BAB II LANDASAN TEORI
C. Hasil penelitian
1. Analisis Deskriptif
Menurut Bruhlmann (2020), pengkategorian motivasi responden dilakukan dengan melihat nilai mean pada skor. Pada penelitian ini didapatkan bahwa Mean amotivation adalah 3.36, mean external motivation adalah 2.27, dan Intrinsic motivation adalah 5.70. Bruhlmann (2020) menjelaskan bahwa dikatakan
seseorang memiliki profil motivasi eksternal jika mean berada diatas amotivation dan dibawah motivasi intrinsik, dan dikatakan motivasi intrinsik jika skor mean diatas atau sama dengan mean motivasi intrinsik. Maka pada penelitian ini didapatkan profil mtovasi dengan 84 amotivation, 69 external motivation, dan 2 Intrinsic motivation.
2. Analisis Faktor Eksploratori a. KMO dan Bartlett’s test Tabel 4.3
KMO dan Bartlett’s test
Kaiser Meyer Olkin Measure of Sampling Adequacy 0.720
Sig, 0.000
KMO & Bartlett’s Test berguna untuk menggetahui kelayakan suatu variabel, apakah dapat di proses lebih lanjut menggunakan teknik analisis faktor ini atau tidak. Yaitu dengan cara melihat nilai KMO MSA. Jika nilai KMO MSA lebih besar dari 0.50 maka teknik analisis faktor dapat dilanjutkan. Berdasarkan hasil pada tabel diatas, diketahui nilai KMO MSA sebesar 0.720 > 0.50 dan nilai Bartlett’s Test of Spehricity (Sig) 0.000 < 0.05, maka dari hasil tersebut menunjukkan bahwa analisis faktor dalam penelitian ini dapat dilanjutkan.
b. Anti Image Matrices Tabel 4.4
Anti Image Matrices
Variabel Nilai MSA
Amotivation 0.548
External Regulation 0.733
Introjected Regulation 0.697
Identified Regulation 0.583
Integrated Regulation 0.785
Intrinsic motivation 0.408
Tabel Anti Image Matrices berguna untuk mengetahui dan menentukan variabel mana saja yang layak pakai dalam analisis faktor. Pada tabel diatas dijelaskan nilai MSA yaitu measure of sampling adequacy. Kriteria angka MSA (Measure of Sampling Adequacy) berkisar 0 sampai 1, dengan kriteria:
a. MSA = 1, variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel yang lain
b. MSA > 0.5, variabel masih bisa diprediksi dan bisa dianalisis lebih lanjut.
c. MSA < 0.5, variabel tidak bisa diprediksi dan tidak bisa dianalisis lebih lanjut, atau dikeluarkan dari variabel lainnya.
Dari hasil tabel diatas diketahui bahwa nilai MSA dari 5 variabel yang diteliti adalah > 0.50 kecuali 1 variabel yakni Intrinsic motivation yang hanya memiliki nilai MSA 0.048 < 0.05, yang artinya hanya 5 variabel masih bisa diprediksi dan bisa di analisis lebih lanjut sedangkan variable Intrinsic
motivational harus dibuang. Maka perhitungan ulang nilai MSA diperlukan dan didapatkanlah hasil pada table berikut
Tabel 4.5
Anti Image Matrices ke-2
Variabel Nilai MSA
Amotivation 0.661
External Regulation 0.724
Introjected Regulation 0.724
Identified Regulation 0.690
Integrated Regulation 0.750
Setelah melalukan perhitungan ulang diketahui bahwa nilai MSA untuk semua variabel yang diteliti adalah > 0,50, artinya semua variabel tersebut bisa diprediksi dan bisa di analisis lebih lanjut. Untuk itu persyaratan nya dalam analisis faktor ini dianggap terpenuhi.
c. Communalities Tabel 4.6
Communalities
Variabel Nilai Extraction
Amotivation 0.774
External Regulation 0.732
Introjected Regulation 0.738
Identified Regulation 0.732
Integrated Regulation 0.704
Tabel Communalities ini bertujuan untuk menunjukkan nilai variabel yang diteliti apakah mampu menjelaskan faktor atau tidak. Variabel dianggap mampu menjelaskan faktor jika nilai Extraction > 0,50 (Santoso, 2011). Berdasarkan penjelasan tersebut, diketahui bahwa seluruh variable pada table 6 memiliki nilai Extraction > 0,50 yang artinya mampu menjelaskan suatu faktor. Dengan ketentuan bahwa semakin besar nilai communalities sebuah variabel, berarti semakin erat hubunganya dengan variabel yang terbentuk (Santoso, 2011).
d. Total Variance Explained Tabel 4.7
Total Variance Explained
Variabel Total Initial Eigenvalues
Amotivation 2.494
External Regulation 1.187
Introjected Regulation 0.545
Identified Regulation 0.442
Integrated Regulation 0.333
Total Variance Explained menunjukkan nilai masing-masing variabel yang di analisis. Menurut Santoso (2016), Total Variance Explained menggambarkan banyaknya jumlah faktor yang terbentuk. Syarat untuk menentukan faktor yang terbentuk yaitu nilai eigenvalue nya harus berada > 1.
