Pengukuran Prestasi Dosen dalam Publikasi Jurnal Google Scholar dan Scopus Menggunakan Analisis Faktor di Institut Teknologi Sepuluh Nopember Lecturers’ Performance Measurement in Journal Publications for Google Scholar and Scopus Using Factor Analysis in Institut Teknologi Sepuluh Nopember Rismal Lecturer of Information System; Faculty of Informatics and Electrical Engineering Institut Teknologi Del, Laguboti, Toba Samosir, Sumatera Utara
[email protected]
ABSTRACT. The index h is often used as one of the main selection criteria in the process of recruitment and promotion of academic institutions. It measures the productivity and impact of the academic works. This study discussed the analyzes of two databases citations using the Google Scholar Citation (GSC) and Scopus index h including a number of citations and documents in database. By using index h, a number of documents and citations, the research is aimed to find out how the lecturers’ achievement at Institut Teknologi Sepuluh Nopember. In addition to these variables, it is also used the other variables such as the lecturers’ age, work duration, gender, educational status, and the other lecturer’s occupation. The analysis used in this study is factor analysis. It is divided into two levels which are the institute and the faculty level. The faculty level involved is Faculty of Civil Engineering and Planning (FTSP). The user observations are Google Scholar, Scopus users, and both database users (Combined). The Factors formed are 2 factors for Google Scholar ITS, Scopus ITS, Google Sholar FTSP, and Scopus FTSP. Meanwhile, the combined data have 3 factors in ITS and 1 factor in FTSP. KEYWORDS: Factor Analysis, GSC, Scopus, ITS 1.
PENDAHULUAN
Dalam banyak lembaga akademik, indeks h sering digunakan sebagai salah satu kriteria seleksi utama dalam proses perekrutan dan promosi. Indeks h adalah indeks yang mengukur produktivitas dan dampak dari pekerjaan seorang akademisi. Hal ini sering digunakan sebagai komponen atau metrik di peringkat dari institusi perguruan tinggi dan staf mereka [1,2]. Dalam penelitian ini akan dibahas analisis menggunakan dua database kutipan yang menggunakan indeks h yaitu Google Scholar Citation (GSC) dan Scopus. Kedua database telah membawa manfaat luar biasa bagi para peneliti di seluruh disiplin yang berbeda [3]. GSC dan Scopus memiliki kekuatan dan kelemahan masing-masing. GSC tidak hanya mencakup jurnal tetapi situs akademik, sastra abu-abu, pra-cetak, pasca-cetak, Proyek Buku Google, dan lain-lain. GSC menambahkan record ke database untuk setiap pekerjaan yang dikutip. Akan tetapi GSC tidak secara otomatis menghitung indeks h. GSC menggunakan perangkat lunak Publish dan Perish untuk melakukan hal ini. Hasil di GSC sering mengandung duplikat dari artikel yang sama, yang biasanya sebagai pra-cetak dan pasca-cetak karena berbagai macam sumber dan sulit untuk membedakan antara penulis yang memiliki awal yang sama dalam produk tersebut [2,4]. Sementara itu, Scopus memiliki cakupan yang sangat kuat dari jurnal ilmu pengetahuan dan teknologi dan tidak terdapat ambiguasi dalam penulis. Scopus mencakup beberapa buku, melanjutkan konferensi dan juga secara otomatis menghasilkan indeks h [5] namun lebar cakupan tidak mengesankan seperti GSC [3]. Dalam Google Scholar dan Scopus, terdapat pula data mengenai jumlah kutipan dan jumlah dokumen. Dokumen dalam Scopus hanya terdiri dari dokumen berbahasa Inggris sementara di GSC terdiri dari dokumen berbahasa Inggris, berbahasa
Indonesia, maupun dokumen berbahasa asing lain. Menggunakan indeks h, jumlah dokumen, dan jumlah kutipan, ingin dilakukan penelitian untuk mengetahui bagaimana prestasi dosen di Institut Teknologi Sepuluh Nopember. Selain variabel tersebut, digunakan pula variabel lain seperti umur dosen, lama menjadi dosen, jenis kelamin, status pendidikan akhir, dan jabatan dosen. Analisis yang digunakan dalam penelitian ini adalah analisi faktor. Analisis ini digunakan untuk menentukan faktor apa yang mempengaruhi prestasi dosen. Analisis terbagi atas dua tingkat yiatu tingkat Institut dan tingkat Fakultas. Pada tingkat fakultas, fakultas yang diteliti adalah Fakultas Teknik Sipil dan Perencanaan (FTSP). Observasi yang digunakan adalah observasi pengguna Google Scholar, pengguna Scopus, dan pengguna kedua database (Gabungan). 2. TINJAUAN PUSTAKA Statistika Deskriptif adalah alat atau teknik yang digunakan untuk mendeskripsikan dan mengorganisir karakteristik dari koleksi data atau informasi. Statistika deskriptif menggunakan teknik grafis dan teknik numerik untuk meringkas dan menyajikan data. Dalam statistika deskriptif terdapat tipe pengukuran yang disebut ukuran tendensi sentral (pemusatan data) dan ukuran dispersi (penyebaran). Yang termasuk dalam ukuran tendensi sentral adalah mean, mode, median, kuartil, desil, dan persentil [6,7,8,9]. Salah satu yang paling sering digunakan adalah mean. Mean merupakan rata-rata hitung dari nilai. Mean berlaku hanya untuk skala rasio atau interval dan mean sensitif terhadap outlier. Mean sampel dari variabel random n observasi x1 , x2 , , xn memiliki rataan hitung sebagai berikut:
x
1 n
n
x
i
i 1
Ukuran variabilitas atau dispersi dapat menggunakan range atau varians. Range dapat diaplikasikan pada skala pengukuran rasio, interval, maupun ordinal. Range didefiniskan sebagai selisish data nilai maksimum dan nilai minimum. Range disebut juga interval antara nilai tertinggi dan terendah. Sementara varians diaplikasikan dalam skala rasio atau interval. Varians didefinisikan sebagai rata-rata kuadrat dari mean dan mengindikasikan penyebaran nilai x.
