BAB 2
LANDASAN TEORI
2.1 Gambaran Umum RS Umum Padang Sidempuan
Rumah Sakit Umum Padang Sidempuan beralamat di Jl. Dr.F.L TobingPd Sidempuan. RSU Padang Sidempuan adalah rumah sakit negeri kelas B. Rumah sakit ini juga menampung rujukan dari rumah sakit ini juga menampung pelayanan rujukan dari rumah sakit kabupaten. RSU ini termasuk RSU besar dimana tempat ini tersedia 225 tempat tidur inap, lebih banyak dibanding setiap rumah sakit di Sumatera Utara yang tersedia rata-rata 80 tempat tidur inap.
Jumlah dokter yang tersedia disini sedikit dengan 31 dokter, rumah sakit ini tersedia lebih sedikit dibanding rata-rata rumah sakit di Sumatera Utara. Pelayanan inap termasuk kelas tinggi dimana 25 dari 225 tempat tidur dirumah sakit ini berkelas VIP ke atas. Jumlah dokter sedikit RSU Padang Sidempuan tersedia 31 dokter, sama dengan rumah sakit tipikal di Sumatera Utara, tetapi 2 lebih banyak daripada rumah sakit tipikal di Sumatera.
Sebagian besar dokter umum dari 31 dokter di rumah sakit ini, 14 adalah dokter umum. Dibandingkan dengan rata-rata rumah sakit diwilayah ini:
5 lebih banyak daripada rumah sakit tipikal di Sumatera Utara 4 lebih banyak daripada rumah sakit tipikal di Sumatera
2.2. Populasi dan Sampel 2.2.1 Populasi
Populasi yang digunakan dalam penelitian ini adalah pasien RS Umum Padang Sidempuan.
2.2.2. Sampel
Sampel adalah bagian dari jumlah dan karakteristik yang dimiliki oleh populasi( Sugiono, 2011: 11). Pada penelitian ini, peneliti mengambil sampel diwilayah RS Umum Padang Sidempuan. Teknik pengambilan sampel menggunakan rumus Slovin (Umar, 2003 : 120), yaitu:
n =
1+( . 2)
dimana :
n = jumlah elemen/anggota sampel N = jumlah elemen/anggota populasi
e = error level (tingkat kesalahan) (catatan : umumnya digunakan 1% atau 0,01, 5% atau 0,05, dan 10% atau 0,1) catatan dapat
dipilih oleh peneliti.
Pemilihan sampel dilakukan dengan metode simple random sampling. Menurut Sugiyono(2011 : 64) metode simple random sampling adalah pengambilan anggota sampel dari populasi yang dilakukan secara acak tanpa memperhatikan strata yang ada dalam populasi itu.
2.3 Variabel Penelitian
2.4 Jenis Sumber Data
Data merupakan komponen utama dalam statistika. Data adalah bahan baku yang jika diolah melalui berbagai analisis dapat melahirkan informasi, dimana dengan informasi tersebut dapat diambil suatu keputusan. Jenis dan sumber data pada penelitian ini adalah sebagai berikut:
1. Data primer, yaitu data yang diperoleh secara langsung dari pengamatan di RS Umum Padang Sidempuan. Kuesioner diberikan pada responden yang merupakan pasien dari RS Umum Padang Sidempuan.
2. Data sekunder, yaitu data yang diperoleh melalui studi dokumnetasi, baik dari buku, jurnal majalah dan situs internet yang mendukung penelitian ini.
2.5 Skala Pengukuran
Skala pengukuran suatu prosedur pemberian angka atau simbol lain kepada sejumlah ciri suatu objek agar dapat menyatakan karakteristik angka pada ciri tersebut. Skala pengukuran oleh S.S Steven (1976) dibagi atas 4 bagian:
a. Skala Nominal
Skala nominal adalah skala pengukuran yang paling sederhana yang dilambangkan dengan kata-kata, huruf, simbol atau bilangan. Skala ini digunakan untuk mengklasifikasikan objek-objek atau kejadian-kejadian kedalam kelompok (kategori) yang terpisahuntuk menunjukan kesaman atau perbedaan ciri-ciri tertentu dari objek yang diamati. Pada skala nominal hasil pengukurannya bisa dibedakan tetapi tidak bisa diurutkan mana yang lebih tinggi, mana yang lebih rendah dan mana yang lebih di kesampingkan. Skala nominal merupakan skala yang paling rendah atau jenis pengukurannya terbatas.
