Suatu Kajian Dalam Penentuan Faktor Dominan Yang Mempengaruhi Meningkatnya Penderita Kanker Serviks Dengan Analisis Faktor

(1)

SUATU KAJIAN DALAM PENENTUAN FAKTOR DOMINAN

YANG MEMPENGARUHI MENINGKATNYA PENDERITA

KANKER SERVIKS DENGAN ANALISIS FAKTOR

TUGAS AKHIR

NURDIAN SURAIYA 070803011

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

ALAM UNIVERSITAS SUMATERA UTARA

MEDAN

2011

(2)

SUATU KAJIAN DALAM PENENTUAN FAKTOR DOMINAN

YANG MEMPENGARUHI MENINGKATNYA PENDERITA

KANKER SERVIKS DENGAN ANALISIS FAKTOR

TUGAS AKHIR

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar sarjana sains

NURDIAN SURAIYA

070803011

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

ALAM UNIVERSITAS SUMATERA UTARA

MEDAN

2011

(3)

PENGHARGAAN

Puji dan syukur penulis panjatkan kehadirat Allah SWT Yang Maha Pemurah dan Maha Penyayang, dengan limpahan kurnia-Nya skripsi ini berhasil diselesaikan dalam waktu yang telah ditetapkan. Shalawat beriring salam kepada

Baginda Rasulullah SAW, sebagai rahmatan lil’alamin.

Dalam menyelesaikan skripsi ini penulis mengucapkan banyak terimakasih kepada Bapak Dr. Sutarman, M.Si selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.Bapak Prof. Dr. Tulus, M.Si selaku ketua Departemen Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara. Bapak Drs. Pasukat Sembiring, M.Si dan Drs. Rachmad Sitepu, M.Si, selaku dosen pembimbing skripsi penulis yang telah memberi dukungan moral, motivasi dan ilmu pengetahuan bagi penulis dalam menyelesaikan penulisan ini, serta Bapak Drs. Open Darnius, M.Sc dan Ibu Dra. Elly Rosmaini, M.Si sebagai dosen penguji skripsi ini yang telah memberikan kritik dan saran agar penulisan ini lebih baik. Seluruh Staf Pengajar Departemen Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.

Ucapan terimakasih juga ditujukan kepada kedua Orangtua tercinta Sukisno dan Zainab Lubis yang telah memberikan banyak bantuan materi, moril maupun spiritual. Kepada saudara-saudari saya, M. Iskandar, Yusniar Triya, Kiki Rizky Hidayat dan Susanti Yusuf yang selalu memberi semangat untuk menyelesaikan skripsi ini.

Tak lupa pula ucapan terimakasih ditujukan kepada sahabat-sahabat yaitu: Zulham, Lia, Novi, Mizwar, Warsini, Nelly, Memel, Sheila, Isnaini, Irma yang telah memberikan semangat dan persaudaraan selama mengenyam pendidikan di FMIPA USU, serta rekan-rekan stambuk 2007 Departemen Matematika FMIPA USU dan para sahabat di Ikatan Mahasiswa Matematika Muslim FMIPA USU dan kepada seluruh pihak yang telah memberikan motivasi yang tidak dapat disebutkan satu per satu.

(4)

ABSTRAK

Kanker serviks masih merupakan penyakit ganas yang paling banyak terjadi pada wanita. Di indonesia terjadi peningkatan penyakit kanker serviks dan menjadi salah satu penyebab kematian pada usia produktif. Untuk mengetahui tingkat tersebut, kita harus mengetahui faktor-faktor apa saja yang mempengaruhi terjadinya kanker serviks. Hasil penelitian ini menunjukkan bahwa kanker serviks dipengaruhi oleh pendidikan, pekerjaan, usia pertama kali melakukan hubungan seksual, papsmear, paritas, ganti pasangan, infeksi, pemakaian kontrasepsi, merokok. Dari hasil analisis faktor ditemukan tiga faktor yaitu faktor sosial ekonomi, faktor aktivitas seksual, dan faktor pola hidup dengan jumlah varians sebesar 52,380%.

(5)

ABSTRACT

Cervical cancer remains a malignant disease is most common in women. In Indonesia an increase in cervical cancer and be one cause of death in the productive age. To find such a level, we need to know what factors are influencing the occurrence of cervical cancer. The results of this study show that cervical cancer is influenced by education, occupation, age at first sexual intercourse, pap smear, parity, sexual partners, infection, use of contraceptives, smoking. From the results of factor analysis found three factors, namely socio-economic factors, sexual activity factors, and lifestyle factors with the variance of 52.380%.

(6)

DAFTAR ISI

Halaman

PERSETUJUAN i

PERNYATAAN ii

PENGHARGAAN iii

ABSTRAK iv

ABSTRACT v

DAFTAR vi

DAFTAR TABEL vii

BAB 1 PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Perumusan Masalah 2

1.3 Batasan Masalah 3

1.4 Tinjauan Pustaka 3

1.5 Tujuan Penelitian 5

1.6 Manfaat Penelitian 5

1.7 Metodologi Penelitian 5

BAB 2 LANDASAN TEORI 7

2.1 Variabel 7

2.2 Data 7

2.2.1 Data Menurut Sifatnya 8

2.2.2 Data Menurut sumbernya 8

2.3 Skala Pengukuran 9

2.4 Skala Untuk Instrumen (ModelSkala Sikap) 11

2.5 Faktor-faktor Yang Mempengaruhi Kanker Serviks 12

2.5.1 Pendidikan 12

2.5.2 Pekerjaan 13

(7)

2.5.4 Usia Pertama Kali Melakukan Hubungan Seksual 13

2.5.5 Papsmear 14

2.5.6 Ganti Pasangan 14

2.5.7 Infeksi 14

2.5.8 Pemakaian Kontrasepsi 15

2.5.9 Merokok 15

2.6 Uji Vvaliditas 16

2.7 Uji Reliabilitas 16

2.8 Analisis Faktor 16

2.8.1 Model Analisis Faktor 17

2.8.2 Statistik Yang Berkaitan Dengan Analisis Faktor 18

2.8.3 Pelaksanaan Analisis Faktor 21

BAB 3 PEMBAHASAN 26

3.1 Gambaran Umum 26

3.2 Uji Validitas 27

3.3 Uji Reliabilitas 29

3.4 Analisis Faktor Dengan SPSS for Windows 17.0 30

3.4.1 Membuat Matriks Korelasi 30

3.4.2 Penentuan Jumlah Faktor 32

3.4.3 Rotasi Faktor 33

3.4.4 Interpretasi Faktor 33

3.4.5 Ketepatan Model (Model Fit) 35

BAB 4 KESIMPULAN DAN SARAN 37

4.1 Kesimpulan 37

4.2 Saran 38

DAFTAR PUSTAKA 39

LAMPIRAN A: HASIL OUTPUT SPSS FOR WINDOWS 17.0 40

LAMPIRAN B: KUISIONER PENELITIAN 49

(8)

DAFTAR TABEL

Halaman Tabel 2.1 Matrik Korelasi Untuk Jumlah Variabel n = 3 19 Tabel 2.2 Matrik Korelasi Untuk Jumlah Variabel n = 4 19

Tabel 3.1 Tabel Deskripsi Faktor Kanker Servik 27

Tabel 3.2 Tabel Hasil Uji Validitas 28

Tabel 3.3 Tabel Hasil Uji Reliabilitas 29

Tabel 3.4 Tabel Matrik Korelasi 31

Tabel 3.5 Tabel Uji KMO dan Uji Barlett 31

Tabel 3.6 Anti-image Matrices 32

Tabel 3.7 Faktor-faktor Yang Mempengaruhi Meningkatnya 33 Penderita Kanker Serviks

Tabel 3.8 Tabel Hasil Rotasi Faktor Varimax 33

Tabel 3.9 Tabel Selisih (Residuals) Antara Observed Correlation 35 Dengan Reproduced Correlation

(9)

ABSTRAK

(10)

ABSTRACT

(11)

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Kanker merupakan penyakit tidak menular. Penyakit ini akan timbul karena pola hidup yang tidak sehat dan mengakibatkan kondisi fisik yang tidak normal. Kanker dapat menyerang berbagai jaringan di dalam organ tubuh, termasuk organ reproduksi pada wanita dari payudara, rahim, induk telur dan vagina. Layaknya semua kanker, kanker serviks terjadi ditandai dengan adanya pertumbuhan sel-sel pada leher rahim yang tidak lazim (abnormal). Tetapi sebelum sel-sel tersebut menjadi sel-sel kanker, terjadi beberapa perubahan yang dialami oleh sel-sel tersebut. Kanker serviks merupakan salah satu penyakit yang menimbulkan dampak psikologis yang luas bagi pasien dan keluarga pasien (Mangan, 2003).

Kanker serviks merupakan penyebab kematian kedua setelah jantung koroner. Di Negara berkembang, kanker serviks menempati peringkat teratas sebagai penyakit yang diidap oleh wanita. Diperkirakan terdapat 500.000 kasus setiap tahunnya di dunia dan 80% diantaranya terjadi di negara-negara yang sedang berkembang. Indonesia yang merupakan salah satu negara berkembang tercatat lebih dari 100 per 1.000.000 jiwa kasus kanker serviks atau sekitar 180.000 kasus kanker serviks setiap tahunnya ( Sahil, 2003. Mustari, 2006 ).

Pada umumnya para penderita datang dalam kondisi penyakit yang sudah stadium lanjut. Itu sangatlah beralasan karena mengingat pada tahap awalnya penyakit sering tidak menampakkan gejala khusus. Ketidaktahuan kaum wanita terhadap penanggulangan kanker serviks tentunya berhubungan dengan keterlambatan untuk

(12)

memeriksakan kesehatan dirinya terutama kesehatan reproduksi dan minimnya pengetahuan kaum wanita terhadap faktor-faktor penyebab kanker serviks.

Lebih dari 90 persen penyebab kanker serviks ditularkan oleh virus HPV (Human Papiloma Virus) yang ditularkan melalui hubungan seksual. Virus ini memiliki lebih dari 100 tipe. Selain HPV, ada beberapa faktor yang diduga mempengaruhi meningkatnya kanker serviks yaitu faktor sesiodemografis yang meliputi usia, status ekonomi sosial, pendidikan dan faktor aktivitas seksual yang meliputi usia pertama kali melakukan hubungan seks, pasangan seks yang berganti-ganti, paritas, intesitas menjaga kebersihan genital, merokok, riwayat penyakit kelamin, trauma kroniks pada seviks, serta penggunaan kontrasepsi oral dalam jangka yang cukup lama yaitu lebih dari 4 tahun (Diananda,2007).

Analisis multivariat merupakan salah satu jenis analisis yang digunakan untuk menganalisis data yang mempunyai banyak peubah bebas ( independent variable ) dan peubah tidak bebas ( dependent variable ).

Analisis faktor merupakan salah satu metode statistik multivariat 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.

Berdasarkan latar belakang tersebut dan tingginya jumlah wanita yang menderita penyakit kanker seviks, penulis tertarik untuk mngetahui lebih lanjut faktor-faktor yang mempengaruhi meningkatnya penyakit kanker serviks, sehingga dengan hasil yang diperoleh dapat dijadikan acuan dalam penyusunan rencana program penanggulangan kanker serviks.

1.2Perumusan Masalah

Adapun masalah yang akan dibahas pada penelitian ini adalah apa saja faktor-faktor yang mempengaruhi meningkatnya penderita kanker serviks di RSU dr. Pirngadi Medan.

