ANALISIS HUBUNGAN RATA-RATA IPK DAN LAMA STUDI
MAHASISWA ITS DENGAN WEB PERSONAL DOSEN ITS
DENGAN MENGGUNAKAN ANALISIS FAKTOR
Saudi Imam B. – 1306100046
e_saudi@ymail.com
Abstract
Faktor Analysis is one of used multivariate method to analyze correlations of among indikators variables so that explainable to mapped or grouped at correct common faktor. This paper have purpose to analyze personal lecture web of Institut Teknologi Sepuluh November with faktor analyze. Computation of this faktor analysis used four software statistics that are SPSS, Minitab, SAS and R software. Those four software would be compared to result from each software. End of this analysis is to concluding whether personal lecture web have an influences for cumulative achievement inden and length of period study.
Keywords : Factor Analysis, influences
1. Pendahuluan
Web pada perguruan tinggi menyediakan banyak informasi mengenai profil perguruan tinggi itu sendiri, kegiatan akademik dan informasi profil dosen. Institut Teknologi Sepuluh Nopember selain memberikan informasi mengenai profil universitas dan masing-masing jurusan juga memberikan informasi mengenai profil dosen masing-masing jurusan. Web peronal dosen merupakan media Information Communication Technology (ICT) yang terdapat dalam web perguruan tinggi dimana setiap dosen dapat berbagi informasi mengenai riwayat pendidikannya, pekerjaan dan jabatan, mata kuliah yang diajarkan, publikasi ilmiah, materi kuliah dan link tentang aktivitasnya. Aspek ICT web perguruan tinggi inilah yang menjadi dasar sebuah lembaga yaitu Webometrics membuat peringkat perguruan tinggi di dunia.
2. Tinjauan Pustaka
Pada bagian ini dibahas mengenai metode dan beberapa teori yang mendukung untuk pengerjaan analisis faktor.
2.1 Analisis Faktor
Dalam studi perilaku dan sosial, peneliti membutuhkan pengembangan pengukuran untuk bermacam-macam variabel yang tidak dapat diukur secara langsung, seperti tingkah laku, pendapat, intelegensi, personality dan lain-lain. Faktor analisis adalah metode yang dapat digunakan untuk pengukuran semacam itu. (Subash Sharma, 1996).
Tujuan dari analisis faktor adalah untuk menggambarkan hubungan-hubungan kovarian antara beberapa variabel yang mendasari tetapi tidak teramati, kuantitas random yang disebut faktor, (Johnson &Wichern, 2002). Vektor random teramati X dengann p komponen, memiliki rata-rata μdan matrik kovarian . Model analisis faktor adalah sebagai berikut :
X11 11F112F2 ....1mFm 1 (1)
Atau dapat ditulis dalam notasi matrik sebagai berikut : Xpxl μ(pxl) L(pxm)F(mxl) εpxl komunalitas ke – i yang merupakan jumlah kuadrat dari loading variabel ke – i pada mcommon faktor (Johnson &Wichern, 2002), dengan rumus :
2 2
Tujuan analisis faktor adalah menggunakan matriks korelasi hitungan untuk 1.) Mengidentifikasi jumlah terkecil dari faktor umum (yaitu model faktor yang paling parsimoni) yang mempunyai penjelasan terbaik atau menghubungkan korelasi diantara variabel indikator. 2.) Mengidentifikasi, melalui faktor rotasi, solusi faktor yang paling masuk akal. 3.) Estimasi bentuk dan struktur loading, komunality dan varian unik dari indikator. 4.) Intrepretasi dari faktor umum. 5.) Jika perlu, dilakukan estimasi faktor skor. (Subash Sharma, 1996).
2.2 Kaiser Meyer Oikin (KMO)
Uji KMO bertujuan untuk mengetahui apakah semua data yang telah terambil telah cukup untuk difaktorkan. Hipotesis dari KMO adalah sebagai berikut :
Hipotesis
Ho : Jumlah data cukup untuk difaktorkan H1 : Jumlah data tidak cukup untuk difaktorkan
Statistik uji :
rij = Koefisien korelasi antara variabel i dan j
aij = Koefisien korelasi parsial antara variabel i dan j
Apabila nilai KMO lebih besar dari 0,5 maka terima Ho sehingga dapat disimpulkan jumlah data telah cukup difaktorkan.
