Escalation of Human Resource Quality in National Health Resilience Through Estimating Multilevel Model Parameters with the Restricted Maximum Likelihood Approach to The 2019 UTBK Average
Eskalasi Kualitas Sumber Daya Manusia dalam Resiliensi Kesehatan Nasional melalui Estimasi Parameter Model Multilevel dengan Pendekatan Restricted Maximum Likelihood pada Rataan UTBK 2019
Multilevel modeling or Hierarchical Linear Modeling (HLM) is a statistical approach specifically used to analyze data with a two-level structure. This approach allows an understanding of the contribution of factors at both the individual and group levels to the response variable. One method commonly used in HLM is Restricted Maximum Likelihood (REML). REML is a parameter estimation method that is often applied in statistical models, especially linear models that incorporate random components. This allows more efficient parameter assessment compared to conventional estimation methods. In this research, multilevel model parameter estimation analysis was carried out using the limited maximum likelihood approach. The aim is to determine the multilevel linear regression model on the average UTBK score for health cluster study programs in 2019. This involves selecting the optimal node point based on the minimum Generalized Cross Validation (GCV) and identifying the factors that influence it. Predictor variables considered include interest and capacity of study programs at university level (Level-1), as well as the average UNBK and HDI scores at provincial level (Level-2). The findings of this research indicate that the most appropriate multilevel regression model is formed with three nodes with a minimum GCV value at Level-1 of 864.6593 and at Level-2 of 3.1816. At Level-1, the influencing factor is the interest variable and at Level-2 is the average provincial UNBK score in 2019 and the Human Development Index (HDI).
Bahasa Indonesia
Pemodelan bertingkat atau Hierarchical Linear Modeling (HLM) merupakan pendekatan statistik yang khusus digunakan untuk menganalisis data dengan struktur dua tingkat. Pendekatan ini memungkinkan pemahaman tentang kontribusi faktor-faktor baik di tingkat individu maupun kelompok terhadap variabel respon. Salah satu metode yang umum digunakan dalam HLM adalah Restricted Maximum Likelihood (REML). REML merupakan metode estimasi parameter yang sering diterapkan dalam model statistik, khususnya model linier yang menggabungkan komponen acak. Hal ini memungkinkan penilaian parameter yang lebih efisien dibandingkan dengan metode estimasi konvensional. Dalam penelitian ini dilakukan analisis estimasi parameter model bertingkat dengan menggunakan pendekatan limited maximum Likelihood. Tujuannya untuk mengetahui model regresi linier berjenjang terhadap rata-rata nilai UTBK prodi klaster kesehatan tahun 2019. Hal ini melibatkan pemilihan titik simpul optimal berdasarkan Generalized Cross Validation (GCV) minimum dan identifikasi faktor-faktor yang mempengaruhinya. Variabel prediktor yang dipertimbangkan antara lain peminat dan daya tampung program studi di tingkat universitas (Level-1), serta rata-rata nilai UNBK dan IPM tingkat provinsi (Level-2). Temuan penelitian ini menunjukkan bahwa model regresi bertingkat yang paling sesuai dibentuk dengan tiga titik simpul dengan nilai GCV minimum pada Level-1 sebesar 864.6593 dan pada Level-2 sebesar 3.1816. Pada Level-1, faktor yang berpengaruh adalah variabel peminat dan pada Level-2 adalah rata-rata nilai UNBK provinsi tahun 2019 dan Indeks Pembangunan Manusia (IPM).
Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.