LAPORAN PENELITIAN

PL2202 METODE ANALISIS PERENCANAAN II

MENGIDENTIFIKASI FAKTOR-FAKTOR YANG TERKAIT ANTARA SEKTOR

PENDIDIKAN TARAF SD HINGGA SMU/SMK DENGAN SEKTOR INDUSTRI
PENGOLAHAN DI KABUPATEN BANDUNG

Disusun Oleh :

Nayoda Agung Satria

22115024

Kelas B

PROGRAM STUDI PERENCANAAN WILAYAH DAN KOTA

JURUSAN TEKNOLOGI INFRASTRUKTUR DAN KEWILAYAHAAN

INSTITUT TEKNOLOGI SUMATERA

2016
 DAFTAR ISI

DAFTAR ISI ............................................................................. i

DAFTAR TABEL ........................................................................ iv

DAFTAR GAMBAR ..................................................................... v

BAB I PENDAHULUAN

1.1 Latar Belakang .................................................................... 1

1.2 Rumusan Masalah ................................................................. 2

1.3 Tujuan dan Sasaran............................................................... 2

1.3.1 Tujuan ........................................................................... 2

1.3.2 Sasaran........................................................................... 2

1.4 Ruang Lingkup Penelitian ........................................................ 3

1.4.1 Ruang Lingkup Materi .......................................................... 3

1.4.2 Ruang Lingkup Wilayah ........................................................ 3

1.4.3 Ruang Lingkup Waktu .......................................................... 4

1.5 Metodologi Penelitian ............................................................ 4

1.6 Sistematika Penulisan ............................................................ 4

BAB II METODE ANALISIS

2.1 Teori Industri dan Pendidikan................................................... 6

2.2 Teori Analisis Faktor ............................................................. 7

2.2.1 Principal Componen Analysis ................................................. 8

2.2.2 Common Factor Analysis ...................................................... 10

i
2.3 Penggunaan Analisis Faktor dengan Aplikasi SPSS............................ 10

BAB III INPUT DAN ANALISIS DATA

3.1 Input Data ......................................................................... 22

3.2 Analisis Output Data.............................................................. 22

3.2.1 Uji Data : Uji KMO dan Bartlett .............................................. 22

3.2.2 Uji Variabel ..................................................................... 23

3.2.3 Uji Data 2........................................................................ 24

3.2.4 Uji Variabel 2 ................................................................... 24

3.2.5 Uji Data 3........................................................................ 25

3.2.6 Uji Variabel 3 ................................................................... 25

3.2.7 Uji Data 4........................................................................ 26

3.2.8 Uji Variabel 4 ................................................................... 26

3.2.9 Uji Data 5........................................................................ 26

3.2.10 Uji Variabel 5 .................................................................. 27

3.2.11 Uji Data 6 ...................................................................... 27

3.2.12 Uji Variabel 6 .................................................................. 28

3.2.13 Kesimpulan Asumsi Analisis Faktor ......................................... 28

3.2.14 Faktor yang terbentuk ....................................................... 29

3.2.15 Faktor Loading ................................................................ 30

3.2.16 Rotated Component Matrix .................................................. 32

3.2.17 Component Transformation Matrix ......................................... 33

ii
3.2.18 Factor Score ................................................................... 34

BAB IV KESIMPULAN DAN SARAN

4.1 Kesimpulan ........................................................................ 35

4.2 Saran ............................................................................... 36

DAFTAR PUSTAKA .................................................................... 37

iii
 DAFTAR TABEL

Tabel 3.2.1.1 KMO and Bartlett`s Test .......................................... 23

Tabel 3.2.2.1 Anti-image Matrices ................................................ 23

Tabel 3.2.3.1 KMO and Bartlett`s Test 2 ........................................ 24

Tabel 3.2.4.1 Anti-image Matrices 2 ............................................. 24

Tabel 3.2.5.1 KMO and Bartlett`s Test 3 ........................................ 25

Tabel 3.2.6.1 Anti-image Matrices 3 ............................................. 25

Tabel 3.2.7.1 KMO and Bartlett`s Test 4 ........................................ 26

Tabel 3.2.8.1 Anti-image Matrics 4 ............................................... 26

Tabel 3.2.9.1 KMO and Bartlett`s Test 5 ........................................ 27

Tabel 3.2.10.1 Anti-image Matrices 5 ............................................ 27

Tabel 3.2.11.1 KMO and Bartlett`s Test 6 ...................................... 28

Tabel 3.2.12.1 Anti-image Matrices 6 ............................................ 28

Tabel 3.2.13.1 Communalities ..................................................... 28

Tabel 3.2.14.1 Total Variance Explained ........................................ 29

Tabel 3.2.15.1 Component Matrix ................................................ 30

Tabel 3.2.16.1 Rotated Component Matrix ..................................... 32

Tabel 3.2.17.1 Component Transformation Matrix ............................ 33

Tabel 3.2.18.1 Factor Score ....................................................... 34

iv
 DAFTAR GAMBAR

Gambar 1.4.2.1 Peta Kota Bandung .............................................. 4

Gambar 2.3.1 Contoh Tabel yang akan Diolah .................................. 11

Gambar 2.3.2 Contoh Tabel KMO ................................................. 13

Gambar 2.3.3 Contoh Tabel Anti-image Correlation .......................... 14

Gambar 2.3.4 Contoh KMO setelah reduksi 1 ................................... 15

Gambar 2.3.5 Contoh Tabel Communalities .................................... 17

Gambar 2.3.6 Contoh Tabel Total Variance Explained ........................ 18

Gambar 2.3.7 Contoh Gambar Scree Plot........................................ 19

Gambar 2.3.8 Contoh Gambar Tabel Component Matrix ..................... 19

Gambar 2.3.9 Contoh Gambar Rotated Component Matrix................... 20

Gambar 2.3.10 Contoh Tabel Component Transformation Matrix ......... 20

Gambar 2.3.11 Contoh Gambar Component Plot in Rotated Space ........ 21

Gambar 3.2.14.1 Scree Plot ........................................................ 30

Gambar 3.2.17.1 Component Plot in Rotated Space .......................... 33

v
 BAB I

PENDAHULUAN

Pada Bab ini akan dijelaskan mengenai alur penelitian dalam

mengidentifikasi faktor-faktor yang menjadi indicator kesejahteraan. Pertama
dibahas dari penjabaran secara luas tentang latar belakang pemilihan masalah.
Setelah itu dibuat rumusan masalah yang rasional dan spesifik. Rumusan
masalah digunakan untuk menentukan tujuan serta sasaran yang ingin dicapai.
Dengan adanya tujuan dan sasaran penulis menentukan ruang lingkup penelitian
yang berisi ruang lingkup materi, wilayah, maupun waktu. Kemudian,
membahas metodologi yang sesuai untuk penelitian. Terakhir adalah
pemaparan sistematika penulisan laporan penelitian ini dari mulai bab satu
sampai bab empat.