(13)

1.3Batasan Masalah

1. Penelitian ini dilakukan di RSU dr. Pirngadi Medan

2. Faktor yang dilihat adalah pendidikan, pekerjaan, paritas, usia pertama kali melakukan hubungan seksual, papsmear, ganti pasangan, infeksi, pemakaian kontrasepsi, dan merokok.

1.4Tinjauan Pustaka

Analisis faktor merupakan salah satu metode multivariat 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 menganalisis faktor yang mempengaruhi meningkatnya penderita kanker serviks, metode analisis faktor dianggap sangat cocok untuk penelitian ini, disebabkan penelitian ini mencoba menemukan hubungan (interrelationship) beberapa variabel yang saling independen satu dengan yang lainnya, sehingga bisa dibuat kumpulan variabel yang lebih sedikit dari jumlah variabel awal sehingga akan lebih mudah dikontrol (Kerlinger, 1993).

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).

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).

Analisis faktor hampir mirip dengan regresi berganda, yaitu bahwa setiap variabel dinyatakan sebagai suatu kombinasi linier dari faktor yang mendasari. Jumlah

(14)

varian yang disumbangkan oleh suatu variabel dengan variabel lainnya tercakup dalam analisis disebut communality. Kovarians antar variabel yang diuraikan, dinyatakan dalam suatu common factors yang sedikit jumlahnya ditambah dengan faktor yang unik untuk setiap variabel. Dari variabel-variabel yang dibakukan

(standardized), model faktor dapat ditulis sebagai berikut:

X1 - µ1 = L11F1 + L12F2 + ... + L1m+ ε1 X2 - µ2 = L21F2 + L22F2 + ... + L2m +ε2

: :

Xp - µp = Lp1F1 + Lp2F2 + ... + Lpm + εp

Dimana

µi = rata-rata dari peubah ke-i Fj = faktor umum ke-j

εj = faktor unik ke-j

Lij = loading dari peubah ke-i pada faktor ke-j

Atau dalam notasi matriks:

Xpx1 -µpx1 = LpxmFmx1+ εpx1

Faktor unik tidak berkorelasi dengan sesama faktor unik dan juga tidak berkorelasi dengan common faktor. Common factor dapat dinyatakan sebagai kombinasi linier dari variabel-variabel yang terobservasi, yaitu:

Fi = Wi1X1 + Wi2X2 + Wi3X3 + ...

+ WikXk

Keterangan:

Fi = Estimasi faktor ke i

Wi = Bobot atau koefisien nilai faktor ke i k = Jumlah variabel

Variasi observasi yang muncul tentu saja disebabkan adanya konsep variansi. Inilah asumsi pertama dalam anlisis faktor. Jenis varians yaitu: common varians,

specific varians, dan error varians. Common varians merupakan suatu varians yang reliabel berkolerasi dengan variabel lain. Spesific varians merupakan suatu varians yang dihasilkan dari kesalahan sampling, pengukuran dan kondisi tes yang berada di

(15)

bawah standar, kondisi psikologi dan perubahan tertentu pada diri individu dan pengaruh lain yang menimbulkan unreliabilitas. Varians ini di asumsikan tidak berkolerasi dengan varians yang reliabel (Fructer, 1954).

1.5Tujuan Penelitian

Berdasarkan permasalahan, maka penulisan ini bertujuan untuk mengetahui faktor-faktor yang paling berpengaruh penyebab meningkatnya penderita kanker serviks yang dirawat di RSU dr. Pirngadi Medan.

1.6Manfaat Penelitian

Penulisan ini diharapkan dapat menjadi acuan bagi RSU dr. Pirngadi Medan dalam penanganan penderita kanker serviks dan bagi seluruh lapisan masyarakat khususnya perempuan sebagai gambaran tentang faktor yang mempengaruhi meningkatnya penderita kanker serviks sehingga penderita kanker serviks dapat diminimalisir.

1.7Metodologi Penelitian

Populasi penelitian ini adalah semua penderita yang rawat inap di RSU dr. Pirngadi Medan. Pemilihan sampel dilakukan dengan metode Incidental Sampling, yaitu responden yang kebetulan dijumpai atau dapat dijumpai, namun responden tersebut dibatasi yaitu responden yang diambil adalah para pasien yang telah terinfeksi penyakit kanker serviks selama 6 bulan yang dirawat di RSU dr, Pirngadi Medan. Jumlah responden yang diambil adalah 45 0rang. Untuk penentuan jumlah sampel pada analisis faktor harus memenuhi empat atau lima kali dari jumlah variabel yang akan dianalisis. Dalam penelitian ini terdapat sepuluh variabel yang akan dianalisis, sehingga jumlah responden sebanyak 45 orang dianggap sudah mencukupi ().

(16)

Cara mengumpulkan data adalah dengan membuat quisioner, yaitu dengan membuat daftar pertanyaan untuk diisi oleh responden, disini diminta agar responden memberikan jawaban sejujur mungkin.

Selanjutnya dilakukan langkah-langkah sebagai berikut: 1. Uji Validitas (kesahihan)

Validitas mempunyai arti sejauh mana ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsinya. Suatu angket dikatakan valid (sah) jika pertanyaan pada suatu angket mampu mengungkapkan sesuatu yang diukur oleh angket tersebut (Azwar, 2003).

2. Uji Reliabilitas (keandalan)

Menurut Azwar (2003), reliabilitas alat ukur menunjukkan sejauh mana hasil usaha pengukuran dapat dipercaya.

3. Analisis Faktor

Secara garis besar tahapan dalam melakukan analisis faktor adalah:

a. Merumuskan masalah, dangan mengidentifikasi variabel-variabel, yaitu:

X1 = Pendidikan X2 = Pekerjaan

X3 = Usia pertama kali kawin/melakukan hubungan seks X4 = Papsmear

X5 = Paritas

X6 = Ganti pasangan X7 = Infeksi

X8 = Pemakaian kontrasepsi X9 = Merokok

b. Membuat matriks korelasi c. Penentuan jumlah faktor d. Rotasi faktor

(17)

BAB 2

LANDASAN TEORI

2.1 Variabel

Variabel di dalam suatu penelitian merupakan atribut dari sekelompok objek yang diteliti, mempunyai variasi antara satu dengan yang lainnya dalam kelompok tersebut, misalnya: tinggi badan dan berat badan yang merupakan atribut dari seseorang yang dalam hal ini objek penelitiannya (Ridwan, 2002).

Variabel memiliki bermacam-macam bentuk menurut hubungan antara satu variabel dan variabel lainnya. Yaitu:

a. Variabel independent, yaitu: variabel yang menjadi sebab terjadinya atau terpengaruhnya variabel dependen.

b. Variabel dependen, yaitu: variabel yang nilainya dipengaruhi variabel independen.

c. Variabel moderator, yaitu: variabel yang memperkuatdan memperlemah hubungan antaravariabel dependen dan independen.

d. Variabel intervining, yaitu: variabel moderator, tetepi nilainya tidak dapat diukur, seperti: kecewa, gembira, sakit hati.

e. Variabel kontrol, yaitu: variabel yang dikendalikan peneliti.

f. Variabel dummy, yaitu: variabel yang isinya berupa kode-kode yang berfungsi untuk membedakan data yang berada pada variabel-variabel tertentu pada kelompok-kelompoknya.

(18)

2.2 Data

Data adalah suatu bahan mentah yang jika diolah denga baik melalui berbagai analisis dapat melahirkan berbagai informasi, dimana dengan informasi tersebut kita dapat mengambil kesimpulan.

2.2.1 Data menurut sifatnya

Menurut sifatnya data dibagi menjadi 2 bagian, yaitu: a. Data kuantitatif

Data kuantitatif adalah serangkaian observasi atau pengukuran yang dapat dinyatakan dalam angka-angka. Contoh: data hasil pengukuran kemampuan Matematika siswa yang berwujud skor hasil tes kemampuan. Data itu akan berupa angka seperti: 80, 75, 60, 70 dan sebagainya.

b. Data kualitatif

Data kualitatif adalah serangkaian observasi dimana tiap observasi ysng terdapat dalam sampel (atau populasi) tergolong dalam salah satu kelas-kelas yang saling lepas dan tidak dinyatakan dalam angka-angka. Contoh: hasil penelitian tentang pendapat mahasiswa terhadap cara mengajar dosen Matematika di Universitas mereka.

2.2.2 Data menurut sumbernya

Menurut sumbernya data dibagi atas 2 bagian, yaitu: a. Data Intern

Data intern adalah data yang dibutuhkan oleh seseorang pemimpin perusahaan guna dipakai sebagai landasan pengambilan keputusan yang diperoleh dari catatan-catatan intern perusahaan itu sendiri.

(19)

b. Data Ekstern

Data ekstern adalah data yang hanya diperolehri sumber-sumber dari luar perusahaan atau instansi. Data ekstern dibagi menjadi 2, yaitu:

1. Data Primer

Data primer adalah data yang langsung dikumpulkan oleh orang yang berkepentingan atau yang memakai data tersebut.data yang diperoleh,seperti hasil wawancara atau hasil penelitian kuisioner. Dalam metode pengumpulan data primer, peneliti atau observer melakukan sendiri observasi di lapangan atau di laboratorium. Pelaksanaanya dapat berupa survei atau percobaan (eksperimen).

2. Data Sekunder

Data sekunder adalah data yang diterbitkan oleh organisasi yang bukan merupakan pengolahannya atau data yang tidak secara langsung dikumpulkan oleh orang yang berkepentingan dengan data tersebut. Data sekunder umumnya disajikan dalam bentuk tabel atau diagram.

2.3 Skala Pengukuran Data

Skala merupakan suatu prosedur pemberian angka atau simbol lain dari suatu objek agar dapat menyatakan karakteristik angka pada ciri tersebut. Skala pengukuran oleh S.S Steven (1976) dibagi atas 4 bagian:

a. Skala nominal (klasifikasi)

Skala pengukuran nominal digunakan untuk mengklasifikasikan obyek, individual atau kelompok; sebagai contoh mengklasifikasi jenis kelamin, agama, pekerjaan, dan area geografis. Dalam mengidentifikasi hal-hal di atas digunakan angka-angka sebagai symbol. Apabila kita menggunakan skala pengukuran nominal, maka statistik non-parametrik digunakan untuk menganalisa datanya. Hasil analisa dipresentasikan dalam bentuk persentase. Sebagai contoh kita mengklaisfikasi variable jenis kelamin menjadi sebagai berikut: laki-laki kita beri simbol angka 1 dan wanita angka 2. Kita tidak dapat melakukan operasi arimatika dengan angka tersebut, karena

(20)

angka-angka tersebut hanya menunjukkan keberadaan atau ketidakadanya karaktersitik tertentu.

b. Skala ordinal.

Skala pengukuran ordinal memberikan informasi tentang jumlah relatif karakteristik berbeda yang dimiliki oleh obyek atau individu tertentu. Tingkat pengukuran ini mempunyai informasi skala nominal ditambah dengan sarana peringkat relatif tertentu yang memberikan informasi apakah suatu obyek memiliki karakteristik yang lebih atau kurang tetapi bukan berapa banyak kekurangan dan kelebihannya.

