Analisis Faktor Tingkat Kecemasan Mahasiswa dalam Menyelesaikan Skripsi di Fmipa Usu

ANALISIS FAKTOR PENGARUH TINGKAT KECEMASAN

MAHASISWA DALAM MENYELESAIKAN SKRIPSI

DI FMIPA USU

SKRIPSI

DELVINA TRI ASWARA

130823033

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2015

ANALISIS FAKTOR PENGARUH TINGKAT KECEMASAN

MAHASISWA DALAM MENYELESAIKAN SKRIPSI

DI FMIPA USU

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains

DELVINA TRI ASWARA

130823033

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2015

iii

PERSETUJUAN

Judul : Analisis Faktor Tingkat Kecemasan Mahasiswa dalam Menyelesaikan Skripsi di Fmipa Usu

Kategori : Skripsi

Nama : Delvina Tri Aswara

Nomor Induk Mahasiswa : 130823033

Program Studi : Sarjana (S1) Matematika

Departemen : Matematika

Fakultas : Matematika Dan Ilmu Pengetahuan Alam (Fmipa) Universitas Sumatera Utara

Diluluskan di Medan, Agustus 2015

Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Dr. Mardiningsih, M.Si Drs. Henry Rani Sitepu, M.Si Nip. 19630405 198811 2 001 Nip. 19530303 198303 1 002

Disetujui oleh

Departemen Matematika FMIPA USU Ketua,

Prof. Dr. Tulus, M.Si.Ph.D Nip. 19620901 198803 1 002

iv

PERNYATAAN

ANALISIS FAKTOR PENGARUH TINGKAT KECEMASAN MAHASISWA DALAM MENYELESAIKAN

SKRIPSI DI FMIPA USU

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya

Medan, Agustus 2015

DELVINA TRI ASWARA 130823033

v

PENGHARGAAN

Puji dan syukur penulis panjatkan kepada Allah SWT Tuhan Yang Maha Esa yang telah memberikan rahmat dan hidayah-Nya sehingga skripsi ini dapat diselesaikan dalam waktu yang telah ditetapkan.

Ucapan terima kasih penulis sampaikan kepada Bapak Dr.Sutarman, M.Sc selaku Dekan FMIPA USU, Bapak Drs. Henry Rani Sitepu, M.Si dan Ibu Dr. Mardiningsih, M.Si selaku pembimbing yang telah memberikan panduan dan penuh kepercayaan kepada penulis untuk menyempurnakan skripsi ini.

Penulis juga mengucapkan terima kasih kepada Bapak Prof. Dr. Tulus, M.Si.Ph.D selaku ketua Departemen Matematika, Bapak Drs. Gim Tarigan, M.Si dan Bapak Drs. Marihat Situmorang, M.Kom selaku penguji skripsi, dan staf pengajar Matematika di FMIPA USU, beserta pegawai Administrasi.

Penulis juga mengucapkan terima kasih kepada suami tercinta Panangian Siregar, SE serta anak-anakku tersayang Win Fakhri Ariyoga Siregar dan Queen Shaqilla Aurora Siregar juga kepada orang tua ku, teman-teman seperjuangan Emma Sari Tarigan, Maulidhatul Hasanah yang telah memberikan semangat moril, motivasi dan do’a dalam menyelesaikan skripsi ini.

Semoga segala bentuk bantuan yang telah diberikan mendapat balasan yang jauh lebih baik dari Tuhan Yang Maha Esa.

Sebagai seorang mahasiswa, penulis menyadari bahwa masih banyak kekurangan di dalam menyelesaikan skripsi ini. Untuk itu, kritik dan saran yang membangun sangat diharapkan demi perbaikan tulisan ini.

