APLIKASI METODE PRINCIPAL COMPONENT DALAM PENENTUAN FAKTOR PENILAIAN KINERJA PENGAJAR (Studi Kasus Lembaga Les Privat dan Kelompok Belajar Bintang Pelajar Cabang Bintaro Tahun 2008)
Wawan Kurniawan
PROGRAM STUDI MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 2008 M / 1429 H
APLIKASI METODE PRINCIPAL COMPONENT DALAM PENENTUAN FAKTOR PENILAIAN KINERJA PENGAJAR (Studi Kasus Lembaga Les Privat dan Kelompok Belajar Bintang Pelajar Cabang Bintaro Tahun 2008)
Skripsi Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Sains Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta
Oleh :
Wawan Kurniawan 104094003043
PROGRAM STUDI MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 2008 M / 1429 H
i
PENGESAHAN UJIAN
Skripsi berjudul “Aplikasi Metode Principal Component Dalam Penentuan Faktor Penilaian Kinerja Pengajar” studi kasus Lembaga Les Privat dan Kelompok Belajar Bintang Pelajar Cabang Bintaro yang ditulis oleh Wawan Kurniawan, NIM 104094003043 telah di uji dan dinyatakan lulus dalam sidang Munaqosyah Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta pada tanggal 23 Mei 2008. Skripsi ini telah diterima sebagai salah satu syarat untuk memperoleh gelar sarjana strata satu (S1) Program Studi Matematika.
Menyetujui :
Penguji 1,
Penguji 2,
Taufik Edy Sutanto, M. ScTech NIP. 150 377 447
Nina Fitriyati, M. Kom NIP. 150 377 448
Pembimbing 1,
Pembimbing 2,
Hermawan Setiawan, M. Kom NIP. 250 000 505
Nur Inayah, M. Si NIP. 150 326 911
Mengetahui :
Dekan Fakultas Sains dan Teknologi,
Ketua Program Studi Matematika,
DR. Syopiansyah Jaya Putra, M. Sis NIP. 150 317 956
Nur Inayah, M. Si NIP. 150 326 911
ii
PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR – BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN SEBAGAI SKRIPSI PADA PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.
Jakarta, 23 Mei 2008
Wawan Kurniawan 1040 9400 3043
iii
PERSEMBAHAN Dedicated to my parents Daddy Narun and Mom Mardiana, my little brother Andre, my sisters Desi, Neni, and Devi.
Dengan menyebut nama Allah Yang Maha Pemurah lagi Maha Penyayang
Firman Allah Subhanahu Wa Ta’ala : …” dan katakanlah: Ya Tuhanku, tambahkanlah kepadaku ilmu pengetahuan” [QS Thaha : 114]
“ Bacalah dengan (menyebut) nama Tuhanmu Yang Menciptakan. Dia telah menciptakan manusia dari segumpal darah. Bacalah, dan Tuhanmu ialah Yang Maha Pemurah. Yang mengajar (manusia) dengan pena. Dia mengajarkan kepada manusia apa yang tidak diketahui ”. [QS Al Alaq : 1-5]
iv
ABSTRAK
Sifat terpenting dalam pembangunan sumber daya manusia adalah produktifitas dalam pekerjaan. Terkait dalam bidang pendidikan, produktifitas dapat difokuskan pada kinerja pengajar. Dengan banyaknya indikator dalam evaluasi kinerja sebagai bentuk peningkatan mutu pendidikan, maka diperlukan adanya faktor-faktor yang melandasi penilaian kinerja tersebut untuk memudahkan analisa. Faktor-faktor tersebut dihasilkan dari ekstraksi indikatorindikator awal penilaian. Salah satu metode ekstraksi indikator-indikator menjadi faktor, yaitu Metode Principal Component. Metode ini dapat menghasilkan faktor dengan mempertimbangkan besar korelasi antara faktor yang terbentuk dengan indikatorindikator yang diekstraksi. Hasil yang diperoleh dalam skripsi ini, mampu mengekstraksi dari 11 indikator menjadi 3 faktor penilaian, yaitu faktor manajemen kelas pengajar, faktor dialogis pengajar, dan faktor humoritas pengajar. Kata Kunci : Faktor Kinerja Pengajar, Metode Principal Component, dan Multivariat.
v
ABSTRACT
The most important nature in human resource development is occupational productivit y. In the field of education, productivity can be focused to the teacher performance. The process of performance evaluation as the form of education quality improvement, needs some factors that the performance assessment based upon. Those factors are extracted from the initial assessment indicators. One of methods extracting indicators into factors is Principal Component Method. This method can produce one or more factors with based on loading factors. The result shows that among 11 indicators into 3 factors were extracted, they are the teacher’s class manages, the teacher’s dialogue, and the teacher’s humorous. Keywords: The Teacher Performance Factor, Principal Component Method, and Multivariate.
vi
KATA PENGANTAR
Segala puji hanya bagi Allah,Tuhan semesta alam. Limpahan syukur atas nikmat dan hidayah yang terpancar atas dirinya. Shalawat serta salam semoga tetap dilimpahkan dan selalu tercurahkan kepada Rasulullah Nabi Muhammad saw, serta keluarga, sahabat, dan segenap pengikutnya sampai akhir zaman. Dengan mengucapkan Alhamdulillah hirobbil a’lamin berkat rahmat karunia atas izinnya akhirnya dapat menyelesaikan skripsi ini. Dengan terselesaikannya skripsi ini, penulis berharap dapat memberikan manfaat dan kontribusi yang berarti, baik bagi para pembaca pada umumnya dan bagi penulis pada khususnya.
Berkaitan dengan penyusunan skripsi ini yang
masih jauh dari kesempurnaan, oleh karena itu kritik dan saran konstruktif sangat penulis harapkan. Dalam kesempatan yang baik ini, perkenankan penulis menghaturkan ucapan Terima Kasih kepada: 1. Dr. Syopiansyah Jaya Putra, M.Sis, Dekan Fakultas Sains dan Teknologi 2. Nur Inayah, M.Si, Ketua Program Studi Matematika, Pembimbing II, dan Nina Fitiriyati, M.Kom, Sekretaris Program Studi Matematika 3. Hermawan Setiawan, M.Kom, Pembimbing I 4. Papa Narun dan Mama Mardiana, terima kasih atas support dan doa yang menemani dalam penyelesaian skripsi ini 5. Kakak-kakakku Desi, Neni dan Dwi dan untuk adikku Devi dan Andre
vii
6. Suratno, S. Hum, Kepala Cabang Bintang Pelajar Bintaro, dan seluruh rekanrekan seperjuangan Bintang Pelajar cabang Bintaro 7. Untuk Beny, terima kasih komputer dan kostannya 8. Untuk teman-teman seperjuangan Alwi, Fahri, Takin, Enu, Adi, Q-noy, Arif, Irwan, ayo SEMANGAT susun skripsinya ya 9. Teman-teman mahasiswa matematika angkatan 2002 s/d 2007. Semoga kita semua berada dalam jalan kebenaran dan selalu mendapatkan rahmat dan hidayah-Nya. Amin .
Jakarta, 23 Mei 2008
Penulis
viii
DAFTAR ISI
HALAMAN JUDUL .............................................................................
i
PENGESAHAN UJIAN ........................................................................
ii
PERNYATAAN ....................................................................................
iii
PERSEMBAHAN ..................................................................................
iv
ABSTRAK ............................................................................................
v
ABSTRACT ..........................................................................................
vi
KATA PENGANTAR ...........................................................................
vii
DAFTAR ISI .........................................................................................
ix
DAFTAR TABEL ..................................................................................
xi
DAFTAR GAMBAR .............................................................................
xii
DAFTAR LAMPIRAN ..........................................................................
xiii
BAB I
PENDAHULUAN ................................................................
1
1.1. Latar Belakang ...............................................................
1
1.2. Permasalahan .................................................................
2
1.3. Pembatasan Masalah ......................................................
2
1.4. Tujuan Penelitian ...........................................................
3
1.5. Manfaat Penelitian .........................................................
3
LANDASAN TEORI ............................................................
4
2.1 Analisis Faktor ...............................................................
4
2.2 Principal Component ......................................................
7
2.3 Pembentukan Faktor .......................................................
9
BAB II
ix
2.3.1 Model Satu Faktor ..................................................
12
2.3.2 Model Dua Faktor ..................................................
15
2.3.3 Model Lebih Dari Dua Faktor ................................
21
2.3.4 Confirmatory dan Exploratory ...............................
25
2.4 Kinerja Pengajar .............................................................
28
METODOLOGI PENELITIAN ............................................
31
3.1 Waktu dan Tempat Penelitian ........................................
31
3.2 Metode Pengumpulan Data ..............................................
31
3.3 Metode Pengolahan Data ................................................
31
3.4 Alur Penelitian.................................................................
33
HASIL DAN PEMBAHASAN .............................................
35
4.1 Indikator Penilaian ..........................................................
35
4.2 Uji Normalitas ................................................................
36
4.3 Metode Principal Component .........................................
38
KESIMPULAN DAN SARAN .............................................
43
5.1 Kesimpulan .....................................................................
43
5.2 Saran ..............................................................................
44
REFERENSI ..........................................................................................
46
LAMPIRAN ..........................................................................................
47
BAB III
BAB IV
BAB V
x
DAFTAR TABEL
Tabel 2.1 : Indeks KMO ........................................................................
8
Tabel 4.1 : Data Hasil Survei .................................................................
34
Tabel 4.2 : Nilai Signifikan Variabel ......................................................
35
Tabel 4.3 : Matriks Korelasi Antar Indikator Awal .................................
36
Tabel 4.4 : KMO dan Bartlett’s Test .......................................................
37
Tabel 4.5 : Total Variance Explained .....................................................
38
Tabel 4.6 : Component Matrix ................................................................
39
xi
DAFTAR GAMBAR
Gambar 2.1 : Scree Plot .........................................................................
10
Gambar 2.2 : Model Satu Faktor ............................................................
13
Gambar 2.3 : Model Dua Faktor .............................................................
16
Gambar 2.4 : Plot Interpretasi Faktor ......................................................
24
Gambar 2.5 : Model Confirmatory ..........................................................
26
Gambar 2.6 : Model Exploratory ............................................................
27
Gambar 3.1 : Alur Penelitian ..................................................................
33
xii
DAFTAR LAMPIRAN
Lampiran 1 : Data Hasil Survei ............................................................
45
Lampiran 2 : Angket Tentor Penelitian ...............................................
47
Lampiran 3 : Output Uji Normalitas .....................................................
48
Lampiran 4 : Output Matriks Korelasi Variabel Asli .............................
49
Lampiran 5 : Output KMO and Bartlett’s Test , Communalities.............
50
Lampiran 6 : Output Total Variance Explained ....................................
51
Lampiran 7 : Output Component Matrix ...............................................
