
metode
## # A tibble: 25 × 3
##    Program_Studi Metode_Pembelajaran Frekuensi
##    <chr>         <chr>                   <dbl>
##  1 Statistika    Tatap Muka                120
##  2 Statistika    Daring                     45
##  3 Statistika    Hybrid                     90
##  4 Statistika    Praktikum                  60
##  5 Statistika    Diskusi                    35
##  6 Informatika   Tatap Muka                 80
##  7 Informatika   Daring                    110
##  8 Informatika   Hybrid                    140
##  9 Informatika   Praktikum                  70
## 10 Informatika   Diskusi                    50
## # ℹ 15 more rows

1. Tabel Kontingensi

metode$Usia <- factor(metode$Program_Studi, levels=c("Statistika", "Informatika",
                                                    "Manajemen", "Agribisnis", "Biologi"))
metode$Metode_Pembelajaran <- factor(metode$Metode_Pembelajaran,
                                levels=c("Tatap Muka", "Daring",
                                         "Hybrid","Praktikum","Diskusi"))
table_count <- xtabs(Frekuensi ~ Program_Studi + Metode_Pembelajaran, data = metode)
table_count
##              Metode_Pembelajaran
## Program_Studi Tatap Muka Daring Hybrid Praktikum Diskusi
##   Agribisnis         130     50     85       120      65
##   Biologi             70     40     75       180      35
##   Informatika         80    110    140        70      50
##   Manajemen          150     60    100        40     100
##   Statistika         120     45     90        60      35

2. Tabel Korespondensi

n <- sum(table_count)
table_coresp <- table_count/n
table_coresp
##              Metode_Pembelajaran
## Program_Studi Tatap Muka     Daring     Hybrid  Praktikum    Diskusi
##   Agribisnis  0.06190476 0.02380952 0.04047619 0.05714286 0.03095238
##   Biologi     0.03333333 0.01904762 0.03571429 0.08571429 0.01666667
##   Informatika 0.03809524 0.05238095 0.06666667 0.03333333 0.02380952
##   Manajemen   0.07142857 0.02857143 0.04761905 0.01904762 0.04761905
##   Statistika  0.05714286 0.02142857 0.04285714 0.02857143 0.01666667

3. Vektor Kolom dan Vektor Baris

c <- colSums(table_coresp)
c
## Tatap Muka     Daring     Hybrid  Praktikum    Diskusi 
##  0.2619048  0.1452381  0.2333333  0.2238095  0.1357143
r <- rowSums(table_coresp)
r
##  Agribisnis     Biologi Informatika   Manajemen  Statistika 
##   0.2142857   0.1904762   0.2142857   0.2142857   0.1666667

4. Matriks Kolom dan Matriks Baris

Dc <- diag(c)
Dc
##           [,1]      [,2]      [,3]      [,4]      [,5]
## [1,] 0.2619048 0.0000000 0.0000000 0.0000000 0.0000000
## [2,] 0.0000000 0.1452381 0.0000000 0.0000000 0.0000000
## [3,] 0.0000000 0.0000000 0.2333333 0.0000000 0.0000000
## [4,] 0.0000000 0.0000000 0.0000000 0.2238095 0.0000000
## [5,] 0.0000000 0.0000000 0.0000000 0.0000000 0.1357143
Dr <- diag(r)
Dr
##           [,1]      [,2]      [,3]      [,4]      [,5]
## [1,] 0.2142857 0.0000000 0.0000000 0.0000000 0.0000000
## [2,] 0.0000000 0.1904762 0.0000000 0.0000000 0.0000000
## [3,] 0.0000000 0.0000000 0.2142857 0.0000000 0.0000000
## [4,] 0.0000000 0.0000000 0.0000000 0.2142857 0.0000000
## [5,] 0.0000000 0.0000000 0.0000000 0.0000000 0.1666667

5. Analisis Profil Baris

Profil baris diperoleh dengan: \[ R= Dr^{-1}P \]

