p-ISSN 1979 – 3693 e-ISSN 2477 – 0647

MEDIA STATISTIKA 13(1) 2020: 92-103

http://ejournal.undip.ac.id/index.php/media_statistika

ESTIMASI SELANG KEPERCAYAAN NILAI UJIAN NASIONAL BERBASIS

KOMPETENSI BERDASARKAN MODEL REGRESI SEMIPARAMETRIK
MULTIRESPON TRUNCATED SPLINE

Lilik Hidayati1, Nur Chamidah2, I Nyoman Budiantara3

1,2 Departement of Mathematics, Airlangga University, Indonesia
3 Department of Statistics, Sepuluh Nopember Institute of Technology, Indonesia

e-mail: nur-c@fst.unair.ac.id

DOI: 10.14710/medstat.13.1.92-103

Article Info: Abstract: Confidence interval estimation is important in

Received: 7 March 2020 statistical inference for the parameters of the regression
Accepted: 25 June 2020 model, but the theory of confidence interval estimation
Available Online: 26 June 2020
for multi-response semiparametric regression model
Keywords:
parameters based on the truncated spline estimator has
Confidence Interval not been examined. In this study, we estimate the
Estimation, UNBK Scores, confidence interval of the multi-response semiparametric
Multi-Response regression model based on the truncated spline estimator
Semiparametric, Truncated by using pivotal quantity method with the central limit
Spline. theorem approach. This confidence interval theory is
. applied to data of competency-based national exam
(UNBK) scores in West Nusa Tenggara Province where
its UNBK in the lowest position among other provinces
in Indonesia. The method used for estimating parameters
is weighted least square. The best model is determined
based on the Generalized Cross Validation (GCV)
minimum value. Based on the estimated 95% confidence
interval of parameters of the multi-response truncated
spline semiparametric regression model, the results
showed that the insignificant factors affecting the UNBK
scores were gender and parental education duration while
the report card of scores and USBK scores had a positive
effect on the UNBK scores but only the UNBK scores of
mathematics that report card of scores factor has a
negative effect on it.

1. PENDAHULUAN
Estimasi selang kepercayaan merupakan salah satu bagian dari inferensi statistik
yang sangat penting karena dengan estimasi selang kepercayaan tersebut dapat diketahui
apakah nilai suatu parameter signifikan atau tidak terutama parameter dalam suatu model
regresi. Dalam model regresi yang melibatkan lebih dari satu variabel prediktor ada tiga
pendekatan yang dapat digunakan yaitu model regresi parametrik, regresi nonparametrik
dan regresi semiparametrik. Apabila dalam analisis regresi fungsi regresi pola datanya

Media Statistika 13(1) 2020: 92-103 92

diasumsikan mengikuti pola tertentu (antara lain linier, kuadratik, kubik dan eksponensial)
berdasarkan scatter plotnya maka digunakan pendekatan model regresi parametrik
sedangkan regresi nonparametrik tidak mengasumsikan bentuk pola tertentu dari fungsi
regresinya, sehingga sangat fleksibel dan obyektif (Budiantara, 2009). Realitanya ada pola
hubungan antara variabel respon dan variabel prediktor yang memiliki pola tertentu
sedangkan dengan variabel prediktor lainnya tidak memiliki pola tertentu sehingga model
regresi semiparametrik yang lebih sesuai untuk memodelkan pola data seperti itu.
Beberapa peneliti yang telah meneliti terkait model regesi semiparametrik
unirespon antara lain: Yang et al. (2016) menggunakan estimator penalized spline,
Prahutama dan Suparti (2017) menggunakan pendekatan polinomial lokal, Utami et al.
(2018) menggunakan estimator kernel, dan Ramadan et al. (2019) menggunakan estimator
truncated spline sedangkan untuk model regresi semiparametrik multirespon antara lain:
Wibowo, et al. (2012) dan Chamidah dan Lestari (2019) menggunakan estimator
polinomial lokal, Chamidah dan Rifada (2016) menggunakan estimator linier lokal,
Chamidah, et al. (2018) menggunakan estimator least square spline dan Hidayati et al.
(2019) menggunakan estimator truncated spline. Namun penelitian-penelitian tersebut
masih dalam batas mengestimasi titik belum membahas estimasi selang kepercayaan.
Hidayati et al. (2020) sudah membahas terkait estimasi selang kepercayaan parameter
model regresi semiparametrik multirespon berdasarkan estimator truncated spline dan
melakukan studi simulasi untuk menunjukan untuk kasus homoskedastik dan
heteroskedastis estimator yang menggunakan weighted least square memiliki akurasi yang
lebih baik daripada unweighted least square.
Data Puspendik Balitbang Kemendikbud (2017) menyatakan bahwa rata-rata nilai
Ujian Nasional Berbasis Komputer (UNBK) Sekolah Menengah Kejuruan Negeri (SMKN)
di Provinsi Nusa Tenggara Barat (NTB) secara nasional dari tahun ke tahun menempati
posisi paling bawah dibandingkan provinsi lainnya di Indonesia yaitu tahun 2015 berada di
posisi 29, tahun 2016 berada di posisi 34, dan pada tahun 2017 posisi 34 dari 34 provinsi
yang ada di Indonesia. Berdasarkan fakta tersebut, pada tulisan ini diteliti faktor-faktor
yang mempengaruhi nilai UNBK Sekolah Menengah Kejuruan Negeri (SMKN) di Provinsi
NTB dengan pendekatan estimasi selang kepercayaan parameter model regresi
semiparametrik multirespon. Variabel respon yang terlibat dalam model adalah nilai
UNBK Matematika, Bahasa Indonesia, Bahasa Inggris, dan kompetensi keahlian
sedangkan variabel prediktornya Jenis Kelamin dan Nilai Rapor (sebagai komponen
parametrik) sedangkan nilai Ujian Sekolah Berbasis Kompetensi (USBK) dan lama
pendidikan orang tua (sebagai komponen nonparametrik). Estimasi selang kepercayaan
parameter dari masing-masing varibel prediktor yang diduga mempengaruhi nilai UNBK,
digunakan untuk mengetahui apakah variabel-variabel prediktor tersebut berpengaruh
secara signifikan atau tidak. Sehingga bermanfaat bagi pemerintah provinsi NTB untuk
menentukan upaya-upaya perbaikan dan program pembinaan di satuan pendidikan.

