PENERAPAN ANALISIS FAKTOR DALAM MENGIDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI HASIL PEMBELAJARAN KOMPUTER DI SEKOLAH MENENGAH PERTAMA

DAFTAR ISI Prosiding Seminar Nasional Sains dan Teknologi Nuklir PTNBR - BATAN Bandung, 04 Juli 2013

Tema: Pemanfaatan Sains dan Teknologi Nuklir serta peranan MIPA di Bidang Kesehatan, Lingkungan dan Industri untuk Pembangunan Berkelanjutan

PENERAPAN ANALISIS FAKTOR DALAM MENGIDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI HASIL PEMBELAJARAN KOMPUTER DI SEKOLAH MENENGAH PERTAMA Iin Irianingsih1, Khafsah Joebaedi2 dan Nurlela Hamidah3 2

Jurusan Matematika FMIPA Universitas Padjadjaran Jl.Raya Bandung-Sumedang Km 21 Jatinangor 45363

iin_mtk @yahoo.com

ABSTRAK PENERAPAN ANALISIS FAKTOR DALAM MENGIDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI HASIL PEMBELAJARAN KOMPUTER DI SEKOLAH MENENGAH PERTAMA. Perkembangan teknologi yang pesat sangat memerlukan pengetahuan ilmu komputer sehingga pendidikan komputer di sekolah-sekolah sangat diperlukan. Keberhasilan pembelajaran komputer di sekolah menengah pertama sangat diperlukan agar dapat menunjang keberhasilan siswa dalam mempelajari ilmu-ilmu lain di tingkat sekolah menengah ataupun ilmu-ilmu pada jenjang pendidikan yang lebih tinggi. Banyak faktor/variabel yang mempengaruhi keberhasilan pembelajaran komputer, misalnya: minat, bakat, motivasi, perhatian,sarana, kondisi sosial, kondisi lingkungan, kondisi fisik , kecerdasan, prasarana, serta peran guru. Dalam penelitian ini, peneliti tertarik untuk mengidentifikasi faktor-faktor yang mempengaruhi pembelajaran komputer berdasarkan berbagai variabel yang saling berkorelasi satu sama lain. Melalui analisis faktor, variabel multivariat direduksi menjadi beberapa variabel saja tanpa kehilangan informasi yang dibutuhkan dari variabel-variabel awal. Faktor yang merupakan kombinasi linear dari variabel awal yang diperoleh merupakan varibel-variabel yang tidak berkorelasi dan dapat digunakan untuk mengidentifikasi faktor keberhasilan pembelajaran komputer lebih lanjut. Berdasarkan hasil analisis, dari sebelas variabel yang diteliti dapat direduksi menjadi tiga faktor yaitu, faktor internal utama, potensi dasar dan faktor eksternal. Kata kunci: analisis faktor, pembelajaran komputer

ABSTRACT FACTOR ANALYSIS APPLICATION FOR IDENTIFYING FACTORS WHICH AFFECT THE RESULT OF COMPUTER LEARNING IN JUNIOR HIGH SCHOOL. Rapid technological developments are in need of computer science knowledge so that computer education in schools is needed. Success of computer learning in junior high school is necessary in order to support the success of students in studying the other sciences at high school level or at higher education level. Many factors / variables that influence the success of computer learning, such as interests, talents, motivation, attention, facilities, social conditions, environmental conditions, physical condition, intelligence, infrastructure, and the role of teachers. In this research, researcher is interested in identifying the factors that influence computer learning based on a variety of variables that are correlated with each other. Through factor analysis, multivariate variables is reduced to a few variables without loss of information needed from the initial variables. Factor which is a linear combination of the initial variables obtained are the variables that are not correlated and can be used to identify the success factors of learning computer further. Based on the analysis, of the eleven variables studied can be reduced to three factors, the main internal factors, the basic potential and external factors. Key words: factor analysis, computer learning.