Contoh:

Jawaban pertanyaan berupa peringkat misalnya: sangat tidak setuju, tidak setuju, netral, setuju dan sangat setuju dapat diberi symbol angka 1, 2,3,4 dan 5. Angka-angka ini hanya merupakan simbol peringkat, tidak mengekspresikan jumlah.

c. Skala interval

Skala interval mempunyai karakteristik seperti yang dimiliki oleh skala nominal dan ordinal dengan ditambah karakteristik lain, yaitu berupa adanya interval yang tetap. Dengan demikian peneliti dapat melihat besarnya perbedaan karaktersitik antara satu individu atau obyek dengan lainnya. Skala pengukuran interval benar-benar merupakan angka. Angka-angka yang digunakan dapat dipergunakan dapat dilakukan operasi aritmatika, misalnya dijumlahkan atau dikalikan. Untuk melakukan analisa, skala pengukuran ini menggunakan statistik parametric.

Contoh:

Jawaban pertanyaan menyangkut frekuensi dalam pertanyaan, misalnya: Berapa kali Anda melakukan kunjungan ke Jakarta dalam satu bulan? Jawaban: 1 kali, 3 kali, dan 5 kali. Maka angka-angka 1, 3, dan 5 merupakan angka sebenarnya dengan menggunakan interval 2.

d. Skala rasio

Skala pengukuran ratio mempunyai semua karakteristik yang dipunyai oleh skala nominal, ordinal dan interval dengan kelebihan skala ini mempunyai

(21)

nilai 0 (nol) empiris absolut. Nilai absoult nol tersebut terjadi pada saat ketidakhadirannya suatu karakteristik yang sedang diukur. Pengukuran ratio biasanya dalam bentuk perbandingan antara satu individu atau obyek tertentu dengan lainnya.

Contoh:

Berat Sari 35 Kg sedang berat Maya 70 Kg. Maka berat Sari dibanding dengan berat Maya sama dengan 1 dibanding 2.

2.4 Skala Untuk Instrumen (Model Skala Sikap)

Bentuk-bentuk model skala sikap yang sering digunakan dalam penelitian ada 5 macam yaitu:

a. Skala Likert b. Skala Guttman

c. Skala Diferensial Semantik d. Skala Rating (Rating Sca le) e. Skala Thurstone

a. Skala Likert

Skala likert digunakan untuk mengatur sikap, pendapatan, dan persepsi seseorang atau sekelompok tentang kejadian atau gejala sosial. Dengan menggunaka skala likert, maka variabel yang akan diukur dijabarkan menjadi subvariabel. Kemudian subvariabel dijabarkan lagi menjadi beberappa indikator dan indikator-indikator yang terukur ini dijadikan titik tolak untuk membuat item instrumen yang berupa pertanyaan-pertanyaan atau pernyataan yang perlu dijawab responden. Setiap jawaban diungkapkan dengan kata-kata.

Misalnya:

SS (Sangat Setuju) = 5

S (Setuju) = 4

N (Netral) = 3

TS (Tidak Setuju) = 2 STS (Sangat Tidak Setuju) = 1

(22)

b. Skala Guttman

Skala Guttman mengukur suatu dimensi saja dari suatu variabel multidimensi. Skala Guttman adalah skala yang digunakan untuk jawaban yang bersifat jelas (tegas) dan konsisten.

Misalnya:

Yakin-Tidak yakin, benar-salah, setuju-tidak setuju, dan sebagainya.

c. Skala Diferensial Semantik

Skala diferensial smantik atau skala perbedaan semantik berisikan serangkaian bipolar (dua kutub). Responden diminta untuk menilai suatu objek atau konsep pada suatu skala yang mempunyai 2 ejektif yang bertentangan.

Misalnya:

Panas-dingin. Populer-tidak populer, bagus-beruk, dan sebagainya.

d. Skala Rating (Rating Scale)

Rating scale yaitu data mentah yang dapat berupa angka kemudian ditafsirkan dalam pengertian kualitatif.

Misalnya:

Ketat-longgar, lemah-kuat, positif-negatif, Responden tidak akan menjawab salah satu dari jawaban kuantitatif yang telah disediakan.

e. Skala Thurstone

Skala Thurtone meminta responden untuk memilih pertanyaan yang ia setujui dari beberapa pertanyaan yang menyajikan pandangan yang berbeda-beda. Pada umumnya setiap item mempunyai asosiasi nilai antara 1 sampai 10 tetapi nilai-nilainya tidak diketahui responden.

2.5Faktor-faktor yang mempengaruhi kanker seviks

2.5.1 Pendidikan

Penelitian Harahap 1983 di RSCM antara tingkat pendidikan dengan kanker serviks terdapat hubungan yang kuat, dimana kanker serviks cenderung lebih banyak terjadi pada wanita yang berpendidikan rendah dibandingkan wanita

(23)

yan berpendidikan tinggi (88,9 persen). Tinggi rendahnya pendidikan berkaitan dengan tingkat sosial ekonomi, kehidupan seks, dan kebersihan. Sedangkan penelitian yang dilakukan oleh surbakti E (2004) pendidikan mempunyai hubungan yang bermakna dengan kanker serviks OR= 2,012 dengan kata lain penderita kanker serviks yang berpendidikan rendah merupakan faktor resiko yang mempengaruhi terjadinya kanker serviks.

2.5.2 Pekerjaan

Menurut Teheru (1998) dan Hidayat (1999) terdapat hubungan antara kanker serviks dengan pekerjaan, dimana wanita pekerja kasar, seperti buruh, petani memperlihatkan 4 kali lebih mungkin terkena kanker serviks dibandingkan wanita pekerja ringan atau bekerja dikantor. Dua kejadian yang terpisah memperlihatkan adanya hubungan antara kanker serviks dengan pekerjaan. para istri pekerja kasar 4 kali lebih mungkin terkena kanker serviks dibandingkan para istri pekerja kantor atau pekerja ringan, kebanyakan dari kekin standart ekonomi yang tidak baik pada umumnya kelompok pertama ini dapat diklasifikasikan kedalam kelompok sosial ekonomi rendah, mungkin standart kebersihan yang tidak baik pada umumnya faktor sosial rendah memulai aktifitas seksual pada usia lebih muda.

Wanita dengan sosial ekonomi yang lebih tinggi dengan wanita dari masyarakat urban sebagai kelompok resiko rendah, dan wanita dengan status sosial ekonomi yang rendah dengan wanitadari masyarakat rural sebagia wanita beresiko tinggi terhadap terjadinya kanker serviks, biasanya dikaitkan dengan hygiene, sanitasi dan pemeliharaan kesehatan masih kurang. Pendidikan rendah, kawin usia muda, jumlah anak yang tinggi, pekerjaan dan penghasilan tidak tetap, serta faktor gizi yang kurang akanmemudahkan terjadinya infeksi yang menyebabkan daya imunitas tubuh menurun sehingga menimbulkan resiko terjadinya kanker serviks (Taheru, 1998. Hidayat, 1999). Sedangkan penelitian yang dilakukan oleh Hibridawati (2001) ditemukan proporsi terbesar penderita kanker serviks adlah ibu rumah tangga sebesar 73,7 persen.

(24)

2.5.3 Paritas

Kanker serviks dijumpai pada wanita yang sering partus atau melahirkan. Kategori partus sering belum ada keseragaman akan tetapi menurut beberapa pakar berkisar 3 – 5 kali melahirkan (Tambunan, 1996). Bila persalinan banyak maka kanker serviks cenderung akan timbul.

2.5.4 Usia pertama kali kawin/melakukan hubungan seks

Kawin di usia muda berpengaruh terhadap terjadinya kanker serviks. Penelitian Sandra Van Loon (1996), wanita penderita kanker serviks kawin pertama kali usia 15 – 19 tahun. Usia pertama kali melakukan hubungan seks merupakan salah satu faktor yang cukup penting. Dimana makin muda seorang perempuan melakukan hubungan seksual semakin besar resiko harus ditanggungnya, karena terjadinya kanker serviks dengan masa laten kanker serviks memerlukan waktu 30 tahun sejak melakukan hubungan seksual pertama, sehingga hubungan seksual pertama awal dari mula proses munculnya kanker serviks pada wanita (Yakub, 1993).

Menurut Riono (1999), Edward (2001), Aziz (2002) wanita yang menikah dibawah 16 tahun biasanya 10 – 12 kali lebih besar kemungkinan terjadinya kanker serviks daripada mereka yang menikah setelah usia 20 tahun. Pada usia tersebut kondisi rahim seorang remaja putri sangat sensitif. Serviks remaja lebih rentan terhadap stimulus karsinogenik karena terdapat proses metaplasia skuamosa yang aktif, yang terjadi didalam zona transformasi selama periode perkembangan.

2.5.5 Papsmear

Metode papsmear merupakan cara seorang dokter dengan menggunakan pengerik atau sikat untuk mengambil sedikt sampel sel-sel serviks atau leher rahim. Kemudian sel-sel tersebut akan dianalisis di laboratorium. Tes ini akan menunjukkan apakah ada infeksi, radang, atau sel-sel abnormal. Dengan melakukan tes papsmear secara teratur telah mengurangi jumlah kematian akibat kanker serviks (Aziz, 2001).

(25)

2.5.6 Ganti Pasangan

Berbagai penelitian epidemiologi kanker serviks berhubungan kuat dengan perilaku seksual seperti multiple mitra seks, dan usia saat melakuka hubungan seks yang pertama. Resiko meningkat lebih dari 10 kali bila bermitra seks 3 atau lebih. Juga resiko meningkat bila berhubungan dengan pria yang melakukan hubungan seks dengan multiple mitra seks atau yang mengidap kodiloma akuminatum (Aziz, 2001).

2.5.7 Infeksi

Penyebab utama kanker serviks adalah infeksi virus Human Papiloma Virus (HPV) lebih dari 90 kanker serviks jenis skuamosa mengandung DNA virus HPV dan 50 persen kanker serviks berhubungan dengan HPV tipe 16. Infeksi virus HPV lebih terbukti menjadi penyebab sesi pra kanker, kondiloma akuminatum, dan kanker. Terdapat lebih dari 200 tipe virus HPV dari tipe tersebut tipe 16 dan 18 mempunyai peranan penting melalui sekuensi gen E6 dan E7 dengan mengkode pembentukan protein-protein yang penting dengan replikasi virus. Tipe virus resiko tinggi menghasilkan protein yang dikenal dengan protein E6 dan E7yang mampu berikatan dan menonaktifkan protein p53 dan p Rb sel yang bermutasi akibat infeksi HPV dapat meneruskan siklus tanpa harus memperbaiki kelainan DNA nya, ikatan E6 dan E7 serta adnya mutasi DNA merupakan dasar utama terjadinya kanker, dengan mengkode pembentukan protein-protein yang penting dalam replikasi virus, virus Hpv ini menginfeksi membran basalis pada daerah metaplasia dan zona transformasi serviks, setelah menginfeksi sel epitel sebagai upaya untuk berkembang biak, virus ini akan meninggalkan sekuensi genonnya pada sel inang. Genon HPV dijumpai pada CIN dan berintegrasi dengan DNA inang pada kanker infasif dimana infeksi terjadi melalui kontak lansung (Edianto, 2006).

2.5.8 Pemakaian alat kontrasepsi

Pemakaian kontrasepsi oral dalam waktu lebih dari 4 atau 5 tahun dapat meningkatkan resiko terkena kanker serviks sebesar 1,5 – 2,5 kali. Beberapa penelitian menunjukkan bahwa kontrasepsi oral menyebabkan wanita sensitif terhadap HPV yang dapat menyebabkan adanya peradangan pada genitalia

(26)

sehingga beresiko untuk terjadinya kanker serviks (Hidayati, 2001). Pil kontrasepsi oral akan menyebabkan defisiasi asam folat yang mengurangi metabolisme nitrogen sedangkan estrogen kemungkinan menjadi salah satu kofaktor yang membuat replikasi DNA HPV.

