Analisis Faktor Yang Mempengaruhi Kunjungan Masyarakat Kota Medan Ke Perpustakaan Umum Kota Medan

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling

Adequacy. ,794

Bartlett's Test of Sphericity

Approx. Chi-Square 460,435

Df 45

Sig. ,000

Item-Total Statistics

Scale Mean if Item Deleted

Scale Variance if Item Deleted Corrected Item-Total Correlation Squared Multiple Correlation Cronbach's Alpha if Item

Deleted

VAR00001 23,4418 20,915 ,508 ,595 ,724

VAR00002 24,6516 22,596 ,300 ,477 ,753

VAR00003 23,6473 20,970 ,502 ,693 ,725

VAR00004 24,6708 22,541 ,303 ,372 ,753

VAR00005 23,4423 21,417 ,497 ,501 ,727

VAR00006 24,5509 21,027 ,486 ,614 ,727

VAR00007 23,0447 21,008 ,496 ,587 ,726

VAR00008 24,6707 22,095 ,360 ,425 ,745

VAR00009 23,9056 21,782 ,397 ,503 ,740

Correlation Matrix

Correlation VAR00001 VAR00002 VAR00003 VAR00004 VAR00005 VAR00006 VAR00007 VAR00008 VAR00009 VAR00010

VAR00001 _{1,000 -,115 ,665 ,013 ,640 ,148 ,559 ,098 ,560 ,022}

VAR00002 _{-,115 1,000 -,067 ,270 -,047 ,624 -,032 ,363 -,020 ,555}

VAR00003 _{,665 -,067 1,000 ,064 ,619 ,023 ,744 -,024 ,643 -,101}

VAR00004 _{,013 ,270 ,064 1,000 ,044 ,308 ,086 ,563 -,108 ,324}

VAR00005 _{,640 -,047 ,619 ,044 1,000 ,093 ,563 ,057 ,536 ,011}

VAR00006 _{,148 ,624 ,023 ,308 ,093 1,000 ,066 ,423 ,037 ,707}

VAR00007 _{,559 -,032 ,744 ,086 ,563 ,066 1,000 ,016 ,581 -,051}

VAR00008 _{,098 ,363 -,024 ,563 ,057 ,423 ,016 1,000 -,081 ,424}

VAR00009 _{,560 -,020 ,643 -,108 ,536 ,037 ,581 -,081 1,000 -,077}

Inverse of Correlation Matrix

VAR00001 VAR00002 VAR00003 VAR00004 VAR00005 VAR00006 VAR00007 VAR00008 VAR00009 VAR00010

VAR00001 _{2,469 ,603 -,903 ,245 -,702 -,511 -,067 -,364 -,364 -,068}

VAR00002 _{,603 1,914 -,182 -,009 ,027 -,919 ,021 -,231 -,222 -,360}

VAR00003 _{-,903 -,182 3,258 -,353 -,385 ,155 -1,317 ,259 -,626 ,231}

VAR00004 _{,245 -,009 -,353 1,591 -,021 -,066 -,160 -,808 ,291 -,147}

VAR00005 _{-,702 ,027 -,385 -,021 2,003 ,030 -,290 -,044 -,279 -,092}

VAR00006 _{-,511 -,919 ,155 -,066 ,030 2,593 -,103 -,157 ,003 -1,213}

VAR00007 _{-,067 ,021 -1,317 -,160 -,290 -,103 2,422 ,019 -,373 ,073}

VAR00008 _{-,364 -,231 ,259 -,808 -,044 -,157 ,019 1,740 ,090 -,194}

VAR00009 _{-,364 -,222 -,626 ,291 -,279 ,003 -,373 ,090 2,012 ,074}

Anti-image Matrices VAR0000 1 VAR0000 2 VAR0000 3 VAR0000 4 VAR0000 5 VAR0000 6 VAR0000 7 VAR0000 8 VAR0000 9 VAR0001 0 Anti-image Correlation VAR00001

,795(a) ,277 -,318 ,124 -,316 -,202 -,027 -,176 -,163 -,029

VAR00002 _{,277 ,747(a) -,073 -,005 ,014 -,413 ,010 -,127 -,113 -,174}

VAR00003 _{-,318 -,073 ,799(a) -,155 -,151 ,053 -,469 ,109 -,244 ,086}

VAR00004 _{,124 -,005 -,155 ,661(a) -,012 -,033 -,081 -,486 ,162 -,078}

VAR00005 _{-,316 ,014 -,151 -,012 ,897(a) ,013 -,132 -,024 -,139 -,044}

VAR00006 _{-,202 -,413 ,053 -,033 ,013 ,715(a) -,041 -,074 ,001 -,505}

VAR00007 _{-,027 ,010 -,469 -,081 -,132 -,041 ,848(a) ,009 -,169 ,031}

VAR00008 _{-,176 -,127 ,109 -,486 -,024 -,074 ,009 ,726(a) ,048 -,099}

VAR00009 _{-,163 -,113 -,244 ,162 -,139 ,001 -,169 ,048 ,886(a) ,035}

VAR00010 _{-,029 -,174 ,086 -,078 -,044 -,505 ,031 -,099 ,035 ,780(a)}

Communalities

Initial Extraction

VAR00001 1,000 ,687

VAR00002 1,000 ,703

VAR00003 1,000 ,795

VAR00004 1,000 ,818

VAR00005 1,000 ,652

VAR00006 1,000 ,817

VAR00007 1,000 ,697

VAR00008 1,000 ,743

VAR00009 1,000 ,682

VAR00010 1,000 ,751

Total Variance Explained

Component

Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings

Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %

1 _{3,466 34,660 34,660 3,466 34,660 34,660 3,465 34,646 34,646}

2 _{2,857 28,572 63,232 2,857 28,572 63,232 2,311 23,107 57,753}

3 _{1,023 10,226 73,458 1,023 10,226 73,458 1,570 15,704 73,458}

4 _{,615 6,148 79,606}

5 _{,460 4,604 84,210}

6 _{,412 4,119 88,329}

7 _{,371 3,706 92,035}

8 _{,328 3,276 95,311}

9 _{,260 2,597 97,908}

10 _{,209 2,092 100,000}

Component Number

10 9

8 7

6 5

4 3

2 1

Ei

ge

nv

alu

e

4

3

2

1

0

Component Matrix(a)

Extraction Method: Principal Component Analysis. a 3 components extracted.

Component

1 2 3

VAR00001 ,828 ,040 ,017

VAR00002 -,069 ,756 -,356

VAR00003 ,889 -,052 ,054

VAR00004 ,043 ,615 ,662

VAR00005 ,807 ,036 ,018

VAR00006 ,104 ,836 -,328

VAR00007 ,833 ,004 ,060

VAR00008 ,032 ,720 ,472

VAR00009 ,792 -,087 -,218

Rotated Component Matrix(a)

Component

1 2 3

VAR00001 ,827 ,022 ,057

VAR00002 -,069 ,828 ,112

VAR00003 ,888 -,076 ,039

VAR00004 ,021 ,154 ,891

VAR00005 ,806 ,018 ,055

VAR0006 ,102 ,879 ,184

VAR00007 ,831 -,033 ,073

VAR00008 ,014 ,346 ,790

VAR00009 ,797 ,043 -,211

VAR00010 -,045 ,836 ,222

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a Rotation converged in 4 iterations.

Component Transformation Matrix

Component 1 2 3

1 _{1,000 -,004 ,025}

2 _{-,011 ,838 ,546}

3 _{-,023 -,546 ,838}

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.

Component Score Coefficient Matrix

Component

1 2 3

VAR00001 ,238 ,002 ,028

VAR00002 -,015 ,412 -,148

VAR00003 ,255 -,045 ,041

VAR00004 -,005 -,173 ,660

VAR00006 ,034 ,420 -,108

VAR00007 ,239 -,032 ,056

VAR00008 -,004 -,041 ,525

VAR00009 ,234 ,090 -,190

VAR00010 -,009 ,385 -,064

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.

MATRIKS KORELASI SEDERHANA

1 2 3 4 5 6 7 8 9 10

1 1,000 -0,115 0,665 0,013 0,640 0,148 0,559 0,098 0,560 0,022 2 -0,115 1,000 -0,067 0,270 -0,047 0,624 -0,032 0,363 -0,020 0,555 3 0,665 -0,067 1,000 0,064 0,619 0,023 0,744 -0,024 0,643 -0,101 4 0,013 0,270 0,064 1,000 0,044 0,308 0,086 0,563 -0,108 0,324 = 5 0,640 -0,047 0,619 0,044 1,000 0,093 0,563 0,057 0,536 0,011 6 0,148 0,624 0,023 0,308 0,093 1,000 0,066 0,423 0,037 0,707 7 0,559 -0,032 0,744 0,086 0,563 0,066 1,000 0,016 0,581 -0,051 8 0,098 0,363 -0,024 0,563 0,057 0,423 0,016 1,000 -0,081 0,424 9 0,560 -0,020 0,643 -0,108 0,536 0,037 0,581 -0,081 1,000 -0,077 10 0,022 0,555 -0,101 0,324 0,011 0,707 -0,051 0,424 -0,077 1,000

PERHITUNGAN ANALISIS FAKTOR MENGGUNAKAN MATRIKS

Dengan bantuan software MATLAB (Matrix Laboratory), didapat nilai karakteristik (eigen value) dan vektor karakteristik (eigen vector) dari matrik korelasi sederhana ( .

MATRIKS EIGEN VALUE

1 2 3 4 5 6 7 8 9 10

1 3,4663 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 2 0,0000 2,857 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 3 0,0000 0,0000 1,0224 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 4 0,0000 0,0000 0,0000 0,6147 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

=

5 0,0000 0,0000 0,0000 0,0000 0,4605 0,0000 0,0000 0,0000 0,0000 0,0000 6 0,0000 0,0000 0,0000 0,0000 0,0000 0,4118 0,0000 0,0000 0,0000 0,0000 7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,3709 0,0000 0,0000 0,0000 8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,3280 0,0000 0,0000 9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,2587 0,0000 10 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,2093

MATRIKS EIGEN VECTOR

1 2 3 4 5 6 7 8 9 10

1 -0,4319 0,1886 -0,5213 -0,1202 -0,2246 0,0337 -0,4914 -0,0168 0,0235 -0,4448 2 -0,2213 0,2605 -0,2741 -0,2077 0,3737 0,2750 0,4688 0,3520 0,4473 0,0368 3 0,6979 0,3739 -0,1880 -0,1460 -0,0991 -0,1438 0,2330 -0,0538 -0,0312 -0,4773 4 -0,1374 -0,0556 -0,2526 0,4355 0,0721 -0,2932 0,2689 -0,6544 0,3637 -0,0235

=

5 0,0569 -0,1273 0,2114 0,0890 0,7973 -0,0470 -0,3187 -0,0182 0,0212 -0,4333 6 0,2814 -0,6675 -0,2204 -0,0578 -0,1600 -0,1666 -0,1305 0,3245 0,4945 -0,0561 7 -0,3813 -0,2131 0,4191 -0,4149 -0,1808 -0,2840 0,3802 -0,0591 0,0017 -0,4472 8 0,1495 0,0086 0,2813 -0,3038 -0,1271 0,5913 -0,2011 -0,4670 0,4260 -0,0177 9 -0,0466 -0,1246 0,1304 0,6267 -0,2306 0,4926 0,2156 0,2161 -0,0519 -0,4252 10 -0,0419 0,4805 0,4347 0,2509 -0,1777 -0,3371 -0,2491 0,2660 0,4868 0,0222

Matriks loading factor ( ) diperoleh dengan mengalikan matriks eigen vector dengan akar dari matriks eigen value. Atau dalam persamaan matematis ditulis √ .

