1. Hasil Penelitian 1.1. Deskripsi Data Penelitian

BAB V HASIL PENELITIAN DAN PEMBAHASAN

5. 1. Hasil Penelitian 5.1.1. Deskripsi Data Penelitian 5.1.1.1. Deskripsi data variabel kepuasan kerja X1 Data frekuensi variabel kepuasan kerja dapat pada tabel 5.1 sedangkan langkah dan perhitungannya terdapat pada lampiran 7. Tabel 5.1. Distribusi Frekuensi Kepuasan Kerja Kategori NilaiBobot f Absolut Sangat setuju Setuju Kurang Setuju Tidak Setuju Sangat Tidak Setuju 5 4 3 2 1 115 179 100 1 0,29 0,45 0,25 0,01 Jumlah - 395 1 Rata-rata 4 Standar Deviasi 0,74 Sumber : Data diolah Exel Berdasarkan tabel 5.1 dapat diketahui responden penelitian dalam menjawab instrumen variabel kepuasan kerja dengan persentase tertinggi terdapat pada kategori setuju sebanyak 45 sedangkan persentase terendah terdapat pada kategori sangat tidak setuju sebanyak 0 . Berdasarkan hasil perhitungan diperoleh rata-rata responden dalam menjawab instrumen variabel kepuasan kerja sebesar 4 atau berada pada kategori setuju. Sedangkan penyimpangan dari rata-rata sebesar 0,74. Data distribusi frekuensi kepuasan kerja selanjutnya digambarkan dalam bentuk histogram gambar 5.1. Gambar 5.1. Histogram Variabel Kepuasan Kerja 5.1.1.2. Deskripsi data variabel kejelasan peran X2 Data frekuensi variabel kejelasan peran dapat pada tabel 5.2 sedangkan langkah dan perhitungannya terdapat pada lampiran 7. Tabel 5.2. Distribusi Frekuensi Kejelasan Peran Kategori NilaiBobot f Absolut Sangat setuju Setuju Kurang Setuju Tidak Setuju Sangat Tidak Setuju 5 4 3 2 1 138 244 91 1 0,29 0,51 0,19 0,01 Jumlah - 474 1 Rata-rata 4 Standar Deviasi 0,7 Sumber : Data diolah Exel Berdasarkan Tabel 5.2 dapat diketahui responden penelitian dalam menjawab instrumen variabel kejelasan peran dengan persentase tertinggi terdapat pada kategori setuju sebanyak 51 sedangkan persentase terendah terdapat pada kategori sangat tidak setuju sebanyak 0 . Berdasarkan hasil perhitungan diperoleh rata-rata responden dalam menjawab instrumen variabel kejelasan peran sebesar 4 atau berada pada kategori setuju. 0,29 0,45 0,25 0,00 0,00 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 Sangat Setuju Setuju Kurang Setuju Tidak Setuju Sangat Tidak Setuju Sedangkan penyimpangan dari rata-rata sebesar 0,7. Data distribusi frekuensi kejelasan peran selanjutnya digambarkan dalam bentuk histogram Gambar 5.2. Gambar 5.2. Histogram Variabel Kejelasan Peran 5.1.1.3. Deskripsi data variabel kinerja X3 Data frekuensi variabel kinerja dapat pada tabel 5.3 sedangkan langkah dan perhitungannya terdapat pada lampiran 7. Tabel 5.3. Distribusi Frekuensi Kinerja Kategori NilaiBobot f Absolut Sangat setuju Setuju Kurang Setuju Tidak Setuju Sangat Tidak Setuju 5 4 3 2 1 203 255 95 0,37 0,46 0,17 Jumlah - 474 1 Rata-rata 4 Standar Deviasi 