Sekilas UTBK

Ujian Tulis Berbasis Komputer (UTBK) merupakan ujian masuk Perguruan Tinggi Negeri yang diadakan oleh Lembaga Tes masuk Perguruan Tinggi (LTMPT) Kementrian Riset, Teknologi dan Pendidikan Tinggi (Ristekdikti). UTBK dapat diikuti oleh siswa lulusan tahun yang sama dengan pelaksanaan UTBK hingga 2 tahun setelah kelulusan pendidikan SMA/MA/SMK dan sederajat. Nilai yang didapatkan dari UTBK kemudian digunakan untuk mengikuti Seleksi Bersama Masuk Perguruan Tinggi Negeri (SBMPTN). Analisis UTBK menjadi sangat penting setiap tahunnya karena ketatnya persaingannya yang sangat ketat.

Data Visualisasi UTBK 2019

UTBK 2019 diikuti oleh 781.088 Peserta dengan persaingan memperebutkan 181.645 kursi tersedia untuk menempuh Pendidikan Tinggi melalui jalur tersebut. UTBK 2019 dapat dijadikan referensi yang baik guna melakukan analisis penyelenggaraan UTBK 2021 dikarenakan sistem tes yang serupa.

Peserta dapat memilih konsentrasi ujian yang diinginkan, yaitu konsentrasi Sains dan Teknologi (Saintek) untuk peserta yang ingin mendaftarkan diri pada program studi sains, teknologi dan medis serta konsentrasi Sosial dan Humaniora (Soshum) untuk peserta yang ingin mendaftarkan diri pada program studi sosial, ekonomi, bahasa dan keagamaan.

Fastlook UTBK 2019

Sebelum melihat detil setiap mata ujian di UTBK, ada baiknya kita melakukan fastlook terhadap data UTBK 2019 dari sisi universtitas yang dituju. (selengkapnya di P4DS)

Data Pre-Processing

# Memanggil Dataset
library(readxl)
major <- read_excel("UTBK2019.xlsx", sheet = "Major")

# Data Pre-Processing
major$type <- as.factor(major$type)
major$university_name <- as.factor(major$university_name)
major$major_name <- as.factor(major$major_name)

majorsaintek <- major[ major$type == "Saintek" , ]
majorsaintek <- aggregate(capacity ~ university_name,
                          data = majorsaintek,
                          FUN = sum)
majorsaintek <- majorsaintek[order(majorsaintek$capacity, decreasing = T),]
majorsaintek <- majorsaintek[1:10,]

majorsoshum <- major[ major$type == "Soshum" , ]
majorsoshum <- aggregate(capacity ~ university_name,
                          data = majorsoshum,
                          FUN = sum)
majorsoshum <- majorsoshum[order(majorsoshum$capacity, decreasing = T),]
majorsoshum <- majorsoshum[1:10,]

Visualisasi Data Program Studi

# Visualisasi Program Studi Saintek
library(ggplot2)
library(ggthemes)

ggplot(data = majorsaintek, mapping = aes(x = capacity, y = reorder(university_name, capacity))) +
   geom_col(aes(fill = capacity),show.legend = F) +
   scale_fill_gradient(low = "#12C2FB", high = "#2235A0") +
   geom_label(aes(label = capacity),
              size = 2.8) +
   theme_update() +
   theme(plot.title = element_text(face = "bold.italic", size = 11)) +
   labs(title = "10 Universitas Saintek Daya Tampung Terbesar di Indonesia",
        y = " ",
        x = "Daya Tampung Total")

# Visualisasi Program Studi Soshum
ggplot(data = majorsoshum, mapping = aes(x = capacity, y = reorder(university_name, capacity))) +
   geom_col(aes(fill = capacity),show.legend = F) +
   scale_fill_gradient(low = "#12C2FB", high = "#2235A0") +
   geom_label(aes(label = capacity),
              size = 2.8) +
   theme_update() +
   theme(plot.title = element_text(face = "bold.italic", size = 11)) +
   labs(title = "10 Universitas Soshum Daya Tampung Terbesar di Indonesia",
        y = " ",
        x = "Daya Tampung Total")

Mata Ujian Sains dan Teknologi (Saintek)

Mata ujian Saintek terdiri atas 4 mata ujian yaitu Matematika IPA, Biologi, Fisika dan Kimia. Mata ujian saintek pada umumnya merupakan mata pelajaran yang didapatkan oleh siswa SMA IPA selama 3 tahun.