1 2 3 4 5 6 7 8 9 10

1 1,8618 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 2 0,0000 1,6904 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 3 0,0000 0,0000 1,0111 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 4 0,0000 0,0000 0,0000 0,7840 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

√

=

5 0,0000 0,0000 0,0000 0,0000 0,6786 0,0000 0,0000 0,0000 0,0000 0,0000 6 0,0000 0,0000 0,0000 0,0000 0,0000 0,6417 0,0000 0,0000 0,0000 0,0000 7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,6090 0,0000 0,0000 0,0000 8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,5727 0,0000 0,0000 9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,5086 0,0000 10 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,4575

MATRIKS LOADING FACTOR

1 2 3 4 5 6 7 8 9 10

1 -0,828 0,0397 -0,017 -0,3853 0,0229 -0,1441 -0,0732 -0,2985 0,0959 -0,1976 2 0,0686 0,7562 0,3559 0,3676 0,1866 0,2398 -0,1265 -0,1265 0,1325 -0,1058 3 -0,8886 -0,0528 -0,0544 0,1827 -0,0976 -0,0636 -0,0889 -0,1077 0,1902 0,3193 4 -0,0438 0,6149 -0,6617 0,2108 -0,1989 0,0462 -0,2652 -0,1447 -0,0283 -0,0628

=

5 -0,8066 0,0359 -0,0184 -0,2498 -0,0319 0,5117 -0,0542 0,121 -0,0647 0,026

6 0,1045 0,8358 0,3281 -0,1023 -0,1131 -0,1027 -0,0352 -0,1262 -0,3395 0,1288 7 -0,8327 0,003 -0,0598 0,2981 -0,1927 -0,1161 -0,2527 0,24 -0,1084 -0,1744 8 -0,033 0,7201 -0,4722 -0,1577 0,4013 -0,0816 -0,185 0,1611 0,0044 0,0684 9 -0,7916 -0,0878 0,2185 0,1691 0,3343 -0,148 0,3817 0,0747 -0,0634 -0,0213 10 0,0414 0,8228 0,269 -0,1953 -0,2287 -0,114 0,1528 0,2489 0,2444 -0,0192

Keterangan : Angka yang dicetak tebal adalah nilai factor loading yang memiliki eigen value lebih besar dari satu.

Matriks Rotated Factor Loading diperoleh dengan mengalikan matriks factor loading dengan matriks transformasi (Component Transformation Matrix). Atau dalam persamaan matematis ditulis sebagai : .

1 2 3

1 1,0000 -0,0040 0,0250

=

2 -0.0110 0,838 0,5460

3 -0,0230 -0,5460 0,8380

-0,8280 0,0397 -0,0170 0,8268 0,0223 0,0569

0,0686 0,7562 0,3559 0,0689 0,8276 0,1124

-0,8886 -0,0528 -0,0544 -0,8878 -0,0761 -0,0394

-0,0438 0,6149 -0,6617 1,0000 -0,0040 0,0250 0,0206 0,1543 -0,8907

=

-0,8066 0,0359 -0,0184 -0.0110 0,838 0,5460 0,8057 0,0179 -0,0553

0,1045 0,8358 0,3281 -0,0230 -0,5460 0,8380 0,1017 0,8792 0,1842

-0,8327 0,0030 -0,0598 0,8309 0,0331 0,0731

-0,0330 0,7201 -0,4722 0,0141 0,3458 0,7890

-0,7916 -0,0878 0,2185 0,7972 0,0433 0,2140

Matriks koefisien bobot faktor (Score Coefficient Matrix) diperoleh dengan mengalikan invers matriks korelasi sederhana dengan matriks Rotated Factor Loading. Dalam persamaan matematis ditulis sebagai berikut :

INVERS MATRIKS KORELASI SEDERHANA

1 2 3 4 5 6 7 8 9 10

1 2,4713 0,6047 -0,9020 0,2443 -0,7024 -0,5128 -0,0683 -0,3639 -0,3650 -0,0673 2 0,6047 1,9156 -0,1822 -0,0101 0,0272 -0,9223 0,0201 -0,2314 -0,2227 -0,3579 3 -0,9020 -0,1822 3,2582 -0,3551 -0,3880 0,1448 -1,3149 0,2612 -0,6260 0,2382 4 0,2443 -0,0101 -0,3551 1,5903 -0,0210 -0,0627 -0,1574 -0,8067 0,2912 -0,1498

₌

_{5 -0,7024 0,0272 -0,3880 -0,0210 2,0039 0,0289 -0,2894 -0,0437 -0,2765 -0,0920}

6 -0,5128 -0,9223 0,1488 -0,0627 0,0289 2,5975 -0,0985 -1,1591 0,0054 -1,2154 7 -0,0683 0,0201 -1,3149 -0,1574 -0,2894 -0,0985 2,4205 0,0163 -0,3738 0,0691 8 -0,3639 -0,2314 0,2612 -0,8067 -0,0437 -0,1591 0,0163 1,7384 0,0899 -0,1922 9 -0,3650 -0,2227 -0,6260 0,2912 -0,2765 0,0054 -0,3738 0,0899 2,0118 0,0710 10 -0,0673 -0,3579 0,2382 -0,1498 -0,0920 -1,2154 0,0691 -0,1922 0,0710 2,2235

MATRIKS KOEFISIEN BOBOT FAKTOR

1 2 3

1 0,2377 0,0019 0,0277

2 -0,0151 0,4122 -0,1482

3 0,2549 -0,0449 0,0411

4 -0,0052 -0,1729 0,6600

=

5 0,2318 0,0002 0,0282

6 0,0343 0,4200 -0,1083

7 0,2389 -0,0316 0,0562

8 -0,0041 -0,0412 0,5249

9 0,2342 0,0900 -0,1900

10 -0,0092 0,3852 -0,0637

Untuk menghitung dan , 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 PARSIAL

1 2 3 4 5 6 7 8 9 10

1 0,277 -0,318 0,124 -0,316 -0,202 -0,027 -0,176 -0,163 -0,029 2 0,277 -0,073 -0,005 0,014 -0,413 0,010 -0,127 -0,113 -0,174 3 -0,318 -0,073 -0,155 -0,151 0,053 -0,469 0,109 -0,244 0,086 4 0,124 -0,005 -0,155 -0,012 -0,033 -0,081 -0,486 0,162 -0,078

[

]

5 -0,316 0,014 -0,151 -0,012 0,013 -0,132 -0,024 -0,139 -0,044 6 -0,202 -0,413 0,053 -0,033 0,013 0,180 -0,074 0,001 -0,505 7 -0,027 0,010 -0,469 -0,081 -0,132 -0,041 0,009 -0,169 0,031 8 -0,176 -0,127 0,109 -0,486 -0,024 -0,074 0,009 0,048 -0,099 9 -0,163 -0,113 -0,244 0,162 -0,139 0,001 -0,169 0,048 0,035 10 -0,029 -0,174 0,086 -0,078 -0,044 -0,505 0,031 -0,099 0,035

1 2 3 4 5 6 7 8 9 10 JUMLAH 1 0,052 0,020 0,035 0,108 0,086 0,000 0,029 0,007 0,006

2 0,052 0,107 0,154 0,063 0,017 0,005 0,001 0,091 0,003 3 0,020 0,107 0,200 0,147 0,065 0,051 0,007 0,009 0,004 4 0,035 0,154 0,200 0,397 0,120 0,015 0,187 0,158 0,115

[

]

5 0,108 0,063 0,147 0,397 0,036 0,011 0,125 0,163 0,078 6 0,086 0,017 0,065 0,120 0,036 0,032 0,000 0,013 0,115 7 0,000 0,005 0,051 0,015 0,011 0,032 0,008 0,004 0,001 8 0,029 0,001 0,007 0,187 0,125 0,000 0,008 0,064 0,081 9 0,007 0,091 0,009 0,158 0,163 0,013 0,004 0,064 0,112 10 0,006 0,003 0,004 0,115 0,078 0,115 0,001 0,081 0,112

1 2 3 4 5 6 7 8 9 10 JUMLAH 1 0,011 0,483 0,049 0,490 0,025 0,052 0,008 0,259 0,000

2 0,011 0,000 0,413 0,000 0,401 0,022 0,213 0,015 0,446 3 0,483 0,000 0,152 0,388 0,002 0,037 0,001 0,421 0,009 4 0,049 0,413 0,152 0,000 0,452 0,064 0,275 0,075 0,497

[

]

5 0,490 0,000 0,388 0,000 0,013 0,003 0,002 0,312 0,002 6 0,025 0,401 0,002 0,452 0,013 0,001 0,237 0,000 0,599 7 0,052 0,022 0,037 0,064 0,003 0,001 0,021 0,023 0,060 8 0,008 0,213 0,001 0,275 0,002 0,237 0,021 0,001 0,192 9 0,259 0,015 0,421 0,075 0,312 0,000 0,023 0,001 0,001 10 0,000 0,446 0,009 0,497 0,002 0,599 0,060 0,192 0,001

26,185

_{∑ ∑} ∑ ∑

_∑ ∑

Untuk menguji apakah matriks korelasi sederhana bukan merupakan suatu matriks identitas, maka digunakan uji Bartlett dengan pendekatan statistik chi square. Berikut ini diuraikan langkah-langkah pengujiannya.

1. Hipotesis

: Matriks korelasi sederhana merupakan matriks identitas : Matriks korelasi sederhana bukan merupakan matriks identitas

Statistik uji

[ ] | |

2. .

