BAB V PEMBAHASAN
5.1 Analisis Uji Kelayakan
5.1.1. Analisis Uji Kelayakan I
a. Pada uji kelayakan I angka KMO (Kaiser-Meyer-Olkin) Measure of Sampling Adequacy (MSA) adalah 0.693, oleh karena angka KMO di atas 0.5, menunjukkan kecukupan sampling telah memadai maka kumpulan variabel dapat diproses lebih lanjut.
b. Pada tabel 4.1 Anti Image Matrices I terlihat sejumlah angka yang membentuk diagonal (dari kiri atas kekanan bawah) yang menandakan besaran KMO variabel. Ada 5 variabel yang mempunyai nilai KMO MSA di bawah 0.5 yaitu pendidikan petugas (0.459), lama kerja (0.376), pelatihan (0.491), waktu pelayanan (0.427) dan stok vaksin (0.447). Dari ke 5 variabel
tersebut, variabel yang mempunyai KMO MSA terkecil adalah variabel
lama kerja (0.376). Maka variabel lama kerja dikeluarkan dari pemilihan
5.1.2. Analisis Uji Kelayakan II
a. Pada uji kelayakan II angka KMO Measure of Sampling Adequacy (MSA) adalah 0.723, oleh karena angka KMO di atas 0.5, menunjukkan kecukupan sampling telah memadai maka kumpulan variabel dapat diproses lebih lanjut. b. Pada tabel 4.2 Anti Image Matrices II terlihat sejumlah angka yang
membentuk diagonal (dari kiri atas kekanan bawah) yang menandakan besaran KMO variabel. Ada 4 variabel yang mempunyai nilai KMO MSA di bawah 0.5 yaitu pendidikan petugas (0.483), pelatihan (0.487), waktu pelayanan (0.463) dan stok vaksin (0.430). Dari ke 4 variabel tersebut,
variabel yang mempunyai KMO MSA terkecil adalah variabel stok vaksin
(0.430). Maka variabel stok vaksin dikeluarkan dari pemilihan variabel dan
variabel yang tersisa menjadi 15 variabel. 5.1.3. Analisis Uji Kelayakan III
a. Pada uji kelayakan III angka KMO Measure of Sampling Adequacy (MSA) adalah 0.739, oleh karena angka KMO di atas 0.5, menunjukkan kecukupan sampling telah memadai maka kumpulan variabel dapat diproses lebih lanjut. b. Pada tabel 4.3 Anti Image Matrices III terlihat sejumlah angka yang
membentuk diagonal (dari kiri atas kekanan bawah) yang menandakan besaran KMO variabel. Ada 3 variabel yang mempunyai nilai KMO MSA di bawah 0.5 yaitu pendidikan petugas (0.488), pelatihan (0.493) dan waktu pelayanan (0.481). Dari ke 3 variabel tersebut, variabel yang mempunyai
variabel waktu pelayanan dikeluarkan dari pemilihan variabel dan variabel yang tersisa menjadi 14 variabel.
5.1.4. Analisis Uji Kelayakan IV
a. Pada uji kelayakan IV angka KMO Measure of Sampling Adequacy (MSA) adalah 0.745, oleh karena angka KMO di atas 0.5, menunjukkan kecukupan sampling telah memadai maka kumpulan variabel dapat diproses lebih lanjut. b. Pada tabel 4.4 Anti Image Matrices IV terlihat sejumlah angka yang
membentuk diagonal (dari kiri atas kekanan bawah) yang menandakan besaran KMO variabel. Ada 2 variabel yang mempunyai nilai KMO MSA di bawah 0.5 yaitu variabel pendidikan petugas (0.472) dan pelatihan (0.497). Dari ke 2 variabel tersebut, variabel yang mempunyai KMO MSA terkecil
adalah variabel pendidikan petugas (0.472). Maka variabel pendidikan
petugas dikeluarkan dari pemilihan variabel dan variabel yang tersisa menjadi 13 variabel.