R <- solve(Dr)%*%table_coresp
rownames(R) <- rownames(table_coresp)
R
##              Metode_Pembelajaran
##               Tatap Muka    Daring    Hybrid  Praktikum   Diskusi
##   Agribisnis   0.2888889 0.1111111 0.1888889 0.26666667 0.1444444
##   Biologi      0.1750000 0.1000000 0.1875000 0.45000000 0.0875000
##   Informatika  0.1777778 0.2444444 0.3111111 0.15555556 0.1111111
##   Manajemen    0.3333333 0.1333333 0.2222222 0.08888889 0.2222222
##   Statistika   0.3428571 0.1285714 0.2571429 0.17142857 0.1000000
  • Pada kolom Tatap Muka terlihat bahwa program studi Statistika memiliki nilai terbesar yakni 0.3428571. Hal ini menunjukkan bahwa Tatap Muka adalah metode pembelajaran yang paling disukai mahasiswa Statistika.
  • Pada kolom Daring dan Hybrid program studi Informatika memiliki nilai tertinggi, yakni 0.2444444 dan 0.3111111. Artinya, metode pembelajaran Daring dan Hybrid adalah metode yang paling disukai mahasiswa Informatika.
  • Di kolom Praktikum ditunjukkan bahwa program studi Biologi memiliki nilai tertinggi sebesar 0.45 yang artinya Praktikum adalah metode pembelajaran yang paling disukai mahasiswa prodi Biologi.
  • Kolom Diskusi menunjukkan bahwa program studi Manajemen memiliki nilai terbesar yakni 0.2222222. Hal ini menunjukkan bahwa Diskusi adalah metode pembelajaran yang paling disukai mahasiswa prodi Manajemen.

Kemudian diperoleh nilai massa setiap kolom sebagai berikut:

mass_c <- colSums(R)
mass_c
## Tatap Muka     Daring     Hybrid  Praktikum    Diskusi 
##  1.3178571  0.7174603  1.1668651  1.1325397  0.6652778

Nilai massa terbesar adalah 1.31785711 terdapat pada kolom Tatap Muka yang artinya metode pembelajaran ini adalah yang paling banyak disukai mahasiswa.

6. Analisis Profil Kolom

Profil kolom diperoleh dengan:

\[ C = PDc^{-1} \]

C <- table_coresp %*% solve(Dc)
colnames(C) <- colnames(table_coresp)
C
##              
## Program_Studi Tatap Muka    Daring    Hybrid  Praktikum   Diskusi
##   Agribisnis   0.2363636 0.1639344 0.1734694 0.25531915 0.2280702
##   Biologi      0.1272727 0.1311475 0.1530612 0.38297872 0.1228070
##   Informatika  0.1454545 0.3606557 0.2857143 0.14893617 0.1754386
##   Manajemen    0.2727273 0.1967213 0.2040816 0.08510638 0.3508772
##   Statistika   0.2181818 0.1475410 0.1836735 0.12765957 0.1228070
  • Mahasiswa program studi Agribisnis dan Manajemen mempunyai massa terbesar pada metode pembelajaran Diskusi, yaitu 0.2880702. Hal ini menunjukkan bahwa mahasiswa terbanyak yang menyukai metode pembelajaran Diskusi adalah mahasiswa prodi Agribisnis dan Manajemen.
  • Mahasiswa program studi Biologi mempunya massa terbesar pada metode pembelajaran Praktikum dengan nilai sebesar 0.38297872. Ini menandakan bahwa mahasiswa terbanyak yang menyukai metode pembelajaran Praktikum adalah mahasiswa prodi Biologi.
  • Mahasiswa program studi Informatika mempunyai massa terbesar pada metode pembelajaran Daring sebesar 0.3606557. Ini artinya mahasiswa terbanyak yang menyukai metode pembelajaran Daring adalah mahasiswa prodi Informatika.
  • Mahasiswa program studi Statistika mempunyai massa terbesar dengan nilai 0.2181818 pada metode pembelajaran Tatap Muka. Ini menunjukkan bahwa mahasiswa terbanyak yang menyukai metode pembelajaran Tatap Muka adalah mahasiswa prodi Statistika.

Kemudian diperolah nilai massa setiap baris sebagai berikut:

mass_r <- rowSums(C)
mass_r
##  Agribisnis     Biologi Informatika   Manajemen  Statistika 
##   1.0571568   0.9172672   1.1161993   1.1095138   0.7998629

Nilai massa terbesar pada baris program studi menunjukkan bahwa Informatika, Manajemen, dan Agribisnis merupakan program studi dengan jumlah responden yang relatif besar, sehingga memiliki pengaruh yang lebih besar terhadap pembentukan dimensi dalam analisis korespondensi.