;

4. Perhitungan

[ ] [ ]

5. Kesimpulan :

, maka tolak . Dengan kata lain, matriks korelasi

68

1 2 3

0,7016 -1,1288 0,2873 0,9872 -1,5374 0,186 -0,8177 -0,152 -2,7539 -0,3954 0,9666 -0,3224 1,3142 0,8342 -0,1249 1,2961 -0,7952 0,0546 0,0784 0,3405 2,5472 -1,6621 0,3378 -0,3067 0,1639 1,8011 -0,2685 1,2528 1,3207 -0,2323

-0,9325 -0,8255 -0,0798 -2,2289 0,2658 2,1546 0,1432 0,2129 0,0614 1,0663 1,0475 -0,2312 -0,9541 0,5475 -0,292 0,3368 -0,6426 0,096

69

-1,3851 -0,3771 -0,3074 0,3689 1,1031 -0,2905 -1,6521 2,5993 -0,576 -0,0444 2,4898 1,7062 -0,2116 1,0055 -0,2225 1,047 2,4776 -0,4567 0,7016 -1,1288 0,2873 -1,6872 -0,0249 -0,3621 -2,2289 0,2658 2,1546 0,0784 0,3405 2,5472 0,3368 -0,6426 0,096 0,9872 -1,5374 0,186 1,3142 0,8342 -0,1249 0,1382 1,4297 -0,3252 1,0663 1,0475 -0,2312 -0,9541 0,5475 -0,292 -0,8177 -0,152 -2,7539

70

0,3689 1,1031 -0,2905 1,2528 1,3207 -0,2323 -1,3851 -0,3771 -0,3074 -0,1159 1,0129 -0,4038 0,1432 0,2129 0,0614 1,0166 -0,8416 0,136 -0,9325 -0,8255 -0,0798 0,0784 0,3405 2,5472 0,7016 -1,1288 0,2873 0,9872 -1,5374 0,186 -0,8177 -0,152 -2,7539 -0,3954 0,9666 -0,3224 1,3142 0,8342 -0,1249 1,2961 -0,7952 0,0546 0,0784 0,3405 2,5472 -1,6621 0,3378 -0,3067 0,1639 1,8011 -0,2685

71

1,2528 1,3207 -0,2323 -0,9325 -0,8255 -0,0798 -2,2289 0,2658 2,1546 0,1432 0,2129 0,0614 1,0663 1,0475 -0,2312 -0,9541 0,5475 -0,292 0,3368 -0,6426 0,096 -1,3851 -0,3771 -0,3074 -0,6465 -0,8705 0,055 -0,3912 -0,6054 2,6079 -1,5277 0,9964 -0,2954 1,3139 0,2305 0,2041 -0,359 -0,2443 0,0254 0,7252 -1,3316 0,2129 -0,6211 -0,0731 -0,1527 1,2549 -1,5587 0,2126 0,5893 -0,0149 -0,2247

72

0,3089 -1,1393 0,0507 1,2651 -0,0133 -0,0168 -1,1223 -1,0284 -0,3762 -1,142 -0,5466 -2,8884 -0,9199 -0,5177 -0,2996 0,9543 -0,8188 0,0952 0,729 0,4433 -0,1134 0,3988 -1,2917 0,1085 1,2735 0,1854 -0,0197 -0,0291 -0,8948 0,2364 0,5711 -1,6722 0,4118 0,0302 -0,1647 -0,9553 -0,1719 -1,3038 -0,0674 -0,1399 -1,3043 -0,0581 0,739 -0,7755 -0,2165 -0,5789 -1,6006 -0,0186 -0,359 -0,2443 0,0254

73

0,7252 -1,3316 0,2129 -0,6211 -0,0731 -0,1527 1,2549 -1,5587 0,2126 0,5893 -0,0149 -0,2247 0,3089 -1,1393 0,0507 1,2651 -0,0133 -0,0168 -1,1223 -1,0284 -0,3762 -1,142 -0,5466 -2,8884 1,2528 1,3207 -0,2323 -0,9325 -0,8255 -0,0798 -2,2289 0,2658 2,1546 0,1432 0,2129 0,0614 1,3142 0,8342 -0,1249 0,1382 1,4297 -0,3252 1,0663 1,0475 -0,2312 -0,9541 0,5475 -0,292

74

[ ] [ ] [ ]

[ ] _[ ] [

] [

]

DAFTAR PUSTAKA

Anderson, T. W. 1984. An Introduction to Multivariate Statistical Analysis. New York: John Wiley & Sons, Inc.

Cochran, William G. 1991. Teknik Penarikan Sampling. Terjemahan Rundiansyah, Erwin R. Osman: Jakarta UI-Press

Ghozali, Imam. (2005). Aplikasi Analisis Multivariat dengan Program SPSS. Universitas Diponegoro, Semarang.

Lubis, Ade Fatma et al (2007). Aplikasi SPSS (Statistical Product and Service

Solutions) untuk penyusunan skripsi & tesis, USU Press, Medan.

Riduwan. (2009). Skala Pengukuran Variabel-variabel Penelitian. Alfabeta, Bandung.

Santoso, Singgih. (2010). Statistik Multivariat. PT. Gramedia, Jakarta.

Sugiarto. (2001). Teknik Sampling. PT. Gramedia Pustaka Utama.

Supranto, J. (2004). Analisis Multivariat Arti dan Interpretasi. PT. Rineka Cipta, Jakarta.

http://pemkomedan.go.id/ Diakses tanggal 9 Oktober, 2012.

BAB 3

PEMBAHASAN

Analisis dilakukan terhadap data yang telah dikumpulkan dan diolah sesuai dengan metodologi penelitian pada bab sebelumnya. Analisis ini mencakup pengujian kuesioner dan analisis faktor dari data sampel. Sehingga dari hasil tersebut diharapkan dapat diketahui faktor-faktor apa saja yang mempengaruhi kunjungan masyarakat kota Medan ke Perpustakaan Umum Kota Medan

3.1 Pengujian Kuesioner

Sebelum kuesioner digunakan sebagai instrumen penelitian, maka terlebih dahulu diuji validitas dan reliabilitas kuesioner. Pengujian dilakukan dengan membagikan kuesioner kepada 30 responden secara acak kemudian data hasil pengumpulan

kuesioner diubah menjadi skala interval dan selanjutnya diolah menggunakan program komputer SPSS 15.0 (Statistical Package Social Science). Hasil pengolahan data melalui program SPSS 15.0 menunjukkan bahwa kuesioner penelitian memiliki reliabilitas cukup memuaskan (nilai Alpha Cronbach 0,700) dan kesepuluh variabel penelitian dikatakan valid (nilai corrected Item-Total Correlation 0,300) .

Tabel 3.1 Reliabilitas Kuesioner Penelitian

Cronbach’s Alpha N of items

0,834 30

Tabel 3.2 Validitas Kuesioner Penelitian

Variabel Corrected Item-Total Correlation

Keterangan

0,368 Valid 0,384 Valid 0,676 Valid 0,387 Valid 0,639 Valid 0,488 Valid 0,520 Valid 0,424 Valid 0,580 Valid

0,794 Valid

Keterangan :

: Berperan penting dalam pendidikan

: Perpustakaan umum kota Medan sudah dikenal oleh seluruh masyarakat kota Medan

: Letak perpustakaan umum kota Medan strategis sehingga setiap masyarakat kota Medan dapat menjangkaunya

: Mudah untuk mencari buku yang ingin dibaca dari susunan buku yang tersedia : Fasilitas perpustakaan umum kota Medan sudah memadai (ruang baca,

jaringan internet , dan lain-lain)

: Koleksi buku yang tersedia selalu up to date, seiring dengan perkembangan pendidikan di Indonesia

: Adanya akses angkutan umum dari setiap daerah kota Medan ke perpustakaan umum kota Medan

: Administrasi dalam peminjaman buku dinilai sangat praktis

: Merupakan perpustakaan yang menjadi pilihan utama masyarakat kota Medan

3.2 Populasi, Sampel dan Teknik Pengambilan Sampel

Populasi dalam penelitian ini adalah pengunjung perpustakaan umum kota Medan. Data total jumlah pengunjung perpustakaan umum kota Medan pada tahun 2009 (data per bulan) yang diperoleh adalah sebagai berikut ini :

Tabel 3.3 Daftar Jumlah Pengunjung Perpustakaan Umum Kota Medan

No Status Pendidikan/ Pekerjaan

Jumlah Pengunjung (jiwa)

1 Sekolah Dasar (SD) , Sekolah Menengah Pertama (SMP) , Sekolah

2 Mahasiswa 301 3 Pegawai Negeri Sipil

(PNS) 152

4 Masyarakat Umum 196

Total 1054

Sumber : www.pemkomedan.go.id

Jumlah sampel dalam penelitian ini adalah 100 responden. Cara pengambilan sampel dalam penelitian ini adalah dengan teknik sampling Convenience Sampling (Sampling Kemudahan), sampel diambil berdasarkan pada ketersediaan elemen dan kemudahan untuk mendapatkannya. Dengan kata lain sampel diambil/terpilih karena sampel tersebut ada pada tempat dan waktu yang tepat (Sugiarto, 2001). Karena jumlah pengunjung pada status pengunjung maka ditentukan jumlah sampel pada setiap pengunjung dengan cara komposisi proporsional.

Kuesioner penelitian disebarkan kepada 100 responden secara acak dengan jumlah yang proporsional untuk setiap pengunjung perpustakaan.

Berdasarkan perhitungan proporsi diperoleh jumlah sampel pada setiap jumlah pengunjung :

Tabel 3.4 Penyebaran Kuesioner

No Status Pendidikan/ Pekerjaan

Jumlah Pengunjung

(jiwa)

1 Sekolah Dasar (SD) , Sekolah Menengah

Menengah Atas (SMA)

2 Mahasiswa 29

3 Pegawai Negeri Sipil

(PNS) 14

4 Masyarakat Umum 19

Total 100

3.3 Karakteristik Analisis Faktor

Hasil pengolahan data melalui program SPSS 15.0 menunjukkan hasil uji KMO (Kaiser Meyer Olkin) sebesar ... dan hasil uji Bartlett atau biasa disebut sebagai Bartlett’s test of sphericity menunjukkan signifikansi 0,000. Artinya matriks korelasi antar variabel yang dijadikan masukan dalam perhitungan tidak menghasilkan matriks identitas.

Tabel 3.5 Pengukuran KMO dan Bartlett’s test of sphericity

Kaiser-Meyer-Olkin (KMO) 0,794 Bartlett’s test of sphericity sig.

Approximation Chi-square

Df

0,000 460,435

45 KMO and Bartlett's Test

Hasil pengolahan berikutnya adalah informasi tentang MSA (Measure of Sampling Adequacy). Nilai MSA kesepuluh variabel penelitian lebih besar dari 0,5. Hal ini menunjukkan bahwa semua variabel layak untuk dianalisis dan pengolahan data dapat dilanjutkan dengan analisis faktor.

Tabel 3.6 Pengukuran MSA

No. Variabel Penelitian Anti-image Correlation

1 0,795

2 0,747

3 0,799

4 0,661

5 0,897

6 0,715

7 0,848

8 0,726

9 0,886

10 0,780

Hasil ekstraksi faktor awal memberikan informasi bahwa terdapat 3 faktor dari 10 variabel yang dapat diolah dengan variansi kumulatif sebesar 73,458%. Korelasi antara variabel-variabel dan faktor (factor loading) hasil ekstraksi tersebut dapat dilihat pada tabel berikut.

Tabel 3.7 Factor Loading

Variabel Penelitian

Faktor

1 2 3 0,828 0,040 0,017 -0,690 0,756 -0,356

0,889 -0,052 0,054 0,043 0,615 0,662

0,807 0,036 0,018 0,104 0,836 -0,328 0,833 0,004 0,060 0,032 0,720 0,472 0,792 -0,087 -0,218

-0,042 0,823 -0,269

Dari Tabel 3.6 dapat dilihat bahwa ada 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 loading factor).

Tabel 3.8 Rotated Factor Loading

Variabel Penelitian

Faktor

1 2 3 0,827 0,022 0,057 -0,069 0,828 0,112 0,888 -0,076 0,039 0,021 0,154 0,891 0,806 0,018 0,055 0,102 0,879 0,184 0,831 -0,033 0,073 0,014 0,346 0,790 0,797 0,043 -0,211

-0,045 0,836 0,222

Factor loading hasil rotasi menunjukkan bahwa variabel-variabel berkorelasi

sebesar 0,827 (korelasi kuat) , sedangkan korelasi dengan faktor 2 dan 3 masing-masing sebesar 0,022 dan 0,057 (korelasi lemah).