0,71 Sumber : Data diolah Exel Berdasarkan Tabel 5.3 dapat diketahui responden penelitian dalam menjawab instrumen variabel kinerja dengan persentase tertinggi terdapat pada kategori setuju 0,29 0,51 0,19 0,00 0,00 0,10 0,20 0,30 0,40 0,50 0,60 Sangat Setuju Setuju Kurang Setuju Tidak Setuju Sangat Tidak Setuju sebanyak 46 sedangkan persentase terendah terdapat pada kategori tidak setuju dan sangat tidak setuju sebanyak 0 . Berdasarkan hasil perhitungan diperoleh rata-rata responden dalam menjawab instrumen variabel kinerja sebesar 4 atau berada pada kategori setuju. Sedangkan penyimpangan dari rata-rata sebesar 0,71. Data distribusi frekuensi kinerja selanjutnya digambarkan dalam bentuk histogram Gambar 5.3. Gambar 5.3. Histogram Variabel Kinerja 5.1.1.4. Deskripsi data indikator variabel penelitian Pada Bab III dijelaskan bahwa terdapat 3 variabel dalam penelitian ini yaitu kepuasan kerja X1, kejelasan peran X2, dan kinerja X3 dimana ketiga variabel memiliki beberapa indikator yang merupakan ciri dari masing-masing variabel. Indikator dari masing-masing variabel akan digunakan sebagai variabel penelitian untuk mengetahui analisis kepuasan kerja, kejelasan peran, dan kinerja bendahara Bantuan Operasional Sekolah di Sekolah Dasar Negeri Kota Medan, disajikan pada Tabel 5.4. 0,37 0,46 0,17 0,00 0,10 0,20 0,30 0,40 0,50 Sangat Setuju Setuju Kurang Setuju Tidak Setuju Sangat Tidak Setuju Tabel 5.4. Descriptive Statistics Sumber : Data diolah SPSS Dari Tabel 5.4 dapat diketahui bahwa rata-rata paling tinggi terdapat pada indikator kerja sama X32 dengan nilai 4,3671 dan standar deviasi sebesar 0,64405. Data distribusi masing-masing indikator selanjutnya digambarkan dalam bentuk histogram gambar 5.4. Indikator Variabel N Mean Std. Deviation Minimum Maximum Tercapainya tujuan pelaksanaan sesuai dengan harapan X11 79 3.9367 .75688 3.00 5.00 Terpenuhinya kebutuhan X12 79 4.0506 .74934 3.00 5.00 Dorongan yang kuat untuk menyelesaikan tugas X13 79 4.0000 .71611 3.00 5.00 Kesesuaian ketersediaan fasilitas kerja dengan harapan X14 79 4.1772 .71180 3.00 5.00 Diperolehnya penghargaan atas prestasi kerja X15 79 4.0000 .78446 2.00 5.00 Menyusun rencana pencapaian tujuan X21 79 4.0000 .75107 2.00 5.00 Menetapkan batas waktu penyelesaian pekerjaan X22 79 4.0506 .59697 3.00 5.00 Komunikasi eksternal X23 79 4.0886 .71951 3.00 5.00 Penyusunan anggaran dana BOS X24 79 4.2025 .60722 3.00 5.00 Pengelolaan dana BOS X25 79 4.2152 .74543 3.00 5.00 Pelaporan dana BOS X26 79 4.0127 .72490 3.00 5.00 Kuantitas kerja X31 79 4.2785 .78343 3.00 5.00 Kualitas kerja X32 79 4.1139 .73358 3.00 5.00 Kerja sama X33 79 4.3671 .64405 3.00 5.00 Pemahaman terhadap tugas X34 79 4.2278 .67841 3.00 5.00 Inisiatif X35 79 4.2532 .60908 3.00 5.00 Disiplin X36 79 4.0253 .81610 3.00 