s2
n
(x x )
1 n 1
2
i
i 1
dan kovarian sampel didefinisikan sebagai:
sx1 x2
1 n 1
n
(x
1i
x1 )(x 2i x2 )
i 1
Seperti yang telah disebutkan sebelumnya, statistika deskriptif dapat menggunakan teknik grafis. Beberapa teknik grafis yang dapat digunakan adalah histogram, pie chart, and scatter plot (scatter diagram). Histogram membuat data memiliki bentuk (shape). Bentuk ini dapat simetris, skewness, atau bell shape. Scatter plot dapat menggambarkan penyebaran data dan menunjukkan hubungan antara dua variabel [6]. Analisis Faktor adalah analisis multivariat deng tujuan untuk menganalisis interdependensi variabel yang memiliki dimensi tinggi menjadi model faktor. Dalam analisis factor, dimensi direduksi dari p variabel asal berkorelasi menjadi variabel baru yang disebut common factor [10]. Anggap kita memiliki vektor X dengan p komponen, mean μ , dan matriks kovarian Σ sehingga memiliki F1 , F2 , , Fm (common factors) dan 1 , 2 , , p (errors or specific factors). Model analisis faktornya adalah:
X 1 1
11 1
X 2 2
21 1
X p p
p1 1
atau dalam bentuk matriks:
Fm 1
F
12
F2
1m
F
22
F2
2m
F
p2
F2
pm
Fm 2 Fm p
X μ LF ε X μ LF ε
dengan X( nn ) , μ( nn ) , L( pm ) , F( m1) , and ε ( p1) . Karena F dan ε adalah independen, maka:
E (F) 0, Cov(F) I E (ε) 0, Cov(ε) Ψ dan
Σ cov( X) Σ LL' ψ cov( X, F) L
Terdapat komunalitas dalam varians. Varians dari X i adalah jumlah komunalitas dan specific variance. Dalam kata lain, ii hi2 i , dengan i 1, 2,
, p . Komunalitas adalah porsi vaariasi dari variabel ke-i yang berkontribusi
oleh m common factor. Komunalitas dinotasikan dengan hi2 , hi2
2 i1
2 i2
2 im
.
2 i1
adalah kontribusi variansi
p
sampel sii dari common factor pertama dan
2 i1
adalah kontribusi ke total variansi sampel dari common factor
i1
pertama. p
2 i1
( 1 e1 ) '( 1 e1 ) 1
i 1
Metode estimasi yang umum digunakan dalam analisis faktor adalah metode Principal Component dan Maximum Likelihood. Rotasi faktor sering digunakan dalam analisis faktor apabila terdapat ketidakjelasan struktur. Rotasi faktor digunakan untuk mempermudah interpretasi. Metode rotasi yang sering digunakan adalah rotasi VARIMAX [10]. 3.
METODE DAN LANGKAH PENELITIAN
Data yang digunakan merupakan data sekunder yang diperoleh dari Google Scholar, Scopus dan Biro Akademik Institut Teknologi Sepuluh Nopember. Data yang digunakan terbagi atas 3 macam yaitu data Google Scholar, data Scopus, dan data gabungan Google Sholar dan Scopus. Data yang digunakan merupakan data update 26 Oktober 2015. Pada tingkat ITS, jumlah data yang ada adalah 472 observasi Google Scholar, 321 observasi Scopus, dan 223 observasi Gabungan (Google Scholar dan Scopus). Pada tingkat Fakultas Teknik Sipil dan Perencanaan (FTSP) jumlah data yang tersedia adalah 120 observasi Google Scholar, 45 observasi Scopus, dan 34 observasi Gabungan. Variabel yang digunakan dalam penelitian tercantum dalam Tabel 1.
Tabel 1. Variabel Data
Variabel
Deskripsi
Keterangan
Nama
Nama Dosen
Umur
Umur Dosen
Lama
Lama menjadi Dosen
HGSC
h-index dalam Google Scholar Citation
Untuk data Google Scholar dan Gabungan
CGSC
Jumlah citation dalam Google Scholar Citation
Untuk data Google Scholar dan Gabungan
EDGSC
Jumlah dokumen berbahasa Inggris dalam Google Scholar Citation
Untuk data Google Scholar dan Gabungan
IDGSC
Jumlah dokumen berbahasa Indonesia dalam Google Scholar Citation
Untuk data Google Scholar dan Gabungan
HSCO
h-index dalam Scopus Citation
Untuk data Scopus dan Gabungan
DSCO
Jumlah dokumen dalam Scopus Citation
Untuk data Scopus dan Gabungan
CSCO
Jumlah citation dalam Scopus Citation
Untuk data Scopus dan Gabungan
Jabatan
Jabatan Dosen
Digunakan dalam analisis regresi logitik dan analisis klaster
Pend
Pendidikan Akhir Dosen
Digunakan dalam analisis regresi logistik dan analisis klaster
JK
Jenis Kelamin
Digunakan dalam analisis regresi logistik
Langkah analisis yang digunakan dalam penelitian untuk data Scopus, Google Scholar dan data gabungan adalah: 1. Melakukan analisis statistika deskriptif meliputi mean, deviasi standar, maksimum, minimum dan scatter plot (atau matrix plot). 2. Melakukan pengujian normal multivariat terhadap data. 3. Melakukan analisis faktor dan melakukan analisis deskriptif untuk mendukung hasil analisis faktor.
4.