Medan, Agustus 2015 Penulis

vi

ANALISIS FAKTOR PENGARUH TINGKAT KECEMASAN MAHASISWA DALAM MENYELESAIKAN

SKRIPSI DI FMIPA USU

ABSTRAK

Analisis faktor merupakan suatu teknik statistika yang dipergunakan untuk mereduksi/meringkas data, menganalisis variabel-variabel yang diduga memiliki keterkaitan satu sama lain sehingga keterkaitan tersebut dapat dijelaskan dan dipetakan atau dikelompokkan pada faktor yang tepat. Pada penelitian ini digunakan Analisis Faktor untuk mengetahui apa saja faktor-faktor yang dominan yang mempengaruhi tingkat kecemasan mahasiswa dalam menyelesaikan skripsi di FMIPA USU. Berdasarkan hasil penelitian dari 78 mahasiswa FMIPA USU diperoleh 4 faktor yang dominan yang dapat mempengaruhi tingkat kecemasan mahasiswa dalam menyelesaikan skripsi yaitu : faktor kemalasan (26,050%), faktor emosional (16,076%), faktor fisik (13,277%) dan faktor ilmu (12,684%). Keempat faktor tersebut memberikan proporsi keragaman komulatif sebesar (68,087%), artinya keempat faktor tersebut dapat mempengaruhi tingkat kecemasan mahasiswa dalam menyelesaikan skripsi di FMIPA USU dan sisanya dapat dipengaruhi faktor-faktor lainnya yang tidak terindentifikasi oleh model penelitian.

vii

FACTOR ANALYSIS OF EFFECT OF ANXIETY STUDENT IN RESOLVING

THESIS IN FMIPA USU

ABSTRACT

Factor analysis is a statistical technique used to reduce / summarize the data, analyze the variables suspected of having links with one another so that the association can be explained and mapped or grouped on the right factors. In this study used factor analysis to find out what are the dominant factors affecting the level of anxiety in finishing thesis students in the Science Faculty USU. Based on the results of 78 students of the Science Faculty USU gained four dominant factors that can affect the level of anxiety of students in completing the thesis are: laziness factor (26,050%), emotional factors (16,076%), physical factors (13,277%), and the factor of science (12,684%). These four factors provide diversity cumulative proportion of (68,087%), meaning that all four of these factors can affect the level of anxiety in finishing thesis students in the Science Faculty USU and the rest can be influenced by other factors that were not identified by the research model.

