Disusun Oleh :
22115024
Kelas B
2016
DAFTAR ISI
BAB I PENDAHULUAN
1.3.2 Sasaran........................................................................... 2
i
2.3 Penggunaan Analisis Faktor dengan Aplikasi SPSS............................ 10
ii
3.2.18 Factor Score ................................................................... 34
iii
DAFTAR TABEL
iv
DAFTAR GAMBAR
v
BAB I
PENDAHULUAN
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.
1.3.2 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
3
Gambar 1.4.2.1 Peta Kota Bandung
Sumber: http://www.Google.com/maps/Bandung
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.
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.
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.
7
Dalam penerapannya faktor analisis dapat dibedakan menjadi beberapa
bagian yaitu:
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.
X2
PC
.. . .
..
. . .
. .
X1
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:
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.
12
Gambar 2.2.2 Contoh Tabel KMO
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.
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
15
Pilih rotation. Klik varimax, rotated solution, loading plot, klik
continue.
Klik Ok.
16
Gambar 2.2.6 Contoh Tabel Communalities
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.
18
Gambar 2.2.9 Contoh Gambar Tabel Component Matrixa
19
Gambar 2.2.10 Contoh Gambar Rotated Component Matrixa
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
21
BAB III
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.
Uji KMO dan Bartlett ini digunakan untuk mengetahui kelayakan data
yang digunakan. Berikut hipotesa yang ditetapkan:
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
Uji ini digunakan untuk mengetahui apakah variabel yang ada dapat
dianalisis lebih lanjut atau tidak.
Adapun jika:
Tabel terlampir.
23
3.2.3 Uji Data 2
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
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.
Uji ini dilakukan kembali untuk mengetahui apakah veriabel yang ada dapat
dianalisis lebih lanjut atau tidak(perlu menghilangkan salah satu variabel
kembali).
Tabel terlampir.
24
jumlah industri kulit sebesar 0,382. Oleh karena itu, variabel jumlah industri
kulit perlu dihilangkan.
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.
Uji ini dilakukan kembali untuk mengetahui apakah veriabel yang ada dapat
dianalisis lebih lanjut atau tidak.
Tabel terlampir.
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.
Uji ini dilakukan kembali untuk mengetahui apakah veriabel yang ada dapat
dianalisis lebih lanjut atau tidak.
Tabel terlampir.
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.
Uji ini dilakukan kembali untuk mengetahui apakah veriabel yang ada dapat
dianalisis lebih lanjut atau tidak.
Tabel terlampir.
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
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.
Uji ini kembali dilakukan untuk mengetahui apakah veriabel yang ada dapat
dianalisis lebih lanjut atau tidak.
Tabel terlampir.
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
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
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
31
3.2.16 Rotated Component Matrix
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
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.
34
BAB IV
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
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
36
DAFTAR PUSTAKA
Pustaka internet:
https://bandungkota.bps.go.id
https://bandungkab.bps.go.id
https://jabar.bps.go.id
37