Analisis Data

4.5. Analisis Data

Selanjutnya untuk menguji kuisioner digunakan analisis uji validitas dan reliabilitas.

Tabel 4.11 Faktor Penyebab Keterlambatan Penyelesaian Proyek Konstruksi di Wilayah Karasidenan Surakarta

1 Perubahan desain/detail pekerjaan pada waktu pelaksanaan

X1

2 Adanya banyak (sering) pekerjaan tambah

X2

3 Proses permintaan dan persetujuan contoh bahan yang lama

X3

4 Perubahan lingkup pekerjaan pada waktu pelaksanaan

X4

5 Kurangnya keahlian tenaga kerja

X5

6 Keterlambatan pembayaran oleh pemilik

X6

7 Mobilisasi sumber daya (bahan, alat, tenaga kerja) yang lambat

X7

8 Jumlah perkerja yang kurang memadai/sesuai dengan aktivitas pekerjaan yang ada

X8

9 Tidak lengkapnya identifikasi jenis pekerjaan yang harus ada

X9

10 Akses ke lokasi proyek sulit

X10

11 Faktor-faktor tersebut di atas bagaimana pengaruhnya terhadap biaya

Tabel 4.12 Rekapitulasi Berdasarkan Pengisian Kuisioner No

Nama

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10

1 Ir. Sukarno

2 Ir. Sartono

3 Ir. Sularto

4 Ir. Amshori

5 Ir. Supriyanto

6 Dhalia Indri Astuti, S.psi

7 Ir. H Bambang Nusantoro, MM

8 Ir. Agus Sarjoko

9 Ir. Sudrajat Pramusinto

10 Idoe Ranny Fajar N, ST

11 Yosep Yauhansa, ST

12 Ari Nugroho, ST

13 Tri Wibowo, ST

commit to user

14 Umar Seno Hadi

15 Ir. Chrisna

16 Deddi K, Amd

17 Budi Purwanto

18 Riyanto Amin Nugruho, ST

19 Subagyo

20 Ir. Sri Hertadi

21 Ir. H. Dwi Awan Ruhananto, MT

22 Awan Supriadi, ST

23 Hardimah, Amd

24 Rudy Setiono, ST

25 Subur Subiyanto, ST

26 Taufik Andreas

27 Ir. Suyamto

28 Sri Mulyono, ST

29 Mutiara Dewi Ariani, S.MM

30 Teni Dewi, SH

31 Dra. Rini Murniwati

32 Agung Tirto, SH.MKN.

33 Suprapti, ST

34 Ir. H. Suparmi, H.S

35 Ir. H. Sri Haryono, MT.

36 Abdul Hadi, SE

37 Ir. H. Setiyo Budiyanto, MM.

38 H. Marimin, ST. MT.

39 Arditya Heri Waskita, ST

40 H. Bambang Noesantoro, ST

commit to user

4.5.1. Uji Validitas dan Reliabilitas

4.5.1.1. Uji Validitas

Untuk mengetahui kevalidtannya, dari ke-10 faktor yang diberikan dalam bentuk kuisioner yang disampaikan kepada responden dilakukan uji validitas terhadap setiap faktor dalam kelompok variabel dengan menggunakan program SPSS Versi

17.00. Hasil tes validitas dapat dilihat pada kolom Correlated Item Total Correlation (lihat tabel). Kriteria uji validitas secara singkat (rule of tumb) adalah 0,3. Jika korelasi sudah lebih besar dari 0,3 maka kuisioner/pertanyaan yang dibuat dikatakan sahih/valid.

Tabel 4.13 Uji Validitas

Scale Mean if

Item Deleted

Scale Variance

if Item Deleted

Corrected Item-

Total Correlation

Dari tabel 4.13 setelah pengujian seluruh item pertanyaan dapat dinyatakan valid. Koefisien korelas (r hitung) terdapat pada kolom “Corrected Item Total Correlation” dapat diketahui bahwa nilai koefisien kofrelasi (r hitung) lebih besar dari nilai r tabel 0,312 (n=40, 痸

%). R tabel dapat dilihat dalam lampiran.

commit to user

4.5.1.2. Uji Reliabilitas

Uji reliabilitas digunakan dengan tujuan untuk mengetahui sifat dari alat ukur yang digunakan, dalam arti apakah alat ukur tersebut akurat, stabil, dan konsisten. Instrument yang digunakan dalam penelitian ini dikatakan andal (reliable) apabila memiliki cronbach’s alpha lebih dari 0,6. Hasil tes reliabilitas dapat dilihat pada kolom Cronbach’s Alpha If Item Delected (lihat tabel).

