Identifikasi Faktor Penyebab Pengangguran di Kota Medan Kecamatan Medan Selayang dengan Menggunakan Metode Analisis Faktor
LAMPIRAN
UJI VALIDITAS I
Correlations
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 Y
X1 Pearson Correlation 1 .092 .256* .057 .151 -.047 .111 -.018 .211* -.026 .258* .394**
Sig. (2-tailed) .366 .011 .580 .139 .649 .277 .860 .037 .798 .010 .000
N 98 98 98 98 98 98 98 98 98 98 98 98
X2 Pearson Correlation .092 1 .389** -.025 -.025 .176 .297** .106 .206* -.076 .068 .475**
Sig. (2-tailed) .366 .000 .808 .808 .083 .003 .298 .042 .460 .507 .000
N 98 98 98 98 98 98 98 98 98 98 98 98
X3 Pearson Correlation .256* .389** 1 -.053 .065 .059 .127 -.017 .316** -.044 .046 .432**
Sig. (2-tailed) .011 .000 .605 .526 .566 .214 .871 .002 .671 .652 .000
N 98 98 98 98 98 98 98 98 98 98 98 98
X4 Pearson Correlation .057 -.025 -.053 1 .090 .231* .151 .128 .211* -.111 .210* .413**
Sig. (2-tailed) .580 .808 .605 .377 .022 .138 .210 .037 .276 .038 .000
N 98 98 98 98 98 98 98 98 98 98 98 98
X5 Pearson Correlation .151 -.025 .065 .090 1 .205* .225* .266** .270** .083 .280** .532**
Sig. (2-tailed) .139 .808 .526 .377 .043 .026 .008 .007 .415 .005 .000
N 98 98 98 98 98 98 98 98 98 98 98 98
X6 Pearson Correlation -.047 .176 .059 .231* .205* 1 .159 .141 .089 .079 .086 .443**
Sig. (2-tailed) .649 .083 .566 .022 .043 .118 .165 .385 .442 .397 .000
N 98 98 98 98 98 98 98 98 98 98 98 98
(2)
X7 Pearson Correlation .111 .297** .127 .151 .225* .159 1 .014 .182 .010 .215* .524**
Sig. (2-tailed) .277 .003 .214 .138 .026 .118 .889 .072 .926 .034 .000
N 98 98 98 98 98 98 98 98 98 98 98 98
X8 Pearson Correlation -.018 .106 -.017 .128 .266** .141 .014 1 -.060 -.169 .098 .347**
Sig. (2-tailed) .860 .298 .871 .210 .008 .165 .889 .560 .096 .335 .000
N 98 98 98 98 98 98 98 98 98 98 98 98
X9 Pearson Correlation .211* .206* .316** .211* .270** .089 .182 -.060 1 .008 .295** .549**
Sig. (2-tailed) .037 .042 .002 .037 .007 .385 .072 .560 .942 .003 .000
N 98 98 98 98 98 98 98 98 98 98 98 98
X10 Pearson Correlation -.026 -.076 -.044 -.111 .083 .079 .010 -.169 .008 1 .127 .149
Sig. (2-tailed) .798 .460 .671 .276 .415 .442 .926 .096 .942 .211 .142
N 98 98 98 98 98 98 98 98 98 98 98 98
X11 Pearson Correlation .258* .068 .046 .210* .280** .086 .215* .098 .295** .127 1 .562**
Sig. (2-tailed) .010 .507 .652 .038 .005 .397 .034 .335 .003 .211 .000
N 98 98 98 98 98 98 98 98 98 98 98 98
Y Pearson Correlation .394** .475** .432** .413** .532** .443** .524** .347** .549** .149 .562** 1
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .142 .000
N 98 98 98 98 98 98 98 98 98 98 98 98
*. Correlation is significant at the 0.05 level (2-tailed). **. Correlation is significant at the 0.01 level (2-tailed).
(3)
UJI VALIDITAS II
Correlations
X1 X2 X3 X4 X5 X6 X7 X8 X9 X11 Y
X1 Pearson Correlation 1 .092 .256* .057 .151 -.047 .111 -.018 .211* .258* .403**
Sig. (2-tailed) .366 .011 .580 .139 .649 .277 .860 .037 .010 .000
N 98 98 98 98 98 98 98 98 98 98 98
X2 Pearson Correlation .092 1 .389** -.025 -.025 .176 .297** .106 .206* .068 .494**
Sig. (2-tailed) .366 .000 .808 .808 .083 .003 .298 .042 .507 .000
N 98 98 98 98 98 98 98 98 98 98 98
X3 Pearson Correlation .256* .389** 1 -.053 .065 .059 .127 -.017 .316** .046 .445**
Sig. (2-tailed) .011 .000 .605 .526 .566 .214 .871 .002 .652 .000
N 98 98 98 98 98 98 98 98 98 98 98
X4 Pearson Correlation .057 -.025 -.053 1 .090 .231* .151 .128 .211* .210* .438**
Sig. (2-tailed) .580 .808 .605 .377 .022 .138 .210 .037 .038 .000
N 98 98 98 98 98 98 98 98 98 98 98
X5 Pearson Correlation .151 -.025 .065 .090 1 .205* .225* .266** .270** .280** .523**
Sig. (2-tailed) .139 .808 .526 .377 .043 .026 .008 .007 .005 .000
N 98 98 98 98 98 98 98 98 98 98 98
X6 Pearson Correlation -.047 .176 .059 .231* .205* 1 .159 .141 .089 .086 .433**
Sig. (2-tailed) .649 .083 .566 .022 .043 .118 .165 .385 .397 .000
N 98 98 98 98 98 98 98 98 98 98 98
X7 Pearson Correlation .111 .297** .127 .151 .225* .159 1 .014 .182 .215* .527**
Sig. (2-tailed) .277 .003 .214 .138 .026 .118 .889 .072 .034 .000
(4)
N 98 98 98 98 98 98 98 98 98 98 98 X8 Pearson Correlation -.018 .106 -.017 .128 .266** .141 .014 1 -.060 .098 .382**
Sig. (2-tailed) .860 .298 .871 .210 .008 .165 .889 .560 .335 .000
N 98 98 98 98 98 98 98 98 98 98 98
X9 Pearson Correlation .211* .206* .316** .211* .270** .089 .182 -.060 1 .295** .554**
Sig. (2-tailed) .037 .042 .002 .037 .007 .385 .072 .560 .003 .000
N 98 98 98 98 98 98 98 98 98 98 98
X11 Pearson Correlation .258* .068 .046 .210* .280** .086 .215* .098 .295** 1 .544**
Sig. (2-tailed) .010 .507 .652 .038 .005 .397 .034 .335 .003 .000
N 98 98 98 98 98 98 98 98 98 98 98
Y Pearson Correlation .403** .494** .445** .438** .523** .433** .527** .382** .554** .544** 1
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000 .000 .000
N 98 98 98 98 98 98 98 98 98 98 98
*. Correlation is significant at the 0.05 level (2-tailed). **. Correlation is significant at the 0.01 level (2-tailed).
CRONBACH ALPHA
Case Processing Summary
N %
Cases Valid 98 100.0
Excludeda 0 .0
(5)
Case Processing Summary
N %
Cases Valid 98 100.0
Excludeda 0 .0
Total 98 100.0
a. Listwise deletion based on all variables in the procedure.
Reliability Statistics
Cronbach's
Alpha N of Items
.702 11
ANALISIS FAKTOR KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .601 Bartlett's Test of Sphericity Approx. Chi-Square 112.628
Df 45
Sig. .000
(6)
Communalities
Initial Extraction
X1 1.000 .597
X2 1.000 .723
X3 1.000 .672
X4 1.000 .608
X5 1.000 .618
X6 1.000 .542
X7 1.000 .424
X8 1.000 .739
X9 1.000 .507
X11 1.000 .545
Extraction Method: Principal Component Analysis.
Total Variance Explained
Compon ent
Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %
(7)
2 1.426 14.259 37.928 1.426 14.259 37.928 1.559 15.588 31.825
3 1.182 11.817 49.745 1.182 11.817 49.745 1.484 14.837 46.662
4 1.002 10.018 59.763 1.002 10.018 59.763 1.310 13.102 59.763
5 .872 8.722 68.486
6 .822 8.223 76.708
7 .732 7.318 84.027
8 .672 6.718 90.745
9 .519 5.192 95.936
10 .406 4.064 100.000
Extraction Method: Principal Component Analysis.
Component Matrixa
Component
1 2 3 4
X1 .446 -.290 -.476 .296
X2 .490 -.404 .565 .018
X3 .468 -.608 .188 .220
X4 .427 .377 -.081 -.526
X5 .527 .407 -.117 .401
(8)
X6 .405 .352 .475 -.169
X7 .559 -.043 .141 -.301
X8 .192 .557 .312 .543
X9 .649 -.158 -.223 -.106
X11 .561 .201 -.433 -.053
Extraction Method: Principal Component Analysis. a. 4 components extracted.
Rotated Component Matrixa
Component
1 2 3 4
X1 .737 .170 -.159 -.003
X2 -.053 .826 .184 .067
X3 .290 .757 -.114 -.052
X4 .149 -.156 .749 .003
X5 .432 -.014 .145 .640
X6 -.198 .222 .558 .377
X7 .179 .337 .527 -.014
X8 -.084 -.005 -.013 .856
(9)
X11 .623 -.113 .357 .132 Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 6 iterations.