2.3 Uji Bartlett (Kebebasan Antar Variabel)
Uji Bartlett bertujuan untuk mengetahui apakah terdapat hubungan antar variabel dalam kasus multivariat. Jika variabel X1, X2,…,Xp independent (bersifat
saling bebas), maka matriks korelasi antar variabel sama dengan matriks identitas. Sehingga untuk menguji kebebasan antar variabel ini, uji Bartlett menyatakan
r = rata-rata keseluruhan dari elemen diagonal
Daerah penolakan :
Maka variabel-variabel saling berkorelasi hal ini berarti terdapat hubungan antar variabel. Jika H0 ditolak maka analisis multivariat layak untuk digunakan
3. Metodologi
Data yang digunakan untuk mempelajari analisis faktor ini adalah data web personal dosen S1 yang diperoleh dari web Institut Teknologi Sepuluh Nopember per Agustus 2009. Variabel yang digunakan dalam penelitian ini ada delapan yaitu prosentase dosen S3, prosentase dosen professor, prosentase dosen yang mengisi web personal dosen, prosentase dosen yang mempunyai publikasi ilmiah, prosentase dosen yang publikasi ilmiahnya berbahasa inggris, prosentase dosen yang publikasi ilmiahnya bisa didownload, prosentase dosen yang mempubilkasikan materi kuliah dan prosentase dosen yang publikasi materi kuliahnya bisa didownload. Tahapan analisis data dalam penelitian ini, yaitu : 1.) Mencari kelompok faktor untuk variabel-variabel web personal dosen dengan bantuan 4 software yaitu SPSS, Minitab, R-Software (Suhartono, 2000) dan SAS (Khatree, 1999). 2.) Mengelompokkan jurusan-jurusan Institut Teknologi Sepuluh Nopember berdasarkan skor faktor yang positif dan negatif. 3.) Membandingkan rata-rata lama studi mahasiswa dan IPK mahasiswa berdasarkan faktor skor.
4. Hasil dan Pembahasan
Pada penelitian ini ingin dianalisis variabel-variabel yang terdapat pada web personal dosen Institut Teknologi Sepuluh Nopember dengan analisis dengan eksploratori analisis faktor, akan didapatkan berapa jumlah faktor yang terbentuk dan pengelompokan variabel-variabel pada faktor yang tepat. Pengelompokan pada faktor yang tepat akan mempermudah analisis selanjutnya yaitu pemetaan jurusan-jurusan Institut Teknologi Sepuluh Nopember berdasarkan faktor skor dan perbandingan rata-rata lama studi dan IPK mahasiswa di jurusan-jurusan yang ada. Proses untuk analisis faktor ini digunakan bantuan software SPSS, Minitab, R dan SAS.
4.1 Uji Asumsi Analisis Faktor
Analisis faktor mempunyai asumsi yang harus dipenuhi sebelumnya diantaranya yaitu data atau sampel diasumsikan cukup dan antar variabel mempunyai korelasi.
4.2 Identifikasi Kecukupan Data
Tabel 1. Output MSA dan KMO dari SPSS dan SAS
Berdasarkan tabel 1 di atas dapat diketahui bahwa asumsi kecukupan data telah terpenuhi yaitu dengan melihat nilai MSA dan KMO sebesar 0.6 pada output SPSS dan 0.63226274 pada output SAS. Uji kecukupan data atau sampel telah terpenuhi, berarti salah satu asumsi untuk melanjutkan ke analisis faktor telah terpenuhi.