Contoh: Jenis kelamin, 1= pria; 2 = wanita. b. Skala Ordinal
sehingga dari kelompok terbentuk dapat dibuat peringkat yang menyatakan hubungan lebih dari atau kurang dari menurut aturan penataan tertentu.
c. Skala Interval
Skala interval adalah skala pengukuran yang mengelompokkan objek-objek ke dalam kelas-kelas yang mempunyai urutan dan perbedaan dalam jarak yang sama. Misalnya, suhu tertinggi pada bulan Maret dikota A, Kota B dan Kota C, berturut-turut adalah 20,23,16 derajat celcius. Kita dapat membedakan dan mengurutkan besarnya suhu di kota tersebut, sebab 1 derajat celcius menyatakan satu unti pengukuran yang tetap.
d. Skala Rasio (Nisbah)
Skala rasio adalah skala yang mempunyai 4 ciri, yaitu membedakan, mengurutkan, jarak yang sama, dan mempunyai titik nol tulen ( titik nol yang berarti) sehingga dapat menghitung rasio atau perbandingan antar nilai. Semua ciri skala interval menjadi ciri skala rasio, perbedaan antar nilai-nilai diketahui dan bernilai tetap, kategori-kategori nilai juga bersifat lepas. Hanya saja skala rasio mempunyai titik nol yang berarti dan rasio(perbandingan) antar dua nilai juga berarti.
Misalnya, Pak Anto mempunyai uang nol rupiah, artinya Pak Anto tidak mempunyai uang.
2.6 Skala untuk Instrumen( Model Skala Sikap)
Bentuk-bentuk skala sikap yang sering digunakan dalam penelitian ada 5 macam, yaitu:
a. Skala Likert
yang berupa pertanyaan yang perlu dijawab responden. Setiap jawaban dilengkapi dengankata-kata, misalnya:
Sangat setuju = 5
Setuju = 4
Ragu-ragu/ Tidak tahu = 3
Tidak Setuju = 2
Sangat Tidak Setuju = 1 b. Skala Gutman
Skala Gutman mengukur suatu dimensi saja dari suatu variabel multidimensi. Skala Gutman adalah skala yang digunakan untuk jawaban yang bersifat jelas (tegas) dan konsisten.
Contoh : yakin – tidak yakin, benar – salah, setuju – tidak setuju, dan sebagainya.
c. Skala Diferensial Semantik
Berisikan serangkaian bipolar (dua kutub). Responden diminta untuk menilai suatu objek atau konsep pada suatu skala yang mempunyai 2 ajektif yang bertentangan. Misalnya: panas-dingin, populer-tidak populer, bagus-buruk, dan sebagainya.
d. Rating Scale
Rating scale yaitu data mentah yang didapat berupa angka kemudian ditafsirkan dalam pengertian kualitatif.
Misalnya: ketat-longgar, lemah-kuat, positif-negatif e. Skala Thurstone
Meminta responden untuk memilih jawaban yang ia setujui dari beberapa pertanyaan yang menyajikan pandangan-pandangan berbeda-beda. Pada umumnya asosiasi antara 1 sampai 9 tetapi nilai tidka diketahui oleh responden.
2.7Metode Pengumpulan Data
penelitian. Pengumpulan data penelitian dapat dilakukan berdasarkan cara-cara tertentu. Adapun metode pengumpulan data yang diunakan secara-cara umum adalah:
a. Metode dokumentasi
Adalah mencari data mengenai hal-hal atau variabel yang berupa catatan, transkip, buku, surat kabar, majalah, prasasti, notulen rapat, agenda dan sebagainya. Metode dokumnetasi dalam penelitian ini digunakan untuk mengumpulkan data tentang pasien RS Umum Padang Sidempuan.