2.5.9 Merokok

Tembakau mengandung bahan-bahan karsinogen baik yang dihisap sebagai rokok atau yang dikunyah. Wanita perokok konsentrasi nikotin pada getah serviks 56 persen lebih tinggi dibandingkan didalam serum. Efek langsung bahan tersebut pada leher rahim akan menurunkan status immin lokal sehingga dapat menjadi kokarsinogen. Hasil penelitian bila merokok 40 batang setiap hari, resiko untuk terkena kanker serviks adalah 14 kali dibanding yang tidak perokok. Hasil penelitian menyimpulkan bahwa semakin banyak dan lama wanita mrokok maka semakin tinggi resiko untuk terkena kanker serviks (Hidayati, 2001. Evemett, 2003)

2.6Uji Validitas

Suharsimi Arikunto (1996) memberikan pengertian validitas adalah suatu ukuran yang menunjukkan tingkat kevalidan atau kesahihan sesuatu instrumen. Untuk menguji tingkat validitas data, dalam penelitian ini menggunakan uji validitas konstruk (construct validity) dengan teknik korelasi “product

moment” yang rumusnya adalah :

r =



2 2



2 2



) Y ( Y N ) X ( X N ) Y )( X ( XY N           N = jumlah responden X = skor total tiap-tiap item

Y = skor total (Singarimbun dan Effendi, 1989)

Bila probabilitas hasil korelasi lebih kecil dari 0.05 (5%) maka dinyatakan valid dan jika sebaliknya dinyatakan tidak valid.

(27)

Singarimbun dan Effendi (1989) memberikan pengertian reliabilitas adalah indeks yang menunjukkan sejauh mana suatu alat pengukur dapat dipercaya atau dapat diandalkan. Dalam penelitian ini uji reliabilitas data menggunakan pendekatan alpha cronbach dengan rumus :

r11 =

               2 t 2 b 1 1 k k

r11 = reliabilitas instrumen

k = banyaknya butir pertanyaan atau banyaknya soal b2 = jumlah varians butir

t2 = varians total (Arikunto 1996) 2.8Analisis Faktor

Analisis faktor adalah alat statistik yang digunakan untuk mereduksi faktor-faktor yang mempengaruhi suatu varibel menjadi beberapa set indikator saja, tanpa kehilangan informasi yang berarti. Analisis faktor digunakan untuk penelitian awal dimana faktor-faktor yang mempengaruhi suatu variabel belum diidentifikasi secara baik. Analisis faktor sedikit berbeda dengan analisis regresi, yaitu lebih memfokuskan analisisnya kepada teknik interdependensi (Supranto, 2004).

Menurut Jhonson dan Wicher (1992), analisis faktor pada dasarnya bertujuan untuk mendapatkan sejumlah kecil faktor atau komponen utama yang memiliki sifat:

- Mampu menerangkan semaksimal mungkin keragaman data - Terdapat kebebasan antar faktor

- Setiap faktor dapat diinterpretasikan sejelas-jelasnya Analisis faktor digunakan dalam hal-hal berikut:

a. Untuk mengidentifikasi dimensi atau faktor yang dapat menjelaskan korelasi diantara sekelompok variabel.

b. Untuk mengidentifikasi sebuah variabel yang lebih sedikit dan tidak saling berkolerasi untuk menggantikan sekelompok variabel asli atau awal yang berkolerasi; untik kemudian dianalisis lebih lanjut dengan analisis multivariat lainnya.

(28)

c. Untuk mengidentifikasi sekelompok variabel relevan dari sekelompok variabel yang lebih besar yang akan digunakan untuk analisis multivariat lanjutannya.

2.8.1 Model Analisis Faktor

Secara matematis analisis faktor agak mirip dengan analisis regresi, yaitu dalam bentuk fungsi linier artinya setiap variabel dinyatakan sebagai suatu kombinasi linier dari faktor yang mendasari. Jumlah varians yang dikontribusi dari sebuah variabel dengan seluruh variabel lainnya lebih dikelompokkan sebagai komunalitas (communality). Kovarians diantara variabel dijelaskan terbatas dalam sejumlah kecil faktor umum (common factor) ditambah sebuah faktor unik (unique fa ctor) untuk setiap variabel. Faktor-faktor tersebut tidak secara eksplisit diamati. Jika variabel distandarisasi, model analisis faktor dapat di tulis sebagai berikut:

X1 - µ1 = L11F1 + L12F2 + ... + L1m+ ε1

X2 - µ2 = L21F2 + L22F2 + ... + L2m +ε2

: :

Xp - µp = Lp1F1 + Lp2F2 + ... + Lpm + εp

Dimana

µi = rata-rata dari peubah ke-i

Fj = faktor umum ke-j

εj = faktor unik ke-j

Lij = loading dari peubah ke-i pada faktor ke-j

Atau dalam notasi matriks:

Xpx1 -µpx1 = LpxmFmx1+ εpx1

Dengan asumsi:

E(F) = 0 E(ε) = 0

Cov(F) = E(F’F) = 1 cov(ε) = E(εε’) = Y

F dan ε saling bebas, sehingga cov(ε, F) = E(εF’_{) = 0} Model X-µ = LF + ε adalah linier dalam faktor bersama.

Bagian dari var (Xi) yang dapat diterangkan oleh m faktor bersama disebut

(29)

2 2 2 2

1 1 2 ... 1

i li li lim i h i

         2

1 1 2

...

m i

h   

    



Dimungkinkan untuk memilih bobot atau skor koefisien faktor sehingga faktor pertama menjelaskan porsi terbesar dari total varians. Kemudian, kelompok kedua dari bobot dapat dipilih, sehingga faktor kedua tersebut merupakan varians sisa yang terbesar dengan tetap mempertimbangkan bahwa faktor kedua ini tidak berkolerasi dengan faktor pertama. Prinsip yang sama dapat diaplikasikan untuk penambahan bobot skor faktornya yang tidak berkolerasi (tidak seperti nilai dari variabel aslinya). Lebih jauh lagi, faktor pertama diperhitungkan sebagai varians tertinggi dari data, faktor kedua sebagai varians tertinggi berikutnya, dan seterusnya.

2.8.2 Statistik yang Berkaitan dengan Analisis Faktor

Statistik penting yang berkaitan dengan analisis faktor adalah:

a. Barlett’s test of spericity, adalah uji statistik yang digunakan untuk menguji hipotesis yang menyatakan bahwa variabel-variabel tersebut tidak berkolerasi dalam populasinya. Denaga kata lain, matrik korelasi populasi adalah sebuah matrik identitas (identity matrik), setiap variabel berkolerasi sempurna dengan variabel itu sendiri (r = 1), tetapi tidak berkolerasi dengan variabel lainnya (r = 0).

b. Correlation Matrix, adalah matrik segitiga (triangel matrix) yang lebih rendah yang menunjukkan korelasi sederhana r, antara seluruh kemungkinan pasangan variabel yang dilibatkan dalam analisis. Jumlah kuadrat dari loading untuk variabel ke-j disebut communality ke-i dan varians dari specific factor

disebut specific variance Ψ. Jika communality ditandai dengan hi 2

, maka dari ฀= L L’ + Ψ didapat:

Var (Xi) = li12+ ...+ lim2+Ψi2 atau hi2 = li12+ ...+ lim2

σi i = hi2 + Ψi2

Seluruh elemen diagonal = 1, biasanya diabaikan. Dalam hal ini bentuk matriks korelasi misalnya untuk jumlah variabel n = 3.

(30)

X1 X2 X3

X2 r21

X3 r31 r32

Tabel 2.2 Matrik Korelasi Untuk Jumlah variabel n = 4

X1 X2 X3 X4

X2 r21

X3 r31 r32

X4 r41 r42 r43

c. Communality, adalah jumlah varians yang dikotribusi dari sebuah variabel dengan seluruh variabel lainnya yang dipertimbangkan. Ini juga merupakan proporsi dari varians yang diterangkan oleh common factor. Nilai communality

(h2) diperoleh dengan menghitung jumlah kuadrat loading faktor setiap variabel asal.

2 2

j ij

h W





dimana

h = komunalitas variabel ke-j 2

W = loading faktor di faktor ke-i untuk variabel ke-j

d. Eigen Value, merepresentasikan total varians yang dijelaskan oleh setiap faktor dari matriks identitas. Persamaan nilai eigen dan vektor eigen sebagaimana kita ketahui adalah :

A x = λ x

(31)

x = vektor eigen dalam bentuk matriks

λ = nilai eigen dalam bentuk skalar

Untuk mencari nilai eigen (nilai λ) dari sebuah matriks A yang berukuran n x n

maka kita lakukan langkah berikut :A x = λ x Agar kedua sisi berbentuk vektor, maka sisi kanan dikali dengan matriks identitas I, sehingga A x = λ I

λ I x - A x = 0

x . ( λ I - A ) = 0 sehingga det ( λ I - A ) = 0

e. F actor Loadings, adalah korelsi sederhana antara variabel dengan faktor.

1 1... p p

L e  e dimana

λ = eigenvalue

e = eigenvector

f. F actor Loading Plot, adalah sebuah plot dari variabel asli menggunakan faktor loading sebagai koordinat.

g. F actor Matrix, mengandung factor loadings dari seluruh variabel dalam seluruh variabel yang dikembangkan.

h. F actor Scores, adalah skor komposit yang diestimasi untuk setiap responden pada faktor yang diderivasi. Factor score merupakan taksiran dari nilai vector F1, F2, ..., Fm. fˆjadalah taksiran fj yang dicapai oleh Fj, untuk j = 1, 2, 3, ..., m. Selanjutnya untuk mencari factor score adalah

 

_' 1 _'





j j

f  LL   L X X

i. Keiser Meyer-Oikin (KMO) Measure of Sampling Adequacy (MSA), adalah indeks yang digunakan untuk menguji kesesuaian analisis faktor. Nilai yang tinggi (antara 0.50 sampai 1.00) mengindikasikan analisis faktor yang sesuai. Nilai dibawah 0,50 menunjukkan bahwa analisis faktor tidak sesuai untuk diapliksikan.

j. Percentage of Variance, adalah persentase total varians yang menjadi tribut kepada setiap faktor.

k. Residuals, adalah selisih antara korelasi observasi, seperti yang diberikan dalam matrik korelasi input, dengan korelasi yang direproduksi, seperti yang diestimasi dari matrik faktor.

(32)

l. Scree Plot, adalah sebuah plot dari eigenvalue dan banyaknya faktor yang dapat dikembangkan.

2.8.3 Pelaksanaan Analisis Faktor

a. Merumuskan masalah dan identifikasi variabel.