7. Menentukan Koordinat Profil Baris dan Kolom

Koordinat baris dan kolom yang ditentukan menggunakan GSVD melalui matriks:

\[ P-rc' \]

Prc <- table_coresp - r%*%t(c)
Prc
##              Metode_Pembelajaran
## Program_Studi   Tatap Muka       Daring       Hybrid    Praktikum      Diskusi
##   Agribisnis   0.005782313 -0.007312925 -0.009523810  0.009183673  0.001870748
##   Biologi     -0.016553288 -0.008616780 -0.008730159  0.043083900 -0.009183673
##   Informatika -0.018027211  0.021258503  0.016666667 -0.014625850 -0.005272109
##   Manajemen    0.015306122 -0.002551020 -0.002380952 -0.028911565  0.018537415
##   Statistika   0.013492063 -0.002777778  0.003968254 -0.008730159 -0.005952381

Kemudian matriks Z diperoleh melalui:

Z <- diag(1/sqrt(diag(Dr)))%*%Prc%*%diag(1/sqrt(diag(Dc)))
Z
##             [,1]        [,2]        [,3]        [,4]        [,5]
## [1,]  0.02440806 -0.04145284 -0.04259177  0.04193538  0.01096998
## [2,] -0.07411263 -0.05180652 -0.04141078  0.20866777 -0.05711936
## [3,] -0.07609572  0.12050243  0.07453560 -0.06678597 -0.03091541
## [4,]  0.06460957 -0.01446029 -0.01064794 -0.13201878  0.10870256
## [5,]  0.06457766 -0.01785389  0.02012272 -0.04520209 -0.03957797
Du <- diag(sqrt(eigen(Z %*% t(Z))$values))[1:2,1:2]
Du
##           [,1]     [,2]
## [1,] 0.3007432 0.000000
## [2,] 0.0000000 0.193975

Kemudian dari matriks Z yang sudah diperoleh, dicari matriks U (vektor ciri dari ZZ’) dan matriks V (vektor ciri dari matriks Z’Z).

library(factoextra)
## Warning: package 'factoextra' was built under R version 4.4.3
## Loading required package: ggplot2
## Warning: package 'ggplot2' was built under R version 4.4.3
## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa
U <- eigen(Z %*% t(Z))$vectors
U
##            [,1]         [,2]        [,3]       [,4]      [,5]
## [1,] -0.1426775  0.326676022 -0.03594813  0.8107700 0.4629100
## [2,] -0.7899646  0.004337579 -0.16614060 -0.3973138 0.4364358
## [3,]  0.2221845 -0.842325824 -0.12250271  0.1087595 0.4629100
## [4,]  0.5325132  0.414203819 -0.45034500 -0.3574474 0.4629100
## [5,]  0.1505421  0.110391866  0.86792137 -0.2125948 0.4082483
A <- (sqrt(Dr) %*% U)[,1:2]
A
##             [,1]         [,2]
## [1,] -0.06604686  0.151221614
## [2,] -0.34476880  0.001893075
## [3,]  0.10285144 -0.389921089
## [4,]  0.24650569  0.191739110
## [5,]  0.06145853  0.045067291
V <- eigen(t(Z) %*% Z)$vectors
V
##            [,1]        [,2]        [,3]        [,4]       [,5]
## [1,]  0.2736011  0.54460549  0.53521480  0.28317427 -0.5117663
## [2,]  0.2102305 -0.63528355 -0.15310883  0.61930407 -0.3811012
## [3,]  0.1752649 -0.40760738  0.24164617 -0.71513092 -0.4830459
## [4,] -0.8737311  0.05767403 -0.08718909  0.04308323 -0.4730851
## [5,]  0.2946552  0.36103962 -0.79000506 -0.15167864 -0.3683942
B <- (sqrt(Dc) %*% V)[,1:2]
B
##             [,1]        [,2]
## [1,]  0.14001982  0.27871074
## [2,]  0.08011910 -0.24210730
## [3,]  0.08466099 -0.19689307
## [4,] -0.41334919  0.02728472
## [5,]  0.10854927  0.13300490

