aplikasi metode principal...
TRANSCRIPT
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,
Taufik Edy Sutanto, M. ScTech
NIP. 150 377 447
Penguji 2,
Nina Fitriyati, M. Kom
NIP. 150 377 448
Pembimbing 1,
Hermawan Setiawan, M. Kom
NIP. 250 000 505
Pembimbing 2,
Nur Inayah, M. Si
NIP. 150 326 911
Mengetahui :
Dekan Fakultas Sains dan Teknologi,
DR. Syopiansyah Jaya Putra, M. Sis
NIP. 150 317 956
Ketua Program Studi Matematika,
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 indikator-
indikator 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 indikator-
indikator 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 rekan-
rekan 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
BAB II
LANDASAN TEORI ............................................................
4
2.1 Analisis Faktor ...............................................................
4
2.2 Principal Component ......................................................
7
2.3 Pembentukan Faktor .......................................................
9
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
BAB III
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
BAB IV
HASIL DAN PEMBAHASAN .............................................
35
4.1 Indikator Penilaian ..........................................................
35
4.2 Uji Normalitas ................................................................
36
4.3 Metode Principal Component .........................................
38
BAB V
KESIMPULAN DAN SARAN .............................................
43
5.1 Kesimpulan .....................................................................
43
5.2 Saran ..............................................................................
44
REFERENSI .......................................................................................... 46
LAMPIRAN .......................................................................................... 47
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-transfer-
an 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 judul “APLIKASI METODE PRINCIPAL
COMPONENT DALAM 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 indikator-
indikator 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
i
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 distandarisasikan karena syarat
indikator yang dianalisis dengan principal 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 * = ( X i − X )
,
i = 1, 2, 3, ..., p
(2.1)
i S
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 masing-
masing 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
1 2 3 4 5 Faktor
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
i i i
i i i i
i i i i
i i i i
i i i
i i
i i
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
E (∈
i∈
j ) = 0
; i ≠ j ; i, j = 1, 2, 3, ......, p
(2.3)
Besar variansi untuk setiap indikator, xi , berlaku persamaan :
E ( x 2 ) = E[(λ ξ + ∈ )
2 ]
= E[λ 2ξ 2 + ∈ 2 +2λ ξ ∈ ]
= E[λ 2ξ 2 ] + E[∈