2. TINJAUAN PUSTAKA
2.1 Model Regresi Semiparametrik Multirespon
Diberikan data berpasangan y
(k )
i , xi , ti  , i  1, 2,, n ; k  1, 2,..., r yang mengikuti
model regresi semiparametrik (Chamidah, et al. 2018):
y i  Xi   f (t i )  i (1)

Media Statistika 13(1) 2020: 92-103 93

dengan variabel respon y i   y1i , y2i ,..., yri      01 11 0 2 1 2  
T
0 r  1 r 
T
,


Xi  1, xi
(1)
, xi(2) ,..., xi( r )  adalah variabel prediktor sebagai komponen parametrik dan
f  ti    f1  ti  f 2  ti  f r  ti   adalah fungsi regresi yang diestimasi dengan pendekatan
T

regresi nonparametrik, εi  1i  2i  ri 

T
adalah error random dengan mean 0 dan
variansi Σi .
Model dalam persamaan (1) yang telah dibahas dalam Chamidah, et al. (2018)
hanya melibatkan satu variabel prediktor pada komponen nonparametriknya, sedangkan
dalam Hidayati et al. (2020) telah membahas estimasi model regresi semiparametrik
multirespon yang melibatkan lebih dari satu variabel prediktor (multiprediktor) pada
komponen nonparametriknya menggunakan estimator truncated spline.
Diberikan pasangan observasi ( x1( r ) ,..., x p ( r ) , t1( r ) , ..., tq ( r ) , y ( r ) ) dengan r=1,2,3,…,R yang
mengikuti model semiparametrik
p q
 S

yi
(r)
 0
(r)
  x (r)
   (r)
ti
(r)
  d
(r)
(t i
(r)
 K d )   i
(r)


(r)
, i  1, 2,..., n (2)
1 
j ji
j 1 d 1

Untuk n observasi persamaan (2) dapat dinyatakan dalam bentuk matriks berikut ini
y  C   ,  ~ N  0, W  (3)

 
C  x t   
 
 y (1)   C (1) 0 
 
0   (1) 
 y (2)   ( 2)   (2) 
y C
0 C 0 0
    
     
 (R)   
 (R)   (R) 
 y   0 0 C   

    0 1 2 p 1 2  q 
(r ) (r ) (r ) (r ) (r ) (r ) (r) (r)

Vektor error  (1) ,  (2) ,...,  ( R) antar respon saling berkorelasi sehingga untuk mengestimasi
parameter  digunakan metode Weighted Least Square (WLS) dengan pembobot adalah
invers dari matriks variansi-kovariansi error W 1  . Struktur matriks variansi-kovariansi
error ditunjukkan sebagai berikut:


 E  (1) (1)T E  (1) (2)T

   
E  (1) ( R)T  
  W11 W12 W1R 

 E  (2) (1)T E  (2) (2)T
    
E  (2) ( R)T   W W 
   E    21 22 W2 R 
E  T  W

   
  WR1 WR 2 WRR 
 E   
( R ) (1)T
E  ( R ) (2)T    E   
( R ) ( R )T
 
Berdasarkan metode WLS diperoleh estimasi untuk parameter 
ˆ  (CT W 1C )1CT W 1 y (4)

94 Lilik Hidayati (Estimasi Selang Kepercayaan Nilai Ujian Nasional)

Untuk mendapatkan model terbaik dapat dilakukan dengan pemilihan titik knot optimal
berdasarkan metode GCV sebagai berikut:
Mean Square Error (MSE )
GCV 
 nR  
1 2 (5)
trace( I  H )
 q