Merumuskan masalah akan melibatkan banyak kegiatan. Pertama, tujuan dari analisis faktor harus diidentifikasi. Variabel yang dilibatkan harus dispesifikasi berdasarkan kepada penelitian terdahulu, teori dan keinginan peneliti. Ukuran variabel yang sesuai adalah interval atau rasio. Menentukan banyaknya sampel, sedikitnya empat kali atau lima kali dari banyaknya variabel. Proses analisis berbasis pada matrik korelasi antar variabel. Agar analisis faktor sesuai, variabel-variabel harus berkolerasi. Dalam praktek, persoalan yang sering timbul adalah jika korelasi antar variabel itu kecil, maka analisis faktor tidak sesuai untuk diaplikasi. Harapannya, selain antar variabel itu berkolerasi, juga berkolerasi tinggi dengan sebuah faktor yang sama atau faktor-faktor lain.

b. Statistik untuk menguji kesesuaian model adalah Barlett’s test of spericity Yaitu menguji Ho yang menyatakan bahwa variabel-variabel tersebut tidak berkolerasi, atau dengan kata lain bahwa matrik korelasinya adalah matrik identitas. Test of spericity berbasis transformasi χ2, nilai determinan dari matrik korelasi. Nilai statistik tinggi diharapkan untuk menolak Ho, jika tidak maka kesesuaian penggunaaan analisis faktor patut dipertanyakan.

Untuk hasil uji Barlett’s test of spericity nilai signifikan harus < 0,05 untuk menunjukkan bahwa antar variabel terjadi korelasi. Sedangkan untuk

Tes of spericity berbasis transformasi χ2, nilai determinan harus mendekati nol (0) untuk menunjukkan antar variabel mempunyai korelasi.

c. Statistik lain yang sangat berguna pemanfaatannya adalah KMO untuk mengukur tingkat kecukupan sampel. Indeks tersebut membandingkan ukuran antara korelasi sederhana dengan korelasi parsial. Nilai KMO yang rendah mengindikasikan bahwa korelasi antar pasangan variabel tidak dapat

(33)

dijelaskan oleh variabellain dan analisis faktor bisa menjadi tidak tepat. Nilai

KMO harus > 0,5 untuk menunjukkan bahwa analisis faktor sesuai untuk diaplikaskan.

2 2 2

ij ij

KMO

r

a

r







 

dengan i≠j

rij = koefisien korelasi sederhana antara peubah i dan j

aij = koefisien korelasi parsial antara peubah i dan j

d. Menentukan jumlah faktor adalah hal yang tidak mungkin menghitung faktor sebanyak jumlah variabel. Dalam rangka meringkas informasi yang dikandung dalam variabel asli, sejumlah faktor yang lebih sedikit akan diekstraksi. Beberapa jenis prosedur untuk menentukan banyaknya faktor yang harus diekstraksi antara lain;penentuan apriori, dan pendekatan berdasarkan

eigenvalue, scree plot, percentage of variance accounted for, split-and-half dan significance test.

1. Penentuan Apriori.

Kadang-kadang karena adnya dasar teori, maka peneliti dapat menentukan banyaknya faktor yang akan diekstraksi. Hampir sebagian besar program memberikan peluang untuk pendekatan ini.

2. Penentuan Berbasis Eigenvalue.

Pada pendekatan ini, hanya faktor dengan eigenvalue lebih besar daripada 1,00 yang akan dipertahankan. Eigenvalue merepresentasikan total varians yang berkaitan dengan faktor. Faktor dengan eigenvalue lebih kecil daripada 1,00 tidak lebih baik daripada sebuah variabel tunggal, karena untuk keperluan standarisasi setiap variabel memiliki varians = 1,00.

3. Penentuan Berdasarkan Scree Plot.

Scree plot adalah plot nilai eigenvalue terhadap banyaknya faktor dalam ekstraksinya. Bentuk plot yang dihasilkan, digunakan untuk

(34)

menentukan banyaknya faktor. Biasanya, plot akan berbeda antara slop

tegak faktor, dengan eigenvalue yang besar dan makin kecil pada sisa faktor yang tidak perlu diekstrasi. Pengecilan slop ini yang disebut

scree.

4. Penentuan Berbasis Percentage of Variace.

Dalam pendekatan ini banyaknya faktor yang diekstraksi ditentukan sampai persentase kumulatif varians mencapai tingkat yang memuaskan peneliti. Tingkat persen kumulatif yang memuaskan tersebut tergantung kepada persoalannya. Bagaimanapun sangat direkomendasikan bahwa faktor-faktor yang diekstraksi sampai mencapai persen kumulatif paling sedikit = 60,00 persen.

5. Penentuan Berdasarkan Split and Half.

Sampel dibagi menjadi data, dan analisis faktor diaplikasikan kepada masing-masing bagian. Hanya faktor yang memilih factor loadings

tinggi antar data bagian itu yang akan dipertahankan.

6. Penentuan Berbasis Significance Test.

Pendekatan ini adlah untuk memperthankan faktor yang memiliki

saparate eigenvalue signifikan. Dengan sampel besar (> 200), banyak faktor yang cenderung signifikan, walaupun dari pandangan praktis, banyak dari faktor tersebut yang memiliki proporsi varians yang kecil terhadap total varians.

e. Rotasi Faktor adalah sebuah output penting dari analisis faktor berupa factor matrix atau disebut juga sebagai factor putaran matrix. Faktor matrik mengandung koefisien yang digunakan untuk mengekspresikan variabel terstandar dalam hubungannya dengan faktor. Koefisien-koefisien terseut, atau factor loadings, merupakan korelasi antar faktor dengan variabelnya. Sebuah koefisien dengan nilai absolut yang besar mengindikasikan bahwa faktor dan

(35)

variabel berkorelasi kuat. Koefisien tersebut dapat digunakan untuk menginterpretasikan faktor. Untuk batasan factor loadings nilainya sebesar ≥

0,3, ≥ 0,4 atau ≥ 0,5.

Walaupun initial atau unrotated factor matrix mengindikasikan hubungan antara faktor dengan dengan variabel individual tertentu, kadang-kadang dapat diperoleh di dalam faktor yang bisa diinterpretasikan, karena faktor tersebut berkolerasi dengan banyak variabel. Pada banyak persoalan yang kompleks, maka sulit melakukan interpretasi. Untuk itu diperlukan suatu langkah merotasi factor matrik agar lebih mudah menginterpretasikan faktor.

Dalam merotasi faktor, dilanjutkan setiap faktor memiliki loadings factor atau koefisien non zero, atau signifikan hanya untuk beberapa variabel. Atau diharapkan setiap varibel memiliki factor loadings signifikan hanya dengan sedikit faktor. Rotasi tidak berpengaruh terhadap komunalitas dan persentase total varians yang dijelaskan. Namun demikian, rotasi berpengaruh terhadap persentase varians dari setiap faktor.

Beberapa metode rotasi yang bisa digunakan adalah : orthogonal rotation, varimax rotation, dan oblique rotation. Orthogonal Rotation adlah jika sumbu-sumbu tetap dijaga pada sudut yang benar. Varimax Rotation adalah rotasi ortogonal dengan meminimumkan banyaknya variabel yang memiliki loadings faktor, sehingga lebih bisa menginterpretasi faktor. Rotasi ortogonal menghasilkan faktor-faktor yang tidak berkolerasi. Oblique rotation adalah jika sumbu-sumbu tidak dijaga pada sudut yang benar dan faktor-faktor berkolerasi. Kadang-kamg, mentoleransi korelasi antar faktor-faktor bisa menyederhanakan matrik pola faktor. Oblique rotation akan digunakan jika faktor-faktor pada populasi diperkirakan berkolerasi kuat.

Rotasi faktor dilakukan dengan cara merotasikan loading factor L, dengan menggunakan metode rotasi sehingga menghasilkan loading faktor baru L.

(pxm) (pxm) (pxm)

L L T

(36)

f. Interpretasi Faktor adalah interpretasi difasilitasi melalui identifikasi variabel yang memiliki loadings besar pada faktor yang sama. Faktor tersebut kemudian dapat diinterpretasi dalam batas variabel yang memiliki loadings tinggi dalam faktor tersebut.

Cara lain yang bisa digunakan adalah melalui plot variabel dengan factor loadings sebagai koordinat. Variabel yang berada pada akhir sebuah sumbu adalah adalah variabel yang memiliki loadings tinggi hanya pad faktor yang bersangkutan, didekat titik origin memiliki loadings yang rendah terhadap kedua faktor. Variabel tersebut berkolerasi dengan kedua faktor. Jika sebuah faktor tidak bisa secara jelas didefinisikan dalam batas variabel awalnya, maka disebut sebgai faktor umum saja (tidak perlu diberi lebel khusus).

g. Mengukur Ketepatan Model (Model Fit) adalah asumsi dasar yang digunakan dalam analisis faktor adalah korelasi dari data awal dapat menjadi atribut dari faktor. Untuk itu, korelasi data awal dapat direproduksi melalui estimasi korelasi reproduksi dapat digunakan untuk mengukur kesesuaian model. Selisih tersebut disebut sebagai residuals. Untuk menentukan sebuah model sesuai atau tidak, maka nilai absolut residuals harus kurang dari 50 persen sehingga model tersebut dapat diterima.

(37)

BAB 3

PEMBAHASAN

3.1 Gambaran Umum

a. X1 = Pendidikan.

Jenjang pendidikan terakhir yang ditempuh oleh penderita kanker serviks. b. X2 = Pekerjaan.

Pekerjaan merupakan kegiatan rutin yang dilakukan oleh penderita kanker serviks yang menghasilkan penghasilan atau tidak.

c. X3 = Usia pertama kali kawin/hubungan seks.

Hal ini merupakan usia penderita kanker serviks pertama kali melakukan hubungan seksual baik sebelum atau sesudah pernikahan.

d. X4 = Papsmear

Pemeriksaan lendir serviks yang pernah dilakukan oleh penderita kanker serviks.

e. X5 = Paritas

Paritas merupakan jumlah persalinan yang dialami oleh penderita kanker serviks baik dengan bayi hidup atau meninggal.

(38)

Hal ini merupakan aktivitas seksual penderita kanker serviks dengan mitra seksual yang berganti-ganti.

g. X7 = Infeksi kelamin.

Apakah penderita mempunyai riwayat menderita infeksi kelamin selama masa hidup.

h. X8 = Pemakaian kontrasepsi

Jangka waktu dalam penggunaan alat kontrasepsi yang pernah digunakan oleh penderita kanker serviks.

i. X9 = Merokok

Konsumsi rokok sehari-hari yang dilakukan penderita kanker serviks.

Dari hasil pembagian dan pengisian kuisioner tentang faktor yang mempengaruhi kanker serviks kepada 45 orang penderita diperoleh deskripsi sebagai berikut:

Tabel 3.1 Tabel Diskripsi Faktor Kanker Serviks

Variabel Skor Frekuensi Persentase

X1 = pendidikan 1 untuk ≤ SMA

2 untuk > SMA

30 15

66,67 % 33,33 % X2 = pekerjaan 1 = ibu rumah tangga (irt)

2 = bekerja

38 7

84,44 % 15,56 % X3 = paritas 1 untuk ≤ 3 kali

2 untuk > 3 kali

11 34

24,44 % 75,56 % X4 = usia melakukan

hub. Seksual

1 untuk ≤ 20 tahun

2 untuk > 20 tahun

21 24

46,67 % 53,33 % X5 = papsmear 1 = tidak

2 = ya

40 5

88,89 % 11,12 % X6 = ganti pasangan 1 untuk ≤ 2 kali

2 untuk > 2 kali

8 37

17,78 % 82,22 % X7 = infeksi kelamin 1 = ya

2 = tidak

30 15

66,67 % 33,33 % X8 = pemakaian

kontrasepsi

1 = ya 2 = tidak

21 24

46,67 % 53,33 % X9 = merokok 1 = pasif

2 = aktif

7 38

15,56 % 84,44 %

(39)

3.2 Uji Validitas.

Uji validitas yang dilakukan pada penelitian ini adalah uji validitas eksternal, yaitu dengan membandingkan nilai r hitung dengan nilai r tabel (r poduct moment). uji validitas dapat dihitung dengan menggunakan rumus teknik korelasi product moment

(Husein Umar, 2003 : 84).

r =



2 2



2 2



) Y ( Y N ) X ( X N ) Y )( X ( XY N          

Untuk mempermudah mendapatkan nilai r hitung, dapat dilakukan dengan mengolah data hasil pengisian kuisioner menggunakan program SPSS for windows 17.0 adalah sebagai berikut:

a. Klik analyze, pilih scale dan reability analysis.

b. Setelah mencul kotak dialog reliability analysis, pindahkan data (X1 sampai X10)

kedalam item statistik.

c. Klik kotak dialog statistic pilih descriptive for (item, scale dan scale if item deleted).

d. Klik continue dan OK

Pada output kolom corrected item-Total Correlation adalah hasil uji validitas. Untuk jumlah sampel sebesar 45 (n = 45), maka nilai r tabel dengan taraf signifikan α = 5 %

adalah 0,294. Suatu kuisioner dinyatakan valid jika r hitung setiap variabel ≥ r tabel.