b. Metode Angket (kuesioner)
Adalah pertayaan tertulis yang digunakan untuk memperoleh informasi dari responden dalam arti laporan tentang pribadinya atau hal-hal yang ia ketahui. Metode ini digunakan untuk mencari tahu atau mengenal faktor strategi campuran pemasaran yang mepengaruhi keputusan pasien dalam kepuasan di RS Umum Padang Sidempuan. Untuk mengetahui distribusi frekuensi masing-masing variabel yang pengumpulan datanya menggunakan angket (kuesioner), setiap indikator dari data yang dikumpulkan terlebih dahulu diklasifikasikan dan diberi skor atau nilai yaitu:
Skor 5 jika jawaban responden sangat setuju Skor 4 jika jawaban responden setuju
Skor 3 jika jawaban responden ragu-ragu/ tidak tahu Skor 2 jika jawaban responden tidak setuju
Skor 1 jika jawaban responden sangat tidak setuju 3. Wawancara
2.8 Uji Dalam Pengolahan Data 2.8.1 Uji Validitas
Validitas menunjukkan sejauh mana ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya. Suatu test atau instrumen pengukur dapat dikatakan mempunyai validitas yang tinggi apabila alat ukur tersebut menjalankan fungsi ukurnya, atau memberikan hasil ukur yang sesuai dengan maksud dilakukannya pengukuran tersebut. Metode yang digunakan untuk menguji validitas adalah dengan korelasi Product
moment yang rumusnya sebagai berikut:
= ( )−( . ) 2−( )²} { 2−( )²
Keterangan:
= koefisien korelasi X = skor variabel Y= skor total N = Jumlah sampel
Untuk menentukan valid tidaknya variabel adalah dengan cara mengkonsultasikan hasil perhitungan koefisien korelasi dengan tabel nilai koefisien (r) pada taraf kepercayaan 95%.
Apabila ≥ →
Apabila < → (Ade fatma, 2007)
2.8.2 Uji Realibilitas
Cronbach > 0,60 (Ade Fatma, 2007). Nilai Alpha Cronbach diperoleh dengan menggunakan rumus sebagai berikut:
=
−1 1−
�2 �2
Keterangan:
r = nilai (koefisien) Alpha Cronbach
k = banyaknya variabel penelitian
�2 = jumlah varians variabel penelitian �2 = varians total
2.9 Analisis Faktor
2.9.1 Pengertian Analisis Faktor
Analisis faktor adalah sebuah analisa yang mensyaratkan adanya keterkaitan antar variabel. Pada prinsipnya analisis faktor menyederhanakan hubungan yang beragam dan kompleks pada variabel yang diamati dengan menyatukan faktor atau dimensi yang saling berhubungan atau mempunyai korelasi pada suatu struktur data yang baru yang mempunyai set faktor lebih kecil. Data-data yang dimasukkan pada umumnya data metrik dan terdiri dari variabel-variabel dengan jumlah besar.
Analisis faktor dapat digunakan di dalam situasi sebagai berikut:
1. Mengenali atau mengidentifikasi dimenesi yang mendasari (underlying
dimensions) atau faktor, yang menjelaskan korelasi antara suatu set
variabel.
multivariate selanjutnya. Misalnya analisis regresi berganda dan analisis diskriminan.
3. Mengenali atau mengidentifikasi suatu set variabel yang penting dari suatu set variabel yang lebih banyak jumlahnya untuk dipergunakan di dalam analisi multivariate selanjutnya.
2.9.2 Model Analisis Faktor
Secara matematis, analisis faktor hampir sama dengan analisis regresi. Yaitu dalam bentuk fungsi linear. Jumlah varians yang dikotribusi dari sebuah variabel dengan seluruh variabel lainnya lbih dikelompokkan sebagai komunitas. Kovarians diantara variabel dijelaskan terbatas dalam sejumlah komponen kecil ditambah sebuha faktor unnik untuk setiap variabel. Faktor-faktor tersebut tidak secara eksplisit diamati. Jika variabel distandarisasi, maka model analisis faktor dapat ditulis sebagai berikut:
= 1�1+ 2�2+ 3�2+⋯+ � +⋯+ � +
Dimana :
= Variabel ke i yang dibakukan
= Koefisien regresi yang dibakukan untuk variabel i pada komponen faktor j
� = Komponen faktor ke j
= Koefisien regresi yang dibakukan untuk variabel ke-i pada faktor yang unik ke-i
µ = Faktor unik variabel ke-i M = Banyaknya komponen faktor
dinyatakan sebagai kombinasi linier dari variabel-variabel yang terlihat/ terobservasi hasil penelitian lapangan.