Component Transformation Matrix
Compo
nent 1 2 3 4
1 .612 .487 .548 .296
2 -.157 -.639 .398 .639
3 -.744 .577 .158 .297
4 .216 .144 -.718 .645
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
(10)
(11)
Anti-image Matrices
X1 X2 X3 X4 X5 X6 X7 X8 X9 X11
Anti-image Covariance X1 .852 .011 -.175 -.014 -.060 .082 -.025 .028 -.049 -.171
X2 .011 .728 -.245 .073 .136 -.119 -.220 -.132 -.096 -.003
X3 -.175 -.245 .755 .046 -.007 -.010 .012 .047 -.154 .060
X4 -.014 .073 .046 .842 .087 -.155 -.117 -.123 -.166 -.113
X5 -.060 .136 -.007 .087 .745 -.138 -.165 -.236 -.185 -.092 X6 .082 -.119 -.010 -.155 -.138 .871 -.032 -.054 .008 -.013
X7 -.025 -.220 .012 -.117 -.165 -.032 .801 .120 .012 -.091
X8 .028 -.132 .047 -.123 -.236 -.054 .120 .852 .135 -.038
X9 -.049 -.096 -.154 -.166 -.185 .008 .012 .135 .732 -.130
X11 -.171 -.003 .060 -.113 -.092 -.013 -.091 -.038 -.130 .809 Anti-image Correlation X1 .677a .014 -.218 -.017 -.075 .095 -.030 .033 -.062 -.206 X2 .014 .529a -.331 .093 .184 -.149 -.289 -.168 -.132 -.003
X3 -.218 -.331 .610a .058 -.010 -.013 .016 .058 -.206 .077
X4 -.017 .093 .058 .575a .109 -.181 -.142 -.145 -.212 -.136 X5 -.075 .184 -.010 .109 .540a -.172 -.214 -.296 -.251 -.118 X6 .095 -.149 -.013 -.181 -.172 .668a -.038 -.062 .010 -.015
(12)
X7 -.030 -.289 .016 -.142 -.214 -.038 .629a .145 .016 -.113
X8 .033 -.168 .058 -.145 -.296 -.062 .145 .696a .171 -.046
X9 -.062 -.132 -.206 -.212 -.251 .010 .016 .171 .660a -.169 X11 -.206 -.003 .077 -.136 -.118 -.015 -.113 -.046 -.169 .729a a. Measures of Sampling Adequacy(MSA)
(13)
DAFTAR JAWABAN RESPONDEN
NO X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11
1 3 2 2 5 4 3 2 2 5 5 4
2 4 5 3 2 3 2 5 4 3 3 4
3 3 3 2 2 2 4 2 2 2 4 2
4 3 3 2 2 3 3 4 4 4 5 2
5 4 4 4 3 3 3 3 3 4 4 1
6 4 3 2 4 5 3 5 4 4 4 3
7 4 3 2 4 3 5 4 5 4 3 5
8 4 3 4 2 4 2 3 4 4 4 4
9 4 4 4 2 4 4 5 5 3 5 3
10 4 5 4 3 2 3 2 3 4 5 4
11 4 2 2 5 4 4 5 3 4 5 3
12 5 3 3 4 4 3 5 4 4 3 5
13 3 3 2 4 3 3 5 5 4 2 2
14 1 1 1 1 3 3 1 5 1 5 1
15 4 2 2 3 5 2 5 1 5 5 5
16 4 4 3 3 5 5 3 5 5 4 2
17 3 4 3 2 3 2 4 3 3 4 3
18 3 4 2 2 3 3 4 3 2 4 3
19 5 4 3 2 4 3 5 4 3 5 4
20 4 4 3 3 4 3 5 4 4 4 4
21 4 5 4 2 5 3 4 3 5 4 3
(14)
22 4 5 5 2 3 4 4 5 4 5 3
23 4 2 3 5 4 5 5 2 4 5 4
24 4 4 4 4 4 4 5 4 5 5 3
25 5 4 3 2 4 4 3 2 5 5 4
26 3 5 4 3 5 4 5 4 4 5 4
27 4 4 5 2 4 3 4 5 5 5 5
28 4 3 2 1 5 5 4 4 2 5 3
29 4 2 3 2 4 3 4 4 2 4 3
30 4 1 4 4 4 3 3 2 3 5 4
31 4 3 2 4 3 4 3 4 2 3 4
32 4 3 4 3 4 3 4 4 4 4 4
33 5 4 4 4 5 4 4 4 4 2 2
34 5 4 3 4 4 2 4 2 4 4 4
35 3 2 2 2 4 4 4 3 4 4 5
36 4 5 4 3 5 4 5 3 4 5 5
37 4 4 4 3 4 3 4 3 4 2 3
38 3 3 5 4 2 4 4 2 4 3 4
39 2 5 3 3 4 5 5 2 5 4 3
40 5 5 5 2 2 5 4 4 4 4 5
41 4 3 4 2 5 3 4 4 4 5 3
42 5 5 4 3 5 5 4 4 5 5 4
43 5 4 4 2 4 3 4 2 2 4 2
44 5 4 3 5 5 3 5 4 5 5 3
(15)
46 4 5 2 2 2 5 3 1 5 4 1
47 4 4 3 3 4 3 5 5 5 3 4
48 5 5 5 3 2 2 5 3 5 2 1
49 4 4 3 2 4 3 5 3 5 5 4
50 4 4 4 3 3 3 3 2 4 5 2
51 4 5 3 5 5 5 5 5 5 5 5
52 4 4 4 4 4 4 4 5 4 4 4
53 4 2 2 2 5 2 2 4 4 4 4
54 4 2 4 4 3 4 4 4 5 3 3
55 3 3 3 4 5 5 3 5 4 4 2
56 4 4 5 5 5 5 5 4 5 4 4
57 5 5 3 3 5 4 2 5 5 5 5
58 4 2 3 5 5 3 4 5 5 3 5
59 5 2 2 2 5 4 5 5 5 5 5
60 4 4 4 3 4 4 3 5 5 4 4
61 5 3 4 3 5 4 3 5 5 5 4
62 5 4 4 2 3 2 3 4 3 5 3
63 4 3 4 5 4 3 2 5 5 4 3
64 3 2 3 2 3 2 3 2 5 5 3
65 4 4 4 2 2 2 3 4 4 4 3
66 4 5 5 2 4 2 4 2 4 3 3
67 2 5 2 4 2 3 5 2 4 5 3
68 4 5 5 2 4 4 5 2 5 5 2
69 4 4 3 3 4 4 5 2 4 5 5
(16)
70 4 3 2 2 5 3 5 4 4 4 4
71 2 2 3 4 3 4 5 4 3 5 1
72 4 5 2 5 5 5 5 5 2 5 4
73 4 5 2 5 4 4 5 5 4 3 4
74 4 5 3 5 1 3 4 4 5 5 5
75 4 2 2 2 2 4 3 2 2 5 2
76 3 5 4 3 5 4 4 4 5 3 4
77 2 5 4 4 4 4 5 4 4 4 4
78 4 3 4 2 5 3 5 4 4 4 4
79 5 3 3 2 4 4 5 2 5 4 4
80 4 5 4 3 5 4 5 4 5 5 4
81 5 4 4 4 3 3 3 2 4 3 4
82 4 4 3 4 5 5 2 4 4 3 4
83 5 3 2 5 4 3 3 5 4 3 5
84 4 3 5 4 5 4 4 4 4 5 3
85 2 5 3 2 4 5 4 4 4 2 3
86 5 2 4 4 4 5 5 4 4 3 4
87 5 5 4 2 5 3 5 5 5 3 4
88 3 2 3 2 4 3 2 4 4 5 4
89 4 3 3 2 3 3 3 4 3 4 3
90 4 2 3 2 3 3 3 2 4 4 4
91 3 4 4 2 4 3 2 4 4 3 4
92 4 4 4 4 4 5 4 4 4 4 4
(17)
94 5 4 5 4 4 5 5 1 5 5 5
95 5 5 4 4 3 4 4 4 3 5 5
96 5 4 3 2 3 4 5 3 5 5 5
97 5 3 4 2 5 3 5 1 5 5 5
98 3 2 2 5 4 3 3 2 5 5 5
Correlation Matrixa
x1 x2 x3 x4 x5 x6 x7 x8 x9 x11
Sig. (1-tailed) x1 .180 .005 .253 .076 .374 .114 .407 .016 .005
x2 .180 .000 .403 .495 .038 .001 .193 .018 .236
x3 .005 .000 .477 .281 .275 .101 .312 .002 .326
x4 .253 .403 .477 .187 .017 .038 .100 .009 .011
x5 .076 .495 .281 .187 .017 .011 .005 .003 .006
x6 .374 .038 .275 .017 .017 .064 .067 .138 .156
x7 .114 .001 .101 .038 .011 .064 .415 .032 .016
x8 .407 .193 .312 .100 .005 .067 .415 .294 .206
x9 .016 .018 .002 .009 .003 .138 .032 .294 .002
x11 .005 .236 .326 .011 .006 .156 .016 .206 .002
(18)
Correlation Matrixa
x1 x2 x3 x4 x5 x6 x7 x8 x9 x11
Sig. (1-tailed) x1 .180 .005 .253 .076 .374 .114 .407 .016 .005
x2 .180 .000 .403 .495 .038 .001 .193 .018 .236
x3 .005 .000 .477 .281 .275 .101 .312 .002 .326
x4 .253 .403 .477 .187 .017 .038 .100 .009 .011
x5 .076 .495 .281 .187 .017 .011 .005 .003 .006
x6 .374 .038 .275 .017 .017 .064 .067 .138 .156
x7 .114 .001 .101 .038 .011 .064 .415 .032 .016
x8 .407 .193 .312 .100 .005 .067 .415 .294 .206
x9 .016 .018 .002 .009 .003 .138 .032 .294 .002
x11 .005 .236 .326 .011 .006 .156 .016 .206 .002
(19)
PERHITUNGAN KMO DAN MSA
Untuk menghitung KMO dan MSA maka diperlukan matriks korelasi sederhana dan matriks korelasi parsial yang semua entrinya telah dikuadratkan. Berikut ini akan disajikan matriks korelasi sederhana dan matriks korelasi parsial yang semua entrinya telah dikuadratkan.
MATRIKS KORELASI SEDERHANA�rij�
X1 X2 X3 X4 X5 X6 X7 X8 X9 X11
X1 1.000 0.180 0.005 0.253 0.076 0.374 0.114 0.407 0.016 0.005
X2 0.180 1.000 0.000 0.403 0.495 0.038 0.001 0.193 0.018 0.236
X3 0.005 0.000 1.000 0.477 0.281 0.275 0.101 0.312 0.002 0.326
X4 0.253 0.403 0.477 1.000 0.187 0.017 0.038 0.100 0.009 0.011 Σ = X5 0.076 0.495 0.281 0.187 1.000 0.017 0.011 0.005 0.003 0.006
X6 0.374 0.038 0.275 0.017 0.017 1.000 0.064 0.067 0.138 0.156
X7 0.114 0.001 0.101 0.038 0.011 0.064 1.000 0.415 0.032 0.016
X8 0.407 0.193 0.312 0.100 0.005 0.067 0.415 1.000 0.294 0.206
X9 0.016 0.018 0.002 0.009 0.003 0.138 0.032 0.294 1.000 0.002
X11 0.005 0.236 0.326 0.011 0.006 0.156 0.016 0.206 0.002 1.000
(20)
MATRIKS KORELASI PARSIAL
X1 X2 X3 X4 X5 X6 X7 X8 X9 X11
X1 0.018 -0.272 -0.020 -0.095 0.110 -0.037 0.039 -0.079 -0.248
X2 0.018 -0.446 0.119 0.250 -0.187 -0.378 -0.214 -0.181 -0.004
X3 -0.272 -.446 0.072 -0.013 -0.016 0.020 0.073 -0.278 0.099
X4 -0.020 0.119 0.072 0.138 -0.211 -0.173 -0.171 -0.270 -0.165
X5 -0.095 0.250 -0.013 0.138 -0.213 -0.276 -0.372 -0.339 -0.152
A = (aij) = X6 0.110 -0.187 -0.016 -0.211 -0.213 -0.045 -0.073 0.013 -0.018
X7 -0.037 -0.378 0.020 -0.173 -0.276 -0.045 0.175 0.021 -0.141
X8 0.039 -0.214 0.073 -0.171 -0.372 -0.073 .0175 0.216 -0.056
X9 -0.079 -0.181 -0.278 -0.270 -0.339 0.013 0.021 0.216 -0.220
(21)
Kuadrat Matriks Korelasi Sederhana
X1 X2 X3 X4 X5 X6 X7 X8 X9 X11 Jumlah
X1 0.0324 0.000025 0.064009 0.005776 0.139876 0.01300 0.165649 0.000256 0.000025 1.421016
X2 0.03240 0.000000 0.162409 0.245025 0.001444 0.00000 0.037249 0.000324 0.055696 1.534547
X3 0.00003 0.000000 0.227529 0.078961 0.075625 0.01020 0.097344 0.000004 0.106276 1.595969
X4 0.06401 0.162409 0.227529 0.034969 0.000289 0.00144 0.01 0.000081 0.000121 1.500848
Σ = (���2) = X5 0.00578 0.245025 0.078961 0.034969 0.000289 0.00012 0.000025 0.000009 0.000036 1.365214
X6 0.13988 0.001444 0.075625 0.000289 0.000289 0.00410 0.004489 0.019044 0.024336 1.269496
X7 0.01300 0.000001 0.010201 0.001444 0.000121 0.004096 0.172225 0.001024 0.000256 1.202368
X8 0.16565 0.037249 0.097344 0.01 0.000025 0.004489 0.17223 0.086436 0.042436 1.615859
X9 0.00026 0.000324 0.000004 0.000081 0.000009 0.019044 0.00102 0.086436 0.000004 1.107182
X11 0.00003 0.055696 0.106276 0.000121 0.000036 0.024336 0.00026 0.042436 0.000004 1.229195
Jumlah 13.84169
(22)
Kuadrat Matriks Korelasi Parsial
X1 X2 X3 X4 X5 X6 X7 X8 X9 X11 Jumlah
X1 0.000324 0.073984 0.0004 0.009025 0.0121 0.00137 0.001521 0.006241 0.061504 0.16647 X2 0.000324 0.198916 0.014161 0.0625 0.034969 0.14288 0.045796 0.032761 0.000016 0.53232 X3 0.073984 0.198916 0.005184 0.000169 0.000256 0.00040 0.005329 0.077284 0.009801 0.37132 X4 0.0004 0.014161 0.005184 0.019044 0.044521 0.02993 0.029241 0.0729 0.027225 0.24261
D = (���2) = X5 0.009025 0.0625 0.000169 0.019044 0.045369 0.07618 0.138384 0.114921 0.023104 0.48870
X6 0.0121 0.034969 0.000256 0.044521 0.045369 0.00203 0.005329 0.000169 0.000324 0.14507 X7 0.001369 0.142884 0.0004 0.029929 0.076176 0.002025 0.030625 0.000441 0.019881 0.30373 X8 0.001521 0.045796 0.005329 0.029241 0.138384 0.005329 0.00031 0.046656 0.003136 0.27570 X9 0.006241 0.032761 0.077284 0.0729 0.114921 0.000169 0.00044 0.046656 0.0484 0.39977 X11 0.061504 0.000016 0.009801 0.027225 0.023104 0.000324 0.01988 0.003136 0.0484 0.19339
(23)
1. KMO= ∑ ∑ ��� 2
� � ≠1
� �=1 ∑ ∑� ���2
�≠1
�
�=1 +∑ ∑ ���2
� �≠1
� �=1
KMO = 13.84169
13.84169 +3.11908 = 0,601
2. MSA = ∑ ∑ ��� 2
� �≠1
� �=1 ∑� ���2
�=1 +∑ ���2
� �=1 ���1=
1.421016
1.421016 +0.16647 = 0,677
���2 =
1.534547
1.534547 +0.53232 = 0,529
���3 =
1.595969
1.595969+0.37132 = 0,610
���4=
1.500848
1.500848 +0.24261 = 0,575
���5=
1.365214
1.365214 +0.48870 = 0,540
���6=
1.269496
1.269496 +0.14507 = 0,668
���7=
1.202368
1.202368 +0.30373 = 0,629
���8 =
1.615859
1.615859 +0.27570 = 0,696
���9=
1.107182
1.107182 +0.39977 = 0,660
���11=
1.229195
1.229195 +0.19339 = 0,729
(24)
UJI BARLETT PENDEKATAN STATISTIK CHI AQUARE
Untuk menguji apakah matriks korelasi sederhana bukan merupakan suatumatriks idensitas, maka digunakan uji Barlett dengan pendekatan statistik chi square. Berikut ini langkah-langkah pengujiannya:
1. Hipotesis
Ho : Matriks korelasi sederhana merupakan matriks idensitas H1 : Matriks korelasi sederhana bukan merupakan matriks idensitas 2. Statistik Uji
�2 = �(� −1)−(2�+ 5) 6 � ��|∑| 3. Taraf nyata α dan nilaiχ2 dari tabel diperoleh:
α = 5% = 0,05
dengan df =p(p−1)
2 =
10(10−1)
2 = 45
χ2
tabel = 61,66 4. Kriteria pengujian:
H0 ditolak apabila χ2hitung ≥χ2tabel H0 diterima apabila χ2hitung < χ2tabel 5. Perhitungan �2:
Det (R) = 0,297
�2 =− �(98−1)−(2(10) + 5)
6 � ��|0,297|
= −[97−4,167](−1,214) = −(92,83)(−1,214) =112,695
6. Kesimpulan:
χ2
hitung = 112,695>χ 2
(25)
DAFTAR PUSTAKA
Arikunto. 1998. Prosedur Penelitian Suatu Pendekatan Praktek. Jakarta: PT. Rineka Cipta
Badan Pusat Statistik 2015. Peta ketenagakerjaan dan pengangguran menurut kabupaten/kota Sumatera Utara Tahun 2015.Medan: Badan Pusat Statistik
Badan Pusat Statistik 2015. Medan Selayang Dalam Angka Tahun 2015.Medan: Badan Pusat Statistik
Imam Ghozali. 2006. Analisis Multivariat dengan Program SPSS. Semarang: Badan Penerbit Universitas Diponegoro.