ANALISIS DAN PEMBAHASAN
4.1. Statistika Deskriptif Statistika deskriptif yang digunakan untuk mengukur pemusatan adalah mean dan untuk penyebaran data digunakan deviasi standar. Nilai maksimum dan minimum diikutsertakan untuk menggambarkan deviasi standar. Statistika deskriptif ditunjukkan pada Tabel 2. Berdasarkan tabel statistika deskriptif, umur dosen baik yang menggunakan Google Scholar, Scopus, atau keduanya (gabungan) memiliki rata-rata yang hampir mendekati. Untuk tingkat ITS, rata-rata umur dosen yang menggunakan Google Scholar adalah 43 tahun sementara pengguna Scopus rata-rata umurnya 45 tahun dan yang menggunakan kedua akun memiliki rata-rata umur 44 tahun. Pada tingkat Fakultas Teknik Sipil dan Perencanaan (FTSP) terlihat sama, dimana rata-rata umurya adalah 44 tahun untuk penggunakan Google Scholar, 47 tahun untuk pengguna Scopus, dan 46 tahun untuk pengguna keduanya. Hal ini dipengaruhi oleh nilai masksimum dan minimum dengan deviasi standar yang tidak terlalu besar. Nilai maksimum untuk variabel umur adalah 66 tahun (Google Scholar ITS dan FTSP, Gabungan ITS,), 67 tahun (Scopus ITS dan FTSP), atau 65 tahun (Gabungan FTSP). Nilai minimum untuk pengguna Google Sholar baik tingkat ITS dan FTSP adalah 24 tahun, sementara untuk Scopus dan Gabungan tingkat ITS adalah 25 tahun, dan untuk Scopus dan Gabungan tingkat FTSP adalah 28 tahun. Namun nilai standar deviasi untuk variabel umur berbeda-beda. Hal ini dipengaruhi pula oleh jumlah sampel yang berbeda untuk tiap data per tingkat (ITS atau FTSP). Variabel lama menjadi dosen memiliki rata-rata yang bervariasi untuk tiap pengguna akun (Google Scholar, Scopus, Gabungan) dan tingkat. Namun untuk masing-masing tingkat, nilai maksimum yang diperoleh baik untuk pengguna Google Scholar, Scopus, maupun Gabunga memiliki nilai sama. Untuk tingkat ITS, paling lama adalah 42 tahun dan yang terbaru adalah 1 tahun menjadi dosen. Sementara untuk tingkat FTSP, dosen paling lama bekerja selama 40 tahun dan yang terbaru adalah 1 tahun. Apabila dibandingkan antara jurusan Statistika, FTSP, dan ITS
maka diperoleh bahwa jurusan Statistika memiliki karakter yang mirip dengan FTSP dimana variabel HGSC, CGSC, EDGSC, HSCO, DSCO,dan CSO selalu memiliki nilai rata-rata yang lebih kecil dibandingkan rata-rata tingkat ITS. Sementara itu variabel IDGSC memiliki nilai rata-rata lebh besar daripada tingkat ITS. Untuk mengetahui bagaimana hubungan antar variabel, dapat dilakukan secara grafis menggunakan scatter plot atau matrix plot. Berdasarkan plot matriks diperoleh bahwa hubungan antara variabel adalah linier positif untuk variabel-variabel yang ada dalam Google Scholar meskipun hubungan antara variabel umur atau lama menjadi dosen dengan variabel lainnya tidak dapat tergambarkan dengan jelas. Hal yang sama juga terjadi pada data Gabungan. Pada data Gabungan, hubungan variabel umur atau lama menjadi dosen ddnegan vaiabel lainnya sulit dijelaskan secara grafis dan variabel lain (HSCO, DSCO, CSCO, HGSC, CGSC, EDGSC, dan IDGSC) memiliki hubungan yang positif. Sementara itu pada Scopus terdapat banyak variabel yang hubungannya tidak dapat dijelaskan secara grafis karena pola penyebaran data yang terlalu menyebar. Apabila digambarkan dalam matrix plot, variabel-variabel yang sama pada tingkat FTSP dan jurusan Statistika memiliki pola penyebaran yang serupa. Hubungan antar variabel ini akan dijelaskan lebih lanjut ketika analisis selanjutnya.
Gambar 1. Plot Matriks Variabel : (a) Google Scholar ITS, (b) Scopus ITS, dan (c) Gabungan ITS.
ITS Data Google Scholar
Scopus
Gabungan
Variabel
Mean
Tabel 2. Statistika Deskriptif Data FTSP
Deviasi Standar
Maks
Min
Statistika
Mean
Deviasi Standar
Maks
Min
Mean
Deviasi Standar
Maks
Min
Umur
43,82
9,81
66
24
44,50
10,88
66
24
44,24
9,72
62
26
Lama
17,54
10,08
42
1
17,26
10,71
40
1
19,15
10,00
36
1
HGSC
2,39
2,33
15
0
1,70
1,79
9
0
1,78
1,74
7
0
CGSC
49,74
110,33
978
0
33,32
103,18
978
0
20,61
33,53
151
0
EDGSC
12,04
15,25
107
0
8,24
11,72
73
0
10
13,52
67
0
IDGSC
15,67
41,50
689
0
20,38
69,45
689
0
16,12
19,03
72
0
Umur
45,26
9,28
67
25
47,68
10,63
67
28
46,25
6,51
54
33
Lama
19,39
9,41
42
1
20,73
10,37
40
1
21,56
5,98
28
10
HSCO
1,95
1,87
13
0
1,55
1,34
5
0
2,06
1,18
5
0
DSCO
8,32
10,51
109
2
4,93
4,11
21
2
9,12
7,99
36
2
CSCO
29,86
59,75
541
0
23,57
37,52
167
0
17,81
21,47
79
0
Umur
44,66
8,84
66
25
46,56
10,26
65
28
45,87
6,54
54
33
Lama
18,87
9,27
42
1
19,50
10,28
40
1
21,20
6,00
28
10
HGSC
3,66
2,49
15
0
3,03
2,17
9
0
3
1,85
7
0
CGSC
87,69
142,69
978
0
84,91
173,91
978
0
42,2
40,53
151
0
EDGSC
19,60
17,82
107
0
15,71
17,66
73
0
18,33
16,14
67
2
IDGSC
19,60
31,35
235
0
24,44
40,23
174
0
25,40
22,73
72
3
HSCO
2,14
2,02
13
0
1,75
1,39
5
0
2,067
1,22
5
0
DSCO
36,04
68,08
109
2
5,35
4,55
21
2
9,13
8,27
36
2
CSCO
9,55
12,02
541
0
25,88
41,16
167
0
18,47
22,06
79
0
4.2. Analisis Faktor Sebelum melakukan analisis faktor, dilakukan pengujian asumsi distribusi Normal Multivariat. Uji distribusi Normal Multivariat menggunakan proporsi antara kuantil-kuantil dengan batas atasnya. Apabila nilai proporsi berada disekitar 0,50 maka data dikatakan berdistribusi Normal Multivariat [10]. Hasil pengujian yang diperoleh adalah sebagai berikut:
Data
Tabel 3. Pengujian asumsi data berdistribusi Normal Multivariat. Nilai proporsi Keputusan
Google Scholar ITS
0,7902
Data tidak berdistrbusi Normal Multivariat
Scopus ITS
0,7258
Data tidak berdistrbusi Normal Multivariat
Gabungan ITS
0,7578
Data tidak berdistrbusi Normal Multivariat
Google Scholar FTSP
0,7417
Data tidak berdistrbusi Normal Multivariat
Scopus FTSP
0,6222
Data tidak berdistrbusi Normal Multivariat
Gabungan FTSP
0,6470
Data tidak berdistrbusi Normal Multivariat
Data yang digunakan dalam penelitian tidak memenuhi asumsi distribusi Normal Multivariat sehingga dilakukan pengujian data outllier. Namun setelah dilakukan pengujian data outlier dengan memhilangkan 15 data outlier, data tetap tidak mengikuti distribusi Normal Multivariat. Oleh karena itu, dalam penelitian ini data diasumsikan telah mengikuti distribusi Nomal Multivariat tanpa menghilangkan outlier.