4.3 Identifikasi Korelasi Antar Variabel
Antar variabel harus memenuhi asumsi berkorelasi. Untuk membantu mengidentifikasi korelasi antar variabel dignakan bantuan software SPSS, untuk ketiga software yang lain tidak ada output untuk uji korelasi. Berdasarkan landasan teori bahwa hipotesis untuk uji korelasi ini adalah sebagai berikut,
H0 : Matriks korelasi adalah matriks identitas
H1 : Matriks korelasi bukan matriks identitas
Tabel 2. Output Bartlett’s Test of Sphericity dari SPSS
Dari tabel 2 diketahui bahwa antar variabel pada web personal dosen telah memenuhi asumsi saling berkorelasi yaitu dengan melihat nilai Sig. 0.000 kurang dari α 0.05 yang berarti tolak H0. Dengan demikian kedua asumsi untuk analisis
faktor telah terpenuhi.
4.4 Penentuan Banyak Faktor dan Pengelompokan Variabel
Berdasarkan Loading Faktor
Dengan menggunakan empat macam software statistika yaitu SPSS, Minitab, SAS dan R, akan diperoleh komponen jumlah faktor. Keputusan pengambilan jumlah faktor sebanyak didasarkan pada nilai eigenvalue dari matriks korelasi antar variabel dan pengelompokan variabel dilakukan dengan
Kaiser's Measure of Sampling Adequacy
SPSS 0.600
SAS 0.63226274
KMO and Bartlett's Test
.680
116.739 28 .000 Kaiser-Meyer-Olkin Measure of Sampling
Adequacy.
Approx. Chi-Square df
Sig. Bartlett's Test of
membandingkan nilai loading faktor secara mutlak diantara faktor-faktor yang terbentuk.
4.5 Penentuan Banyak Faktor Dengan Eigenvalue
Seperti yang dijelaskan di atas penentuan banyak faktor di dasarkan pada nilai eigenvalue dari matriks korelasi antar variabel. Dengan software SPSS dan SAS diperoleh output nilai eigenvalue seperti yang ditampilkan pada tabel 3 berikut.
Tabel 3. Output SPSS dan SAS nilai Eigenvalue Matriks Korelasi
Variabel SPSSEigenvalueSAS
Nilai eigenvalue yang diambil untuk menentukan berapa banyaknya faktor yang terbentuk adalah nilai eigenvalue yang lebih besar dari satu (Subhash Sharma, 1996). Jika mengacu pada tabel 3 maka jumlah faktor yang terbentuk sebanyak dua faktor. Untuk software minitab dan R tidak terdapat output nilai eigenvalue matriks korelasi.
4.6 Penentuan Banyak Faktor Dengan Scree Plot
scree plot adalah grafik yang menggambarkan plot nilai eigenvalue dari masing-masing variabel. Software yang menyediakan output scree plot adalah SPSS, Minitab dan SAS. Dibawah ini adalah output scree plot dari minitab.
Seperti pada pembahasan sebelumnya, untuk menentukan banyak faktor yang terbentuk dapat dilihat pada nilai eigenvalue yang lebih dari satu. Pada gambar 1, dapat dilihat bahwa ada dua variabel yang mempunyai nilai eigenvalue lebih dari satu, jadi ada dua faktor yang terbentuk.
4.7 Pengelompokan Variabel Kedalam Faktor 1 dan Faktor 2
Pada software SPSS metode ekstraksi yang digunakan untuk pembagian variabel adalah principal componen faktoring analysis. Pembagian variabel-variabel ke dalam kelompok faktor tertentu didasarkan pada perbandingan nilai loading faktor secara mutlak mana yang lebih besar antar loading faktor dari faktor 1 dan faktor 2. Pada tabel 4 di bawah ini merupakan output SPSS yang telah melalui proses rotasi varimax dan nilai loading faktor yang dibawah atau sama dengan 0.4 tidak ditampilkan. Apabila belum melalui proses rotasi varimax terdapat nilai loading faktor variabel yang terletak pada faktor 1 dan faktor 2.
Tabel 4. Output SPSS Nilai Loading Faktor dari Faktor 1 dan Faktor 2
Hasil pada tabel 4 adalah hasil pengelompokan variabel-variabel kedalam masing-masing faktor setelah dirotasi varimax, sehingga dengan jelas dapat diketahui anggota variabel-variabel pada faktor 1 dan faktor 2. Nilai loading faktor pada masing-masing faktor 1 dan faktor 2 yang dibawah 0.5 dihapuskan.