� = 1 1+ 2 2+ 3 3+⋯+
Dimana :
� = Perkiraan faktor ke i (didasarkan pada nilai variabel ) = Koefisien nilai faktor ke i
= Banyaknya variabel
2.9.3 Statistik yang Berkaitan Dengan Analisis Faktor Statistik yang berkaitan dengan faktor adalah :
a. Barlett’s test of sphericity
Barlett’s test of sphericity adalah uji statistik yang digunakan untuk menguji hipotesis yang mengatakan bahwa variabel-variabel tersebut tidak berkorelasi dalam populasinya. Dengan kata lain, matriks korelasi populasi adalah sebuah matriks identitas, dimana setiap variabel berkorelasi dengan variabel itu sendiri. (r=1), tetapi tidak berkorelasi dengan variabel lainnya (r=0).
Statistik uji barlett adalah sebagai berikut :
2 = − −1 − 2 +5
6 1 | |
Dengan derajat kebebasan (degree of freedom) df = = ( −1)/2 Keterangan :
= jumlah observasi = jumlah variabel
b. Correlation matrix (Matriks Korelasi)
Matriks korelasi adalah matriks yang menunjukan korelasi sederhana (r) antara seleruh kemungkinan pasangan variabel yang dilibatkan dalam analisis. Nilai atau seluruh kemungkinan pasangan variabel yang dilibatkan dalam analisis. Nilai atau angka pada diagonal utama semuanya sama yaitu 1. Jadi kalau ada 3 atau 4 variabel, bentuk matriks korelasi menjadi :
n = 3 → 121 121 1323
31 32 1
n = 4 →
1 12 13 14
21 1 23 24
31 32 1 34
41 42 43 1
c. Communality(Komunitas)
Komunalitas adalah jumlah varian yang dikontribusi dari sebuah variabel dengan seluruh variabel lainnya dalam analisis. Ini juga merupakan proporsi dari varians yang diterangkan oleh komponen faktor.
ℎ = �21+�22+⋯+�2
Dimana :
ℎ = communality variabel ke-i ; i = 1,2,3,...m.
� = nilai factor loading
d. Eigenvalue (Nilai Eigen)
Nilai eigen merupakan jumlah varians yang dijelaskan oleh setiap fator-faktor yang mempunyai nilai eigenvalue > 1, maka faktor tersebut akan dimasukkan ke dalam model.
Jika A adalah sebuah matrix n n, maka sebuah vector tak nol pada disebut vector eigen (eigenvector) dari jika adalah sebuah kelipatan skalar dari x, jelasnya,
- �
Untuk skalar sebarang λ, skalar λ disebut nilai eigen (eigenvalue) dari , dan disebut sebagai vector eigen dari yang terkait dengan λ. (Anton Howard,2000).
e. Factor loadings (Faktor Muatan)
Faktor muatan adalah korelasi sederhana antara variabel dengan faktor.
f. Factor Loading Plot (Plot Faktor Muatan)
Plot faktor muatan adalah suatu plot dari variabel asli dengan menggunakan factor loading sebagai koordinat.
g. Factor Matrix (Faktor Matriks)
Matriks faktr mengandung factor loading dari seluruh variabel dalam seluruh faktor yang dikembangkan.
h. Kaiser – Meyer – Olkin (KMO) measure of sampling adequency
Kaiser – Meyer – Olkin (KMO) merupakan suatu indeks yang digunakan untuk menguji ketepatan analisis faktor. Nilai yang tinggi (antara 0,5 – 1,0) mengidentifikasi analisis faktor tepat). Apabila dibawah 0,5 menunjukkan bahwa analisis faktor tidak tepat untuk diaplikasikan.
= Σi=1
p
Σk=1 p
rik2
Σi=1 p
Σk=1 p
Keterangan :
= koefisien korelasi sederhana antara variabel ke- dan ke-k
� = koefisien korelasi parsial antara variabel ke- dan ke-
Measure of Sampling Adequency (MSA) yaitu suatu indeks perbandingan
antara koefisienkorelasi parsial untuk setiap untuk variabel. MSA digunakan untuk mengukur kecukupan sampel.
i. Percentage of variance (Persentasi Varians)
Persentasi varans adalah persentase total varians yang disumbangkan oleh setiap faktor.
j. Residuals
Residuals adalah selisih antara korelasi yang terobservasi berdasarka input
correlation matrix dan korelasi hasil reproduksi yang diestimasi dari matriks
faktor.
k. Scree plot
Scree plot adalah sebuah plot dari eigenvalue untuk menentukan banyaknya
faktor.