600

Prosiding Seminar Nasional Sains dan Teknologi Nuklir PTNBR - BATAN Bandung, 04 Juli 2013


1. PENDAHULUAN

faktor ini tidak secara jelas terlihat (not overtly observed). Jika X adalah vektor acak yang diamati dengan p buah komponen, memiliki rata-rata μ dan matriks kovarian Σ. Model faktor menyatakan bahwa X adalah bergantung linear di bawah variabel acak yang tidak teramati F1, F2, . . . ,Fm yang disebut sebagai common factor dan ditambah dengan yang disebut galat atau specific factor. Model faktor dapat ditulis sebagai (Johnson, [2]):

Pendidikan merupakan suatu proses yang sangat kompleks, berjangka panjang dan berkaitan erat satu sama lain serta bermuara pada terwujudnya manusia yang memiliki nilai hidup, pengetahuan hidup, dan keterampilan hidup.Mata pelajaran komputer merupakan mata pelajaran yang wajib dipahami oleh siswa peserta didik terutama di Sekolah Menengah Pertama yang merupakan dasar untuk mempelajari ilmu-ilmu di tingkat pendidikan yang lebih tinggi. Banyak sekali faktor yang mempengaruhi hasil belajar siswa. Di samping faktor kemampuan yang dimiliki siswa, juga ada faktor lain, seperti motivasi belajar, minat dan perhatian, sikap dan kebiasaan belajar, ketekunan, sosial ekonomi, faktor fisik dan psikis.(Sudjana,[4]). Karena banyaknya faktor-faktor yang mempengaruhi keberhasilan pembelajaran bagi siswa maka perlu diidentifikasi sehingga dapat diketahui faktor yang paling berpengaruh. Selain itu juga perlu direduksi sehingga terbentuk faktor yang lebih sedikit tetapi masih memuat sebagian besar informasi yang terkandung didalam variabel asli yang berguna untuk analisis data lebih lanjut seperti analisis regresi. Maka untuk kebutuhan tersebut digunakan analisis faktor yaitu suatu analisis statistika multivariat yang merupakan metode untuk mengelompokkan atau mereduksi variabel yang banyak menjadi variabel baru yang lebih sedikit tetapi tidak mengurangi informasi yang terkandung di dalam variabel asli. Analisis faktor dipergunakan di dalam situasi sebagai berikut: Mengidentifikasi dimensi yang mendasari (underlying dimensions) atau faktor, Mengidentifikasi suatu set variabel baru yang tidak berkorelasi (independent), Mengenali atau mengidentifikasi suatu set variabel yang penting dari suatu set variabel yang banyak jumlahnya untuk dipergunakan di dalam analisis multivariate selanjutnya (Supranto,[5]) . Secara sistematis, analisis faktor agak mirip dengan regresi linear berganda, yaitu bahwa setiap variabel dinyatakan sebagai suatu kombinasi linear dari faktor yang mendasari (underlying factors). Jumlah varian yang disumbangkan oleh suatu variabel dengan variabel lainnya yang tercakup dalam analisis disebut communality. Kovariasi antara variabel yang diuraikan dinyatakan dalam suatu common factors yang sedikit jumlahnya ditambah dengan faktor yang unik untuk setiap variabel. Faktor-

X

1

  1  l 1 1 F1  l 1 2 F 2    l 1 m F m   1

(1)

 X

p

  p  l p 1 F1  l p 2 F 2    l p m F m   p

dengan Fj = Common factor ke-j Lij = Loading factor variabel ke-i pada faktor ke-j εi = Specific factor ke-i, i = 1, 2, 3, …, p dan j = 1, 2, 3, …, m Dalam notasi matriks persamaan dapat ditulis sebagai

X ( px1)  μ ( px1)  L ( pxm F( mx1)  ε ( px1)

(2)

Oleh karena begitu banyak besaran yang tidak teramati, maka akan sulit sekali mendapatkan model faktor langsung dari variabel X1, X2,…, Xp. .Dengan beberapa asumsi tambahan , model dalam persamaan (2) dapat ditentukan melalui hubungan kovarian, diasumsikan bahwa : 1. E  F   0 m 1 , Cov  F   E  FF '  I  m m  2. E    0 p 1 , Cov    E  '    p  p 

Dengan   p  p 

 1 0 0  2      0 0

 

0 0       p 

3. Jika F dan  saling bebas, maka Cov  , F   E  F '  0 p m 

Asumsi tersebut dalam hubungannya dengan persamaan (2) merupakan model faktor orthogonal, dalam notasi matriks ditulis sebagai:

X( px1)  μ ( px1)  L ( pxmF( mx1)  ε ( px1) (3) Statistik kunci yang relevan dengan analisis faktor diantaranya adalah: Bartlett’s Test of Sphericity, Kaiser-Meyer-Olkin (KMO) measure of sampling adequacy, Communality, Eigenvalue, Scree plot, Faktor Loadings ,Factor

601



loadings plot, Factor Matrix,dan Factor scores. Pada penelitian ini digunakan jenis penelitian survey dengan mengambil sampel dari para siswa di sekolah menengah pertama sebanyak 64 responden, berasal dari kelas VII dan VIII siswa SMPN 2 Sukahaji Majalengka.Variabel yang diteliti adalah : Minat, Bakat, Motivasi, Perhatian, Sarana, Kondisi Sosial, Kondisi Lingkungan, Pengajar , Kecerdasan, Prasarana, dan Kondisi Fisik Siswa. Skala pengukuran yang digunakan adalah skala Likert yaitu: 1= Sangat tidak setuju, 2=Tidak setuju, 3= Netral, 4= Setuju, 5=Sangat setuju. Konversi data dari ordinal ke interval dengan menggunakan Successive Interval Method (Hays,[1]). Pengolahan data menggunakan SPSS Statistics 17.0 (Santoso, [3]).

2. METODE PENELITIAN Untuk memperoleh faktor hasil reduksi dilakukan tahapan sebagai berikut: Pertama dilakukan pengolahan data. Kedua dilakukakan analisis faktor . Prosedur pengolahan data pada Gambar I:

Gambar 2. Proses Analisis Faktor

digambarkan

3. HASIL DAN PEMBAHASAN Data yang digunakan dalam penelitian ini didapat dari 64 siswa Sekolah Menengah Pertama sebagai responden dengan 11 variabel yaitu: minat , bakat, motivasi, perhatian, Sarana, Kondisi Sosial, Kondisi Lingkungan, Pengajar , Kecerdasan, Prasarana, dan Kondisi Fisik Siswa. Data responden tersebut berskala ordinal 1 sampai dengan 5, oleh karena itu dikonversi menjadi skala interval. 3.1 Konversi Data Data ordinal yang diperoleh dari responden sebanyak N=704 yang merupakan hasil perkalian dari banyaknya responden dengan banyaknya variabel, dikonversi dengan menggunakan successive intervals method. Dengan melakukan Transformed value scale diperoleh hasil berikut: Y1 Y2 Y3 Y4 Y5

Gambar 1. Teknik Pengolahan Data

Dan untuk proses analisis faktor digambarkan pada Gambar 2 berikut:

602

== = = =

2,44 + 3,44 = 1 -1,71 + 3,44= 1,73 -1,01 + 3,44= 2,43 -0,21+ 3,44= 3.23 0,92+ 3,44= 4,36

skala 1 skala 2 skala 3 skala 4 skala 5



3.2 Proses analisis Faktor

variabel-variabel yang tidak bisa diprediksi dan dianalisis lebih lanjut yaitu variabel Minat memiliki nilai anti-image 0,493dan Prasarana memiliki nilai anti-image 0,463. Setelah dilakukan pengujian ulang dengan tidak mengikutsertakan variabel-variabel yang memiliki nilai anti-image kurang dari 0,5. maka diperoleh output berikut:

Untuk menguji ketepatan model (dari variabel variabel yang telah ditentukan) digunakan metode Bartlett’s test of sphericity dan Anti-image , didapat output pada Tabel 3.1. Tabel 3.1 Output KMO and Bartlett’s Test (1)

KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test Sphericity

of

Tabel 3.3 Output KMO and Bartlett’s Test (2) .584 KMO and Bartlett's Test

Approx. Chi-Square

101.195

Df

55

Sig.

.000

Kaiser-Meyer-Olkin Measure of Sampling Adequacy.

.625

Approx. 73.764 Chi-Square Bartlett's Test of Sphericity

Tabel 3.1 di atas menunjukkan bahwa variabel dan sampel yang ada sudah bisa dianalisis dengan analisis faktor karena angka KMO and Bartlett’s Test adalah 0,584 ( > 0,5) dengan nilai signifikan = 0,00 (< 0,05). Dengan menggunakan Anti-image diperoleh output pada Tabel 3.2. Output tersebut menyatakan bahwa terdapat

df

36

Sig.