2 ] + E[2λ ξ ∈ ]
= λ 2 E (ξ 2
) + E (∈ 2 ) + 2λ E (ξ ∈ )
= λ 2 .Var (ξ ) + Var (∈ ) + 2λ (0)
= λ 2 (1) + Var (∈ ) + 0
= λ 2 + Var (∈ )
13
i i i
i i
i i
i i
Var ( x ) = λ 2 + Var (∈ ) 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[λ ξ 2 + ξ ∈ ]
= E[λ ξ 2
] + E[ξ ∈ ]
= λ E (ξ 2
) + E (ξ ∈ )
= 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
i j i j j i i j
i j i j j i i j
i j i j j i i j
E( xi x j ) = E[(λiξ + ∈i )(λ jξ + ∈j )]
= E[λ λ ξ 2 + λ ξ ∈ +λ ξ ∈ + ∈ ∈ ]
= E[λ λ ξ 2 ] + E[λ ξ ∈ ] + E[λ ξ ∈ ] + E[∈ ∈ ]
= λ λ E(ξ 2 ) + λ E(ξ ∈ ) + λ E(ξ ∈ ) + E(∈ ∈ )
= 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 2ξ2 + ∈i ; i = 1, 2, 3, ......, p (2.7)
dengan : xi = indikator ke- i
ξ1
= faktor 1
ξ2
= 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
i i
i i
i i
Gambar 2.3 Model Dua Faktor
Besar variansi untuk setiap indikator xi sesuai dengan persamaan (2.8):
E ( x 2 ) = E[(λ ξ + λ ξ + ∈ )
2 ] i i1 1 i 2 2 i
= E[λ 2ξ 2 + λ λ ξ ξ + λ ξ ∈ +λ λ ξ ξ + λ 2ξ 2 + λ ξ ∈ + i1 1 i1 i 2 1 2 i1 1 i i1 i 2 1 2 i 2 2 i 2 2 i
λi1ξ1 ∈i + λi 2ξ 2 ∈ + ∈ 2 ]
= E[λ 2ξ 2 + λ 2ξ 2 + 2λ λ ξ ξ + 2λ ξ ∈ +2λ ξ ∈ + ∈ 2 ] i1 1 i 2 2 i1 i 2 1 2 i1 1 i i 2 2 i i
= E[λ 2ξ 2 ] + E[λ 2ξ 2
] + E[2λ λ ξ ξ ] + E[2λ ξ ∈ ] + i1 1 i 2 2 i1 i 2 1 2 i1 1 i
E[2λi 2ξ 2 ∈ ] + E[∈ 2 ]
= λ 2 E (ξ 2
) + λ 2 E (ξ 2
) + 2λ λ E (ξ ξ ) + 2λ E (ξ ∈ ) + i1 1 i 2 2 i1 i 2 1 2 i1 1 i
2λi 2 E (ξ 2 ∈ ) + E (∈ 2 )
= λ 2 (1) + λ 2
(1) + 2λ λ φ + 2λ (0) + 2λ (0) + Var (∈ ) i1 i 2 i1 i 2 i1 i 2 i
= λ 2 + λ 2 + 2λ λ φ + 0 + 0 + Var (∈ ) i1 i 2 1 2 i
= λ 2
+ λ 2 + 2λ λ φ + Var (∈ ) i1 i 2 1 2 i
2 2
Var( xi ) = λi1 + λi 2 + 2λ1λ2φ + Var (∈i ) (2.8)
16
+ λ 2 2
dengan : φ = korelasi antara faktor 1 ( ξ1 ) dengan faktor 2 ( ξ2 )
i = 1, 2, 3, ......, p
Syarat faktor yang dihasilkan dengan analisis faktor, yaitu masing-
masing 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 i1 + 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 ( ξ
1 )
2. Variansi dari faktor 2 ( ξ2 ) atau hasil kuadrat dari korelasi indikator ke- i
dengan faktor 2 ( ξ
2 )
3. Variansi dari ξ1
dengan ξ2
dengan persamaan :
Var[ξ1ξ2 ] = 2λi1λi 2 E (ξ1ξ2 )
= 2λi1λi 2 Cor(ξ1ξ2 )
= 2λi1λi 2φ
Var[ξ1ξ2 ] = 2λi1λi 2φ (2.10)
17
i i
i1 1
4. Variansi dari unique factor (∈i ), yaitu :
Var (∈ ) = E (∈ 2 ) (2.11)
Korelasi antara setiap indikator xi dengan setiap faktor ξm , berlaku
persamaan : i = 1, 2, 3, ......, p dan m = 1, 2
E ( xiξm ) = E[(λi1ξ1 + λi 2ξ2 + ∈i )ξm ]
= E[λi1ξ1ξm + λi 2ξ2ξm + ξm ∈i ]
= E[λi1ξ1ξm ] + E[λi 2ξ2ξm ] + E[ξm ∈i ]
= λi1 E (ξ1ξm ) + λi 2 E (ξ2ξm ) + E (ξm ∈i )
= λi1 E (ξ1ξm ) + λi 2 E (ξ2ξm ) + 0
= λi1 E (ξ1ξm ) + λi 2 E (ξ2ξm )
Cor ( xiξm ) = λi1 E (ξ1ξm ) + λi 2 E (ξ2ξm ) (2.12)
Berdasarkan persamaan (2.12) maka berlaku untuk :
Jika m = 1, maka korelasi setiap indikator xi dengan faktor ξ1 , berlaku :
Cor ( xiξ1 ) = λi1 E[ξ1ξ1 ] + λi 2 E[ξ 2ξ1 ]
= λ E[ξ
2 ] + λ i 2 E[ξ 2ξ1 ]
= λi1 (1) + λi 2φ
= λi1 + λi 2 (0)
= λi1 + 0
= λi1
Cor ( xiξ1 ) = λi1 (2.13)
18
2