Johnson, R. A and D. W. Wichern. (1982). Applied Multivariate Statistical Analysis, Prentice-Hall, Inc. New Jersey.
Suparmoko. 1991. Metodologi Penelitian Edisi Ketiga. Yogyakarta: BPPFE
Supranto, J. 2004. Analisis Multivariate Arti dan Interpretasi. Jakarta: PT. Rineka Cipta Jakarta
Santoso Singgih. Statistik Multivariat konsep dan Aplikasi dengan SPSS.Jakarta: Penerbit PT Elex Media Komputindo
Teken.1965. Analisis Multivariat Arti dan Interpretasi. Jakarta: PT Rineka Cipta
(26)
PEMBAHASAN DAN PENGOLAHAN DATA
3.1 Pengambilan Sampel
Pengambilan jumlah sampel dalam penelitian ini menggunakan teknik Slovin. Jumlah data pengangguran yang diambil dari Kantor Kecamatan Medan Selayang adalah 4630 orang.
�
=
�1+��2
�= 4630
1 + 4630(10%)2
�= 4630
1 + 4630(0,01)
�
=
46301+46,3
�
=
4630
47,3
n = 97,885Sehingga jumlah sampel yang akan diteliti dalam penelitian ini adalah sebanyak 98 orang.
Penelitian ini menggunakan teknik Accidental Sampling yaitu membagikan kuesioner terhadap responden yang memenuhi kriteria sebagai berikut:
- Usia 15-65 tahun yang tidak memiliki pekerjaan.
- Orang yang bekerja kurang dari dua hari dalam seminggu. - Ibu rumah tangga.
(27)
3.2 Penskalaan Data Ordinal Menjadi Data Interval
Dari data mentah hasil kuesioner dibuat suatu matriks data Xpxn yang telah dilakukan penskalaan menjadi skala interval.Teknik penskalaan yang digunakan dalam penelitian ini adalah Methode Successive Interval dengan bantuan Microsoft Office Excel 2007.
Tabel 3.1 Penskalaan Variabel 1
No. variabel Kategori Skor Jawaban Ordinal
Frekuensi Proporsi Proporsi Kumulatif
Densitas
{f(z)} Z
Nilai Hasil Penskalaan
1
1 1 0.010 0.010 0.027 -2.319 1
2 6 0.061 0.071 0.136 -1.465 1.874 3 15 0.153 0.224 0.299 -0.757 2.592 4 52 0.531 0.755 0.314 0.691 3.631
5 24 0.245 1 0 4.942
Jumlah 98
Langkah-langkah Methode Successive Interval:
1. Menghitung frekuensi skor jawaban dalam skala ordinal
2. Menghitung proporsi dan proporsi kumulatif untuk masing-masing skor jawaban
3. Menentukan nilai Z untuk setiap kategori, dengan asumsi bahwa proporsi kumulatif dianggap mengikuti distribusi normal baku. Nilai Z diperoleh dari Tabel Distribusi Normal Baku.
4. Menghitung nilai densitas dari nilai Z yang diperoleh dengan cara memasukkan nilai Z tersebut kedalam fungsi densitas normal baku sebagai berikut:
f(z) = 1
√2��
−12�2
f(-2.31876) = 1
√2��
−12(−2.31876)2 = 0,027
(28)
SV = ������������������� −�������������������
������������������� −�������������������
SV1 =
0,000− 0,027
0,010−0,000 = -2,658
SV2 =
0,027−0.136
0.071−0.010 = - 1,784
SV3 =
0.136−0.299
0.224−0,071= - 1,066
SV4 =
0.299−0.314
0.755−0.224= - 0,028
SV5 =
0.314−0.000
1,000−0.755= 1,283
6. Menentukan Scale Value min sehingga SVterkecil + |SVmin| = 1 Scale Value Terkecil = -2,658
Nilai 1 diperoleh dari: -2,658 + X = 1
X = 1 + 2,658 X = 3,658
7. Mentransformasikan nilai skala dengan menggunakan rumus: Y = SV + |SVmin|
Y1 = -2,658 + 3,658 = 1 Y2 = -1,784 + 3,658 = 1,874 Y3 = -1,066 + 3,658 = 2,592 Y4 = -0,028 + 3,658 = 3,631 Y5 = 1,283 + 3,658 = 4,942
Dengan perhitungan manual yang dilakukan terbukti sama dengan perhitungan yang dilakukan pada Microsoft excel. Selanjutnya dengan melakukan cara yang sama, maka semua variabel akan ditransformasikan ke dalam data interval.Hasil penskalaan dari masing-masing variabel:
(29)
Tabel 3.2 Hasil Penskalaan Variabel
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11
1 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
2 1.874 2,139 2.411 2.573 2.014 1,000 2.055 2.056 1.971 1,000 1.792
3 2.592 2,927 3.352 3.491 2.812 2,162 2.849 2.666 2.559 1.932 2.475
4 3.631 3.625 4.238 4.104 3.672 3.121 3.566 3.363 3.411 2.760 3.325
5 4.942 4.649 5.358 5.031 4,826 4.146 4.646 4.507 4.684 3.935 4.443
3.3Uji Validitas
Hasil uji validitas data kuesioner dari 11 variabel yang diukur kemudian dihitung dengan menggunakan software SPSS yang ditunjukkan pada tabel
Tabel 3.3 Uji Validitas 1
No Variabel r-tabel r-hitung Keterangan
1 Variabel 1 0,199 0,394 Valid
2 Variabel 2 0,199 0,475 Valid
3 Variabel 3 0,199 0,432 Valid
4 Variabel 4 0,199 0,413 Valid
5 Variabel 5 0,199 0,532 Valid
6 Variabel 6 0,199 0,443 Valid
7 Variabel 7 0,199 0,524 Valid
8 Variabel 8 0,199 0,347 Valid
9 Variabel 9 0,199 0,549 Valid
10 Variabel 10 0,199 0,149 Tidak Valid
11 Variabel 11 0,199 0,562 Valid
Dalam penelitian ini, peneliti menggunakan teknik analisis butir dengan uji coba semua responden sebanyak 98 orang, kemudian mengkorelasi skor butir dengan skor total. Kaidah pengambilan kesimpulan apabila butir/item pertanyaan
(30)
adalah valid. Jika suatu butir pertanyaan tidak valid maka butir pertanyaan tersebut harus dibuang kemudian lakukan uji sesuai prosedur sebelumnya dengan mengurangi butir pertanyaan yang tidak valid.
Karena terdapat 1 variabel yang tidak valid, yaitu variabel ke 10, maka uji validitas harus dilakukan kembali dengan mengurangi 1 variabel yang tidak valid tersebut. Tabel menunjukkan uji validitas 2 (kedua).
Tabel 3.4 Uji Validitas 2
No Variabel r-tabel r-hitung Keterangan
1 Variabel 1 0,199 0,403 Valid
2 Variabel 2 0,199 0,494 Valid
3 Variabel 3 0,199 0,445 Valid
4 Variabel 4 0,199 0,438 Valid
5 Variabel 5 0,199 0,523 Valid
6 Variabel 6 0,199 0,433 Valid
7 Variabel 7 0,199 0,527 Valid
8 Variabel 8 0,199 0,382 Valid
9 Variabel 9 0,199 0,554 Valid
10 Variabel 11 0,199 0,544 Valid
Dari perhitungan pada tabel 3.4 dimana nilai r-hitung dibandingkan dengan niali r-tabel dimana jumlah N sebanyak 98 responden dengan taraf signifikan 5% (0,199) dimana nilai r-hitung lebih besar dari r-tabel sehingga dapat disimpulkan bahwa 10 variabel pada tabel diatas dinyatakan valid.
Secara manual perhitungan korelasi product moment antara variabel X1dengan skor total variabel lainnya (Y) dapat dilihat pada tabel berikut:
Tabel 3.5 Contoh Perhitungan Korelasi Product Moment No
Reponden
X Y XY X2 Y2
(31)
2 4 35 140 16 1225
3 3 24 72 9 576
4 3 30 90 9 900
5 4 32 128 16 1024
. . . .
. . . .
98 3 34 102 9 1156
JUMLAH 386 3581 14268 1592 133141
r
xy=
�(∑��)− (∑�.∑�)
�{�∑�2− ( ∑�)2}{�∑�2− (∑�)2}
r
xy=
98(14268 )− (386�3581 )
�{98(1592)− (386)2}{98(133141 )−(3581 )2}
r
xy=
1398264−1382266
�(156016−148996 )(13047818−12823561 )
r
xy=
15998 �(7020)(224257 )
r
xy=
15998
√1574284140
r
xy=
15998 39677 ,24965
rxy = 0,40320335
Diperoleh nilai validitas untuk variabel X1 dengan perhitungan manual adalah 0,403 sama dengan output SPSS yakni 0,403. Selanjutnya untuk perhitungan variabel lainnya akan dilakukan dengan software SPSS.