Data Pre-Processing

# Memanggil data saintek

saintekdata <- read_excel("saintek.xlsx")

str(saintekdata)
## tibble [86,569 x 20] (S3: tbl_df/tbl/data.frame)
##  $ index                : num [1:86569] 0 1 2 3 4 5 6 7 8 9 ...
##  $ id_first_major       : num [1:86569] 3321065 3211015 3721093 3321096 5211104 ...
##  $ first_major          : chr [1:86569] "SEKOLAH ILMU DAN TEKNO. HAYATI - PROG. SAINS" "PENDIDIKAN DOKTER" "ILMU DAN TEKNOLOGI PANGAN" "FAKULTAS TEKNIK MESIN DAN DIRGANTARA (FTMD)" ...
##  $ capacity_first_major : num [1:86569] 64 72 68 120 30 125 40 100 50 72 ...
##  $ id_first_university  : num [1:86569] 332 321 372 332 521 611 341 353 711 321 ...
##  $ first_university     : chr [1:86569] "INSTITUT TEKNOLOGI BANDUNG" "UNIVERSITAS INDONESIA" "UNIVERSITAS BRAWIJAYA" "INSTITUT TEKNOLOGI BANDUNG" ...
##  $ id_second_major      : num [1:86569] 3331187 3611066 3551302 3551194 5211085 ...
##  $ second_major         : chr [1:86569] "PSIKOLOGI" "KEDOKTERAN" "TEKNOLOGI PANGAN" "TEKNIK MESIN" ...
##  $ capacity_second_major: num [1:86569] 80 79 50 90 64 50 41 40 50 125 ...
##  $ id_second_university : num [1:86569] 333 361 355 355 521 333 341 353 711 711 ...
##  $ second_university    : chr [1:86569] "UNIVERSITAS PADJADJARAN" "UNIVERSITAS GADJAH MADA" "UNIVERSITAS DIPONEGORO" "UNIVERSITAS DIPONEGORO" ...
##  $ id_user              : num [1:86569] 4 14 19 23 28 29 33 37 39 43 ...
##  $ score_bio            : num [1:86569] 400 816 562 700 461 516 675 641 440 438 ...
##  $ score_fis            : num [1:86569] 400 666 839 669 619 503 584 567 410 459 ...
##  $ score_kim            : num [1:86569] 400 651 624 692 441 410 578 600 554 532 ...
##  $ score_kmb            : num [1:86569] 400 678 700 679 593 717 670 627 645 524 ...
##  $ score_kpu            : num [1:86569] 400 685 781 692 563 614 647 553 587 442 ...
##  $ score_kua            : num [1:86569] 400 706 464 813 500 641 706 597 502 654 ...
##  $ score_mat            : num [1:86569] 400 695 551 507 666 479 478 529 649 535 ...
##  $ score_ppu            : num [1:86569] 400 562 668 573 370 512 590 691 447 537 ...
#Inspeksi missing value
colSums(is.na(saintekdata))
##                 index        id_first_major           first_major 
##                     0                     0                     0 
##  capacity_first_major   id_first_university      first_university 
##                     0                     0                     0 
##       id_second_major          second_major capacity_second_major 
##                     0                     0                     0 
##  id_second_university     second_university               id_user 
##                     0                     0                     0 
##             score_bio             score_fis             score_kim 
##                     0                     0                     0 
##             score_kmb             score_kpu             score_kua 
##                     0                     0                     0 
##             score_mat             score_ppu 
##                     0                     0

Inspeksi data menujukkan tidak ada kolom yang bermasalah. Data yang telah diinspeksi kemudian dilakukan visualisasi.