Jika m = 2 , maka korelasi setiap indikator xi dengan faktor ξ2 , berlaku :
C o r ( xiξ 2 ) = λi1 E[ξ1ξ 2 ] + λi 2 E[ξ 2ξ 2 ]
= λi1 E [ξ1ξ 2 ] + λ i 2 E [ξ 2 ]
= λi1φ + λi 2 (1)
= λi1 (0 ) + λi 2
= 0 + λi 2
= λi 2
Cor ( xiξ2 ) = 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 2ξ2 + ∈i )(λ j1ξ1 + λ j 2ξ 2 + ∈j )]
= E[λ λ ξ 2 + λ λ ξ ξ + λ ξ ∈ +λ λ ξ ξ + i1 j1 1 i1 j 2 1 2 i1 1 j i 2 j1 1 2
λ λ ξ 2 + λ ξ ∈ +λ ξ ∈ +λ ξ ∈ + ∈ ∈ ] i 2 j 2 2 i 2 2 j j1 1 i j 2 2 i i j
= E[λ λ ξ 2 ] + E[λ λ ξ ξ ] + E[λ ξ ∈ ] + E[λ λ ξ ξ ] +
i1 j1 1 i1 j 2 1 2 i1 1 j i 2 j1 1 2
E[λ λ ξ 2 ] + E[λ ξ ∈ ] + E[λ ξ ∈ ] + E[λ ξ ∈ ] + E[∈ ∈ ]
i 2 j 2 2 i 2 2 j j1 1 i j 2 2 i i j
= λ λ E(ξ 2 ) + λ λ E(ξ ξ ) + λ E(ξ ∈ ) + λ λ E (ξ ξ ) +
i1 j1 1 i1 j 2 1 2 i1 1 j i 2 j1 1 2
λ λ E (ξ 2 ) + λ E (ξ ∈ ) + λ E (ξ ∈ ) + λ E (ξ ∈ ) + E (∈ ∈ ) i 2 j 2 2 i 2 2 j j1 1 i j 2 2 i 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 2λ j1 (φ ) + λi 2λ j 2 + 0 + 0 + 0 + 0
= λi1λ j1 + λi1λ j 2 (φ ) + λi 2λ j1 (φ ) + λi 2 λ j 2
= λi1λ j1 + λi 2λ j 2 + (λi1λ j 2 + λi 2λ j1 )φ
= λi1λ j1 + λi 2λ j 2 + (λi1λ j 2 + λi 2λ j1 )(0)
= λi1λ j1 + λi 2λ j 2 + 0
= λ
i1λ
j1 + λ
i 2λ
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 2ξ2 + ... + λimξm + ∈i (2.17)
dengan : xi = 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 M O M
= M + M
M M O M M x
λ
L L λ ξm
mx1
p px1 p1 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[(Λξ +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[Λξξ '+ ξ 'ψ ]
= ΛE[ξξ '] + E[ξ 'ψ ]
= ΛΦ + [0]
= ΛΦ
A = ΛΦ (2.20)
dengan : 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 masing-
masing 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 X1 , 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 , x
2 , x
3 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 ( ξ2 ), sehingga jelas bahwa indikator-indikator x4 , x5 , x6
hanya akan memiliki korelasi dengan faktor 2 ( ξ2 ) saja.
Gambar 2.6 Model Exploratory
Berdasarkan Gambar 2.6 terdapat 6 buah indikator yang akan
diekstraksi menjadi 2 faktor, namun karena menggunakan model
exploratory maka semua indikator x1 , x
2 , x
3 , x
4 , x
5 , x
6 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 ξ2 adalah 0.698, maka x1
akan dimasukkan kedalam faktor ξ2 .
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 Undang-
Undang 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 faktor-
faktor 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 hal-
hal 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 indikator-
indikator 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, 51-
69, 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 :
X1 = 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
X10 = 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 X 1 X
2 X
3 X
4 X
5 X
6 X
7 X
8 X
9 X
10 X 11
1 72.75 67.5 65 68.75 70 67.25 72.5 66.25 68.75 73.75 65
2 72.5 67.5 65 67.5 73.75 65 92.5 67.5 62.5 65 77.5
3 77.5 92.25 82.25 88.25 82.5 87.25 82.25 77.5 78.75 77.5 93.75
. . . . . . . . . . . .