3.4Uji Reliabilitas
Berikut adalah hasil perolehan data dari uji reliabilitas dengan SPSS:
(32)
Reliability Statistics
Cronbach’s Alpha Cronbach’s Alpha Based on Standardized Items
No of Items
,702 ,702 10
Berdasarkan hasil perhitungan diatas, nilai Cronbach Coefficien Alpha adalah 0,702 untuk uji reliabilitas atas daftar pilihan responden. Nilai tersebut menyatakan bahwa 10 variabel yang valid tersebut memenuhi persyaratan uji reliabilitas, dimana nilai yang diperoleh sudah lebih dari minimum untuk sebuah penelitian yaitu 0,6.
3.5Prosedur Pengolahan Data Dengan Analisis Faktor
Terdapat beberapa prosedur pengolahan data analisis faktor yang umum dilakukan dalam sebuah penelitian. Prosedur analisis ini dilakukan dengan langkah-langkah sebagai berikut:
1. Melakukan input data hasil tabulasi pada SPSS 20 di lembar data view 2. Mengisi desain variabel dengan mengatur nama tabel pada variabel view 3. Melakukan prosedur analisis data dengan SPSS 20
Langkah-langkahnya adalah sebagai berikut: • Klik analyze
• Pilih sub menu Dimension Reduction, kemudian pilih Faktor
• Pindahkan semua variabel di kolom kiri ke kolom variabel sebelah kanan • Pada pilihan Correlation Matrix, aktifkan pilihan KMO and Bartlett’s Test
of Sphericity dan anti-image, kemudian klik continue
• Pilih Extraction
• Pada pilihan Method, pilih Principal Component dan pada pilihan analyze, pilihan Correlation Matrix
• Pada pilihan Extract, pilih Based on Egenvalue, kemudian klik continue • Pilih Rotation
(33)
• Pada pilihan Mtehod, pilih metode Varimax dan pada pilihan display, aktifkan Rotate Solution, kemudian klik continue
• Klik Ok untuk diproses 4. Penyusunan Matrik Interkorelasi
Data disusun dalam matriks korelasi, proses analitik dilakukan pada korelasi matrik dari variabel-variabel yang diuji. Beberapa pengujian nilai dilakukan yaitu KMO and Bartlett’s Test yang berguna untuk menguji kelayakan sampel. Jika nilai KMO MSA lebih dari 0,5 dan nilai signifikansi lebih kecil dai 0,05 maka analisis data bisa dilanjutkan.
5. Ekstraksi Faktor
Terdapat 5 jenis pendekatan metode ekstraksi faktor, yaitu: a. Principal Component Analysis (PCA)
b. Common Factor Analysis/Principals Axis Factoring c. Maximum Likehood
d. Unweighted Least Square e. Generalized Least Square
Pada penelitian ini digunakan pendekatan PCA karena sesuai dengan fungsinya umtuk mengetahui jumlah faktor minimal yang dapat diekstrasi dengan mengahsilkan faktor yang memiliki specific variance dan error variance yang paling kecil. Dan untuk menentukan banyaknya faktor, terdapat beberapa hal sebagai acuan, yaitu:
a. Berdasarkan penelitan sebelumnya
b. Pendekatan dengan eigenvalue lebih dari 1
c. Menentukan banyaknya faktor dengan plot eigenvalue d. Sampel dipisah menjadi dua analisis
6. Rotasi Faktor
Rotasi faktor adalah hasil penting dalam analisis faktor. Didalamnya terdapat koefisien yang digunakan untuk menunjukkan variabel-variabel yang distandarisasi dalam batasan sebagai faktor. Faktor diharapkan tidak bernilai 0. Dan untuk menilai representasi variabel yang mempresentasikan faktor, dikategorikan dengan korelasi kuat dan korelasi lemah. Variabel yang lemah
(34)
adalah variabel yang cukup kuat diwakili oleh faktor.
3.6Pengolahan Data Hasil Kuesioner
Dalam bagian ini menjelaskan pengolahan analisis komponen utama variabel data tingkat kepentingan yang didapatkan dari hasil pengisian kuesioner oleh responden menggunakan SPSS. Berdasarkan hasil uji validitas diatas, terdapat 10 variabel valid yang akan dilakukan analisis faktor.
Pengolahan data untuk komponen utama dari analisis faktor adalah dengan melakukan perhitungan nilai KMO and Bartlett’s Test untuk10 variabel yang valid.
Tabel 3.7 KMO and Barlett’s Test
Kaiser-Meyer-Olkin-Measure of Sampling ,601
Barlett’s Test of Sphericity
Approx. Chi-Square 112.628
Df 45
Sig. .000
Hasil output SPSS seperti tabel diatas menunjukkan angka KMO and Bartlett’s Test adalah 0,601 lebih besar dari 0,5 dengan signifikansi 0,000 lebih kecil dari 0,05 maka variabel dan sampel sudah layak untuk dianalisis lebih lanjut. Perhitungan manualnya sebagai berikut:
KMO= ∑ ∑ ���
2
� � ≠1
� �=1 ∑ ∑� ���2
�≠1
�
�=1 +∑ ∑ ���2
� �≠1
� �=1
KMO = 13.84169
13.84169 +3.11908 = 0,601
Proses pengolahan selanjutnya adalah dengan melihat nilai MSA. Hasil perhitungan nilai MSA untuk 10 variabel valid bisa dilihat pada tabel 3.8:
(35)
Tabel 3.8 Measure of Sampling Adequacy
No Variabel Anti-Image Correlation
1 Variabel 1 0,677
2 Variabel 2 0,529
3 Variabel 3 0,610
4 Variabel 4 0,575
5 Variabel 5 0,540
6 Variabel 6 0,668
7 Variabel 7 0,629
8 Variabel 8 0,696
9 Variabel 9 0,660
10 Variabel 11 0,729
Dengan melihat anti image correlation diketahui ke 10 variabel menunjukkan kriteria angka MSA lebih besar dari 0,5 yang berarti semua variabel masih bisa diprediksi untuk dianalisa lebih lanjut. Dari kedua hasil pengujian diatas, semua variabel mempunyai korelasi yang cukup tinggi dengan variabel lain, sehingga analisis layak untuk dilanjutkan dengan mengikutkan 10 variabel. Perhitungan manualnya sebagai berikut:
MSA = ∑ ∑ ��� 2
� �≠1
� �=1 ∑� ���2
�=1 +∑ ���2
� �=1
���1=
1.421016
1.421016 +0.16647 = 0,677
Perhitungan nilai MSA2 – MSA11 dilanjutkan di dalamlampiran.
3.7 Hasil Analisis Faktor
Pada proses analisis faktor, dilakukan beberapa tahap sampai dengan perolehan faktor-faktor baru sebagai faktor dominan yang ingin diperoleh. Proses pertama yaitu tabulasi pada data serta melakukan pengolahan dengan software yang telah direfrensikanyaitu program SPSS dengan mengambil versi SPSS 20. Untuk data 10 variabel penelitian pada kuesioner yang dijawab oleh 98 responden.
(36)
Ada beberapa variabel yang mempengaruhi tingkat pengangguran khususnya di Kota Medan Kecamatan Medan Selayang, faktor-faktor tersebut berjumlah 10 variabel yang valid.
Berdasarkan hasil perhitungan tabel 3.7 diperoleh KMO and Barlett’s Test sebesar 0,601 dengan signifikansi sebesar 0,000. Berdasarkan teori nilai KMO memang harus di atas 0,5 dan signifikansi atau probabilitas dibawah 0,05 maka variabel layak dapat dianalisa lebih lanjut (Santoso, 2002).
Perhitungan selanjutnya adalah dengan melihat nilai MSA.Hasil nilai MSA dapat dilihat pada tabel. Hasil pada tabel menunjukkan bahwa 10 variabel yang tersisa mempunyai nilai lebih dari 0,5. Berdasarkan 10 variabel yang dinilai dalam kuesioner yang merupakan jawaban 98 responden, diperoleh bahwa nilai MSA yang diperoleh diatas 0,5. Ini menandakan bahwa semua variabel memiliki korelasi cukup tinggi dengan variabel lainnya, sehingga selanjutnya dapat dilakukan analisis pada seluruh variabel yang diteliti.
Tabel 3.9 MSA
No Variabel Nilai MSA
1 Variabel 1 0,677
2 Variabel 2 0,529
3 Variabel 3 0,610
4 Variabel 4 0,575
5 Variabel 5 0,540
6 Variabel 6 0,668
7 Variabel 7 0,629
8 Variabel 8 0,696
9 Variabel 9 0,660
(37)
3.7.2 Hasil Ekstraksi Faktor
Dalam penelitian ini metode ekstraksi yang digunakan adalah Principal Component Analysis (Analisis Komponen Utama). Di dalam Principal Component Analysis jumlah varians data dipertimbangkan yaitu diagonal matriks korelasi, setiap elemennya sebesar satu daan full variance dipergunakan untuk dasar pembentukan faktor, yaitu variabel-variabel lama yang jumlahnya lebih sedikit dan tidak berkorelasi lagi satu sama lain, seperti variabel-variabel asli yang memang saling berkorelasi.
Tabel 3.10 Communalities
No Variabel Initial Extraction
1 Variabel 1 1,000 0,597
2 Variabel 2 1,000 0,723
3 Variabel 3 1,000 0,672
4 Variabel 4 1,000 0,608
5 Variabel 5 1,000 0,618
6 Variabel 6 1,000 0,542
7 Variabel 7 1,000 0,424
8 Variabel 8 1,000 0,739
9 Variabel 9 1,000 0,507
10 Variabel 11 1,000 0,545
Dalam proses pengolahan ekstraksi, rotasi serta nilai terhadap variabel sampai menghasilkan faktor dengan metode Principals Component Analysis dan metode Explained dari 10 variabel yang dianalisis dengan nilai eigenvalue ≥ 1, diperoleh 4 faktor yang terbentuk.
Tabel 3.11 Total Variance Explained Faktor atau
Komponen
Initial Eigenvalues
Total % of Variance Cumulative %
1 2.367 23.669 23.669
(38)
3 1.182 11.817 49.745
4 1.002 10.018 59.763
5 .872 8.722 68.486
6 .822 8.223 76.708
7 .732 7.318 84.027
8 .672 6.718 90.745
9 .519 5.192 95.936
10 .406 4.064 100.000
Ada 10 variabel yang dimasukkan dalam analisis faktor. Dengan total variansi masing-masing, maka total variansinya adalah 10 x 1 = 10. Variansi faktor 1 tersebut adalah 2,367/10 x 100% = 23,67%, faktor 2 adalah 1,426/10 x 100% = 14,26% dan selanjutnya sebagaimana bisa dilihat pada tabel diatas pada kolom % of Variance. Total jumlah keseluruhan variansi dari 4 faktor tersebesar adalah 59,763.
Tabel 3.11 Extraction Sums of Squared Loadings Extraction Sums of Squared Loadings
Total % of Variance Cumulative %
2.367 23.669 23.669
1.426 14.259 37.928
1.182 11.817 49.745
1.002 10.018 59.763
Nilai eigenvalues menunjukkan kepentingan relatif masing-masing faktor dalam menghitung varians dari 10 variabel yang di analisis.Susunan eigenvalues selalu diurutkan dari yang terbesar sampai yang terkecil, dengan kriteria bahwa angka eigenvalues dibawah angka 1 tidak digunakan untuk menghitung faktor yang terbentuk. Selanjutnya, dari tabel diatas terlihat bahwa 4 faktor yang akan terbentuk yang mempunyai nilai eigenvalues diatas angka 1. Gambar merupakan hasil plot posisi eigenvalues pada tiap-tiap variabel pembentuk faktor.
(39)
Gambar 3.1 Scree Plot
Suatu Scree Plot adalah plot dari eigenvalue melawan banyaknya faktor yang bertujuan untuk melakukan ekstraksi agar diperoleh jumlah faktor. Scree Plot berupa suatu kurva yang diperoleh dengan memplot eigenvalue sebagai sumbu vertikal dan banyaknya faktor sebagai sumbu horizontal. Bentuk kurva atau plotnya dipergunakan untuk menentukan banyaknya faktor.
