Analisis Faktor Web Personal Dosen
Analisis Faktor Web Personal Dosen
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.
Analisis faktor merupakan salah satu metode multivariate yang digunakan
untuk menganalisis variabel-variabel yang diduga memiliki keterkaitan satu sama
lain sehingga keterkaitan tersebut dapat dijelaskan dan dipetakan atau
dikelompokkan pada faktor yang tepat. Dalam web personal dosen terdapat banyak
variabel yang dapat dianalisis lebih lanjut dengan analisis faktor. Dalam penelitian
ini diambil sebagai unit sampling adalah jurusan atau program studi S1 yang ada di
Institut Teknologi Sepuluh Nopember. Dengan analisis faktor diharapkan dihasilkan
pembagian faktor yang tepat untuk variabel-variabel yang terdapat pada web
personal dosen Institut Teknologi Sepuluh Nopember.
2. Tinjauan Pustaka
Pada bagian ini dibahas mengenai metode dan beberapa teori yang
mendukung untuk pengerjaan analisis faktor.
(1)
X p p p1 F1 p 2 F2 .... pm Fm p
(2)
dengan
i rata-rata variabel i
i faktor spesifik ke i
Fj
common faktor ke- j
i j
loading dari variabel ke i pada faktor ke-j
Bagian dari varian variabel ke i dari m common faktor disebut
komunalitas ke i yang merupakan jumlah kuadrat dari loading variabel ke i
pada m common faktor (Johnson &Wichern, 2002), dengan rumus :
hi2 2i 1 2i 2 .... 2i m
(3)
Hipotesis
Ho : Jumlah data cukup untuk difaktorkan
H1 : Jumlah data tidak cukup untuk difaktorkan
Statistik uji :
p
r
KMO =
i 1 j 1
2
ij
rij2 a ij2
i 1 j 1
i 1 j 1
(4)
i = 1, 2, 3, ..., p dan j = 1, 2, ..., p
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.
p ( p 1)
ik
(5)
2
2
( p 1) 1 (1 r )
p ( p 2)(1 r ) 2
Dengan :
r k = rata-rata elemen diagonal pada kolom atau baris ke k dari matrik R
(matrik korelasi)
r = rata-rata keseluruhan dari elemen diagonal
Daerah penolakan :
tolak H0 jika
p
2
2
2
(6)
k
( p 1) ( p 2 ) / 2;
ik
2
ik
k 1
(n 1)
(
r
r
)
(
r
r
)
(1 r )
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.
0.600
SAS
0.63226274
.680
Approx. Chi-Square
df
Sig.
116.739
28
.000
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 0.05 yang berarti tolak H0. Dengan demikian kedua asumsi untuk analisis
faktor telah terpenuhi.
4.4
dan
Pengelompokan
Variabel
Variabel
SPSS
4.44
1.42
0.81
0.51
0.37
0.31
0.11
0.04
1
2
3
4
5
6
7
8
Eigenvalue
SAS
55.47
17.69
10.18
6.36
4.61
3.84
1.36
0.49
Eigenvalue
0
1
4
5
Factor Number
2
.903
.768
.857
.940
.898
.597
.763
.813
Profesor. Faktor 2 dapat diberi nama Penilaian rasio dosen berdasarkan gelar.
Pemberian nama faktor merupakan ketentuan dari peneliti, pemebrian nama
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
Tota
l
4.43
7
1.41
5
55.465
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
judul
Web_dosen
link
english
download
material
S3
Prof
0.95640
0.87542
0.85072
0.82394
0.73868
0.71936
-0.34116
-0.41604
Faktor2
0.13406
0.11633
0.03040
0.35172
-0.22799
0.25189
0.83425
0.65829
Faktor2
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 variabelvariabel 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
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
S3
Prof
Web Dosen
Judul
English
Download
Material
Link
Variance
% Var
Faktor1
0.341
0.416
-0.875
-0.956
-0.824
-0.739
-0.719
-0.851
Faktor2
-0.834
-0.658
-0.116
-0.134
-0.352
0.228
-0.252
-0.030
Communality
0.812
0.606
0.780
0.933
0.803
0.598
0.581
0.725
4.4363
0.555
1.4009
0.175
5.8371
0.730
Faktor2 Communality
0.901
0.812
0.763
0.606
-0.199
0.780
-0.211
0.933
0.039
0.803
-0.474
0.598
-0.018
0.581
nilai
loading faktor,
-0.271
0.725pada
0.507
0.222
0.730
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
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
Loadings:
Faktor1
S3
Prof
Web_Dosen
Judul
English
Download
Material
Link
-0.194
0.710
0.879
0.930
0.362
0.679
0.717
SS loadings
Proportion Var
Cumulative Var
Faktor2
-0.542
-0.280
0.546
0.467
0.731
0.391
Faktor1
3.286
0.411
0.411
Faktor2
1.583
0.198
0.609
10
artinya menunjukkan jumlah dosen yang bergelar S3 dan profesor lebih banyak
daripada faktor skor 2 yang negatif.