Dalam analisis faktor terdapat persyaratan yang harus terpenuhi yang disebut fase 1 dan fase 2. Pada fase 1 syarat yang harus terpenuhi adalah variabel bertipe metrik dengan sampel lebih dari 50 dan rasio antara kasus dengan variabel 5:1. Dalam fase ini matriks korelasi harus memiliki nilai yang lebih dari 0,30 dan minimal ada dua korelasi. Apabila variabel dengan measure of sampling adequacy bernilai dibawa 0,50 maka variabel tersebut dikeluarkan dari model. Measure of sampling adequacy ini diukur menggunakan anti-image. Semenatara untuk overall measure of sampling adequacy diukur menggunakan uji Kaiser Maiyer-Olkin (KMO) yang nilainya harus lebih dari 0,50 atau mendekati satu. Nilai pada uji Bartlett harus signifikan. Fase 2 pada analisis faktor adalah dengan melihat pada komunalitas dan struktur faktor. Nilai komunalitas harus lebih dari 0,5 dan memiliki stuktur sederhana (simple structure). Faktor dikatakan memiliki struktur yang sederhana jika nilai loading lebih dari 0,40 berada hanya pada satu faktor. Apabila nilai loading lebih dari 0,40 berada di lebih dari satu faktor maka faktor dikatakan memiliki complex structure. 4.2.1.
Analisis Faktor Google Scholar ITS
Berdasarkan fase 1 dan 2 analisis faktor, jumlah pengguna Google Scholar tingkat ITS adalah 472 sehingga rasio kasus dengan variabel adalah 472 : 6 atau 78,67:1. Nilai rasio ini lebih besar dari nilai rasio 5:1. Pada hasil akhir analisis rasio kasus dengan variabel adalah 472 : 5 atau 94,4 : 1 dan nilai rasio ini masih lebih besar dari nilai rasio 5:1. Hasil akhir analisis faktor menunjukkan variabel dokumen berbahasa Indonesia (IDGSC) dikeluarkan dari model karena tidak memenuhi syarat komunalitas lebih dari 0,5. Nilai komunalitas IDGSC adalah 0,231. Setelah menghilangkan variabel IDGSC, semua persyaratan pada fase 1 dan 2 terpenuhi. Hasilnya dapat dilihat sebagai berikut. umur
Tabel 4. Matriks Korelasi Google Scholar ITS. lama HGSC
CGSC
EDGSC
umur
1,00
0,96
0,11
0,07
0,12
lama
0,96
1,00
0,15
0,09
0,15
HGSC
0,11
0,15
1,00
0,79
0,79
CGSC
0,07
0,09
0,79
1,00
0,68
EDGSC
0,12
0,15
0,79
0,68
1,00
Pada matriks korelasi terdapat lebih dari 2 korelasi yang memiliki nilai lebih dari 0,30. Korelasi yang memiliki nilai lebih dari 0,30 ada sebanyak 4 yaitu korelasi umur-lama, HSC-CGSC, HSC-EDGSC, dan CGSC-EDGSC. Nilai measure of adequacy secara keseluruhan menggunakan uji Kaiser-Meyer Olkin (KMO) menghasilkan nilai 0,628. Nilai KMO ini lebih dari 0,5 sehingga data dikatakan cukup untuk dilakukan analisis faktor. Sementara pada uji Bartlett diperoleh nilai Chi-Square 2127,278 dengan p-value 0,000. P-value pada uji Bartlett lebih kecil daripada =0,05 maka uji Bartlett signifikan. Tabel 5. Korelasi Anti-image, Komunalitas, dan Hasil Faktor Google Scholar ITS. Korelasi AntiKomunalitas Komponen 1 Komponen 2 Image umur
0,504
0,979
0,989
lama
0,508
0,980
HGSC
0,665
0,888
0,940
CGSC
0,754
0,811
0,900
EDGSC
0,773
0,808
0,895
0,987
Variansi total yang dapat dijelaskan oleh 2 komponen tersebut adalah sebesar 89,32%. Dengan menggunakan rotasi faktor Varimax, kedua komponen tersebut mampu memisahkan variabel dengan baik. Komponen 1 atau Faktor 1 terdiri dari indeks h (HGSC), jumlah citations (CGSC), dan jumlah dokumen dalam bahasa Inggris (EDGSC) sedangkan Faktor 1 terdiri dari umur dan lama menjadi dosen. Seperti telah dijelaskan sebelumnya, variabel jumlah dokumen dalam bahasa Indonesia (IDGSC) tidak masuk dalam hasil akhir sehingga IDGSC tidak
masuk dalam faktor manapun, sementara variabel lama menjadi dosen masuk ke dalam Faktor 2 bersamaan dengan variabel umur. Untuk mendukung hasil analisis maka dapat digunakan plot matriks.
Gambar 2. Plot Matriks Google Schoolar ITS.
Plot matriks memperlihatkan yang mampu menggambarkan dengan jelas hubungan antara variababel adalah hubungan antara umur dengan lama menjadi dosen, hubungan antara HGSC dengan CGSC, hubungan antara HGSC dengan EDGSC, dan hubungan antara CGSC dengan EDGSC. Hal ini ditunjukkan dari terbentuknya garis linier yang menanjak ke atas disertai dengan penyebaran data yang berada di sekitar garis tersebut. Sementara untuk hubungan variabel lain hubungannya tidak tergambarkan dengan jelas akibat penyebaran data yang terlalu lebar. Plot matriks ini mendukung hasil analisis faktor yaitu umur dan lama belajar menjadi satu faktor dan faktor lain terdiri dari HGSC, CGSC, dan EDGSC. 4.2.2.