Jika tabel total varians menjelaskan dasar jumlah faktor yang didapat dengan perhitungan angka, maka Scree Plot memperlihatkan hal tersebut dengan grafik. Terlihat bahwa dari situ kedua faktor (garis dari sumbu Component 1 ke 2), arah garis cukup menurun tajam.Kemudian dari 2 ke 3 garis juga menurun begitupun 3 ke 4.Pada faktor 5 sudah dibawah angka 1 dari sumbu eigenvalue.Hal ini menunjukkan bahwa ada 4 faktor yang mempengaruhi tingkat pegangguran yang dapat diekstraksi berdasarkan scree plot.
3.7.3 Hasil Rotasi Faktor
Hasil rotasi faktor awal memberikan informasi bahwa terdapat 4 faktor dari 10 variabel yang dapat diolah dengan variansi kumulatif sebesar 59,763%.
(40)
tersebut dapat dilihat pada tabel berikut.
Tabel 3.12 Factor Loading Variabel
Penelitian
Faktor
1 2 3 4
X1 0,446 -0,290 -0,476 0,296
X2 0,490 -0,404 0,565 0,018
X3 0,468 -0,608 0,188 0,220
X4 0,427 0,377 -0,081 -0,526
X5 0,527 0,407 -0,117 0,401
X6 0,405 0,352 0,475 -0,169
X7 0,559 -0,043 0,141 -0,301
X8 0,192 0,557 0,312 0,543
X9 0,649 -0,158 -0,223 -0,106
X11 0,561 0,201 -0,433 -0,053
Dari tabel 3.12 dapat dilihat bahwa variabel-variabel berkorelasi kuat dengan lebih dari satu faktor, sehingga sulit untuk menginterpretasikan faktor-faktor tersebut. Dalam hal ini, factor loading perlu dirotasi agar masing-masing variabel berkorelasi kuat hanya pada satu faktor. Berikut ini adalah factor loading setelah dirotasi (rotated factor loading).
Tabel 3.13 Rotated Factor Loading Variabel
Penelitian
Faktor
1 2 3 4
X1 0,737 0,170 -0,159 -0,003
X2 -0,053 0,826 0,184 0,067
X3 0,290 0,757 -0,114 -0,052
X4 0,149 -0,156 0,749 0,003
(41)
X6 -0,198 0,222 0,558 0,377
X7 0,179 0,337 0,527 -0,014
X8 -0,084 -0,005 -0,013 0,856
X9 0,565 0,273 0,334 -0,043
X11 0,623 -0,113 0,357 0,132
Factor Loading hasil rotasi menunjukkan bahwa variabel-variabel berkorelasi kuat hanya pada satu faktor tertentu, misalnya korelasi antara variabel X1 dan faktor 1 sebesar 0,737 (korelasi kuat), sedangkan korelasi dengan faktor 2, 3 dan 4 masing-masing sebesar 0,170, -0,159 dan -0,003 (korelasi lemah).
Nilai Eigen Value dari faktor yang diekstraksi mencerminkan jumlah variansi yang dapat dijelaskan oleh suatu faktor.Pada tabel 3.13 berikut ini adalah hasil rekapitulasi faktor yang dihasilkan dengan metode analisis faktor yaitu terbagi menjadi 4 faktor.
3.7.4 Interpretasi Faktor
Faktor pertama hasil rotasi faktor didukung oleh 3 variabel. Variabel-variabel tersebut yang secara berurutan nilai bobotnya adalah X1, X9 dan X11. Bobot masing-masing variabel pendukung faktor pertama tersebut sesuai tabel berikut ini:
Faktor Pertama
Tabel 3.14 Bobot Variabel Pendukung Faktor Pertama Variabel
Pendukung
Nama Variabel Bobot
Variabel
X1 Banyaknya pengangguran karena disebabkan besarnya persaingan untuk melamar pekerjaan
0,737
X9 Kepadatan penduduk mempengaruhi tingkat pengangguran
0,565
X11 Banyaknya jumlah pengangguran disebabkan karena susahnya menerapkan kecerdasan yang dimiliki
0,623
(42)
Dari tabel diatas, variabel X1 mempunyai bobot terbesar, yaitu 0,737. Berdasarkan uraian tersebut dapat disimpulkan bahwa faktor pertama cukup layak diberi nama faktor persaingan.
Faktor pertama ini adalah faktor yang paling kuat yang mempengaruhi tingkat pengangguran di Kota Medan Kecamatan Medan Selayang dengan variansi sebesar 23.669%.
Faktor Kedua
Faktor kedua hasil rotasi faktor didukung oleh 2 variabel. Bobot masing-masing variabel pendukung faktor kedua tersebut sesuai tabel berikut ini:
Tabel 3.15 Bobot Variabel Pendukung Faktor Kedua Variabel
Pendukung
Nama Variabel Bobot
Variabel
X2 Banyaknya pengangguran karena lowongan pekerjaan sangat sedikit
0,826
X3 Melonjaknya tingkat pengangguran karena banyaknya PHK (pemutusan hubungan kerja) di perusahaan-perusahaan ataupun instansi
0,757
Dari tabel di atas, variabel X2 mempunyai bobot terbesar, yaitu sebesar 0,826. Berdasarkan uraian tersebut dapat disimpulkan bahwa untuk faktor kedua diberi nama faktor lowongan pekerjaan.
Faktor ini adalah faktor terkuat kedua yang mendasari penilaian terhadap tingkat pengangguran di Kota Medan Kecamatan Medan Selayang dengan variansi sebesar 14,259%.
Faktor Ketiga
Faktor ketiga yang rotasi faktornya didukung oleh 3 variabel. Bobot masing-maing variabel pendukung faktor ketiga tersebut sesuai tabel berikut ini:
(43)
Tabel 3.16 Bobot Variabel Pendukung Faktor Ketiga Variabel
Pendukung
Nama Variabel Bobot
Variabel
X4 Susahnya mendapatkan pekerjaan karena kurangnya informasi tentang lowongan pekerjaan
0,749
X6 Susahnya mendapatkan pekerjaan karena tingginya tuntutan perusahaan terhadap keahlian seorang pelamar pekerja
0,558
X7 Banyaknya jumlah pengangguran karena kurangnya perhatian pemerintah terhadap tingkat pengangguran
0,527
Dari hasil di atas, variabel X4 mempunyai bobot terbesar, yaitu sebesar 0,749. Berdasarkan uraian tersebut dapat disimpulkan bahwa untuk faktor ketiga diberi nama sebagai faktor informasi.
Faktor ini adalah faktor terkuat ketiga yang mendasari penilaian terhadap tingkat pengangguran di Kota Medan Kecamatan Medan Selayang dengan variansi sebesar 11,817%.
Faktor Keempat
Faktor keempat yang rotasi faktornya didukung oleh 2 variabel. Bobot masing-maing variabel pendukung faktor keempat tersebut sesuai tabel berikut ini:
Tabel 3.16 Bobot Variabel Pendukung Faktor Keempat Variabel
Pendukung
Nama Variabel Bobot
Variabel
X5 Susahnya mendapatkan pekerjaan karena kurangnya informasi tentang lowongan pekerjaan
0,640
X8 Susahnya mendapatkan pekerjaan karena tingginya tuntutan perusahaan terhadap keahlian seorang pelamar pekerja
0,856
(44)
0,856. Berdasarkan uraian tersebut dapat disimpulkan bahwa untuk faktor keempat diberi nama sebagai faktor tuntutan perusahaan.
Faktor ini adalah faktor terkuat keempat yang mendasari penilaian terhadap tingkat pengangguran di Kota Medan Kecamatan Medan Selayang dengan variansi sebesar 10,018%.
(45)
BAB 4
KESIMPULAN DAN SARAN
4.1 KESIMPULAN
Dari hasil pengolahan data dan penelitian dengan 98 responden dan 11 variabel pertanyaan penelitian mengambil kesimpulan:
1. Terdapat 4 faktor dominan hasil ekstraksi yang berpengaruh terhadap pengangguran di Kota Medan Kecamatan Medan Selayang, yaitu:
a. Faktor persaingan dengan variansi sebesar 23.669%.
b. Faktor lowongan pekerjaan dengan variansi sebesar 14,259%. c. Faktor informasi dengan variansi sebesar 11,817%.
d. Faktor tuntutan perusahaan dengan variansi sebesar 10,018%.
2. Faktor terbesar dalam pengaruh pengangguran di Kota Medan Kecamatan Medan Selayang adalah faktor persaingan kerja dengan variansi sebesar 23,669%.
3. Faktor terendah dalam pengaruh pengangguran di Kota Medan Kecamatan Medan Selayang adalah faktor perhatian pemerintah dengan variansi sebesar 4,064%.
4.2 SARAN
Berdasarkan kesimpulan yang di ambil, maka saran yang dapat diberikan dalam penelitian ini adalah:
1. Dari hasil penelitian disimpulkan bahwa faktor persaingan menjadi faktor terkuat di dalam pengangguran di Kecamatan Medan Selayang, maka dari itu Pemerintah perlu meningkatkan sumber daya manusia yang lebih kompeten khususnya di Kecamatan Medan Selayang.
2. Persaingan dan lowongan pekerjaan sangat berkaitan erat dalam menimlbulkan pengagguran, karena apabila lowongan pekerjaan sangat
(46)
itu pemeritah perlu membuka lowonganpekerjaan yang lebih luas khususnya di Kecamatan Medan Selayang. Seperti yang dilakukan Pemprov DKI Jakarta membuka lowongan pekerjaan dalam pembersihan sungai ataupun aliran air yang lain dengan gaji yang lumayan tinggi (lebih dari Rp. 3.000.000). Mungkin itu bisa diterapkan di Kota Medan yang memiliki banyak aliran sungai yang kurang bersih.
(47)
BAB 2
LANDASAN TEORI
2.1PERTUMBUHAN EKONOMI
Pertumbuhan ekonomi adalah proses perubahan kondisi perekonomian suatu negara secara berkesinambungan menuju keadaan yang lebih baik selama periode tertentu. Pertumbuhan ekonomi dapat diartikan juga sebagai proses kenaikan kapasitas produksi suatu perekonomian yang diwujudkan dalam bentuk kenaikan pendapatan nasional. Adanya pertumbuhan ekonomi merupakan indikasi keberhasilan pembangunan ekonomi.
Faktor-faktor yang mempengaruhi pertumbuhan ekonomi adalah:
• Faktor Sumber Daya Manusia
Sama halnya dengan proses pembangunan, pertumbuhan ekonomi juga dipengaruhi oleh SDM. Sumber daya manusia merupakan faktor terpenting dalam proses pembangunan, cepat lambatnya proses pembangunan tergantung kepada sejauh mana sumber daya manusianya selaku subjek pembangunan memiliki kompetensi yang memadai untuk melaksanakan proses pembangunan dengan membangun infrastruktur di daerah-daerah.
• Faktor Sumber Daya Alam
Sebagian besar negara berkembang bertumpu kepada sumber daya alam dalam melaksanakan proses pembangunannya. Namun, sumber daya alam saja tidak menjamin keberhasilan proses pembanguan ekonomi, apabila tidak didukung oleh kemampaun sumber daya manusianya dalam mengelola sumber daya alam yang tersedia. Sumber daya alam yang dimaksud diantaranya kesuburan tanah, kekayaan mineral, tambang, kekayaan hasil hutan dan kekayaan laut.
(48)
Perkembangan ilmu pengetahuan dan teknologi yang semakin pesat mendorong adanya percepatan proses pembangunan, pergantian pola kerja yang semula menggunakan tangan manusia digantikan oleh mesin-mesin canggih berdampak kepada aspek efisiensi, kualitas dan kuantitas serangkaian aktifitas pembangunan ekonomi yang dilakukan dan pada akhirnya berakibat pada percepatan laju pertumbuhan perekonomian.