Koordinat Baris

rows <- solve(Dr)%*%A%*%Du
rows
##             [,1]         [,2]
## [1,] -0.09269469  0.136888300
## [2,] -0.54435617  0.001927848
## [3,]  0.14434875 -0.352963003
## [4,]  0.34596297  0.173565406
## [5,]  0.11089944  0.052451556

Koordinat Kolom

cols <- solve(Dc)%*%B%*%Du
cols
##            [,1]        [,2]
## [1,]  0.1607837  0.20642201
## [2,]  0.1659019 -0.32335011
## [3,]  0.1091195 -0.16368140
## [4,] -0.5554365  0.02364758
## [5,]  0.2405455  0.19010247

8. Visualisasi Berdasarkan Koordinat Profil Baris dan Kolom

row_df <- data.frame(rows)
col_df <- data.frame(cols)
colnames(row_df) <- c("Dim.1", "Dim.2")
rownames(row_df) <- rownames(table_count)
colnames(col_df) <- c("Dim.1", "Dim.2")
rownames(col_df) <- colnames(table_count)
row_df["Var"] <- "Usia"
row_df["Size"] <- 2
col_df["Var"] <- "Stasiun TV"
col_df["Size"] <- 2
ca.plot.df <- rbind(col_df, row_df)
ca.plot.df["Label"] <- rownames(ca.plot.df)
ca.plot.df
##                   Dim.1        Dim.2        Var Size       Label
## Tatap Muka   0.16078370  0.206422007 Stasiun TV    2  Tatap Muka
## Daring       0.16590192 -0.323350112 Stasiun TV    2      Daring
## Hybrid       0.10911952 -0.163681398 Stasiun TV    2      Hybrid
## Praktikum   -0.55543650  0.023647578 Stasiun TV    2   Praktikum
## Diskusi      0.24054550  0.190102469 Stasiun TV    2     Diskusi
## Agribisnis  -0.09269469  0.136888300       Usia    2  Agribisnis
## Biologi     -0.54435617  0.001927848       Usia    2     Biologi
## Informatika  0.14434875 -0.352963003       Usia    2 Informatika
## Manajemen    0.34596297  0.173565406       Usia    2   Manajemen
## Statistika   0.11089944  0.052451556       Usia    2  Statistika
library(ggplot2)
p <- ggplot(ca.plot.df, aes(x = Dim.1, y = Dim.2,
                       col = Var, shape = Var,
                       label = Label, size = Size)) +
  geom_vline(xintercept = 0, lty = "dashed", alpha = .5) +
  geom_hline(yintercept = 0, lty = "dashed", alpha = .5) +
  geom_point() + geom_text(check_overlap = T, hjust=-0.15)

plot(p)

Penyelesaian dengan R

Untuk menyelesaikan analisis korespondensi dengan R, data yang digunakan adalah data yang telah direpresentasikan pada tabel kontingensi, sebagaimana yang tersimpan pada objek table_count. Package yang digunakan adalah FactoMineR dengan fungsi CA(), serta visualisasi menggunakan factoextra.

library(factoextra)
library(FactoMineR)
## Warning: package 'FactoMineR' was built under R version 4.4.3
table_count
##              Metode_Pembelajaran
## Program_Studi Tatap Muka Daring Hybrid Praktikum Diskusi
##   Agribisnis         130     50     85       120      65
##   Biologi             70     40     75       180      35
##   Informatika         80    110    140        70      50
##   Manajemen          150     60    100        40     100
##   Statistika         120     45     90        60      35

Eksplorasi data

library(gplots)
## Warning: package 'gplots' was built under R version 4.4.3
## 
## Attaching package: 'gplots'
## The following object is masked from 'package:stats':
## 
##     lowess
balloonplot(table_count, main ="Tabel Kontingensi Metode Pembelajaran x Prodi", xlab ="", ylab="", label = FALSE, show.margins = FALSE)

Semakin besar lingkaran menunjukkan nilai yang semakin besar.

chisq <- chisq.test(table_count)
chisq
## 
##  Pearson's Chi-squared test
## 
## data:  table_count
## X-squared = 286.09, df = 16, p-value < 2.2e-16

Uji Khi-Kuadrat menunjukkan bahwa peubah Metode Pembelajaran dan Program Studi saling terkait secara signifikan.