Tabel 4.14 Uji Reliabilitas

Cronbach's Alpha if Item

Deleted

X1 .786 X2 .784 X3 .741 X4 .780 X5 .804 X6 .789 X7 .771 X8 .798 X9 .792

X10

.775

Dari tabel 4.14 seluruh item pertanyaan penelitian dinyatakan reliabel. Koefisien reliabilitas seluruh item lebih besar dari koefisien alpha yang sesuai dengan jumlah butir peranyaan yang diskoring yaitu untuk 11 butir nilai koefisien nya 0,34. Tabel nilai koefisien alpha dapat dilihat pada lampiran.

commit to user

4.5.2. Analisis Faktor ( Factor Analysis)

Analisis faktor merupakan suatu kelas prosedur yang dipergunakan untuk mereduksi dan meringkas data. Agar analisis faktor bisa tepat dipergunakan variabel-variabel yang akan dianalisis harus berkorelasi. Apabila koefisien korelasi antar-variabel terlalu kecil, hubungan lemah, analisis faktor tidak tepat. Peniliti mengharapkan selain variabel asli berkorelasi dengan sesame variabel lainnya, juga berkorelasi dengan faktor sebagai variabel baru yang disaring dari variabel-variabel asli. Banyaknya factor lebih sedikit daripada banyaknya variabel. Faktor-faktor diekstraksi (extracted) sedemikian rupa sehingga factor yang pertama menyumbang (memberikan andil) terbesar terhadap seluruh varian dari seluruh variabel asli, factor kedua menyumbang terbesar yang kedua, factor ketiga menyumbang terbesar ketiga, dan begitu seterusnya sehingga proses pencarian faktor dihentikan setelah sumbangan terhadap seluruh varian variabel dari faktor yuang sudah berhasil diakstraksi sudah mencapai 60% atau lebih.

4.5.2.1. Uji KMO dan Bartlett’s Test

Uji statistik KMO (Kaiser-Mayer-Olkin) digunakan untuk mengukur kecukupan sampling (sampling adequacy). Indeks ini membandingkan besarnya koefisien korelasi terobservasi dengan koefisien korelasi parsial. Nilai KMO yang kecil menunjukkan bahwa korelasi antar-pasangan variabel tidak bisa diterangkan oleh variabel lainnya dan analisis faktor mungkin tidak tepat. Analisis faktor akan menajdi tepat apabila nilai KMO yang diperoleh > 0,50. Untuk menguji ketepatan model faktor tersedia statisitik formal yaitu bartlett’s test of sphericity bahwa variabel tak berkorelasi di dalam populasi.

Tabel 4.15 KMO dan Bartlett’s Test

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy.

.651

Bartlett's Test of Sphericity

Approx. Chi-Square

131.363

df 45

Sig.

.000

commit to user

Berdasarkan hasil tabel di atas seluruh variabel dapat diterangkan oleh variabel lainnya atau korelasi antar variabel tinggi. Nilai KMO 0,651 menunjukkan bahwa variabel-variabel tersebut memenuhi syarat dan dapat digunakan untuk analsis faktor.

4.5.2.2. Ekstraksi Faktor ( Factor Extructed)

Dalam teknik analisis faktor terdapat banyak metode yang dapat digunakan untuk mengekstraksi atau meruduksi faktor. Pada penelitian ini peneliti memakai metode principal component analysis dengan menggunakan program SPSS v.17. Hasil ekstraksi dapat dilihat pada tabel di bawah ini.