Visualisasi Data

# Meringkas data untuk visualisasi
datasains <- data.frame(
  Mapel = c( "Matematika IPA", "Fisika", "Biologi", "Kimia"),
  Nilai = c( saintekdata$score_mat, saintekdata$score_fis, saintekdata$score_bio, saintekdata$score_kim)
)

# Visualisasi
  ggplot(datasains, aes(x = Nilai, fill = Mapel)) +
     geom_histogram(alpha = 0.6, position = 'identity', bins = 30, show.legend = F) +
     facet_wrap(facets = ~Mapel, nrow = 2 ) +
     labs(fill="") +
     theme_update() +
     theme(plot.title = element_text(face = "bold.italic", size = 14)) +
     scale_x_continuous( limits = c(100, 1000)) +
     labs(title = "Sebaran Nilai Mata Ujian TKA Sains dan Teknologi",
        y = "Jumlah Data",
        x = "Skor Mata Ujian")

Pada umumnya mata ujian yang memiliki analisis kuantitatif yang banyak seperti Matematika IPA, Fisika dan Kimia memiliki skor rataan yang lebih kecil dibandingkan mata ujian Biologi. Hal ini memungkinkan terjadi karena beberapa faktor, diantaranya yaitu:

  1. Soal pada mata ujian tersebut cenderung lebih sulit untuk dikerjakan.
  2. Soal pada mata ujian tersebut membutuhkan waktu yang lebih lama untuk dikerjakan sehingga seringkali ditinggalkan.

Mata Ujian Sosial dan Humaniora (Soshum)

Mata ujian Soshum terdiri atas 4 mata ujian yaitu Geografi, Sejarah, Sosiologi dan Ekonomi. Mata ujian Saintek pada umumnya merupakan mata pelajaran yang didapatkan oleh siswa SMA IPS selama 3 tahun.

Data Pre-Processing

# Memanggil data soshum
soshumdata <- read_excel("soshum.xlsx")

str(soshumdata)
## tibble [61,198 x 21] (S3: tbl_df/tbl/data.frame)
##  $ index                : num [1:61198] 0 1 2 3 4 5 6 7 8 9 ...
##  $ id_first_major       : num [1:61198] 3322014 3212057 3722057 3212081 3812106 ...
##  $ first_major          : chr [1:61198] "FAKULTAS SENIRUPA DAN DESAIN (FSRD)" "ILMU KOMUNIKASI" "MANAJEMEN" "KRIMINOLOGI" ...
##  $ capacity_first_major : num [1:61198] 14 16 20 16 48 26 20 16 16 45 ...
##  $ id_first_university  : num [1:61198] 332 321 372 321 381 142 323 362 322 334 ...
##  $ first_university     : chr [1:61198] "INSTITUT TEKNOLOGI BANDUNG" "UNIVERSITAS INDONESIA" "UNIVERSITAS BRAWIJAYA" "UNIVERSITAS INDONESIA" ...
##  $ id_second_major      : num [1:61198] 3532154 3322022 1912042 3212301 3852034 ...
##  $ second_major         : chr [1:61198] "DESAIN KOMUNIKASI VISUAL" "SEKOLAH BISNIS DAN MANAJEMEN (SBM)" "MANAJEMEN" "BAHASA DAN KEBUDAYAAN KOREA" ...
##  $ capacity_second_major: num [1:61198] 25 14 18 16 40 26 16 25 32 45 ...
##  $ id_second_university : num [1:61198] 353 332 191 321 385 142 322 353 336 334 ...
##  $ second_university    : chr [1:61198] "UNIVERSITAS SEBELAS MARET" "INSTITUT TEKNOLOGI BANDUNG" "UNIVERSITAS LAMPUNG" "UNIVERSITAS INDONESIA" ...
##  $ id_user              : num [1:61198] 26 35 44 55 171 173 184 213 215 234 ...
##  $ score_eko            : num [1:61198] 778 579 600 559 838 424 686 503 580 758 ...
##  $ score_geo            : num [1:61198] 486 631 481 563 734 381 663 583 485 678 ...
##  $ score_kmb            : num [1:61198] 679 710 314 646 654 526 763 529 517 614 ...
##  $ score_kpu            : num [1:61198] 594 700 432 638 613 452 556 563 544 658 ...
##  $ score_kua            : num [1:61198] 643 810 522 591 690 503 558 513 608 498 ...
##  $ score_mat            : num [1:61198] 686 656 494 538 315 561 537 422 467 324 ...
##  $ score_ppu            : num [1:61198] 559 638 461 585 628 637 597 601 454 503 ...
##  $ score_sej            : num [1:61198] 392 535 467 647 660 488 612 499 469 537 ...
##  $ score_sos            : num [1:61198] 676 686 574 589 674 435 569 485 501 704 ...
# Inspeksi missing value
colSums(is.na(soshumdata))
##                 index        id_first_major           first_major 
##                     0                     0                     0 
##  capacity_first_major   id_first_university      first_university 
##                     0                     0                     0 
##       id_second_major          second_major capacity_second_major 
##                     0                     0                     0 
##  id_second_university     second_university               id_user 
##                     0                     0                     0 
##             score_eko             score_geo             score_kmb 
##                     0                     0                     0 
##             score_kpu             score_kua             score_mat 
##                     0                     0                     0 
##             score_ppu             score_sej             score_sos 
##                     0                     0                     0