5.1.5. Analisis Uji Kelayakan V
a. Pada uji kelayakan V angka KMO Measure of Sampling Adequacy (MSA) adalah 0.767, oleh karena angka KMO di atas 0.5, menunjukkan kecukupan sampling telah memadai maka kumpulan variabel dapat diproses lebih lanjut. b. Pada tabel 4.5 Anti Image Matrices V terlihat sejumlah angka yang
membentuk diagonal (dari kiri atas kekanan bawah) yang menandakan besaran KMO variabel. Ada 1 variabel yang mempunyai nilai KMO MSA di
dikeluarkan dari pemilihan variabel dan variabel yang tersisa menjadi 12 variabel.
5.1.6. Analisis Uji Kelayakan VI
a. Pada uji kelayakan VI angka KMO Measure of Sampling Adequacy (MSA) adalah 0.785, oleh karena angka KMO di atas 0.5, menunjukkan kecukupan sampling telah memadai maka kumpulan variabel dapat diproses lebih lanjut. b. Pada tabel 4.6 Anti Image Matrices VI terlihat sejumlah angka yang
membentuk diagonal (dari kiri atas kekanan bawah) yang menandakan besaran KMO variabel, dan tidak ada variabel yang mempunyai nilai KMO MSA di bawah 0.5. Maka kedua belas variabel dapat dilakukan analisis faktor.
Dari 17 variabel mula-mula yang dianalisis dengan enam kali uji kelayakan variabel, terseleksi 12 variabel yang memenuhi syarat untuk analisis faktor yaitu pengetahuan petugas, jumlah petugas pelaksana, pelatihan, pengelolaan rantai vaksin, peralatan rantai vaksin, peralatan suntik, kerjasama lintas program, kerjasama lintas sektoral, pencatatan dan pelaporan, PWS (Pemantauan Wilayah Setempat), pengetahuan ibu hamil dan kendaraan operasional.
5.2. Analisis Faktor (Faktoring, Ekstraksi dan Rotasi)
Analisis :
1. Communalities
Communalities pada dasarnya adalah jumlah varians (bisa dalam persentase) dari suatu variabel mula-mula yang bisa dijelaskan oleh faktor yang ada, lihat pada tabel 4.7 adalah sebagai berikut :
a. Variabel pengetahuan petugas, angkanya 0.703. Hal ini berarti sekitar 70.3% varians dari variabel pengetahuan petugas dapat dijelaskan oleh faktor yang terbentuk.
b. Variabel jumlah petugas pelaksana, angkanya 0.691. Hal ini berarti sekitar 69.1% varians dari variabel jumlah petugas pelaksana dapat dijelaskan oleh faktor yang terbentuk.
c. Variabel pelatihan, angkanya 0.701. Hal ini berarti sekitar 70.1% varians dari variabel pelatihan dapat dijelaskan oleh faktor yang terbentuk.
d. Variabel pegelolaan rantai vaksin, angkanya 0.557. Hal ini berarti sekitar 55.7% varians dari variabel pengelolaan rantai vaksin dapat dijelaskan oleh faktor yang terbentuk.
e. Variabel peralatan rantai vaksin, angkanya 0.545. Hal ini berarti sekitar 54.5% varians dari variabel peralatan rantai vaksin dapat dijelaskan oleh faktor yang terbentuk.
f. Variabel peralatan suntik, angkanya 0.525. Hal ini berarti sekitar 52.5% varians dari variabel peralatan suntik dapat dijelaskan oleh faktor yang terbentuk.
g. Variabel kerjasama lintas program, angkanya 0.622. Hal ini berarti sekitar 62.2% varians dari variabel kerjasama lintas program dapat dijelaskan oleh faktor yang terbentuk.
h. Variabel kerjasama lintas sektoral, angkanya 0.457. Hal ini berarti sekitar 45.7% varians dari variabel kerjasama lintas sektoral dapat dijelaskan oleh faktor yang terbentuk.
i. Variabel pencatatan dan pelaporan, angkanya 0.558. Hal ini berarti sekitar 55.8% varians dari variabel pencatatan dan pelaporan dapat dijelaskan oleh faktor yang terbentuk.
j. Variabel pemantauan wilayah setempat (PWS), angkanya 0.451. Hal ini berarti sekitar 45.1% varians dari variabel pemantauan wilayah setempat (PWS) dapat dijelaskan oleh faktor yang terbentuk.
k. Variabel pengetahuan ibu hamil, angkanya 0.532. Hal ini berarti sekitar 53.2% varians dari variabel pengetahuan ibu hamil dapat dijelaskan oleh faktor yang terbentuk.
l. Variabel kendaraan operasional, angkanya 0.432. Hal ini berarti sekitar 43.2% varians dari variabel kendaraan operasional dapat dijelaskan oleh faktor yang terbentuk.