. . . . . . . . . . . .
50 81.25 72.5 81 71.5 85.25 70 70 80.25 85.5 76 85.25
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 H 0
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
X 2
0,119
X 3
0,200
X 4
0,079
X 5
0,075
X 6
0,200
X 7
0,200
X 8
0,200
X 9
0,200
X10
0,200
X11
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 X
2 X
3 X
4 X
5 X
6 X
7 X
8 X
9 X
10 X11
X1
X 2
X 3
X 4
X 5
X 6
X 7
X 8
X 9
X10
X11
1 0,589
0,670
0,466
0,073
0,605
0,002
0,435
0,692
0,669
0,464
1 0,739
0,512
0,064
0,693
0,003
0,521
0,665
0,630
0,609
1 0,324
0,315
0,523
-0,033
0,508
0,560
0,584
0,530
1 0,205
0,552
0,073
0,477
0,520
0,580
0,647
1 0,159
0,061
0,242
0,242
0,222
0,085
1 0,202
0,347
0,626
0,658
0,593
1 -0,002
-0,122
-0,038
-0,006
1
0,628
0,448
0,454
1
0,816
0,485
1
0,444
1
38
Berdasarkan Tabel 4.3, dapat terlihat X1 memiliki korelasi yang cukup
berarti dengan nilai korelasi berada 0.40 < kor ≤ 0.70 kecuali dengan X 5
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 faktor-
faktor 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
2
3
4
5
6
7
8
9
10
11
5.595
1.114
1.050
0.802
0.674
0.618
0.397
0.290
0.230
0.161
0.070
50.861
10.127
9.543
7.292
6.129
5.619
3.607
2.633
2.094
1.462
0.634
50.861
60.988
70.531
77.823
83.953
89.571
93.178
95.811
97.904
99.366
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 sebesar 5.595
×100% = 50.861 , 11
1.114 1.050 ×100% = 10.127 , dan ×100% = 9.543 . Nilai akumulasi
11 11
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 ξ
2 ξ
3
X1
X 2
X 3
X 4
X 5
X 6
X 7
X 8
X 9
X10
X11
0,793
0,843
0,781
0,713
0,273
0,798
0,017
0,677
0,858
0,837
0,729
-0,093
-0,039
-0,112
0,197
0,174
0,274
0,944
-0,079
-0,190
-0,083
0,078
-0,138
-0,188
0,147
-0,054
0,907
-0,188
-0,048
0,236
0,084
0,026
-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
X1 , X 2 , X 3 , X 4 , X 6 , X 8 , X 9 , X10 dan X11 , sehingga dapat disimpulkan bahwa
hubungan indikator-indikator tersebut dengan faktor 1 cukup kuat. Untuk ξ2
(faktor 2) diberi nama “dialogis pengajar” karena memiliki pattern loading
kuat dengan X 7 sebesar 0.944. Untuk ξ3 (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 faktor-
faktor 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
Responden X 1 X
2 X
3 X
4 X
5 X
6 X
7 X
8 X
9 X
10 X11
1 72.75 67.5 65 68.75 70 67.25 72.5 66.25 68.75 73.75 65
2 72.5 67.5 65 67.5 73.75 65 92.5 67.5 62.5 65 77.5
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 85 74.5 74.5 72.25 75.5 81.25 80 72.75 88.75
5 83.75 82.5 77.5 86 77.5 85 86.25 73.75 85 87.5 87.5
6 77.5 81 80 87.5 77.25 77.5 80 77 84.5 91.25 82.5
7 85.25 79.75 83.34 82.5 74.5 81.5 83.75 71 80.25 84.5 86