.000

Oleh karena angka tersebut sudah di atas 0,5 dan signifikansinya juga di bawah 0,05 (0,000<0,05), jadi dapat disimpulkan bahwa variabel dan sampel sudah memadai untuk dianalisis lebih lanjut.

Tabel 3.2 Output Anti Image (1) Anti-image Matrices Bakat Anti-image Bakat Cova Motivasi riance Perhatian

Motivasi Perhatian Sarana

K_ Sosial

K_ Lingk

Penga jar

Kcer dasn

K_ Siswa

.803

-.116

-.012

.104

-.062

.052

.059

-.124

-.239

-.116

.610

-.278

-.185

.056

-.025

.077

.046

.056

-.012

-.278

.589

-.120

-.012

.052

-.061

-.162

-.112

Sarana

.104

-.185

-.120

.669

-.101

-.084

-.157

.145

-.091

K_Sosial

-.062

.056

-.012

-.101

.941

-.061

-.011

-.042

-.085

K_Lingk

.052

-.025

.052

-.084

-.061

.939

-.112

-.066

-.070

Pengajar

.059

.077

-.061

-.157

-.011

-.112

.891

.062

-.046

Kcerdasn

-.124

.046

-.162

.145

-.042

-.066

.062

.847

-.084

K_Siswa

-.239

.056

-.112

-.091

-.085

-.070

-.046

-.084

.788

Anti-image Bakat Correlation Motivasi

.597a

-.166

-.017

.141

-.072

.059

.070

-.151

-.300

-.166

.603a

-.463

-.290

.074

-.033

.104

.064

.081

Perhatian

-.017

-.463

.647a

-.191

-.017

.070

-.084

-.229

-.164

Sarana

.141

-.290

-.191

.650a

-.127

-.106

-.204

.192

-.126

K_Sosial

-.072

.074

-.017

-.127

.666a

-.065

-.012

-.047

-.099

K_Lingk

.059

-.033

.070

-.106

-.065

.604a

-.122

-.074

-.082

Pengajar

.070

.104

-.084

-.204

-.012

-.122

.613a

.072

-.055

Kcerdasn

-.151

.064

-.229

.192

-.047

-.074

.072

.554a

-.103

K_Siswa

-.300

.081

-.164

-.126

-.099

-.082

-.055

-.103

.659a

a. Measures of Sampling Adequacy(MSA)

603



Tabel 3.4 Output Anti Image (2) Anti-image Matrices Bakat Bakat

.803

Motivasi Perhatian Sarana -.116

-.012

.104

K_ Sosial

K_ Lingk

Penga jar

Kcer dasn

K_ Siswa

-.062

.052

.059

-.124

-.239

Motivasi

-.116

.610

-.278

-.185

.056

-.025

.077

.046

.056

Perhatian

-.012

-.278

.589

-.120

-.012

.052

-.061

-.162

-.112

Sarana Anti-image Cova K_Sosial riance K_Lingk

.104

-.185

-.120

.669

-.101

-.084

-.157

.145

-.091

-.062

.056

-.012

-.101

.941

-.061

-.011

-.042

-.085

.052

-.025

.052

-.084

-.061

.939

-.112

-.066

-.070

Pengajar

.059

.077

-.061

-.157

-.011

-.112

.891

.062

-.046

Kcerdasn

-.124

.046

-.162

.145

-.042

-.066

.062

.847

-.084

K_Siswa

-.239

.056

-.112

-.091

-.085

-.070

-.046

-.084

.788

Bakat

.597a

-.166

-.017

.141

-.072

.059

.070

-.151

-.300

Motivasi

-.166

.603a

-.463

-.290

.074

-.033

.104

.064

.081

Perhatian

-.017

-.463

.647a

-.191

-.017

.070

-.084

-.229

-.164

Sarana Anti-image K_Sosial Correlation K_Lingk

.141

-.290

-.191

.650a

-.127

-.106

-.204

.192

-.126

-.072

.074

-.017

-.127

.666a

-.065

-.012

-.047

-.099

.059

-.033

.070

-.106

-.065

.604a

-.122

-.074

-.082

Pengajar

.070

.104

-.084

-.204

-.012

-.122

.613a

.072

-.055

Kcerdasn

-.151

.064

-.229

.192

-.047

-.074

.072

.554a

-.103

K_Siswa

-.300

.081

-.164

-.126

-.099

-.082

-.055

-.103

.659a

a. Measures of Sampling Adequacy(MSA)