Tabel 4.16 Hasil Ekstraksi Faktor

Total Variance Explained

Compo nent

Initial Eigenvalues

Rotation Sums of Squared Loadings Total

% of Variance

Cumulative %

Total

% of Variance Cumulative % 1 3.626

Dari tabel xxx penentuan banyaknya faktor yang diekstraksi ditentukan berdasarkan Eigenvalues. Di dalam pendekatan ini, hanya faktor dengan eigenvalues lebih dari 1 (satu) yang dipertahankan, kalau lebih kecil dari satu, faktornya tidak diikutsertakan dalam model. Suatu eigenvalues menunjukkan besarnya sumbangan dari faktor terhadap varian seluruh variabel asli. Dari tabel di atas dapatdilihat bahwa terdapat 3 (tiga) faktor yang eigenvaluesnya lebih besar dari satu sehingga ada tiga faktor baru yang terbentuk.

commit to user

4.5.2.3. Rotasi Faktor

Rotasi faktor digunakan untuk mengubah (mentransformasi) matrix factor menjadi matrix yang lebih sederhana yang lebih mudah untuk diinterpretasi (disimpulkan). Metode rotasi yang paling banyak dipergunakan dalam teknik analisis faktor ialah varimax procedure, yang menghasilkan faktor yang tidak berkorelasi, bebas dari multicollinerity.

Tabel 4.17a Hasil sebelum Rotasi Faktor Tabel 4.17b Hasil setelah Rotasi Faktor

Dari tabel 4.17 yang belum dirotasi menunjukkan hubungan antar-faktor masing- masing variabel, jarang menghasilkan faktor yang bisa diinterpretasikan (diambil kesimpulannya), oleh karena factor-faktor tersebut berkorelasi atau terkait dengan banyak variabel lain (lebih dari satu) sebagai contoh, dari tabel 4. 17a, faktor 1

(Xb 1 ), berkorelasi hampir dengan seluruh variabel, 10 variabel akan tetapi setelah dirotasi, matriks factor diubah (to be transformed) ke dalam matriks yang lebih sederhana, sehingga mudah diinterpretasi (disimpulkan). Sebagai contoh, dari

tabel 4.17b dapat dilihat dengan jelas bahwa fakor 1 (Xb 1 ) terdiri dari variabel X9,

Component Matrix a Component

Rotated Component Matrix a

.485 X2 .892 X8 .739 X6 .560

commit to user

X10, X4, dan X1. Faktor 2 (Xb 2 ) terdiri dari variabel X5, X7 dan X3. Factor 3 (Xb 3 ) terdiri dari variabel X2, X8 dan X6.

Tabel 4.18 Variabel Asli dan Faktor Ekstraksi Variabel Asli

Simbol

Faktor Baru Simbol

Tidak lengkapnya identifikasi jenis pekerjaan yang harus ada

X9

Perubahan lingkup dan dokumen pekerjaan

Xb 1

Akses ke lokasi proyek sulit

X10

Perubahan lingkup pekerjaan pada waktu pelaksanaan

X4

Perubahan desain/detail pekerjaan pada waktu pelaksanaan

X1

Kurangnya keahlian tenaga kerja

X5

Koordinasi, dan transportasi sumber daya serta keahlian tenaga

kerja

Xb 2

Mobilisasi sumber daya (bahan, alat, tenaga kerja) yang lambat

X7

Proses permintaan dan persetujuan contoh bahan yang lama

X3

Adanya banyak (sering) pekerjaan tambah

X2

Sistem evaluasi dan perencanaan

Xb 3

Jumlah perkerja yang kurang memadai/sesuai dengan aktivitas pekerjaan yang ada

X8

Keterlambatan pembayaran oleh pemilik

X6

commit to user

Gambar 4.11 Diagram Variabel Asli (X) dan Faktor Baru (Xb)

Tidak lengkapnya identifikasi jenis pekerjaan yang harus ada (X9)

Perubahan desain/detail pekerjaan pada waktu pelaksanaan (X1)

Perubahan lingkup pekerjaan pada waktu

pelaksanaan (X4)

Faktor-faktor tersebut di atas bagaimana pengaruhnya terhadap biaya (X10)

Perubahan lingkup dan dokumen pekerjaan (Xb 1 )

Adanya banyak (sering) pekerjaan tambah

(X2)

Jumlah perkerja yang kurang memadai/sesuai dengan aktivitas pekerjaan yang ada (X8)

Keterlambatan pembayaran oleh pemilik

(X6)

Sistem evaluasi dan perencanaan (Xb 3 )