1
  
y  y , R*   R  Rp  qR  R S  dan
T
dengan MSE  y  yˆ ˆ
nR  R  1 
H  (CTW 1C )1CTW 1
2.2 Selang Kepercayaan Parameter Model Regresi Semiparametrik Multirespon
Selang kepercayaan (1   )100% untuk parameter model regresi semiparametrik
 q

multirespon berdasarkan truncated spline v , v  1, 2,..., R*, R*   R  Rp  qR  R S 
 1 
dengan  2 tidak diketahui dapat digunakan pivotal quantity sebagai berikut (Hidayati et
al 2020):
ˆv  v (6)
Tv ( x1, x2 ,..., x p , t1, t2 ,..., tq , y) 
Var (ˆv )
ˆv  v
=
(C TW 1C )vv
1

Dengan pendekatan Central Limit Teorem (CLT) untuk n   diperoleh

ˆv  v (7)
Z= , n  , dengan Z~N(0,1).
(CTW 1C )vv
1

Jika tingkat signifikansi sebesar  maka selang kepercayaan (1-  )100% untuk parameter
ˆ pada persamaan (3) adalah sebagai berikut:
 
P ˆv  Z   (C TW 1C )vv
1
 v  ˆv  Z   (C TW 1C )vv
1
  1 
     
 2 2 

(CTW 1C )vv

1
menunjukan elemen dari baris ke  kolom ke-  dari matriks (CTW 1C )vv
1

2.3. Nilai Ujian Nasional Berbasis Komputer (UNBK)

Ujian Nasional Berbasis Komputer (UNBK) pertama kali diselenggarakan tahun
2014, dan terbatas pada beberapa sekolah yang sudah memenuhi kriteria. UNBK
diselenggarakan pada sekolah yang sudah siap baik dari segi infrastruktur, SDM maupun
peserta. Penilaian pencapaian standar kompetensi lulusan pada mata pelajaran tertentu
secara nasional, pemerintah melakukan evaluasi yang merupakan hasil belajar dan
dilakukan secara nasional. Hasil ujian nasional digunakan sebagai pertimbangan untuk
pemetaan mutu program pada satuan pendidikan, sebagai dasar seleksi masuk jenjang
pendidikan berikutnya dan pembinaan dan pemberian bantuan kepada satuan pendidikan
dalam upayanya untuk meningkatkan mutu pendidikan.

Media Statistika 13(1) 2020: 92-103 95

 Menurut Mahmud (1989), faktor-faktor yang mempengaruhi prestasi belajar yaitu
faktor internal dan faktor eksternal siswa. Prestasi belajar yang dimaksud dalam penelitian
ini adalah nilai Ujian Nasional Berbasis Komputer (UNBK). Faktor internal adalah faktor
yang berasal dari dalam diri siswa sedangkan faktor ekstern adalah faktor yang berasal dari
luar individu siswa. Faktor internal dari penelitian ini adalah jenis kelamin, sedangkan
faktor eksternal adalah pendidikan orang tua, nilai rapor, nilai Ujian Sekolah Berbasis
Komputer (USBK). Faktor internal pada dasarnya motivasi adalah dorongan pada diri
seseorang untuk mengarahkannya dalam bertingkah laku. Jenis kelamin sering menjadi
penentu karena berdasarkan kebiasaan siswa yang berjenis kelamin perempuan dianggap
lebih rajin dalam belajar, sehingga faktor jenis kelamin ini dianggap penting dalam
penelitian ini (Sardiman, 2011).
Selanjutnya adalah faktor eksternal, merupakan interaksi siswa terjadi selama
proses belajar dalam hal ini salah satunya adalah pendidikan orang tua, nilai rapor dan nilai
ujian sekolah (Slameto, 2010). Pendidikan orang tua dianggap penting karena
diprediksikan orang tua yang pendidikannya lebih tinggi akan bisa mendidik anaknya lebih
baik sehingga berakibat nilai UNBK menjadi lebih baik. Begitu juga nilai rapor karena
nilai rapor ini merupakan nilai yang berproses dari nilai ulangan harian, nilai tengah
semester dan nilai ujian akhir semester, sehingga proses belajar yang panjang dapat
tergambar pada nilai rapor. Nilai USBK dianggap akan mempengaruhi nilai UNBK, karena
soal-soal yang ada pada USBK merupakan soal-soal yang standar kompetensinya sesuai
dengan soal UNBK, hanya saja soal ini dikeluarkan dari pemerintah daerah, sedangkan
soal UNBK dari pemerintah pusat.