Hasil perhitungannya adalah sebagai berikut:

Tabel 3.2. Tabel Uji Validitas

Variabel r hitung r Tabel Keterangan

X1 = pendidikan 0,303 0,294 Valid

X2 = pekerjaan 0,308 0,294 Valid

X3 = paritas 0,346 0,294 Valid

X4 = usia melakukan hubungan

seksual

(40)

X5 = papsmear 0,327 0,294 Valid

X6 = ganti pasangan 0,358 0,294 Valid

X7 = infeksi kelamin 0,308 0,294 Valid

X8 = pemakaian kontrasepsi 0,332 0,294 Valid

X9 = merokok 0,382 0,294 Valid

3.3 Uji Reliabilitas

Uji reliabilitas yang dilakukan pada penelitian ini adalah internal consistency reliability, yaitu dengan membandingakan nilai cronbach’s alpha yang telah ditetapkan yaitu sebesar 0,345. Uji reliabilitas dapat dilakukan dengan menggunakan

koefisien alpha (α) dari cronbach (Umar, 2003 : 96):

r11 =

               2 t 2 b 1 1 k k

 

2 X n n

X

 



Untuk mempermudah perhitungan, nilai cronbach alpha hitung didapatkan dengan mengolah data hasil pengisian kuisioner dan rekam medik menggunakan program SPSS for windows 17.0 adalah sebagai berikut:

a. Klik analyze, pilih scale dan reability analysis

b. Setelah muncul kotak dialog reliability analysis, pindahkan data (X1 sampai X9)

ke dalam item statistik

c. Klik kotak dialog statistic pilih descriptive for (item, scale dan scale if item deleted)

d. Klik continue dan OK

e. Pada output kolom cronbach’s Alpha if item deleted adalah hasul uji reliabilitas.

Suatu kuisioner dikatakan relabel jika cronbach’s Alpha hitung setiap variabel ≥

(41)

Tabel 3.3 Hasil Uji Realibilitas

Variabel Cronbach’s Alpha

hitung

Cronbach’s Alpha keterangan

X1 = pendidikan 0,436 0,345 Reliabel

X2 = pekerjaan 0,388 0,345 Reliabel

X3 = paritas 0,412 0,345 Reliabel

X4 = usia melakukan

hub. Seksual

0,438 0,345 Reliabel

X5 = papsmear 0,423 0,345 Reliabel

X6 = ganti pasangan 0,363 0,345 Reliabel

X7 = infeksi kelamin 0,388 0,345 Reliabel

X8 = pemakaian

Kontrasepsi

0,377 0,345 Reliabel

X9 = merokok 0,350 0,345 Reliabel

Dari semua variabel yang diuji terlihat bahwa semua variabel tersebut reliabel.

3.3 Analisis Faktor dengan SPSS for Window’s 17.0

Analisis faktor dengan SPSS for window’s 17.0 dilakukan dengan cara sebagai berikut:

a. Masukkan data pada data editor b. Klik analyze

c. Klik factor

d. Masukkan varabel-variabel yang akan dianalisis dengan analisis faktor (X1

sampai X9) ke kolom varabel

e. Pada menu descriptive, klik initialsolution, coefitions, significance levels,

determinant, KMO and Barlet’s test of spericity, reproduced, dan anti image

lalu klik continue.

f. Pada menu extraction, pilih principal components, klik correlaton matrix, unrotated factor solution dan scree plot, lalu klik continue.

(42)

g. Pada menu rotation, klik varimax, rotated solution, loading plots, lalu klik continue.

h. Pada menu scores, klik display faktor score coefficient matrix, lalu klik continue.

i. Pada menu missing value, klik exclude cases listwise, lalu klik continue j. Klik OK

3.3.1 Membuat Matrik Korelasi

Variabel-variabel yang tidak saling berhubungan dengan variabel lain dikeluarkan dari analisis. Untuk menguji bahwa 9 variabel saling berhubungan diperlihatkan oleh nilai determinasi matrik korelasi yang mendekati nol (0), nilai KMO (Keiser Meyer Olkin) harus lebih besar dari 0,5, uji Barlett dan uji MSA (Measure of sampling Adequacy).

a. Nilai determinasi matrik korelasi

Hasil determinasi korelasi adalah sebagai berikut:

Tabel 3.4 Matriks Korelasi

X1 X2 X3 X4 X5 X6 X7 X8 X9

Korelasi X1 1,000 0,347 0,183 -0,063 0,350 0,250 -0,173 -0,283 -0,147

X2 0.347 1,000 0,101 0,052 0,043 0,200 -0,015 -0,090 0,039

X3 0,183 0,101 1,000 -0,039 0,021 0,006 0,101 -0,117 0,141

X4 -0,063 0,052 -0,039 1,000 -0,079 0,121 0,174 0,244 -0,021

X5 0.350 0,043 0,201 -0,079 1,000 0,164 -0,152 -0,094 -0,064

X6 0,250 0,200 0,006 0,127 0,164 1,000 0,200 0,031 0,064

X7 -0,173 -0,015 0,101 0,174 -0,152 0,200 1,000 0,279 0,200

X8 -0,283 -0,090 -0,117 0,244 -0,094 0,031 0,279 1,000 0,148

X9 -0,041 0,039 0,114 -0,106 -0,021 -0,064 0,200 0,148 1,000

Determinan = 0,0403

(43)

Keiser Meyer Olkin (KMO) Measure of sampling Adequacy = 0,567 menunjukkan bahwa pengambilan sampel cukup memadai dengan menggunakan analisis faktor dalam matrik korelasi, karena nilai KMO diatas 0,5.

c. Uji Barlett

Uji barlett yaitu untuk menguji keindependenan dari variabel yang ada. Hasil

Barlett’s test of soericity = 36,51, signifikance = 0,000. Hasil ini menunjukkan

bahwa antar variabel terjadi korelasi (signifikan < 0,05) sehingga model faktor dapat digunakan.

Tabel 3.5 Uji KMO dan Uji Barlette

Kaiser-Meyer-Olkin Measure of Sampling Adequacy.

0,567

Bartlett's Test of Sphericity

Approx. Chi-Square

36,517

Df 36

Sig. 0,000

d. Uji MSA (Measure of Sampling Adequecy)

Dari hasil MSA (Measure of Sampling Adequacy) semua variabel telah memenuhi kriteria MSA > 0,5 yang menunjukkan bahwa antar variabel sangat erat. Nilai MSA dapat diperoleh dengan menggunakan rumus:

2 2 2

ij i

ij ij

MSA

r

a

r







 

dengan i≠j

Dalam SPSS, ukuran kecukupan sampling untuk tiap variabel ditampilkan dalam diagonal pada anti image correlation matriks.

(44)

Tabel 3.6 Anti – Image Matrics

X1 X2 X3 X4 X5 X6 X7 X8 X9

X1 0,620a -0,310 -0,100 0,004 -0,284 -0,148 0,117 0,210 0,000 X2 -0,310 0,563a -0,055 -0,066 0,109 -0,149 0,026 0,020 -0,070 X3 -0,100 -0,055 0,536a -0,004 -0,183 0,082 -0,167 0,122 -0,127 X4 0,004 -0,066 -0,004 0,564a 0,056 -0,080 -0,110 -0,221 0,164 X5 -0,284 0,109 -0,183 0,056 0,560a -0,160 0,152 -0,055 0,001 X6 -0,118 -0,149 0,082 -0,080 -0,160 0,519a -0,254 -0,018 0,099 X7 0,117 0,026 -0,167 -0,110 0,152 -0,254 0,544a -0,189 -0,180 X8 0,210 0,020 0,122 -0,221 -0,055 -0,018 -0,189 0,615a -0,150 X9 0,000 -0,070 -0,127 0,164 0,001 0,099 -0,180 -0,150 0,672a

a = nilai Measure of Sampling Adequacy (MSA).

3.3.2 Penentuan Jumlah Faktor

Hasil perhitungan dengan principal component pada inisial statistik, menunjukkan jumlah faktor yang mempunyai nilai eigenva lue ≥ 1, terdapat 3 faktor yang

mempunyai pengarh meningkatnya penderita kanker serviks. Ketiga faktor tersebut mampu menjelaskan semua varian yang ada dalam data sebesar 50,38 % seperti yang ditunjukkan secara rinci dalam tabel 3.7.

Tabel 3.7 Faktor-faktor yang Mempengaruhi Meningkatnya Penderita Kanker Serviks

Faktor Eigenvalue Variance Cumulative

1 1,937 21,552 % 21,522 %

2 1,528 16,974 % 38,496 %

(45)

3.3.3 Rotasi Faktor

Ada 9 variabel yang tersebar kedalam 3 faktor yang merupakan faktor-faktor yang mempengaruhi meningkatnya penderita kanker serviks yang rawat inap di RSU dr. Pirngadi Medan. Ketiga faktor tersebut diberi nama baru sesuai dengan variabel terukur yang berkelompok pada faktor tersebut. Pemberian nama dan konsep pada tiap faktor ditentukan makna umum yang tercakup di dalamnya.

Tabel 3.8 Hasil Rotasi Faktor Varimax.

No. Variabel Faktor Eigenvalue Factor loading Variance (%) 1. 2. 3. 4. X1 X2 X5 X6 F1 Faktor Sosial Ekonomi 1,937 0,761 0,608 0,539 0,591 21,522 % 5. 6. 7. X4 X7 X8 F2 Faktor Aktivitas Seksual 1,528 0,624 0,694 0,651 16,974 % 8. 9. X3 X9 F3 Faktor Pola Hidup 1,250 0,614

0,781 13,884 %

3.3.4 Interpretasi Faktor

Dari hasil rotasi faktor dapat diperoleh 9 variabel yang tercakup kedalam 3 faktor yang mempengaruhi meningkatnya penderita kanker serviks yang di rawat inap di RSU dr. Pirngadi Medan. Dari tabel 3.7 diketahui bahwa semua faktor loadings dari kesembilan variabel tersebut lebih besar dari 0,5, sehingga tidak ada variabel yang dikeluarkan dari model. Dari tabel 3.6 diketahui terdapat 3 faktor yang mempengaruhi meningkatnya penderita kanker serviks dengan persentase varian sebesar 52,382 %. Hal ini menunjukkan bahwa penelitian ini mampu menjelaskan faktor-faktor yang mempengaruhi meningkatnya penderita kanker serviks sebesar 52,382 %, sedangkan sisanya 47,618 % dijelaskan oleh faktor-faktor lain yang tidak termasuk kedalam model.