Kurangnya keahlian tenaga kerja (X5)

Mobilisasi sumber daya (bahan, alat, tenaga kerja) yang lambat (X7)

Mobilisasi sumber daya (bahan, alat, tenaga kerja) yang lambat (X3)

Koordinasi, dan transportasi sumber daya serta keahlian tenaga kerja (Xb 2 )

commit to user

4.5.3. Uji Asumsi Klasik / Analisis Ekonometrik

Dalam regresi linier berganda terdapat beberapa asumsi yang harus dipenuhi sehingga persamaan regresi yang dihasilkan akan valid jika digunakan untuk memprediksi. Penggunaan asumsi ini merupakan konsekuensi dalam menghitung persamaan regresi linier. Beberapa asumsi tersebut meliputi asumsi data yang terdistribusi secara normal, asumsi multikolinieritas, asumsi autokorelasi, asumsi heterokedastisitas, dan asumsi linieritas. Dalam buku-buku statistik asumsi ini disebut analisis ekonometrik. Berikut uji asumsi yang harus dilakukan terhadap model regresi tersebut, yaitu :

1. Uji Normalitas Pengujuian normalitas adalah pengujian tentang kenormalan distribusi data. Yang

dimaksud data terdistribusi secara normal adalah bahwa data akan mengikuti bentuk distribusi normal dimana data akan memusat pada nilai rata-rata dan median. Cara yang paling sering digunakan dengan melihat histrogam residual akan mengikuti pola distribusi normal dimana bentuk grafiknya mengikuti bentuk loceng. Cara ini menjadi fatal karena pengambilan keputusan data terdistribusi secara normal atau tidak hanya berpatok pada pengamatan gambar saja. Ada cara lain untuk menentukan data terdistribusi secara normal atau tidak dengan menggunakan rasio skewness (kemencengan) dan rasio kurtosis (keruncingan). Aturan dalam rasio skewness dan kurtosis jika nilai rasio berbeda antara minus dua (-2) dan plus dua (+2). Sedangkan jika rasio berada dibawah -2 maka dapat dinyatakan grafik terdistribusi miring ke kanan. Jika rasio berada diatas +2 maka dapat dinyatakan grafik distribusi miring ke kiri. (Purbayu dan Ashari, 2005 :235)

commit to user

Hasil uji normalitas dengan menggunakan bantuan program SPSS versi 17 dapat dilihat pada tabel.

Tabel 4.19 Hasil Uji Normalitas

Std. Error

Statistic Std. Error Perubahan lingkup dan

dokumen pekerkerjaan

.733 Koordinasi dan transportasi

sumber daya serta keahlian tenaga kerja

Sistem evaluasi dan perencanaan

.733 Valid N (listwise)

40

Faktor perubahan lingkup dan dokumen pekerkerjaan skewness kurva adalah 0,576 dengan standar eror 0,374 dan kurtosis kurva adalah 1,168 dengan standar eror 0,733. Rasio skewness = 0,576/0,374 = 1,540. Rasio kurtosis = 1,168/0,733 = 1,594. Faktor koordinasi dan transportasi sumber daya serta keahlian tenaga kerja skewness kurva adalah 1,208 dengan standar eror 0,374 dan kurtosis kurva adalah 1,353 dengan standar eror 0,733. Rasio skewness = 1,208/0,374 = 3,229. Rasio kurtosis = 1,353/0,733 = 1,845. Faktor sistem evaluasi dan perencanaan skewness kurva 0,272 dengan standar eror 0,374 dan kurtosis kurva -0,869 dengan standar eror 0,733. Rasio skewness = 0,272/0,374 = 0,727 dan rasio kurtosis = -0,869/0, 733 = -1,185. Dari rasio tersebut terlihat bahwa Rasio skewness dan Rasio kurtosis berada pada kisaran -2 sampai +2, sehingga dapat disimpulkan distribusi data adalah normal.

commit to user

2. Uji Multikolinieritas Uji multikolinieritas merupakan pengujian untuk asumsi dalam analisis regresi

linier berganda menyatakan bahwa variabel terikat harus terbebas dari gejala multikolinieritas. Gejala multikolinieritas adalah gejala korelasi yang signifikan antar variabel terikat. Hasil uji multikolinieritas dengan mengugnakan bantuan program SPSS versi 17 dapat dililhat pada tabel 4.20.