Fakt
or
Skor
1
Fakt
or
Skor
2
2.86
1.45
0.01
-0.26
1.22
1.19
1.55
-2.44
0.62
0.36
0.17
-0.01
-0.01
1.30
0.81
-0.67
-0.49
-0.52
-0.04
-0.09
0.30
0.15
Jurusan
Tek. Sistem Perkap
alan
Teknik Lingkungan
Kimia
Desain Produk
Teknik Kelautan
Fisika
Teknik Material
Teknik Fisika
Teknik Geomatika
Teknik Sipil
Statistika
Fakt
or
Skor
1
Fakt
or
Skor
2
-0.10
-0.16
0.48
-0.19
-0.42
-0.45
-0.70
-0.90
-0.53
-0.56
-0.89
-0.90
-1.04
2.21
-0.27
-0.48
0.97
-0.07
-1.33
-1.35
0.36
-1.17
Jurusan
Teknik Mesin
Teknik Elektro
Teknik Informa
tika
Biologi
Sistem Informa
si
Arsitektur
PWK
Teknik Kimia
Teknik Industri
Teknik Perkapa
lan
Matematika
Tek. Sistem
2
Teknik Lingk
Kimia
Faktor 1
Desain Produ
-1
Teknik Kelau
Fisika
Teknik Mater
TeknikGeoma
Fisik Statistika
Teknik
Teknik
Sipil
Teknik
Mesin
Teknik Elekt
Teknik I nfor
Biologi
Arsitektur
PWK
Teknik Indus
Matematika
0
Sistem Infor
Teknik Kimia
Teknik Perka
Gambar
xx.-2Scatter Plot
1 dan Faktor
Skor
-3
-1 Faktor Skor
0
1
2 2
Faktor 2
11
Fakt
or
Skor
Jurusan
Lam
a
Stud
i
IPK
Fakt
or
Skor
9.67
3.2
-0.01
8.44
3.09
-0.01
9.18
9.73
3.06
3.09
-0.04
-0.09
1.22
1.19
0.62
Teknik Kelautan
10.34
2.98
-0.10
0.36
Fisika
10.78
2.84
-0.16
0.17
Teknik Material
8.61
3.08
-0.42
2.86
1.45
-0.45
-0.53
-0.56
-0.89
Jurusan
Teknik Fisik
a
Teknik Geo
ma
Teknik Sipil
Statistika
Teknik Mesi
n
Teknik Elekt
ro
Teknik Infor
m
Biologi
Sistem Infor
m
Arsitektur
PWK
Lam
a
Stud
i
IPK
9.11
3.05
9.46
3.15
8.95
9.02
3.25
3.06
10.94
3.03
9.63
3.18
9.54
3.29
9.44
3.02
8.99
3.22
9.61
8.72
3.02
3.22
12
-0.90
-1.04
-1.33
-1.35
Teknik Kimi
a
Teknik Indu
stri
Teknik Perk
ap
Matematika
8.34
3.38
8.34
3.25
11.24
3.06
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 masingmasing 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 > maka gagal tolak H0, jadi rata-rata lama studi jurusanjurusan antar faktor skor tidak berbeda. Untuk perbandingan rata-rata IPK,
dihasilkan p-value 0.53, keputusan juga gagal tolak H0, rata-rata IPK jurusanjurusan 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
1.55
1.30
0.97
0.81
Sistem Informasi
Kimia
Teknik Kelautan
Teknik Kimia
Fisika
8.99
9.18
10.34
8.34
10.78
3.22
3.06
2.98
3.38
2.84
-0.07
-0.19
-0.26
-0.27
-0.48
Teknik Indust
Teknik Elektr
Teknik Lingk.
Arsitektur
PWK
8.34
9.63
8.44
9.61
8.72
3.25
3.18
3.09
3.02
3.22
13
0.48
0.36
0.30
0.15
0.01
Teknik Mesin
Teknik Perkapal
Teknik Sipil
Statistika
Tek. Sistem perk
10.94
11.24
8.95
9.02
9.67
3.03
3.06
3.25
3.06
3.2
-0.49
-0.52
-0.67
-0.70
-0.90
-1.17
-2.44
Teknik Fisika
Teknik Geom
Teknik Mater
Teknik Infor
Biologi
Matematika
Desain Prod
9.11
9.46
8.61
9.54
9.44
9.25
9.73
3.05
3.15
3.08
3.29
3.02
3.14
3.09
95%
C
Ilam
_stu
d
i
1
2
1
0
8
6F
M
IP
AF
T
Ia
F
T
S
T
KF
T
I
k
u
lP
ta
sF
Simbol titik atau lingkaran kecil pada garis-garis tersebut adalah mean nilai
rata-rata lama studi dari masing-masing fakultas. Sedangkan pangjang garis
menunjukkan varians nilai rata-rata lama studi dari masing-masing fakultas. Pada
gambar 4.3 dapat diketahui bahwa rata-rata lama studi mahasiswa yang paling lama
adalah FTK dimana nilai rata-rata lama studinya antara 10 dan 12 semester.
Sedangkan variasi lama studi, FTIF menunjukkan variasi nilai rata-rata lama studi
mahasiswa yang paling beragam.
95%
C
Iip
k
.3
3
8
.3
6
.3
4
.3
2
.2
0
.8F
M
IP
AF
T
Ia
F
T
S
T
KF
T
I
k
u
lP
ta
sF
14
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 Bartletts 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 variabelvariabelnya 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 Kimia
karena 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 adalah
FTK, keragaman lama studi yang paling bervariasi adalah FTIF. Fakultas
yang mempunyai nilai rata-rata IPK dan keragaman nilai IPK tertinggi adalah
FTIF
6. Daftar Pustaka
15
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
Costello, Anna B and Osborne, Jason W. 2005 . Best Practices in Exploratory
Faktor Analysis: Four Recommendations for Getting the Most From Your
Analysis. Practical Assessment Research and Evaluation, Vol. 10 No. 7,
2005.
16