(46)

Interpretasi hasil berdasarkan eigenvalue dari setiap faktor dapat dijelaskan sebagai berikut:

a. Faktor 1 : Faktor Sosial Ekonomi

Faktor ini merupakan faktor yang paling dominan yang mempengaruhi meningkatnya penderita kanker serviks di RSU dr. Pirngadi Medan. Faktor ini mempunyai eigenvalue sebesar 1,937 dan mampu menjelaskan keragaman total sebesar 21,522 %. Variabel-variabel yang termasuk kedalam faktor ini adalah pendidikan (factor loading = 0,761), pekerjaan (factor loading = 0,608), papsmear (factor loading = 0,534), dan ganti pasangan (factor loading = 0,591).

b. Faktor 2 : Faktor Aktivitas Seksual

Faktor ini merupakan faktor pendukung yang mempengaruhi meningkatnya penderita kanker serviks di RSU dr. Pirngadi Medan. Faktor ini mempunyai eigenvalue sebesar 1,528 dan mampu menjelaskan keragaman total sebesar 16,974 %. Variabel-variabel yang termasuk kedalam faktor ini adalah usia pertama kali melakukan hubungan seksual (factor loading = 0,624), infeksi (factor loading = 0,694), dan pemakaian kontrasepsi (faktor loading = 0,651).

c. Faktor 3 : Faktor Pola hidup

Faktor ini merupakan faktor pendukung yang mempengaruhi meningkatnya penderita kanker serviks di RSU dr. Pirngadi Medan. Faktor ini mempunyai eigenvalue sebesar 1,250 dan mampu menjelaskan keragaman total sebesar 13,884 %. Variabel-variabel yang termasuk kedalam faktor ini adalah paritas (factor loading = 0,614), dan merokok (factor loading = 0,781).

3.3.5 Ketepatan Model (Model Fit).

Analisis ini untuk mengetahui seberapa besar residuals (selisih) antara korelasi yang diamati dengan korelasi yang diproduksi berdasarkan hasil estimasi matrik faktor. Berdasarkan hasil perhitungan atas dasar nilai absolut > 0,05 diperoleh nilai residual dari analisis ini lebih kecil dari 50 %, yaitu 44 % atau sebanyak 20 residual.

(47)

Hal ini menunjukkan bahwa model faktor-faktor yang mempengaruhi meningkatnya penderita kanker serviks yang berobat di RSU dr. Pirngadi Medan memiliki ketepatan sebesar 56 % pada tingkat penyimpangan 5 %.

Ini berarti model faktor- faktor yang mempengaruhi meningkatnya penderita kanker serviks Di RSU dr. Pirngadi Medan dapat diterima.

Tabel 3.9 Selisih (Residuals) antara Observed Correlation dengan Repruduced Correlation

X1 X2 X3 X4 X5 X6 X7 X8 X9

X2 -0,091

X3 -0,110 -.106

X4 0,029 -0,068 0,184

X5 -0,126 -0,262 -0,079 0,055

X6 -0,123 -0,197 -0,062 -0,255 -0,029

X7 0,036 -0,067 -0,043 -0,135 -0,012 -0,025

X8 0,098 0,010 -0,017 -0,105 0,196 -0,078 -0,214

(48)

Tabel 3.10 Skor faktor Matrik Koefisien

Faktor

1 2 3

X1 0,411 -0,115 0,004

X2 0,351 0,101 0,001

X3 0,162 -0,052 0,476

X4 0,118 0,402 -0,279

X5 0,282 -0,115 0,094

X6 0,370 0,311 -0,141

X7 0,017 0,415 0,269

X8 -0,109 0,380 0,056

X9 -0,078 0,051 0,616

Adapun model faktor-faktor yang mempengaruhi meningkatnya penderita kanker serviks yang rawat inap di RSU dr. Pirngadi Medan adalah sebagai berikut:

F1 = 0,411X1 + 0,351X2 + 0,162X3 + 0,118X4 + 0,282X5 + 0,370X6 + 0,017X7 –

0,109X8– 0,078X9

F2 = -0,115X1 + 0,101X2 – 0,052X3 + 0,402X4 – 0,115X5 + 0,311X6 + 0,415X7 +

0,380X8 + 0,051X9

F3 = 0,004X1 + 0,001X2 + 0,476X3 – 0,279X4 + 0,094X5 – 0,141X6 + 0,269X7 +

0,056X8 + 0,616X9

Dari model tersebut dapat dengan mudah kita mengartikan variabel-variabel yang ada di setiap faktor. F1 terdiri dari X1 (pendidikan), X2 (pekerjaan), X5 (papsmear), dan X6

(ganti pasangan). F2 terdiri dari X4 (usia melakukan hubungan seksual), X6 (ganti

pasangan), X7 (infeksi), dan X8 (pemakaian kontrasepsi). F3 terdiri dari X3 (paritas), X7

(infeksi), dan X9 (merokok). Pada F1 dan F2 memiliki variabel yang sama yaitu X6

(ganti pasangan), karena nilai skor X6 di F1 lebih besar dari F2 maka X6 dapat

dimasukkan sebagai variabel di F1. Sama juga halnya berlaku pada X7 yang terletak

(49)

BAB 4

KESIMPULAN DAN SARAN

4.1 Kesimpulan

Berdasarkan hasil penelitian yang dilakukan di RSU dr. Pirngadi Medan dapat diambil kesimpulan, yaitu:

1. Dari kesembilan variabel yang diteliti, setelah dilakukan analisis faktor, maka terdapat 3 faktor yang merupakan faktor-faktor yang mempengaruhi meningkatnya penderita kanker serviks di RSU dr. Pirngadi Medan, yaitu:

a. Faktor sosial ekonomi. Faktor ini mempunyai eigenvalue sebesar 1,937 dan mampu menjelaskan keragaman total sebesar 21,522%. Variabel-variabel yang termasuk dalam faktor ini adalah pendidikan (factor loading = 0,761), pekerjaan (factor loading = 0,608), papsmear (factor loading = 0,534), dan ganti pasangan (factor loading = 0,591).

b. Faktor aktivitas seksual. Faktor ini mempunyai eigenvalue sebesar 1,528 dan mampu menjelaskan keragaman total sebesar 16,974%. Variabe-variabel yang termasuk kedalam faktor ini adalah usia pertama kali melakukan hubungan seksual (factor loading = 0,624), infeksi (factor loading = 0,694), dan pemakaian kontrasepsi (factor loading = 0,651).

c. Faktor pola hidup. Faktor ini mempunyai eigenvalue sebesar 1,250 dan mampu menjelaskan keragaman total sebesar 13,884%.

(50)

Variabel-variabel yang termasuk kedalam faktor ini adalah paritas (factor loading = 0,614) dan merokok (factor loading = 0,781).

2. Berdasarkan hasil perhitungan atas dasar nilai absolut > 0,05 diperoleh nilai residual dari analisis ini lebih kecil dari 50 %, yaitu 44 % atau sebanyak 20 residuals. Hal ini menunjukkan bahwa model-model faktor yang mempengaruhi meningkatnya penderita kanker serviks di RSU dr. Pirngadi Medan memiliki ketepatan sebesar 56 % pada tingkat penyimpangan 5 % dan dapat diterima .

4.2 Saran

1. Faktor yang mempengaruhi meningkatnya penderita kanker seviks yang berobat di RSU dr. Pirngadi Medan, pendidikan, pekerjaan, paritas, usia pertamakali mlakukan hubungan seksual, papsmear, ganti pasangan, infeksi kelamin, pemakaian kontrasepsi, dan merokok mengindikasikan masih kurangnya informasi tentang kanker serviks kepada masyarakat. Oleh karena itu rumah sakit dan unit pelayanan kesehatan lainnya perlu melakukan sosialisasi kaknker serviks dan pemberian informasi melalui media cetak dan media elektronik yang dapat menambah pengetahuan dan merubah perilaku masyarakat.

2. Diharapkan kepada para peneliti-peneliti selanjutnya dapat mencari variabel-variabel lain yang berhubungan dengan faktor-faktor yang mempengaruhi meningkatnya penderita kanker serviks sehingga masyarakat dapat mengantisipasi dirinya untuk tidak terjangkit penyakit kanker serviks.

(51)

DAFTAR PUSTAKA

Azwar, Sifudin. 2003. Metode Penelitian. Yogyakarta: Pustaka Pelajar.

Dillon, W., and Goldstein, M., 1981, Multivariate Analysis Methods and Application, John Wiley and sons, Inc. Canada.

Johnson, R. And Wichern, D. 2007. Applied Multivariate Statistical Analysis, six edition, Prentice-Hall, Pearson Education,Inc.

Hair, J.F., Anderson, R.E., Tatham, R.L. and Black, W.C. 2006. Multivariate Data Analysis, Sixth Edition, Prentice Hall International: UK.

http://kanker-serviks-leher-rahim-pembunuh-wanita/html. Diakses 22 Mei, 2011.

http://www.Kesproinfo/Kanker/Bambang. Diakses 22 Mei, 2011.

Melva. Faktor-fa ktor Yang Mempengaruhi kejadian Kanker Leher Rahim pada

Penderita Yang Datang Berobat Di RSUP H. Adam Malik Medan, 2008. Tesis.

Nazir, Mohammad. 1999. Metode Penelitian. Jakarta: Ghalia Indonesia.

Santoso, Singgih. 2005. Menggunakan SPSS untuk Statistik Multivariat. Jakarta: PT. Alex Media Komputindo.

Supranto, J. M.A, APU, Prof. 2004. Analisis Multivariat: Arti dan Interpretasi,

cetakan pertama, Jakarta. PT. Asdi Mahasatya.

Suyanto, Danang. 2009. Analisis Regresi Dan Uji Hipotesis. Yogyakarta: PT. Buku Kita Media Pressindo.

(52)

LAMPIRAN A: HASIL OUTPUT SPSS F OR WINDOWS 17.0

Reliability

Scale: ALL VARIABLES

Item Statistics

Mean Std. Deviation N

X1 1.3333 .47673 45

X2 1.1556 .36653 45

X3 1.7556 .43461 45

X4 1.5111 .50553 45

X5 1.1111 .31782 45

X6 1.8222 .38665 45

X7 1.1556 .36653 45

X8 1.5333 .50452 45

X9 1.8222 .38665 45

Item-Total Statistics

Scale Mean if Item Deleted

Scale Variance if Item Deleted

Corrected Item-Total Correlation

Cronbach's Alpha if Item Deleted

X1 11.8667 1.936 .303 .436

X2 12.0444 1.953 .308 .388

X3 11.4444 1.934 .346 .412

X4 11.6889 1.901 .303 .438

X5 12.0889 2.083 .327 .423

X6 11.3778 1.877 .358 .363

X7 12.0444 1.953 .308 .388

X8 11.6667 2.000 .332 .377

X9 11.3778 2.059 .383 .350

Scale Statistics

Mean Variance Std. Deviation N of Items

(53)

FACTOR /VARIABLES X1 X2 X3 X4 X5 X6 X7 X8 X9 /MISSING LISTWISE

/ANALYSIS X1 X2 X3 X4 X5 X6 X7 X8 X9

/PRINT INITIAL CORRELATION SIG DET KMO INV AIC EXTRACTION ROTATION FSCORE /PLOT EIGEN ROTATION /CRITERIA MINEIGEN(1) ITERATE(25)

/EXTRACTION PC /CRITERIA ITERATE(25) /ROTATION VARIMAX /METHOD=CORRELATION.