1.1 Latar Belakang

Untuk meningkatkan kesejahteraan suatu masyarakat maka melakukan
suatu pembangunan demi meningkatkan perkembangan suatu daerah.
Pembangunan pada dasarnya adalah suatu proses untuk melakukan
perubahan pada indikator sosial maupun ekonomi masyarakat menuju ke
arah yang lebih baik dan berkesinambungan (Mudrajad, 2006 dan Todaro,
2009). Salah satu tolak ukur dalam keberhasilan pembangunan adalah
tersedianya sumberdaya manusia (SDM) yang berkualitas. Sumberdaya
manusia yang berkualitas dapat dilihat dari angka pendidikan dan
kesehatan, serta juga perekonomian suatu wilayah atau negara yang
semakin membaik.
Saat ini, Bandung merupakan kabupaten yang terkenal dengan mutu
pendidikannya yang tinggi dikarenakan banyaknya sarana pendidikan yang
tersedia. Dengan tingginya mutu pendidikan Bandung membuat Kabupaten
Bandung mampu menjadi kota yang memiliki perkembangan baik di
Indoneia. Selain itu, Bandung juga merupakan tempatnya berbagai macam
industri pengolahan berada. Dari industri-industri tersebut ikut
meningkatkan perkembangan Bandung sehingga menjadi kabupaten yang

1
 terbilang maju. Dalam penelitian kali ini, penulis mengambil kabupaten
Bandung yang merupakan kabupaten dengan jumlah penduduk terbesar di
Jawa Barat dan terbesar ketiga di Pulau Jawa setelah Jakarta dan Surabaya.
Melihat kondisi tersebut, maka penulis merasa perlu diadakan penelitian
terhadap sektor industri pengolahan yang berhubungan dengan sektor
pendidikan taraf SD hingga SMU/K di Kabupaten Bandung.

1.2 Rumusan Masalah

Berdasarkan latar belakang, berikut adalah rumusan masalah pada
penelitian ini:
1. Variabel industri pengolahan apa saja yang berkaitan dengan indikator
pendidikan taraf SD hingga SMU/K di Kabupaten Bandung?
2. Berapa banyak faktor yang terbentuk?
3. Variabel-variabel apa saja yang terdapat dalam faktor tersebut?

1.3 Tujuan dan Sasaran

1.3.1 Tujuan
Berdasarkan rumusan masalah, berikut tujuan dilakukannya
penelitian ini:
1. Mengidentifikasi variabel-variabel industri pengolahan yang berkaitan
dengan indikator pendidikan taraf SD hingga SMU/K di Kabupaten
Bandung
2. Mengidentifikasi jumlah faktor yang terbentuk
3. Mengidentifikasi variabel-variabel yang terdapat dalam faktor yang
terbentuk

1.3.2 Sasaran
Berikut sasaran yang ingin dicapai dalam penelitian ini:
1. Mengetahui pengelompokan variabel-variabel yang terbentuk antara
sektor pendidikan dengan industri pengolahan
2. Mengetahui data mengenai sektor pendidikan taraf SD hingga SMU/K di
Kabupaten Bandung

2
 3. Mengetahui data mengenai sektor industri pengolahan di Kabupaten
Bandung

1.4 Ruang Lingkup Penelitian

Ruang lingkup dari penelitian ini terdiri atas ruang lingkup materi, ruang
lingkup wilayah, dan ruang lingkup waktu.

1.4.1 Ruang Lingkup materi

yang digunakan dalam menganalisis berjumlah 20 variabel dengan
rincian sebagai berikut: a) skala nominal: Kecamatan. b) skala interval-
rasio: jumlah murid SD swasta, jumlah murid SMU swasta, jumlah SLTP
swasta, jumlah SD swasta, jumlah SMU swasta, jumlah murid SLTP swasta,
jumlah industri tekstil lainnya, jumlah industri karet, jumlah industri
pakaian jadi, jumlah industri barang logam jumlah industri makanan
lainnya, jumlah SMK swasta, jumlah murid SMK swasta, jumlah murid SMU
swasta, jumlah murid SMU negeri, jumlah murid SLTP negeri, dan jumlah
murid SLTP negeri.

1.4.2 Ruang lingkup Wilayah

Wilayah orientasi studi (pengambilan data) terbatas pada
Kabupaten Bandung. Jumlah data yang digunakan sebanyak 30 Kecamatan
dan terdapat 22 variabel.

3
 Gambar 1.4.2.1 Peta Kota Bandung

Sumber: http://www.Google.com/maps/Bandung

1.4.3 Ruang Lingkup Waktu

Waktu pengambilan data dilakukan pada tanggal 10 Mei 2017,
dan rentang waktu pengolahan data dari tanggal 10 Mei 2017 – 11 mei
2017.

1.5 Metodologi Penelitian

Penulis menggunakan metode penelitian metode pustaka, suatu metode
penelitian dengan cara mencari informasi tentang bahan-bahan tulisan dari
berbagai referensi. Pada penelitian ini metode penelitian yang digunakan
adalah dengan menggunakan data sekunder. Data tersebut didapatkan dari
katalog Badan Pusat Statistik Bandung. Sedangkan untuk melakukan analisis
yang mendalam penulis menggunakan program SPSS 23.

1.6 Sistematika Penulisan

Penyusunan laporan pada penelitian ini dibagi menjadi 4 bab, berikut
adalah sistematika penulisannya :

BAB I PENDAHULUAN
Pada bagian pendahuluan ini, penulis menguraikan tentang latar belakang
pengambilan masalah, rumusan masalah, tujuan dan sasaran yang ingin
dicapai dari penelitian ini, ruang lingkup materi, ruang lingkup wilayah,

4
ruang lingkup waktu, dan metodologi penelitian yang mencakup metode
pengumpulan data sert metode analisis data.

BAB II DASAR TEORI

Pada bagian ini, penulis memaparkan mengenai teori analisis yang
digunakan mengenai substansi penelitian, teori analisis yang digunakan
mengenai metode analisis pada kuliah Metode Analisis Perencanaan, dan
teori analisis yang menjelaskan langkah-langkah analisi dalam menggunakan
SPSS.

BAB II INPUT DAN ANALISIS DATA

Pada bagian ini, penulis akan memaparkan mengenai tabel input data yang
berisi variabel-variabel yang akan diuji kemudian bagaimana analisis data
tersebut, analisis output data berupa penginterpretasian dan penganalisisan
data setelah data tersebut diolah menggunakan SPSS, dan Interpretasi hasil
analisis tersebut terhadap teori dan konsep bidang Perencanaan Wilayah
dan Kota.

BAB IV KESIMPULAN DAN SARAN

Pada bagian ini, penulis membuat kesimpulan dari hasil analisis data yang
telah dilakukan dan memberi saran kepada materi yang dibahas dan kepada
penelitian ini.

5
 BAB II
METODE ANALISIS

Pada Bab ini akan dijelaskan tentang pemaparan teori analisis yang
berisi mengenai substansi penelitian, teori analisis yang digunakan mengenai
metode analisis pada kuliah Metode Analisis Perencanaan (MAP) II, dan
dijelaskan juga langkah-langkah analisi dalam menggunakan SPSS.

2.1 Teori Industri dan Pendidikan

Hubungan antara industri dan pendidikan memiliki pengaruh besar

terhadap tenaga kerja yang telah terlatih dan didukung tingkat pendidikan yang
baik untuk mendapatkan pelatihan. Dipihak lain, industri sendiri memiliki suatu
sub sistem pendidikan yang khas termasuk kegiatan magang dan berbagai
bentuk pelatihan.

Dampak yang dapat terlihat secara langsung terhadap sektor pendidikan

akibat sektor industri adalah terdapatnya kecenderungan dalam menyusun dan
menerapkan kurikulum dalam disistem pengajaran agar sesuai kebutuhan sektor
industri. Pihak dari industri sendiri menghendaki suatu metode pendidikan yang
memungkinkan lulusan sekolah menjadi tenaga kerja yang langsung siap pakai.
Pendidikan serta berbagai latihan keterampilan dalam perusahaan adalah suatu
bentuk perluasan dari tujuan dan nilai yang terdapat dalam pendidikan yang
akan disampaikan kepada masyarakat. Beberapasistem pendidikan tertentu
telah memberi pengaruh terhadap komposisi dan distribusi sumber-sumber
tenaga kerja dan secara keseluruhan akan mengangsir dunia industri.