Seperti yang dapat dilihat pada tabel 4 dapat disimpulkan bahwa pada faktor 1 dan faktor 2 telah mempunyai anggota variabelnya masing-masing. Pada faktor 1 variabel-variabel yang ada adalah Web_Dosen, Judul, English, Download, Material dan Link. Variabel-variabel terebut berhubungan dengan konten atau pengisian dari web personal dosen ITS, maka faktor 1 dapat diberi nama tingkat keaktifan dosen dalam mengisi web personal dosen. Faktor 2 mempunyai anggota variabel S3 dan Prof, semua variabel ini berkaitan dengan jumlah dosen dengan gelar S1 sampai Profesor. Faktor 2 dapat diberi nama Penilaian rasio dosen berdasarkan gelar.
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
tersebut berdasarkan variabel yang dapat diukur langsung untuk menggambarkan faktor yang merupakan variabel yang tidak dapt diukur secara langsung.
Mereduksi variabel ke dalam dua faktor tentu akan mengurangi informasi dari variabel-variabel utama, namun dengan terbentuknya dua faktor tersebut memudahkan peneliti untuk mengklasifikasikan variabel dan dapat mengukur variabel yang tidak dapat diukur secara langsung berdasarkan dua faktor tersebut.
Tabel 5. Output SPSS Prosentase Total Varians yang
Dijelaskan Faktor 1 dan Faktor 2
Rotation Sums of Squared Loadings
Tota
l % of Variance Cumulative %
4.43
7 55.465 55.465
1.41
5 17.693 73.158
Pada tabel 5 dapat dilihat pada prosentase kumulatif sebesar 73.15 %. Nilai ini menunjukkan bahwa total varians atau informasi yang dapat digali dari dua faktor yang terbentuk tersebut adalah sebesar 73.15 %.
Seperti pada output SPSS, tabel 6 adalah output SAS yang menampilkan nilai loading faktor masing-masing variabel dari masing-masing faktor. Metode yang digunakan juga sama yaitu principal component faktor analysis dan menggunakan rotasi varimax. Walaupun nilai loading faktor masing-masing faktor 1 dan faktor 2 pada output SAS tidak sama, tetapi anggota variabel-variabel yang masuk pada masing-masing faktor 1 dan faktor 2 tidak berbeda dengan output SPSS.
Tabel 6. Output SAS Loading Faktor 1 dan Faktor 2 Principal Faktor Analysis with varimax Rotation
The FAKTOR Procedure
Initial Faktor Method: Principal Components
Faktor Pattern
Faktor1 Faktor2
judul 0.95640 0.13406 Web_dosen 0.87542 0.11633
link 0.85072 0.03040 english 0.82394 0.35172 download 0.73868 -0.22799
material 0.71936 0.25189 S3 -0.34116 0.83425
Prof -0.41604 0.65829
Variance Explained by Each Faktor
Pada tabel 6 total varians atau informasi yang dapat digali berdasarkan faktor 1 dan faktor 2 pada output SAS hanya sebesar 5.8 % lebih kecil daripada total varians yang dapat dijelaskan yang dikeluarkan oleh output SPSS.
Dibawah ini adalah output dari software minitab yang menampilkan nilai loading faktor dari variabel pada faktor 1 dan faktor 2. Pembagian variabel-variabel ke dalam masing-masing faktor pada minitab menggunakan metode yang sama dengan SPSS yaitu principal component faktor analysis. Pada tabel 4.9 ditampilkan loading faktor yang belum mengalami proses rotasi varimax dan sesudah rotasi. Jika dibandingkan dengan output SPSS nilai loading faktor pada minitab tidak berbeda dengan SPSS. Setelah proses rotasi varimax dapat disimpulkan variabel-variabel yang masuk ke faktor 1 dan faktor 2 juga sama dengan output SPSS yaitu untuk faktor 1 diantaranya Web_Dosen, Judul, English, Download, Material dan Link. Untuk faktor 2 variabel-variabelnya adalah S3 dan Prof.