- - - F A C T O R A N A L Y S I S - - - -

Factor Analysis

Correlation Matrixa

X1 X2 X3 X4 X5 X6 X7 X8 X9

correlation X1 1.000 .347 .183 -.063 .350 .205 -.173 -.283 -.041

X2 .347 1.000 .101 .052 .043 .200 -.015 -.090 .039

X3 .183 .101 1.000 -.039 .201 .006 .101 -.117 .141

X4 -.063 .052 -.039 1.000 -.079 .127 .174 .244 -.106

X5 .350 .043 .201 -.079 1.000 .164 -.152 -.094 -.021

X6 .205 .200 .006 .127 .164 1.000 .200 .031 -.064

X7 -.173 -.015 .101 .174 -.152 .200 1.000 .279 .200

X8 -.283 -.090 -.117 .244 -.094 .031 .279 1.000 .148

X9 -.041 .039 .141 -.106 -.021 -.064 .200 .148 1.000

Sig.(1-tailed) X1 .010 .115 .341 .009 .088 .127 .030 .394

X2 .010 .254 .368 .389 .094 .461 .278 .399

X3 .115 .254 .399 .093 .484 .254 .221 .177

X4 .341 .368 .399 .304 .204 .126 .053 .244

X5 .009 .389 .093 .304 .140 .160 .268 .447

X6 .088 .094 .484 .204 .140 .094 .420 .338

X7 .127 .461 .254 .126 .160 .094 .032 .094

X8 .030 .278 .221 .053 .268 .420 .032 .167

X9 .394 .399 .177 .244 .447 .338 .094 .167

(54)

Inverse of Correlation Matrix

X1 X2 X3 X4 X5 X6 X7 X8 X9

X1 1.445 -.405 -.128 .005 -.379 -.194 .159 .283 .000

X2 -.405 1.187 -.064 -.077 .132 -.177 .032 .024 -.081

X3 -.128 -.064 1.130 -.005 -.215 .095 -.201 .146 -.143

X4 .005 -.077 -.005 1.127 .066 -.093 -.132 -.262 .184

X5 -.379 .132 -.215 .066 1.230 -.193 .190 -.068 .001

X6 -.194 -.177 .095 -.093 -.193 1.189 -.313 -.022 .114

X7 .159 .032 -.201 -.132 .190 -.313 1.272 -.238 -.215

X8 .283 .024 .146 -.262 -.068 -.022 -.238 1.250 -.177

X9 .000 -.081 -.143 .184 .001 .114 -.215 -.177 1.119

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .567

Bartlett's Test of Sphericity

Approx. Chi-Square 36.51

Df 36

(55)

Anti-image Matrices

X1 X2 X3 X4 X5 X6 X7 X8 X9

Anti-image Covariance X1 .692 -.236 -.079 .003 -.213 -.113 .087 .156 .000

X2 -.236 .843 -.048 -.057 .090 -.126 .021 .016 -.061

X3 -.079 -.048 .885 -.004 -.155 .070 -.140 .103 -.113

X4 .003 -.057 -.004 .887 .047 -.069 -.092 -.186 .146

X5 -.213 .090 -.155 .047 .813 -.132 .122 -.044 .001

X6 -.113 -.126 .070 -.069 -.132 .841 -.207 -.015 .086

X7 .087 .021 -.140 -.092 .122 -.207 .786 -.150 -.151

X8 .156 .016 .103 -.186 -.044 -.015 -.150 .800 -.127

X9 .000 -.061 -.113 .146 .001 .086 -.151 -.127 .893

Anti-image Correlation X1 .620a -.310 -.100 .004 -.284 -.148 .117 .210 .000

X2 -.310 .563a -.055 -.066 .109 -.149 .026 .020 -.070

X3 -.100 -.055 .536a -.004 -.183 .082 -.167 .122 -.127

X4 .004 -.066 -.004 .564a _.056 _-.080 _-.110 _-.221 _.164

X5 -.284 .109 -.183 .056 .560a _-.160 _.152 _-.055 _.001

X6 -.148 -.149 .082 -.080 -.160 .519a -.254 -.018 .099

X7 .117 .026 -.167 -.110 .152 -.254 .544a -.189 -.180

X8 .210 .020 .122 -.221 -.055 -.018 -.189 .615a -.150

X9 .000 -.070 -.127 .164 .001 .099 -.180 -.150 .672a

a. Measures of Sampling Adequacy(MSA

Communalities

Initial Extraction

X1 1.000 .654

X2 1.000 .380

X3 1.000 .495

X4 1.000 .510

X5 1.000 .361

X6 1.000 .555

X7 1.000 .615

X8 1.000 .504

(56)

Communalities

Initial Extraction

X1 1.000 .654

X2 1.000 .380

X3 1.000 .495

X4 1.000 .510

X5 1.000 .361

X6 1.000 .555

X7 1.000 .615

X8 1.000 .504

X9 1.000 .641

Extraction Method: Principal Component Analysis.

Total Variance Explained

Component

Initial Eigenvalues

Extraction Sums of Squared Loadings

Rotation Sums of Squared Lodings

Total

% of

Variance Cumulative % Total

% of

Variance Cumulative % Total

% of Variance

Cumulative %

1 1.937 21.522 21.522 1.937 21.522 21.522 1.793 19.926 19.296 38.238 52.380

2 1.528 16.974 38.496 1.528 16.974 38.496 1.648 18.312

3 1.250 13.884 52.380 1.250 13.884 52.380 1.273 14.142

4 .968 10.752 63.133

5 .866 9.626 72.758

6 .824 9.152 81.911

7 .609 6.764 88.675

8 .533 5.923 94.598

9 .486 5.402 100.000

(57)

(58)

Component Matrixa

Component

1 2 3

X1 .781 .201 -.061

X2 .446 .411 -.110

X3 .346 .277 .546

X4 -.274 .462 -.470

X5 .581 .134 .077

X6 .235 .620 -.340

X7 -.415 .633 .206

X8 -.590 .394 -.010

X9 -.143 .265 .742

Extraction Method: Principal

Component Analysis. a. 3 components extracted.

Reproduced Correlations

X1 X2 X3 X4 X5 X6 X7 X8 X9

Reproduced Correlation

X1 .654a .437 .293 -.092 .476 .329 -.210 -.381 -.103

X2 .437 .380a .208 .120 .305 .397 .052 -.100 -.037

X3 .293 .208 .495a -.223 .280 .068 .145 -.100 .430

X4 -.092 .120 -.223 .510a -.133 .382 .309 .348 -.187

X5 .476 .305 .280 -.133 .361a .193 -.140 -.291 .010

X6 .329 .397 .068 .382 .193 .555a .224 .109 -.121

X7 -.210 .052 .145 .309 -.140 .224 .615a .492 .380

X8 -.381 -.100 -.100 .348 -.291 .109 .492 .504a .182

(1)

Residualb X1 -.091 -.110 .029 -.126 -.123 .036 .098 .062

X2 -.091 -.106 -.068 -.262 -.197 -.067 .010 .076

X3 -.110 -.106 .184 -.079 -.062 -.043 -.017 -.288

X4 .029 -.068 .184 .055 -.255 -.135 -.105 .081

X5 -.126 -.262 -.079 .055 -.029 -.012 .196 -.031

X6 -.123 -.197 -.062 -.255 -.029 -.025 -.078 .057

X7 .036 -.067 -.043 -.135 -.012 -.025 -.214 -.180

X8 .098 .010 -.017 -.105 .196 -.078 -.214 -.034

X9 .062 .076 -.288 .081 -.031 .057 -.180 -.034 Extraction Method: Principal Component Analysis.

a. Reproduced communalities

b. Residuals are computed between observed and reproduced correlations. There are 20 (44%) nonredundant residuals with absolute values greater than 0.05.

Rotated Component Matrixa

Component

1 2 3

X1 .761 -.273 .024

X2 .608 .095 .025

X3 .331 -.096 .614

X4 .113 .624 -.328

X5 .534 -.242 .131

X6 .591 .430 -.141

X7 -.038 .694 .364

X8 -.270 .651 .084

X9 -.113 .131 .781

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.

(2)

Component Transformation Matrix

Component 1 2 3

1 .820 -.571 .032

2 .540 .792 .285

3 -.188 -.216 .958

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.

Component Score Coefficient Matrix

Component

1 2 3

X1 .411 -.115 .004

X2 .351 .101 .001

X3 .162 -.052 .476

X4 .118 .402 -.279

X5 .282 -.115 .094

X6 .370 .311 -.141

X7 .017 .415 .269

X8 -.109 .380 .056

X9 -.078 .051 .616

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.

(3)

Component Score Covariance Matrix

Component 1 2 3

1 1.000 .000 .000

2 .000 1.000 .000

3 .000 .000 1.000

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.

(4)

LAMPIRAN B : KUISIONER PENELITIAN

Kepada Yth: Bapak/ Ibu/ Saudara/i Responden

Untuk keperluan penelitian dalam menyusun Tugas Akhir, Saya dengan biodata

sebagai berikut:

Nama

: Nurdian Suraiya

NIM

: 070803011

Alamat

: jl. Jamin Ginting N0. 34 P.Bulan Medan

No. Telepon : 085296485728

Universitas

: Universitas Sumatera Utara (USU) Program Studi S-1 Matematika

Pada saat ini saya sedang menyusun Tugas Akhir dengan judul:

“ Suatu Kajian Dalam Penentuan Faktor Dominan Yang Mempengaruhi

Meningkatnya

Penderita Kanker Serviks Dengan Analisis Faktor”

.

Sangat mengharapkan partisipasi anda untuk dapat meluangkan waktu dan dapt

membantu saya dalam menjawab beberapa pertanyaan yang akan digunakan sebagai

pengolahan data.

Keterangan:

a.

Kuisioner ini tidak dimaksudkan untuk mengetahui apa yang benar dan apa

yang salah atau sebaliknya maka diharapkan pengisiannya menurut kenya taan

sebenarnya.

b.

Kuisioner ini bertujuan untuk kepentingan ilmiah (penelitian).

c.

Saya menyampaikan terimakasih atas partisipasi anda dalam mensukseskan

penelitian ini.

(5)

Data karakteristik responden

Nama

:...

Alamat

:...

Umur

:...

Beri tanda silang (X) pada jawaban yang dianggap tepat atau keadaan yang paling

sesuai dengan keadaan anda yang sebenarnya.

1. Apa pendidikan terakhir ibu

a.

≤ SMA

b.

> SMA

2. Apa kegiatan ibu sehari-hari

a.

Ibu rumah tangga

b.

Pekerja

3. Berapa kali ibu mengalami persalinan dalam keadaan bayi hidup atau mati

a.

≤ 3 kali

b.

> 3 kali

4. Usia berapa pertama kali ibu melakukan hubungan seksual

a.

≤ 20 tahun

b.

> 20 tahun

5. Pernahkah ibu melakukan papsmear (pemeriksaan lendir serviks)

a.

Ya, pernah

b.

Tidak pernah

6. Dalam hubungan seksual, berapa kali ibu berganti mitra seksual

a.

≤ 2 kali

b.

> 2 kali

7. Setelah berhubungan seksual, apakah ibu pernah mengeluarkan darah dan

mengalami nyeri disekitar kemaluan

(6)