2. Total Variance Explained
Ada 12 variabel yang dimasukkan dalam analisis faktor, yaitu pengetahuan petugas, jumlah petugas pelaksana, pelatihan, pengelolaan rantai vaksin, peralatan rantai vaksin, peralatan suntik, kerjasama lintas program, kerjasama lintas sektoral, pencatatan dan pelaporan, pemantauan wilayah setempat (PWS), pengetahuan ibu hamil dan kendaraan operasional.
Dengan masing-masing variabel mempunyai varians 1, maka total varians adalah 12 x 1 = 12. Jika kedua belas variabel diringkas menjadi satu faktor, maka varians yang bisa dijelaskan oleh satu faktor tersebut adalah (lihat component 1 tabel 4.8) :
4.382/12 x 100% = 36.52%
Jika 12 variabel diekstrak menjadi 2 faktor, maka : - Varians faktor pertama adalah 36.52%
- Varians faktor kedua adalah 1.327/12 x 100% = 11.06%.
Total kedua faktor akan dapat menjelaskan 36.52% + 11.06%, atau 47.58% dari variabilitas kedua belas variabel asli tersebut.
Sedangkan eigenvalues menunjukkan kepentingan relatif masing-masing faktor dalam menghitung varians kedua belas variabel yang dianalisis.
- Jumlah angka eigenvalues untuk kedua belas variabel adalah sama dengan total varians kedua belas variabel, atau 4.382 + 1.327 +1.066 + 0.905 + 0.827 + 0.810 + 0.731 + 0.603 + 0.447 + 0.364 + 0.292 + 0.245 = 12.
- Susunan eigenvalues selalu diurutkan dari yang terbesar sampai terkecil, dengan kriteria bahwa angka eigenvalues di bawah 1 tidak digunakan dalam menghitung jumlah faktor yang terbentuk.
Dari tabel 4.8 terlihat bahwa hanya 3 faktor yang terbentuk, karena dengan satu faktor angka eigenvalues di atas 1, dengan dua faktor angka eigenvalues masih di atas 1. Dengan tiga faktor angka eigenvalues juga masih di atas 1, yakni 1.066. Namun untuk empat faktor angka eigenvalues sudah di bawah 1, yakni 0.905 sehingga proses factoring seharusnya berhenti pada 3 faktor saja.
3. Scree Plot
Jika tabel Total Variance menjelaskan dasar jumlah faktor yang didapat dengan perhitungan angka, maka Scree Plot (Gambar 4.1) menunjukkan dengan
grafik. Terlihat bahwa dari satu kedua faktor (garis dari sumbu Component Number = 1 ke 2), arah garis menurun dengan cukup tajam. Kemudian dari angka 2 ke 3, garis masih menurun. Demikian pula dari angka 3 ke 4, garis juga masih menurun namun kini dengan slope yang lebih kecil. Juga perhatikan faktor 4 sudah di bawah angka 1 dari sumbu Y (eigenvalues). Hal ini menunjukkan bahwa tiga faktor adalah paling bagus untuk meringkas kedua belas variabel tersebut.
4. Component Matrix
Tabel Component Matrix (Tabel 4.9) menunjukkan distribusi kedua belas variabel pada tiga faktor yang terbentuk. Sedangkan angka-angka yang ada pada tabel
adalah faktor loadings, yang menunjukkan korelasi antara suatu variabel dengan
faktor 1, faktor 2 atau faktor 3. Proses penentuan variabel mana akan masuk ke faktor yang mana dilakukan dengan melakukan perbandingan besar korelasi pada setiap baris.
Pada variabel pengelolaan rantai vaksin :
- Korelasi antara variabel pengelolaan rantai vaksin dengan faktor 1 adalah +0.715 (kuat karena di atas 0.5).
- Korelasi antara variabel pengelolaan rantai vaksin dengan faktor 2 adalah -0.208 (lemah karena di bawah 0.5).
- Korelasi antara variabel pengelolaan rantai vaksin dengan faktor 3 adalah -0.057 (lemah karena di bawah 0.5).