Masa transisi dari dunia sekolah menuju dunia kerja akan menyebabkan dua
macam masalah diantaranya adalah aspirasi dan harapan calon pekerja dan
proses pemilihan pekerjaan. Sekolah pada awalnya memberikan suatu
pandangan dari bentuk pekerjaan yang akan didapatkan oleh muridnya.
Disekolah para siswa mendapatkan informasi tentang berbagai pekerjaan yang
akan mereka lakukan, meskipun informasi tersebut mungkin bersifat tak

6
langsung bila sekolah yang mereka tempati adalah sekolah ilmu-ilmu sosial.
Sebagai persiapan memasuki dunia kerja, pihak sekolah memilih sekelompok
siswa yang sudah senior untuk melakukan kunjungan ke perusahaan agar
memiliki pengetahuan praktis dari kegiatan di perusahaan yang dikunjunginya.
Hal ini memberikan gambaran bagi pada murid mengenai ruang lingkup
pekerjaannya sehingga memengaruhi pilihan pekerjaan mereka masing-masing.

Pada dasarnya, masa memasuki dunia kerja merupakan sebuah proses yang
ditentukan oleh keputusan seseorang dalam memilih pekerjaannya dengan
melerai serangkaian tahapan yang dapat diidentifikasi. Setiap pekerjaan yang
dipilih oleh seseorang akan membentuk dirinya sendiri dan juga lingkungannya.
Dengan memilih pekerjaan yang tepat berdasarkan pribasi tiap orang,
diharapkan mampu meningkatkan kualitas hidup orang tersebut. Sehingga dapat
dinilai sangat penting proses dalam pemilihan suatu pekerjaan karena akan
berdampak langsung terhadap keadaan dirinya maupun sosial dan lingkungan.

2.2 Teori Analisis Faktor

Analisis faktor merupakan nama umum yang menunjukkan suatu kelas
prosedur, utamanya dipergunakan untuk mereduksi data atau meringkas, dari
variable yang banyak diubah menjadi sedikit variable. Misalnya dalam
penelitian kita sebagai mahasiswa Perencanaan Wilayah dan Kota sering
dihadapkan dengan kebutuhan untuk menganalisis sejumlah besar variabel.
Analisis Faktor merupakan salah satu teknik reduksi data dengan cara:

1. Menstrukturkan Data, mengelompokkan data asli berdasarkan keeratan

masing-masing dalam kelompok yang sama.
2. Menghilangkan redudancy atau duplikasi informasi diantara sekumpulan
variabel
3. Mengganti variabel-variabel yang saling berhubungan dengan sekumpulan
variabel yang lebih kecil, yang disebut “Faktor”.

7
 Dalam penerapannya faktor analisis dapat dibedakan menjadi beberapa
bagian yaitu:

1. Identifikasi Faktor Dasar: mengidentifikasikan faktor yang mendasari

sejumlah besar variable.
2. Screening Faktor: menyaring variabel untuk maksud analisis statistik
yang lain.
3. Meringkas Data: menyaring sesedikit atau sebanyak faktor yang
diinginkan dari sekumpulan variabel.
4. Sampling Variabel: menyeleksi suatu kelompok kecil wakil variabel yang
tidak terkorelasi diantara sejumlah besar kumpulan variabel supaya
menyelesaikan persoalan praktis.
5. Pengelompokkan obyek: membuat kelompok obyek dengan karaktersitik
yang relatif sama.

Dalam Ekstraksi Data ada dua Kelompok Pendekatan:

1. Component Factor Analysis: Menganalisis seluruh data, tidak ada asumsi

tentang variansi unik dalam data; teknik utama: Principal Component
Analysis.
2. Common Factor Analysis: Mengasumsikan bahwa variansi dalam variabel
dapat dibagi ke dalam komponen Common dan Unik. Salah satu teknik:
Principal Factor.

Dalam banyak kejadian Analisis Faktor yang berbeda memberikan hasil

yang sama, namun demikian hal ini tidak mengaburkan perbedaan dasar dari
masing-masing tipe pendekatan.

2.2.1 Principal Component Analysis

Principal Component Analysis (PCA) pada dasarnya adalah bertujuan

untuk menyederhanakan variabel yang diamati dengan cara menyusutkan
(mereduksi) dimensinya. Hal ini dilakukan dengan cara menghilangkan korelasi
diantara variabel bebas melalui transformasi variabel bebas asal ke variabel
baru yang tidak berkorelasi sama sekali atau yang biasa disebut dengan

8
principal component. Setelah beberapa komponen hasil PCA yang bebas
multikolinearitas diperoleh, maka komponen-komponen tersebut menjadi
variabel bebas baru yang akan diregresikan atau dianalisa pengaruhnya
terhadap variabel tak bebas (Y) dengan menggunakan analisis regresi.

Prinsip Dasar Principal Component Analysis (PCA) yaitu dengan lokasi

variabel tetap di tempatnya semula, dicari dimensi atau sumbu sedemikian
rupa sehingga hasil proyeksi titik ke sumbu tersebut terbesar.

X2
PC

.. . .
..
. . .
. .
X1

Keuntungan penggunaan Principal Component Analysis (PCA) dibandingkan

metode lain :

1. Dapat menghilangkan korelasi secara bersih (korelasi = 0) sehingga

masalah multikolinearitas dapat benar-benar teratasi secara bersih.
2. Dapat digunakan untuk segala kondisi data / penelitian.
3. Dapat dipergunakan tanpa mengurangi jumlah variabel asal, walaupun
metode Regresi dengan PCA ini memiliki tingkat kesulitan yang tinggi
akan tetapi kesimpulan yang diberikan lebih akurat dibandingkan dengan
pengunaan metode lain.

9
2.2.2 Common Factor Analysis
Konsep dasar Common Factor Analysis mengungkapkan masing-masing
variabel yang diamati berkenaan dengan Common Factor dan sebuah Unique
Factor, secara aljabar sebagai berikut:
X 1  v11CF1  v12CF2  ..................  v1mCFm  e1
X 2  v21CF1  v22CF2  ..................  v2 mCFm  e2
.
.
.
Metode Dasar X p  v p1CF1  v p 2CF2  ..................  v pmCFm  e p

a. X=Λf+e dimana:

 X=vektor p dimensi dari respon yang diamati X’=(X1, X2, . . . . Xp).

 f= vektor q dimensi dari variabel yang tidak dapat diamatidisebut
Common Factor f’=(f1,f2,. . . . fq).
 e= vektor p dimensi dari variabel yang tidak dapat diamati disebut
Unique Factor e’= (e1,e2,. . . . ep)

2.3 Penggunaan Analisis Faktor dengan Aplikasi SPSS

Analisis Faktor memiliki kegunaan untuk melakukan pengurangan data atau

dengan kata lain melakukan peringkasan sejumlah variable menjadi lebih kecil
jumlahnya. Pengurangan dilakukan dengan melihat interdependensi beberapa
variable yang dapat dijadikan satu yang disebut faktor sehingga ditemukan
variable-variabel atau faktor-faktor yang dominan atau penting untuk dianalisis
lebih lanjut, misalnya dengan dikorelasikan dengan variable tergantung.