3. METODE PENELITIAN
3.1. Data dan Sumber Data
Sumber data yang digunakan adalah data UNBK SMKN pada jurusan Teknik
Komputer Jaringan (TKJ) di Provinsi Nusa Tenggara Barat pada tahun 2017. Variabel
yang digunakan terdiri dari 4 variabel respon yaitu nilai UNBK Matematika (y1), nilai
UNBK Bahasa Indonesia (y2), nilai UNBK Bahasa Inggris (y3), dan nilai UNBK
Kompetensi (y4). Variabel prediktor yaitu Jenis Kelamin (x1) dan Nilai Rapor (x2) sebagai
komponen parametrik, Lama Pendidikan Orang Tua (t1) dan Nilai USBN (t2) sebagai
komponen nonparametrik.
3.2 Langkah-langkah Penelitian
Langkah-langkah estimasi selang kepercayaan parameter model regresi
semiparametrik multirespon dan multiprediktor pada komponen nonparametriknya yang
diterapkan pada data UNBK Provinsi Nusa Tenggara Barat dilakukan sebagai berikut:
1. melakukan analisis deskriptif pada tiap variabel respon dan variabel prediktor.
2. membuat scatter plot antara variabel respon dengan variabel prediktor untuk
mengetahui perilaku data.
3. menguji signifikansi korelasi antar respon menggunakan korelasi Pearson.
4. membuat script program R antara lain untuk penentuan titik knot optimal berdasarkan
metode GCV, mengestimasi titik dan selang kepercayaan parameter model sesuai
dengan teori yang telah dihasilkan.
5. menerapkan hasil dari langkah (4) untuk mengestimasi nilai UNBK SMKN di Provinsi
Nusa Tenggara Barat dengan pendekatan model regresi semiparametrik multirespon
berdasarkan estimator truncated spline.

96 Lilik Hidayati (Estimasi Selang Kepercayaan Nilai Ujian Nasional)

6. menganalisis dan menginterpretasikan hasil, selanjutnya mengambil kesimpulan dengan
menentukan variabel prediktor yang berpengaruh signifikan terhadap variabel respon.

4. HASIL DAN PEMBAHASAN

Tabel 1 memberikan gambaran umum dari karakteristik untuk masing-masing
variabel. Variabel respon yaitu nilai UNBK Matematika (y1), nilai UNBK Bahasa
Indonesia (y2), nilai UNBK Bahasa Inggris (y3), dan nilai UNBK Kompetensi Keahlian
(y4). Variabel prediktor yaitu Jenis Kelamin (x1); Nilai Rapor Matematika (x21), Nilai
Rapor Bahasa Indonesia (x22), Nilai Rapor Bahasa Inggris (x23), dan Nilai Rapor
Kompetensi Keahlian (x24); Pendidikan Orang Tua (t1); dan Nilai USBK Matematika (t21),
nilai USBK Bahasa Indonesia (t22), nilai USBK Bahasa Inggris (t23), dan nilai USBK
Kompetensi Keahlian (t24).
Tabel 1. Statistika Deskriptif Variabel Respon dan Variabel Prediktor
Variabel Minimum Maksimum Rata-Rata Std Deviasi
Nilai Rapor Matematika 74,00 87,00 81,0571 4,10610
Nilai Rapor B. Indonesia 79,00 92,00 86,0357 3,91715
Nilai Rapor B. Inggris 75,00 90,00 82,6071 4,49892
Nilai Rapor Komp. Keahlian 75,00 90,00 82,2500 4,44814
Lama Pendidikan Orang Tua 3,00 18,00 7,8000 3,55876
Nilai USBK Matematika 68,00 77,00 72,786 2,79277
Nilai USBK B. Indonesia 76,00 90,00 83,0857 4,28732
Nilai USBK B. Inggris 75,00 94,00 85,0357 5,15572
Nilai USBK Komp. Keahlian 75,00 90,00 82,5429 4,02398
Nilai UNBK Matematika 26,34 34,32 30,4559 1,69089
Nilai UNBK B. Indonesia 54,33 68,99 61,7682 2,79034
Nilai UNBK B. Inggris 28,30 41,20 34,7407 2,84713
Nilai UNBK Komp. Keahlian 57,30 67,80 63,9564 2,07722
Berdasarkan Tabel 1 diketahui bahwa nilai UNBK Bahasa Indonesia mempunyai
rata-rata paling tinggi yaitu 61,76 sedangkan rata-rata nilai UNBK yang paling rendah
adalah nilai UNBK Matematika yaitu 30,45. Nilai rapor Bahasa Indonesia mempunyai
rata-rata paling tinggi yaitu 86,03 sedangkan rata-rata nilai rapor yang paling rendah adalah
nilai rapor Matematika yaitu 81,05. Nilai USBK Bahasa Inggris mempunyai rata-rata
paling tinggi yaitu 85,03 sedangkan rata-rata nilai USBK yang paling rendah adalah nilai
USBK Matematika yaitu 72,78. Rata-rata pendidikan orang tua adalah 7,8 tahun, berarti
para orang tua siwa berpendidikan Sekolah Menengah Pertama (SMP).
Selanjutnya dilakukan identifikasi variabel-variabel yang mempengaruhi nilai Ujian
Nasional Berbasis Komputer (UNBK) dilakukan dengan scatter plot dan boxplot. Nilai
UNBK diduga dipengaruhi oleh jenis kelamin, lama pendidikan orang tua, nilai rapor dan
nilai Ujian Sekolah Berbasis Komputer (USBK) untuk mata pelajaran Matematika, Bahasa
Indonesia, Bahasa Inggris, Kompetensi Keahlian. Untuk variabel jenis kelamin merupakan
variabel dummy yang merupakan komponen parametrik. Berikut ini nilai UNBK pada
mata pelajaran Matematika, Bahasa Indonesia, Bahasa Inggris, Kompetensi Keahlian
berdasarkan jenis kelamin disajikan dalam boxplot seperti Gambar 1a, 1b, 1c, dan 1d.
Berdasarkan Boxplot pada Gambar 1a, 1b, 1c dan 1d terlihat untuk rata-rata nilai
UNBK mata pelajaran Matematika dan Kompetensi Keahlian murid laki-laki lebih dari
murid perempuan, namun untuk UNBK mata pelajaran Bahasa Indonesia dan Bahasa
Inggris murid perempuan lebih dari murid laki-laki.