52
Lampiran 8 : Korelasi Awal .................................................................
55
Lampiran 9 : Uji Kenormalan Data ......................................................
57
Lampiran 10 : Eigen value .....................................................................
60
Lampiran 11 : Loading Indikator ............................................................
62
xiii
BAB I PENDAHULUAN 1.1 Latar Belakang Pembangunan yang semakin merata ke segala aspek, memaksa setiap aspek dan individu untuk siap bersaing. Sifat terpenting dalam pembangunan sumber daya manusia adalah produktifitas dalam pekerjaan [3]. Terkait dalam bidang pendidikan, produktifitas dapat difokuskan pada kinerja pengajar. Kinerja pengajar memegang peran penting untuk proses pen-transferan ilmu kepada peserta didik. Pengajar diharapkan mampu membawa suasana kelas yang kondusif. Terkait dengan peran pengajar yang multi talenta, tentunya diharapkan adanya suatu evaluasi dari kinerja pengajar sebagai upaya peningkatan mutu pendidikan. Evaluasi kinerja pengajar yang dimaksudkan berupa penilaian hasil kegiatan belajar mengajar (KBM) yang ditinjau dari sudut pandang penilaian siswa terhadap pengajar. Untuk penilaian tersebut diperlukan adanya kategori berupa faktor-faktor yang dapat menunjang penilaian. Faktor-faktor yang dihasilkan merupakan hasil ekstraksi dari indikator-indikator penilaian yang diajukan kepada siswa. Analisa data yang dapat mengekstraksi indikator-indikator penilaian sehingga menghasilkan faktor-faktor baru yang tidak saling berkorelasi dan memperkuat suatu kategori penilaian yaitu analisis faktor dengan metode principal component.
1
Terkait dengan dihasilkannya faktor-faktor yang mampu memberikan indikasi penilaian untuk mendukung evaluasi kinerja pengajar diharapkan dapat menjadi acuan untuk terciptanya suatu suasana pendidikan yang bermakna, menyenangkan, kreatif, dinamis, dan dialogis. Oleh karena itu penulis
mengambil
COMPONENT
judul
DALAM
“APLIKASI
METODE
PRINCIPAL
PENENTUAN
FAKTOR
PENILAIAN
KINERJA PENGAJAR”. Studi kasus lembaga les privat dan kelompok belajar Bintang Pelajar cabang Bintaro tahun 2008.
1.2 Permasalahan Berdasarkan
uraian
latar
belakang
maka
dapat
dirumuskan
permasalahan sebagai berikut : 1. Bagaimana proses mengekstraksi indikator-indikator penilaian kinerja pengajar menjadi faktor-faktor penilaian kinerja pengajar dengan metode principal component? 2. Faktor-faktor apa saja yang dapat dihasilkan dari ekstraksi indikatorindikator penilaian kinerja pengajar?
1.3 Pembatasan Masalah Objek penelitian dikhususkan hanya untuk pengajar. Penilaian kinerja pun hanya dikhususkan untuk pengajar materi, tanpa guru konseling dan staf pegawai. Selain itu kriteria penilaian yang diberikan berdasarkan sudut pandang siswa.
2
1.4 Tujuan Penelitian Adapun tujuan yang hendak dicapai dari penelitian ini adalah : 1. Mengetahui proses ekstraksi indikator-indikator penilaian
kinerja
pengajar menjadi faktor-faktor penilaian kinerja pengajar dengan metode principal component 2. Mengetahui faktor-faktor yang dapat dijadikan kriteria penilaian kinerja pengajar.
1.5 Manfaat Penelitian Hal-hal yang dapat diperoleh dan ditelaah dari penelitian ini adalah : 1. Bagi penentu kebijakan lembaga, dapat dijadikan bahan evaluasi terhadap kinerja pengajar untuk mewujudkan kondisi kegiatan belajar mengajar yang kondusif dan kesejahteraan pengajar menuju visi lembaga 2. Bagi peneliti berguna dalam menambah wawasan dan penerapan ilmu pengetahuan, khususnya penelitian tentang aplikasi metode principal component.
3
BAB II LANDASAN TEORI 2.1 Analisis Faktor Analisis faktor merupakan suatu kelas prosedur yang dipergunakan untuk mereduksi dan meringkas sejumlah variabel asli yang akan diekstraksi yang disebut indikator menjadi variabel baru yang terbentuk dengan jumlah yang lebih kecil yang disebut dengan faktor, misalnya dari 15 indikator diekstraksi menjadi 4 atau 5 faktor dan masih memuat sebagian besar informasi yang terkandung dalam indikator yang terobservasi.
Secara matematis, analisis faktor agak mirip dengan regresi linear berganda, yaitu bahwa setiap indikator dinyatakan sebagai kombinasi linear dari faktor yang mendasari. Faktor dapat diperkirakan sehingga nilai faktor yang satu tidak berkorelasi dengan nilai faktor lainnya. Banyaknya faktor lebih sedikit daripada banyaknya indikator, hal ini dikarenakan analisis faktor memang mereduksi jumlah indikator yang banyak menjadi faktor yang jumlahnya lebih sedikit.
Di dalam merumuskan masalah analisis faktor, indikator yang digunakan untuk menganalisis faktor dispesifikasi berdasarkan hasil penelitian. Indikator-indikator ini diukur dengan menggunakan skala interval atau rasio. Analisis faktor didasarkan pada suatu matriks korelasi antar indikator. Ketepatan matriks korelasi untuk menganalisis faktor dapat di uji secara statistik, hal ini juga untuk menentukan ketepatan analisis faktor.
4
Terdapat istilah-istilah dalam analisis faktor, meliputi: 1. Multicollearity, menyatakan bahwa antar
setiap indikator saling
berkorelasi satu sama lain 2. Matriks korelasi, yaitu matriks yang menyatakan besar korelasi antar setiap indikator 3. Indeks
Kaiser-Meyer-Olkin
(KMO),
yaitu
suatu
indeks
yang
dipergunakan untuk meneliti kesesuaian penggunaan analisis faktor 4. Bartlett’s test of spherecity, yaitu suatu uji statistik yang dipergunakan untuk menguji bahwa indikator-indikator saling berkorelasi dalam populasi 5. A priori, yang dalam hal ini menyatakan suatu metode pendekatan dalam menentukan banyaknya faktor yang dihasilkan 6. Component matrix, yaitu matriks yang menyatakan besar korelasi antara indikator dengan faktor yang terbentuk 7. Eigen values, yang bermakna jumlah variansi yang disumbangkan oleh faktor yang dihasilkan terhadap seluruh variansi indikator 8. Communality, yaitu jumlah variansi yang disumbangkan oleh suatu indikator dengan seluruh indikator lainnya dalam analisis 9. Pattern loading, yaitu besar korelasi antara indikator dengan faktor yang terbentuk 10. Principal axis, merupakan salah satu metode dalam analisis faktor yang bertujuan mengidentifikasi dimensi dari faktor dengan menggunakan matriks variansi dari setiap faktor
5
11. Principal component, merupakan salah satu metode dalam analisis faktor yang bertujuan menentukan minimum banyaknya faktor yang diekstraksi tetapi menyerap sebagian variansi dari indikator 12. Scree plot, yaitu suatu metode pendekatan penentuan banyaknya faktor berupa plot dari eigen value 13. Structure loading, yaitu besar korelasi antara indikator dengan faktor pada model satu faktor 14. Unique factor, yaitu faktor-faktor luar selain faktor yang dihasilkan namun berpengaruh terhadap masalah yang hendak dicapai.
Analisis faktor memiliki dua jenis metode yang dapat digunakan, yaitu principal component dan principal axis [4]. Di dalam principal component jumlah variansi dalam data yang terkandung dalam semua indikator dipertimbangkan. Principal component
digunakan jika tujuan utamanya
ialah menentukan jumlah faktor diekstrasi minimal tetapi menyerap maksimal informasi yang terkandung pada semua indikator
atau
menyumbang sebagian besar variansi dari keseluruhan indikator. Sedangkan principal axis, metode ini tepat jika tujuan utama analisis faktor untuk mengidentifikasi dimensi yang mendasari dengan menggunakan matriks variansi antar faktor.
6
2.2 Principal Component Principal component merupakan suatu metode atau teknik untuk membentuk satu factor atau lebih dari ekstraksi indikator-indikator. Salah satu tujuan principal component adalah menyederhanakan sejumlah indikator menjadi faktor yang jumlahnya lebih sedikit, dan di setiap faktor tidak terjadi multicollearity. Artinya masing-masing faktor tidak berkorelasi.
Hal-hal yang harus dipenuhi dalam metode principal component, yakni: 1. Normalitas indikator Indikator-indikator memenuhi asumsi distribusi normal dan indikator diukur dengan menggunakan skala interval atau rasio.
2. Matriks korelasi indikator Menunjukkan adanya korelasi antar indikator.
3. Adanya interkorelasi antar indikator yang ditunjukkan dengan KMO dan Bartlett’s Test Menurut [4], besar nilai KMO menunjukkan tingkat rekomendasi dan kesesuaian penggunaan analisis
faktor.
Dengan batas
minimum
kesesuaian jika nilai KMO ≥ 0.6.
7
Tabel 2.1 Indeks KMO Nilai KMO
Rekomendasi
≥ 0.9
Sangat tepat sekali
≥ 0.8
Tepat sekali
≥ 0.7
Tepat
≥ 0.6
Cukup Tepat
≥ 0.5
Kurang tepat
< 0.5
Sangat tidak tepat
4. Standarisasi indikator Menurut [5], indikator
indikator-indikator
yang
dianalisis
distandarisasikan
dengan
principal
karena
syarat
component
harus
distandarisasi terlebih dahulu. Hal ini dikarenakan untuk mengatasi skala nilai yang berbeda jauh. Caranya dengan mengurangi setiap indikator dengan parameter rata-ratanya kemudian dibagi dengan parameter standar deviasinya.
X*= , i
(Xi − X )
i = 1, 2, 3, ..., p
(2.1)
S
i
Dengan :
X * = indikator yang sudah distandarisasi X i = indikator ke-i
X = rata-rata indikator ke-i S = standar deviasi indikator ke-i.
8
5. Eigen values Menunjukkan jumlah variansi yang disumbangkan oleh faktor tertentu terhadap seluruh variansi dari indikator. Penentuan banyaknya faktor yang diekstraksikan memiliki eigen value lebih besar dari 1 (satu) [5].
6. Component Matrix Merupakan matriks yang menunjukkan besar pattern loading. Nilai pada component matrix disyaratkan bernilai diatas 0.30 [5]. Hal ini untuk menentukan observasi indikator terhadap faktor.
2.3 Pembentukan Faktor Beberapa
metode
untuk
menentukan
banyaknya
faktor
yang
dihasilkan, yakni : a. A Priori Penentuan ini didasarkan pada pengetahuan sebelumnya, yakni mengetahui berapa jumlah faktor yang dapat diharapkan.