Contoh Kasus :
Sama seperti kota atau kabupaten lainnya, Kabupaten Subang memiliki
derajat atau tingkatan kabupaten tersendiri. Tingkatan derajat tersebut
dipengaruhi oleh faktor-faktor yang berada di dalamnya. Untuk mengetahui
faktor-faktor apa saja yang mempengaruhi derajat kabupaten Subang
diperlukan analisis faktor untuk menganalisisnya. Untuk itu berbagai variable
pada 22 kecamatan di Kabupaten Subang dikumpulkan datanya dalam tabel 1:

10
 Gambar 2.3.1Contoh Tabel yang akan diolah

Keterangan :
NK = Nama kecamatan
A = Jumlah pengguna listrik per desa
B = Jumlah Rumah Sakit
C = Jumlah puskesmas
D = Jumlah sarana pelayanan
kesehatan
E = Jumlah balai pengobatan
F = Jumlah taman kanak-kanak
G = Jumlah pasar
H = Jumlah kantor pos
I = Jumlah toko
J = Jumlah koperasi
K = Jumlah masjid
L = Jumlah gereja
M = Jumlah panti asuhan
N = Jumlah sarana olah raga
O = Jumlah unit usaha
P = Jumlah perusahaan dagang

11
• Selanjutnya, Pilihlah perintah submenu dibagian bawah kiri Variabel
View. Masukkan data yang ada kedalam variabel view.

• Pilihlah perintah Data View, masukkan semua data.

• Klik Analyze. Pilih submenu Dimension Reduction, kemudian pilih

Factor.

• Pindahkan semua variabel di kolom kiri ke kolom variabel sebelah

kanan.

• Pilih Descriptive. Pada pilihan Correlation Matrix : aktifkan pilihan

KMO and Bartlett’s test of sphericity dan Anti-Image, kemudian klik
Continue. Dan Ok.

12
 Gambar 2.2.2 Contoh Tabel KMO

Hipotesis untuk pengujian KMO and Bartlett’s adalah :

Ho = data belum memadai untuk dianalisis lebih lanjut
Hi = data sudah memadai untuk dianalisis lebih lanjut
Hi diterima jika angka KMO MSA lebih dari 0,5 dan signifikansi kurang dari
0,05. Angka KMO and Bartlett’s test adalah 0,521 dengan signifikasi 0,000.
Angka tersebut sudah di atas 0,5 dan signifikansi jauh di bawah 0,05 (0,000 <<
0,05), maka Hi diterima. Artinya, variabel dan populasi yang ada sudah bisa
dianalisis lebih lanjut. Akan tetapi, analisis per variabel tetap perlu dilakukan
dengan metode AntiImage. Ketentuan tersebut diatas didasarkan pada kriteria
sebagai berikut :
 Jika probabilitas (sig) <0,05 maka variable dapat dianalisis lebih lanjut
 Jika probabilitas (sig) >0,05 maka variable tidak dapat dianalisis lebih
lanjut
Gambar 2.3.3 Contoh Tabel Anti Image Corellation

13
 Perhatikan pada bagian Anti Image Corellation, khususnya pada angka
korelasi yang bertanda a. Terdapat variabel yang tidak bisa diprediksi dan
tidak bisa dianalisis lebih lanjut atau dikeluarkan dari variabel lainnya karena
nilai MSA variabel-variabel tersebut kurang dari 0,5. Variable yang dikeluarkan
dimulai dari variable terkecil, yaitu adalah variabel Jumlah Koperasi.
Untuk keperluan analisis lebih lanjut, kita perlu melakukan ulang proses
analisis ulang dengan cara yang sama, sebagai berikut:
 Klik Analyze. Pilih submenu Dimension Reduction, kemudian pilih
Factor.
 Pindahkan variabel Jumlah Koperasi di kolom kanan ke kolom variable
sebelah kiri.

• Pilih Descriptive. Pada pilihan Correlation Matrix : aktifkan pilihan

KMO and Bartlett’s test of sphericity dan AntiImage, kemudian klik
Continue. Dan Ok.
Gambar 2.2.4 Contoh KMO setelah reduksi 1

Hipotesis untuk pengujian KMO and Bartlett’s adalah :

Ho = data belum memadai untuk dianalisis lebih lanjut
Hi = data sudah memadai untuk dianalisis lebih lanjut

Hi diterima jika angka KMO MSA lebih dari 0,5 dan signifikansi kurang
dari 0,05. Angka KMO and Bartlett’s test adalah 0,525 dengan signifikasi 0,000.
Angka tersebut sudah di atas 0,5 dan signifikansi jauh di bawah 0,05 (0,000 <<

14
0,05), maka Hi diterima. Artinya, variabel dan populasi yang ada sudah bisa
dianalisis lebih lanjut. Kemudian, dilakukan analisis Anti Image Matrics.
Gambar 2.2.5 Contoh Anti Image Corellation setelah reduksi 1

Perhatikan pada bagian Anti Image Corellation, khususnya pada angka

korelasi yang bertanda a. Terdapat variabel yang tidak bisa diprediksi dan
tidak bisa dianalisis lebih lanjut atau dikeluarkan dari variabel lainnya karena
nilai MSA variabel-variabel tersebut kurang dari 0,5. Variable yang dikeluarkan
dimulai dari variable terkecil, yaitu adalah variabel Jumlah Gereja.
Untuk keperluan analisis lebih lanjut, kita perlu melakukan ulang proses
analisis ulang dengan cara yang sama sampai tidak terdapat lagi nilai yang
bertanda a dibawah 0,5 atau mendekati 0,5.
Langkah berikutnya adalah factoring yaitu untuk mencari factor loading. Cara
yang dilakukan sebagai berikut:
 Klik Analyze. Pilih submenu Dimension Reduction, kemudian pilih
Factor.
 Pilih extraction. Pilih principal component, corelation matrix,
unrotated factor solution dan scree plot. Klik continue.

15
 Pilih rotation. Klik varimax, rotated solution, loading plot, klik
continue.

 Pilih option. Klik exclude cases listwise dan sorted by size.

 Klik Ok.

16
 Gambar 2.2.6 Contoh Tabel Communalities

Communalities pada dasarnya adalah jumlah varian (bisa dalam

persentase) suatu variabel mula-mula yang bisa dijelaskan oleh faktor yang
ada. Misalnya, angka untuk variabel jumlah perusahaan dagang adalah 0,936.
Artinya, sekitar 93,6% varian variabel jumlah perusahaan dagang bisa dijelaskan
oleh faktor yang terbentuk. Nilai persentase yang tinggi menunjukkan bahwa
variabel perusahaan dagang sangat erat hubungannya dengan faktor yang
terbentuk. Begitu juga dengan variabel lainnya, dengan ketentuan bahwa
semakin besar communalities sebuah variabel, berarti semakin erat
hubungannya dengan faktor yang terbentuk.
Gambar 2.2.7 Contoh Tabel Total Variance Explained

Ada 13 variabel (Component) yang dimasukkan dalam analisis faktor,

yaitu variabel Jumlah Pengguna Listrik Per Desa, Jumlah Rumah Sakit, Jumlah
Puskesmas, Jumlah Sarana Pelayanan Kesehatan, Jumlah Balai Pengobatan,
Jumlah Taman Kanak-Kanak, Jumlah Pasar, Jumlah Kantor Pos, Jumlah Toko,

17
Jumlah Masjid, Jumlah Panti Asuhan, Jumlah Sarana Olah Raga, dan Jumlah
Perusahaan Dagang. Dengan masing-masing variabel mempunyai varian 1,
sehingga total varian adalah 13 X 1 = 13. Dari tabel di atas, terlihat bahwa
hanya tiga faktor yang terbentuk, karena dengan tiga faktor, angka
eigenvalues berada di atas 1, yaitu 1,298. Namun untuk empat faktor angka
eigenvalues sudah berada di bawah 1, yaitu 0,689, sehingga proses factoring
seharusnya berhenti pada 3 faktor saja. Hal ini karena eigenvalues
menunjukkan kepentingan masing-masing faktor dalam menghitung varian 13
variabel yang dianalisis. Ketiga faktor yang ditentukan dapat menjelaskan
sekitar 80,345% dari ketiga belas variabel yang ada.