Oleh karena angka faktor loading terbesar ada pada Component nomor 1, maka variabel pengelolaan rantai vaksin bisa dimasukkan sebagai komponen faktor 1.
Pada variabel pelatihan :
- Korelasi antara variabel pelatihan dengan faktor 1 adalah +0.210 (lemah karena di bawah 0.5).
- Korelasi antara variabel pelatihan dengan faktor 2 adalah +0.552 (cukup kuat karena di atas 0.5).
- Korelasi antara variabel pelatihan dengan faktor 3 adalah +0.594 (cukup kuat karena di atas 0.5).
Oleh karena masih ada variabel (seperti variabel pelatihan) yang belum jelas akan dimasukkan ke dalam faktor 2 atau faktor 3, maka perlu dilakukan proses rotasi (rotation) agar semakin jelas perbedaan sebuah variabel akan dimasukkan ke dalam faktor 1,2 atau 3.
5. Rotated Component Matrix
Pada tabel 4.10 Component Matrix hasil dari proses rotasi (Rotated Component Matrix) memperlihatkan distribusi variabel yang lebih jelas dan nyata dimana faktor loadings yang dulunya kecil semakin diperkecil dan faktor loading yang besar semakin diperbesar.
1. Variabel pengetahuan petugas, korelasi antara variabel pengetahuan petugas dengan faktor 2 yang sebelum rotasi adalah 0.554 (cukup kuat) dengan rotasi diperkuat menjadi 0.802 (kuat). Sebaliknya, korelasi variabel pengetahuan petugas dengan faktor 3 sebelum rotasi adalah -0.387 (lemah) dengan rotasi diperkecil menjadi 0.124 (lemah). Dengan demikian bisa dikatakan variabel
2. Variabel jumlah petugas pelaksana, variabel ini masuk faktor 2, karena faktor
loading dengan faktor 2 paling besar (0.825).
3. Variabel pelatihan, variabel ini masuk faktor 3, karena faktor loading dengan
faktor 3 paling besar (0.830).
4. Variabel pengelolaan rantai vaksin, variabel ini masuk faktor 1, karena faktor
loading dengan faktor 1 paling besar (0.735).
5. Variabel peralatan rantai vaksin, variabel ini masuk faktor 1, karena faktor
loading dengan faktor 1 paling besar (0.693).
6. Variabel peralatan suntik, variabel ini masuk faktor 1, karena actor loading
dengan faktor 1 paling besar (0.693).
7. Variabel kerjasama lintas program, variabel ini masuk faktor 1, karena faktor
loading dengan faktor 1 paling besar (0.779).
8. Variabel kerjasama lintas sektoral, variabel ini masuk faktor 1, karena faktor
loading dengan faktor 1 paling besar (0.672).
9. Variabel pencatatan dan pelaporan, variabel ini masuk faktor 1, karena faktor
loading dengan faktor 1 paling besar (0.676).
10. Variabel pemantauan wilayah setempat (PWS), variabel ini masuk faktor 1,
karena faktor loading dengan faktor 1 paling besar (0.587).
11.Variabel pengetahuan ibu hamil, variabel ini masuk faktor 3, karena
faktorloading dengan faktor 3 paling besar (0.679).
12. Variabel kendaraan operasional, variabel ini masuk faktor 1, karena faktor
Dengan demikian, kedua belas variabel telah direduksi menjadi 3 faktor, yaitu :
- Faktor 1 terdiri dari variabel pengelolaan rantai vaksin, peralatan rantai vaksin, peralatan suntik, kerjasama lintas program, kerjasama lintas sektoral, pencatatan dan pelaporan, PWS dan kendaraan operasional.
- Faktor 2 terdiri dari variabel pengetahuan petugas dan jumlah petugas pelaksana.
- Faktor 3 terdiri dari variabel pelatihan petugas dan pengetahuan ibu hamil.
6. Component Transformation Matrix
Pada tabel 4.11 terlihat angka-angka yang ada pada diagonal, antara component 1 dengan 1, component 2 dengan 2 dan component 3 dengan 3. Terlihat ke 3 angka jauh di atas 0.5 (0.905, 0.716, 0.794). Hal ini membuktikan ketiga faktor (component) yang terbentuk sudah tepat, karena mempunyai korelasi yang tinggi.