Dengan
pengetahuan tersebut menentukan jumlah faktor yang dapat disarikan dari indikator.
b. Penentuan berdasarkan pada Eigen Values Di dalam pendekatan ini, hanya faktor dengan eigen values lebih dari 1 (satu) yang dipertahankan, faktor lainnya yang eigen values-nya satu atau kurang dari satu tidak lagi dimasukkan di dalam model.
9
c. Penentuan berdasarkan pada Scree Plot Scree plot ialah grafik garis yang menggambarkan banyaknya faktor terhadap eigen values-nya. Scree plot merupakan hasil plot dari eigen values sebagai sumbu vertikal dan banyaknya faktor sebagai sumbu horizontal. Penentuan banyaknya faktor yang dihasilkan dengan melihat jarak masingmasing plot, jika terdapat jarak antar plot yang curam maka dikatakan telah terjadi perbedaan faktor yang hasilkan. Sedangkan jika plot memiliki jarak yang tidak curam atau melandai, maka masing-masing plot digabungkan ke dalam faktor yang sama. Pada umumnya, banyaknya faktor yang ditentukan dengan suatu scree plot akan berbeda satu atau lebih dengan kriteria eigen values. Eigen Value
4.35
2.34
1.25
0.05 0
Faktor 1
2
3 4
5
Gambar 2.1 Scree Plot
10
d. Penentuan berdasarkan persentase variansi Menurut [5], pada penentuan ini banyaknya faktor yang diekstraksi telah ditentukan sebelumnya, sehingga kumulatif persentase variansi yang diekstraksi oleh faktor mencapai suatu tingkat yang memuaskan. Pada tingkat variansi berapa yang dapat memuaskan, sangat bergantung pada masalah penelitian. Walaupun demikian, disarankan bahwa faktor yang diekstraksi harus mencakup paling sedikit 66% dari variansi [5].
e. Penentuan berdasarkan pada Split-Half Reliability Dalam hal ini sampel dibagi menjadi dua bagian, misalkan kelompok sampel 1 dan kelompok sampel 2. Analisis faktor dilakukan masing-masing terhadap sampel 1 dan juga pada sampel 2. Hanya faktor yang memiliki korelasi tinggi dengan indikator baik pada sampel 1 maupun pada sampel 2 saja yang dipertahankan. Artinya hanya faktor yang memiliki pattern loading yang tinggi diantara kedua sampel [5].
f. Penentuan berdasarkan pada Uji Signifikansi Sebenarnya dimungkinkan untuk menentukan signifikansi statistik dari eigen values secara terpisah dan hanya mempertahankan faktor-faktor yang memang signifikan secara statistik dengan tingkat signifikansi 5%. Kelemahan dengan cara ini ialah terletak pada kenyataan bahwa sampel yang besar (n > 200 responden) banyak faktor yang menurut statistik signifikan akan tetapi hanya mampu menyerap variansi dalam jumlah yang
11
kecil, kurang dari 60%. Sehingga variansi yang diserap oleh faktor-faktor tersebut tidak bisa maksimum [5].
Pembentukan faktor baru yang dihasilkan dari ekstraksi indikator dibentuk atas tiga model, diantaranya: model 1 faktor, model 2 faktor, dan model lebih dari 2 faktor.
2.3.1 Model Satu Faktor Menurut [4], model satu faktor (ξ ) digunakan jika dari sejumlah p indikator yang diekstraksi menghasilkan 1 buah faktor. Model ini dapat dibentuk dalam suatu persamaan,yaitu :
xi = λiξ + ∈i
; i = 1, 2, 3, ......, p
(2.2)
dengan : xi = indikator ke- i
ξ = faktor yang terbentuk λi = pattern loading indikator ke- i dengan faktor ∈i = unique factor untuk indikator ke- i p = banyaknya indikator.
12
Gambar 2.2 Model Satu Faktor Asumsi umum dalam analisis faktor untuk setiap model [4], yaitu : 1. Besar mean ( µ ) untuk faktor dan unique factor dari indikator adalah nol 2. Besar variansi untuk faktor dari indikator adalah satu 3. Unique factor tidak berkorelasi dengan unique factor lain dan tidak berkorelasi juga dengan faktor. Sehingga berlaku : E (ξ ∈j ) = 0 ; i ≠ j ; i, j = 1, 2, 3, ......, p
(2.3)
E (∈i ∈j ) = 0 Besar variansi untuk setiap indikator, xi , berlaku persamaan : E ( xi 2 ) = E[(λi ξ + ∈i ) 2 ] = E[λi 2ξ 2 + ∈i 2 +2λiξ ∈i ] = E[λi 2ξ 2 ] + E[∈i 2 ] + E[2λiξ ∈i ] = λi 2 E (ξ 2 ) + E (∈i 2 ) + 2λi E (ξ ∈i ) = λi 2 .Var (ξ ) + Var (∈i ) + 2λi (0) = λi 2 (1) + Var (∈i ) + 0 = λi 2 + Var (∈i )
13
Var ( xi ) = λi 2 + Var (∈i ) dengan i = 1, 2, 3, ..., p
(2.4)
Sesuai persamaan (2.4) variansi untuk setiap indikator xi dipengaruhi dua komponen, yaitu : 1. Hasil kuadrat dari pattern loading-nya ( λi ) dan 2. Variansi dari unique factor (∈i ).
Besar korelasi untuk setiap indikator, xi , dengan faktor, ξ , berlaku persamaan : E ( xiξ ) = E[(λiξ + ∈i )ξ ] = E[λi ξ 2 + ξ ∈i ] = E[λi ξ 2 ] + E[ξ ∈i ] = λi E (ξ 2 ) + E (ξ ∈i ) = λi (1) + 0 = λi E( xiξ ) = λi dengan i = 1, 2, 3, ..., p
(2.5)
Besar korelasi antara setiap dua indikator, yaitu antara xi dengan x j dengan i ≠ j ; i, j = 1, 2, 3, ......, p adalah berupa persamaan :
14
E( xi x j ) = E[(λiξ + ∈i )(λ j ξ + ∈ j )] = E[λi λ jξ 2 + λiξ ∈ j +λ jξ ∈i + ∈i ∈ j ] = E[λi λ jξ 2 ] + E[λ iξ ∈ j ] + E[λ jξ ∈i ] + E[∈i∈ j] = λi λ j E(ξ 2 ) + λi E(ξ ∈j ) + λ j E(ξ ∈i ) + E(∈i∈ j ) = λi λ j (1) + λi (0) + λ j (0) + 0 = λi λ j Cor ( xi x j ) = λi λ j
(2.6)
Besar korelasi antara dua indikator sama dengan hasil perkalian antara pattern loading dari kedua indikator tersebut.
2.3.2 Model Dua Faktor Menurut [4], model dua faktor digunakan jika dari sejumlah p indikator yang diekstraksi menghasilkan 2 buah faktor. Model ini dapat dibentuk dalam suatu persamaan,yaitu : xi = λi1ξ1 + λi 2ξ 2 + ∈i
; i = 1, 2, 3, ......, p
(2.7)
dengan : xi = indikator ke- i
ξ1 = faktor 1
ξ 2 = faktor 2 λi1 = pattern loading indikator ke- i dengan faktor 1 λi 2 = pattern loading indikator ke- i dengan faktor 2 ∈i = unique factor untuk indikator ke- i p = banyaknya indikator.
15
Gambar 2.3 Model Dua Faktor Besar variansi untuk setiap indikator xi sesuai dengan persamaan (2.8): E ( xi 2 ) = E[( λi1ξ1 + λi 2 ξ 2 + ∈i ) 2 ] = E[ λ i1 2ξ1 2 + λ i1λi 2ξ 1ξ 2 + λi1ξ1 ∈i + λi1 λi 2ξ 1ξ 2 + λi 2 2ξ 2 2 + λ i 2ξ 2 ∈i +
λi1ξ1 ∈i + λi 2ξ 2 ∈i + ∈i 2 ] = E[ λ i1 2ξ1 2 + λ i 2 2ξ 2 2 + 2 λ i1λi 2ξ 1ξ 2 + 2 λ i1ξ 1 ∈i +2 λi 2 ξ 2 ∈i + ∈i 2 ] = E[ λ i1 2ξ1 2 ] + E[λ i 2 2ξ 2 2 ] + E[2 λ i1λi 2ξ 1ξ 2 ] + E[2 λi1ξ 1 ∈i ] + E[2 λi 2ξ 2 ∈i ] + E[∈i 2 ] = λ i12 E (ξ 12 ) + λ i 2 2 E (ξ2 2 ) + 2 λ i1λ i 2 E (ξ1ξ 2 ) + 2λ i1 E (ξ1 ∈i ) + 2 λi 2 E (ξ 2 ∈i ) + E (∈i 2 ) = λ i12 (1) + λ i 2 2 (1) + 2 λ i1λi 2φ + 2 λ i1 (0) + 2 λ i 2 (0) + Var (∈i ) = λ i12 + λ i 2 2 + 2λ1λ 2φ + 0 + 0 + Var (∈i ) = λ i12 + λ i 2 2 + 2λ 1λ 2φ + Var (∈ i )
Var( xi ) = λi1 2 + λi 2 2 + 2λ1λ2φ + Var (∈i )
(2.8)
16
dengan : φ = korelasi antara faktor 1 ( ξ1 ) dengan faktor 2 ( ξ 2 ) i = 1, 2, 3, ......, p
Syarat faktor yang dihasilkan dengan analisis faktor, yaitu masingmasing faktor tidak berkorelasi satu sama lain atau disebut dengan orthogonal factor [5].