Tabel 7. Output Minitab Faktor 1 dan Faktor 2
Selain output nilai loading faktor, pada tabel 4.8 juga terdapat output mengenai total varians yang dapat dijelaskan oleh faktor 1 dan faktor 2. Total varians yang dapat dijelaskan oleh faktor 1 dan faktor 2 adalah 75.6 %.
Output minitab pada tabel 7 juga menampilkan nilai total varians yang dapat dijelaskan oleh faktor 1 dan faktor 2 yang tidak berbeda jauh dengan output nilai
Faktor Analysis: S3, Prof, Web Dosen, Judul, English, Download, Material, Link
Principal Component Faktor Analysis of the Correlation Matrix
Unrotated Faktor Loadings and Communalities
Variable Faktor1 Faktor2 Communality S3 0.341 -0.834 0.812 Prof 0.416 -0.658 0.606 Web Dosen -0.875 -0.116 0.780 Judul -0.956 -0.134 0.933 English -0.824 -0.352 0.803 Download -0.739 0.228 0.598 Material -0.719 -0.252 0.581 Link -0.851 -0.030 0.725
Variance 4.4363 1.4009 5.8371 % Var 0.555 0.175 0.730
Rotated Faktor Loadings and Communalities Varimax Rotation
Variable Faktor1 Faktor2 Communality
S3 -0.026 0.901 0.812
Prof -0.158 0.763 0.606
Web Dosen 0.860 -0.199 0.780
Judul 0.942 -0.211 0.933
English 0.895 0.039 0.803
Download 0.611 -0.474 0.598
Material 0.762 -0.018 0.581
Link 0.807 -0.271 0.725
Variance 4.0598 1.7773 5.8371
total varians yang dapat dijelaskan faktor 1 dan faktor 2 dari SPSS yaitu sebesar 73%.
Sedangkan untuk total varians yang dapat dijelaskan oleh faktor 1 dan faktor 2 dari output software R dapat dilihat pada tabel 8. pembagian variabel-variabel pada masing-masing faktor setelah rotasi varimax masih banyak yang rancu karena loading faktor pada faktor 1 dan faktor 2 selain masih ada yang terletak pada dua faktor juga selisih nilai loading faktor tidak berbeda jauh.
Tabel 8. Output Software R Faktor 1 dan Faktor 2
Sekilas apabila nilai loading faktor dibandingkan, maka masing-masing variabel yang masuk dalam faktor 1 adalah Web_Dosen, Judul, English, download, Material dan Link. Sedangkan yang masuk dalam faktor 2 adalah S3 dan Prof. Lebih sulit mengelompokkan variabel-variabel pada masing-masing faktor dengan menggunakan software R. Hal ini dimungkinkan karena metode pembagian variabel pada masing-masing faktor menggunakan maximum likelihood.
4.8 Pemetaan Jurusan Berdasarkan Dua Kelompok Faktor Skor
Pada pembahasan pembentukan jumlah faktor yang terbentuk adalah sebanyak dua faktor. Faktor 1 mempunyai anggota variabel Web_Dosen, Judul, English, Download, Material dan Link. Misalkan faktor 1 ini dinamakan ’tingkat keaktifan dosen dalam pengisian web personal dosen’. Faktor 2 mempunyai anggota variabel S3 dan Prof, misalkan faktor 2 dinamakan ’penilaian rasio dosen berdasarkan gelar dosen’. Tabel 9 menunjukkan output faktor skor dari SPSS. Faktor skor 1 positif artinya menunjukkan jumlah dosen yang aktif mengisi web personal dosen lebih banyak daripada faktor skor negatif. Faktor skor 2 positif
Loadings:
Faktor1
Faktor2
S3
-0.542
Prof
-0.194
-0.280
Web_Dosen
0.710
0.546
Judul
0.879
0.467
English
0.930
Download
0.362
0.731
Material
0.679
Link
0.717
0.391
Faktor1
Faktor2
SS loadings
3.286
1.583
Proportion Var
0.411
0.198
Cumulative Var
0.411
0.609
Test of the hypothesis that 2 faktors are sufficient.
Faktor 2
Scatterplot of Faktor 1 vs Faktor 2
artinya menunjukkan jumlah dosen yang bergelar S3 dan profesor lebih banyak daripada faktor skor 2 yang negatif.