Nilai eigenvalue dari faktor yang diekstraksi mencerminkan jumlah variansi yang dapat dijelaskan oleh suatu faktor. Pada tabel berikut ini adalah hasil

rekapitulasi faktor yang dihasilkan dengan metode analisis faktor yaitu terbagi menjadi 3 faktor.

Tabel 3.9 Rekapitulasi Faktor

Faktor

Eigen value Variansi (setelah dirotasi) Eigen

Value

% Variansi

% Variansi Kumulatif

% Variansi

% Variansi Kumulatif

1 3,466 34,660 34,660 34,660 34,660 2 2,857 28,572 63,232 28,572 63.232 3 1,023 10,226 73,458 10,226 73,458

3.4 Interpretasi Faktor 3.4.1 Faktor Pertama

Faktor pertama hasil rotasi faktor didukung oleh 5 variabel. Urutan variabel-variabel tersebut mulai dari nilai bobot paling besar sampai yang paling kecil adalah

dan Bobot masing-masing variabel pendukung faktor pertama tersebut sesuai dengan tabel berikut.

Tabel 3.10 Variabel yang Mendukung Faktor Pertama

No Variabel Pendukung

Nama Variabel Bobot Variabel

1 Memiliki peran penting dan sangat berpengaruh dalam pendidikan kota Medan

0,827

2

Koleksi buku-buku yang tersedia sudah lengkap

0,888

3

Mudah untuk mencari buku yang ingin dibaca dari susunan buku yang tersedia

0,806

4

Koleksi buku yang tersedia selalu up to date, seiring dengan perkembangan pendidikan di

Indonesia

0,831

5

Administrasi dalam peminjaman buku dinilai sangat praktis

0,797

Dari tabel di atas, variabel mempunyai bobot terbesar, yaitu sebesar 0, 888. Berdasarkan uraian tersebut dapat disimpulkan bahwa faktor pertama cukup layak diberi nama Faktor Kelengkapan Koleksi Buku Perpustakaan.

Faktor pertama ini adalah faktor yang paling kuat yang mendasari kunjungan masyarakat kota Medan ke Perpustakaan Umum Kota Medan dengan variansi sebesar 34,660% serta melibatkan 5 variabel. Pada awalnya telah diduga bahwa variabel-variabel tersebut saling berkorelasi yang dapat dilihat dari matriks korelasi antar variabel.

Untuk menguraikan faktor kelengkapan koleksi buku perpustakaan,

masyarakat sangat mengutamakan penilaian terhadap variabel yang dominan yaitu koleksi buku-buku yang tersedia

3.4.2 Faktor Kedua

Faktor kedua hasil rotasi didukung oleh 3 variabel. Urutan variabel-variabel tersebut mulai dari nilai bobot paling besar sampai yang paling kecil adalah

dan . Bobot masing-masing variabel pendukung faktor pertama tersebut

sesuai dengan tabel berikut.

Tabel 3.11 Variabel yang Mendukung Faktor Kedua

No Variabel Pendukung

Nama Variabel Bobot Variabel

1

Perpustakaan umum kota Medan sudah dikenal oleh seluruh masyarakat kota Medan

0,828

2

Fasilitas perpustakaan umum kota Medan sudah memadai (ruang baca, jaringan internet ,

dan lain-lain)

0,879

3

Merupakan perpustakaan yang menjadi pilihan utama masyarakat kota Medan

0,836

Dari tabel diatas, variabel mempunyai nilai bobot terbesar, yaitu sebesar 0,879. Berdasarkan uraian tersebut dapat disimpulkan bahwa faktor kedua dapat diberi nama Faktor Kelengkapan Fasilitas Perpustakaan

Faktor ini adalah faktor terkuat kedua yang mendasari kunjungan masyarakat kota Medan ke Perpustakaan Umum Kota Medan dengan variansi sebesar 23,107 % serta melibatkan 3 variabel. Variabel yang dominan pada faktor kedua ini adalah ...

3.4.3 Faktor Ketiga

Faktor ketiga hasil rotasi didukung oleh 2 variabel. Urutan variabel-variabel tersebut mulai dari nilai bobot paling besar sampai yang paling kecil adalah

dan . Bobot masing-masing variabel pendukung faktor ketiga tersebut sesuai dengan tabel berikut.

Tabel 3.12 Variabel yang Mendukung Faktor Ketiga

No Variabel Pendukung

Nama Variabel Bobot Variabel

1

Letak perpustakaan umum kota Medan strategis sehingga setiap masyarakat kota

Medan dapat menjangkaunya

0,891

2

Adanya akses angkutan umum dari setiap daerah kota Medan ke perpustakaan daerah

kota Medan

0,790

Dari tabel diatas, variabel mempunyai nilai bobot terbesar, yaitu sebesar 0,891. Berdasarkan uraian tersebut dapat disimpulkan bahwa faktor ketiga dapat diberi nama Faktor Letak Strategis Perpustakaan

Faktor ini faktor terkuat ketiga yang mendasari kunjungan dengan variansi sebesar 15,704 % serta melibatkan 2 variabel. Untuk menguraikan Faktor letak perpustakaan strategis, masyarakat kota Medan sangat mengutamakan penilaian terhadap variabel yang dominan yaitu Letak perpustakaan daerah kota Medan strategis sehingga setiap masyarakat kota Medan dapat menjangkaunya.

3.5 Persentase Sumbangan Variansi Faktor

Ketiga faktor hasil rotasi menyumbangkan variansi yang berbeda untuk masing-masing variabel. Sumbangan variansi faktor kepada masing-masing-masing-masing variabel dapat dijelaskan melalui nilai communality ketiga faktor. Tabel berikut akan menjelaskan nilai communality ketiga faktor tersebut.

Tabel 3.13 Communality Faktor

Variabel % Communality Faktor 1 % Communality Faktor 2 % Communality Faktor 3 % Communality Total 68,39 0,05 0,32 69,19 0,48 68,56 1,25 70,29 78,85 0,58 0,15 79,58 0,04 2,37 79,39 81,80 64,96 0,03 0,30 65,29 1,04 77,26 3,39 81,63 69,05 0,11 0,53 69,69 0,02 11,97 62,41 74,40 63,52 0,18 4,45 68,15

0,20 69,89 4,93 75,02

Dapat dilihat bahwa communality dari variabel dan pada faktor pertama jauh lebih besar bila dibandingkan dengan faktor kedua ataupun ketiga. Variabel dan memiliki communality yang besar terhadap faktor kedua. Begitu juga dengan variabel dan memiliki communality yang besar terhadap faktor ketiga. Hal ini menunjukkan bahwa setiap faktor memberikan sumbangan variansi yang lebih besar kepada variabel-variabel pembentuk faktor tersebut.

BAB 4

KESIMPULAN DAN SARAN

4.1 Kesimpulan

Pengolahan data dengan menggunakan analisis faktor pada penelitian ini adalah untuk mengetahui seberapa besar pengaruh dari faktor-faktor yang dipertimbangkan oleh masyarakat kota Medan mengunjungi Perpustakaan Umum Kota Medan. Berikut adalah kesimpulan yang dapat diambil dari penelitian yang telah dilakukan :

1. Dari hasil penelitian 100 responden dan 10 variabel penelitian dapat digambarkan kunjungan masyarakat sebesar 73,458 % dengan 3 (tiga) faktor hasil ekstraksi yang mempengaruhi kunjungan masyarakat kota Medan ke Perpustakaan Umum Kota Medan.

2. Ketiga faktor yang mempengaruhi kunjungan masyarakat kota Medan ke Perpustakaan Umum Kota Medan adalah fakta yang terjadi di lapangan tentang kunjungan masyarakat pada tahun-tahun sebelumnya. Ketiga faktor tersebut adalah sebagai berikut :

a. Faktor Kelengkapan Koleksi Buku Perpustakaan adalah faktor tertinggi pertama. Faktor ini dapat menggambarkan kunjungan masyarakat sebesar 34,660 %.

b. Faktor Kelengkapan Fasilitas Perpustakaan adalah faktor tertinggi kedua sebesar 23,107 %.

c. Faktor Letak Strategis Perpustakaan adalah faktor terakhir sebesar 15,704%

4.2 Saran

Saran yang dapat diberikan berdasarkan penelitian ini adalah sebagai berikut :

1. Faktor Kelengkapan Koleksi Buku Perpustakaan

Untuk meningkatkan kunjungan masyarakat di perpustakaan prioritaskan kelengkapan koleksi buku yang tersedia. Buku-buku yang tersedia juga haruslah sesuai dengan kebutuhan atau seiring dengan perkembangan zaman. Koleksi buku yang lengkap akan menambah daya tarik dari perpustakaan akan kunjungan masyarakat disekitarnya.

2. Faktor Kelengkapan Fasilitas Perpustakaan

Perpustakaan yang memiliki fasilitas yang memadai seperti ruangan baca yang nyaman dan bersih , susunan buku yang rapi sehingga mempermudah

pencarian buku oleh pengunjung dan fasilitas lainnya dapat menarik perhatian dari pengunjung yang akan mengunjungi perpustakaan tersebut. Pengunjung akan merasa senang jika ia dapat merasakan puas pada waktu membaca di perpustakaan dan tidak akan diragukan lagi jika dia akan kembali mengunjungi perpustakaan di hari-hari kemudian

3. Faktor Letak Strategis Perpustakaan

Pada faktor ini perlu diperhatikan juga publikasi yang bagus terhadap masyarakat kota Medan, dimana perpustakaan dapat dikenal oleh seluruh masyarakat kota Medan, dan juga fasilitas yang tersedia, sehingga meskipun masyarakat yang bertempat tinggal jauh dari letak perpustakaan akan datang mengunjungi perpustakaan tersebut karena telah mengunjungi dan merasa puas akan perpustakaan tersebut.karena tidak dapat dipungkiri di kota Medan yang terbilang lumayan luas, tidak semua masyarakat kota Medan pada umumnya dapat menjangkau letak dari Perpustakaan Umum Kota Medan.

BAB 2

LANDASAN TEORI

2.1 Sejarah Singkat Perpustakaan

Perkembangan perpustakaan tidak dapat dipisahkan di sejarah manusia karena perpustakaan merupakan produk manusia. Dalam sejarahnya, manusia mula-mula tidak menetap sebagai mengembara dari satu tempat ke tempat yang lain. Kehidupan seperti ini sering disebut kehidupan nomaden. Manusia mencari makan dari alam sekitarnya, sedangkan untuk keperluan ternaknya ia mencari sumber air serta rumput. Manusia mulai berusaha menggarap lahan yang ada disekitarnya, untuk keperluan daging manusia memburu binatang yang ada disekitarnya. Kehidupan berburu ini tidak beranjak jauh dari kehidupan nomaden. Dalam pengembarannya serta dari kehidupan bertaninya, manusia memperoleh pengalaman bahwa bila dia member tanda pada sebuah batu, pohon, papan, lempengan serta benda lainnya, ternyata manusia dapat menyampaikan berita ke manusia lainnya. Pesan ini dipahatkan pada batu atau pohon atau benda lainnya. Selama itu manusia berhubungan dengan manusia lain melalui bahasa lisan maupun bahasa isyarat. Setelah menggunakan berbagai tanda yang dipahatkan pada pohon ataupun batu ataupun benda lainnya, manusia mulai berkomunikasi dengan kelompok lain melalui bahasa tulisan.