Dari Tabel 3.4, terlihat bahwa angka MSA untuk variabel bakat = 0,597; motivasi = 0,603; perhatian= 0,647; sarana = 0.650; kondisi sosial=0,666; kondisi lingkungan = 0,604; pengajar= 0,613; Kecerdasan=0,554,dan kondisi fisik siswa = 0,659 ( semuanya sudah melebihi 0,5), dengan demikian semua variabel-variabel tersebut bisa dianalisis uji lanjut yaitu factoring. Metode extraksi yang digunakan adalah Principal Component Analysis, dan didapat output pada Tabel 3.5.

Sebagai dasar pembentukan banyaknya faktor yang terbentuk, dengan menggunakan perhitungan angka dapat dilihat dari Tabel 3.6. Tabel 3.6 menunjukkan bahwa ada tiga faktor yang terbentuk, karena dengan satu faktor, angka eigenvalues = 2,244 (di atas 1); dengan 2 faktor, angka eigenvalues = 1,517 (di atas 1), dengan 3 faktor, angka eigenvalues = 1,196 (di atas 1), namun untuk 4 faktor angka eigenvalues sudah di bawah 1, yakni 0,911, sehingga proses factoring berhenti pada 3 faktor saja. Sedangkan dasar penentuan banyaknya faktor dengan grafik yaitu dengan Scree Plot.

Tabel 3.5 Output Communalities Communalities

Bakat Motivasi Perhatian Sarana K_Sosial K_Lingk Pengajar Kcerdasn K_Siswa

Initial 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000

Extraction .554 .740 .704 .679 .377 .430 .468 .478 .526

Extraction Method: Principal Component Analysis

Gambar 3. Output Scree Plot

604



Tabel 3.6 Output Total Variance Explained Total Variance Explained

% of Varianc e

Cumulat ive %

Cumulat ive % 24.935 41.785 55.070 65.187 74.610 83.340 90.450 95.805 100.000

Total

% of Varianc e 24.935 16.850 13.285 10.117 9.422 8.731 7.110 5.354 4.195

Cumulat ive %

Total 2.244 1.517 1.196 .911 .848 .786 .640 .482 .378

% of Varianc e

Component 1 2 3 4 5 6 7 8 9

Rotation Sums of Squared Loadings

Total

Extraction Sums of Squared Loadings

Initial Eigenvalues

2.244 1.517 1.196

24.935 16.850 13.285

24.935 41.785 55.070

1.934 1.636 1.385

21.494 18.182 15.394

21.494 39.676 55.070

Extraction Method: Principal Component Analysis.

Setelah diketahui bahwa tiga faktor adalah jumlah yang paling optimal, maka dapat dilihat dalam tabel Component Matrix menunjukkan distribusi dari kesembilan variabel tersebut pada tiga faktor yang terbentuk.

Tabel 3.8 Output Matriks Komponen Rotasi

Tabel 3.7 Output Matriks Komponen

Bakat Motivasi Perhatian Sarana K_Sosial K_Lingk Pengajar Kcerdasn K_Siswa

Rotated Component Matrixa Component

Component Matrixa Component 1

2

3

Bakat Motivasi Perhatian Sarana K_Sosial K_Lingk Pengajar Kcerdasn

.386 .703 .781 .633 .290 .234 .263 .249

.635 -.122 .008 -.524 .066 -.247 -.509 .630

.028 -.481 -.306 -.056 .537 .561 .375 .137

K_Siswa

.565

.320

.323

1

2

3

.126

.728 .089 .276 -.196 .305 .013 -.245 .689 .597

-.090 -.100 .023 .392 .531 .655

.850 .792 .698 -.043 -.012 .176 -.040 .218

.614 -.045 .350

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 5 iterations.