viii

DAFTAR ISI

Halaman

Persetujuan i

Pernyataan ii

Penghargaan iii

Abstrak iv

Abstract v

Daftar Isi vi

Daftar Tabel viii

Daftar Gambar ix

Daftar Lampiran x

Bab 1 Pendahuluan 1.1. Latar Belakang 1

1.2. Perumusan Masalah 2

1.3. Batasan Masalah 2

1.4. Tinjauan Pustaka 2

1.5. Tujuan Penelitian 3

1.6. Konstribusi Penelitian 3

1.7. Metodologi Penelitian 4

Bab 2 Landasan Teori 2.1. Pengertian Kecemasan 6

2.2. Populasi dan Sampel 7

2.3. Variabel Penelitian 8

2.4. Jenis Sumber Data 8

2.5. Skala Pengukuran 8

2.6. Skala Untuk Instrumen (Model Skala Sikap) 10

2.7. Metode Pengumpulan Data 11

2.8. Uji Dalam Pengolahan Data 12

2.8.1. Uji Validitas 12

2.8.2. Uji Reliabilitas 13

2.9. Analisis Faktor 14

2.9.1. Pengertian Analisis Faktor 14

2.9.2. Model Analisis Faktor 15

2.9.3. Statistik yang Berkaitan Dengan Analisis Faktor 16

2.10. Langkah-langkah Analisis Faktor 19

Bab 3 Pembahasan dan Hasil 24

3.1. Populasi, Sampel dan Teknik pengambilan Sampel 24

3.2. Variabel Penelitian 26

3.3. Pengolahan Data 27

3.3.1. Input Data Mentah 27

3.3.2. Penskalaan Data Ordinal Menjadi Data Interval 28

3.3.3. Uji Validitas 31

3.3.4. Uji Reliabilitas 33

ix

3.4.1. Memilih metode analisis faktor 37

3.4.2. Menentukan Banyaknya Faktor 41

3.4.3. Melakukan Rotasi Faktor 42

3.4.4 Interpretasi Faktor 44

3.4.5. Menghitung Faktor Score 46

3.4.6. Menentukan Ketepatan Model 47

Bab 4 Kesimpulan dan Saran 49

4.1. Kesimpulan 49

4.2. Saran 49

Daftar Pustaka Lampiran 50

x

DAFTAR TABEL

Halaman

Tabel 2.1 Korelasi Antar Variabel 19

Tabel 3.1 Daftar Jumlah Mahasiswa di FMIPA USU 24 Tabel 3.2 Jumlah sampel pada tiap-tiap jurusan 25

Tabel 3.3 Data Hasil Kuesioner 27

Tabel 3.4 Penskalaan Variabel 30

Tabel 3.5 Hasil Penskalaan Variabel 1 30

Tabel 3.6 Uji Validitas Variabel Penelitian 31 Tabel 3.7 Contoh Perhitungan Korelasi Product Moment 32 Tabel 3.8 Uji Reliabilitas Variabel Penelitian 34

Tabel 3.9 Korelasi Matriks 35

Tabel 3.10 Kaiser-Meyer-Olkin (KMO) dan Barlett’s Test 36 Tabel 3.11 Nilai Measure of Sampling Adequecy (MSA) 36

Tabel 3.12 Komunalitas Variabel 37

Tabel 3.13 Nilai Eigenvalue Untuk Setiap Faktor 39 Tabel 3.14 Nilai Eigen faktor masing-masing varian 40 Tabel 3.15 Matriks Faktor (a) Sebelum Dirotasi 42 Tabel 3.16 Matriks Faktor (a) Setelah Dirotasi 43 Tabel 3.17 Korelasi antara variabel sebelum dan setelah dirotasi 45

xi

DAFTAR GAMBAR

Halaman

xii

DAFTAR LAMPIRAN

Halaman

Lampiran 1: Penskalaan Variabel 50

Lampiran 2 : Transformasi Data Ordinal ke Interval 51 Lampiran 3 : Data Perhitungan Korelasi Product Moment 53 Lampiran 4 : Data Perhitungan Korelasi antara variabel x1 dan x2 56 Lampiran 4A : Perhitungan korelasi antara variabel x1dan x2 58 Lampiran 5 : Perhitungan nilai uji barlett 59

vi

ANALISIS FAKTOR PENGARUH TINGKAT KECEMASAN MAHASISWA DALAM MENYELESAIKAN

SKRIPSI DI FMIPA USU

ABSTRAK

Analisis faktor merupakan suatu teknik statistika yang dipergunakan untuk mereduksi/meringkas data, menganalisis variabel-variabel yang diduga memiliki keterkaitan satu sama lain sehingga keterkaitan tersebut dapat dijelaskan dan dipetakan atau dikelompokkan pada faktor yang tepat. Pada penelitian ini digunakan Analisis Faktor untuk mengetahui apa saja faktor-faktor yang dominan yang mempengaruhi tingkat kecemasan mahasiswa dalam menyelesaikan skripsi di FMIPA USU. Berdasarkan hasil penelitian dari 78 mahasiswa FMIPA USU diperoleh 4 faktor yang dominan yang dapat mempengaruhi tingkat kecemasan mahasiswa dalam menyelesaikan skripsi yaitu : faktor kemalasan (26,050%), faktor emosional (16,076%), faktor fisik (13,277%) dan faktor ilmu (12,684%). Keempat faktor tersebut memberikan proporsi keragaman komulatif sebesar (68,087%), artinya keempat faktor tersebut dapat mempengaruhi tingkat kecemasan mahasiswa dalam menyelesaikan skripsi di FMIPA USU dan sisanya dapat dipengaruhi faktor-faktor lainnya yang tidak terindentifikasi oleh model penelitian.