5.00 Kehandalan X37 79 4.1013 .63235 3.00 5.00 39.367 40.506 40.000 41.772 40.000 40.000 40.506 40.886 42.025 42.152 40.127 42.785 41.139 43.671 42.278 42.532 40.253 41.013 37.000 38.000 39.000 40.000 41.000 42.000 43.000 44.000 X11 X12 X13 X14 X15 X21 X22 X23 X24 X25 X26 X31 X32 X33 X34 X35 X36 X37 Gambar 5.4. Histogram Indikator Variabel Penelitian 5.1.2. Uji Asumsi Analisis Faktor Sebelum melakukan pengujian analisis faktor terlebih dahulu diuji dua asumsi yang berkaitan dengan analisis faktor, yaitu asumsi normalitas variabel univariat masing-masing variabel dan asumsi multikolinearitas. 5.1.2.1. Asumsi normalitas univariat Pengujian normalitas dapat dilakukan dengan non parametric – sample Kolmogrov Smirnov. Hasil pengujian dapat dilihat pada tabel 5.5. Tabel 5.5. Pengujian Normalitas dengan One – Sample Kolmogrov Smirnov X11 X12 X13 X14 X15 X21 X22 X23 X24 Kolmogorov-Smirnov Z 1.928 1.983 2.194 2.168 1.969 2.194 2.944 2.179 2.905 Asymp. Sig. 2-tailed .001 .001 .000 .000 .001 .000 .000 .000 .000 X25 X31 X32 X33 X34 X35 X36 X37 Kolmogorov-Smirnov Z 2.301 2.689 2.067 2.603 2.350 2.839 2.005 2.759 Asymp. Sig. 2-tailed .000 .000 .000 .000 .000 .000 .001 .000 Sumber : Data diolah SPSS Dari Tabel 5.5, diperoleh hasil bahwa semua variabel nilainya lebih kecil dari signifikan 0,05. Sehingga dapat disimpulkan bahwa semua variabel normal dan dapat dilanjutkan untuk uji analisis faktor. 5.1.2.2. Multikolinearitas Berbeda dengan analisis regresi yang cenderung menghindari multikolinearitas, pada penelitian ini multikolinearitas diharapkan sebagai dasar untuk pembentukan faktor baru sebagai gabungan dari beberapa variabel berkolinearitas. Tabel 5.6. KMO and Bartletts Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .689 Approx. Chi-Square 333.538 df 153 Bartletts Test of Sphericity Sig. .000 Sumber : Data diolah SPSS Terdapat tiga cara untuk menguji multikolinearitas, antara lain; a. Uji Kaiser-Meyer-Olki KMO, pada tabel 5.6 dapat diketahui nilai KMO Adequancy sebesar 0,689, dimana nilai tersebut diatas 0,5. Dengan demikian semua variabel dapat diproses lebih lanjut. b. Uji Bartlett’s, pada tabel 5.6 dapat diketahui nilai yang diperoleh sebesar 333,538 dengan signifikansi 0,00. Hal ini berarti terjadi korelasi yang signifikan, disebabkan nilai signifikansi lebih kecil dari 0,05. Dengan demikian dapat dilakukan uji analisis faktor. c. Uji Measure of Sampling Adequancy MSA, dilakukan untuk mengukur derajat korelasi antar variabel, dimana setiap variabel dianalisis untuk mengetahui variabel mana yang dapat diproses lebih lanjut dan variabel mana yang harus dikeluarkan. Pada lampiran 6, dapat diketahui bahwa semua variabel MSA X a lebih besar dari 0,5 sehingga keseluruhan variabel memenuhi syarat untuk digunakan dalam analisis faktor.