Analisis Faktor Scopus ITS
Dalam analisis faktor Scopus ITS, jumlah pengguna Scopus tingkat ITS adalah 321 sehingga rasio kasus dengan variabel adalah 321 : 6 atau 60,1:1. Pada hasil akhir analisis rasio kasus dengan variabel adalah 321:5 atau 64,2 : 1 dan nilai rasio ini masih lebih besar dari nilai rasio 5:1.Hasil akhir analisis faktor menunjukkan bahwa kelima variabel yaitu umur, lama menjadi dosen, indeks h (HSCO), jumlah dokumen (DSCO), dan jumlah kutipan (CSCO) digunakan semua dalam pembentukan faktor. Kelima variabel tersebut telah memnuhi persyaratan baik pada fase 1 maupun fase 2. Tabel 6. Matriks Korelasi Scopus ITS.
umur
umur
lama
HSCO
DSCO
CSCO
1,000
0,950
-0,042
0,038
-0,026
lama
0,950
1,000
-0,017
0,046
-0,009
HSCO
-0,042
-0,017
1,000
0,612
0,825
DSCO
0,038
0,046
0,612
1,000
0,506
CSCO
-0,026
-0,009
0,825
0,506
1,000
Pada matriks korelasi terdapat 4 korelasi yang memiliki nilai lebih dari 0,30 yaitu korelasi umur-lama, HSCODSCO, HSCO-CSCO, dan DSCO-CSCO. Nilai measure of adequacy secara keseluruhan menggunakan uji KaiserMeyer Olkin (KMO) menghasilkan nilai 0,574. Karena nilai KMO lebih dari 0,5 maka data dikatakan cukup untuk dilakukan analisis faktor. Pada uji Bartlett diperoleh nilai Chi-Square 1255,438 dengan p-value 0,000. Dengan pvalue yang lebih kecil daripada =0,05 maka uji Bartlett signifikan.
Tabel 7. Korelasi Anti-image, Komunalitas, dan Hasil Faktor Scopus ITS. Korelasi AntiKomunalitas Komponen 1 Komponen 2 Image umur
0,499
0,975
0,987
lama
0,499
0,974
HSCO
0,588
0,879
0,938
DSCO
0,795
0,642
0,786
CSCO
0,621
0,807
0,898
0,987
Nilai korelasi anti-image yang dihasilkan memiliki 3 nilai yang lebih dari 0,50 dan 2 nilai yang kurang dari 0,50. Namun 2 nilai yang kurang 0,50 ini nilainya mendekati 0,50 dan karena syarat pada komunalitas telah terpenuhi semua maka diasumsikan bahwa syarat measure of adequacy telah terpenuhi. Berdasarkan analisis faktor, dihasilkan 2 komponen yang memiliki eigenvalue lebih dari 1, yaitu eigenvalue 2,305 dan 1,954. Variansi total yang dapat dijelaskan oleh 2 komponen tersebut adalah sebesar 85,18%. Dalam menentukan variabel-variabel yang masuk dalam faktor dilakukan tanpa menggunakan rotasi faktor dapat dikenali dengan mudah. Faktor 1 terdiri dari indeks h (HSCO), jumlah dokumen (DSCO), dan jumlah kutipan (CSCO) sedangkan Faktor 2 terdiri dari umur dan lama menjadi dosen. Untuk mendukung hasil analisis maka dapat digunakan plot matriks.
Gambar 3. Plot Matriks Scopus ITS.
Plot matriks memperlihatkan yang mampu menggambarkan dengan jelas hubungan antara variababel adalah hubungan antara umur dengan lama menjadi dosen, hubungan antara HSCO dengan DSCO, dan hubungan antara DSCO dengan CSCO. Hal ini mendukung hasil analisis faktor yaitu umur dan lama belajar menjadi satu faktor dan faktor lain terdiri dari HSCO, DSCO dan CSCO. Terbentuknya garis linier yang menanjak ke atas disertai dengan penyebaran data yang berada di sekitar garis tersebut mengilustrasikan hubungan yang jelas antar kedua variabel. Sementara untuk hubungan variabel lain hubungannya tidak tergambarkan dengan jelas akibat penyebaran data yang terlalu lebar. 4.2.3.
Analisis Faktor Gabungan ITS
Setelah melakukan analisis faktor untuk masing-masing pengguna Google Scholar dan Scopus, selanjutnya dilakukan analisis faktor untuk pengguna keduanya atau Gabungan. Jumlah pengguna Gabungan tingkat ITS adalah 223 sehingga rasio kasus dengan variabel adalah 223 : 8 atau 27,87:1. Nilai rasio ini lebih besar dari nilai rasio 5:1. Hasil akhir analisis faktor menunjukkan delapan variabel yang digunakan dapat dilakukan analisis karena dengan menggunakan semua variabel tersebut persayaratan dalam analisis faktor baik fase 1 maupun fase 2 tetap terpenuhi. Kesembilan variabel tersebut adalah umur, lama menjadi dosen, indeks h Google Scholar (HGSC), jumlah kutipan Google Scholar (CGSC), jumlah dokumen berbahasa Inggris (EDGSC), jumlah dokumen berbahasa Indonesia
(IDGSC), indeks h Scopus (HSCO), dan jumlah kutipan Scopus (CSCO). Jumlah dokumen Scopus (DSCO) dihilangkan dari faktor karena memiliki struktur kompleks dan nilai loading terkecil. Tabel 8. Matriks Korelasi Gabungan ITS.