Tabel 9. Output SPSS Faktor Skor 1 dan Faktor Skor 2 Fakt
alan -0.10 0.48 Teknik Mesin
1.45 -0.26 Teknik Lingkungan -0.16 -0.19 Teknik Elektro
1.22 1.55 Kimia -0.42 -0.70 Teknik Informatika
1.19 -2.44 Desain Produk -0.45 -0.90 Biologi
0.62 1.30 Teknik Kelautan -0.53 2.21 Sistem Informasi
0.36 0.81 Fisika -0.56 -0.27 Arsitektur
0.17 -0.67 Teknik Material -0.89 -0.48 PWK
-0.01 -0.49 Teknik Fisika -0.90 0.97 Teknik Kimia
-0.01 -0.52 Teknik Geomatika -1.04 -0.07 Teknik Industri
-0.04 0.30 Teknik Sipil -1.33 0.36 Teknik Perkapalan
-0.09 0.15 Statistika -1.35 -1.17 Matematika
Untuk memetakan pada posisi mana penilaian jurusan-jurusan di ITS berdasarkan faktor skor 1 dan faktor skor 2, lebih mudah menunjukkan dengan scatter plot dari output minitab seperti pada gambar 2 berikut.
Gambar 2. Scatter Plot Faktor Skor 1 dan Faktor Skor 2
Untuk intrepretasi, sebagai contoh dari gambar 2 tersebut dapat diketahui bahwa Jurusan Kimia berada pada posisi faktor skor 1 positif dan pada posisi faktor skor 2 positif. Hal ini berarti tingkat keaktifan dosen Jurusan Kimia dalam mengisi web personal dosen tinggi dan mempunyai jumlah dosen yang bergelar S3 dan profesor cukup banyak. Dengan cara yang sama dapat diintrepretasikan posisi masing-masing jurusan berdasarkan gambar 2.
4.9 Perbandingan Rata-rata IPK dan Lama Studi berdasarkan Faktor
Skor
Berdasarkan nilai-nilai faktor skor 1 dan faktor skor 2 yang didapatkan pada perhitungan sebelumnya, ingin diketahui perbandingan nilai rata-rata IPK dan lama studi dari 22 jurusan apakah berbeda atau tidak.
4.9.1 Perbandingan Dalam Faktor 1
Perbandingan dalam satu kelompok faktor adalah membandingkan nilai rata-rata IPK dan lama masa studi berdasarkan masing-masing faktor secara terspisah. Kemudian dari masing-masing faktor dipisahkan antara nilai faktor skor positif dan faktor skor negatif.
Pertama untuk faktor 1, dengan mengurutkan nilai faktor skor dari terbesar hingga terkecil, maka didapatkan urutan jurusan-jurusan yang mempunyai faktor skor positif hingga faktor skor negatif, kemudian keduanya dipisahkan. Hasilnya seperti tabel 10 berikut.
Tabel 10. Pemisahan Faktor 1 Positif dan Negatif
Fakt or
Skor Jurusan
Lam a Stud
i
IPK
Fakt or
Skor Jurusan
Lam a Stud
i
IPK
2.86 Tek. Sistem Perkap 9.67 3.2 -0.01 Teknik Fisika 9.11 3.05
1.45 Teknik Lingkungan 8.44 3.09 -0.01 Teknik Geoma 9.46 3.15
1.22 Kimia 9.18 3.06 -0.04 Teknik Sipil 8.95 3.25
1.19 Desain Produk 9.73 3.09 -0.09 Statistika 9.02 3.06
0.62 Teknik Kelautan 10.34 2.98 -0.10 Teknik Mesin 10.94 3.03
0.36 Fisika 10.78 2.84 -0.16 Teknik Elektro 9.63 3.18
0.17 Teknik Material 8.61 3.08 -0.42 Teknik Inform 9.54 3.29
-0.45 Biologi 9.44 3.02
-0.53 Sistem Inform 8.99 3.22
-0.56 Arsitektur 9.61 3.02
-0.90 Teknik Kimia 8.34 3.38
-1.04 Teknik Industri 8.34 3.25
-1.33 Teknik Perkap 11.24 3.06
-1.35 Matematika 9.25 3.14
Untuk mengetahui apakah rata-rata IPK dan lama studi dari jurusan-jurusan yang mempunyai faktor 1 positif dan jurusan-jursan yang mempunyai faktor 1 negatif berbeda atau tidak, digunakan uji t dua sampel. Dengan hipotesis masing-masing sebagai berikut.