2.12 Langkah-langkah analaisis Faktor
Langkah-langkah dalam analisis faktr adalah sebagai berikut : 1.Merumuskan masalah
2. Membentuk matriks korelasi 3. Menentukan metode analisis faktor 4. Menentukan banyaknya faktor 5. Melakukan rotasi terhadap faktor
1. Merumuskan Masalah
Merumuskan masalah meliputi beberapa kegiatan. pertama, tujuan analisis faktor harus diidentifikasi. Variabel yang akan digunakan daam analisis faktor harus dispesifikasi berdasarkan penelitian sebelumnya, teori dan pertimbangan subjektif dari peneliti. Pengukuran variabel berdasarkan skala interval dan rasio. Besarnya sampel harus tepat, sebagai petunjuk umum besarnya sampel paling sedikit empat atau lima kali banyaknya variabel.
2. Membentuk matriks Korelasi
Proses nalaisis didasarkan pada suatu matriks korelasi antar variabel. Agar analisis faktor menjadi tepat, variabel-variabel yang dikumpulkan harus berkorelasi. Dilakukan perhitungan matriks korelasi Σ Matriks korelasi digunakan sebagai input analisis faktor.
3. Menghitung nilai karakteristik (eigenvalue)
Perhitungan nilai karakteristik (eigenvalue), dimana perhitungan ini berdasarkan persamaan karakteristik :
Eigenvalue adalah jumlah varian yang dijelaskan oleh setiap faktor. (Anton Howard, 2000)
4. Menghitung vektor karakteristik (eigenvector)
Penentuan vektor karakteristik (eigenvector) yang bersesuaian dengan nilai karaktristik (eigenvalue), yaitu dengan persamaan :
=λ Dengan:
=eigenvector,(Anton Howard, 2000) 5. Menentukan Banyaknya Faktor
eigenvalue, penentuan berdasarkan Scree plot, penentuan berdasarkan persentase varians, penentuan berdasarkan Split-Half Reliabilitiy, dan penentuan berdasarkan uji signifikan.
a. Penentuan Secara A Priori
Kadang-kadang karena adanya dasarr teori atau pengalaman sebelumnya, peneliti sudah dapat menentukan banyak faktor yang akan diekstraksi. Hampir sebagian besar program komputer memungkinkan peneliti untuk menentukan banayaknya faktor yang diinginkan dengan pendekatan ini.
b. Penentuan Berdasarkan Eigenvalue
Pada pendekatan ini, hanya faktor dengan eigenvalue lebih besarnya dari satu yang dipertahankan. Eigenvalue mempresentasikan besarnya sumbangan dari faktor terhadap varians seluruh variabel aslinya. Hanya faktor dengan varians lebih besar dari satu yang dimasukkan dalam model. Faktor dengan varians lebih kecil dari satu tidak lebih dari variabel aslinya, sebab variabel yang dibakukan
(distandarisasi) yang berarti rata-ratanya nol dan divariasinya satu.
c. Penentuan Berdasarkan Scree Plot
Scree Plot merupakan plot dari nilai eigenvalue terhadap banyaknya faktor dalam
ekstraksinya. Bentuk plot yang dihasikaan digunakan untuk menentukan banyaknya faktor. Biasanya plot akan berbeda antara slope tegak faktor, dengan
eigenvalue yang besar dan makin kecil pada sisa faktor yang tidak perlu
diekstraksi.
d. Penentuan berdasarkan Persentase Varians
Dalam pendekatan ini, banyaknya faktor yang diekstraksi ditentukan berdasarkan persentasi kumulatif varians mencapai tingkat yang memuaskan peneliti. Tingkat persentase kumulatif yang memuaskan peneliti tergantung kepada permasalahannya. Sebagai petunjuk umum bahwa ekstraksi faktor dihentikan kalau kumulatif persentase varians sudah mencapai paling sedikit 60% atau 75% dari seluruh varians variabel asli.