vii

FACTOR ANALYSIS OF EFFECT OF ANXIETY STUDENT IN RESOLVING

THESIS IN FMIPA USU

ABSTRACT

Factor analysis is a statistical technique used to reduce / summarize the data, analyze the variables suspected of having links with one another so that the association can be explained and mapped or grouped on the right factors. In this study used factor analysis to find out what are the dominant factors affecting the level of anxiety in finishing thesis students in the Science Faculty USU. Based on the results of 78 students of the Science Faculty USU gained four dominant factors that can affect the level of anxiety of students in completing the thesis are: laziness factor (26,050%), emotional factors (16,076%), physical factors (13,277%), and the factor of science (12,684%). These four factors provide diversity cumulative proportion of (68,087%), meaning that all four of these factors can affect the level of anxiety in finishing thesis students in the Science Faculty USU and the rest can be influenced by other factors that were not identified by the research model.

xiii

BAB 1 PENDAHULUAN

1.1Latar Belakang

Skripsi adalah karya tulis ilmiah yang disusun oleh mahasiswa berdasarkan penelitian lapangan dan kepustakaan untuk memenuhi persyaratan memperoleh gelar sarjana sesuai dengan program kekhususannya.

Skripsi seringkali menjadi beban akademik yang dikhawatirkan. Banyak diantara mahasiswa yang sedang menyusun merasa diberi beban berat, padahal skripsi seharusnya menjadi produk ilmiah sebagai wujud pertanggung jawaban dan syarat kelulusan mahasiswa.

Kecemasan pada dasarnya adalah suatu reaksi diri untuk menyadari suatu ancaman (threat) yang tidak menentu. Mahasiswa mempunyai rasa cemas dalam penyusunan skripsi, karena manusia mempunyai hati dan perasaan. Tingkat kecemasan yang dialami oleh setiap mahasiswa berbeda-beda, namun cemas akan mempengaruhi konsentrasi dan daya pikir mahasiswa dalam penyusunan skripsi.

Faktor-faktor yang menyebabkan kecemasan dalam menyelesaikan skripsi adalah suatu kesulitan atau hambatan yang dirasakan mahasiswa baik bersifat internal maupun eksternal.

Faktor Internal adalah kendala atau kesulitan yang dialami mahasiswa dalam penyusunan yang bersumber dari diri sendiri seperti merumuskan masalah, mengkonsep isi skripsi, mencari data atau sumber-sumber yang terkait dan menuangkan tulisan ke dalam naskah skripsi.

Faktor eksternal adalah kendala atau kesulitan yang dialami mahasiswa dalam penyusunan yang bersumber dari luar diri individu misalnya pengajuan judul dimana mahasiswa harus mengajukan judul dengan beberapa syarat dan tahapan, dosen pembimbing, tekanan dari lingkungan dan dalam posisi kuliah sambil bekerja.

Sebagian mahasiswa menganggap skripsi adalah sesuatu yang menakutkan, terlebih lagi apabila mahasiswa tidak mampu menguasai tekanan-tekanan dalam menyelesaikan skripsi dan akhirnya menyebabkan mereka lambat dalam penyusunan skrispsi.

xiv

Tekanan-tekanan yang dialami mahasiswa dalam menyelesaikan tugas akhir studi menjadikan mahasiswa mengalami kecemasan misalnya rendah diri, frustasi, kehilangan motivasi dan gejala-gejala yang dialami mahasiswa antara lain sulit tidur, cemas, mudah marah, malas dan lain-lain.

Berdasarkan latar belakang tersebut maka penulis tertarik untuk mengetahui faktor apa yang sangat berpengaruh terhadap tingkat kecemasan mahasiswa FMIPA USU dalam menyelesaikan skripsi.