Adanya tulisan tersebut dapat membantu daya ingat manusia daya ingat

Pesan dalam berbagai pahatan itu dapat diteruskan ke generasi berikutnya. Bila kegiatan memberi tanda pada berbagai benda itu dilakukan dari satu generasi ke generasi yang berikutnya maupun dari suku satu ke suku lainnya maka banyak dugaan bahwa perpustakaan dalam bentuknya yang sangat sederhana sudah mulai dikenal ketika manusia mulai melakukan kegiatan penulisan pada berbagai benda. Benda itu dapat diteruskan dari satu generasi ke generasi berikutnya ataupun dapat dibaca oleh suku lain.

Berdasarkan bukti arkeologis diketahui bahwa perpustakaan pada awal mulanya tidak lain berupa kumpulan catatan transaksi niaga. Dengan kata lain, perpustakaan purba tidak lain merupakan sebuah kemudahan untuk menyimpan catatan niaga. Karena kegiatan perpustakaan purba tidak lain menyimpan kegiatan niaga maka ada kemungkinan bahwa perpustakaan dan arsip semula bersumber pada kegiatan yang sama untuk kemudian terpisah.

Dari kegiatan itu, ternyata bahwa sejak semula salah satu kegiatan perpustakaan ialah menyimpan produk tulisan masyarakat sekaligus juga perpustakaan merupakan produk masyarakat karena tak ada perpustakaan tanpa ada masyarakat.

2.2 Perpustakaan Umum Kota Medan

Penduduk atau warga suatu Negara bisa didefinisikan sebagai orang yang secara hukum berhak tinggal di daerah tersebut (Wikipedia). Penduduk adalah setiap warga Negara yang tinggal di daerah dalam waktu enam bulan atau lebih, tetapi ada keinginan untuk menetap (Badan Pusat Statistika). Sementara menurut Kamus Besar

Bahasa Indonesia, Penduduk adalah orang yang tinggal di suatu Negara dengan hak-hak dan kewajiban tertentu yang telah diatur dalam Undang-Undang (UU).

Berdasarkan Sensus Penduduk Indonesia tahun 2010, penduduk kota Medan berjumlah 2.097.610 jiwa. Penduduk Medan terdiri atas 1.036.926 laki-laki dan 1.060.684 perempuan. Di siang hari, jumlah ini bisa meningkat sebesar 2,5 juta jiwa dengan dihitungnya jumlah penglaju (komuter). Diperkirakan bahwa kepadatan penduduk kota Medan mencapai 8.001 jiwa/km2. Sebagian besar penduduk Medan berasal dari kelompok umur 0-19 dan 20-39 tahun (masing-masing 41% dan 37,8% dari total penduduk).

Dilihat dari struktur umur penduduk, Medan dihuni lebih kurang 1.377.751 jiwa berusia produktif, (15-59 tahun). Selanjutnya dilihat dari tingkat pendidikan, rata-rata lama sekolah penduduk telah mencapai 10,5 tahun. Dengan demikian, secara relatif tersedia tenaga kerja yang cukup, yang dapat bekerja pada berbagai jenis perusahaan, baik jasa, perdagangan, maupun industri manufaktur.

2.3 Populasi dan Sampel Penelitian

Populasi adalah sekelompok orang, kejadian, atau benda yang merupakan kumpulan lengkap dari elemen-elemen sejenis akan tetapi dapat dibedakan berdasarkan karakteristiknya, yang dijadikan obyek penelitian (Supranto, 2004). Populasi sering juga disebut Universe. Populasi yang tidak diketahui dengan pasti jumlahnya disebut Populasi Infinit atau tak terbatas. Misalnya penduduk suatu negara adalah populasi yang infinit karena setiap waktu terus berubah jumlahnya. Apabila penduduk tersebut dibatasi dalam waktu dan tempat, maka populasi yang infinit bisa berubah menjadi populasi yang finit. Umumnya populasi yang infinit hanyalah teori saja, sedangkan

kenyataan dalam prakteknya, semua benda hidup dianggap populasi yang finit. Populasi yang jumlahnya diketahui dengan pasti (populasi yang dapat diberi nomor identifikasi), misalnya murid sekolah, jumlah karyawan tetap pabrik, dll disebut Populasi Finit.

Sampel adalah bagian dari populasi yang menjadi obyek penelitian (Supranto, 2004). Teknik sampling secara statistik dapat didefinisikan sebagai suatu teknik untuk menentukan jumlah sampel dan pemilihan calon anggota sampel, sehingga setiap sampel terpilih dalam penelitian dapat mewakili populasinya.

2.4 Data

Data merupakan komponen utama dalam statistika. Data adalah bahan baku yang jika diolah melalui berbagai analisis dapat melahirkan informasi, dimana dengan informasi tersebut dapat diambil suatu keputusan.

2.4.1 Data Menurut Sifatnya

Menurut sifatnya data terbagi atas dua bagian, yaitu: a. Data kualitatif

Data kualitatif adalah data yang sifatnya hanya menggolongkan saja dan yang kemungkinannya tidak dinyatakan dalam angka-angka. Yang termasuk dalam klasifikasi data kulitatif adalah data yang berskala ukur nominal dan ordinal. Sebagai contoh adalah motivasi karyawan (bagus, sedang, jelek).

Data kuantitatif adalah data yang berbentuk angka. Yang termasuk dalam klasifikasi data kuantitatif adalah data yang berskala ukur interval dan rasio. Sebagai contoh data kuantitatif adalah data hasil pengukuran tinggi badan mahasiswa Matematika FMIPA USU. Data tersebut berupa angka seperti : 170 cm, 168.5 cm, 163 cm, 177 cm dan sebagainya.

2.4.2 Data Menurut Sumbernya

Menurut sumbernya data terbagi atas dua bagian : a. Data internal

Data internal adalah data yang didapat dari dalam perusahaan atau organisasi dimana riset dilakukan. Sebagai contoh adalah catatan-catatan akuntansi, catatan-catatan produksi, catatan-catatan inventaris, catatan-catatan penjualan dan lain-lain.

b. Data eksternal

Data eksternal adalah data yang menggambarkan keadaan diluar perusahaan atau organisasi. Data eksternal terbagi atas dua bagian, yaitu :

1. Data primer

Data primer adalah data yang secara langsung dikumpulkan oleh orang yang berkepentingan atau yang memakai data tersebut. Data ini diperoleh dari hasil wawancara atau kuesioner. Dalam metode pengumpulan data primer, peneliti/observer melakukan sendiri obeservasi di lapangan maupun di laboratorium. Pelaksanaanya dapat berupa survei atau percobaan (eksperimen).

2. Data sekunder

Data sekunder adalah data primer yang diperoleh dari pihak lain atau data primer yang telah diolah lebih lanjut dan disajikan. Data sekunder pada umumnya

digunakan oleh peneliti untuk memberikan gambaran tambahan, gambaran pelengkap atau diproses lebih lanjut. Data sekunder di dapat dari hasil penelitian dari beberapa sumber seperti Badan Pusat Statistika, Mass Media, Lembaga pemerintah atau swasta dan sebagainya.

2.4.3 Data Menurut Jenisnya

Menurut jenisnya data terdiri dari dua bagian, yaitu :

a. Data kontiniu

Data kontiniu adalah data yang diperolah dari hasil pengukuran. b. Data diskrit

Data diskrit adalah data yang diperoleh dari hasil perhitungan

2.5 Teknik Pengukuran dan Skala

Pada dasarnya, proses pengukuran adalah merupakan rangkaian dari empat aktivitas pokok, yaitu (Singarimbun dan Effendi, 1985) :

1. Menentukan dimensi variabel penelitian

2. Merumuskan ukuran untuk masing-masing dimensi

3. Menentukan tingkat ukuran yang akan digunakan dalam pengukuran 4. Menguji validitas dan realibilitas alat ukur

Pada teknik penskalaan, banyak sekali jenis skala pengukuran yang telah dikembangkan, terutama dalam ilmu-ilmu sosial. Namun dalam penelitian ini skala pengukuran yang digunakan adalah skala Likert. Skala ini dikembangkan oleh Rensis

Likert (1932) untuk mengukur sikap masyarakat dan skalanya terkenal dengan nama

technique of summated rating atau skala Likert. Banyak faktor yang menyebabkan

skala Likert banyak digunakan sebagai berikut : 1. Skala ini relatif mudah dibuat

2. Adanya kebebasan dalam memasukkan item-item pernyataan asal masih relevan dengan masalah

3. Jawaban atas item dapat berupa beberapa alternaitf, sehigga dapat memberikan informasi yang lebih jelas dan nyata terhadap item tersebut

4. Dengan jumlah item yang cukup besar, tingkat reliabilitas yang tinggi dapat dicapai

5. Mudah untuk diterapkan pada berbagai situasi

2.5.1 Metode Pengambilan Sampel

Pada dasarnya ada dua macam metode pengambilan sampel, yaitu pengambilan secara acak (Probability Sampling) dan secara tidak acak (non Probability Sampling)

(Singarimbun dan Effendi, 1985).

Pengambilan sampel secara acak (Probability Sampling), terdiri dari :

1. Simple Random Sampling, pengambilan random sederhana yaitu prosedur

seleksi unit populasi dimana setiap satuan elementer dari populasi mempunyai kesempatan yang sama untuk dipilih sebagai sampel. Terpilihnya responden secara kebetulan (acak).

2. Sequential Sampling, pengambilan random sistematis metode ini

mengambil elemen pertama dalam sampel secara random, random berikutnya ditentukan secara sistematis dengan menggunakan interval sebesar k yang ditentukan dari total populasi dibagi isi sampel.

3. Proportionate Stratified Random Sampling, teknik ini digunakan apabila

populasi mempunyai anggota/unsur yang tidak homogen dan berstrata secara proporsional.

4. Disproportionate Stratified Random Sampling, teknik ini digunakan untuk

menentukan jumlah sampel, bila populasi berstrata tapi kurang atau tidak proporsional.

5. Cluster Sampling, area sampel teknik ini digunakan untuk menentukan

data bila objek yang akan diteliti atau sumber data sangat luas sehingga perlu dilakukan pengelompokan unit populasi berdasarkan karakteristik tertentu dan kemudian sampel diambil secar acak dari sub populasi.

6. Pengambilan acak gugus bertahap, metode ini menggolongkan pupolasi dalam gugus bertingkat.

7. Pengambilan acak wilayah, metode ini membagi wilayah atas segmen-segmen penelitian.

Dalam penelitian ini digunakan Proportionate Stratified Random Sampling yaitu responden terpilih secara kebetulan dengan peneliti dan dianggap cocok sebagai sumber data.