Membentuk Model Correspondence Analysis

model_metode <- CA(table_count, graph = F)
model_metode
## **Results of the Correspondence Analysis (CA)**
## The row variable has  5  categories; the column variable has 5 categories
## The chi square of independence between the two variables is equal to 286.0875 (p-value =  1.924734e-51 ).
## *The results are available in the following objects:
## 
##    name              description                   
## 1  "$eig"            "eigenvalues"                 
## 2  "$col"            "results for the columns"     
## 3  "$col$coord"      "coord. for the columns"      
## 4  "$col$cos2"       "cos2 for the columns"        
## 5  "$col$contrib"    "contributions of the columns"
## 6  "$row"            "results for the rows"        
## 7  "$row$coord"      "coord. for the rows"         
## 8  "$row$cos2"       "cos2 for the rows"           
## 9  "$row$contrib"    "contributions of the rows"   
## 10 "$call"           "summary called parameters"   
## 11 "$call$marge.col" "weights of the columns"      
## 12 "$call$marge.row" "weights of the rows"

1. Akar Ciri

eig.val <- get_eigenvalue(model_metode)
eig.val
##         eigenvalue variance.percent cumulative.variance.percent
## Dim.1 0.0904465022        66.391457                    66.39146
## Dim.2 0.0376262866        27.619244                    94.01070
## Dim.3 0.0079460430         5.832723                    99.84342
## Dim.4 0.0002133068         0.156576                   100.00000

2. Persentase Keragaman

fviz_screeplot(model_metode, addlabels = TRUE, barfill = "#E23C64", barcolor = "#E23C64")

Dari grafik dapat terlihat bahwa dengan mereduksi menjadi 2 dimensi saja, kita sudah mendapatkan 94% keragaman dalam data.

3. Analisis dan Visualisasi Profil Baris

row <- get_ca_row(model_metode)
row
## Correspondence Analysis - Results for rows
##  ===================================================
##   Name       Description                
## 1 "$coord"   "Coordinates for the rows" 
## 2 "$cos2"    "Cos2 for the rows"        
## 3 "$contrib" "contributions of the rows"
## 4 "$inertia" "Inertia of the rows"

Koordinat dari profil baris

row$coord
##                   Dim 1        Dim 2        Dim 3        Dim 4
## Agribisnis  -0.09269469 -0.136888300  0.006922376  0.025580168
## Biologi     -0.54435617 -0.001927848  0.033933673 -0.013295837
## Informatika  0.14434875  0.352963003  0.023589816  0.003431412
## Manajemen    0.34596297 -0.173565406  0.086720982 -0.011277629
## Statistika   0.11089944 -0.052451556 -0.189509708 -0.007605551

Kontribus keragaman profil baris

row$contrib
##                 Dim 1        Dim 2      Dim 3     Dim 4
## Agribisnis   2.035688 10.671722348  0.1292268 65.734792
## Biologi     62.404401  0.001881459  2.7602698 15.785829
## Informatika  4.936595 70.951279429  1.5006915  1.182863
## Manajemen   28.357026 17.156480355 20.2810617 12.776861
## Statistika   2.266291  1.218636409 75.3287502  4.519656

Profil baris yang berkontribusi paling banyak kepada Dim 1 dan Dim 2 adalah baris yang paling penting dalam menjelaskan keragaman data. Nilai massa terbesar pada baris program studi menunjukkan bahwa Informatika, Manajemen, dan Agribisnis merupakan program studi dengan jumlah responden yang relatif besar, sehingga memiliki pengaruh yang lebih besar terhadap pembentukan dimensi dalam analisis korespondensi.

Plot profil baris

fviz_ca_row(model_metode, col.row="#B0183D", shape.row = 15)

  • Berdasarkan grafik analisis korespondensi, terlihat bahwa Program Studi Statistika dan Manajemen berada dalam kelompok yang sama, yang ditunjukkan oleh posisi keduanya yang saling berdekatan. Hal ini mengindikasikan bahwa kedua program studi tersebut memiliki pola preferensi metode pembelajaran yang relatif serupa.
  • Sebaliknya, Program Studi Biologi dan Informatika berada pada kelompok yang berlawanan, yang terlihat dari posisi keduanya yang terletak saling berjauhan dan berlawanan arah pada grafik. Kondisi ini menunjukkan adanya perbedaan karakteristik dan kecenderungan metode pembelajaran antara kedua program studi tersebut.