umur lama HSCO CSCO HGSC CGSC EDGSC IDGSC
umur 1,000 0,947 -0,082 -0,064 0,011 0,030 0,066 0,178
lama 0,947 1,000 -0,063 -0,051 0,039 0,033 0,095 0,143
HSCO -0,082 -0,063 1,000 0,832 0,805 0,638 0,543 0,102
CSCO -0,064 -0,051 0,832 1,000 0,686 0,716 0,462 -0,006
HGSC 0,011 0,039 0,805 0,686 1,000 0,803 0,737 0,318
CGSC 0,030 0,033 0,638 0,716 0,803 1,000 0,644 0,376
EDGSC 0,066 0,095 0,543 0,462 0,737 0,644 1,000 0,427
IDGSC 0,178 0,143 0,102 -0,006 0,318 0,376 0,427 1,000
Pada matriks korelasi terdapat lebih dari 2 korelasi yang memiliki nilai lebih dari 0,30. Nilai measure of adequacy secara keseluruhan menggunakan uji Kaiser-Meyer Olkin (KMO) menghasilkan nilai 0,667. Nilai KMO ini lebih dari 0,5 maka data dikatakan cukup untuk dilakukan analisis faktor. Sementara pada uji Bartlett diperoleh nilai Chi-Square 1768,809 dengan p-value 0,000 yang nilainya lebih kecil daripada =0,05 sehingga uji Bartlett signifikan. Tabel 9. Korelasi Anti-image, Komunalitas, dan Hasil Faktor Gabungan ITS. Korelasi AntiKomunalitas Komponen 1 Komponen 2 Image umur
0,501
0,973
0,964
lama
0,500
0,974
0,957
HSCO
0,676
0,855
0,863
CSCO
0,652
0,877
0,824
HGSC
0,734
0,876
0,936
CGSC
0,703
0,796
0,889
EDGSC
0,876
0,725
0,795
IDGSC
0,568
0,890
Komponen 3
0,799
Nilai korelasi anti-image dan komunalitas yang dihasilkan telah memenuhi syarat bernilai lebih dari 0,50. Komponen atau faktor yang dihasilkan membentuk 3 komponen yang memiliki eigenvalue lebih dari 1, yaitu eigenvalue 3,864, 2,038 dan 1,065. Variansi total yang dapat dijelaskan oleh ketiga komponen tersebut adalah sebesar 87,08%.
Gambar 4. Plot Matriks Gabungan ITS.
Variabel-variabel yang masuk dalam faktor dilakukan tanpa menggunakan rotasi Varimax karena ketiga komponen tersebut mampu memisahkan variabel dengan baik. Faktor 1 terdiri dari HGSC, CGSC, EDGSC, HSCO, dan CSCO . Faktor 2 terdiri dari umur dan lama menjadi dosen. Faktor 3 terdiri dari IDGSC. Lama menjadi dosen tidakk membentuk faktor sendiri melainkan mebentuk faktor dengan variabel lain yaitu umur. Sementara jumlah dokumen dalam bahsa Indonesia membentuk faktor sendiri. Berdasarkan plot matriks, hubungan antara variabel umur dan lama menjadi dosen terlihat jelas sementara hubungan umur dengan variabel lainnya ataupun lama menjadi dosen dengan variabel lainnya terlihat tidak jelas karena data menyebar luas. Kejelasan hubungan ini ditunjukkan dari terbentuknya garis linier yang menanjak ke atas disertai dengan penyebaran data yang berada di sekitar garis tersebut.. Hubungan antara jumlah dokumen dalam bahasa Indonesia (IDGSC) tidak terlihat jelas dengan variabel manapun. Sementara itu variabel HGSC, CGSC, EDGSC, HSCO, dan CSCO menunjukkan adanya hubungan antar variabel yang jelas. Sehingga plot matriks mendukung hasil analisis faktor yang diperoleh.
4.2.4.
Analisis Faktor Google Scholar FTSP
Setelah melakukan analisis faktor pada tingkat FTSP, dilanjutkan analisis faktor pada tingkat FTSP. Jumlah pengguna Google Scholar tingkat FTSP adalah 120 sehingga rasio kasus dengan variabel adalah 120 : 6 atau 20:1. Pada hasil akhir analisis rasio kasus dengan variabel adalah 120 : 5 atau 24 : 1 dan nilai rasio ini masih lebih besar dari nilai rasio 5:1. Hasil akhir analisis faktor menunjukkan variabel dokumen berbahasa Indonesia (IDGSC) dikeluarkan dari model karena tidak memenuhi syarat komunalitas lebih dari 0,5. Nilai komunalitas IDGSC adalah 0,338. Setelah menghilangkan variabel IDGSC, semua persyaratan pada fase 1 dan 2 terpenuhi. umur
Tabel 10. Matriks Korelasi Google Scholar FTSP. lama HGSC
CGSC
EDGSC
umur
1,000
0,962
0,256
0,084
0,257
lama
0,962
1,000
0,287
0,085
0,254
HGSC
0,256
0,287
1,000
0,644
0,711
CGSC
0,084
0,085
0,644
1,000
0,711
EDGSC
0,257
0,254
0,711
0,711
1,000
Pada matriks korelasi terdapat lebih dari 4 korelasi yang memiliki nilai lebih dari 0,30 yaitu korelasi antara umur-lama, HSC-CGSC, HSC-EDGSC, dan CGSC-EDGSC. Nilai measure of adequacy secara keseluruhan menggunakan uji Kaiser-Meyer Olkin (KMO) menghasilkan nilai 0,636. Nilai KMO ini lebih dari 0,5 sehingga data dikatakan cukup untuk dilakukan analisis faktor. Sementara pada uji Bartlett diperoleh nilai Chi-Square 493,62 dengan p-value 0,000 yang lebih kecil daripada =0,05. Karena nilai p-value < 0,05 maka uji Bartlett signifikan. Berdasarkan analisis faktor, nilai korelasi anti-image dan komunalitas telah memenuhi persyaratan yaitu lebih dari 0,50. Pada Google Scholar FTSP dihasilkan 2 komponen yang memiliki eigenvalue lebih dari 1, yaitu eigenvalue 2,717 dan 1,650 dengan variansi total yang dapat dijelaskan oleh 2 komponen t adalah sebesar 87,34%. Kedua komponen tersebut mampu memisahkan variabel dengan baik tanpa menggunakan rotasi faktor. Faktor 2 terdiri dari umur dan lama menjadi dosen sedangkan Faktor 1 terdiri dari indeks h (HGSC), jumlah citations (CGSC), dan jumlah dokumen dalam bahasa Inggris (EDGSC). Seperti telah dijelaskan sebelumnya, variabel jumlah dokumen dalam bahasa Indonesia (IDGSC) tidak masuk dalam hasil akhir sehingga IDGSC tidak masuk dalam faktor manapun, sementara variabel lama menjadi dosen masuk ke dalam Faktor 2 bersamaan dengan variabel umur.