Beberapa alasan menggunakan Proportionate Stratified Random Sampling adalah (Supranto J, 1992) :

1. Setiap strata homogin atau relatif homogin, sehingga sampel acak yang diambil dari setiap strata akan memberikan perkiraan yang dapat mewakili strata yang bersangkutan. Perkiraan gabungan yang diperoleh berdasarkan perkiraan dari setiap strata akan memberikan perkiraan menyeluruh yang mewakili populasi.

2. Biaya untuk pelaksanaan Proportionate Stratified Random Sampling lebih murah daripada Simple Random Sampling karena alasan administrasi.

3. Perkiraan bisa dibuat untuk setiap strata yang dapat dianggap sebagai populasi yang berdiri sendiri dan mungkin bisa dilakukan oleh seoran peneliti saja.

Alokasi proporsional dalam Proportionate Stratified Random Sampling ditentukan menggunakan rumus :

∑

Keterangan :

= banyaknya elemen sampel dari strata ke-i = banyaknya elemen strata ke-i

= banyaknya strata

2.5.2 Uji Validitas dan Uji Reliabilitas

1. Validitas

Secara umum adalah mengukur apa yang seharunya diukur. Validitas berasal dari kata validity yang mempunyai arti sejauh mana ketepatan dan kecermatan suatu instrumen pengukur dalam melakukan fungsi ukurnya. (Azwar, 1996)

Validitas dibagi atas tiga bagian, yaitu : a. Validitas Isi

Validitas isi menunjukkan sejauh mana item-item dalam tes dapat mencakup keseluruhan kawasan isi yang akan diukur oleh tes tersebut. Untuk

mengetahui validitas isi dapat dilakukan dengan melihat apakah item-item dalam tes telah ditulis sesuai dengan blue print. Artinya apakah sesuai dengan batasan domain ukur yang telah ditetapkan dan sesuai ukuran dengan indikator perilaku yang akan diungkapkan.

b. Validitas Konstruk

Validitas konstruk adalah validitas yang menunjukkan sejauh mana suatu tes mengukur traid atau konstruk teoritis yang akan diukur. Pengujian validitas konstruk dapat dilakukan dengan analisis statistika seperti analisis faktor.

c. Validitas berdasarkan Kriteria

Validitas berdasar kriteria adalah validitas yang menunjukkan sejauh mana suatu tes dapat mengukur sebuah pendapat yang berasal dari dua kelompok responden yang berbeda.

Suatu item dikatakan valid apabila nilai koefisiennya (pada output SPSS, dapat dilihat pada kolom corrected Item-Total Correlation) 0,300. (Azwar, 1996). Corrected Item-Total Correlation adalah korelasi antara suatu variabel dengan total tanpa memasukkan nilai variabel tersebut.

2. Reliabilitas

Reliabilitas diterjemahkan dari kata reliability. Pengukuran yang memiliki reliabilitas tinggi maksudnya adalah pengukuran yang dapat menghasilkan data yang reliabel. Tinggi rendahnya reliabilitas, secara empirik ditunjukkan oleh suatu angka yang disebut nilai koefisien reliabilitas. Reliabilitas yang dianggap sudah cukup memuaskan jika nilai Alpha Cronbach 0,700. (Azwar, 1996)

Nilai Alpha Cronbach diperoleh dengan menggunakan rumus sebagai berikut :

( ₎ ∑

Keterangan:

= nilai (koefisien) Alpha Cronbach = banyaknya variabel penelitian

∑ = jumlah varians variabel penelitian = varians total

2.6 Analisis Faktor

2.6.1 Pengertian Analisis Faktor

Analisis faktor adalah sebuah analisis yang mensyaratkan adanya keterkaitan

antar variabel. Pada prinsipnya analisis faktor menyederhanakan hubungan yang beragam dan kompleks pada variabel yang diamati dengan menyatukan faktor atau dimensi yang saling berhubungan atau mempunyai korelasi pada suatu struktur data yang baru yang mempunyai set faktor lebih kecil. Data-data yang dimasukkan pada umumnya data metrik dan terdiri dari variabel-variabel dengan jumlah yang besar. Ada tiga fungsi utama analisis faktor, yaitu :

1. Mereduksi banyaknya variabel penelitian dengan tetap mempertahankan sebanyak mungkin informasi data awal. Banyaknya variabel awal dapat dikurangi menjadi beberapa variabel yang jumlahnya lebih sedikit dengan tetap mempertahankan sebagian besar variasi data.

2. Mencari perbedaan kualitatif dan kuantitatif dalam data, dalam situasi dimana terdapat jumlah data yang sangat besar.

3. Data digunakan pula untuk menguji hipotesis tentang perbedaan kualitatif dan kuantitatif dalam data penelitian.

Adapun kelebihan dari metode analisis faktor adalah :

1. Dapat mengungkapkan karakteristik dominan yang dimiliki unit data operasi. 2. Dapat menganalisis sejumlah variabel awal penelitian dan menganalisis

korelasi antar variabel awal tersebut.

3. Dapat menggabungkan atau mengagresikan sejumlah variabel awal yang diteliti menjadi sejumlah variabel laten yang lebih sedikit.

Asumsi dasar dalam menggunakan analisis faktor adalah :

1. Tingginya korelasi antar variabel

Korelasi antar variabel yang kuat dapat diindikasikan oleh nilai determinan matriks korelasi yang mendekati nol. Nilai determinan dari matriks korelasi yang elemen-elemennya menyerupai matriks identitas akan memiliki nilai determinan sama dengan satu. Hal ini dapat diuji dengan Bartlett’s test of sphericity.

2. Indeks perbandingan antara koefisien korelasi dengan korelasi parsial secara keseluruhan adalah kecil.

Jika jumlah kuadrat koefisien korelasi parsial untuk seluruh pasangan variabel tidak banyak berbeda, maka ini menunjukkan perbandingan antara koefisien korelasi dengan korelasi parsialnya secara keseluruhan adalah kecil. Perbandingan ini dapat diidentifikasi berdasarkan nilai Kaiser-Meyer-Olkin.

3. Indeks perbandingan antara koefisien korelasi dengan korelasi parsial untuk setiap variabel adalah kecil.

Analisis faktor dapat dilanjutkan, jika nilai measure of sampling adequacy (MSA) berkisar antara 0,5 – 1,0. Apabila ada beberapa variabel memiliki nilai MSA kurang dari 0,5 maka variabel tersebut harus dikeluarkan satu persatu secara bertahap.

2.6.2 Model Analisis Faktor

Secara matematis, analisis faktor agak mirip dengan analisis regresi, yaitu dalam hal bentuk fungsi linier. Jumlah varians yang dikontribusi dari sebuah variabel dengan seluruh variabel lainnya lebih dikelompokkan sebagai komunalitas. Kovarians diantara variabel dijelaskan terbatas dalam sejumlah kecil komponen ditambah sebuah faktor unik untuk setiap variabel. Faktor-faktor tersebut tidak secara eksplisit diamati.

Jika variabel distandarisasi, maka model analisis faktor dapat ditulis sebagai berikut :

dimana :

Bij = Koefisien regresi yang dibakukan untuk variabel i pada komponen faktor j.

Fj = Komponen faktor ke j.

Vi = Koefisien regresi yang dibakukan untuk variabel ke i pada faktor yang unik ke i.

µi = Faktor unik variabel ke i.

m = Banyaknya komponen faktor.

Faktor yang unik tidak berkorelasi dengan sesama faktor yang unik dan juga tidak berkorelasi dengan komponen faktor. Komponen faktor sendiri bisa dinyatakan sebagai kombinasi linier dari variabel-variabel yang terlihat/terobservasi hasil penelitian lapangan.

Dimana :

Fi = Perkiraan faktor ke i (didasarkan pada nilai variabel X dengan koefisiennya

Wi ).

Wi = Koefisien nilai faktor ke i. k = banyaknya variabel

2.6.3 Statistik yang Berkaitan dengan Analisis Faktor

Statistik yang berkaitan dengan analisis faktor adalah :

1. Barlett’s test of sphericity

Barlett’s test of sphericity adalah uji statistik yang digunakan untuk menguji hipotesis

yang menyatakan bahwa variabel-variabel tersebut tidak berkorelasi dalam populasinya. Dengan kata lain, matriks korelasi populasi adalah sebuah matriks

identitas, dimana setiap variabel berkorelasi dengan variabel itu sendiri (r = 1), tetapi tidak berkorelasi dengan variabel lainnya (r = 0).

Statistik uji bartlett adalah sebagai berikut :

[ ] | |

dengan derajat kebebasan(degree of freedom) df Keterangan :

= jumlah observasi = jumlah variabel

| | = determinan matriks korelasi

2. Correlation matrix (Matriks Korelasi)

Matriks korelasi adalah matriks yang menunjukkan korelasi sederhana (r) antara seluruh kemungkinan pasangan variabel yang dilibatkan dalam analisis. Nilai atau angka pada diagonal utama semuanya sama yaitu 1. Jadi kalau ada 3 atau 4 variabel, bentuk matriks korelasi menjadi :

n = 3 → [

n = 4 →

[

]

3. Communality (Komunalitas)

Komunalitas adalah jumlah varian yang dikontribusi dari sebuah variabel dengan seluruh variabel lainnya dalam analisis. Ini juga merupakan proporsi dari varians yang diterangkan oleh komponen faktor.

dengan

= communality variabel ke-i

= nilai factor loading

4. Eigenvalue (Nilai Eigen)

Nilai eigen merupakan jumlah varians yang dijelaskan oleh setiap faktor-faktor yang mempunyai nilai eigenvalue > 1, maka faktor tersebut akan dimasukkan ke dalam model.

5. Factor loadings (Faktor Muatan)

Faktor muatan adalah korelasi sederhana antara variabel dengan faktor.

6. Factor loading plot (Plot Faktor Muatan)

Plot faktor muatan adalah suatu plot dari variabel asli dengan menggunakan factor

7. Factor matrix (Faktor Matriks)

Matriks faktor mengandung factor loading dari seluruh variabel dalam seluruh faktor yang dikembangkan.

8. Kaiser - Meyer - Olkin (KMO) measure of sampling adequency

Kaiser – Meyer – Olkin (KMO) merupakan suatu indeks yang digunakan untuk menguji ketepatan analisis faktor. Nilai yang tinggi (antara 0,5 – 1,0) mengidentifikasi analisis faktor tepat. Apabila dibawah 0,5 menunjukkan bahwa analisis faktor tidak tepat untuk diaplikasikan.

_{∑ ∑} ∑ ∑

∑ ∑

Keterangan :

= koefisien korelasi sederhana antara variabel ke- dan = koefisien korelasi parsial antara variabel ke- dan

ke-Measure of Sampling Adequacy (MSA) yaitu suatu indeks perbandingan antara

koefisien korelasi parsial untuk setiap variabel. MSA digunakan untuk mengukur kecukupan sampel.

_∑ ∑

∑

9. Percentage of variance (Persentase Varians)

Persentase varians adalah persentase total varians yang disumbangkan oleh setiap faktor.

10. Residuals

Residuals adalah selisih antara korelasi yang terobservasi berdasarkan input correlation matrix dan korelasi hasil reproduksi yang diestimasi dari matriks faktor.

11. Scree plot

Scree plot adalah sebuah plot dari eigenvalue untuk menentukan banyaknya faktor.