Media Statistika 13(1) 2020: 92-103 97

 Boxplot nilai UNBK Matematika Boxplot nilai UNBK Bahasa Indonesia
35 70,0

34
67,5

Nilai UNBK Bahasa Indonesia

33
Nilai UNBK Matematika

65,0
32

31 62,5 62,1997
30,5726
30,3548 61,2703
30
60,0
29

57,5
28

27 55,0

26
LAKI-LAKI PEREMPUAN
LAKI-LAKI PEREMPUAN

Gambar 1a Boxplot antara Nilai UNBK Gambar 1b Boxplot antara Nilai UNBK
Matematika Berdasarkan Jenis Kelamin Bahasa Indonesia Berdasarkan Jenis Kelamin

Boxplot nilai UNBK Bahasa Inggris Boxplot nilai UNBK Kompetensi Keahlian
42 68

Nilai UNBK Kompetensi Keahlian

39 66
Nilai UNBK Bahasa Inggris

36 64 64,0198 63,8936

34,6765 34,7803

62
33

60
30

58
LAKI-LAKI PEREMPUAN LAKI-LAKI PEREMPUAN

Gambar 1c Boxplot antara Nilai UNBK Gambar 1d Boxplot antara Nilai UNBK
Bahasa Inggris berdasarkan Jenis Kelamin Kompetensi Keahlian berdasarkan Jenis
Kelamin
Identifikasi variabel prediktor nilai rapor yang diwakili oleh rapor Matematika
digambarkan dalam scatter plot Gambar 2.
50
45
matematika
nilai UNBK

40
35
30
25
20
66 68 70 72 74 76 78
nilai rapor matematika

Gambar 2 Scatter Plot antara Nilai UNBK Matematika dengan Nilai Rapor Matematika
Berdasarkan scatter plot pada Gambar 2 terlihat bahwa variabel nilai rapor
merupakan variabel yang membentuk pola tertentu yaitu liner sehingga variabel nilai ini
merupakan komponen parametrik dalam model regresi semiparametrik multirespon
truncated spline. Identifikasi variabel prediktor lama pendidikan orang tua terhadap nilai
UNBK pada mata pelajaran Matematika digambarkan dalam scatter plot Gambar 3.
Variabel lama pendidikan orang tua pada Gambar 3 terhadap nilai UNBK
Matematika terlihat tidak membentuk pola tertentu, sehingga variabel lama pendidikan
orang tua merupakan komponen nonparametrik pada model regresi semiparametik
multirespon truncated spline. Identifikasi variabel prediktor nilai USBK terhadap nilai
UNBK pada mata pelajaran Matematika digambarkan dalam scatter plot Gambar 4.
Berdasarkan pada Gambar 4 bahwa hubungan antara nilai USBK dengan UNBK
Matematika terlihat tidak membentuk pola tertentu, sehingga variabel USBK merupakan
komponen nonparametrik pada model regresi semiparametik multirespon truncated spline.

98 Lilik Hidayati (Estimasi Selang Kepercayaan Nilai Ujian Nasional)

Selanjutnya menguji ada tidaknya hubungan antar variabel respon maka dilakukan uji
korelasi Pearson antar variabel respon dengan hasil tampak pada Tabel 2.

35

matematika
nilai UNBK
34
33
32
31
30
- 5 10 15 20
lama pendidikan orang tua
Gambar 3. Scatter Plot antara Nilai UNBK Matematika dengan Lama
Pendidikan Orang Tua.

36
nilai UNBK matematika

34

32

30

28

26

24
66 68 70 72 74 76 78
nilai USBK matematika

Gambar 4. Scatter Plot antara Nilai UNBK dengan Nilai USBK Matematika

Tabel 2. Hasil Analisis Uji Korelasi Pearson Antar Variabel Respon

Variabel Respon y (1) y (2) y (3) y (4)
y (1) 1 0,531 (0.000) 0,486(0.000) 0,520(0.000)
(2)
y 0,531(0.000) 1 0,373(0.000) 0,435(0.000)
y (3) 0,486(0.000) 0,373(0.000) 1 0,424(0.000)
y (4) 0,520(0.000) 0,435(0.000) 0,424(0.000) 1

Berdasarkan Tabel 2 diperoleh nilai p-value semuanya 0,000 < 0.05 sehingga
disimpulkan bahwa terdapat korelasi yang signifikan antar variabel respon. Selanjutnya
untuk mendapatkan estimasi model terbaik ditentukan titik knot optimal berdasarkan
metode GCV. Dari hasil analisis diperoleh nilai GCV minimum sebesar 2,720 dan nilai
MSE sebesar 2,843 dengan titik knot optimal seperti pada Tabel 3. Berdasarkan Tabel 3
pada nilai UNBK Matematika terdapat 3 titik knot optimal pada nilai 10; 71 dan 74. Nilai
UNBK Bahasa Indonesia terdapat 4 titik knot optimal pada nilai 7; 11,66; 80,66 dan 85,33.
Nilai UNBK Bahasa Inggris terdapat 4 titik knot optimal pada nilai 7; 11,6; 81,33 dan
87,66. Nilai UNBK Kompetensi Keahlian terdapat 3 titik knot optimal pada nilai 7; 11,66
dan 82,5.

