library(readxl)
library(MASS)
library(dplyr)
library(caret)

# Import data
data <- read_excel("C:/Users/LENOVO/Downloads/DATA TERBARU PSD.xlsx")

# Variabel kenyamanan
data$kenyamanan <- rowMeans(data[,8:12])

# Variabel motivasi
data$motivasi <- rowMeans(data[,13:17])

# Membentuk kategori ordinal
data$motivasi_kat <- cut(
  data$motivasi,
  breaks = c(0,3.5,4.0,5),
  labels = c("Rendah","Sedang","Tinggi"),
  include.lowest = TRUE,
  ordered_result = TRUE
)

# Model Regresi Ordinal
model <- polr(
  motivasi_kat ~ kenyamanan,
  data = data,
  Hess = TRUE
)

summary(model)
## Call:
## polr(formula = motivasi_kat ~ kenyamanan, data = data, Hess = TRUE)
## 
## Coefficients:
##            Value Std. Error t value
## kenyamanan 1.089     0.4015   2.713
## 
## Intercepts:
##               Value  Std. Error t value
## Rendah|Sedang 2.1814 1.4267     1.5289 
## Sedang|Tinggi 4.2085 1.4999     2.8059 
## 
## Residual Deviance: 118.6777 
## AIC: 124.6777
# p-value
ctable <- coef(summary(model))
p <- pnorm(abs(ctable[, "t value"]), lower.tail = FALSE) * 2
(ctable <- cbind(ctable, "p value" = p))
##                  Value Std. Error  t value     p value
## kenyamanan    1.089305   0.401504 2.713062 0.006666463
## Rendah|Sedang 2.181399   1.426735 1.528945 0.126278177
## Sedang|Tinggi 4.208518   1.499870 2.805921 0.005017303
# Odds Ratio
exp(coef(model))
## kenyamanan 
##   2.972208
# Prediksi
prediksi <- predict(model, type = "class")

# Confusion Matrix
confusionMatrix(prediksi, data$motivasi_kat)
## Confusion Matrix and Statistics
## 
##           Reference
## Prediction Rendah Sedang Tinggi
##     Rendah      1      0      0
##     Sedang      8      9     10
##     Tinggi      1     15     18
## 
## Overall Statistics
##                                           
##                Accuracy : 0.4516          
##                  95% CI : (0.3248, 0.5832)
##     No Information Rate : 0.4516          
##     P-Value [Acc > NIR] : 0.54908         
##                                           
##                   Kappa : 0.0564          
##                                           
##  Mcnemar's Test P-Value : 0.01857         
## 
## Statistics by Class:
## 
##                      Class: Rendah Class: Sedang Class: Tinggi
## Sensitivity                0.10000        0.3750        0.6429
## Specificity                1.00000        0.5263        0.5294
## Pos Pred Value             1.00000        0.3333        0.5294
## Neg Pred Value             0.85246        0.5714        0.6429
## Prevalence                 0.16129        0.3871        0.4516
## Detection Rate             0.01613        0.1452        0.2903
## Detection Prevalence       0.01613        0.4355        0.5484
## Balanced Accuracy          0.55000        0.4507        0.5861
model0 <- polr(motivasi_kat ~ 1,
               data = data,
               Hess = TRUE)

anova(model0, model)
## Likelihood ratio tests of ordinal regression models
## 
## Response: motivasi_kat
##        Model Resid. df Resid. Dev   Test    Df LR stat.     Pr(Chi)
## 1          1        60   126.5629                                  
## 2 kenyamanan        59   118.6777 1 vs 2     1 7.885228 0.004984019

Kesimpulan Codingan

Berdasarkan hasil penelitian yang telah dilakukan, dapat disimpulkan bahwa metode regresi ordinal logistik dapat digunakan untuk menganalisis hubungan antara kenyamanan ruang kelas dengan motivasi belajar mahasiswa karena telah memenuhi asumsi proportional odds. Hasil analisis menunjukkan bahwa kenyamanan ruang kelas berpengaruh secara signifikan terhadap motivasi belajar mahasiswa. Hal ini ditunjukkan oleh nilai p-value sebesar 0,0067, yang lebih kecil dari taraf signifikansi 0,05, serta koefisien regresi sebesar 1,089 yang bernilai positif. Temuan

tersebut mengindikasikan bahwa semakin baik tingkat kenyamanan ruang kelas yang dirasakan mahasiswa, maka semakin besar pula peluang mahasiswa untuk memiliki motivasi belajar pada kategori yang lebih tinggi. Dengan demikian, kenyamanan ruang kelas dapat dikatakan sebagai salah satu faktor yang berperan dalam mendukung peningkatan motivasi belajar mahasiswa selama proses perkuliahan berlangsung.

Berdasarkan model yang diperoleh, ketika tingkat kenyamanan ruang kelas berada pada kategori yang baik, peluang mahasiswa untuk memiliki motivasi belajar tinggi juga menjadi lebih besar dibandingkan peluang berada pada kategori sedang maupun rendah. Meskipun demikian, hasil evaluasi model menunjukkan bahwa kemampuan klasifikasi yang dihasilkan masih belum optimal.

Nilai accuracy sebesar 45,16% menunjukkan bahwa model hanya mampu mengklasifikasikan sekitar 45% data sesuai dengan kondisi sebenarnya. Selain itu, nilai recall pada masing-masing kategori juga belum merata, yaitu sebesar 10% untuk kategori motivasi rendah, 37,5% untuk kategori sedang, dan 64,29% untuk kategori tinggi. Sementara itu, nilai Pseudo R² Nagelkerke sebesar 13,72% menunjukkan bahwa kenyamanan ruang kelas hanya mampu menjelaskan sebagian kecil variasi motivasi belajar mahasiswa, sedangkan sebagian besar variasinya masih dipengaruhi oleh faktor-faktor lain yang tidak dimasukkan dalam penelitian ini.
Oleh karena itu, meskipun kenyamanan ruang kelas terbukti memiliki pengaruh yang signifikan, masih terdapat variabel lain yang perlu dipertimbangkan agar kemampuan model dalam menjelaskan maupun memprediksi motivasi belajar menjadi lebih baik