8 83.25 77.25 79.25 87.5 92.5 78 79 81.25 88.75 85.75 87.25
9 84.25 87.5 86 89.5 83 85 86.5 85.5 87.25 86.5 87
10 88.5 91.75 90.5 90.25 70 84.5 73.75 86.75 89.5 90.25 91
11 84.25 86 85 75 85.25 91.25 90.75 87.5 89.75 79 89.25
12 88.5 89.75 88.75 86.75 83.75 91.5 91.25 90.25 92 92.25 92
13 79.5 75 77.5 65 73.75 68.75 71.25 71.25 69 72.5 73.75
14 72.5 72.5 72.5 70 92.5 72.5 72.5 72.5 72.5 70 70
15 87 70 72.5 82.5 82.5 72 80 64.5 80.5 80 65
16 87.5 75 75 70 75.25 80 85 72.5 90 75 72.5
17 72.5 77.5 71.25 67.5 70 77.5 75 65 70 70 67.5
18 75 76.25 77.5 72.5 90 72.5 95 75 75 77.5 65
19 88.34 83 84 83 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 84 81.5 83 82.5 89.75 72.5 81 90 91.25 89.75
47
22 87.25 86.5 88.34 83.75 74.5 82 78.75 87.25 87 83.2 89.5
23 87 90 84.34 89.34 87.34 97.34 85.67 73.75 90 85 90
24 88.5 90 80.75 87.5 72.5 97.25 87 75 90 87 90
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 85 82.5 83 76.25 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 80 81.25 82.5 82.25 82.5 82.25 83.75
29 90 77.5 77.5 80 76.25 86.25 70 85 93.75 91.25 81.25
30 88.75 90 82.5 86.25 82.5 91.25 85 70.25 93.75 97.5 88.75
31 90 78.75 81.25 80 75 86.25 88.75 85 88.75 92.5 75.5
32 87.5 87.5 86.25 82.5 86.25 76.25 80 81.25 86.25 88.75 85
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 73.25 81.25 90 90 93.25
35 75.75 76.25 76.25 70.5 66.25 72.5 92.5 67 68.75 70 72
36 76.5 76.25 77.25 76.25 87.25 79.5 81.25 76 78.25 77.5 76
37 83.34 82.67 75 78.67 62.5 88.34 86 78.34 81.67 81 80.67
38 80.5 83.75 82.5 76.25 80 79.5 80 73.75 82.5 82 81
39 87.5 86.25 82.5 67.5 67.5 79.75 73.75 72.5 76.25 76.75 81.25
40 85 80 83.34 74.67 85 81.67 81.67 70 71.67 76.67 71.67
41 86.67 88.34 80 83.34 73.34 85 83.34 82.5 83.34 78.34 81.67
42 80 77.5 78.75 77.5 82.5 85 82.5 75 78.75 82.5 83.75
43 84.75 74 89.25 71.67 77.25 77.25 92.5 69 60.5 73.75 80
44 81.25 82.5 78.75 78 78.75 79.75 80 75 77.5 81.5 80
45 86.67 95 96.67 70 78.75 85 73.5 73.34 100 95 76.67
46 85 93.5 87.5 71 85 87 87.5 86.25 95 96.25 72.25
47 77.5 73.75 77.5 70 76.25 85 77.5 51 66.5 81.25 80
48 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 65 70 72.5 81.25
50 81.25 72.5 81 71.5 85.25 70 70 80.25 85.5 76 85.25
48
LAMPIRAN 2
49
N
50 50 50 50 50 50 50 50 50 50 50
Percent N
100.0% 0 100.0% 0 100.0% 0 100.0% 0 100.0% 0 100.0% 0 100.0% 0 100.0% 0 100.0% 0 100.0% 0 100.0% 0
Percent N
.0% 50
.0% 50
.0% 50
.0% 50
.0% 50
.0% 50
.0% 50
.0% 50
.0% 50
.0% 50
.0% 50
Percent
100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0%
Kolmogorov-Smirnov(a) Shapiro-Wilk
Statistic
.115
.114
.100
.118
.119
.100
.083
.085
.085
.076
df Sig.