Gambar 2.2.8 Contoh Gambar Scree Plot

Apabila tabel Total Variance menjelaskan dasar jumlah faktor yang

didapat dengan perhitungan angka, Scree Plot menampakkan hal tersebut
dengan grafik. Perhatikan faktor 3 pada sumbu x (Component Number) berada
di atas angka 1 pada sumbu y (eigenvalue). Hal ini menunjukkan bahwa tiga
faktor adalah paling bagus untuk meringkas dan mengelompokkan ketiga belas
variabel tersebut.

18
 Gambar 2.2.9 Contoh Gambar Tabel Component Matrixa

Tabel Component Matrix menunjukkan distribusi ketiga belas variabel

pada tiga faktor yang terbentuk. Sedangkan angka-angka yang ada pada tabel
adalah faktor loadings, yang menunjukkan besar korelasi antara suatu variabel
dengan faktor 1, faktor 2, dan faktor 3. Proses penentuan variabel mana akan
masuk ke faktor yang mana dilakukan dengan melakukan perbandingan besar
korelasi pada setiap baris. Korelasi antara suatu variabel dengan salah satu
faktor dapat dilihat dari faktor loading yang ada pada tabel. Jika nilainya lebih
dari 0,5, maka korelasi antara suatu variabel dengan salah satu faktor
dikatakan kuat. Selain itu, jika angka faktor loading suatu variabel dengan satu
faktor lebih besar daripada nilai korelasinya dengan faktor yang lain, maka
variabel tersebut masuk dalam kategori faktor dengan faktor loading terbesar.
Perlu diperhatikan bahwa tanda “-“ hanya menunjukkan arah hubungan
tersebut. Namun, tabel Component Matrix ini belum cukup mengelompokkan
variabel-variabel dengan jelas karena ada korelasi yang menunjukkan
perbedaan yang tidak signifikan. Jadi, untuk menghindari adanya kesalahan
pengelompokkan variabel pada suatu faktor, perlu adanya proses rotasi.

19
 Gambar 2.2.10 Contoh Gambar Rotated Component Matrixa

Rotated Component Matrix merupakan Component Matrix yang telah

dirotasi sehingga dapat memperlihatkan distribusi variabel yang lebih jelas dan
nyata. Terlihat faktor loadings yang awalnya kecil semakin diperkecil, dan
faktor loadings yang besar semakin besar. Sehingga, jika dilihat dari besar
faktor loading antara variabel dengan faktor yang terbentuk, maka
pengelompokkan ketiga belas variabel tersebut adalah sebagai berikut :

Faktor 1 : Jumlah Panti Asuhan, Jumlah Perusahaan Dagang, Jumlah Pasar,

Jumlah Rumah Sakit, Jumlah TK, Jumlah Sarana Pelayanan Kesehatan
Faktor 2 : Jumlah Masjid, Jumlah Pengguna Listrik Per Desa, Jumlah Puskesmas,
Jumlah Kantor Pos
Faktor 3 : Jumlah Toko, Jumlah Balai Pengobatan, Jumlah Sarana Olah Raga

Gambar 2.2.11 Contoh Tabel Component Transformation Matrix

Tabel Component Transformation Matrix dapat membuktikan apakah

suatu faktor (component) yang terbentuk sudah tepat atau belum. Tabel ini

20
menunjukkan hubungan antara faktor yang satu dengan yang lainnya.
Perhatikan angka-angka yang ada pada diagonal, antara Component 1 dengan
1, Component 2 dengan 2, dan Component 3 dengan 3. Dapat dilihat ketiga
angka menunjukkan angka yang lebih dari 0,5, yaitu : 0,725, 0,869, dan 0,815.
Angka tersebut membuktikan bahwa ketiga faktor (component) yang terbentuk
sudah tepat karena memiliki korelasi yang tinggi.
Gambar 2.12 Contoh Gambar Component Plot in Rotated Space

Sumber : Output SPSS, 2017

Component Plot in Rotated Space menampilkan gambar letak ketiga
belas variabel pada ketiga faktor yang ada. Gambar ini merupakan analisis
pelengkap dari analisis sebelumnya. Kemudian untuk mencari factor scores
yang merupakan hasil akhir bisa dilakukan sebagai berikut:
• Klik Analyze. Pilih submenu Dimension Reduction, kemudian pilih
Factor
• Klik Scores. Kemudian pilih Save As Variable dan Regression. Klik OK
• Kembali ke Data View, lihat tabel baru yang terbentuk di daerah paling
kanan, itulah factor score yang diminta

21
 BAB III

INPUT DAN ANALISIS DATA

Pada bab ini akan dijelaskan mengenai input dan analisis data yang
telah didapatkan dari BPS Kabupaten Bandung sekaligus menjelaskan
interpretasinya terhadap bidang perencanaan wilayah dan kota. Dari data input
yang didapatkan, data input tersebut kemudian dianalisa menggunakan aplikasi
IBM SPSS Statistic Editor yang kemudian dijelaskan satu per satu dengan
menggunakan analisis yang sesuai sekaligus menampilkan output datanya. Dari
hasil analisis tersebut kemudian dikaitkan terhadap teori dan konsep dalam
bidang perencanaan wilayah dan kota.

3.1 Input Data

Input data diperoleh melalui data sekunder berupa buku elektronik

“KOTA BANDUNG DALAM ANGKA 2015” yang ditampilkan dalam bentuk tabel
input yang berisi variabel-variabel dan data yang akan dianalisis. Data
terlampir.

3.2 Analisis Output Data

3.2.1 Uji Data : Uji KMO dan Bartlett

Uji KMO dan Bartlett ini digunakan untuk mengetahui kelayakan data
yang digunakan. Berikut hipotesa yang ditetapkan:

1. H= = Data belum memadai untuk dianalisis lebih lanjut

2. H1 = Data sudah memadai untuk dianalisis lebih lanjut

H1 diterima apabila nilai KMO > 0,5 dan nilai signifikansi < 0,5

H1 tidak diterima apabila nilai KMO < 0,5 dan/atau nilai signifikansi > 0,5

22
 Tabel 3.2.1.1 KMO and Barlett`s Test

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .548
Bartlett's Test of Sphericity Approx. Chi-Square 620.229
df 231
Sig. .000
Sumber : Output SPSS, 2017

Berdasarkan hasil yang didapat pada uji KMO tersebut, didapatkan

bahwa nilai KMO(0,548) > 0,5 dan nilai signifikansi(0,00) < 0,5. Sehingga, dapat
disimpulkan bahwa data yang didapat sudah memadai untuk dianalisis lebih
lanjut atau H1 diterima.

3.2.2 Uji variabel

Uji ini digunakan untuk mengetahui apakah variabel yang ada dapat
dianalisis lebih lanjut atau tidak.

Adapun jika:

1. MSA = 1 $ variabel dapat diprediksi tanpa kesalahan oleh variabel lain

2. MSA > 0,5 $ variabel dapat diprediksi dan dapat dianalisis lebih lanjut
3. MSA < 0,5 $ variabel tidak dapat diprediksi dan tidak dapat dianalisis
lebih lanjut. Oleh karena itu, variabel tersebut harus dibuang.

