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