50 .099 50 .119 50 .200(*) 50 .079 50 .075 50 .200(*) 50 .200(*) 50 .200(*) 50 .200(*) 50 .200(*)
Statistic df
.955 50
.981 50
.973 50
.961 50
.980 50
.980 50
.968 50
.966 50
.972 50
.986 50
Sig.
.055
.592
.308
.095
.545
.570
.186
.155
.287
.831
LAMPIRAN 3
Case Processing Summary
Cases
Valid Missing Total
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11
Tests of Normality
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10
50
V11 .122 50 .061 .951 50 .039
* This is a lower bound of the true significance. a Lilliefors Significance Correction
LAMPIRAN 4
51
LAMPIRAN 5
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of
Sampling Adequacy. .711
Bartlett's Test of Sphericity
Approx. Chi-
Square 326.646
df 55 Sig. .000
Communalities
Initial Extracti
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
R =
LAMPIRAN 8
KORELASI AWAL
n∑ X iY
i − ∑ X
i ∑Yi
∑ i ∑ i
∑ i ∑ i
n X 2 − ( X )
2 . n Y
2 − ( Y )2
Contoh korelasi X1 dan X2
DATA X1 DATA X2 X12
X22
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
R =
77.5 77.5 6006.25 6006.25 6006.25
87.5 77.25 7656.25 5967.563 6759.375
86.25 82.5 7439.063 6806.25 7115.625
90 77.5 8100 6006.25 6975
88.75 90 7876.563 8100 7987.5
90 78.75 8100 6201.563 7087.5
87.5 87.5 7656.25 7656.25 7656.25
90.5 91.25 8190.25 8326.563 8258.125
95 99 9025 9801 9405
75.75 76.25 5738.063 5814.063 5775.938
76.5 76.25 5852.25 5814.063 5833.125
83.34 82.67 6945.556 6834.329 6889.718
80.5 83.75 6480.25 7014.063 6741.875
87.5 86.25 7656.25 7439.063 7546.875
85 80 7225 6400 6800
86.67 88.34 7511.689 7803.956 7656.428
80 77.5 6400 6006.25 6200
84.75 74 7182.563 5476 6271.5
81.25 82.5 6601.563 6806.25 6703.125
86.67 95 7511.689 9025 8233.65
85 93.5 7225 8742.25 7947.5
77.5 73.75 6006.25 5439.063 5715.625
80 73.75 6400 5439.063 5900
73.75 72.5 5439.063 5256.25 5346.875
81.25 72.5 6601.563 5256.25 5890.625
4141.27 4085.01 344529.2 336458.9 339541.2
n∑ X iY
i − ∑ X
i ∑Yi
∑ i ∑ i
∑ i ∑ i
n X 2 − ( X )
2 . n Y
2 − ( Y )2
R = 50(339541.2) − (4141.27)(4085.01)
50(344529) − (4141.27)2 . 50(336458.9) − (4085.01)
2
R = 0.5889
56
Kolmogorov-Smirnov(a) Shapiro-W ilk
Statistic
.115
.114
.100
.118
.119
.100
.083
.085
.085
.076
.122
df Sig.
50 .099
50 .119
50 .200(*)
50 .079
50 .075
50 .200(*)
50 .200(*)
50 .200(*)
50 .200(*)
50 .200(*)
50 .061
Statistic df
.955 50
.981 50
.973 50
.961 50
.980 50
.980 50
.968 50
.966 50
.972 50
.986 50
.951 50
Sig.
.055
.592
.308
.095
.545
.570
.186
.155
.287
.831
.039
N Mean Std. Deviation V1 50 82.8254
V2 50 81.7002
V3 50 81.2606
V4 50 78.2938
V5 50 79.5470
V6 50 81.9070
V7 50 81.6504
V8 50 76.0372
V9 50 81.7520
V10 50 81.8476
V11 50 81.5104
5.58215
7.44062
6.86980
7.29223
7.21433
7.47556
6.64634
7.54870
8.85290
7.61986
7.65773
LAMPIRAN 9
Uji Kenormalan Data
Tests of Normality
V1
V2
V3
V4
V5
V6
V7
V8
V9
V10
V11
* This is a lower bound of the true signif icance.