Tabel 3.2.2.1 Anti-image Matrices

Tabel terlampir.

Berdasarkan hasil dari tabel tersebut, didapat bahwa terdapat beberapa

variabel yang memiliki nilai MSA < 0,5. Variabel tersebut adalah jumlah industri
makanan lainnya(0,45), jumlah industri pakaian jadi(0,466), jumlah industri
kulit(0,378), jumlah industri barang logam(0,458), jumlah industri tekstil
lainnya(0,397), jumlah industri karet(0,413), jumlah SD negeri(0,161), jumlah
SMK negeri(0,344), jumlah murid SD negeri(0,48), dan jumlah murid SMK
negeri(0,427). Sehingga, didapat bahwa variabel jumlah SD negeri yang
memiliki nilai MSA terkecil adalah variabel yang perlu dihilangkan.

23
3.2.3 Uji Data 2

Uji ini dilakukan kembali untuk mengecek kelayakan data yang

digunakan apakah memadai untuk dianalisa lebih lanjut. Pada uji data kedua ini
telah dihilangkan variabel jumlah SD negeri berdasarkan hasil pada uji variabel
sebelumnya. Dengan hipotesa yang sama dengan uji data sebelumnya bahwa :

1. H= = Data belum memadai untuk dianalisis lebih lanjut

2. H1 = Data sudah memadai untuk dianalisis lebih lanjut

H1 diterima apabila nilai KMO > 0,5 dan nilai signifikansi < 0,5

H1 tidak diterima apabila nilai KMO < 0,5 dan/atau nilai signifikansi > 0,5

Tabel 3.2.3.1 KMO and Bartlett`s Test 2

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .572
Bartlett's Test of Sphericity Approx. Chi-Square 614.246
Df 210
Sig. .000
Sumber : Output SPSS, 2017

Berdasarkan uji KMO tersebut terlihat bahwa nilai KMO sebesar 0,572
dengan nilai signifikansi sebesar 0,00. Oleh karena itu, H1 diterima sehingga
data dapat dianalisis lebih lanjut.

3.2.4 Uji variabel 2

Uji ini dilakukan kembali untuk mengetahui apakah veriabel yang ada dapat
dianalisis lebih lanjut atau tidak(perlu menghilangkan salah satu variabel
kembali).

Tabel 3.2.4.1 Anti-image Matrices 2

Tabel terlampir.

Berdasarkan hasil yang didapatkan, masih terdapat beberapa variabel

yang memiliki nilai MSA < 0,5 dengan nilai MSA terkecil dimiliki oleh variabel

24
jumlah industri kulit sebesar 0,382. Oleh karena itu, variabel jumlah industri
kulit perlu dihilangkan.

3.2.5 Uji Data 3

Uji ini dilakukan kembali untuk mengecek kelayakan data yang

digunakan apakah memadai untuk dianalisa lebih lanjut. Pada uji data ini telah
dihilangkan variabel jumlah industri kulit berdasarkan hasil pada uji variabel
sebelumnya. Adapun hipotesa yang digunakan masih sama seperti uji data
sebelumnya.

Tabel 3.2.5.1 KMO and Bartlett`s Test 3

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .577
Bartlett's Test of Sphericity Approx. Chi-Square 572.468
Df 190
Sig. .000
Sumber : Output SPSS, 2017

Berdasarkan uji KMO tersebut didapatkan hasil berupa nilai KMO sebesar
0,577 dengan nilai signifikansi sebesar 0,00. Oleh karena itu, H1 diterima
sehingga data dapat dianalisis lebih lanjut.

3.2.6 Uji variabel 3

Uji ini dilakukan kembali untuk mengetahui apakah veriabel yang ada dapat
dianalisis lebih lanjut atau tidak.

Tabel 3.2.6.1 Anti-image Matrices 3

Tabel terlampir.

Berdasarkan hasil yang didapatkan, masih terdapat beberapa variabel

yang memiliki nilai MSA < 0,5 dan nilai MSA terkecil dimiliki oleh variabel
jumlah murid SMK negeri(0,377) sehingga variabel tersebut perlu dihilangkan.

25
3.2.7 Uji Data 4

Uji ini dilakukan kembali untuk menguji kelayakan data yang digunakan
apakah memadai untuk dianalisa lebih lanjut. Pada uji data kali ini telah
dihilangkan variabel jumlah murid SMK negeri berdasarkan hasil pada uji
variabel sebelumnya. Adapun hipotesa yang digunakan masih sama seperti uji
data sebelumnya.

Tabel 3.2.7.1 KMO and Bartlett`s Test 4

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .632
Bartlett's Test of Sphericity Approx. Chi-Square 527.783
Df 171
Sig. .000
Sumber : Output SPSS, 2017

Berdasarkan hasil tersebut dapat disimpulkan bahwa nilai KMO sebesar

0,632 dengan nilai signifikansi sebesar 0,00. Oleh karena itu, H1 diterima
sehingga data dapat dianalisis lebih lanjut.

3.2.6 Uji variabel 4

Uji ini dilakukan kembali untuk mengetahui apakah veriabel yang ada dapat
dianalisis lebih lanjut atau tidak.

Tabel 3.2.6.1 Anti-image Matrices 4

Tabel terlampir.

Berdasarkan hasil yang didapatkan, terdapat empat variabel dengan

nilai MSA < 0,5 dan nilai MSA terkecil dimiliki oleh variabel jumlah murid SD
negeri(0,406) sehingga variabel tersebut perlu dihilangkan.

3.2.9 Uji Data 5

Uji ini dilakukan kembali untuk menguji kelayakan data yang digunakan
apakah memadai untuk dianalisa lebih lanjut. Adapun hipotesa yang digunakan

26
masih sama seperti uji data sebelumnya. Adapun dengan menghilangkan
variabel jumlah murid SD negeri, hasil yang didapat ditunjukkan pada tabel di
bawah ini.

Tabel 3.2.7.1 KMO and Bartlett`s Test 5

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .687
Bartlett's Test of Sphericity Approx. Chi-Square 499.408
Df 153
Sig. .000
Sumber : Output SPSS, 2017

Berdasarkan hasil tersebut didapatkan nilai KMO sebesar 0,687 dengan

nilai signifikansi sebesar 0,00. Oleh karena itu, H1 diterima sehingga data dapat
dianalisis lebih lanjut.

3.2.10 Uji variabel 5

Uji ini dilakukan kembali untuk mengetahui apakah veriabel yang ada dapat
dianalisis lebih lanjut atau tidak.

Tabel 3.2.10.1 Anti-image Matrices 5

Tabel terlampir.

Berdasarkan hasil yang didapatkan, hanya terdapat satu variabel dengan

nilai MSA < 0,5 yaitu variabel jumlah SMK negeri dengan nilai 0,467 sehingga
variabel tersebut perlu dihilangkan.

3.2.11 Uji Data 6

Uji ini kembali dilakukan untuk menguji kelayakan data yang digunakan
apakah memadai untuk dianalisa lebih lanjut. Dengan hipotesa yang sama
dengan uji data sebelumnya dan setelah menghilangkan varaibel jumlah SMK
negeri didapatkan hasil seperti yang ditujukan pada tabel di bawah ini.