5.1.3. Interpretasi Hasil Analisis Faktor

5.1.3.1. Communalities Analisis communalities pada dasarnya adalah jumlah varians dalam bentuk persentase dari setiap variabel mula-mula yang bisa dijelaskan oleh faktor yang ada. Dari tabel 5.7 dapat diketahui variabel X11dengan nilai extraction sebesar 0,498, hal ini berarti 49,8 varians dari variabel tercapainya tujuan pelaksanaan tugas sesuai dengan harapan dapat dijelaskan oleh faktor yang terbentuk, demikian juga dengan variabel-variabel yang lain. Semua variabel dapat dijelaskan oleh faktor yang terbentuk dengan ketentuan semakin besar nilai communalities maka semakin erat hubungan variabel yang bersangkutan dengan faktor yang terbentuk. Pada Tabel 5.7 terlihat bahwa varians setiap variabel menunjukkan nilai yang cukup besar sehingga analisis faktor dapat dilakukan tanpa membuang variabel- variabel penelitian. Kolom initial bernilai 1,000 yang artinya adalah varians yang dijelaskan oleh variabel yang ada, maka nilainya 1,000. Tabel 5.7. Communalities Initial Extraction Initial Extraction Initial Extraction X11 1.000 .498 X22 1.000 .665 X32 1.000 .589 X12 1.000 .594 X23 1.000 .526 X33 1.000 .573 X13 1.000 .786 X24 1.000 .592 X34 1.000 .707 X14 1.000 .581 X25 1.000 .595 X35 1.000 .642 X15 1.000 .692 X26 1.000 .459 X36 1.000 .696 X21 1.000 .671 X31 1.000 .682 X37 1.000 .599 Extraction Method: Principal Component Analysis 5.1.3.2. Total variance explained Dari tabel communalities dinyatakan bahwa terdapat sebanyak 18 variabel yang dapat diteruskan untuk analisis faktor, maka akan terdapat 18 component atau 18 faktor awal yang diusulkan dalam analisis faktor. Kemampuan setiap faktor menjelaskan atau mewakili variabel-variabel penelitian, ditunjukkan dengan besar varians yang dijelaskan atau initial eigenvalue. Komponen atau faktor yang akan dipilih adalah faktor dengan nilai eigenvalue lebih besar dari 1, dimana hanya faktor yang mampu menjelaskan variabel dengan baik saja. Pada Tabel 5.8, dari 18 komponen hanya 6 faktor yang terbentuk karena nilai eigenvalue yang lebih besar dari 1. Sedangkan 12 faktor lainnya tidak diikutsertakan dalam analisis faktor karena tidak mampu menjelaskan variabel dengan baik. Pada kolom extraction sums of squared loadings, terdapat kolom of variance yang menunjukkan persentase varians yang dapat dijelaskan oleh faktor, sementara cumulative merupakan persentase varians yang dijelaskan oleh setiap faktor. Dari 6 faktor yang terbentuk akan mampu menjelaskan varians secara total sebesar 61,93 variabel. Jika hanya 1 faktor faktor pertama maka hanya dapat menjelaskan varians total variabel sebesar 22,492 . Tabel 5.8 Total Variance Explained Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings Component Total of Variance Cumulative Total of Variance Cumulative Total of Variance Cumulativ e 1 4.049 22.492 22.492 4.049 22.492 22.492 2.712 15.064 15.064 2 2.285 12.693 35.184 2.285 12.693 35.184 1.937 10.761 25.825 3 1.374 7.636 42.820 1.374 7.636 42.820 1.692 9.397 35.222 4 1.256 6.979 49.799 1.256 6.979 49.799 1.669 9.274 44.496 5 1.120 6.221 56.020 1.120 6.221 56.020 1.618 8.988 53.485 6 1.064 5.910 61.930 1.064 5.910 61.930 1.520 8.445 61.930 7 .933 5.183 67.113 8 .824 4.579 71.692 9 .772 4.290 75.982 10 .736 4.089 80.071 11 .645 3.582 83.653 12 .583 3.238 86.891 13 .534 2.966 89.857 14 .492 2.731 92.588 15 .434 2.409 94.997 16 .343 1.905 96.902 17 .325 1.805 98.708 18 .233 1.292 100.000 Extraction Method: Principal Component Analysis 5.1.3.3. Component matrix, rotated component matrix dan component transformation matrix Setelah membuang faktor yang memiliki eigenvalue kurang dari 1 maka hanya akan ada 6 faktor baru yang terbentuk dalam analisis faktor, sehingga pada Tabel 5.9 component matrix akan terdapat 6 kolom component. Nilai-nilai yang terdapat dalam kolom tersebut menunjukkan factor loading, dimana factor loading ini menunjukkan korelasi antara satu variabel