• Faktor Budaya
Faktor budaya memberikan dampak tersendiri terhadap pembangunan ekonomi yang dilakukan, faktor ini dapat berfungsi sebagai pembangkit atau pendorong proses pembangunan tetapi dapat juga menjadi penghambat pembangunan. Budaya yang dapat mendorong pembangunan diantaranya sikap kerja keras dan kerja cerdas, jujur, ulet dan sebagainya. Adapun budaya yang dapat menghambat proses pembangunan diantaranya sikap anarkis, egois, boros, KKN, dan sebagainya.
• Sumber Daya Modal
Sumber daya modal dibutuhkan manusia untuk mengolah SDA dan meningkatkan kualitas IPTEK.Sumber daya modal berupa barang-barang modal sangat penting bagi perkembangan dan kelancaran pembangunan ekonomi karena barang-barang modal juga dapat meningkatkan produktifitas.
Salah satu masalah ekonomi terbesar di Indonesia adalah bayaknya jumlah pengangguran, dan pengangguran tersebut tidak lepas dari peran sumber daya manusia yang ada di suatu negara atau daerah.
2.2PENGANGGURAN
Permasalahan di bidang ketenagakerjaan Indonesia yang paling dirasakan hingga kini adalah pengangguran. Berdasarkan data Badan Pusat Statistik pada Agustus 2015, jumlah penganggur terbuka mencapai 7,56 juta orang atau 6,18 persen dari angkatan kerja sebanyak 122,4 juta orang.
(49)
Dalam pengamatannya, pengangguran disebabkan oleh dua hal yaitu jumlah angkatan kerja yang setiap tahun meningkat dan terbatasnya kesempatan kerja. Peningkatan jumlah angkatan kerja diakibatkan karena adanya lulusan dari lembaga pendidikan maupun mereka yang belum diserap oleh pasar kerja pada tahun sebelumnya.
Sedangkan terbatasnya kesempatan kerja antara lain diakibatkan oleh kondisi pertumbuhan perekonomian nasional dan adanya ketidaksesuaian antara kebutuhan dengan ketersediaan tenaga kerja.
Tetapi juga pada penciptaan sumber daya manusia (SDM) yang mampu mengelola sumber daya alam yang tersedia sehingga membawa bangsa ini keluar menjadi bangsa yang hebat.
Lemahnya SDM Indonesia dalam berkompetisi di dunia kerja salah satunya disebabkan sistem pendidikan dan penyiapan SDM yang salah. Untuk itu, lembaga pendidikan di semua level diminta merancang ulang program dan orientasi dengan memasukkan unsur pendidikan kewirausahaan.
Lembaga pendidikan formal harus mampu menyiapkan calon tenaga kerja handal dan kompeten selain menyiapkan kader bangsa terdidik dan nasionalis.Untuk itu kurikulum dan silabinya harus didesain dengan mempertimbangkan perkembangan zaman dan kebutuhannya selain perubahan pola pikir bagi peserta didik yang dalam bahasa pemerintahan Jokowi-JK disebut revolusi mental.
Dalam penelitian ini penulis akan meneliti faktor-faktor penyebab pengangguran yang dibatasi pada 11 faktor yang telah ditetapkan, yaitu: persaingan melamar kerja, lowongan pekerjaan, PHK, kurangnya informasi, karyawan perusahaan tidak sesuai jurusan, tuntutan perusahaan, perhatian pemerintah, umur, kepadatan penduduk, kemalasan dan penerapan kecerdasan.
(50)
Penelitian merupakan suatu proses penyelidikan secara sistematis yang ditujukan pada penyediaan informasi untuk menyelesaikan masalah-masalah (Zikmund, et.al, 2009). Penelitian juga didefenisikan sebagai usaha yang secara sadar diarahkan untuk mengetahui atau mempelajari fakta-fakta baru dan juga sebagai penyaluran hasrat ingin tahu manusia (Suparmoko, 1991).
Dalam setiap penyusunannya, penelitian dilakukan menggunakan metode-metode yang telah disesuaikan dengan tujuan dari penelitian yang ingin diperoleh. Semua bergantung pada bidang penelitian, masalah yang diangkat, tujuan serta apa yang menjadi parameter ukur dalam penelitian sosial yang menjadi konsep utama dalam penelitian ini.
2.4KONSEP PENELITIAN
Pada bagian ini dirancanglah kerangka untuk melaksanakan penelitian. Di dalamnya memuat secara rinci prosedur untuk pengumpulan data, instrumen penelitian, cara pengujian, kemungkinan jawaban terhadap research questions sampai dengan model analisis yang dipergunakan.
Berdasarkan klarifikasi atau tujuannya terdapat dua jenis penelitian atau analisis yang ingin diperoleh (Jollife, 2002), yaitu:
a. Exploratory Analysis, atau disebut juga Turkey Analysis dilakukan dengan cara melakukan analisis yang memungkinkan untuk mamahami/menemukan suatu sifat tertentu pada data. Exploratory Analysis cocok digunakan untuk penelitian yang tidak menguji hipotesis seperti Data Driven Research.
b. Confirmatory Analysis, adalah analisis yang dilakukan untuk menguji hipotesis yang telah dibuat berdasarkan teori tertentu (mengkonfirmasi teori) seperti pada Theory Driven Research.
Pada penelitian ini, peneliti menggunakan konsep Exploratory Analysis, karena seluruh data akan diambil dari mekanisme kuesioner sebagai data primer,
(51)
sehigga teori-teori yang ada hanya akan menjadi pertimbangan, namun tidak menjadi tolak ukur dari keseluruhan mekanisme penelitian.
Karena tujuan yang ingin diperoleh adalah untuk memperoleh faktor-faktor dominan yang menyebabkan pengangguran. Dan dari sini, akan teridentifikasi banyak variabel yang akan diolah sedemikian rupa menjadi faktor-faktor dominan yang dicari dan teknik multivariat dengan analisis faktor akan dipakai menjadi acuan bagi peneliti untuk mengidentifikasi data penelitian selanjutnya.
2.5SUMBER DAN DATA SAMPEL
Dalam penelitian, selalu dilakukan pengumpulan data yang merupakan alat bantu utama dalam penelitian. Berdasarkan cara memperolehnya, terdapat dua jenis data, yaitu:
1. Data primer
Data primer adalah data yang secara langsung diambil dari objek-objek penelitian oleh peneliti perorangan maupun organisasi. Dalam penelitian ini, data primer akan diperoleh dari pengujian kuesioner.
2. Data sekunder
Data sekunder adalah data yang didapat tidak secara langsung dari objek penelitian. Di penelitian ini data sekunder diambil dari fasilitas website secara rangkuman artikel yang ada di internet dari produsen produk dan pihak yang berkaitan
Dalam suatu penelitian diperlukan berbagai metode yang menunjang terlaksananya penelitian secara baik sehingga hasil yang didapatkan benar-benar akurat.Langkah awal dalam suatu penelitian adalah penetapan populasi sampel untuk mendapatkan bahan penelitian.
Populasi adalah sekelompok orang, benda, atau hal yang menjadi sumber pengambian sampel atau sekumpulan yang memenuhi syarat-syarat tertentu yang berkaitan dengan masalah penelitian.Sampel adalah bagian dari populasi statistik yang cirinya dipelajari untuk memperoleh informasi tentang seluruhnya atau dapat juga dikatakan sebagai suatu bagian dari populasi atau semesta sebaga wakil (representasi) populasi atau semesta itu.
(52)
dan jenis penelitian (Ary, Jacobs & Sorensen. 2010) antara lain:
1. Random sampling atau sampel acak adalah sampel yang terdiri dari unsur yang dipilih dari populasi dianggap random/acak bila tiap unsur-unsur yang dipilih dari populasi tersebut memiliki probabilitas atau kemungkinan yang sama untuk dipilih.
2. Sampel representative ialah sampel yang kira-kira memiliki karakterisrik-karakteristik populasi yang relevan dengan penelitian yang bersangkutan. 3. Sampel sistematis adalah sebuah sampel yang proses pemilihannya
dilakukan secara sistematis dari populasinya. Sampel jenis ini banyak digunakan dalam penelitian statistika.
4. Sampel luas atau sampel kelompok adalah sampel yang prosedur pengambilan sampelnya menggunakan lokasi geografis sebagai dasarnya. 5. Sampel bertingkat. Bila populasinya ternyata terdiri dari
bermacam-macam jenis, maka populasi dapat dibagi kedalam beberapa stratum dan sampelnya dapat dipilih secara random dari tiap stratum.
6. Sampel kuota adalah sampel yang dipilih dari stratum-stratum tertentu yang dianggap cukup representative bagi populasinya.
Sampel yang digunakan dalam penelitian ini adalah sampel representative. Sesuai dengan teori multivariat yang dikemukakan Hair bahwa standar ukuran sampel yang diperlukan untuk analisis faktor ini minimal 5 variabel yang diteliti (Sheskin, 2000). Jika terdapat 20 variabel, maka sampel haruslah minmal 100 responden.
Daerah penelitian yang akan diteliti adalah Kecamatan Medan Selayang Kota Medan yang berpopulasi 104.454 orang dan yang pengangguran 4.630 orang (Badan Pusat Statistik Kota Medan 2015) dan kategori responden yang akan dijadikan sampel adalah:
- Usia 15-65 tahun yang tidak memiliki pekerjaan.
- Orang yang bekerja kurang dari dua hari dalam seminggu. - Ibu rumah tangga.
(53)
2.6 METODE SURVEI
Dalam pengumpulan data ini dilakuan survei.Survei adalah penelitian yang diadakan untuk memperoleh fakta dari gejala-gejala yang ada dan mencari keterangan secara faktual.
Jenis-jenis survei: 1. Book Survey
Pada survei ini kita memepelajari buku-buku atau bahan-bahan bacaan yang berhubungan dengan masalah atau topik permasalahan yang akan diteliti. Dimana didalamnya meneliti dokumen-dokumen, membaca buku-buku, karya ilmiah, majalah dan buku lainnya yang berhubungan dengan literatur ini.
2. Explanatory Survey
Survey bersifat menjelaskan suatu fenomena yang digambarkan. Teori yang ada memerlukan pengujian dan perencanaan survei, sehingga data yang dikumpulkan diperlukan penelitian mendapatkan penjelasan.
a. Content Survey
Di dalam survei terlebih dahulu kita harus mengumpulkan informasi tentang suatu peristiwa kemudian menguraikannya. Sebagai contoh, jika kita menguraikan pengangguran maka yang dilihat adalah hal apa digunakan untuk mengukur tingkat pengangguran.
b. Survei Normatif
Survei ini bertujuan untuk mencari kesimpulan-kesimpulan mengenai keadaan masyarakat tertentu. Norma-norma atau kriteria-kriteria tertentu yang berlaku pada masyarakat.
c. Survei Status
Survei yang bertujuan untuk mengetahui posisi atau status seseorang dalam masyarakat.
2.7INSTRUMEN PENELITIAN
Instrumen yang digunakan dalam penelitian ini adalah kuesioner.Kusioner adalah sejumlah pertanyaan tertulis yang digunakan untuk memperoleh jawaban
(54)
yang diketahuinya (Arikunto, 1998). Dengan kata lain kuesioner adalah salah satu alat yang dipergunakan untuk mengumpulkan data. Kuesioner biasanya berupa pertanyaan tertulis yang diberikan kepada responden untuk dijawab. Metode kuesioner ini digunakan apabila:
1. Tanggapan dari pertanyaan diketahui dan dapat dikuantifikasi 2. Mengumpulkan data dari grup besar
3. Data tidak dibutuhkan cepat
4. Ketika kesalahan tanggapan dapat ditoleransi
5. Ketika sumber daya untuk mengumpulkan data terbatas. Beberapa jenis kuesioner berdasarkan cara pengumpulan data adalah:
1. Mail questionnaire (melalui surat)
2. Self administered (responden mengisi sendiri kuesioner tersebut) 3. Interview
4. Group administered questionnaire
2.8SKALA PENGUKURAN
Teknik pengukuran data yang digunakan adalah attitude scales, yaitu suatu kumpulan alat pengukuran yang mengukur tanggapan individu terhadap suatu objek atau fenomena.
Skala pengukuran dari data yang diperoleh adalah berupa skala ordinal dengan menggunakan skala likert, dengan bobot nilai 5,4,3,2,1.
