13 ini memiliki arti bahwa dengan menggunakan dua sumbu utama sudah mampu
menerangkan 99.66 total keragaman dari data yang digunakan. Visualisasi grafik pada Gambar 5 memberikan gambaran adanya
kecenderungan bagi Jenis SM tertentu dengan status akreditasinya. Berdasarkan plot terlihat bahwa SMAN dan MAN cenderung mendapatkan akreditasi A, SMAS
cenderung berakreditasi B dan MAS cenderung memperoleh akreditasi C atau TT.
Gambar 5. Plot korespondensi Jenis SM dengan Status Akreditasi Hasil Analisis korespondensi antara Provinsi dengan akreditasi disajikan pada
Lampiran 3. Hasil analisis korespondensi menunjukkan bahwa presentase dua sumbu masing-masing 76.38 untuk sumbu utama pertama dan 18.29 untuk
sumbu utama kedua. Kedua sumbu utama tersebut secara kumulatif telah mampu menerangkan total keragaman dari data hingga 94.67.
Visualisasi grafik pada Gambar 6 memberikan gambaran adanya kecenderungan bagi Provinsi tertentu cenderung berstatus akreditasi tertentu pula
dengan melihat kedekatan jarak antara objek. Berdasarkan plot terlihat bahwa provinsi Jawa Barat, D.I Yogyakarta, DKI Jakarta, dan Jawa Tengah dan Sulawesi
Tengah cenderung berakreditasi A. Provinsi Sumatera Utara, Sulawesi Utara, Kepulauan Bangka Belitung, Papua, Bali, Kalimantan Timur, Aceh, Gorontalo,
Kalimatan Barat, Maluku Utara, Papua Barat, Sulawesi Barat, Kalimantan Selatan, Jambi, Sumatera Selatan dan Nusa Tenggara Timur cenderung berakreditasi B.
Sedangkan Provinsi dengan kecenderungan akreditasi C dan TT adalah provinsi Bengkulu, Sulawesi Tenggara, Kepulauan Riau, Maluku, Sumatera Barat, Sulawesi
Selatan, Lampung, Banten, Nusa Tenggara Barat, Riau dan Kalimantan Tengah.
A B
C TT
SMAN SMAS
MAN MAS
-0.4 -0.2
0.2 0.4
0.6 0.8
-0.8 -0.6
-0.4 -0.2
0.2 0.4
0.6 0.8
1
F 2
2.18
F1 97.47
14
Gambar 6. Plot korespondensi Provinsi dengan Status Akreditasi
4.1.3 Penarikan Contoh
Jumlah SM pada akreditasi tahun 2014 adalah 1604 SM. Akan tetapi, sebanyak 175 SM termasuk dalam responden non respon, sehingga data populasi
yang ada sebanyak 1429 SM. Oleh karena keterbatasan software sebagai alat analisis, untuk selanjutnya diambil contoh sebanyak 1000 SM. Metode penarikan
contoh yang digunakan adalah proporsional random sampling. Hal ini bertujuan agar contoh dapat mewakili keragaman yang disebabkan oleh Jenis SM dan
Provinsi asal. Ukuran contoh SM pada setiap jenis dapat dilihat pada Tabel 2.
Tabel 2. Ukuran contoh SM berdasarkan jenisnya Jenis SM
Ukuran Populasi Ukuran Contoh Persentase
SMAN 608
425 42.55
SMAS 473
331 33.10
MAN 68
48 4.76
MAS 280
196 19.59
A
B C
TT
ACEH BALI
BANTEN BENGKULU
D.I. YOGYAKARTA DKI JAKARTA
GORONTALO JAMBI
JAWA BARAT
JAWA TENGAH JAWA TIMUR
KALIMANTAN BARAT KALIMANTAN SELATAN
KALIMANTAN TENGAH
KALIMANTAN TIMUR KEPULAUAN BABEL
KEPULAUAN RIAU
LAMPUNG MALUKU
MALUKU UTARA NUSA TENGGARA BARAT
NUSA TENGGARA TIMUR PAPUA
PAPUA BARAT RIAU
SULAWESI BARAT SULAWESI SELATAN
SULAWESI TENGAH SULAWESI TENGGARA
SULAWESI UTARA SUMATERA BARAT
SUMATERA SELATAN SUMATERA UTARA
-1 -0.5
0.5 1
1.5
-2 -1.5
-1 -0.5
0.5 1
1.5 2
F 2
18. 29
F1 76.38
15
4.2 Pendugaan item non respon
Butir pertanyaan yang digunakan dalam proses akreditasi sebanyak 165 butir pada 8 komponen akreditasi. Butir-butir pertanyaan yang tidak dijawab oleh
sekolah disebut item non-respon, untuk selanjutnya akan dilakukan pendugaan. Metode pendugaan yang digunakan adalah imputasi ganda multiple imputation.
Tabel 3 menyajikan nilai duga pada butir pertanyaan tidak terjawab dengan metode imputasi ganda. Untuk analisis selanjutnya komponen akreditasi disebut peubah
laten dan butir pertanyaan disebut sebagai peubah indikator.
Tabel 3 Hasil imputasi ganda Peubah
Laten Butir
ke SM
Nilai Duga
SI -
- -
SPR 22
SMAS Makedonia, Kalimantan Barat 3.88
SKL 32
SMAS Makedonia, Kalimantan Barat 3.45
39 MAS Babun Najah, Riau
2.82 SPT
71 SMAN 2 Bengkalis, Riau
3.72 SSR
91 SMAN 2 Kutablang, Aceh
3.07 77
MAS Batu X11, Aceh 2.23
SPL -
- -
SB 140
SMAN 1 Suro, Aceh 3.64
140 SMAN 1 Singkohor, Aceh
3.85 140
SMAS Muhammadiyah Gunung Meriah, Aceh 3.57
SPN 147
SMAN 2 Tapalang, Sulawesi Barat 2.23
151 SMAN 2 Tapalang, Sulawesi Barat
2.23 153
SMAN 2 Tapalang, Sulawesi Barat 2.23
158 SMAN 2 Kutablang,Aceh
3.58
4.3 Normal Ganda
Pengujian normal ganda dapat dilakukan secara eksplorasi yaitu dengan plot quantil-quantil dan uji Henze-Zirkler. Pengujian normal ganda dilakukan di setiap
peubah laten, Lampiran 4 menyajikan hasil pengujian normal ganda dengan uji Henze-Zirkler beserta plot quantil-quantil.
H : Data menyebar normal ganda
H
1
: Data tidak menyebar normal ganda Berdasarkan uji Henze-Zirkler Hz diperoleh hasil yang ditunjukkan pada
Tabel 4. P-value α 0.01 pada kedelapan peubah laten, maka H
di tolak, sehingga dapat disimpulkan bahwa data tidak menyebar normal ganda.
Apabila terjadi pelanggaran asumsi normal ganda, maka pengunaan SEM berbasis kovarians akan menghasilkan penduga parameter yang tidak baik,
kekonvergenan tidak terpenuhi bahkan menghasilkan ketidakwajaran dalam nilai taksiran model. Misalnya menghasilkan varians galat yang negatif, hal ini karena
nilai faktor loading yang dihasilkan lebih dari satu. Padahal dalam analisis faktor yang merupakan dasar dari CBSEM memiliki asumsi bahwa nilai loading antara 0
hingga 1. Sehingga, akibat dari nilai loading yang lebih dari satu adalah nilai varians pada galat pengukuran yang bernilai negatif. Pada data yang tidak menyebar normal
diperlukan metode analisis yang bebas asumsi dan fleksibel.