1.2Perumusan Masalah

Permasalahan yang akan dikaji dalam penelitian ini adalah :

1. Bagaimana tingkat kecemasan mahasiswa FMIPA USU berpengaruh terhadap penyelesaian skripsi;

2. Faktor manakah yang mempunyai pengaruh paling dominan terhadap tingat kecemasan mahasiswa dalam menyelesaikan skripsi.

1.3Batasan Masalah

Adapun batasan masalah dalam penelitian ini adalah :

1. Metode yang digunakan dalam pembahasan adalah analisis faktor;

2. Responden hanya diambil dari konsumen pria dan wanita mahasiswa S1 Biologi, S1 Kimia Reguler, S1 Kimia Ekstensi, S1 Matematika Ekstensi, S1 Matematika Reguler, S1 Fisika Reguler, S1 Fisika Ekstensi yang akan melakukan tugas akhir/skripsi tahun ajaran 2014/2015 dan belum melaksanakan sidang;

3. Untuk mahasiswa S1 reguler merupakan stambuk 2011 dan mahasiswa ekstensi merupakan stambuk 2013;

4. Pengolahan data menggunakan bantuan software SPSS.

1.4Tinjauan Pustaka

Analisis faktor merupakan nama umum yang menunjukkan suatu kelas prosedur, utamanya dipergunakan untuk menemukan hubungan (interrelationship) antara sejumlah variabel-variabel yg saling independen satu dengan yang lain, sehingga data tereduksi atau diringkas, dari variabel banyak diubah menjadi variabel yang

xv

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.

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 – variabel tertentu.

Model analisis faktor dapat ditulis sebagai berikut :

Xi = Bi1F1 + Bi2F2 + Bi3F3+ … + BijFj+ … + BimFm + Viµi (1.1)

Dimana :

Xi = Variabel ke-i yang dibakukan

Bij = Koefsien regresi parsial yang dibakukan untuk variabel i pada komponen faktor ke j

Fj = Komponen faktor ke j

Vi = Koefsien regresi yang dibakukan untuk variabel ke-i pada faktor yang unik ke-i

µi = Faktor unik variabel ke-i m = Banyaknya komponen faktor

1.5Tujuan Penelitian

Untuk mengetahui faktor manakah yang mempengaruhi tingkat kecemasan mahasiswa dalam menyelesaikan skripsi.

1.6Konstribusi Penelitian

Berdasarkan latar belakang, rumusan masalah dan tujuan penelitian, maka diharapkan bahwa hasil dari penelitian dapat bermanfaat yaitu :

xvi

1. Dapat menambah pengalaman dan sekaligus juga sebagai sarana untuk memperdalam pengetahuan dibidang statistik terutama yang berhubungan dengan analisis faktor;

2. Merangsang mahasiswa untuk menunjukkan kemampuan dan motivasinya dalam menyelesaikan tugas akhir studinya;

3. Dapat dijadikan bahan kajian serta sebagai dasar untuk melakukan penelitian lebih lanjut dan mendalam.

1.7Metodologi Penelitian

Adapun metodologi penelitian dalam tulisan ini adalah sebagai berikut : 1. Penentuan jumlah sampel dari seluruh populasi yang telah diketahui 2. Menentukan Variabel Penelitian

3. Pengolahan Data

Setelah data terkumpul dari kuesioner yang diisi oleh responden, maka dilakukan tahap pengolahan data meliputi:

a. Editing, yaitu meneliti jawaban-jawaban yang telah diberikan oleh responden, apakah telah sesuai dengan petunjuk pengisian kuesioner. b. Tabulasi, yaitu memberikan skor terhadap jawaban responden berdasarkan

skala pengukuran yang telah ditentukan.

c. Melakukan transformasi data ordinal menjadi data interval. d. Menguji validitas dan reliabilitas data hasil kuesioner.