Media Statistika 13(1) 2020: 92-103 99

 Tabel 3. Titik Knot Optimal Untuk Variabel Prediktor Lama Pendidikan Orang
Tua, dan Nilai USBK pada Masing-Masing Variabel Respon
Respon 1 Respon 2 Respon 3 Respon 4
K11 =10 K21 =7 K31 =7 K41 =7
K12 =71 K22 =11,66 K32 =11,66 K42 =11,66
K13 =74 K23 =80,66 K33 =81,33 K43 =82,50
K24 =85,33 K34 =87,66
Estimasi terbaik model semiparametrik multirespon truncated spline untuk masing-
masing respon ditunjukkan sebagai berikut:
y (1)  0.097  0.192 x1(1)  0.084(1) x2(1)  0.014(1) t1(1)  0.077(1) (t1(1)  10(1) )
+0.526(1) t2(1)  0.250(1) (t2(1)  71(1) )   0.301(1) (t2(1)  74(1) )  + (1)

y (2)  0.026(2)  0.185(2) x1(2)  0.423(2) x2(2)  0.029(2) t1(2)  0.117(2) (t1(2)  7(2) )
 0.136(2) (t1(2)  11.66(2) )  +0.311(2) t2(2)  0.081(2) (t2(2)  80.66(2) ) 
 0.250(2) (t2(2)  85.33(2) )  + (2)
y (3)  0.032(3)  0.323(3) x1(3)  0.304(3) x2(3)  0.097(3) t1(3)  0.189(3) (t1(3)  7(3) )
 0.182(3) (t1(3)  10.66(3) )  +0.098(3) t2(3)  0.689(3) (t2(3)  81.33(3) ) 
 1.503(3) (t2(3)  87.66(3) )  + (3)
y (4)  2.084(4)  0.002(4) x1(4)  0.287(4) x2(4)  0.038(4) t1(4)  0.001(4) (t1(4)  7(4) )
 0.056(4) (t1(4)  11.66(4) )  +0.480(4) t2(4)  0.961(4) (t2(4)  82.50(4) ) + (4)
Berdasarkan estimasi titik pada model terbaik, selanjutnya diestimasi selang
kepercayaan parameter model semiparametrik untuk mengetahui variabel prediktor yang
diduga mempengaruhi nilai UNBK berpengaruh secara signifikan atau tidak. Hasil estimasi
titik dan estimasi selang kepercayaan parameter model regresi semiparametrik multirespon
truncated spline secara lengkap ditunjukan pada Tabel 4.
Berdasarkan hasil selang kepercayaan 95% parameter model pada Tabel 4, variabel
prediktor yang tidak berpengaruh signifikan terhadap nilai UNBK adalah jenis kelamin dan
lama pendidikan orang tua karena selang kepercayaan parameternya diperoleh rentang dari
nilai negatif sampai nilai positif yg memuat nilai nol, sedangkan yang berpengaruh
signifikan positif adalah nilai rapor dan nilai ujian sekolah (USBK) yang memiliki rentang
dengan batas bawah sampai batas atas bernilai positif. Setiap peningkatan nilai rapor satu
satuan akan meningkatkan nilai UNBK Bahasa Indonesia, Bahasa Inggris dan Kompetensi
keahlian masing- masing sebesar 0,423; 0,304 dan 0,287, namun hanya pada nilai UNBK
mata pelajaran Matematika saja nilai rapor berpengaruh negatif yaitu sebesar -0,084.
Pengaruh nilai ujian sekolah (USBK) secara umum semuanya berpengaruh positif, yaitu
semakin tinggi nilai USBK semakin tinggi nilai UNBK-nya.
Tabel 4 Estimasi Selang Kepercayaan 95% Parameter Model
Estimator Batas Batas
Parameter Var (ˆ) Z-value Sig.
( ˆ ) bawah Atas
 0 (1) -0,097 0,104 -0,934 -0,301 0,107 Tidak Signifikan
 1
(1)
0,192 0,246 0,779 -0,292 0,676 Tidak Signifikan