Tabel 11. Korelasi Anti-image, Komunalitas, dan Hasil Faktor Google Scholar FTSP. Korelasi AntiKomunalitas Komponen 1 Komponen 2 Image umur
0,527
0,977
0,983
lama
0,528
0,979
HGSC
0,757
0,778
0,860
CGSC
0,739
0,807
0,897
EDGSC
0,723
0,827
0,894
0,983
Gambar 5. Plot Matriks Google Schoolar FTSP.
Plot matriks memperlihatkan yang mampu menggambarkan dengan jelas hubungan antara variababel adalah hubungan antara umur dengan lama menjadi dosen, hubungan antara HGSC dengan CGSC, hubungan antara HGSC dengan EDGSC, dan hubungan antara CGSC dengan EDGSC. Hal ini ditunjukkan dari terbentuknya garis linier yang menanjak ke atas disertai dengan penyebaran data yang berada di sekitar garis tersebut. Sementara untuk hubungan variabel lain hubungannya tidak tergambarkan dengan jelas akibat penyebaran data yang terlalu lebar. Plot matriks ini mendukung hasil analisis faktor yaitu umur dan lama belajar menjadi satu faktor dan faktor lain terdiri dari HGSC, CGSC, dan EDGSC. 4.2.5.
Analisis Faktor Scopus FTSP
Dalam analisis faktor Scopus FTSP, jumlah pengguna Scopus tingkat FTSP adalah 45 sehingga rasio kasus dengan variabel adalah 45 : 6 atau 9:1. Nilai rasio ini lebih besar dari nilai rasio 5:1. Pada hasil akhir analisis rasio kasus dengan variabel adalah 45 : 4 atau 11,25 : 1 dan nilai rasio ini masih lebih besar dari nilai rasio 5:1. Hasil akhir analisis faktor menunjukkan bahwa variabel jumlah dokumen (DSCO) dikeluarkan dari model karena tidak memenuhi syarat komunalitas lebih dari 0,5. Nilai komunalitas IDGSC adalah 0,163. Setelah menghilangkan variabel DSCO, semua persyaratan pada fase 1 dan 2 terpenuhi.
Tabel 12. Matriks Korelasi Scopus FTSP. umur lama HSCO
CSCO
umur
1,000
0,958
-0,193
-0,089
lama
0,958
1,000
-0,128
-0,010
HSCO
-0,193
-0,128
1,000
0,671
CSCO
-0,089
-0,010
0,671
1,000
Pada matriks korelasi terdapat 2 korelasi yang memiliki nilai lebih dari 0,30 yaitu korelasi antara umur dengan lama menjadi dosen dan korelasi antara indeks h (HSCO) dengan jumlah citations (CSCO). Nilai measure of adequacy secara keseluruhan menggunakan uji Kaiser-Meyer Olkin (KMO) menghasilkan nilai 0,504. Karena nilai KMO lebih dari 0,5 maka data dikatakan cukup untuk dilakukan analisis faktor. Pada uji Bartlett diperoleh nilai ChiSquare 133,932 dengan p-value 0,000. Dengan p-value yang lebih kecil daripada =0,05 maka uji Bartlett signifikan. Tabel 13. Korelasi Anti-image, Komunalitas, dan Hasil Faktor Scopus FTSP. Korelasi AntiKomunalitas Komponen 1 Komponen 2 Image umur
0,503
0,979
0,985
lama
0,495
0,980
0,990
HSCO
0,537
0,836
0,906
CSCO
0,489
0,844
0,919
Nilai korelasi anti-image yang dihasilkan memiliki 2 nilai yang lebih dari 0,50 dan 2 nilai yang kurang dari 0,50. Namun 2 nilai yang kurang 0,50 ini nilainya mendekati 0,50 dan karena syarat pada komunalitas telah terpenuhi semua maka diasumsikan bahwa syarat measure of adequacy telah terpenuhi. Berdasarkan analisis faktor, dihasilkan 2 komponen yang memiliki eigenvalue lebih dari 1, yaitu eigenvalue 2,075 dan 1,565. Variansi total yang dapat dijelaskan oleh 2 komponen tersebut adalah sebesar 90,99%. Dalam menentukan variabel-variabel yang masuk dalam faktor dilakukan rotasi Varimax karena pada variabel lama menjadi dosen, HSCO, dan CSO diperoleh nilai loading lebih dari 0,40 pada kedua komponen faktor. Dengan menggunakan rotasi Varimax, kedua komponen tersebut mampu memisahkan variabel dengan baik. Faktor 1 terdiri dari umur dan lama menjadi dosen sedangkan Faktor 2 terdiri dari indeks h (HSCO) dan jumlah citations (CSCO). Untuk mendukung hasil analisis maka dapat digunakan plot matriks. Plot matriks memperlihatkan yang mampu menggambarkan dengan jelas hubungan antar variababel adalah hubungan antara umur dengan lama menjadi dosen dan hubungan antara HSCO dengan CSCO. Hal ini mendukung hasil analisis faktor yaitu umur dan lama belajar menjadi satu faktor dan faktor lain terdiri dari HSCO dan CSCO. Terbentuknya garis linier yang menanjak ke atas disertai dengan penyebaran data yang berada di sekitar garis tersebut mengilustrasikan hubungan yang jelas antar kedua variabel. Sementara untuk hubungan variabel lain hubungannya tidak tergambarkan dengan jelas akibat penyebaran data yang terlalu lebar.
Gambar 6. Plot Matriks Scopus FTSP.
4.2.6.