27
 Tabel 3.2.11.1 KMO and Bartlett`s Test 6

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .699
Bartlett's Test of Sphericity Approx. Chi-Square 480.730
df 136
Sig. .000
Sumber : Output SPSS, 2017

Dari tabel diatas terlihat bahwa nilai KMO yang didapatkan sebesar
0,699 dengan nilai signifikansi sebesar 0,00. Oleh karena itu, H1 diterima dan
data dapat dianalisis lebih lanjut.

3.2.12 Uji variabel 6

Uji ini kembali dilakukan untuk mengetahui apakah veriabel yang ada dapat
dianalisis lebih lanjut atau tidak.

Tabel 3.2.12.1 Anti-image Matrices 6

Tabel terlampir.

Berdasarkan tabel tersebut, dapat disimpulkan bahwa semua variabel

memiliki nilai MSA > 0,5. Oleh karena itu, proses analisis dapat dilanjutkan
ketahap berikutnya.

3.2.13 Kesimpulan Asumsi Analisis Faktor

Tabel 3.2.13.1 Communalities

Communalities
Initial Extraction
Jumlah_SD_Swasta 1.000 .825
Jumlah_SLTP_Negeri 1.000 .931
Jumlah_SLTP_Swasta 1.000 .876
Jumlah_SMU_Negeri 1.000 .727
Jumlah_SMU_Swasta 1.000 .841
Jumlah_SMK_Swasta 1.000 .873
Jumlah_Murid_SD_Swasta 1.000 .826
Jumlah_Murid_SLTP_Neger
1.000 .855
i

28
 Communalities
Initial Extraction
Jumlah_Murid_SLTP_Swast
1.000 .769
a
Jumlah_Murid_SMU_Negeri 1.000 .838
Jumlah_Murid_SMU_Swast
1.000 .807
a
Jumlah_Murid_SMK_Swast
1.000 .772
a
Jumlah_Industri_Makanan_
1.000 .510
Lainnya
Jumlah_Industri_Pakaian_J
1.000 .838
adi
Jumlah_Industri_Barang_Lo
1.000 .681
gam
Jumlah_Industri_Tekstil_Lai
1.000 .798
nnya
Jumlah_Industri_Karet 1.000 .835
Extraction Method: Principal Component Analysis.
Sumber : Output SPSS, 2017

Dari tabel diatas, menunjukkan variabel uji yang memenuhi persyaratan

komunalitas yaitu nilai extraction > 0,5. Berdasarkan hasil tersebut, terlihat
bahwa semua variabel memiliki nilai ekxtraction > 0,5. Oleh karena itu, proses
dapat dilanjutkan ketahap selanjutnya.

3.2.14 Faktor yang Tebentuk

Tabel 3.2.14.1 Total Variance Explained

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings
% of % of
Component Total Variance Cumulative % Total Variance Cumulative %
1 7.115 41.852 41.852 7.115 41.852 41.852
2 3.374 19.846 61.698 3.374 19.846 61.698
3 1.881 11.065 72.764 1.881 11.065 72.764
4 1.232 7.248 80.012 1.232 7.248 80.012
5 .845 4.969 84.981
6 .689 4.052 89.033
7 .477 2.805 91.838
8 .361 2.121 93.959
9 .292 1.717 95.676
10 .241 1.419 97.094
11 .185 1.086 98.181
12 .083 .486 98.667
13 .069 .408 99.075
14 .065 .379 99.454

29
 Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings
% of % of
Component Total Variance Cumulative % Total Variance Cumulative %
15 .052 .304 99.759
16 .027 .158 99.917
17 .014 .083 100.000
Extraction Method: Principal Component Analysis.
Sumber : Output SPSS, 2017

Gambar 3.2.14.1 Scree Plot

Sumber : Output SPSS, 2017

Pada tabel diatas, terdapat empat komponen yang dapat mewakili

variabel. Berdasarkan tabel tersebut, dapat diketahui bahwa nilai total initial
eigenvalues yang lebih besar dari satu terdapat pada komponen satu sampai
empat, kemudian dilihat nilai persen kumulatifnya yang terbesar dari jumlah
komponen tersebut terdapat pada jumlah komponen sebanyak empat. Dengan
jumlah komponen sebanyak empat dapat menjelaskan variabel sebesar
80,012%. Oleh karena itu, nilai komponen yang akan diambil adalah empat.

3.2.15 Faktor Loading

Setelah didapat jumlah faktor yang dapat terbentuk, selanjutnya adalah

melakukan penentuan masing-masing faktor yang akan dimasuki oleh variabel.

Tabel 3.2.15.1 Component Matrix

Component Matrixa
Component
1 2 3 4
Jumlah_SD_Swasta .866 .058 -.175 -.205

30
 Component Matrixa
Component
1 2 3 4
Jumlah_SLTP_Negeri .684 .206 -.557 .333
Jumlah_SLTP_Swasta .903 -.113 .009 -.217
Jumlah_SMU_Negeri .709 -.281 .054 .376
Jumlah_SMU_Swasta .843 -.306 .088 -.171
Jumlah_SMK_Swasta .455 -.420 .660 .231
Jumlah_Murid_SD_Swasta .775 .059 -.320 -.346
Jumlah_Murid_SLTP_Neger
.639 .173 -.548 .341
i
Jumlah_Murid_SLTP_Swast
.847 -.126 .066 -.179
a
Jumlah_Murid_SMU_Negeri .788 -.201 .113 .405
Jumlah_Murid_SMU_Swast
.715 -.425 -.117 -.318
a
Jumlah_Murid_SMK_Swast
.527 -.264 .638 .132
a
Jumlah_Industri_Makanan_
.427 .504 .215 -.164
Lainnya
Jumlah_Industri_Pakaian_J
.287 .785 .236 .291
adi
Jumlah_Industri_Barang_Lo
.310 .733 -.016 .218
gam
Jumlah_Industri_Tekstil_Lai
.255 .807 .259 -.121
nnya
Jumlah_Industri_Karet .318 .752 .290 -.290
Extraction Method: Principal Component Analysis.
a. 4 components extracted.
Sumber : Output SPSS, 2017

Tabel tersebut menunjukkan seberapa besar sebuah variabel

berhubungan dengan faktor yang akan dibentuk. Seperti yang terlihat pada
variabel jumlah SD swasta yang berkorelasi sebesar 0,866 dengan faktor satu,
0,058 dengan faktor dua, -0,175 dengan faktor tiga, dan -0,205 dengan faktor
keempat. Korelasi terbesar untuk faktor satu juga ditunjukkan oleh variabel
lain diantaranya adalah jumlah SLTP negeri, jumlah SLTP swasta, jumlah SMU
negeri, jumlah SMU swasta, jumlah murid SD swasta, jumlah murid SLTP negeri,
jumlah murid SLTP swasta, jumlah murid SMU negeri, dan jumlah murid SMU
swasta. Untuk faktor kedua, variabel yang berkorelasi dengan kuat adalah
jumlah industri makanan lainnya, jumlah industri pakaian jadi, jumlah industri
barang logam, jumlah industri tekstil lainnya, dan jumlah industri karet. Untuk
faktor ketiga, variabel yang berkorelasi dengan kuat adalah jumlah SMK swasta
dan jumlah murid SMK swasta. Untuk faktor keempat, tidak terdapat variabel
yang berkorelasi dengan kuat karena variabel-variabel tersebut berkorelasi
lebih kuat kepada faktor lainnya.