Hipotesis perbandingan lama studi :
H0 : Rata-rata lama studi jurusan-jurusan faktor skor 1 positif dan faktor 1 negatif
adalah sama
H1 : Rata-rata lama studi jurusan-jurusan faktor skor 1 positif dan faktor 1 negatif
adalah berbeda
Hipotesis perbandingan IPK :
H0 : Rata-rata IPK jurusan-jurusan faktor skor 1 positif dan faktor 1 negatif adalah
sama
H1 : Rata-rata lama studi jurusan-jurusan faktor skor 1 positif dan faktor 1 negatif
adalah berbeda
Perhitungan uji t dilakukan dengan bantuan software minitab. Hasil keduanya masing-masing adalah sebagai berikut. Untuk perbandingan lama studi, dengan minitab dihasilkan p-value 0.67. tingkat kesalahan yang digunakan adalah 5%, karena p-value > α maka gagal tolak H0, jadi rata-rata lama studi
jurusan-jurusan antar faktor skor tidak berbeda. Untuk perbandingan rata-rata IPK, dihasilkan p-value 0.53, keputusan juga gagal tolak H0, rata-rata IPK
jurusan-jurusan antar faktor skor tersebut tidak berbeda. Dengan kata lain, faktor 1 atau tingkat keaktifan dosen dalam mengisi web personal dosen tidak berpengaruh terhadap rata-rata lama studi dan IPK mahasiswa.
4.9.2 Perbandingan Dalam Faktor 2
Kemudian untuk faktor 2, dilakukan pemisahan nilai faktor skor positif dan negatif. Dapat dilihat pada tabel 11 berikut.
Tabel 11. Pemisahan Faktor 2 Positif dan Negatif
Faktor
Skor Jurusan
Lama Studi IPK
Faktor
Skor Jurusan
Lama
Studi IPK
2.21 Sistem Informasi 8.99 3.22 -0.07 Teknik Indust 8.34 3.25
1.55 Kimia 9.18 3.06 -0.19 Teknik Elektr 9.63 3.18
1.30 Teknik Kelautan 10.34 2.98 -0.26 Teknik Lingk. 8.44 3.09
0.97 Teknik Kimia 8.34 3.38 -0.27 Arsitektur 9.61 3.02
0.81 Fisika 10.78 2.84 -0.48 PWK 8.72 3.22
0.36 Teknik Perkapal 11.24 3.06 -0.52 Teknik Geom 9.46 3.15
0.30 Teknik Sipil 8.95 3.25 -0.67 Teknik Mater 8.61 3.08
0.15 Statistika 9.02 3.06 -0.70 Teknik Infor 9.54 3.29
0.01 Tek. Sistem per
k
9.67 3.2 -0.90 Biologi 9.44 3.02-1.17 Matematika 9.25 3.14
-2.44 Desain Pro
d
9.73 3.09Dengan uji t dan hipotesis yang sama didapatkan p-value untuk perbandingan lama studi adalah 0.09 dan untuk perbandingan IPK adalah 0.659. keduanya lebih besar dari α (5%). Jadi keduanya gagal tolak H0 atau rata-rata lama
studi dan IPK jurusan-jurusan pada faktor skor positif dan faktor skor negatif tidak berbeda. Dengan kata lain jumlah dosen dengan gelar S1 dan profesor tidak berpengaruh terhadap rata-rata lama studi dan IPK mahasiswa.
4.10 Perbandingan Rata-rata Lama Studi dan IPK 5 Fakultas di ITS
Untuk perbandingan rata-rata lama studi dan IPK kelima fakultas di ITS yaitu FMIPA, FTI, FTSP, FTK dan FTIF akan ditunjukkan secara visual melalui tampilan error bar yang merupakan output dari SPSS. Perbandingan rata-rata lama studi dari kelima fakultas tersebut ditunjukkan pada gambar 3 sebagai berikut.