dengan faktor yang terpilih. Nilai factor loading yang besar menunjukkan variabel tersebut masuk dalam komponen faktor yang terbentuk. Tabel 5.9. Component Matrix Component 1 2 3 4 5 6 X11 .515 .291 -.111 -.124 -.284 -.199 X12 .479 .212 .279 .459 .151 -.093 X13 .463 .308 .302 -.526 -.189 .271 X14 .403 .224 .000 .440 -.036 .417 X15 .483 .225 -.264 .462 -.120 .332 X21 .430 .309 .453 .194 .114 -.367 X22 .603 -.496 -.003 .189 .057 -.128 X23 .518 -.139 -.481 .057 -.032 .059 X24 .482 -.524 -.114 -.003 -.267 -.028 X25 .501 -.542 .051 -.075 -.083 .187 X26 .402 .292 -.361 -.251 .119 .062 X31 .532 -.128 -.073 -.395 .450 .134 X32 .471 .489 .231 -.139 -.150 .184 X33 .466 .167 -.104 .012 .157 -.541 X34 .444 -.297 .629 -.063 .064 .137 X35 .448 .506 -.267 -.110 .311 -.075 X36 .463 -.160 -.062 -.099 -.590 -.308 X37 .385 -.540 -.023 -.014 .397 .002 Extraction Method: Principal Component Analysis Pada Tabel 5.9 dapat diketahui bahwa nilai korelasi variabelnya masih sangat merata, dimana besar korelasi suatu variabel di komponen faktor yang satu masih relatif sama dengan besar korelasi variabel tersebut pada komponen faktor lainnya. Untuk itu dilakukan rotasi pada dimensi faktor, sehingga diperoleh matrik rotated component seperti pada tabel 5.10. Rotasi dilakukan dengan metode varimax, dimana rotasi varimax dipilih karena lebih mudah dianalisis secara teori. Tabel 5.10. Rotated Component Matrix Component 1 2 3 4 5 6 X11 -.043 .352 .212 .252 .124 .498 X12 .124 .029 .643 .059 .401 -.020 X13 .049 .211 .019 .848 .011 .137 X14 .066 .045 .134 .150 .730 -.048 X15 .057 .207 .065 .009 .788 .141 X21 .005 .050 .787 .203 .048 .072 X22 .706 .032 .238 -.123 .151 .266 X23 .355 .416 -.111 -.124 .322 .308 X24 .588 -.037 -.081 -.017 .100 .477 X25 .704 -.062 -.097 .159 .115 .217 X26 .025 .633 -.048 .171 .129 .093 X31 .549 .523 .017 .271 -.081 -.167 X32 -.113 .220 .240 .618 .273 .120 X33 .097 .447 .517 -.109 -.092 .276 X34 .556 -.279 .317 .466 .000 -.056 X35 -.081 .724 .256 .131 .165 -.037 X36 .184 .002 .081 .124 -.005 .800 X37 .738 .127 .073 -.130 -.049 -.116 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization Dari Tabel 5.10 dapat diketahui lebih jelas besar nilai korelasi suatu variabel dominan pada komponen faktor baru yang terbentuk dari pada Tabel 5.9. Penentuan variabel yang masuk ke dalam komponen faktor baru berdasarkan nilai korelasi yang lebih besar dari 0,5. Misalnya variabel X22 yang masuk ke dalam komponen faktor 1 dengan factor loading sebesar 0,706, nilai ini lebih baik dibandingkan pada component matrix dimana nilainya pada komponen faktor 1 sebesar 0,603. Dari Tabel 5.10 dapat dikelompokan variabel ke dalam faktor yang baru terbentuk. Berikut adalah kelompok variabel dalam faktor tersebut : Faktor 1 : menetapkan batas waktu penyelesaian pekerjaan X22, penyusunan anggaran dana BOS X24, pengelolaan dana BOS X25, kuantitas kerja X31, pemahaman terhadap tugas X34, dan kehandalan X37. Faktor 2 : pelaporan dana BOS X26, kuantitas kerja X31, dan inisiatif X35. Faktor 3 : terpenuhinya kebutuhan X12, menyusun rencana pencapaian tujuan X21, dan kerja sama X33. Faktor 4 : dorongan yang kuat untuk menyelesaikan tugas X13 dan kualitas kerja X32. Faktor 5 : kesesuaian ketersediaan fasilitas kerja dengan harapan X14 dan diperolehnya penghargaan atas prestasi kerja X15. Faktor 6 : disiplin X36. Component transformation matrix adalah matrik pengali dari component matrix menjadi rotated component matrix, rumus mencari rotated component matrix sebagai berikut; rotated component matrix = component matrix x component transformation matrix Tabel 5.11. Component Transformation Matrix Component 1 2 3 4 5 6 1 .552 .423 .374 .336 .363 .362 2 -.774 .396 .286 .316 .229 -.101 3 .069 -.606 .510 .530 -.187 -.227 4 -.055 -.348 .372 -.538 .667 -.061 5 .271 .403 .255 -.214 -.154 -.794 6 .122 -.114 -.562 .413 .559 -.416 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization

5.1.4. Pengujian Hipotesis

Terdapat dua hipotesis yang diajukan dalam penelitian ini, yaitu: 1. Kepuasan kerja, kejelasan peran, dan kinerja bendahara BOS saling mempengaruhi di Sekolah Dasar Negeri Kota Medan. Untuk menguji hipotesis ini dapat diketahui dari uji Kaiser-Meyer-Olki KMO dan uji Bartlett’s . Nilai KMO Adequancy sebesar 0,689, dimana nilai tersebut diatas 0,5 dan nilai Bartlett’s yang diperoleh sebesar 333,538 dengan signifikansi 0,00. Hal ini bearti terjadi korelasi yang signifikan, disebabkan nilai signifikansi lebih kecil dari 0,05. Sehingga dapat diketahui bahwa kepuasan kerja, kejelasan peran, dan kinerja bendahara BOS saling mempengaruhi di Sekolah Dasar Negeri Kota Medan. 2. Terdapat indikator yang paling dominan menentukan kepuasan kerja, kejelasan peran, dan kinerja bendahara BOS di Sekolah Dasar Negeri Kota Medan. Untuk menguji hipotesis ini dapat dilakukan dengan cara mengurutkan nilai skor faktor dari nilai terbesar sampai terkecil. Adapun cara untuk mengetahui skor faktor adalah; Variance Total Factor Variance Matrix Component Rotated faktor skor × = Dari hasil perhitungan diperoleh bahwa X22 menetapkan batas waktu penyelesaian pekerjaan merupakan indikator yang paling dominan menentukan kepuasan kerja, kejelasan peran, dan kinerja bendahara BOS di Sekolah Dasar Negeri Kota Medan. Hasil selengkapnya dapat dilihat pada Tabel 5.12. Tabel 5.12. Indikator Dominan Variance 1 2 3 4 5 6 22,492 12,693 7,636 6,979 6,221 5,91 Skor Faktor Variabel X11 -,043 ,352 ,212 ,252 ,124 ,498 0,171 X12 ,124 ,029 ,643 ,059 ,401 -,020 0,175 X13 ,049 ,211 ,019 ,848 ,011 ,137 0,173 X14 ,066 ,045 ,134 ,150 ,730 -,048 0,135 X15 ,057 ,207 ,065 ,009 ,788 ,141 0,164 Kepuasan kerja X21 ,005 ,050 ,787 ,203 ,048 ,072 0,143 X22 ,706 ,032 ,238 -,123 ,151 ,266 0,319 X23 ,355 ,416 -,111 -,124 ,322 ,308 0,248 X24 ,588 -,037 -,081 -,017 ,100 ,477 0,249 X25 ,704 -,062 -,097 ,159 ,115 ,217 0,281 X26 ,025 ,633 -,048 ,171 ,129 ,093 0,174 Kejelasan peran X31 ,549 ,523 ,017 ,271 -,081 -,167 0,315 X32 -,113 ,220 ,240 ,618 ,273 ,120 0,142 X33 ,097 ,447 ,517 -,109 -,092 ,276 0,195 X34 ,556 -,279 ,317 ,466 -,001 -,056 0,231 X35 -,081 ,724 ,256 ,131 ,165 -,037 0,178 X36 ,184 ,002 ,081 ,124 -,005 ,800 0,167 X37 ,738 ,127 ,073 -,130 -,049 -,116 0,272 Kinerja

5. 2. Pembahasan

Dokumen yang terkait

Pengaruh Teknologi Informasi, Kepuasan Kerja, Kejelasan Peran Terhadap Kinerja Bendahara Bantuan Operasional Sekolah Pada Sekolah Dasar Negeri di Kabupaten Deli Serdang

1 72 126

Pengaruh Anggaran Bantuan Operasional Sekolah (BOS) Terhadap Peningkatan Prestasi Belajar Siswa SMP Di Kota Medan

4 120 145

Implementasi Manajemen Bantuan Biaya Operasional Sekolah (BOS) Di SD Negeri 060820 Kecamatan Medan Kota

1 48 95

Peran Komite Sekolah dalam Penyaluran Bantuan Operasional Sekolah (Studi Deskriptif : SD. N 173105 Tarutung, Tapanuli Utara). Penelitian ini dilakukan di SD. N 173105 Tarutung, Tapanuli Utara

2 47 85

ANALISIS AKUNTABILITAS DAN TRANSPARANSI PENGELOLAAN DANA BANTUAN OPERASIONAL SEKOLAH (BOS) DI SEKOLAH DASAR NEGERI 3 GERUNUNG

40 201 20

PERAN KOMITE SEKOLAH DALAM PENGELOLAAN DANA BANTUAN OPERASIONAL SEKOLAH DI SEKOLAH DASAR NEGERI SE GUGUS 1 KECAMATAN KALIKAJAR KABUPATEN WONOSOBO.

0 1 208

Pengaruh Teknologi Informasi, Kepuasan Kerja, Kejelasan Peran Terhadap Kinerja Bendahara Bantuan Operasional Sekolah Pada Sekolah Dasar Negeri di Kabupaten Deli Serdang

0 0 38

BAB II TINJAUAN PUSTAKA - Pengaruh Teknologi Informasi, Kepuasan Kerja, Kejelasan Peran Terhadap Kinerja Bendahara Bantuan Operasional Sekolah Pada Sekolah Dasar Negeri di Kabupaten Deli Serdang

0 0 21

BAB I PENDAHULUAN - Pengaruh Teknologi Informasi, Kepuasan Kerja, Kejelasan Peran Terhadap Kinerja Bendahara Bantuan Operasional Sekolah Pada Sekolah Dasar Negeri di Kabupaten Deli Serdang

0 0 10

Pengaruh Teknologi Informasi, Kepuasan Kerja, Kejelasan Peran Terhadap Kinerja Bendahara Bantuan Operasional Sekolah Pada Sekolah Dasar Negeri di Kabupaten Deli Serdang

0 1 16