Inspeksi data menujukkan tidak ada kolom yang bermasalah. Data yang telah diinspeksi kemudian dilakukan visualisasi.

Visualisasi Data

# Meringkas data untuk visualisasi 
datasosial <- data.frame(
  Mapel = c("Geografi", "Sejarah", "Sosiologi", "Ekonomi"),
  Nilai = c(soshumdata$score_geo, soshumdata$score_sej, soshumdata$score_sos, soshumdata$score_eko)
)

# Visualisasi
  ggplot(datasosial, aes(x = Nilai, fill = Mapel)) +
     geom_histogram(alpha = 0.6, position = 'identity', bins = 30, show.legend = F) +
     facet_wrap(facets = ~Mapel, nrow = 2 ) +
     labs(fill="") +
     theme_update() +
     theme(plot.title = element_text(face = "bold.italic", size = 14)) +
     scale_x_continuous( limits = c(100, 1000)) +
     labs(title = "Sebaran Nilai Mata Ujian TKA Sosial dan Humaniora",
        y = "Jumlah Data",
        x = "Skor Mata Ujian")

Catatan : Mata ujian Matematika Soshum tidak ditampilkan karena pad UTBK 2021 mata ujian ini dihilangkan untuk UTBK konsentrasi Soshum.

Mata Ujian Gabungan

Mata ujian gabungan merupakan mata ujian yang harus ditempuh baik untuk peserta yang mengambil pilihan Saintek maupun Soshum. Mata ujian gabungan ini seringkali disebut dengan Tes Potensi Skolastik (TPS) yang terdiri dari mata ujian Kemampuan Memahami Bacaan & Menulis (KMB), Kemampuan Penalaran Umum (KPU), Kemampuan Kuantitatif (KUA), dan Pengetahuan & Pemahaman Umum (PPU). Setiap mata ujian pada Tes Potensi Skolastik memiliki standar kesulitan yang sama untuk seluruh konsentrasi UTBK sehingga visualisasi dilakukan dengan membandingkan setiap mata ujian TPS terhadap konsentrasi UTBK Saintek dan Soshum.

# Inspeksi data saintek dan soshum
length(soshumdata$score_kmb)
## [1] 61198
length(saintekdata$score_kmb)
## [1] 86569

Data saintek dan soshum memiliki jumlah yang berbeda, sehingga jumlah data perlu diseimbangkan guna memudahkan interpretasi data. Data saintek dilakukan reduksi dan diambil nilai acak sebanyak data soshum.

# Menyamakan jumlah data saintek dan soshum
set.seed(100)
row_data <- nrow(saintekdata)
index <- sample(row_data, length(soshumdata$score_kmb))

saintekdata_new <- saintekdata[index ,]

Kemampuan Memahami Bacaan & Menulis (KMB)

# Meringkas data untuk visualisasi
datakmb <- data.frame(
  Mapel = c("Saintek", "Soshum"),
  Nilai = c(saintekdata_new$score_kmb, soshumdata$score_kmb)
)

# Visualisasi
  ggplot(datakmb, aes(x = Nilai, fill = Mapel)) +
     geom_density(show.legend = TRUE, alpha = 0.5) +
     labs(fill="") +
     theme_pander() +
     theme(plot.title = element_text(face = "bold.italic", size = 13.5)) +
     scale_x_continuous( limits = c(100, 1000)) +
     labs(title = "Sebaran Nilai Mata Ujian Kemampuan Memahami Bacaan & Menulis",
        y = "Densitas Data",
        x = "Skor Mata Ujian")