Gambar 3 Error Bar Nilai Rata-rata Lama Studi
Gambar 4. Error Bar Nilai Rata-rata IPK
Gambar 4 adalah error bar nilai rata-rata IPK dari lima jurusan yang ada di ITS. Dari gambar jelas terlihat bahwa rata-rata nilai IPK tertinggi dipegang oleh FTIF dengan rata-rata sekitar 3.4. Keragaman nilai IPK tertinggi juga dipegang oleh FTIF.
Kesimpulan
Dari pembahasan pada bagia sebelumnya, dapat diambil beberapa kesimpulan sebagai berikut.
1.
Data web personal dosen dari 22 jurusan di ITS, memenuhi uji asumsi kecukupan data yang ditunjukkan dengan nilai KMO 0.6 dan uji asumsi yang ditunjukkan Bartlett’s test dengan nilai Sig. chi-square 0.000.2.
Faktor umum yang terbentuk sebanyak 2 faktor, hasil ini diperoleh dari nilai eigenvalue dari komponen yang lebih dari 1 ada 2 komponen. Diperoleh juga dari eigenvalue yang digambarkan pada scree plot ada 2 komponen.3.
Secara umum variabel-variabel yang masuk faktor 1 adalah Web_Dosen, Judul, English, Download, Material dan Link. Untuk faktor 2 variabel-variabelnya adalah S3 dan Prof.4.
Faktor 1 dinamakan ’tingkat keaktifan dosen dalam mengisi web personal dosen’. Faktor 2 dinamakan ’penilaian rasio dosen berdasarkan gelar’. 5. Dari gambar 4.2 secara umum jurusan yang dinilai baik adalah jurusan Kimiakarena memiliki tingkat keaktifan pengisian web yang baik dan jumlah dosen bergelar S3 dan profesor yang cukup banyak.
6.
Total varians atau informasi yang dapat digali dari dua faktor yang terbentuk dari output SPSS adalah sebesar 73.16 %, output SAS sebesar 68.3% dan output minitab 73%.7.
Faktor 1 (tingkat keaktifan dosen dalam mengisi web personal dosen) dan faktor 2 (penilaian rasio dosen berdasarkan gelar) tidak berpengaruh terhadap rata-rata IPK dan lama studi mahasiswa dari 22 jurusan di ITS. 8. Fakultas yang mempunyai rata-rata lama studi yang paling lama adalahFTK, keragaman lama studi yang paling bervariasi adalah FTIF. Fakultas yang mempunyai nilai rata-rata IPK dan keragaman nilai IPK tertinggi adalah FTIF
Hair, J.F., Anderson, R.E., Tatham, R.L. and Black, W.C. 2006. Multivariate Data Analysis, Sixth Edition, Prentice Hall International: UK.
Sharma, S. 1996. Applied Multivariate Techniques, New-York: John Wiley & Sons, Inc.
Johnson, N. And Wichern, D. 1998. Applied Multivariate Statistical Analysis, Prentice-Hall, Englewood Cliffs, N.J.
Khatree, Ravindra, and Dayanand N. Naik. 1999. Applied Multivariate Statistics with SAS*Software, Second Edition. Cary, NC: SAS Institute Inc.
Suhartono. 2009. Analisis Data Statistik dengan R, Edisi Pertama, Yogyakarta: Graha Ilmu.
Majors, M.S., & Sedlacek, W.E. 2001. Using Faktor Analysis to Organize Student Services. Journal of College Student Development, 42(3), 2272-2278
Horn, J.L. 1965. A Rationale and Technique for Estimating The Number of Faktors in Faktor Analysis. Psychometrika. 30, 179-185
Hendrickson, A. E & White, P. O. 1964. Promax: A Quick Method for Rotation to Oblique Simple Structure. British Journal of Statistical Psychology, 17, 65-70 Gorsuch, R.L. 1997. Exploratory Faktor Analysis: Its Role in Item Analysis. Journal
of Personality Assessment, 68(3), 532-560