4. Analisis Data

a. Membentuk matriks korelasi b. Memilih metode analisis faktor c. Menentukan banyaknya faktor d. Melakukan rotasi faktor

e. Membuat interpretasi hasil rotasi

f. Menghitung factor scores atau surrogate variables

xvii

BAB 2

LANDASAN TEORI

2.1 Pengertian Kecemasan

Kecemasan atau dalam Bahasa Inggrisnya “anxiety” berasal dari bahasa latin “angustus” yang berarti kaku, dan “ango,anci” yang berarti mencekik. Menurut Freud (dalam Alwisol, 2005:28) mengatakan bahwa kecemasan adalah fungsi ego untuk memperingatkan individu tentang kemungkinan datangnya suatu bahaya sehingga dapat disiapkan reaksi adaptif yang sesuai. Kecemasan berfungsi sebagai mekanisme yang melindungi ego karena kecemasan memberi sinyal bahwa ada bahaya dan kalau tidak dilakukan tindakan yang tepat maka bahaya itu akan meningkat sampai ego dikalahkan.

Kecemasan adalah suatu keadaan aprehensi atau keadaan khawatir yang mengeluhkan bahwa sesuatu yang buruk akan terjadi. Kecemasan adalah respon yang cepat terjadi ancaman tetapi akan menjadi abnormal apabila tingkatannya tidak sesuai dengan proporsi ancaman, atau bila datang tanpa ada penyebab (Nevid, 2005).

Menurut Nevid (2005) kecemasan terdiri dari tiga aspek yaitu :

a. Simptom fisik adalah gangguan yang terjadi pada fisik, seperti badan gemetar, keluar banyak keringat, jantung berdetak kencang, sulit bernafas, pusing, tangan dingin, mual, panas dingin, lebih sensitive, kegelisahan, kegugupan, pingsan, merasa lemas, sering buang air kecil, dan diare. b. Simptom perilaku adalah kecemasan yang mengakibatkan perilaku

seseorang menjadi berbeda dan mengarah kepada hal yang kurang biasa, seperti perilaku menghindar, perilaku ketergantungan atau melekat, perilaku terguncang, dan meninggalkan situasi yang menimbulkan kecemasan.

c. Simptom kognitif yaitu khawatir tentang sesuatu, keyakinan bahwa sesuatu yang mengerikan akan segera terjadi tanpa ada penjelasan yang jelas, merasa terancam oleh orang atau peristiwa, kebingungan, dan khawatir akan ditinggal sendiri.

xviii

2.2 Populasi dan Sampel 2.2.1 Populasi

Menurut Juliansyah (2011:147) Populasi adalah seluruh elemen/anggota dari suatu wilayah yang menjadi sasaran penelitian atau merupakan keseluruhan objek penelitian dipelajari kemudian ditarik kesimpulannya. Populasi yang digunakan dalam penelitian ini mahasiswa FMIPA yang sedang menyelesaikan skripsi tahun ajaran 2014/2015.

2.2.2 Sampel

Sampel adalah sejumlah anggota yang dipilih dari populasi (Juliansyah, 2011 : 147). Pada penelitian ini, peneliti mengambil sampel di wilayah Fakultas Matematika dan IPA Universitas Sumatera Utara.

Teknik pengambilan sampel dilakukan dengan metode penyebaran kuesioner pada mahasiswa FMIPA USU dengan beberapa pertanyaan yang diberi skor jawaban dengan menggunakan skala likert yaitu mulai dari 1-5 dengan keterangan :

5 = Selalu atau sangat tinggi 4 = Sering atau tinggi

3 = Kadang-kadang atau cukup 2 = Jarang atau rendah

1 = Tidak pernah atau rendah sekali

Metode yang digunakan dalam menentukan jumlah sampel menggunakan rumus Slovin yaitu :

N

n = (2.1)

1+Ne2

Keterangan : n = Jumlah Sampel N = Jumlah Populasi

xix

Pemilihan sampel dilakukan dengan probability sampling yaitu metode

proportionate stratified random sampling yaitu pengambilan sampel dari anggota populasi secara acak dan berstrata secara proporsional.