Berdasarkan syarat faktor tersebut maka besar φ = 0, dan persamaan (2.8) direduksi menjadi :
Var ( xi ) = λi1 2 + λi1 2 + Var (∈i )
(2.9)
Jelas terlihat bahwa variansi untuk setiap indikator dipengaruhi oleh : 1. Variansi dari faktor 1 ( ξ1 ) atau hasil kuadrat dari korelasi indikator ke- i dengan faktor 1 ( ξ1 )
2. Variansi dari faktor 2 ( ξ 2 ) atau hasil kuadrat dari korelasi indikator ke- i dengan faktor 2 ( ξ 2 )
3. Variansi dari ξ1 dengan ξ 2 dengan persamaan : Var[ξ1ξ 2 ] = 2 λi1λi 2 E (ξ1ξ 2 ) = 2λi1λi 2 Cor(ξ1ξ 2 ) = 2λi1λi 2φ Var[ξ1ξ 2 ] = 2 λi1λi 2φ
(2.10)
17
4. Variansi dari unique factor (∈i ), yaitu : Var (∈i ) = E (∈i 2 )
(2.11)
Korelasi antara setiap indikator xi dengan setiap faktor ξ m , berlaku persamaan : i = 1, 2, 3, ......, p dan m = 1, 2
E ( xi ξ m )
= E[(λi1ξ1 + λi 2ξ 2 + ∈i )ξ m ] = E[λi1ξ1ξ m + λi 2ξ 2ξ m + ξ m ∈i ] = E[λi1ξ1ξ m ] + E[ λi 2ξ 2ξ m ] + E[ξ m ∈i ] = λi1 E (ξ1ξ m ) + λi 2 E (ξ 2ξ m ) + E (ξ m ∈i ) = λi1 E (ξ1ξ m ) + λi 2 E (ξ 2ξ m ) + 0 = λi1 E (ξ1ξ m ) + λi 2 E (ξ 2ξ m )
Cor ( xiξ m ) = λi1 E (ξ1ξ m ) + λi 2 E (ξ 2ξ m )
(2.12)
Berdasarkan persamaan (2.12) maka berlaku untuk : Jika m = 1, maka korelasi setiap indikator xi dengan faktor ξ1 , berlaku : Cor ( xi ξ1 ) = λi1 E[ξ1ξ1 ] + λi 2 E[ξ 2ξ1 ] 2
= λ i1E[ξ 1 ] + λ i 2 E[ξ 2ξ1 ] = λi1 (1) + λi 2φ = λi1 + λi 2 (0) = λi1 + 0 = λi1
Cor ( xiξ1 ) = λi1
(2.13)
18
Jika m = 2 , maka korelasi setiap indikator xi dengan faktor ξ 2 , berlaku :
C o r ( xi ξ 2 ) = λi1 E[ξ1ξ 2 ] + λi 2 E[ξ 2ξ 2 ] = λi1 E [ξ1ξ 2 ] + λ i 2 E [ξ 2 2 ] = λi1φ + λi 2 (1) = λi1 (0 ) + λi 2 = 0 + λi 2 = λi 2
Cor ( xiξ 2 ) = λi 2
(2.14)
Selanjutnya besar korelasi antara dua indikator, xi dengan x j dengan i = 1, 2, 3, ......, p dan j = 1, 2, 3, ......, p . Untuk i ≠ j berlaku persamaan :
19
E( xi x j )
= E[(λi1ξ1 + λi 2ξ 2 + ∈i )(λ j1ξ1 + λ j 2ξ 2 + ∈j )] = E[λi1 λ j1ξ1 2 + λi1λ j 2ξ 1ξ 2 + λi1ξ1 ∈ j +λi 2 λ j1ξ 1ξ 2 +
λ i 2λ j 2ξ 22 + λ i 2ξ 2 ∈ j +λ j1ξ1 ∈i +λ j 2ξ 2 ∈i + ∈i ∈j ] = E[λi1 λ j1ξ1 2 ] + E[λi1λ j 2ξ 1ξ 2 ] + E[λ i1ξ 1 ∈ j ] + E[λ i 2λ j1ξ 1ξ 2] + E[λi 2 λ j 2 ξ 2 2 ] + E[ λi 2ξ 2 ∈j ] + E[ λ j1ξ1 ∈i ] + E[λ j 2ξ 2 ∈i ] + E[∈i∈ j ] = λi1λ j1 E(ξ1 2 ) + λi1λ j 2 E(ξ1ξ 2 ) + λi1 E(ξ1 ∈ j ) + λi 2 λ j1 E (ξ1ξ2 ) +
λ i 2λ j 2E (ξ 22 ) + λ i 2 E (ξ2 ∈ j ) + λ j1 E (ξ1 ∈i ) + λ j 2 E (ξ 2 ∈i ) + E (∈i∈ j ) = λi1λ j1 (1) + λi1λ j 2 (φ ) + λi1 (0) + λi 2 λ j1 (φ ) + λi 2λ j 2 (1) +
λi 2 (0) + λ j1 (0) + λ j 2 (0) + 0 = λi1λ j1 + λi1λ j 2 (φ ) + 0 + λi 2 λ j1 (φ ) + λi 2 λ j 2 + 0 + 0 + 0 + 0 = λi1λ j1 + λi1λ j 2 (φ ) + λi 2 λ j1 (φ ) + λi 2 λ j 2 = λi1λ j1 + λi 2 λ j 2 + ( λi1λ j 2 + λi 2λ j1 )φ = λi1λ j1 + λi 2 λ j 2 + ( λi1λ j 2 + λi 2λ j1 )(0) = λi1λ j1 + λi 2 λ j 2 + 0 = λi1λ j1 + λi 2 λ j 2
Cor ( xi x j ) = λi1λ j1 + λi 2λ j 2
(2.15)
Untuk i = j maka berlaku : Cor ( xi x j ) = 1
(2.16)
20
2.3.3 Model Lebih Dari Dua Faktor Menurut [4], model lebih dari dua faktor digunakan jika dari sejumlah p indikator yang diekstraksikan menghasilkan lebih dari 2 faktor atau sejumlah m faktor. Model ini dapat dibentuk dalam suatu persamaan,yaitu :
xi = λi1ξ1 + λi 2ξ 2 + ... + λimξ m + ∈i
dengan : xi
(2.17)
= indikator ke- i
λim
= pattern loading indikator ke- i dengan faktor ke- m
ξm
= faktor m
∈i
= unique factor pada indikator ke- i
i = 1, 2, 3, ..., p m = 1, 2, 3, ... , dengan besar m ≤ p
Persamaan (2.17) dapat dibentuk menjadi matriks dengan persamaan : X = Λξ + Ψ
(2.18)
Dengan bentuk matriks sebagai berikut : x1 λ11 L L λ1m ∈1 ξ1 M O M M + M M = M M M O M ξ m mx1 x p px1 λ p1 L L λ pm pxm ∈p px1
21
dengan :
X = matriks indikator berukuran p ×1 Λ = matriks pattern loading indikator ke- i dengan faktor m , berukuran p × m
ξ = matriks faktor berukuran m ×1 ψ = matriks unique factor indikator ke- i berukuran p ×1
Korelasi antara setiap indikator, X dengan X ' berlaku persamaan ; E( XX ') = E[(Λξ + ψ )(Λξ + ψ ) '] = E[(Λ ξ + ψ )(Λ ' ξ '+ ψ ')] = E[ΛΛ ' ξξ '+ Λξψ '+ Λ ' ξ 'ψ + ψψ '] = E[ΛΛ ' ξξ '] + E[Λξψ '] + E[Λ ' ξ 'ψ ] + E[ψψ '] = ΛΛ ' E[ξξ '] + ΛE[ξψ '] + Λ ' E[ξ 'ψ ] + E[ψψ '] = ΛΛ ' Φ + Λ[0] + Λ '[0] + Ψ = ΛΦΛ '+ Ψ
R = ΛΦΛ '+ Ψ
(2.19)
dengan : R = matriks korelasi antara setiap indikator Φ = matriks korelasi antara setiap faktor Ψ = matriks variansi antar setiap unique factor
Sedangkan korelasi antara indikator dengan faktor yaitu memenuhi persamaan :
22
E( X ξ ') = E[(Λξ + ψ )ξ '] = E[Λ ξξ '+ ξ 'ψ ] = ΛE[ξξ '] + E[ξ 'ψ ] = ΛΦ + [0] = ΛΦ A = ΛΦ dengan :
(2.20)
A = matriks pattern loading antara indikator dengan faktor Λ = matriks pattern loading antara indikator ke- i dengan faktor ξ '
Pada dasarnya setelah semua indikator tidak ada lagi yang saling berkorelasi tinggi dengan setiap faktor yang terbentuk, artinya masingmasing indikator hanya berkorelasi tinggi pada salah satu faktor kemudian diberikan berupa plot untuk interpretasi faktor. Interpretasi faktor dilakukan dengan cara mengenali kapasitas dari indikator-indikator yang berkorelasi besar pada faktor yang sama. Manfaat lain dari interpretasi faktor yaitu untuk membuat grafik plot indikator dengan menggunakan besar korelasi indikator terhadap faktor sebagai titik koordinat dan faktor-faktor sebagai sumbu koordinat.
Indikator yang terletak berdekatan dengan salah satu sumbu koordinat faktor merupakan indikator yang memiliki korelasi tinggi pada faktor tersebut. Sedangkan indikator yang terletak pada perpotongan sumbu faktor dikatakan memiliki korelasi yang rendah terhadap faktor-faktor tersebut.
23
Namun jika indikator terletak jauh dari masing-masing faktor, maka indikator tersebut berkorelasi terhadap kedua faktor-faktor
tersebut.
Perhatikan gambar 2.1.
Gambar 2.4 Plot Interpretasi Faktor
Berdasarkan Gambar 2.4, sumbu vertikal merupakan faktor 2 dan sumbu horizontal merupakan faktor 1. Untuk faktor 1 memiliki koefisien yang tinggi untuk indikator X 1 , X 3 dan memiliki koefisien negatif untuk indikator X 5 . Untuk indikator X 4 karena terletak jauh dari kedua sumbu faktor, maka indikator X 4 juga termasuk ke dalam faktor 1. Oleh karena itu faktor 1 dilandasi oleh indikator X 1 , X 3 , X 4 dan X 5 , maka untuk faktor 1 dapat diberi nama sesuai dengan interpretasi dari keempat indikator tersebut. Untuk faktor 2, berkorelasi tinggi dengan indikator X 2 dan X 6 , serta berkorelasi dengan indikator X 4 . Oleh karena itu faktor 2 dilandasi oleh
24
indikator X 2 dan X 6 serta X 4 , maka untuk faktor 2 dapat diberi nama sesuai dengan interpretasi dari ketiga indikator tersebut.
2.3.4 Confirmatory dan Exploratory Menurut [5] di dalam analisis faktor terdapat dua macam analisis yang dapat digunakan untuk menentukan ekstraksi faktor dari indikator-indikator yang di uji, yaitu confirmatory dan exploratory. Kedua analisis ini memiliki perbedaan yang signifikan. Dilihat dari urutan kerjanya, yaitu :
1. Hal yang perlu diperhatikan dalam confirmatory sebagai berikut : a. Penentuan indikator b. Pengaitan atau penghubungan indikator dengan faktor yang telah ditentukan sebelumnya c. Uji hipotesis ketepatan struktur faktor yang telah ditentukan.
2. Hal yang perlu diperhatikan dalam exploratory sebagai berikut : a. Penentuan indikator b. Indikator-indikator uji diekstraksi hingga menghasilkan faktor c. Faktor yang penting dipertahankan d. Jika faktor masih sulit untuk ditentukan maka faktor dirotasi e. Faktor yang dihasilkan diberi nama sesuai dengan indikator-indikator yang diwakilinya.