Output pada Tabel 3.8 dan 3.9a, 3.9b menunjukkan bahwa variabel-variabel: Motivasi, Perhatian dan Sarana berkelompok pada faktor kesatu, dinamakan faktor Internal Utama, variabel-varibel: Bakat, Kecerdasan, dan kondisi fisik siswa berkelompok pada faktor kedua yang dinamakan faktor Potensi Dasar, dan variabel-varibel: Kondisi Sosial, Kondisi Lingkungan, dan Pengajar/ Peran Guru berkelompok pada faktor yang ketiga dinamakan faktor Eksternal.

Extraction Method: Principal Component Analysis. a. 3 components extracted.

Untuk mendapat solusi faktor yang lebih jelas maka digunakan rotasi orthogonal, dan diperoleh hasil rotasi seperti pada Tabel 3.8.: Validasi faktor dilakukan dengan split data dan diperoleh hasil pada output pada Tabel 3.9 a dan Tabel 3.9 b.

605



Tabel 3.9.a Output Matriks Komponen Rotasi Split 1

Faktor-faktor yang mempengaruhi hasil pembelajaran komputer yang termasuk pelajaran ketrampilan untuk siswa SMPN 2 Sukahaji Majalengka setelah dilakukan proses reduksi yang semula ada 11 faktor/variabel dimana yang memungkinkan dianalisis ada 9 variabel ternyata dapat direduksi menjadi 3 kelompok faktor . Faktor pertama dinamakan faktor Internal Utama yang memuat variabelvariabel: Motivasi, Perhatian yang ditunjang oleh Sarana. Faktor kedua dinamakan faktor Potensi Dasar memuat variabel-variabel Bakat, Kecerdasan, dan kondisi fisik siswa. Faktor yang ketiga dinamakan faktor Eksternal yang memuat Kondisi Sosial, Kondisi Lingkungan, dan Pengajar/ Peran Guru.

Rotated Component Matrixa Component Bakat Motivasi Perhatian Sarana K_Sosial K_Lingk Pengajar Kcerdasn K_Siswa

1

2

3

.125 .832

.765 .165 .197 -.174 .368 .076 -.249 .652 .572

-.151 -.246 .121 .306 .514 .628 .608 .072 .372

.851 .724 -.026 -.022 .209 -.032 .341

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.

5. UCAPAN TERIMAKASIH

a. Rotation converged in 5 iterations.

Pada kesempatan ini kami mengucapkan terimakasih kepada: Jurusan Matematika Universitas Padjadjaran, Bapak Kepala Sekolah SMPN 2 Sukahaji Majalengka, Rekan-rekan Peneliti Kelompok Bidang Keahlian Pemodelan Stokastik Jurusan Matematik Unpad, dan kepada semua fihak yang telah mendukung penelitian ini.

Tabel 3.9.b Output Matriks Komponen Rotasi Split 2 Rotated Component Matrixa Component Bakat Motivasi Perhatian Sarana K_Sosial K_Lingk Pengajar Kcerdasn K_Siswa

1

2

3

.155

.758 .100 .279 -.270 .250 .033 -.242 .703 .520

-.070 -.118 .019 .348 .609 .575 .592 .075 .454

.862 .792 .750 .010 -.079 .182 -.062 .248

6. DAFTAR PUSTAKA 1.

2.

3.

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 5 iterations.

4. 5.

4. KESIMPULAN Berdasarkan hasil penelitian dan pembahasan diperoleh kesimpulan sebagai berikut:

606

HAYS,W.L., “Quantification in Psychology”, Prentice Hall Of India Private Limited, New Delhi (1969). JOHNSON, R.A, “Applied Multivariate Statistical Analysis”, Prentice Hall, Englewood Cliffs,New Jersey (1982). SANTOSO, S., “Statistik Multivariat Konsep dan Aplikasi dengan SPSS” Elex Media Komputindo, Jakarta (2010). ”Dasar-Dasar Proses SUDJANA,N., Belajar Mengajar”,Sinar Baru Algensindo, Bandung (2011). SUPRANTO, J.”Analisis Multivariat Arti dan Interprestasi” Rhineka Cipta, Jakarta (2004)

PENERAPAN ANALISIS FAKTOR DALAM MENGIDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI HASIL PEMBELAJARAN KOMPUTER DI SEKOLAH MENENGAH PERTAMA

Recommend Documents