Berdasarkan skala pengukurannya data dibedakan menjadi 4 macam, yaitu: 1. Skala Nominal
Misalnya: jenis kelamin, agama dan sebagainya. Sering juga data nominal diberi simbol bilangan saja. Misalnya: laki-laki diberi nilai 1 dan perempuan diberi nilai 2.
(55)
Data yang diukur menggunakan ordinal selain mempunyai ciri nominal, juga mempunyai ciri berbentuk peringkat atau jenjang. Misalnya tingkat pendidikan nilai ujian (dalam huruf).
3. Skala Interval
Data yang diukur menggunakan skala interval selain mempunyai ciri nominal dan ordinal, juga mempunyai ciri interval yang sama.
4. Skala Rasio
Skala rasio ini selain mempunyai ketiga ciri dan skala pengukuran diatas, juga mempunyai nilai nol yang bersifat mutlak. Misalnya: umur, berat sesuatu, pendapatan dan sebagainya
2.9TEKNIK SAMPLING
Teknik sampling adalah suatu cara untuk menentukan banyaknya sampel dan pemilihan calon anggota sampel, sehingga setiap sampel yang terpilih dalam penelitian dapat mewakili populasinya (representatif) baik dari aspek jumlah maupun dari aspek karakteristik yang dimiliki populasi. Sampling adalah proses pemilihan sejumlah elemen dari populasi sehingga dengan meneliti dan memahami karakteristik sampel dapat digeneralisir untuk karakteristik populasi. Jarang sekali suatu penelitian dilakukan dengan cara memeriksa semua objek yang diteliti, tetapi sering digunakan sampling. Alasannya adalah:
1. Biaya, waktu dan tenaga untuk menyelidiki sensus.
2. Populasi yang berukuran besar selain sulit untuk dikumpulkan, dicatat dan dianalisis juga biasanya akan menghasilkan informasi yang kurang teliti. Dengan cara sampling jumlah objek yang harus diteliti menjadi lebih kecil, sehingga lebih terpusat perhatiannya.
3. Percobaan-percobaan yang berbahaya atau bersifat merusak hanya cocok dilakukan dengan sampling.
Keuntungan dengan menggunakan teknik sampling antara lain adalah mengurangi ongkos, mempercepat waktu penelitian dan dapat memperbesar ruang lingkup penelitian (Teken, 1965). Metode pengambilan sampel yang ideal memiliki sifat-sifat sebagai berikut:
(56)
yang diteliti.
2. Dapat menentukan ketepatan hasil penelitian dengan menentukan penyimpangan baku dari taksiran yang diperoleh.
3. Sederhana dan mudah diperoleh.
4. Dapat memberikan keterangan sebanyak mungkin dengan biaya serendah mungkin.
Dalam menentukan besarnya sampel dalam suatu penelitian, ada empat faktor yang harus dipertimbangkan yaitu :
1. Derajat keseragaman populasi.
2. Ketetapan yang dikehendaki dari penelitian. 3. Rencana analisis.
4. Tenaga, biaya dan waktu.
Teknik sampling dapat dikelompokkan jadi dua yaitu: 1. Probability sampling, meliputi :
a. Simple random sampling (populasi homogen) yaitu pengambilan sampel dilakukan secara acak tanpa memperhatikan strata yang ada. Teknik ini hanya dilakukan jika populasinya homogen.
b. Proportionale stratifiled random sampling (populasi tidak homogen) yaitu pengambilan sampel dilakukan secara acak dengan memperhatikan stara yang ada. Artinya setiap strata terwakili sesuai proporsinya.
c. Disproportionate stratifiled random sampling yaitu teknik ini digunakan untuk menentukan jumlah sampel dengan populasi berstrata tetapi kurang proporsional, artinya ada beberapa kelompok strata yang ukurannya kecil sekali.
d. Cluster sampling (sampling daerah) yaitu teknik ini digunakan untuk menentukan jumlah sampel jika sumber data sangat luas. Pengambilan sampel didasarkan di daerah populasi yang ditetapkan.
(57)
2. Non Probability Sampling, meliputi: sampling sistematis, sampling kuota, sampling accidental, purposive sampling, sampling jenuh dan snowball sampling.
2.10UJI VALIDITAS DAN RELIABILITAS
1. Uji validitas
Validitas merupakan alat ukur untuk melihat atau mengetahui apakah kuesioner dapat digunakan untuk mengukur keadaan responden sebenarnya. Untuk menguji validitas keadaan responden digunakan rumus korelasi Product Moment Pearsons, yaitu:
�
=
n(
∑
XY)
−
(
∑
X
∑
Y)
�
[n
∑
x
2−
(
∑
x)
2][n
∑
y
2−
(
∑
y)
2]
dimana
:
r = Koefisien Korelasi n = Jumlah Responden
X = Nilai pertanyaan dari variabel Y = Jumlah Total dari nilai X
jika nilai r hitung lebih besar dari r tabel maka kuesioner dinyatakan valid. 2. Uji Reliabilitas
Reliabilitas adalah indeks yang menunjukkan sejauh mana alat ukur dapat dipercaya atau diandalkan dan sejauh mana hasil pengukuran konsisten bila dilakukan 2 kali atau lebih terhadap gejala yang sama, dengan alat ukur yang sama. Untuk mengukur reliabilitas alat ukur digunakan teknik Cronbach Alpha. Rumus yang digunakan adalah:
r =
�
��−1
� �
1
−
∑��2��2
�
keterangan:
r = nilai (koefisien) Alpa Cronbach k = banyaknya variabel penelitian
∑ ��2 = jumlah varians variabel penelitian
�
�2= varians total
(58)
Alpha >0,60.
2.11 Analisis Faktor
Pada awalnya teknik analisis faktor dikembangkan pada awal abad ke-20.Teknik analisis ini dikembangkan dalam bidang psikometrik atas usaha ahli statistika Karl Pearson, Charles Spearman, dan lainnya untuk mendefinisikan dan mengukur intelegensi seseorang.
Analisis faktor merupakan alat pereduksi, mengekstraksi sejumlah faktor bersama (common faktor) dari gugusan asal X1, X2,...Xp, sehingga:
1. Banyaknya faktor lebih sedikit dari variabel asal X.
2. Sebagian besar informasi variabel X tersimpan dalam faktor.
Kegunaan:
1. Mengekstraksi variabel laten dari indikator atau mereduksi variabel observasi menjadi variabel baru yang jumlahnya lebih sedikit
2. Mempermudah interpretasi hasil analisis, sehingga diperoleh Informasi yang lebih riil dan sangat berguna
3. Pemetaan dan pengelompokkan objek berdasarkan karakteristik faktor tertentu
4. Mendapatkan data variabel konstruks (skor faktor ) sebagai data input analisis lebih lanjut (analisis diskriminan, regresi, kluster, ANOVA, path, model stuctural, MDS, dan lain sebagainya).
Menurut Johnson dan Wichern (1982), analisis faktor merupakan teknik analisis multivariat yang bertujuan untuk meringkas sejumlah p variabel yang diamati menjadi sejumlah m faktor penting, dengan m<p. Misal X adalah faktor random teramati dengan yang memiliki p komponen pada pengamatan ke-i, dengan faktor rata-rata dan matriks kovariansi ∑.Faktor X bergantung secara linier dengan variabel yang disebut faktor bersama dan sejumlah sumber variansi dari yang disebut faktor spesifik.
(59)
Model analisis faktor menurut Johnson dan Wichern adalah:
�1− µ1 = �11�1+�12�2+ … +�1��� +�1 �2− µ2 = �21�1+�22�2+ … +�2��� +�2
. . .
��− µ� = ��1�1+��2�2+ . . . +����� +��
Dengan :
Xp : Variabel ke-p
µp : Rata-rata variabel ke-p
lpm : Bobot variabel (factor loading) ke-p pada factor ke-m Fm : Faktor bersama (common factor) ke-m
εp : Faktor spesifik ke-p
Jika dituliskan dalam notasi matriks, model analisis faktor adalah:
�(��1)− �(��1)= �(���)�(��1)+�(��1)
⎣ ⎢ ⎢ ⎢ ⎢
⎡�1− �1 �2− �2
. . . �� − ��⎦ ⎥ ⎥ ⎥ ⎥ ⎤ = ⎣ ⎢ ⎢ ⎢ ⎢
⎡�11�12… �1� �21�22… �2�
. . .
��1��2…���⎦ ⎥ ⎥ ⎥ ⎥ ⎤ ⎣ ⎢ ⎢ ⎢ ⎢ ⎡�1
�2 . . . ��⎦ ⎥ ⎥ ⎥ ⎥ ⎤ + ⎣ ⎢ ⎢ ⎢ ⎢ ⎡��12
. . . ��⎦ ⎥ ⎥ ⎥ ⎥ ⎤
Faktor spesifik berkorelasi satu dengan yang lain dan dengan common factor. Common factor dapat dinyatakan sebagai kombinasi linier dari variabel yang diteliti, dengan persamaaan:
�� = ����1+��2�2+��3�3 +⋯+�����
dimana:
�� :Faktor ke-j yang diestimasi ��� :Bobot atau koefisien skor faktor
�� :Banyaknya variabel X pada faktor ke-p p = 1, 2, …, n ; j = 1, 2, …, n
(60)
2.12.1 Tabulasi Data
Data yang telah diperoleh dari penyusunan serta penyebaran kuesioner di tempat-tempat yang telah ditentukan, kemudian data-data ini dikumpulkan serta ditabulasikan pada kolom-kolom agar mempermudah untuk dikonversi pada software yang akan digunakan
2.12.2 Pembentukan Matriks Korelasi
Matriks korelasi merupakan matriks yang memuat semua koefisien korelasi dari semua pasangan variabel dalam penelitian ini.Matriks ini digunakan untuk mendapatkan nilai kedekatan hubungan antar variabel penelitian.Nilai kedekatan ini dapat digunakan untuk melakukan beberapa pengujian untuk melihat kesesuaian dengan nilai korelasi yang diperoleh dari analisis faktor. Dalam tahap ini, ada dua hal yang perlu dilakukan agar analisis faktor dapat dilaksanakan yaitu: 1. Menentukan besaran nilai Barlett Test of Sphericity, yang digunakan untuk mengetahui apakah ada korelasi signifikan antar variabel. Statistik uji bartlett adalah sebagai berikut:
�2 = − �(� −1)− (2�+ 5)
6 �N |�|
dengan derajat kebebasan(degree of freedom) df = �(� −1)/2
Keterangan :
� = jumlah observasi
� = jumlah variabel
|�| = determinan matriks korelasi
2. Penentuan Keiser-Meyesr-Okliti (KMO) Measure of Sampling Adequacy, yang digunakan untuk mengukur kecukupan sampel dengan cara membandingkan besarnya koefisien korelasi yang diamati dengan koefisien korelasi parsialnya.
Kriteria kesesuaian dalam pemakaian analisis faktor adalah (Kaiser, 1974): 1. Jika harga KMO sebesar 0,9 berarti sangat memuaskan
(61)
2. Jika harga KMO sebesar 0,8 berarti memuaskan 3. Jika harga KMO sebesar 0,7 berarti harga menengah 4. Jika harga KMO sebesar 0,6 berarti cukup
5. Jika harga KMO sebesar 0,5 berarti kurang memuaskan 6. Jika harga KMO kurang dari 0,5 tidak dapat diterima
Angka MSA bekisar antara 0 sampai dengan 1, dengan kriteria yang digunakan untuk intepretasi adalah sebagai berikut:
1. Jika MSA = 1, maka variabel tersebut dapat diprediksi tanpa kesalahan oleh variabel yang lainnya.
2. Jika MSA lebih besar dari 0,5 maka variabel tersebut masih dapat diprediksi dan bisa dianalisis lebih lanjut.
3. Jika MSA lebih kecil dari 0,5 dan atau mendekati nol (0), maka variabel tersebut tidak dapat dianalisis lebih lanjut, atau dikeluarkan dari variabel lainnya.
2.12.3 Ekstraksi Faktor
Pada tahap ini, akan dilakukan proses inti dari analisis faktor, yaitu melakukan ekstraksi terhadap sekumpulan variabel yang ada KMO>0,5 sehingga terbentuk satu atau lebih faktor. Metode yang digunakan untuk maksud ini adalah Principal Component Analysis dan rotasi faktor dengan metode Varimax (bagian dari orthogonal).