Pada intinya perbedaan yang paling mendasar dari confirmatory dengan exploratory, yaitu jika pada confirmatory faktor yang nantinya akan
25
dihasilkan sudah ditentukan sebelumnya. Serta dengan mempertimbangkan jumlah dan indikator-indikator mana saja yang berhubungan dengan faktor tersebut. Biasanya peneliti telah mengetahui permasalahan yang di uji, dan berdasarkan pengetahuan tentang penelitian sebelumnya yang biasa disebut dengan priori knowledge. Sedangkan untuk exploratory jumlah faktor yang dihasilkan tidak ditentukan di awal pengujian, sehingga indikator-indikator yang berhubungan dengan faktor dapat diketahui setelah pengujian dilakukan.
Perbedaan tersebut dapat pula diilustrasikan sebagai berikut :
Gambar 2.5 Model Confirmatory
Berdasarkan Gambar 2.5 terdapat 6 buah indikator yang akan diekstraksi menjadi
2 faktor,
namun karena
menggunakan
model
confirmatory maka telah ditentukan bahwa untuk indikator-indikator x1 , x2 , x3 akan dibentuk kedalam faktor yang sama yaitu faktor 1 ( ξ1 ). Sehingga untuk indikator x1 , x2 , x3 hanya memiliki korelasi dengan faktor 1 ( ξ1 ) saja. Sedangkan untuk indikator-indikator x4 , x5 , x6 akan dibentuk
26
kedalam faktor 2 ( ξ 2 ), sehingga jelas bahwa indikator-indikator x4 , x5 , x6 hanya akan memiliki korelasi dengan faktor 2 ( ξ 2 ) saja.
Gambar 2.6 Model Exploratory Berdasarkan Gambar 2.6 terdapat 6 buah indikator yang akan diekstraksi menjadi
2 faktor,
namun karena
exploratory maka semua indikator
menggunakan
model
x1 , x2 , x3 , x4 , x5 , x6 memiliki korelasi
dengan kedua faktor yang terbentuk yaitu dengan faktor 1 ( ξ1 ) dan factor 2 ( ξ 2 ). Namun demikian besar korelasi yang terbentuk bervariasi. Penentuan indikator mana yang masuk ke salah satu faktor ditentukan oleh besar korelasi yang lebih dari 0.30 [5]. Misalkan besar korelasi x1 dengan ξ1 adalah 0.298 sedangkan besar korelasi x1 dengan ξ 2 adalah 0.698, maka x1 akan dimasukkan kedalam faktor ξ 2 . Model confirmatory dan exploratory akan lebih jelas jika faktor yang dihasilkan berjumlah 2 faktor atau lebih. Dalam penelitian ini model yang digunakan yaitu model exploratory.
27
2.4 Kinerja pengajar Menurut [6], ketika mengajar merupakan suatu profesi, maka mengajar termasuk
suatu
pekerjaan
yang
memerlukan
pendidikan
khusus,
keterampilan khusus, kesiplinan, keikhlasan, dan dedikasi. Dalam UndangUndang Republik Indonesia Nomor 14 Tahun 2005 Tentang Guru dan Dosen disebutkan bahwa profesional adalah pekerjaan atau kegiatan yang dilaksanakan oleh seseorang dan menjadi sumber penghasilan kehidupan yang memerlukan keahlian, kemahiran, dan kecakapan yang memenuhi standar mutu atau norma tertentu serta memerlukan pendidikan profesi. Demikian pula profesi sebagai pengajar, memerlukan keahlian, kemahiran, dan kecakapan yang diperoleh melalui pendidikan khusus yaitu pendidikan profesi guru. Pengajar memiliki peranan amat penting dalam keseluruhan upaya pendidikan. Sedemikian pentingnya peranan pengajar, sehingga hampir semua usaha pembaharuan di bidang pendidikan seperti pembaharuan kurikulum dan penerapan metode mengajar baru pada akhirnya tergantung kepada pengajar. Tanpa pengajar menguasai bahan pelajaran dan strategi pembelajaran, tanpa mereka dapat mendorong siswa untuk mencapai prestasi yang tinggi, maka segala upaya untuk meningkatkan kualitas pendidikan tidak akan mencapai hasil maksimal. Menurut [6], memang kualitas pendidikan bukan hanya ditentukan oleh pengajar, melainkan oleh mutu masukan (siswa), saran, dan faktorfaktor eksternal lainnya. Akan tetapi semua itu pada akhirnya tergantung
28
kepada kualitas pengajaran, dan kualitas pengajaran tergantung pada kualitas pengajar. Dalam pelaksanaan tugasnya, pengajar tidak berada dalam lingkungan yang kosong. Ia bagian dari sistem pendidikan nasional mengenai apa yang memang seharusnya dilakukan oleh seorang pengajar. Menurut [6], pengajar yang profesional, adalah pengajar yang memiliki paling tidak sesuai ciri-ciri berikut : 1. Memiliki komitmen kepada peserta didik dalam proses belajarnya Hal ini berarti bahwa komitmen tertinggi pengajar adalah kepada kepentingan siswanya. 2. Menguasai secara mendalam bahan mata pelajaran yang diajarkannya serta cara mengajarkannya kepada para siswa Hal ini berarti bagi setiap pengajar menguasai materi pelajaran dan metode pengajaran kepada siswa merupakan dua hal yang tidak dapat dipisahkan. 3. Pengajar bertanggung jawab memantau hasil belajar siswa melalui berbagai teknik evaluasi, mulai cara pengamatan dalam perilaku siswa sampai tes hasil belajar 4. Pengajar mampu berpikir sistematik tentang apa yang dilakukannya, dan belajar dari pengalamannya Hal ini berarti, harus selalu ada waktu bagi pengajar untuk mengadakan refleksi dan koreksi terhadap apa yang telah dilakukannya. Untuk bisa belajar dari pengalaman, ia harus mengetahui mana yang benar dan salah, serta baik dan buruknya dampaknya bagi proses belajar siswa.
29
5. Pengajar seyogyanya merupakan bagian dari masyarakat
dalam
lingkungan profesinya, sehingga dimungkinkan terjadinya berbagai pengalaman dan menambah pengalaman baru melalui pergaulannya yang luas dalam masyarakat.
Menurut [6], dalam Undang-Undang Republik Indonesia Nomor 14 Tahun 2205 Tentang Guru dan Dosen disebutkan bahwa profesi pengajar merupakan bidang pekerjaan khusus yang dilaksanakan berdasarkan prinsip profesionalitas sebagai berikut : 1. Memiliki bakat, minat, panggilan jiwa, dan idealisme 2. Memiliki
komitmen untuk
meningkatkan pendidikan,
keimanan,
ketaqwaan, dan akhlak mulia 3. Memiliki kualifikasi akademik dan latar belakang pendidikan sesuai dengan bidang tugas 4. Memiliki kompetensi yang diperlukan sesuai dengan bidang tugas 5. Memiliki tanggung jawab atas pelaksanaan tugas keprofesionalitasan 6. Memperoleh penghasilan yang ditentukan sesuai dengan prestasi kerja 7. Memiliki kesempatan untuk mengembangkan keprofesionalan secara berkelanjutan dengan belajar sepanjang hayat 8. Memiliki jaminan perlindungan hukum dalam melaksanakan tugas keprofesionalan 9. Memiliki organisasi profesi yang mempunyai kewenangan mengatur halhal yang berkaitan dengan keprofesionalan pengajar.
30
BAB III METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian Penelitian ini dilaksanakan di Lembaga Les Privat dan Kelompok Belajar Bintang Pelajar cabang Bintaro pada bulan Pebruari tahun 2008. Dengan
mempertimbangkan
jumlah
pengajar
yang
relatif
banyak,
berkualitas, dan memiliki keragaman tingkat pengajar untuk suatu lembaga bimbingan belajar.
3.2 Metode Pengumpulan Data Pada penelitian ini data yang digunakan data sekunder, yaitu data yang diperoleh berdasarkan arsip lembaga. Data diperoleh dari divisi sumber daya manusia bagian quality control berupa data hasil penyebaran kuisioner menentuan kinerja pengajar Lembaga Les Privat dan Kelompok Belajar Bintang Pelajar cabang Bintaro.
3.3 Metode Pengolahan Data Data yang didapatkan pada penelitian
ini, dianalisis
dengan
menggunakan metode principal component. Dengan prosedur penentuan faktor berdasarkan eigen values dan model exploratory. Kemudian diuji
31
dengan Bartlett Test of Spherecity untuk menguji hipotesis bahwa indikatorindikator yang di uji tidak berkorelasi di dalam populasi. Hasil output uji Bartlett Test of Spherecity diperoleh dengan bantuan software SPSS 11.5. Indikator-indikator yang diuji ada 11 buah, yaitu : 1. Gaya mengajar/teknik presentasi 2. Penguasaan terhadap materi yang diajarkan 3. Kesesuaian materi yang diajarkan dengan sekolah 4. Penggunaan metode Smart Solution 5. Kecakapan humor untuk mencairkan suasana kelas 6. Cara penampilan dalam berpakaian saat mengajar di kelas 7. Cara komunikasi dengan siswa saat mengajar di kelas 8. Pemberian bantuan dalam mengerjakan PR dari sekolah 9. Keakraban dengan siswa 10. Kesabaran dan kebaikan dalam mengajar 11. Kedisplinan terhadap jadwal mengajar. Indikator-indikator di atas diukur dengan 4 range penilaian, yaitu : <50, 5169, 70-84, 85-100. Dengan perhitungan nilai berdasarkan bobot nilai yang sebenarnya.
32
3.4 Alur Penelitian
(2) Penelusuran literatur dan pencarian bahan penelitian
(1) Penentuan sampel di Lembaga Les Privat dan Kelompok Belajar Bintang Pelajar cabang Bintaro
(3) Perolehan data penilaian kinerja pengajar dari divisi SDM bagian Quality
(4) Rekapitulasi data dan uji normalitas indikator-indikator penilaian
(5) Analisis data indikator menggunakan Analisis Faktor metode principal component
(6) Kesimpulan berupa Faktor-Faktor yang dihasilkan dari ekstraksi Indikator-indikator penilaian beserta besar korelasinya
Gambar 3.1 Alur Penelitian
33
Penjelasan Gambar 3.1 adalah sebagai berikut : 1. Sampel penelitian merupakan siswa binaan kelas IX di lembaga les privat dan kelompok belajar Bintang Pelajar cabang Bintaro yang berjumlah 50 siswa 2. Literatur penunjang penelitian tentang pendidikan diperoleh dari perpustakan mini Bintang Pelajar dan literatur analisa data diperoleh dari pembimbing 3. Data diperoleh berdasarkan informasi dari divisi sumber daya manusia bagian quality control. Data berasal dari penyebaran kuisioner yang dilakukan oleh quality control kepada 50 siswa kelas IX Bintang Pelajar cabang Bintaro (kuisioner lihat Lampiran 2) 4. Data survei, kemudian dikalkulasikan dan direkapitulasi untuk dilakukan pengujian distribusi normal data sebagai asumsi awal data untuk analisa principal component (rekapitulasi data lihat Lampiran 1) 5. Setelah asumsi data berdistribusi normal terpenuhi, dilanjutkan dengan analisis faktor metode principal component dengan bantuan software SPSS 11.5 6. Faktor diekstraksi dari 11 indikator yang diuji, penentuan faktor hasil ekstraksi berdasarkan pendekatan besar eigen values dan model exploratory. Faktor yang dihasilkan kemudian diberi nama sesuai hubungannya dengan indikator-indikator yang terwakilinya sebagai suatu kesimpulan faktor penilaian kinerja pengajar dari sudut pandang siswa.