Tabel 4.20 Hasil Uji Multikolinieritas

Terlihat pada tabel 4.20 hasil uji multikolinieritas terletak pada kolom VIF, semua variabel bebas untuk variabel terikat biaya hasil uji multikolinieritas bernilai kurang dari 5, maka dapat disimpulkan tidak terjadi gejala multikolinieritas.

Statistics Tolerance

Perubahan lingkup dan dokumen pekerjaan

Koordinasi dan transportasi sumber daya serta keahlian tenaga

Sistem evaluasi dan perencanaan

1.907

.045

.736

1.430

commit to user

3. Autokorelasi Uji autokorelasi merupakan pengujian asumsi dalam regresi dimana variabel

dependen tidak berkorelasi dengan dirinya sendiri. Maksud korelasi dengan diri sendiri adalah bahwa nilai dari variabel dependen tidak berhubungan dengan nilai variabel itu sendiri, baik nilai periode sebelumnya atau nilai periode sesudahnya. Untuk mendeteksi gejala autokorelasi kita menggunakan uji Durbin-Watson (DW). Uji ini menghasilkan nilai DW hitung (d) dan nilai DW tabel (dL & du). Aturan pengujiannya adalah:

d<d L : Terjadi masalah autokorelasi yang positif yang perlu perbaikan

d L <d<d u : ada masalah autokorelasi positif tetapi lemah

d u <d<4-d u : tidak ada masalah autokorelasi 4-d u <d<4-d L : masalah autokorelasi lemah, tetapi perbaikan akan lebih baik 4-d L <d

: masalah auotkorelasi serius

Tabel 4.21 Hasil Uji Autokorelasi

Model

R Square

Adjusted R

Square

Durbin Watson

Hasil analisis menunjukkan nilai Durbin-Watson sebesar 1,471. Untuk menguji harus dicari nilai dL dan du pada tabel Durbin-Watson, dengan n=40 dan jumlah variabel terikat (k) = 3 didapat nilai dL = 1,3384 dan du = 1,6589. Karena 1,3384 < 1,471 < 1.6589 maka dapat disimpulkan terjadi masalah autokorelasi positif tetapi lemah.

commit to user

4. Heterokedastisitas (Perbedaan Varians) Salah satu asumsi dalam regresi berganda adalah uji heterokedastisitas. Asumsi

heterokedastisitas adalah asumsi dalam regresi dimana varians dari residual tidak sama untuk satu pengamatan ke pengamatan yang lain. Dalam regresi, salah satu asumsi yang harus dipenuhi adalah bahwa varians dari residual dari satu pengamatan ke pengamatan yang lain tidak memiliki pola tertentu. Pola yang tidak sama ini ditunjukkan dengan nilai yang tidak sama antar satu varians dari residual. Gejala varians yang tidak sama ini disebut dengan gejala heterokedastisitas, sedangkan adanya gejala varians residual yang sama dari satu pengamatan ke pengamatan yang lain disebut dengan homokedastisitas. Salah satu metode visual untuk menguji heterokedastisitas ini adalah dengan melihat penyebaran dari varians residual. Salah satu cara pengujian heterokedastisittas yaitu dengan melihat penyebaran dari residual yang dapat dilihat pada gambar di bawah ini.

Gambar 4.12 Diagram Heterokedastisitas

commit to user

5. Uji Linieritas Pengujian linieritas ini perlu dilakukan untuk mengetahui model yang dibuktikan

merupakan model linier atau tidak. Uji linieritas dilakukan dengan menggunakan curve estimation, yaitu gambaran hubungan linier antara variabel X dengan variabel Y. pengujian menggunakan bantuan programSPSS versi 17. Jika nilai pada tabel ANOVA sig f > 0,05, maka variabel X tersebut memiliki hubungan linier dengan Y.