Setelah sejumlah variabel terpilih, maka dilakukan ekstraksi variabel tersebut sehingga menjadi beberapa faktor. Setelah memproses variabel-variabel yang layak, maka dengan program SPSS versi 20 akan diperoleh nilai hasil statistik yang menjadi indikator utama yaitu tabel communalities, tabel Total Variance Explained, Grafik Scree, tabel component matrix dan tabel rotated component matrix.
Tabel Communalities merupakan tabel yang menunjukkan persentase variansi dari tiap variabel yang dapat dijelaskan oleh faktor yang terbentuk.Nilai yang dilihat adalah extraction yang terdapat pada tabel communalities.Makin kecil
(62)
communality setiap variabel dengan persamaan.
Communality adalah jumlah varian yang disumbangkan oleh suatu variabel dengan seluruh variabel lainnya dalam analisis.Bisa juga disebut proporsi atau bagian varian yang dijelaskan oleh common factor atau besarnya sumbangan suatu faktor terhadap varian seluruh variabel.
Tabel Total Variance Explained, menunjukkan persentase variansi yang dapat dijelaskan oleh faktor secara keseluruhan. Nilai yang menjadi indikatornya eigenvalues yang telah mengalami proses ekstraksi. Pada tabel akan tercantum nilai extraction sum of square loading. Hal ini disebabkan nilai eigenvalues tidak lain merupakan jumlah kuadrat dari faktor loading dari setiap variabel yang termasuk ke dalam faktor. Faktor Loading ini merupakan nilai yang menghubungkan faktor-faktor dengan variabel-variabel.Variabel yang masuk ke dalam faktor adalah yang nilainya lebih dari satu ( ≥1). Dari sini akan terlihat pula jumlah faktor yang akan terbentuk.
Perhitungan nilai karakteristik (eigenvalue) , dimana perhitungan ini berdasarkan persamaan karakteristik:
det(� − ��) = 0
Keterangan:
� = matriks korelasi dengan orde n x n
� = matriks identitas
� =eigenvalue
Eigenvalue adalah jumlah varian yang dijelaskan oleh setiap faktor. Penentuan faktor karakteristik (eigen factor) yang bersesuaian dengan nilai karakteristik (eigen value). Matriks loading factor (� ) diperoleh dengan mengalikan matriks eigen factor (�) dengan akar dari matriks eigen value (�). Factor loading merupakan korelasi sederhana antara variabel dengan faktor.
Grafik Scree Plot menggambarkan tampilan grafik dari tabel Total Variance Explained.Grafik ini sebenarnya menunjukkan peralihan dari satu faktor ke faktor lainnya garis menurun disepanjang sumbu y. Sumbu x menunjukkan
(63)
jumlah komponen faktor yang terbentuk, sedangkan sumbu y menunjukkan nilai eigenvalues.
Tabel component matrix menunjukkan kategori variabel-variabel ke dalam komponen faktor, atau dengan kata lain menunjukkan distribusi variabel-variabel pada faktor yang terbentuk. Bila yang dijadikan acuan adalah nilai faktor loading yang ada dalam tabel, dimana nilai lebih besar menunjukkan korelasi yang cukup kuat antara variabel-variabel tersebut dengan komponen faktor. Jumlah jasa kuadrat faktor loading dari tiap variabel tidak lain merupakan nilai extraction untuk tiap variabel yang tercantum dalam tabel communalities.
2.12.4 Rotasi Faktor
Pada rotasi faktor, matrik faktor ditransformasikan ke dalam matrik yang lebih sederhana, sehingga lebih mudah diinterpretasikan.Dalam analisis ini rotasi faktor dilakukan dengan metode rotasi varimax. Hasil dari rotasi ini terlihat pada tabel Rotated Component Matrix, dimana dengan metode ini nilai total variance dari tiap variabel yang ada di tabel component matrix tidak berubah. Yang berubah hanyalah komposisi dari nilai faktor Loading dari tiap variabel. Interpretasi hasil dilakukan dengan melihat Faktor Loading.
Faktor Loading adalah angka yang menunjukkan besarnya korelasi antara suatu variabel dengan faktor satu, faktor dua, faktor tiga, faktor empat atau faktor lima yang terbentuk. Proses penentuan variabel mana akan masuk ke faktor yang mana, dilakukan dengan melakukan perbandingan besar korelasi pada setiap baris di dalam setiap tabel.
Dalam penelitian ini digunakan metode Varimax, karena bertujuan untuk mengekstraksi sejumlah variabel menjadi beberapa faktor.Selain itu metode ini menghasilkan struktur relatif lebih sederhana dan mudah diinterpretasikan.
2.12.5 Penamaan Faktor
Pada tahap ini akan diberikan nama-nama faktor yang telah terbentuk berdasarkan factor loading suatu variabel terhadap faktor terbentuknya setelah tahapan pemberian nama faktor terbentuk.
(1)
iv
IDENTIFIKASI FAKTOR PENYEBAB PENGANGGURAN DI KOTA MEDANKECAMATANMEDAN SELAYANG DENGAN
MENGGUNAKAN METODE ANALISIS FAKTOR
ABSTRAK
Pengangguran merupakan istilah yang tidak asing lagi, karena pada dasarnya pengangguran adalah suatu keadaaan yang tidak terelakkan keberadaannya, baik itu di negara berkembang maupun di negara maju sekalipun.Tiap negara dapat memberikan definisi yang berbeda mengenai definisi pengangguran.Pengangguran adalah suatu keadaan di mana seseorang yang tergolong dalam kategori angkatan kerja tidak memiliki pekerjaan dan secara aktif tidak sedang mencari pekerjaan.Tingginya tingkat pengangguran dalam suatu negara dapat membawa dampak negatif terhadap perekonomian negara tersebut. Dimana, pengangguran akan menjadi beban tersendiri, tidak hanya bagi pemerintah, namun juga berdampak terhadap keluarga, lingkungan, dan lain sebagainya. Selain itu, tingginya tingkat pengangguran di suatu negara, dapat pula meningkatkan jumlah kriminilatias, menambah keresahan sosial, serta meningkatkan kemiskinan di dalam suatu negara. Pendidikan adalah salah satu faktor utama penyebab pengangguran, karena dengan pendidikan yang tinggi akan menambah peluang seseorang untuk memperoleh pekerjaan yang bisa mensejahterakan hidupnya. Dengan pendidikan yang rendah kemungkinan seseorang untuk memperoleh pekerjaan yang layak akan semakin berat, karena pada masa sekarang ini pendidikan yang tinggi akan sangat menentukan kesejahteraan hidup. Begitupun dengan besar sedikitnya lowongan pekerjaan, karena saat ini banyak perusahaan yang berusaha untuk memperkecil biaya perusahaan dengan cara memutus hubungan kerja terhadap karyawannya sendiri. Kriteria karyawan perusahaan saat ini sangat tinggi sekali termasuk menyangkut umur, kecerdasan dan keahlian para pencari kerja.Belum lagi dengan kepadatan penduduk yang menyebabkan lowongan pekerjaan tidak sesuai dengan banyaknya para pencari kerja.Sehingga sudah sepantasnya pemerintah harus lebih memperhatikan masalah pengangguran yang ada di Indonesia ini.
Kata Kunci: Pengangguran, Statistik Multivariat, Analisis Faktor
(2)
IDENTIFICATION OF FACTORS CAUSE OF UNEMPLOYMENT IN MEDAN MEDAN AT THE DISTRICT
USING FACTOR ANALYSIS
ABSTRACT
Unemployment is a term that is not familiar, because basically unemployment is an unavoidable circumstances exist, both in developing countries and in developed countries. Each country can give different definitions regarding the definition of unemployment. Unemployment is a condition in which a person belonging to the category of the labor force do not have jobs and are not actively looking for work. The high level of unemployment in a country can have a negative impact on the economy of the country. Where, unemployment will become a burden, not only for governments, but also have an impact on the family, the environment, and so forth. In addition, high levels of unemployment in a country, can also increase the number of kriminilatias, increased social unrest and increase poverty within a country. Education is one of the main factors causing unemployment, because with higher education will increase a person's chances to get a job that could prosper life. With low educational chances of a person to obtain a decent job will be more severe, because at the present time higher education will largely determine welfare. Likewise with at least large jobs, because many companies are trying to reduce the company's costs by disconnecting the employment of its own employees.Criteria for the company's employees is very high at this time, including regarding age, intelligence and expertise job seekers. Not to mention the overcrowding that led to jobs not in accordance with the number of job seekers. So it is appropriate that the government should pay more attention to the problem of unemployment that exist in Indonesia.
(3)
vi DAFTAR ISI
Halaman
Persetujuan i
Pernyataan ii
Penghargaan iii
Abstrak iv
Abstract v
Daftar Isi vi
Daftar Tabel dan Daftar Gambar vii
Bab 1 Pendahuluan 1
1.1 Latar Belakang 2
1.2 Rumusan Masalah 2
1.3 Batasan Masalah 2
1.4 Tujuan Penelitian 2
1.5 Manfaat Penelitian 2
1.6 Tinjauan Pustaka 3
1.7 Metodologi Penelitian 6
Bab 2 LandasanTeori 8
2.1 Pertumbuhan Ekonomi 9
2.2 Pengangguran 12
2.3 Desain Penelitian 10
2.4 2.5 2.6 2.7 2.8 2.9 2.10 2.11 2.12 Konsep Penelitian
Sumber dan Data Sampel Metode Survei
Instrumen Penelitian Skala Pengukuran Teknik Sampling
Uji Validitas dan Reliabilitas Analisis Faktor
Langkah-Langkah Analisis Faktor 2.12.1 Tabulasi Data
2.12.2 Pembentukan Matriks Korelasi 2.12.3 Ekstaksi Faktor
2.12.4 Rotasi Faktor 2.12.5 Penamaan Faktor
11 12 14 14 15 16 18 19 21 21 21 22 24 24
Bab 3 PembahasandanPengolahan Data 25
3.1 Pengambilan Sampel 25
3.2 Penskalaan Data Ordinal Menjadi Data Interval 26
(4)
3.3 3.4 3.5 3.6 3.7
Uji Validitas Uji Reliabilitas
Prosedur Pengolahan Data Dengan Analisis Faktor Pengolahan Data Hasil Kuesioner
Hasil Analisis Faktor
28 30 31 33 34
3.7.1 Analisis Komponen Utama 35
3.7.2 Hasil Ekstraksi Faktor 36
3.7.3 Hasil Rotasi Faktor 38
3.7.4 Interpretasi Faktor 40
Bab 4 Kesimpulandan Saran 43
4.1 Kesimpulan 43
4.2 Saran 43
DaftarPustaka Lampiran
(5)
viii
DAFTAR TABEL
Halaman
Tabel 3.1 PenskalaanVariabel 1 ... ... 26
Tabel 3.2 Hasil PenskalaanVariabel ... 27
Tabel 3.3 Uji Validitas 1 ... 28
Tabel 3.4 Uji Validitas 2 ... 29
Tabel 3.5 Contoh Perhitungan Korelasi Product Moment ... 29
Tabel 3.6 Hasil Cronbach’s Alpha Reliability Test ... 30
Tabel 3.7 KMO and Barlett’s Test .... 33
Tabel 3.8 Measure of Sampling Adequecy ... 33
Tabel 3.9 Tabel MSA ... 35
Tabel 3.10 Communalities ... 35
Tabel 3.11 Total Variance Explained... 36
Tabel 3.12 Extraction Sums of Squared Loadings ... 37
Tabel 3.13 Factor Loading ... 38
Tabel 3.14 Rotated Fator Loading ... 39
Tabel 3.15 Bobot Variabel Pendukung Faktor Pertama ... 40
Tabel 3.16 Bobot Variabel Pendukung Faktor kedua ... 40
Tabel 3.17 Bobot Variabel Pendukung Faktor Ketiga ... 41
Tabel 3.18 Bobot Variabel Pendukung Faktor Keempat ... 42
(6)
DAFTAR GAMBAR
Halaman