2.6.4 Langkah-Langkah Analisis Faktor

Langkah-langkah dalam analisis faktor adalah sebagai berikut : 1. Merumuskan masalah

2. Membentuk matriks korelasi 3. Menentukan metode analisis faktor 4. Menentukan banyaknya faktor 5. Melakukan rotasi terhadap faktor

6. Membuat intrepretasi hasil rotasi terhadap faktor

Secara skematis langkah-langkah dalam analisis faktor dapat digambarkan sebagai berikut :

Merumuskan masalah

Membentuk matriks korelasi

Menghitung nilai karakteristik (eigen value)

Menghitung vektor karakteristik (eigen vector)

Menghitung matriks factor loading

Melakukan rotasi faktor

Interpretasi faktor

Gambar 2.1 Langkah-langkah dalam analisis faktor

1. Merumuskan Masalah

Merumuskan masalah meliputi beberapa kegiatan. Pertama, tujuan analisis faktor harus diidentifikasi. Variabel yang akan digunakan dalam analisis faktor harus dispesifikasi berdasarkan penelitian sebelumnya, teori dan pertimbangan subjektif dari peneliti. Pengukuran variabel berdasarkan skala interval dan rasio. Besarnya sampel harus tepat, sebagai petunjuk umum besarnya sampel paling sedikit empat atau lima kali banyaknya variabel.

2. Membentuk Matriks Korelasi

Proses analisis didasarkan pada suatu matriks korelasi antar variabel. Agar analisis faktor menjadi tepat, variabel-variabel yang dikumpulkan harus berkorelasi. Dilakukan perhitungan matriks korelasi . Matriks korelasi digunakan sebagai input analisis faktor.

Korelasi antar Variabel

3. Menghitung nilai karakteristik (eigen value)

Perhitungan nilai karakteristik (eigen value) , dimana perhitungan ini berdasarkan persamaan karakteristik :

dengan

= matriks korelasi = matriks identitas

= eigen value

Eigen value adalah jumlah varian yang dijelaskan oleh setiap faktor.

4. Menghitung vektor karakteristik (eigen vector)

Penentuan vektor karakteristik (eigen vector) yang bersesuaian dengan nilai karakteristik (eigen value), yaitu dengan persamaan :

dengan

= eigen vector

5. Menentukan Banyaknya Faktor

Ada beberapa prosedur yang dapat dipergunakan dalam menentukan banyaknya faktor yaitu, penetuan secara a priori, penetuan berdasarkan pada eigenvalue, penentuan berdasarkan Scree plot, penetuan berdasarkan persentase varians, penentuan berdasarkan Split-Half Reliability, dan penentuan berdasarkan uji signifikan.

Kadang-kadang karena adanya dasar teori atau pengalaman sebelumnya, peneliti sudah dapat menentukan banyaknya faktor yang akan diekstraksi. Hampir sebagaian besar program komputer memungkinkan peneliti untuk menentukan banyaknya faktor yang diinginkan dengan pendekatan ini.

b. Penentuan Berdasarkan Eigenvalue

Pada pendekatan ini, hanya faktor dengan eigenvalue lebih besar dari satu yang dipertahankan. Eigenvalue merepresentasikan besarnya sumbangan dari faktor terhadap varians seluruh variabel aslinya. Hanya faktor dengan varians lebih besar dari satu yang dimasukkan dalam model. Faktor dengan varians lebih kecil dari satu tidak lebih dari variabel asli, sebab variabel yang dibakukan (distandarisasi) yang berarti rata-ratanya nol dan variansinya satu.

c. Penentuan Berdasarkan Sree Plot

Sree Plot merupakan plot dari nilai eigenvalue terhadap banyaknya faktor dalam

ekstraksinya. Bentuk plot yang dihasilkan, digunakan untuk menentukan banyaknya faktor. Biasanya plot akan berbeda antara slope tegak faktor, dengan eigenvalue yang besar dan makin kecil pada sisa faktor yang tidak perlu diekstraksi.

d. Penetuan Berdasarkan Persentase Varians

Dalam pendekatan ini, banyaknya faktor yang diekstraksi ditentukan berdasarkan persentasi kumulatif varians mencapai tingkat yang memuaskan peneliti. Tingkat persentase kumulatif yang memuaskan peneliti tergantung kepada permasalahannya. Sebagai petunjuk umum bahwa ekstraksi faktor dihentikan kalau kumulatif persentase varians sudah mencapai paling sedikit 60% atau 75% dari seluruh varians variabel asli.

e. Penentuan Split-Half Reliability

Sampel dibagi menjadi dua, dan analisi faktor diaplikasikan kepada masing-masing bagian. Hanya faktor yang memiliki faktor loading tinggi antar dua bagian itu yang akan dipertahankan.

f. Penentuan Berdasarkan Uji Signifikan

Dimungkinkan untuk menentukan signifikansi statistik untuk eigenvalue yana terpisah dan mempertahankan faktor-faktor yang berdasarkan uji statistik eigenvaluenya signifikan pada α = 5% atau α = 1%. Penentuan banyaknya faktor dengan cara ini memiliki kelemahan, khususnya pada ukuran sampel yang besar misalnya diatas 200 responden, banyak faktor yang menunjukkan uji signifikan, walaupun dari pandangan praktis banyak faktor yang mempunyai sumbangan terhadap seluruh varians hanya kecil.

6. Menghitung matriks faktor loading

Matriks loading factor ( ) diperoleh dengan mengalikan matriks eigen vector ( ) dengan akar dari matriks eigen value (L). Atau dalam persamaan matematis ditulis

√ .

7. Melakukan Rotasi Faktor

Sebuah output penting dari analisis faktor adalah matriks faktor atau disebut juga sebagai matriks faktor pola. Matriks faktor mengandung koefisien yang digunakan untuk mengekspresikan variabel yang dibakukan (distandarisasi) dinyatakan dalam faktor. Koefisien-koefisien tersebut, atau faktor loadings, merupakan korelasi antara faktor dengan variabelnya. Sebuah koefisien dengan nilai absolut yang besar mengindikasikan bahwa faktor dan variabel berkorelasi kuat. Koefisien tersebut bisa digunakan untuk menginterpretasi faktor.

Walaupun matriks faktor awal atau unrotated factor matrix mengindikasikan hubungan antara faktor dengan variabel individu tertentu, akan tetapi masih sulit diambil kesimpulannya tentang banyaknya faktor yang bisa diekstraksi, hal ini disebabkan karena faktor berkorelasi dengan banyaknya variabel atau sebaliknya variabel tertentu masih masih banyak berkorelasi dengan banyak faktor.

Dalam merotasi faktor, diharapkan setiap faktor memiliki loading faktor atau koefisien yang tidak nol, atau signifikan hanya untuk beberapa variabel. Atau, diharapkan setiap variabel memiliki faktor loadings signifikan hanya dengan sedikit faktor, atau kalau mungkin dengan sebuah faktor. Rotasi tidak berpengaruh terhadap komunalitas dan persentase total varians yang dijelaskan. Namun demikian, rotasi berpengaruh terhadap persentase varians dari setiap faktor. Beberapa metode rotasi yang bisa digunakan adalah orthogonal rotation,

varimax rotation, dan oblique rotation.

Orthogonal rotation adalah kalau sumbu dipertahankan tegak lurus sesamanya

(bersudut 90 derajat). Yang paling banyak digunakan adalah varimax rotation, yaitu rotasi ortogonal dengan meminimumkan banyaknya variabel yang memiliki loadings tinggi pada sebuah faktor, sehingga lebih mudah menginterpretasi faktor. Rotasi ortogonal menghasilkan faktor-faktor yang tidak berkorelasi. Oblique

rotation adalah jika sumbu-sumbu tidak dipertahankan harus tegak lurus

sesamanya (bersudut 90 derajat) dan faktor-faktor berkorelasi. Kadang-kadang, mentoleransi korelasi antar faktor-faktor bisa menyederhanakan matriks pola faktor. Oblique rotation harus dipergunakan kalau faktor dalam populasi berkorelasi sangat kuat.

8. Interpretasi Faktor

Interpretasi dipermudah dengan mengidentifikasi variabel yang loadingnya besar pada faktor yang sama. Faktor tersebut kemudian dapat diinterpretasikan menurut

variabel-variabel yang memiliki loading tinggi dengan faktor tersebut. Cara lain yang bisa digunakan adalah melalui pivot variabel dengan faktor loading sebagai koordinat. Variabel yang berada pada akhir sebuah sumbu adalah variabel yang memiliki loadings tinggi hanya pada faktor yang bersangkutan, sehingga bisa digunakan untuk mengiterpretasi faktor. Variabel yang berada di dekat titik origin memiliki loading yang rendah terhadap kedua faktor. Variabel yang tidak berada di dekat sumbu mengindikasi bahwa variabel tersebut berkorelasi dengan kedua faktor. Jika sebuah faktor tidak bisa secara jelas didefinisikan dalam batas variabel awalnya, maka disebut faktor umum.

BAB 1

PENDAHULUAN

1.1Latar Belakang

Dalam bahasa Indonesia istilah “perpustakaan” dibentuk dari kata dasar pustaka

ditambah awalan “per” dan akhiran “an”. Menurut Kamus Umum Bahasa Indonesia perpustakaan diartikan sebagai “kumpulan buku-buku (bahan bacaan)”. Dalam bahasa

inggris disebut “library” yang berarti perpustakaan.

Menurut IFIA (International Federation of Library Associations and Institutions) perpustakaan merupakaan kumpulan bahan tercetak dan non tercetak atau sumber informasi dalam computer yang tersusun secara sistematis untuk kepentingan pemakai. Menurut Sutarno (2003;7), perpustakaan adalah suatu ruangan, bagian dari gedung/bangunan, atau gedung itu sendiri, yang berisi buku-buku koleksi, yang disusun dan diatur sedemikian rupa sehingga mudah dicari dan dipergunakan apabila sewaktu=waktu diperlukan untuk pembaca.

Perpustakaan merupakan wadah yang dibutuhkan oleh masyarakat pada umumnya, terkhusus bagi para pelajar mulai dari TK, SD, SMP, SMA, mahasiswa maupun bagi Pegawai Negeri Sipil. Dengan adanya perpustakaan ini, aktivitas proses belajar mengajar bagi para pelajar dapat berjalan lancer, begitu juga halnya bagi Pegawai Negeri Sipil, mereka dapat memperluas cakrawala pengetahuannya dalam

kegiatan yang dijalaninya. Perpustakaan Umum Kota Medan adalah salah satu perpustakaan yang ada di kota Medan. Dari data yang diperoleh jumlah pengunjung perpustakaan tersebut sejak bulan Februari 2009 berkisar 1054 orang dengan rincian masyarakat umum 196 orang, PNS 152 orang, mahasiswa 301 orang dan pelajar SD/SMP/SMA 405 orang (DATA DARI PEMKO MEDAN). Jika dibandingkan oleh data statistika penduduk kota Medan, masyarakat kota Medan pada tahun 2010 berkisar 2.097.610 jiwa dan masyarakat aktif dengan rincian SD 272.115 orang, SMP 115.882 orang, SMA 71.931 orang, mahasiswa 62.026 orang, dan PNS berkisar 12.000 orang (Sumut; bps.go.id) maka dapat disimpulkan bahwa pengunjung Perpustakaan sangatlah rendah. Hal ini diperkirakan oleh karena adanya beberapa faktor antara lain buku-buku yang tersedia masih jauh dari harapan, letak perpustakaan yang mungkin kurang mampu dijangkau atau dengan kata lain jauh dari rumah masyarakat tertentu, adanya perpustakaan-perpustakaan yang lebih dekat dan lebih memberikan fasilitas yang lebih baik, dan lain sebagainya. Dengan demikian dapat dikatakan perpustakaan yang layak sebaiknya dilengkapi dengan koleksi-koleksi yang memadai, tenaga pengelola yang professional, dan lain sebagainya.