34
BAB IV HASIL DAN PEMBAHASAN 4.1 Indikator Penilaian Penelitian studi di lembaga bimbingan belajar Lembaga Les Privat dan Kelompok Belajar Bintang Pelajar Cabang Bintaro, mengenai kinerja pengajar yang dilakukan oleh Divisi SDM Bintang Pelajar berdasarkan penilaian dari sudut pandang siswa binaan dengan menggunakan kuisioner yang disebarkan pada bulan November 2007. Penilaian dilakukan sebagai bahan evaluasi terhadap kinerja pengajar selama masa semester I tahun ajaran 2007/2008. Data mengenai penilaian dari sudut pandang siswa di ukur dengan interval : <50, 51 – 69, 70 – 84, 85 – 100, dengan indikator : X 1 = Gaya mengajar/teknik presentasi X 2 = Penguasaan terhadap materi yang diajarkan X 3 = Kesesuaian materi yang diajarkan dengan sekolah X 4 = Penggunaan metode Smart Solution X 5 = Kecakapan humor untuk mencairkan suasana kelas X 6 = Cara penampilan dalam berpakaian saat mengajar di kelas X 7 = Cara komunikasi dengan siswa saat mengajar di kelas X 8 = Pemberian bantuan dalam mengerjakan PR dari sekolah X 9 = Keakraban dengan siswa X 10 = Kesabaran dan kebaikan dalam mengajar X 11 = Kedisplinan terhadap jadwal mengajar.
35
Data yang diperoleh dari sampel sebanyak 50 siswa binaan sebagai responden. Pengujian yang dilakukan dengan metode principal component menggunakan penentuan berdasarkan pada nilai Eigen Values dan model exploratory. Berikut bagian data hasil survei atau data asli : Tabel 4.1 Data Hasil Survei Responden
X1
X2
X3
X4
X5 70
X6
X7
X8
X9
X 10
67.25 72.5 66.25 68.75 73.75
X 11
1
72.75 67.5
65
68.75
2
72.5 67.5
65
67.5 73.75
3
77.5 92.25 82.25 88.25 82.5 87.25 82.25 77.5 78.75 77.5 93.75
65
92.5 67.5 62.5
65
65 77.5
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
70
70
76
85.25
50
81.25 72.5
81
71.5 85.25
80.25 85.5
4.2 Uji Normalitas Pengujian ekstaksi indikator dengan metode principal component memiliki asumsi bahwa data yang diuji berdistribusi normal. Pengujian asumsi tersebut dengan menggunakan uji signifikan dari setiap indikator dengan uji Kolmogorov-Smirnov [4]. Analisis pengujian : 1. Hipotesis H 0 = setiap indikator berdistribusi normal H1 = terdapat indikator yang tidak berdistribusi normal.
36
2. Pengambilan keputusan : Jika besar taraf signifikansi masing-masing indikator > 0,05 maka H 0 diterima. Jika besar taraf signifikansi masing-masing indikator < 0,05 maka
H0
tidak diterima. 3. Keputusan : Berdasarkan Lampiran 3 , yang merupakan output Tests of Normality dari uji signifikansi dengan uji Kolmogorov-Smirnov terlihat bahwa masing-masing pada kolom Sig, memiliki nilai signifikansi seperti berikut:
Tabel 4.2 Nilai Signifikansi Indikator Kolmogorov-Smirnov Indikator
Nilai Sig.
X1
0,099
X2
0,119
X3
0,200
X4
0,079
X5
0,075
X6
0,200
X7
0,200
X8
0,200
X9
0,200
X 10
0,200
X 11
0,061
37
Terlihat bahwa semua indikator memiliki nilai signifikansi yang > 0,05. Hal ini berarti hipotesis H 0 diterima maka setiap indikator berdistribusi normal.
4.3 Metode Principal Component Proses analisis didasarkan pada suatu matriks korelasi antar indikator. Agar analisis yang digunakan tepat, maka diharapkan indikator yang dikumpulkan harus berkorelasi. Statistik formal yang digunakan yaitu Bartlett’s test of sphericity.
Uji ini digunakan untuk menguji bahwa
indikator interkorelasi di dalam populasi.
Uji ini terdiri dari nilai Chi-
Square, Measure of Sampling Adequacy (MSA) atau nilai KMO, dan nilai signifikansi pada uji Bartlett’s. Tabel 4.3 Matriks Korelasi Antar Indikator Awal X1
X2
X3
X4
X5
X6
X7
X8
X9
X 10
X 11
X1
1
X2
0,589
1
X3
0,670
0,739
X4
0,466
0,512
0,324
1
X5
0,073
0,064
0,315
0,205
1
X6
0,605
0,693
0,523
0,552
0,159
1
X7
0,002
0,003
-0,033
0,073
0,061
0,202
X8
0,435
0,521
0,508
0,477
0,242
0,347
-0,002
1
X9
0,692
0,665
0,560
0,520
0,242
0,626
-0,122
0,628
1
X 10
0,669
0,630
0,584
0,580
0,222
0,658
-0,038
0,448
0,816
1
X 11
0,464
0,609
0,530
0,647
0,085
0,593
-0,006
0,454
0,485
0,444
1
1
38
1
Berdasarkan Tabel 4.3, dapat terlihat X 1 memiliki korelasi yang cukup berarti dengan nilai korelasi berada 0.40 < kor ≤ 0.70 kecuali dengan
X5
dan X 7 . Kemudian X 2 berkorelasi kuat pula dengan seluruh indikator kecuali dengan X 5 dan X 7
dengan nilai korelasi masing-masing hanya
0.064 dan 0.003. Selanjutnya X 9 berkorelasi kuat dengan X 10 dengan nilai korelasi 0.816. Indikator-indikator yang saling berkorelasi cukup kuat dan kuat ini akan mengumpul membentuk faktor yang sama (memiliki hubungan yang kuat pula dengan faktornya).
Tabel 4.4 KMO dan Bartlett’s Test Pengujian
Nilai
KMO – MSA
0.711
Berdasarkan Tabel 4.4. Nilai MSA = 0.711. Artinya analisis ekstraksi indikator ini memang tepat untuk menganalisis data dalam bentuk matriks korelasi Tabel 4.3. Berdasarkan nilai Bartlett’s test of spherecity dan KMO, terdapat indikator-indikator yang saling berkorelasi sehingga principal component akan menghasilkan faktor baru yang jumlahnya kurang dari sama dengan indikator, sehingga awalnya
indikator-indikator yang
saling
berkorelasi atau multicollinearity akan diekstraksi menghasilkan faktorfaktor baru yang tidak saling berkorelasi namun seminimal mungkin tidak mengurangi informasi yang terkandung di dalam indikator-indikator.
39
Tabel 4.5 Total Variance Explained Initial Eigenvalues Component Total
% of Variance
Cumulative %
1
5.595
50.861
50.861
2
1.114
10.127
60.988
3
1.050
9.543
70.531
4
0.802
7.292
77.823
5
0.674
6.129
83.953
6
0.618
5.619
89.571
7
0.397
3.607
93.178
8
0.290
2.633
95.811
9
0.230
2.094
97.904
10
0.161
1.462
99.366
11
0.070
0.634
100.000
Eigen value merupakan total variansi yang dijelaskan oleh setiap faktor, atau merupakan sumbangan dari faktor tertentu terhadap seluruh variansi dari indikator. Berdasarkan Tabel 4.5. Dengan label initial eigen value menunjukkan nilai eigen value untuk setiap faktor, pada awalnya terdiri dari 11 faktor yaitu sebanyak indikatornya. Dengan melihat besar eigen values, kemudian di dalam proses berikutnya dipilih faktor-faktor yang memiliki eigen value-nya minimal lebih besar dari 1. Oleh karena tidak semua faktor memiliki eigen value lebih besar 1, maka jumlah faktor yang dihasilkan akan lebih sedikit dari jumlah indikator. Berdasarkan Tabel 4.5, ternyata terdapat 3 faktor atau komponen yang memiliki eigen value-nya lebih dari 1, yaitu faktor 1, 2, dan 3 masing-
40
masing dengan eigen value 5.595, 1.114, dan 1.050. Maka besar persentasinya
masing-masing
1.114 ×100% = 10.127 , 11
dan
5.595 ×100% = 50.861 , 11
sebesar
1.050 ×100% = 9.543 . 11
Nilai
akumulasi
persentase variansi ini sangat berguna untuk menentukan banyaknya faktor yang dapat diekstraksikan. Berdasarkan Tabel 4.5, maka jumlah faktor yang dihasilkan menjadi 3 faktor. Dikarenakan terdapat 3 faktor yang memiliki eigen value lebih besar daripada 1 (satu). Faktor-faktor lainnya yang memiliki eigen value kurang dari sama dengan satu tidak lagi dimasukkan di dalam model. Tabel 4.6 Component Matrix
Component
ξ1
ξ2
ξ3
X1
0,793
-0,093
-0,138
X2
0,843
-0,039
-0,188
X3
0,781
-0,112
0,147
X4
0,713
0,197
-0,054
X5
0,273
0,174
0,907
X6
0,798
0,274
-0,188
X7
0,017
0,944
-0,048
X8
0,677
-0,079
0,236
X9
0,858
-0,190
0,084
X 10
0,837
-0,083
0,026
X 11
0,729
0,078
-0,216
41
Berdasarkan Tabel 4.6, ξ1 (faktor 1) diberi nama “manajemen kelas pengajar” karena memiliki pattern loading lebih dari 0.30 dengan indikator X 1 , X 2 , X 3 , X 4 , X 6 , X 8 , X 9 , X 10 dan X 11 , sehingga dapat disimpulkan bahwa hubungan indikator-indikator tersebut dengan faktor 1 cukup kuat. Untuk ξ 2 (faktor 2) diberi nama “dialogis pengajar” karena memiliki pattern loading kuat dengan X 7 sebesar 0.944. Untuk ξ 3 (faktor 3) diberi nama “humoritas pengajar” karena memiliki pattern loading kuat dengan X 5 sebesar 0.907.