100 Lilik Hidayati (Estimasi Selang Kepercayaan Nilai Ujian Nasional)

  2 (1) -0,084 0,010 -8,693 -0,104 -0,065 Signifikan
 11
(1)
-0,014 0,052 -0,274 -0,117 0,088 Tidak Signifikan
 12 (1)
0,077 0,106 0,726 -0,131 0,285 Tidak Signifikan
 21
(1)
0,526 0,013 41,577 0,501 0,551 Signifikan
 22 (1)
-0,250 0,045 -5,578 -0,338 -0,162 Signifikan
 23 (1)
-0,301 0,09 -3,360 -0,477 -0,125 Signifikan
0 ( 2)
-0,026 0,029 -0,898 -0,084 0,031 Tidak Signifikan
1 ( 2)
0,185 0,371 0,498 -0,544 0,913 Tidak Signifikan
2 ( 2)
0,423 0,016 27,116 0,392 0,454 Signifikan
 12 ( 2)
-0,029 0,12 -0,241 -0,264 0,206 Tidak Signifikan
 12 ( 2)
0,117 0,145 0,811 -0,167 0,402 Tidak Signifikan
 13 ( 2)
-0,136 0,149 -0,913 -0,429 0,157 Tidak Signifikan
 21
( 2)
0,311 0,019 16,376 0,274 0,349 Signifikan
 22 ( 2)
-0,081 0,055 -1,476 -0,19 0,027 Tidak Signifikan
 23 ( 2)
-0,250 0,102 -2,448 -0,45 -0,049 Signifikan
0 (3)
-0,032 0,009 -3,680 -0,049 -0,015 Signifikan
1 (3)
0,323 0,265 1,217 -0,198 0,844 Tidak Signifikan
2 (3)
0,304 0,015 20,481 0,275 0,334 Signifikan
 12 (3)
-0,097 0,099 -0,973 -0,291 0,098 Tidak Signifikan
 12 (3)
0,189 0,133 1,421 -0,072 0,450 Tidak Signifikan
 13 (3)
-0,182 0,127 -1,428 -0,432 0,068 Tidak Signifikan
 21
(3)
0,098 0,016 5,997 0,066 0,131 Signifikan
 22 (3)
0,689 0,039 17,471 0,611 0,766 Signifikan
 23 (3)
-1,503 0,070 -21,391 -1,641 -1,365 Signifikan
0 ( 4)
2,084 2,011 1,037 -1,866 6,035 Tidak Signifikan
1 ( 4)
-0,002 0,223 -0,009 -0,441 0,437 Tidak Signifikan
2 ( 4)
0,287 0,009 30,687 0,269 0,305 Signifikan
 11
( 4)
0,038 0,076 0,498 -0,111 0,186 Tidak Signifikan
 12 ( 4)
-0,001 0,095 -0,013 -0,187 0,185 Tidak Signifikan
 21
( 4)
-0,056 0,094 -0,599 -0,242 0,129 Tidak Signifikan
 22 ( 4)
0,480 0,023 21,104 0,436 0,525 Signifikan
 23 ( 4)
-0,961 0,039 -24,615 -1,038 -0,884 Signifikan

Untuk melihat kesesuaian model, selanjutnya dilakukan uji asumsi error model yaitu:
a. Pengujian Normal Multivariat Error
Asumsi yang harus dipenuhi dalam model regresi semiparametrik multirespon adalah
dari error berdistribusi normal multivariat. Pengujian dilakukan dengan hipotesis:
Hipotesis H0 : data berdistribusi normal multivariat
H1 : data tidak berdistribusi normal multivariat

Media Statistika 13(1) 2020: 92-103 101

Statistik uji Henze-Zikler (HZ)
p

2 2
p 
 m 1  2 2 
p m p p
1  Dij Dij

 e  2 1    e
 2 1(  2 )
HZ  2 2
m i 1 j 1 i 1

i  1, 2,3,..., p; j  1, 2,3,..., m
Kriteria Berdasarkan Svantesson dan Wallace (2010) nilai statistik uji HZ >
p-value maka H0 diterima yaitu data berdistribusi normal
multivariat. Package MVTests di OSS-R dan function mvn
digunakan untuk memperoleh nilai p-value=0,9130649 > 0,05, maka
dapat disimpulkan error berdistribusi normal multivariat.
b. Uji Mean dari Error
Setelah uji normalitas multivariat terpenuhi selanjutnya adalah asumsi mean dari
error yaitu nol dengan hipotesis sebagai berikut:
Hipotesis H 0 :  ( r )  0 r  1, 2,3, 4
H1 :  ( r )  0 r  1, 2,3, 4
Statistik uji 𝑋̅−𝜇0
𝑡=
𝑠/√𝑛
Kriteria H0 ditolak jika nilai p-value < 0,05. Berdasarkan hasil pengujian
mean error untuk masing-masing respon diperoleh nilai p-value
masing-masing sebesar 0,9844; 0,9796; 0,9872 dan 0,9832. Dengan
nilai p-value yang semuanya > 0,05 maka keputusan H0 diterima
sehingga diperoleh kesimpulan bahwa asumsi mean error sama
dengan nol terpenuhi.