Adanya faktor-faktor atau dapat disebut variabel yang terdapat pada masalah di atas akan dianalisis menggunakan analisis faktor untuk menyelidiki faktor-faktor yang mempengaruhi kunjungan masyarakat kota Medan ke Perpustakaan Umum Kota Medan. Untuk itu variabel-variabel tersebut perlu direduksi untuk memperoleh beberapa faktor yang dapat menggambarkan keragaman variabel tersebut. Penelitian ini menggunakan Analisis Faktor untuk mengetahui apa saja faktor-faktor yang dominan yang dapat mempengaruhi mempengaruhi kunjungan masyarakat kota Medan ke Perpustakaan Umum Kota Medan. Analisis Faktor dipilih karena Analisis

Faktor merupakan suatu kelas prosedur yang digunakan untuk mereduksi/meringkas data dari variabel banyak diubah menjadi sedikit variabel.

Berdasarkan uraian di atas, penulis ingin melakukan penelitian tentang faktor-faktor yang mempengaruhi kunjungan masyarakat kota Medan ke Perpustakaan Umum Kota Medan

1.2 Perumusan Masalah

Perumusan masalah yang akan diteliti dalam tulisan ini adalah faktor-faktor apa saja dan seberapa besar pengaruh faktor-faktor tersebut mempengaruhi penduduk di Kotamadya Medan mengunjungi Perpustakaan Umum Kota Medan

1.3Batasan Masalah

Agar pembatasan masalah lebih jelas, maka penulis memberikan batasan yang akan dilakukan yaitu:

1. Responden yang diambil adalah pengunjung Perpustakaan Umum Kota Medan.

2. Penelitian dilakukan di Perpustakaan Umum Kota Medan

1.4 Tinjauan Pustaka

Analisis faktor merupakan nama umum yang menunjukkan suatu kelas prosedur, utamanya dipergunakan untuk menemukan hubungan (interrelatioship) antara sejumlah variabel-variabel yang saling independen satu dengan yang lain, sehingga

data tereduksi atau diringkas, dari variabel banyak diubah menjadi variabel yang lebih sedikit dari jumlah variabel awal. Dengan kata lain, Analisis faktor adalah menilai mana saja variabel yang dianggap layak (appropriateness) untuk dimasukkan dalam analisis selanjutnya (Supranto, 2004).

Pada dasarnya tujuan Analisis Faktor adalah: (Santoso, 2010)

1. Data summarization, yakni mengidentifikasi adanya hubungan antar

variabel dengan melakukan uji korelasi.

2. Data reduction, yakni setelah melakukan korelasi, dilakukan proses

membuat sebuah variabel set baru yang dinamakan faktor untuk menggantikan sejumlah variabel tertentu.

Analisis faktor dipergunakan di dalam situasi sebagai berikut : (Supranto, 2004)

1. Mengenali atau mengidentifikasi dimensi yang mendasari (underlying

dimensions) atau faktor, yang menjelaskan karelasi antara suatu set

variabel. Menganalisis faktor berarti mereduksi data/variabel.

2. Menganalisis atau mengidentifikasi suatu set variabel baru yang tidak berkorelasi (independent) yang lebih sedikit jumlahnya untuk menggantikan suatu set variabel asli yang saling berkorelasi di dalam analisis multivariat selanjutnya, misalnya analisis regresi berganda dan analisis diskriminan.

3. Mengenali atau mengidentifikasi suatu set variabel yang penting dari suatu set variabel yang lebih banyak jumlah untuk dipergunakan di dalam analisis multivariat selanjutnya.

1.5Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah untuk mengetahui seberapa besar pengaruh dari faktor-faktor yang dipertimbangkan oleh masyarakat kota Medan mengunjungi Perpustakaan Umum Kota Medan.

1.6Kontribusi Penelitian

a. Bagi penulis

Menambah wawasan dan memperkaya literatur dalam bidang statistika yang berhubungan dengan analisis faktor, serta pengetahuan mengenai demografi dan faktor-faktor apa saja yang mempengaruhi kunjungan masyarakat ke perpustakaan umum kota Medan.

b. Bagi Departemen/Universitas

Agar dapat dijadikan sebagai bahan studi kasus bagi pembaca, khususnya kepada mahasiswa, serta dapat memberikan referensi bagi pihak perpustakaan sebagai bahan bacaan yang dapat menambah ilmu pengetahuan.

c. Bagi Perpustakaan Umum Kota Medan

Dapat menjadi bahan masukan bagi pihak Perpustakaan Umum Kota Medan dalam meningkatkan fasilitas dan layanan kepada pengunjung.

1.7Metodologi Penelitian

Penelitian ini dilakukan di Perpustakaan Umum Kota Medan. Data yang akan diambil adalah kuesioner yang akan diberikan pada pengunjung perpustakaan tersebut.

Adapun tahap-tahap atau langkah-langkah yang akan dilakukan dalam penelitian ini adalah sebagai berikut :

1. Melakukan studi yang berhubungan dengan Analisis Faktor dan kepustakaan dalam penelitian kualitatif dari internet berupa jurnal, artikel maupun buku. 2. Mengidentifikasi variabel penelitian

3. Mengumpulkan data primer pada hasil kuesioner terhadap responden yang merupakan pengunjung perpustakaan umum kota Medan, dengan menggunakan angket (kuesioner).

4. Mengolah dan menganalisis data yang diperoleh secara manual dan dengan menggunakan software statistika SPSS dengan langkah sebagai berikut

a. Menguji validitas data b. Menguji reabilitas data

c. Menganalisis data dengan menggunakan teknik analisis faktor d. Interpretasi faktor

ABSTRAK

Analisis faktor merupakan suatu teknik statistika multivariat yang digunakan untuk mereduksi/meringkas data, dari variabel yang banyak diubah menjadi sedikit variabel. Penelitian ini merupakan Analisis Faktor untuk mengetahui apa saja faktor-faktor yang dominan yang mempengaruhi kunjungan masyarakat kota Medan ke Perpustakaan Umum Kota Medan dan masyarakat kota Medan selaku responden dalam penelitian ini. Berdasarkan hasil penelitian diperoleh 3 faktor yang dominan yang dapat mempengaruhi kunjungan masyarakat kota Medan ke Perpustakaan Umum Kota Medan yaitu faktor kelengakapan koleksi buku perpustakaan (34,660%), faktor kelengakapan fasilitas perpustakaan (23,107%), faktor letak strategis perpustakaan (15,704%). Ketiga faktor tersebut memberikan proporsi keragaman kumulatif sebesar 73,458% artinya ketiga faktor tersebut dapat mempengaruhi kunjungan masyarakat kota Medan ke Perpustakaan Umum Kota Medan sebesar 73,458% dan sisanya dapat dipengaruhi faktor-faktor lainnya yang tidak teridentifikasi oleh model penelitian.

ABSTRACT

Factor analysis is a multivariate statistical technique that used to reduce/ summarize data from a lot of variables becoming a few variable. This research is a factor analysis to find out what are the dominant factors which can influence visiting of Medan people to the city of Medan Medan City Public Library to assumptions/perceptions of respondents in this research. Pursuant to the research results obtained three dominant factors that can influence visiting of Medan people to the city of Medan Medan City Public Library are income and completed library book collection factor (34,660%), completed library facilities factor (23,107%), strategic location library factor (11,004%). The dominants factor gives the cumulative proportion equal to 73,458%, it means that the three factors can influence visiting of Medan people to the city of Medan Medan City Public Library 73,458% and the rest can be influenced by other factors which is not identified by research model.

DAFTAR ISI

Halaman

Persetujuan ... i

Pernyataan ... ii

Penghargaan ... iii

Abstrak ... iv

Abstract ... v

Daftar Isi ... vi

Daftar Tabel ...vii

Daftar Gambar ... viii

Bab 1 Pendahuluan ... 1

1.1 Latar Belakang ... 1

1.2 Perumusan Masalah ... 2

1.3 Batasan Masalah ... 3

1.4 Tinjauan Pustaka ... 3

1.5 Tujuan Penelitian ... 4

1.6 Kontribusi Penelitian ... 4

1.7 Metodologi Penelitian ... 5

Bab 2 Landasan Teori ... 6

2.3 Populasi dan Sampel Penelitian ... 8

2.4Data ... 8

2.4.1 Data Menurut Sifatnya ... 9

2.4.2 Data Menurut Sumbernya ... 9

2.4.1 Data Menurut Jenisnya ... 10

2.5Teknik Pengukuran dan Skala ... 10

2.5.1Metode Pengambilan Sampel ... 11

2.5.2 Uji Validitas dan Uji Reliabelitas ... 13

2.6Analisis Faktor ... 14

2.6.1 Pengertian Analisis Faktor ... 14

2.6.2 Model Analisis Faktor ... 16

2.6.3 Statistik yang Berkaitan dengan Analisis Faktor ... 17

2.6.4 Langkah-Langkah Analisis Faktor ... 19

Bab 3 Pembahasan dan Hasil ... 25

3.1 Pengujian Kuisioner ... 25

3.2 Populasi Sampel dan Teknik Pengambilan Sampel ... 27

3.3 Karekteristik Analisis Faktor ... 28

3.4 Interpretasi Faktor ... 31

3.5 Persentase Sumbangan Variansi Faktor ... 34

Bab 4 Kesimpulan dan Saran ... 35

4.1 Kesimpulan ... 35

4.2 Saran ... 36

Daftar Pustaka ... 37 Lampiran

DAFTAR TABEL

Halaman

Tabel 3.1 Reliabelitas Kuesioner Penelitian ... 25

Tabel 3.2 Validitas Kuesioner Penelitian ... 26

Tabel 3.3 Daftar Jumlah Pengunjung Perpustakaan Umum Daerah Kota Medan ... 27

Tabel 3.4 Penyebaran Kuesioner ... 28

Tabel 3.5 Pengukuran KMO dan Bartlett’s test of Sphericity ... 28

Tabel 3.6 Pengukuran MSA ... 29

Tabel 3.7 Factor Loading ... 29

Tabel 3.8 Rotated Factor Loading ... 30

Tabel 3.9 Rekapitulasi Faktor ... 30

Tabel 3.10 Variabel yang Mendukung Faktor Pertama ... 31

Tabel 3.11 Variabel yang Mendukung Faktor Kedua ... 32

Tabel 3.12 Variabel yang Mendukung Faktor Ketiga ... 33

DAFTAR GAMBAR

Halaman