a Lilliefors Signif icance Correction
Descriptive Statistics
57
mean std. dev
82.8254 5.58215
phi e
3.14159 2.71828
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
z
-1.804931792
-1.849717403
-0.954005177 1/simp*akar 2 phi pngkat e
-0.954005177
0.165635105 Y = 0.114045719 -8.15054E-29
-0.954005177
0.434348772 Y= stat 0.114045719
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
− 2
90 1.285275387
88.75 1.06134733
90 1.285275387
87.5 0.837419274
90.5 1.374846609
95 2.180987612
75.75 -1.267504456
76.5 -1.133147622
83.34 0.092186702
80.5 -0.416577842
87.5 0.837419274
85 0.389563161
86.67 0.688731044
80 -0.506149064
84.75 0.34477755
81.25 -0.282221008
86.67 0.688731044
85 0.389563161
77.5 -0.954005177
80 -0.506149064
73.75 -1.625789346
81.25 -0.282221008
Y = 1
e 2 π
1 ( X * ) 2
dimana X * =
X − X S
59
LAMPIRAN 10
EIGEN VALUE
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11
X1 1 0.589 0.67 0.466 0.073 0.605 0.002 0.435 0.692 0.669 0.464
X2 0.589 1 0.739 0.512 0.064 0.693 0.003 0.521 0.665 0.63 0.609
X3 0.67 0.739 1 0.324 0.315 0.523 -0.033 0.508 0.56 0.584 0.53
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
X7 0.002 0.003 -0.033 0.073 0.061 0.202 1 -0.002 -0.112 -0.038 -0.006
X8 0.435 0.521 0.508 0.477 0.242 0.347 -0.002 1 0.628 0.448 0.454
X9 0.692 0.665 0.56 0.52 0.242 0.626 -0.112 0.628 1 0.816 0.485
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
LAM DA 1
6
LAM DA 2
29
LAM DA 3
161
1 5.665 0.944167 29.07069 1.002438 161.049 1.000304
1 6.025 1.004167 28.93692 0.997825 170.546 1.059292
1 5.72 0.953333 27.93567 0.963299 158.4034 0.983872
1 5.356 0.892667 26.59334 0.917012 145.7098 0.90503
1 2.668 0.444667 11.52873 0.397542 57.18082 0.35516
1 5.958 0.993 29.09736 1.003357 162.4108 1.008763
1 1.15 0.191667 1.775526 0.061225 4.635456 0.028792
1 5.058 0.843 24.95444 0.860498 137.8984 0.856512
1 6.122 1.020333 31.33368 1.080472 174.5529 1.084179
1 6.013 1.002167 30.71534 1.05915 170.2779 1.057627
60
LAMDA 4 4*3 3^2 901.3364 145159.3 25936.77
958.6193 163488.7 29085.95
888.032 140667.3 25091.64
812.1721 118341.4 21231.34
311.7206 17824.44 3269.647
908.2644 147511.9 26377.26
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
1 5.305 0.884167 26.48566 0.913299 147.9966 0.919234
EIGEN (4*3)/3^2 5.593894
x%, Ax% 1294407 Nilai eigen ( λ 1) = = = 5.593894
x%, x% 231396.3
61
N Mean Std. Deviation V1
V2
V3
V4
V5
V6
V7
V8
V9
V10
V11
50
50
50
50
50
50
50
50
50
50
50
82.8254
81.7002
81.2606
78.2938
79.5470
81.9070
81.6504
76.0372
81.7520
81.8476
81.5104
5.58215
7.44062
6.86980
7.29223
7.21433
7.47556
6.64634
7.54870
8.85290
7.61986
7.65773
LAMPIRAN 11 MANUAL LOADING INDIKATOR
lij
wij
= λi
s j
ket : l i j
w i j
= loading indikator j dg faktor i
= eigen vector indikator j dg factor i
s j = Standar deviasi indikator j
λi
= eigen value faktor i
Descriptive Statistics
Eigen value
5.595
1.114
1.050
0.802
0.674
0.618
0.397
0.290
0.230
0.161
0.070
62