4. Analisis dan Visualisasi Profil Kolom

col <- get_ca_col(model_metode)
col
## Correspondence Analysis - Results for columns
##  ===================================================
##   Name       Description                   
## 1 "$coord"   "Coordinates for the columns" 
## 2 "$cos2"    "Cos2 for the columns"        
## 3 "$contrib" "contributions of the columns"
## 4 "$inertia" "Inertia of the columns"

Koordinat dari profil kolom

col$coord
##                 Dim 1       Dim 2       Dim 3        Dim 4
## Tatap Muka  0.1607837 -0.20642201 -0.09322489  0.008081360
## Daring      0.1659019  0.32335011  0.03581256  0.023733731
## Hybrid      0.1091195  0.16368140 -0.04459303 -0.021622182
## Praktikum  -0.5554365 -0.02364758  0.01642851  0.001330060
## Diskusi     0.2405455 -0.19010247  0.19115803 -0.006013316

Kontribusi keragaman profil kolom

col$contrib
##                Dim 1      Dim 2      Dim 3      Dim 4
## Tatap Muka  7.485756 29.6595138 28.6454877  8.0187666
## Daring      4.419688 40.3585187  2.3442313 38.3537526
## Hybrid      3.071779 16.6143776  5.8392871 51.1412232
## Praktikum  76.340608  0.3326293  0.7601937  0.1856165
## Diskusi     8.682170 13.0349605 62.4108002  2.3006411

Profil kolom yang berkontribusi paling banyak kepada Dim 1 dan Dim 2 adalah baris yang paling penting dalam menjelaskan keragaman data. Metode Tatap Muka, Hybrid, dan Praktikum memiliki nilai massa yang relatif besar, yang menandakan bahwa metode-metode tersebut paling sering dipilih oleh mahasiswa secara keseluruhan.

Plot profil kolom

fviz_ca_col(model_metode, col.col="#B0183D", shape.col = 15)

  • Berdasarkan grafik analisis korespondensi, terlihat bahwa metode Tatap Muka dan Diskusi terletak berdekatan, yang menunjukkan bahwa kedua metode tersebut berada dalam kelompok yang sama dan memiliki karakteristik pembelajaran yang relatif serupa.
  • Selain itu, grafik analisis korespondensi menunjukkan bahwa metode Hybrid dan Daring berada pada posisi yang berlawanan dengan metode Praktikum. Hal ini mengindikasikan bahwa Hybrid dan Daring membentuk kelompok yang berbeda dan memiliki pola pembelajaran yang berlawanan dibandingkan dengan metode Praktikum.

5. Pembentukan Plot Korespondensi

fviz_ca_biplot(model_metode, repel = TRUE, col.row="#E23C64", col.col="#FFD464")

  • Berdasarkan grafik analisis korespondensi, terlihat bahwa metode pembelajaran Praktikum berdekatan dengan Program Studi Biologi. Hal ini menunjukkan bahwa mahasiswa Program Studi Biologi memiliki kecenderungan yang kuat untuk memilih metode pembelajaran Praktikum dibandingkan metode lainnya.
  • Program Studi Informatika terletak dekat dengan metode pembelajaran Daring, yang mengindikasikan bahwa mahasiswa Informatika lebih menyukai metode pembelajaran berbasis online dibandingkan metode pembelajaran lainnya.
  • Selanjutnya, Program Studi Manajemen berada dekat dengan metode Diskusi, yang menunjukkan bahwa mahasiswa Manajemen cenderung memilih metode pembelajaran Diskusi karena menekankan interaksi dan komunikasi.
  • Selain itu, Program Studi Statistika berada pada posisi yang relatif dekat dengan metode Tatap Muka dan Hybrid, yang mengindikasikan bahwa mahasiswa Statistika memiliki preferensi yang seimbang antara pembelajaran konvensional dan pembelajaran berbasis teknologi.