31
3.2.16 Rotated Component Matrix

Tabel 3.2.16.1 Rotated Component Matrix

Rotated Component Matrixa

Component
1 2 3 4
Jumlah_Murid_SD_Swasta .837 .183 -.056 .298
Jumlah_Murid_SMU_Swast
.834 -.204 .245 .099
a
Jumlah_SLTP_Swasta .826 .163 .348 .216
Jumlah_SD_Swasta .791 .245 .147 .343
Jumlah_SMU_Swasta .776 -.004 .467 .145
Jumlah_Murid_SLTP_Swast
.752 .152 .385 .181
a
Jumlah_Industri_Tekstil_Lai
.049 .891 -.047 -.010
nnya
Jumlah_Industri_Karet .203 .881 -.051 -.122
Jumlah_Industri_Pakaian_J
-.167 .842 .138 .288
adi
Jumlah_Industri_Barang_Lo
-.047 .723 -.042 .393
gam
Jumlah_Industri_Makanan_
.273 .654 .087 .016
Lainnya
Jumlah_SMK_Swasta .156 -.052 .913 -.112
Jumlah_Murid_SMK_Swast
.243 .108 .831 -.111
a
Jumlah_Murid_SMU_Negeri .360 .042 .672 .505
Jumlah_SMU_Negeri .348 -.070 .612 .476
Jumlah_SLTP_Negeri .375 .163 -.021 .873
Jumlah_Murid_SLTP_Neger
.342 .123 -.018 .850
i
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization. a
a. Rotation converged in 5 iterations.
Sumber : Output SPSS, 2017

Pada tabel diatas telah terlihat penentuan penempatan variabel pada

faktornya. Sehingga dapat disimpulkan anggota masing-masing faktor adalah
sebagai berikut:

 Faktor 1 (Sekolah dasar dan menengah tingkat pertama swasta) :

o Jumlah murid SD swasta, jumah murid SMU swasta, jumlah SLTP
swasta, jumlah SD swasta, jumlah SMU swasta, jumlah murid
SLTP swasta
 Faktor 2 (Industri pengolahan):
o Jumlah industri tekstil lainnya, jumlah industri karet, jumlah
industri pakaian jadi, jumlah industri barang logam, jumlah
industri makanan lainnya

32
  Faktor 3 (Sekolah menengah tingkat atas):
o Jumlah SMK swasta, jumlah murid SMK swasta, jumlah murid SMU
negeri, jumlah SMU negeri
 Faktor 4 (SLTP negeri):
o Jumlah SLTP negeri dan jumlah murid SLTP negeri

3.2.17 Component Transformation Matrix

Gambar 3.2.17.1 Component Plot in Rotated Space

Sumber : Output SPSS, 2017

Gambar diatas menujukkan gambar letak semua variabel pada keempat

faktor yang ada. Gambar tersebut merupakan analisis pelengkap dari analisis
sebelumnya.

Tabel 3.2.12.1 Component Transformation Matrix

Component Transformation Matrix

Component 1 2 3 4
1 .745 .273 .438 .422
2 -.203 .900 -.357 .147
3 -.195 .332 .702 -.599
4 -.605 -.073 .433 .664
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
Sumber : Output SPSS, 2017

33
 Tabel diatas menunjukkan bahwa komponen satu memiliki nilai korelasi
0,745, komponen dua memiliki nilai korelasi 0,90, komponen tiga memiliki nilai
korelasi 0,702, komponen 4 emiliki nilai korelasi 0,664. Karena semua
komponen > 0,5 maka semua faktor yang terbentuk dapat dikatakan tepat
dalam merangkum semua variabel yang ada.

3.2.18 Factor Score

Tabel 3.2.18.1 Factor Score

Sumber : Input SPSS(Data View), 2017

Tabel diatas memperlihatkan nilai-nilai faktor berdasarkan kecamatan

pada kabupaten Bandung. Semakin besar nilai dari factor score menunjukkan
hubungan yang semakin erat suatu kecamatan terhadap suatu faktor.

34
 BAB IV

KESIMPULAN DAN SARAN

Pada bab ini akan dijelaskan mengenai kesimpulan dan saran dari
analisis yang telah dilakukan dalam penelitian tentang faktor-faktor yang
menjadi indikator mutu pendidikan taraf SD hingga SMU/SMK dan
perkembangan industri pengolahan di kabupaten Bandung.

4.1 Kesimpulan

Dari hasil penelitian ini dapat disimpulkan bahwa pengelompokan

variabel-variabel yang diuji menujukan bahwa tidak adanya pengelompokkan
antara variabel-variabel sektor industri pengolahan dengan sektor pendidikan
taraf SD hingga SMU/K di Kabupaten Bandung. Berdasarkan hasil analisis
didapatkan empat kelompok yang mencirikan kesamaan diantara variabel-
variabel pembentuknya. Kelompok pertama merupakan kelompok untuk sekolah
dasar dan tingkat pertama dengan status swasta. Kelompok kedua merupakan
kelompok untuk sekolah menengah tingkatan atas. Kelompok ketiga merupakan
kelompok sektor industri pengolahan. Sedangkan kelompok keempat memuat
SLTP negeri.

Berdasarkan hasil Rotated Component Matrix, terlihat bahwa

pengelompokan sektor pendidikan taraf SD hingga SMU/K di Kabupaten Bandung
terbagi menjadi tiga kelompok. Kelompok pertama merupakan kelompok untuk
sekolah dasar dan tingkat pertama dengan status swasta yang berisi variabel :
jumlah murid SD swasta, jumlah murid SMU swasta, jumlah SLTP swasta,
jumlah SD swasta, jumlah SMU swasta, dan jumlah murid SLTP swasta.
Kelompok kedua merupakan kelompok untuk sekolah menengah tingkatan atas
yang memuat variabel : jumlah SMK swasta, jumlah murid SMK swasta, jumlah
murid SMU negeri, jumlah SMU negeri. Sedangkan kelompok ketiga memuat
SLTP negeri dengan variabel jumlah SLTP negeri dan jumlah murid SLTP negeri.

Untuk data mengenai sektor industri pengolahan di Kabupaten Bandung,

didapatkan hasil bahwa semua variabel sektor industri pengolahan membentuk

35
suatu kelompok tanpa adanya satupun variabel yang masuk kedalam kelompok
sektor pendidikan taraf SD hingga SMU/K. Kelompok tersebut berisikan variabel
jumlah industri tekstil lainnya, jumlah industri karet, jumlah industri pakaian
jadi, jumlah industri barang logam, dan jumlah industri makanan lainnya.

4.2 Saran

Adapun saran dari penulis adalah sebagai berikut:

1. Pemerintah sebaiknya mampu berpikir kritis dan lebih komplek lagi

dalam merencanakan kebijakan=kebijakannya. Hal ini dimaksudkan agar
tidak terjadi kesenjangan antara daerah yang terbangun dan daerah
yang tidak terbangun.
2. Diharapkan agar pemerintah mampu untuk memercayakan posisi
kepemimpinan kepada seorang ahli perencana wilayah dan kota. Selama
ini yang menjabat posisi-posisi ketua adalah seorang ahli ekonomi
sehngga perencanaan hanya terfokus kepada pengembangan ekonomi
wilayah padahal seharusnya pengembangan tersebut berorientasi pada
setiap sektor yang ada.

36
 DAFTAR PUSTAKA

Depdiknas. 2004. Kurikulum dan Hasil Belajar. Jakarta : Dikmenum.

Fattah, N. 2009. Ekonomi dan pembiayaan Pendidikan. Bandung : Rosdakarya.
Nurkholis. 2006. Manajemen Berbasis Sekolah, Teori, Model dan aplikasi.
Jakarta : Grasindo

Pustaka internet:
https://bandungkota.bps.go.id
https://bandungkab.bps.go.id
https://jabar.bps.go.id

37