Tabel 4.22 Hasil Uji Linieritas

Variabel Bebas

Nilai Sig f

Perubahan lingkup dan dokumen pekerjaan Koordinasi, dan transportasi sumber daya serta keahlian tenaga kerja 0,178 Sistem evaluasi dan perencanaan

Dari tabel 4.22 di dapat dari perhitungan menggunakan bantuan program SPSS versi 17. Dapat diambil kesimpulan bahwa variabel bebas perubahan lingkup dan dokumen pekerjaan, koordinasi dan transportasi sumber daya serta keahlian tenaga kerja, sistem evaluasi dan perencanaan memiliki hubungan linieritas terhadap variabel terikat biaya.

commit to user

4.5.4. Regresi Linier Berganda

Regresi linier bergandan digunakan untuk mengetahui pengaruh dari variabel bebas perubahan lingkup dan dokumen pekerjaan, koordinasi dan transportasi sumber daya serta keahlian tenaga kerja, sistem evaluasi dan perencanaan terhadap variabel terikat pemakaian biaya. Program SPSS menyediakan beberapa metode untuk mengetahui besarnya tingkat pengaruh dari variabel bebas tersebut, antara lain metode enter, metode stepwise, metode backward, metode forward, dan metode remove. Metode-metode tersebu diigunakan untuk pemilihan variabel dalam regresi sehingga hasil persamaan regresi memberikan kemampuan prediksi yang baik. Pada penelitian ini digunakan metode enter untuk memprediksi pengaruh variabel independen terhadap variabel dependen.

Tabel 4.23 Hasil Perhitungan Regresi Linier Berganda

B Sig. Std. Error Beta 1 (Constant)

.000 Perubahan lingkup dan

dokumen pekerjaan

Koordinasi dan transportasi sumber daya serta keahlian tenaga kerja

Sistem evaluasi dan perencanaan

a. Dependent Variable: Biaya

Dari perhitungan dengan menggunakan metode enter SPSS 17 menghasilkan

suatu model persamaan regresi Y = 3,809 + 0,079 Xb 1 + 0,172 Xb 2 + 0,013 Xb 3 .

Hasil pengujian menggunkan uji t terlihat bahwa nilai Sig untuk semua variabel bebas lebih kecil dari alpa (< 0,05) sehingga dapat dikatakan signifikan secara statistic dan bisa digunakan untuk memprediksi pengaruh variabel independen terhadap variabel dependen. Konstanta 3,809 artinya apabila tidak ada perubahan lingkup dan dokumen pekerjaan, koordinasi, dan transportasi sumber daya serta

commit to user

keahlian tenaga kerja, sistem evaluasi dan perencanaan, maka pemakaian biaya akan berada pada 3,809 poin. Koefisien 0,079 X1 artinya apabila ada perubahan lingkup dan dokumen pekerjaan sebesar 1 poin, maka pemakaian biaya akan mengalami kenaikan sebesar 0,079 poin. Koefisien 0,71 X2 artinya apabila ada keterlambatan yang disebabkan oleh koordinasi, dan transportasi sumber daya serta keahlian tenaga kerja sebesar 1 poin, maka akan mengalami kenaikan pemakaian biaya sebesar 0,71 poin. Koefisien 0,013 X3 artinya apabila ada keterlambatan yang disebabkan oleh sistem evaluasi dan perencanaan yang kurang tepat sebesar 1 poin, maka akan terjadi pula kenaikan biaya sebesar 0,013 poin.

4.5.5. Koefisien Determinasi Berganda

Koefisien determinasi berganda yang diperoleh dari uji regresi linier berganda

yaitu sebesar R 2 = 0,716. Hal ini beerarti bahwa 71,6% pemakaian biaya

dijelaskan oleh variabel bebas yaitu perubahan lingkup dan dokumen pekerjaan, koordinasi, dan transportasi sumber daya serta keahlian tenaga kerja, sistem evaluasi dan perencanaan. Sedangkan selebihnya dijelaskan oleh variabel lain yang belum disebutkan pada penelitian ini.

Tabel 4.24 Hasil Koefisien Determinasi Berganda

Model

R Square

Adjusted R

Square

Std. Error of the Estimate

Durbin Watson

1.258 a. Predictors : (constant), perubahan lingkup dan dokumen pekerjaan, koordinasi,

dan transportasi sumber daya serta keahlian tenaga kerja, sistem evaluasi dan perencanaan

b. Dependent Variable : Biaya

commit to user