Sampel dibagi menjadi dua, dan analisis faktor diaplikasikan kepada masing-masing bagian. Hanya faktor yang memiliki faktor loading tinggi antar dua bagian itu yang akan dipertahankan.
f. Penentuan Berdasarkan Uji Signifikan
Dimungkinkan untuk menentukan signifikansi statisstik untuk eiganvalue yang terpisah dan mempertahankan fakto-faktor yang berdasarkan uji statistik
eigenvaluenya signifikan pada α = 5% atau α = 1% . Penentuan banyaknya faktor
dengan cara ini memiliki kelemahan, khususnya pada ukuran sampe yang besar misalnya diatas 200 responden, banyak faktor yang menunjukkan uji signifikan, walaupun dari pendangan praktis banyak faktor yang mempunyai sumbangan terhadap seluruh varians hanya kecil.
6. Menghitung matriks faktor loading
Matriks loading factor (Ʌ) diperoleh dengan mengalikan matriks eigenvector ( ) dengan akar dari matriks eigenvalue ( ). Atau dalam persamaan matematis ditulis
Ʌ=��√� 7. Melakukan Rotasi Faktor
Sebuah output penting dari analisis faktor dalah matriks faktor atau disebut juga sebagai matriks faktor pola. Matriks faktor mengandung koefisien yang digunakan untuk mengekspresikan variabel yang dibakukan (distandarisasi) dinyatakan dalam faktor. Koefisien-koefisien tersebut atau faktor loadings merupakan korelasi antara faktor dengan variabelnya, Sebuah koefisien dengan nilai absolut yang besar mengindikasikan bahwa faktor dan variabel berkorelasi kuat. Koefisien tersebut bisa digunakan untuk menginterprestasi faktor.
Walaupun faktor awal atau unroatated factor matrix mengindikasikan hubungan antara faktor dengan variabel individu tertentu, akan tetapi masih sulit. Diambil kesimpulannya tentang banyaknya faktor yang bisa diekstraksi, hal ini disebabkan karena faktor berkorelasi dengan banyaknya variabel atau sebaliknya variabel tertentu masih banyak berkorelasi dengan banyak faktor.
berpengaruh terhadap komunalitas dan persentase total varians yang dijelaskan. Namun demikian, rotasi berpengaruh terhadap persentase varians dari setiap faktor. Beberapa metode rotasi yang bisa digunakan adalah orthogonal rotation,
varimax rotation, dan oblique rotation.
Orthogonal rotation adalah kalau sumbu dipertahankan tegak lurus
sesamanya (bersudut 90 derajat). Yang paling banyak digunakan adalah varimax
rotation, yaitu rotasi ortogonal dengan meminimumkan banyaknya variabel yang
memiliki loadings tinggi pda sebuah faktor, sehingga lebih mudah menginterprestasikan faktor. Rotasi orotogonal menghasilkan faktor-faktor yang tidak berkorelasi. Oblique rotation adalah jika sumbu-sumbu tidak dipertahankan harus tegak lurus sesamanya (bersudut 90 derajat) dan faktor-faktor berkorelasi. Kadang-kadang, mentoleransi korelasi antar fakto-faktor bisa menyederhanakan matriks pola faktor. Oblique rotation harus dipergunakan kalau faktor dalam populasi berkorelasi sangat kuat.
8. Interprestasi Faktor
Interprestasi dipermudah dengan mengidentifikasi variabel yang loadingnya besar pada faktor yang sama. Faktor tersebut kemudian dapat diinterprestasikan menurut variabel-variabel yang memiliki loading tinggi dengan faktor tersebut. Cara lain yang bisa digunakan adalah memalui pivot variabel dengan faktor
loading sebagai koordinat. Variabel yang berada pada akhir sebuah sumbu adalah
variabel yang memiliki loading tinggi hanya pada faktor yang bersangkutan, sehingga bisa digunakan untuk menginterprestasi faktor. Variabel yang berada di dekat titik origin memiliki loading yang rendah terhadap kedua faktor. Variabel yang tidak berada di dekat sumbu mengindikasi bahwa variabel tersebut berkorelasi dengan kedua faktor. Jika sebuah faktor tidak bisa secara jelas didefinisikan dalam batas variabel awalnya, maka disebut faktor umum.
9. Menentukan Ketetapan Model (model fit)
