Hasil Pencarian  ::  Simpan CSV :: Kembali

"Keberhasilan studi mahasiswa merupakan faktor penting dalam menilai efektivitas pendidikan tinggi. Salah satu tantangan utama dalam menganalisis keberhasilan studi adalah memahami faktor-faktor yang berkontribusi terhadap perubahan IPK. Namun, analisis terhadap faktorfaktor akademik sering mengabaikan struktur data yang bersifat hierarki antar angkatan. Penelitian ini bertujuan untuk menganalisis keberhasilan studi mahasiswa berdasarkan faktorfaktor akademik dan struktur hierarki data yang melibatkan perbedaan antar angkatan. Masalah ini memerlukan model yang mampu menangkap variasi tidak hanya pada level individu tetapi juga antar kelompok (angkatan). Oleh karena itu, digunakan model Bayesian Hierarchical Linear Model (BHLM) yang menggabungkan kekuatan model hierarki dan metode Bayesian dalam mengestimasi parameter secara fleksibel. Model ini mampu menangkap variasi antar individu (level 1) dan antar angkatan (level 2) secara simultan. Data penelitian ini diperoleh dari data akademik sebanyak 510 mahasiswa program studi S1 Statistika dari angkatan 2017 hingga 2023 di salah satu perguruan tinggi negeri di Indonesia. Empat model BHLM dikonstruksi dan dibandingkan: random intercept dan random slope, masing-masing dengan prior distribusi Normal dan Uniform. Evaluasi model menggunakan Widely Applicable Information Criterion (WAIC) menunjukkan bahwa model terbaik adalah random intercept dengan prior Normal, dengan WAIC -203.18 dan kompleksitas model 14.48. Seluruh parameter memiliki R-hat 1.00, menunjukkan konvergensi yang baik. Sebanyak 62.25% mahasiswa memiliki IPK antara 3,2 – 3,6; dengan rata-rata 3,4 dan lama studi 7,01 semester. Status DO dan Aktif secara umum berdampak negatif terhadap IPK, meskipun terdapat pengecualian pada angkatan tertentu. Model juga menangkap perbedaan IPK dasar antar angkatan, dari 2.543 (angkatan 2023) hingga 2.905 (angkatan 2020). Hasil penelitian ini menunjukkan bahwa struktur BHLM terbukti efektif menangani data bertingkat dan menghasilkan estimasi parameter yang stabil, relevan untuk mendukung kebijakan akademik berbasis data.

---

Student academic success is a critical factor in evaluating the effectiveness of higher education. One of the main challenges in analyzing academic success lies in understanding the factors contributing to changes in GPA. However, analyses focusing on academic factors often overlook the hierarchical structure of data across student cohorts. This study analyzes student academic success by considering academic factors alongside the hierarchical data structure involving differences across cohorts. This issue requires a model capable of capturing variation at the individual level and between groups (cohorts). Therefore, a Bayesian Hierarchical Linear Model (BHLM) is employed, combining the strengths of hierarchical modeling and Bayesian methods to estimate parameters flexibly. This model simultaneously captures within-individual (level 1) and between-cohort (level 2) variations. The data used in this study were obtained from the academic records of 510 undergraduate students in the Statistics program from cohorts 2017 to 2023 at a public university in Indonesia. Four BHLMs were constructed and compared: random intercept and random slope models, each with Normal and Uniform prior distributions. Model evaluation using the Widely Applicable Information Criterion (WAIC) indicated that the best-performing model was the random intercept model with a Normal prior, with a WAIC score of -203,18 and model complexity of 14,48. All parameters had an R-hat value of 1,00; indicating good convergence. Approximately 62,25% of students had a GPA between 3,2 and 3,6; with an average GPA of 3,4 and an average study duration of 7,01 semesters. The "Dropout" and "Active" statuses generally negatively impacted GPA, although exceptions were observed in specific cohorts. The model also captured differences in baseline GPA across cohorts, ranging from 2,543 (cohort 2023) to 2,905 (cohort 2020). These findings demonstrate that the BHLM structure effectively handles hierarchical data and produces stable parameter estimates, providing relevant insights to support data-driven academic policy-making."