5. KESIMPULAN
Berdasarkan hasil estimasi selang kepercayaan 95% parameter model regresi
semiparametrik multirespon berdasarkan estimator truncated spline pada nilai UNBK di
Provinsi NTB diperoleh rentang dari nilai negatif sampai nilai positif yang memuat nilai
yang memuat nol sehingga disimpulkan bahwa jenis kelamin dan lama pendidikan orang
tua tidak berpengaruh signifikan terhadap nilai UNBK. Hal ini berarti bahwa baik murid
laki-laki maupun murid perempuan mempunyai kesempatan yang sama untuk memperoleh
nilai UNBK untuk semua mata pelajaran dan tidak terpengaruh dengan lama pendidikan
orang tuanya. Secara umum variabel nilai rapor dan nilai ujian sekolah berada pada rentang
batas bawah dan batas atas positif sehingga disimpulkan semakin besar nilai rapor dan
ujian sekolah semakin besar pula nilai UNBK yang bersesuaian dengan mata pelajarannya.
Hal ini berarti kalau seorang murid bagus dalam pembelajaran sehari-hari yang tercermin
dalam nilai rapor dan nilai ujian sekolah maka nilai UNBK-nya juga akan bagus.

DAFTAR PUSTAKA
Arikunto, S. 2001. Dasar-dasar Evaluasi Pendidikan. Jakarta: Bumi. Aksara
Budiantara, I. N. 2009. Spline dalam Regresi Nonparametrik dan Semiparametrik, sebuah
Pemodelan Statistika Masa Kini dan Masa Mendatang. Pidato Pengukuhan Untuk
Jabatan Guru Besar dalam Bidang Ilmu: Matematika Statistika dan Probabilitas,
Jurusan Statistika FMIPA ITS, Surabaya
Chamidah, N. dan Rifada, M. 2016. Local Linier Estimator In Bi-Reaponse
Semiparametric Regression Model For Estimating Median Growth Charts of

102 Lilik Hidayati (Estimasi Selang Kepercayaan Nilai Ujian Nasional)

 Children. Far East Journal of Mathematical Sciences, Vol. 99, No. 8, hal 1233-
1244.
Chamidah, N., Kurniawan, K., Zaman, B., dan Muniroh, L. 2018. Least Square-Spline
Estimator in Multi-Response Semiparametric Regression Model for Estimating
Median Growth Charts of Children in East Java, Indonesia. Far East Journal of
Mathematical Sciences, Vol.107, No. 2, hal 295-307.
Chamidah, N dan Lestari, B. 2019. Estimation of Covariance Matrix using Multi-Response
Local Polynomial Estimator for Designing Children Growth Charts: a Theoretically
Discussion. Journal of Physics: Conference Series, Vol. 1397 012072
Hidayati, L., Chamidah, N., dan Budiantara, I. N. 2019. Truncated Spline Estimator in
Multiresponse Semiparametric Regression Model For Computer Based National
Exam In West Nusa Tenggara. IOP Conf. Series: Material Science and
Engineering, Vol. 546 052029 doi: 10.1088/1757-899X/546/5/052029
Hidayati, L., Chamidah, N., dan Budiantara, I. N. 2020. Confidence Interval of
Multiresponse Semiparametric Regression Model Parameters Using Truncated
Spline. International Journal of Academic Applied Research, Vol. 4, Issue 1 hal 14
-18.
Mahmud, D. 1989. Psikologi Pendidikan. Jakarta: Depdikbud Dirjen
Prahutama, A. dan Suparti. 2017. Pemodelan Harga Cabai di Kota Semarang terhadap
Harga Inflasi Menggunakan Regresi Semiparametrik Polinomial Lokal, Jurnal
Statistika, Vol. 5, No. 1, hal 1-7.
Puspendik Balitbang Kemendikbud. 2017. Panduan Pemanfaatan Hasil Ujian Nasional
Tahun Pelajaran 2016/2017. Jakarta: BSNP
Ramadan, W., Chamidah, N., Zaman, B., Muniroh, L., dan Lestari, B. 2019. Standard
Growth Chart of Weight for Height to Determine Wasting Nutritional Status in East
Java Based on Semiparametric Least Square Spline Estimator. IOP Conf. Series:
Materials Science and Engineering, Vol. 546 052063 doi:10.1088/1757-
899X/546/5/052063
Sardiman. 2011. Interaksi dan Motivasi Belajar Mengajar. Jakarta: PT. RajaGrafindo
Persada.
Slameto. 2010. Belajar dan Faktor-faktor yang Mempengaruhinya. Jakarta: PT Rineka
Cipta
Svantesson T., dan Wallace J. 2010. Tests for Assessing Multivariate Normality and The
Covariance Structure of Mimo Data. National Science Foundation under Wireless
Innitiatives Grant CCR-9979452 and Information Technology Research Grant
CCR-0081476
Syaodih, S.N. 2007, Metode Penelitian Pendidikan. Bandung; Remaja Rosda Karya.
Utami, T.W., Nur, I.M., dan Endah, S. 2018. Pemodelan Produksi Padi Menggunakan
Regresi Semiparametrik Kernel. Jurnal Statistika, Vol. 6, No. 2, hal. 160-165.
Wibowo, W., Haryatmi, S., dan Budiantara, I. N. 2012. On Multiresponse Semiparametric
Regression Model. Journal of Mathematics and Statistics, Vol. 8, No. 4: 489-499.
Yang. J. dan Yang. H. 2016. A Robust Penalized Estimation for Identification in
Semiparametric Additive Models. Statistics and Probability Letters, Vol. 110, hal
268-277

Media Statistika 13(1) 2020: 92-103 103