42
BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Proses ekstraksi indikator-indikator penilaian kinerja menjadi faktorfaktor penilaian kinerja dilakukan dengan analisis faktor melalui metode principal component dengan metode pembentukan faktor berdasarkan eigen value. Dengan hal-hal yang harus dipenuhi, yaitu : indikator-indikator berdistribusi normal dan indikator diukur dengan menggunakan skala interval atau rasio, adanya korelasi antar indikator yang ditunjukkan oleh matriks korelasi indikator, adanya kesesuaian dan tingkat rekomendasi penggunaan analisis faktor yang ditunjukkan dengan nilai KMO dengan batas minimum kesesuaian jika nilai KMO ≥ 0.6, standarisasi indikator, faktor yang terbentuk memiliki eigen value lebih besar daripada satu, dan penentuan observasi indikator terhadap faktor yang ditunjukkan dengan besar pattern loading lebih besar daripada 0.30. Tujuan utama metode principal component adalah untuk mereduksi banyak indikator menjadi satu faktor atau lebih. Berdasarkan hasil penelitian dari 11 indikator terbentuk 3 faktor yang memiliki eigen value lebih besar daripada satu, yaitu : faktor manajemen kelas pengajar, faktor dialogis pengajar, dan faktor humoritas pengajar. Faktor 1 memiliki pattern loading yang lebih besar sama dengan 0,30 dengan 9 indikator, yaitu : gaya mengajar/teknik presentasi, penguasaan terhadap materi yang diajarkan, kesesuaian materi yang diajarkan dengan
43
sekolah, penggunaan metode Smart Solution, cara penampilan dalam berpakaian saat mengajar di kelas, pemberian bantuan dalam mengerjakan PR dari sekolah, keakraban dengan siswa, kesabaran dan kebaikan dalam mengajar, dan kediplinan terhadap jadwal mengajar. Oleh karena itu faktor 1 dilandasi oleh 9 indikator tersebut, kemudian untuk faktor 1 diberi nama faktor “manajemen kelas pengajar”. Faktor 2 memiliki pattern loading lebih besar sama dengan 0.30 dengan 1 indikator, yaitu indikator cara komunikasi dengan siswa saat mengajar di kelas. Oleh karena itu faktor 2 dilandasi oleh indikator tersebut, dan diberi nama faktor “dialogis pengajar”. Faktor 3 memiliki pattern loading lebih besar sama dengan 0.30 dengan 1 indikator, yaitu indikator
kecakapan humor untuk mencairkan
suasana kelas. Oleh karena itu faktor 3 dilandasi oleh indikator tersebut, dan diberi nama faktor “humoritas pengajar”.
5.2 Saran Penilaian kinerja pengajar dapat dilihat dari berbagai aspek, namun demikian inti evaluasi tetap berada pada diri pengajar itu sendiri. Dikarenakan keterbatasan peneliti, maka penelitian ini hanya dilakukan dengan metode principal component. Adapun dalam principal component memiliki kelemahan bahwa tidak adanya sistem rotasi, hal ini akan mempersulit proses ektraksi dan pemberian nama faktor. Oleh karena itu, diharapkan
penelitian
selanjutnya
dapat
dilakukan
sebagai
bahan
44
perbandingan dengan metode-metode analisis faktor yang lain yang lebih kompleks, yaitu dapat dengan metode unweighted least squares, generalized least squares, metode maximum likelihood, metode alpha, atau dengan metode image factoring. Andaikan penelitian ini akan dikembangkan dapat pula dilanjutkan dengan analisis multivariate selanjutnya, diantaranya dengan analisis regresi linear berganda, atau dengan analisis diskriminan.
45
REFERENSI
[1]
Arsip Bintang Pelajar. Undang-Undang Republik Indonesia Nomor 20 Tahun 2003 Tentang Sistem Pendidikan Nasional.
[2]
Santoso, Singgih. Mengatasi Berbagai Masalah Statistik dengan SPSS Versi 11.5. Jakarta : Elex Media Komputindo. 2005.
[3]
Seligman, Martin E.P. Authentic Happiness. Bandung : Mizan Pustaka, 2005.
[4]
Sharma, Subhash. Applied Multivariate Techniques. Canada : John Wile y & Sons, Inc. 1996.
[5]
Supranto, J. Analisis Multivariat Arti dan Interpretasi. Jakarta : Rineka Cipta, 2004.
[6]
Tim Penyusun. Diktat Kuliah Program Sertifikasi Pengajar tentang “Strategi Pembelajaran”. Universitas Islam Negeri S yarif Hidayatullah. 2007.
46
LAMPIRAN 1 Data Hasil Survei
Respond en X 1
X2
X3
X4
X5 70
X6
X7
X8
X9
X 10
1
72.75 67.5
65
68.75
2
72.5 67.5
65
67.5 73.75
3
77.5 92.25 82.25 88.25 82.5 87.25 82.25 77.5 78.75 77.5 93.75
4
77.5 88.75
5
83.75 82.5 77.5
6
77.5
7
85.25 79.75 83.34 82.5 74.5 81.5 83.75
8
83.25 77.25 79.25 87.5 92.5
78
9
84.25 87.5
89.5
83
85
10
88.5 91.75 90.5 90.25
70
11
84.25
12
88.5 89.75 88.75 86.75 83.75 91.5 91.25 90.25
13
79.5
77.5
65
73.75 68.75 71.25 71.25
14
72.5 72.5 72.5
70
92.5 72.5 72.5 72.5 72.5
81
86
75
85
80
86
85
65
92.5 67.5 62.5
74.5 74.5 72.25 75.5 81.25 86
77.5
85
87.5 77.25 77.5
75
15
87
70
16
87.5
75
17
72.5 77.5 71.25 67.5
70
76.25 77.5 72.5
86.25 73.75 80
79
77
65
65 77.5
80
72.75 88.75
85
87.5 87.5
84.5 91.25 82.5
71 80.25 84.5
86
81.25 88.75 85.75 87.25
86.5 85.5 87.25 86.5
87
84.5 73.75 86.75 89.5 90.25
91
85.25 91.25 90.75 87.5 89.75
72.5 82.5 82.5 75
67.25 72.5 66.25 68.75 73.75
X 11
79
89.25
92
92.25
92
69
72.5 73.75 70
70
72
80
64.5 80.5
80
65
75.25
80
85
72.5
90
75
72.5
70
77.5
75
65
70
70
67.5
90
72.5
95
75
75
77.5
65
18
75
19
88.34
84.67
87
80.34 78.34 85.67 85.67 87.34
20
80.75 81.75 85.5 78.75 88.5
85
81.25
75
80
83.5 80.25
21
80.75
82.5 89.75 72.5
81
90
91.25 89.75
83
84
84
81.5
83
83
47
22
87.25 86.5 88.34 83.75 74.5
82
78.75 87.25
87
83.2 89.5
90 84.34 89.34 87.34 97.34 85.67 73.75
90
85
90
90 80.75 87.5 72.5 97.25
90
87
90
23
87
24
88.5
25
80.75 82.25 83.5 82.5 82.5 83.5 81.25 82.5 78.5
75
80
26
77.5 77.5
80
82.5 88.25
80
79
27
87.5 77.25
90
79.75 92.5 81.25 82.5 76.25 83.75 82.5 83.75
28
86.25 82.5
90
72.5
29
90
30
88.75
31
90
77.5 77.5 90
82.5
75
83 76.25
81.25 82.5 82.25 82.5 82.25 83.75
76.25 86.25
70
85 93.75 91.25 81.25
82.5 86.25 82.5 91.25
85
70.25 93.75 97.5 88.75
78.75 81.25
80
80
85
87
80
75
86.25 88.75
32
87.5 87.5 86.25 82.5 86.25 76.25
33
90.5 91.25 92.75 73.75 87.75 96.25 88.75 73.34 88.75 87.75 88.75
34
95
99 91.25 92.5 78.25
89
80
85 88.75 92.5 75.5 81.25 86.25 88.75
73.25 81.25
90
85
90
93.25
70
72
35
75.75 76.25 76.25 70.5 66.25 72.5 92.5
67 68.75
36
76.5 76.25 77.25 76.25 87.25 79.5 81.25
76 78.25 77.5
37
83.34 82.67
38
80.5 83.75 82.5 76.25
39
87.5 86.25 82.5 67.5 67.5 79.75 73.75 72.5 76.25 76.75 81.25
40 41
85
75
78.67 62.5 88.34
80 83.34 74.67
86.67 88.34
80
80
85
79.5
86
78.34 81.67
81
80.67
80
73.75 82.5
82
81
81.67 81.67
70 71.67 76.67 71.67
83.34 73.34
85
83.34 82.5 83.34 78.34 81.67
77.5 78.75 77.5 82.5
85
82.5
42
80
43
84.75
44
81.25 82.5 78.75
78
78.75 79.75
45
86.67
95 96.67
70
78.75
85
73.5 73.34 100
46
85
93.5 87.5
71
85
87
87.5 86.25
77.5 73.75 77.5
70
76.25
85
77.5
47 48
80
76
74 89.25 71.67 77.25 77.25 92.5 80
75 78.75 82.5 83.75 69
60.5 73.75
80
75
77.5 81.5
80 76.67
96.25 72.25
66.5 81.25
80
73.75 78.5 72.5 73.75 78.75 75.25 70.25 82.5 77.25
85
49
73.75 72.5
65
76.25 70.25 77.5 92.5
50
81.25 72.5
81
71.5 85.25
70
70
51
95
95
65
70
80.25 85.5
72.5 81.25 76
85.25
48
LAMPIRAN 2
49
LAMPIRAN 3
Case Processing Summary
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11
Valid N Percent 50 100.0% 50 100.0% 50 100.0% 50 100.0% 50 100.0% 50 100.0% 50 100.0% 50 100.0% 50 100.0% 50 100.0% 50 100.0%
Cases Missing N Percent 0 .0% 0 .0% 0 .0% 0 .0% 0 .0% 0 .0% 0 .0% 0 .0% 0 .0% 0 .0% 0 .0%
Total N Percent 50 100.0% 50 100.0% 50 100.0% 50 100.0% 50 100.0% 50 100.0% 50 100.0% 50 100.0% 50 100.0% 50 100.0% 50 100.0%
Tests of Normality
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10
Kolmogorov-Smirnov(a) Shapiro-Wilk Statistic df Sig. Statistic df Sig. .115 50 .099 .955 50 .055 .114 50 .119 .981 50 .592 .100 50 .200(*) .973 50 .308 .118 50 .079 .961 50 .095 .119 50 .075 .980 50 .545 .100 50 .200(*) .980 50 .570 .083 50 .200(*) .968 50 .186 .085 50 .200(*) .966 50 .155 .085 50 .200(*) .972 50 .287 .076 50 .200(*) .986 50 .831
50
V11 .122 50 .061 .951 * This is a lower bound of the true significance. a Lilliefors Significance Correction
50
.039
LAMPIRAN 4
51
LAMPIRAN 5
KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity
Approx. ChiSquare df Sig.