Jika nilai eigenvalue nya < 1 maka sudah tidak terdapat faktor yang terbentuk.
Ada dua analisis yang digunakan untuk menjelaskan suatu varian dalam analisis faktor, yaitu Initial Eigenvalues dan Extraction Sums of Squared Loandings.
Pada varian Initial Eigenvalues menunjukkan faktor yang terbentuk. Pada Extraction Sums of Squared Loandings menujukkan variasi atau banyaknya faktor yang dapat terbentuk, pada tabel 7 di atas ada 2 variasi faktor yang terbentuk dalam penelitian ini, yaitu 2.494 dan 1.187.
Berdasarkan tabel output Total Variance Explained pada bagian Initial Eigenvalues, maka ada 2 faktor yang dapat terbentuk dari 5 variabel yang di analisis. Dimana syarat untuk menjadi sebuah faktor, nilai Eigenvalue harus lebih besar dari 1. Pada tabel diatas, diketahui bahwa nilai Eigenvalue komponen 1 sebesar 2.494 > 1 maka mampu menjadi faktor 1 dan mampu menjelaskan 49.877% variasi. Nilai Eigenvalue komponen 2 sebesar 1.187 > 1 maka mampu menjadi faktor 2 dan mampu menjelaskan sekitar 23.733% variasi. Jika faktor 1 dan 2 dijumlahkan secara keseluruhan maka mampu menjelaskan 73.61% variasi.
Untuk variabel 3,4, dan 5 memiliki nilai Eigenvalue < 1, untuk itu tidak bisa dilanjutkan dan dianggap tidak bisa membentuk faktor.
e. Component Matrix
Tabel 4.8
Component Matrix
Component Matrix
Component
1 2
Amotivation 0.393 0.787
External Regulation 0.829 0.213
Introjected Regulation 0.844 0.159
Identified Regulation 0.588 -0.622
Integrated Regulation 0.771 -0.331
Component Matrix ini menunjukkan nilai korelasi atau hubungan antara masing-masing variabel dengan 2 faktor yang terbentuk serta menentukan item- item yang dominan pada setiap komponen tersebut. Seperti yang kita lihat pada tabel diatas :
1. Variabel amotivation memiliki korelasi dengan faktor 1 sebesar 0.393, dan korelasi dengan faktor 2 sebesar 0.787.
2. Variabel external regulation memiliki korelasi dengan faktor 1 sebesar 0.829, dan korelasi dengan faktor 2 sebesar 0.213.
3. Variabel introjected regulation memiliki korelasi dengan faktor 1 sebesar 0.844, dan korelasi dengan faktor 2 sebesar 0.159.
4. Variabel identified regulation memiliki korelasi dengan faktor 1 sebesar 0.588, dan korelasi dengan faktor 2 sebesar -0.622.
5. Variabel integrated regulation memiliki korelasi dengan faktor 1 sebesar 0.771, dan korelasi dengan faktor 2 sebesar -0.331.
f. Rotated Component Matrix Tabel 4.9
Rotated Component Matrix
Rotated Component Matrix Component
1 2
Amotivation -0.205 0.856
External Regulation 0.498 0.696
Introjected Regulation 0.544 0.664
Identified Regulation 0.850 -0.099
Integrated Regulation 0.803 0.242
Untuk memastikan suatu variabel dalam analisis faktor masuk kedalam kelompok faktor mana, dapat ditentukan dengan melihat nilai korelasi terbesar dengan faktor (komponen) yang terbentuk. Hasil yang didapat dari tabel diatas adalah :
1. Variabel yang masuk ke dalam faktor 1 adalah: Identified Regulation dan Integrated Regulation
2. Variabel yang masuk ke dalam factor 2 adalah: Amotivation, External Regulation, dan Introjected Regulation
Dengan melihat pembahasan diatas maka kesimpulan yang dapat diambil dalam analisis faktor ini adalah sebagai berikut :
Tabel 4.10
Ringkasan Hasil Analisis Faktor Eksploratori
Faktor Variabel
1 Identified Regulation dan Integrated Regulation 2 Amotivation, External Regulation, dan Introjected Regulation
g. Component Transformation Matrix Tabel 4.11
Component Transformation Matrix
Component 1 2
1 0.766 0.643
2 -0.643 0.766
Component Transformation Matrix menunjukkan bahwa pada komponen 1 nilai korelasinya adalah sebesar 0,766 > 0.5. Pada komponen 2 nilai korelasinya sebesar 0.766 > 0,5. Suatu faktor dikatakan mampu merangkum keseluruhan
variabel yang di analisis ketika memiliki nilai korelasi > 0,5. Dapat disimpulkan bahwa faktor 1 dan 2 mampu bekerja dengan tepat untuk merangkum variabel yang di analisis.