Analisis Faktor Gabungan FTSP
Setelah melakukan analisis faktor untuk masing-masing pengguna Google Scholar dan Scopus, selanjutnya dilakukan analisis faktor untuk pengguna keduanya atau Gabungan. Jumlah pengguna Gabungan tingkat FTSP adalah 34 sehingga rasio kasus dengan variabel adalah 34 : 9 atau 3,77:1 sementara hasil akhir analisis menunjukkan rasio kasus dengan variabel adalah 34:4 atau 8,5:1. Nilai rasio ini lebih besar dari nilai rasio 5:1. Keempat variabel tersebut adalah indeks h Google Scholar (HGSC), jumlah kutipan Google Scholar (CGSC), jumlah dokumen dalam bahasa Inggris (EDGSC), dan jumlah dokumen dalam bahasa Indonesia (IDGSC). Kelima variabel yang digunakan dapat dilakukan analisis karena dengan menggunakan semua variabel tersebut persayaratan dalam analisis faktor baik fase 1 maupun fase 2 tetap terpenuhi. Variabel lama menjadi dosen, umur, indeks h Scopus (HSCO), dan jumlah kutipan Scopus (CSCO) secara berurutan dikeluarkan dari faktor karena memiliki korelasi anti-image yang kurang dari 0,50 dan nilainya terkecil. Sementara itu variabel jumlah dokumen dalam Scopus (DSCO) dikeluarkan dari faktor karena nilai komunalitas yang lebih dari 0,50. Tabel 14. Matriks Korelasi Gabungan FTSP. HGSC CGSC EDGSC IDGSC HGSC
1,000
0,640
0,736
0,426
CGSC
0,640
1,000
0,753
0,682
EDGSC
0,736
0,753
1,000
0,667
IDGSC
0,426
0,682
0,667
1,000
Pada matriks korelasi diperoleh bahwa semua korelasi yang memiliki nilai lebih dari 0,30. Nilai measure of adequacy secara keseluruhan menggunakan uji Kaiser-Meyer Olkin (KMO) menghasilkan nilai 0,765. Nilai KMO ini lebih dari 0,5 maka data dikatakan cukup untuk dilakukan analisis faktor. Sementara pada uji Bartlett diperoleh nilai Chi-Square 75,03 dengan p-value 0,000 yang nilainya lebih kecil daripada =0,05 sehingga uji Bartlett signifikan. Tabel 15. Korelasi Anti-image, Komunalitas, dan Hasil Faktor Gabungan ITS. Korelasi AntiKomunalitas Komponen 1 Image HGSC
0,739
0,661
0,813
CGSC
0,817
0,806
0,898
EDGSC
0,747
0,851
0,922
IDGSC
0,757
0,643
0,802
Nilai korelasi anti-image dan komunalitas yang dihasilkan telah memenuhi syarat bernilai lebih dari 0,50. Komponen atau faktor yang dihasilkan hanya 1 komponen yang memiliki eigenvalue lebih dari 1, yaitu sebesar 2,962. Variansi total yang dapat dijelaskan adalah 74,04%. Karena hanya terdapat 1 faktor maka keempat variabel (HGSC, CGSC, EDGSC, dan IDGSC) masuk dalam faktor tersebut dan seperti telah dijelaskan sebelumnya variabel lama menjadi dosen tidak termasuk dalam model faktor sehingga variabel lama menjadi dosen tidak memiliki atau membentuk faktor apapun. IDGSC tidak membentuk faktor sendiri karena membentuk faktor 1 dengan variabel HGSC, CGSC, dan EDGSC.
Gambar 7. Plot Matriks Gabungan FTSP.
Plot matriks memperlihatkan yang mampu menggambarkan dengan jelas hubungan natar keempat variabel. Hal ini ditunjukkan dari terbentuknya garis linier yang menanjak ke atas disertai dengan penyebaran data yang berada di sekitar garis tersebut. Oleh karena itu plot matriks ini mendukung pernyataan terbentuknya satu faktor, berbeda dengan pada analisi faktor sebelumnya dimana terdapat hubungan variabel yang tidak jelas karena penyebaran data yang lebar. 5.
KESIMPULAN
Berdasarkan analisis dan pembahasan diperoleh bahwa jumlah dosen ITS yang mempunyai akun Google Scholar adalahh 472 dosen, akun Scopus sebanyak 321 dosen, dan kedua akun adalah 223 dosen dari total dosen 898 dosen. Sementara di tingkat FTSP adalah 120 dosen pada Google Scholar, 45 dosen pada Scopus, dan 34 dosen pada data Gabungan. Faktor yang terbentuk pada analisis faktor Google Scholar tingkat ITS adalah Faktor 1 (HGSC, CGSC, dan EDGSC) dan Faktor 2 (umur dan lama menjadi dosen). Pada Scopus ITS terbentuk Faktor 1 (HSCO, DSCO, dan CSCO) dan Faktor 2 (umur dan lama menjadi dosen) semnetara pada data Gabungan ITS terbentuk Faktor 1 (HSCO, CSCO, HGSC, CGSC, dan EDGSC), Fator 2 (umur dan lama menjadi dosen), dan Faktor 3 (IDGSC). Pada tingkat FTSP, faktor yang terbentuk dalam Google Scholar adalah Faktor 1 (HGSC, CGSC, dan EDGSC) dan Faktor 2 (umur dan lama menjadi dosen). Pada Scopus FTSP terbentuk Faktor 1 (umur dan lama menjadi dosen) dan Faktor 2 (HSCO dan CSCO) sedangkan pada Gabungan hanya terbentuk Faktor 1 (HGSC, CGSC, EDGSC, dan IDGSC).
6.
DAFTAR PUSTAKA
[1] Bommann L, Daniel HD. The State of h index Research. EMBO Reports; 2009,10(1), p. 2-6 [2] Meho LI, Yang K. Impact of Data Sources on Citation Counts and Rankings of LIS Faculty: Web of Science versus Scopus and Google Scholar. Journal of The American Society for Information Science and Technology; 2007, 58(13), p. 2105–2125 [3] Bakkalbasi N, Bauer K, Glover J, Wang, L.Three Options for Citation Tracking: Google Scholar, Scopus and Web of Science. Biomedical Digital Libraries;2006, 3(7) [4] Harzing A, Wal R.Google Scholar as a New Source for Citation Analysis. Ethics in Science and Environmental Politics; 2008, 8(1), pp. 61–73 [5] Barllan J. Which h-index? A Comparison of WoS, Scopus, and Google Scholar. Scientometrics; 2008, 74(2), pp. 257-271 [6] Gupta CB, Gupta Vijay.An Introduction to Statistical Methods. 23rd Revised Edition. Vikas Publishing; 2009 [7] Dixon WJ, Massey FJ. An Introduction to Statistical Analysis. 2nd Edition. McGrawhill Book Company, Inc; 1957 [8] Walpole RE. Introduction to Statistics. 2nd Edition. Macmillan Publishing; 1974 [9] Bhattacarya GK, Johnson RA. Statistical Concepts and Methods. John Wiley; 1977 [10] Johson RA, Wichern DW. Applied Multivariate Statistical Analysis. Sixth Edition. USA:Pearson Education, Inc; 2007