.711 326.646 55 .000
Communalities Extracti Initial on V1 1.000 .656 V2 1.000 .748 V3 1.000 .644 V4 1.000 .551 V5 1.000 .927 V6 1.000 .748 V7 1.000 .895 V8 1.000 .520 V9 1.000 .779 V10 1.000 .707 V11 1.000 .584 Extraction Method: Principal Component Analysis.
52
LAMPIRAN 6
53
LAMPIRAN 7
Component Matrix(a) Component 1 2 3 V1 .793 -.093 -.138 V2 .843 -.039 -.188 V3 .781 -.112 .147 V4 .713 .197 -.054 V5 .273 .174 .907 V6 .798 .274 -.188 V7 .017 .944 -.048 V8 .677 -.079 .236 V9 .858 -.190 .084 V10 .837 -.083 .026 V11 .729 .078 -.216 Extraction Method: Principal Component Analysis. a 3 components extracted.
54
LAMPIRAN 8
KORELASI AWAL R=
n∑ X iYi − ∑ X
i
∑Y
i
n ∑ X i − ( ∑ Xi ) . n∑ Yi − ( ∑ Yi ) 2 2
2
2
Contoh korelasi X 1 dan X 2 2
2
DATA X1 DATA X2 X1*X2 X1 X2 72.75 67.5 5292.563 4556.25 4910.625 72.5 67.5 5256.25 4556.25 4893.75 77.5 92.25 6006.25 8510.063 7149.375 77.5 88.75 6006.25 7876.563 6878.125 83.75 82.5 7014.063 6806.25 6909.375 77.5 81 6006.25 6561 6277.5 85.25 79.75 7267.563 6360.063 6798.688 83.25 77.25 6930.563 5967.563 6431.063 84.25 87.5 7098.063 7656.25 7371.875 88.5 91.75 7832.25 8418.063 8119.875 84.25 86 7098.063 7396 7245.5 88.5 89.75 7832.25 8055.063 7942.875 79.5 75 6320.25 5625 5962.5 72.5 72.5 5256.25 5256.25 5256.25 87 70 7569 4900 6090 87.5 75 7656.25 5625 6562.5 72.5 77.5 5256.25 6006.25 5618.75 75 76.25 5625 5814.063 5718.75 88.34 83 7803.956 6889 7332.22 80.75 81.75 6520.563 6683.063 6601.313 80.75 84 6520.563 7056 6783 87.25 86.5 7612.563 7482.25 7547.125 87 90 7569 8100 7830 88.5 90 7832.25 8100 7965 80.75 82.25 6520.563 6765.063 6641.688
55
77.5 87.5 86.25 90 88.75 90 87.5 90.5 95 75.75 76.5 83.34 80.5 87.5 85 86.67 80 84.75 81.25 86.67 85 77.5 80 73.75 81.25 4141.27
R=
R=
77.5 77.25 82.5 77.5 90 78.75 87.5 91.25 99 76.25 76.25 82.67 83.75 86.25 80 88.34 77.5 74 82.5 95 93.5 73.75 73.75 72.5 72.5 4085.01
n∑ X iYi − ∑ X
i
6006.25 7656.25 7439.063 8100 7876.563 8100 7656.25 8190.25 9025 5738.063 5852.25 6945.556 6480.25 7656.25 7225 7511.689 6400 7182.563 6601.563 7511.689 7225 6006.25 6400 5439.063 6601.563 344529.2
6006.25 5967.563 6806.25 6006.25 8100 6201.563 7656.25 8326.563 9801 5814.063 5814.063 6834.329 7014.063 7439.063 6400 7803.956 6006.25 5476 6806.25 9025 8742.25 5439.063 5439.063 5256.25 5256.25 336458.9
6006.25 6759.375 7115.625 6975 7987.5 7087.5 7656.25 8258.125 9405 5775.938 5833.125 6889.718 6741.875 7546.875 6800 7656.428 6200 6271.5 6703.125 8233.65 7947.5 5715.625 5900 5346.875 5890.625 339541.2
∑Y
i
n ∑ X i − ( ∑ Xi ) . n∑ Yi − ( ∑ Yi ) 2 2
2
2
50(339541.2) − (4141.27)(4085.01) 50(344529) − (4141.27) 2 . 50(336458.9) − (4085.01) 2
R = 0.5889
56
LAMPIRAN 9
Uji Kenormalan Data Tests of Normality Kolmogorov-Smirnov(a) Statistic
df
Shapiro-W ilk
Sig.
Statistic
df
Sig.
V1
.115
50
.099
.955
50
.055
V2
.114
50
.119
.981
50
.592
V3
.100
50
.200(*)
.973
50
.308
V4
.118
50
.079
.961
50
.095
V5
.119
50
.075
.980
50
.545
V6
.100
50
.200(*)
.980
50
.570
V7
.083
50
.200(*)
.968
50
.186
V8
.085
50
.200(*)
.966
50
.155
V9
.085
50
.200(*)
.972
50
.287
V10
.076
50
.200(*)
.986
50
.831
.122 50 .061 * This is a lower bound of the true signif icance. a Lilliefors Signif icance Correction
.951
50
.039
V11
Descriptive Statistics N
V1
Mean
Std. Deviation
82.8254 81.7002
5.58215
V2
50 50
V3
50
81.2606
6.86980
V4
50
78.2938
7.29223
V5
50
79.5470
7.21433
V6
50
81.9070
7.47556
V7 V8
50
81.6504
6.64634
50
76.0372
7.54870
V9
50
81.7520
8.85290
V10
50
81.8476
7.61986
V11
50
81.5104
7.65773
7.44062
57
X1
72.75 72.5 77.5 77.5 83.75 77.5 85.25 83.25 84.25 88.5 84.25 88.5 79.5 72.5 87 87.5 72.5 75 88.34 80.75 80.75 87.25 87 88.5 80.75 77.5 87.5 86.25
mean
82.8254
std. dev
5.58215
z -1.804931792 -1.849717403
phi
3.14159
e
2.71828
-0.954005177
1/simp*akar 2 phi pngkat e
-0.954005177 0.165635105
Y=
0.114045719 -8.15054E-29
Y= stat
0.114045719
-0.954005177 0.434348772 0.076063882 0.255206327 1.016561719 0.255206327 1.016561719 -0.595720287 -1.849717403 0.747848051 0.837419274 -1.849717403 -1.40186129 0.987898928 -0.371792231 -0.371792231 0.792633663 0.747848051 1.016561719 -0.371792231 -0.954005177 0.837419274 0.613491218
58
90
1.285275387
88.75
1.06134733
90
1.285275387
87.5 90.5
0.837419274 1.374846609
95
2.180987612
75.75 76.5 83.34 80.5 87.5
-1.267504456 -1.133147622 0.092186702 -0.416577842 0.837419274
85
0.389563161
86.67
0.688731044
80
-0.506149064
84.75 81.25 86.67
0.34477755 -0.282221008 0.688731044
85
0.389563161
77.5
-0.954005177
80
-0.506149064
73.75 81.25
Y =
-1.625789346 -0.282221008
1 2π
e
1 − ( X *) 2
2
dimana
X*=
X−X S
59
LAMPIRAN 10
EIGEN VALUE
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11
X1 X2 1 0.589 0.589 1 0.67 0.739 0.466 0.512 0.073 0.064 0.605 0.693 0.002 0.003 0.435 0.521 0.692 0.665 0.669 0.63 0.464 0.609
LAM DA 1
1 1 1 1 1 1 1 1 1 1
X3 0.67 0.739 1 0.324 0.315 0.523 -0.033 0.508 0.56 0.584 0.53
6
5.665 6.025 5.72 5.356 2.668 5.958 1.15 5.058 6.122 6.013
0.944167 1.004167 0.953333 0.892667 0.444667 0.993 0.191667 0.843 1.020333 1.002167
X4 0.466 0.512 0.324 1 0.205 0.552 0.073 0.477 0.52 0.58 0.647
X5 0.073 0.064 0.315 0.205 1 0.159 0.061 0.242 0.242 0.222 0.085
X6 0.605 0.693 0.523 0.552 0.159 1 0.202 0.347 0.626 0.658 0.593
LAM DA 2
29
29.07069 28.93692 27.93567 26.59334 11.52873 29.09736 1.775526 24.95444 31.33368 30.71534
X7 X8 X9 0.002 0.435 0.692 0.003 0.521 0.665 -0.033 0.508 0.56 0.073 0.477 0.52 0.061 0.242 0.242 0.202 0.347 0.626 1 -0.002 -0.112 -0.002 1 0.628 -0.112 0.628 1 -0.038 0.448 0.816 -0.006 0.454 0.485
LAM DA 3
1.002438 0.997825 0.963299 0.917012 0.397542 1.003357 0.061225 0.860498 1.080472 1.05915
161.049 170.546 158.4034 145.7098 57.18082 162.4108 4.635456 137.8984 174.5529 170.2779
X10 0.669 0.63 0.584 0.58 0.222 0.658 -0.038 0.448 0.816 1 0.444
X11 0.464 0.609 0.53 0.647 0.085 0.593 -0.006 0.454 0.485 0.444 1
161
1.000304 1.059292 0.983872 0.90503 0.35516 1.008763 0.028792 0.856512 1.084179 1.057627
60
1
5.305
0.884167
LAMDA 4
901.3364 958.6193 888.032 812.1721
26.48566
4*3
3^2
145159.3 163488.7 140667.3 118341.4
25936.77 29085.95 25091.64 21231.34
311.7206 17824.44 3269.647 908.2644 147511.9 26377.26
0.913299
EIGEN
147.9966
(4*3)/3^2
0.919234
5.593894
19.98945 92.6602 21.48745 770.0609 106190.1 19015.96 976.2 170398.5 30468.7 951.7914 162069.1 28994.58 828.8235 122663.1 21903 JUMLAH= 1294407 231396.3
Nilai eigen ( λ 1) =
x%, Ax% 1294407 = = 5.593894 x%, x% 231396.3
61
LAMPIRAN 11 MANUAL LOADING INDIKATOR
lij =
wij λi sˆ j
ket :
l i j = loading indikator j dg faktor i w i j = eigen vector indikator j dg factor i sˆ j =
Standar deviasi indikator j
λ i = eigen value faktor i Eigen value 5.595
Descriptive Statistics N
Mean
Std. Deviation
1.114
V1
50
82.8254
5.58215
V2
50
81.7002
7.44062
1.050
V3
50
81.2606
6.86980
V4
0.802
50
78.2938
7.29223
V5
50
79.5470
7.21433
0.674
V6
50
81.9070
7.47556
V7
50
81.6504
6.64634
0.618
V8
50
76.0372
7.54870
V9
50
81.7520
8.85290
V10
50
81.8476
7.61986
V11
50
81.5104
7.65773
0.397 0.290 0.230 0.161 0.070
62