Kemampuan Penalaran Umum (KPU)

# Meringkas data untuk visualisasi
datakmb <- data.frame(
  Mapel = c("Saintek", "Soshum"),
  Nilai = c(saintekdata_new$score_kpu, soshumdata$score_kpu)
)

# Visualisasi
  ggplot(datakmb, aes(x = Nilai, fill = Mapel)) +
     geom_density(show.legend = TRUE, alpha = 0.5) +
     labs(fill="") +
     theme_pander() +
     theme(plot.title = element_text(face = "bold.italic", size = 13.5)) +
     scale_x_continuous( limits = c(100, 1000)) +
     labs(title = "Sebaran Nilai Mata Ujian Kemampuan Penalaran Umum",
        y = "Densitas Data",
        x = "Skor Mata Ujian")

Kemampuan Kuantitatif (KUA)

# Meringkas data untuk visualisasi
datakmb <- data.frame(
  Mapel = c("Saintek", "Soshum"),
  Nilai = c(saintekdata_new$score_kua, soshumdata$score_kua)
)

# Visualisasi
  ggplot(datakmb, aes(x = Nilai, fill = Mapel)) +
     geom_density(show.legend = TRUE, alpha = 0.5) +
     labs(fill="") +
     theme_pander() +
     theme(plot.title = element_text(face = "bold.italic", size = 13.5)) +
     scale_x_continuous( limits = c(100, 1000)) +
     labs(title = "Sebaran Nilai Mata Ujian Kemampuan Kuantitatif",
        y = "Densitas Data",
        x = "Skor Mata Ujian")

Pengetahuan & Pemahaman Umum (PPU)

# Meringkas data untuk visualisasi
datakmb <- data.frame(
  Mapel = c("Saintek", "Soshum"),
  Nilai = c(saintekdata_new$score_ppu, soshumdata$score_ppu)
)

# Visualisasi
  ggplot(datakmb, aes(x = Nilai, fill = Mapel)) +
     geom_density(show.legend = TRUE, alpha = 0.5) +
     labs(fill="") +
     theme_pander() +
     theme(plot.title = element_text(face = "bold.italic", size = 13.5)) +
     scale_x_continuous( limits = c(100, 1000)) +
     labs(title = "Sebaran Nilai Mata Ujian Pengetahuan & Pemahaman Umum",
        y = "Densitas Data",
        x = "Skor Mata Ujian")

Secara umum skor setiap mata ujian di TPS memiliki densitas skor yang sama untuk kedua konsenttrasi UTBK. inilah yang menjadi salah satu faktor tumbuhnya fenomena lintas jurusan dimana peserta memilih konsentrasi UTBK tidak sesuai dengan konsentrasi yang dipelajari semasa SMA, contohnya yaitu peserta SMA IPA yang mengambil tes konsentrasi Soshum dan memilih program studi yang berkaitan dengan rumpun Soshum.

Konklusi

Secara umum setiap mata ujian untuk setiap konsentrasi UTBK memiliki skor rataan diantara 400 - 600. Terdapat pula skor yang sangat tinggi diatas 700. Peserta UTBK sangat disarankan untuk tidak terlalu fokus pada salah satu mata ujian dan mengabaikan mata ujian lainnya. Keputusan kelulusan peserta UTBK pada seleksi masuk PTN seperti SBMPTN seringkali tidak dipublikasikan secara lengkap oleh penyelenggaranya, sehingga mendapatkan nilai maksimal di setiap mata ujian menjadi pilihan yang sangat tepat.

Satu hal yang perlu disoroti bahwa seleksi masuk PTN menggunakan nilai UTBK memiliki daya saing yang tinggi diantara setiap pesertanya. Tidak semua siswa SMA/Sederajat yang mengikuti seleksi masuk PTN dapat diterima berkuliah di PTN yang dituju. Semoga artikel ini dapat membantu siswa SMA/Sederajat menambah referensi mengenai Perguruan Tinggi, khususnya Perguruan Tinggi Negeri.