2.3 Variabel Penelitian

Variabel ialah sesuatu yang nilainya berubah-ubah menurut waktu atau berbeda menurut elemen/tempat (Suprapto : 2004). Umumnya nilai karakteristik merupakan variabel, diberi simbol huruf X. variabel yang digunakan dalam penelitian ini adalah: Metodologi Penelitian, Kesehatan, Penurunan Motivasi, Prosedur Pengajuan Proposal, Keluarga, Proses Bimbingan, Biaya Pembuatan Skripsi, Kuliah Sambil Bekerja.

2.4 Jenis Sumber Data

Data merupakan komponen utama dalam statistika. Data adalah bahan baku yang jika diolah melalui berbagai analisis dapat melahirkan informasi, dimana informasi tersebut dapat diambil suatu keputusan. Sumber data yang dipakai dalam penelitian ini adalah Data Primer, yaitu data yang diperoleh melalui studi dokumentasi, baik dari buku, jurnal majalah dan situs internet yang mendukung penelitian ini.

2.5 Skala Pengukuran

Maksud dari skala pengukuran ini untuk mengklasifikasikan variabel yang akan diukur supaya tidak terjadi kesalahan dalam menentukan analisis data dan langkah penelitian selanjutnya. Jenis-jenis skala pengukuran ada empat yaitu :

a. Skala Nominal

Skala nominal yaitu skala yang paling sederhana disusun menurut jenis (kategorinya) atau fungsi bilangan hanya sebagai symbol untuk membedakan sebuah karakteristik dengan karakteristik lainnya. Adapun ciri-ciri skala nominal antara lain : Hasil penghitungan dan tidak dijumpai bilangan pecahan, angka yang tertera hanya label saja, tidak mempunyai urutan (rangking), tidak mempunyai ukuran baru dan tidak mempunyai nol mutlak.

xx

Contoh :

Agama yang dianut : Islam = 1, Kristen = 2, Hindu = 3, Budha = 4, dan lain-lainya.

b. Skala Ordinal (Rangking)

Skala ordinal ialah skala yang didasarkan pada rangking, diurutkan pada rangking, diurutkan dari jenjang yang lebih tinggi sampai jenjang terendah atau sebaliknya. Contoh :

- Mengukur tingkat prestasi kerja - Mengkur gaji pegawai

- Mengukur rangking kelas : I,II,III

- Kepangkatan militer : Jenderal>Mayor>Kapten>Letnan

c. Skala Interval

Skala interval adalah skala yang menunjukkan jarak antara satu data dengan data yang lain yang mempunyai bobot yang sama.

Contoh :

1. Skor ujian perguruan tinggi : A,B,C,D dan E 2. Skor IQ

3. Waktu : menit, jam, hari, minggu, bulan, tahun 4. Temperatur atau suhu

5. Mengurutkan : Kualitas pelayanan, keadaan persepsi pegawai dan sikap pimpinan

Sangat Puas = 5 Puas = 4

Cukup Puas = 3 Kurang Puas = 2 Tidak Puas = 1

d. Skala ratio

Skala ratio adalah skala pengukuran yang mempunyai nilai nol mutlak dan mempunyai jarak yang sama. Misalnya umur manusia dan ukuran timbangan

xxi

keduanya tidak memiliki angka nol negative, artinya seseorang tidak dapat berumur dibawah nol tahun dan seseorang harus memiliki timbangan diatas nol pula.

2.6 Skala untuk Instrumen (Model Skala Sikap)

Bentuk-bentuk skala sikap yang sering digunakan dalam penelitian ada 5 macam, yaitu :

1. Skala Likert

Skala Likert digunakan untuk mengukur sikap, pendapat dan persepsi seseorang atau sekelompok tentang kejadian atau gejala sosial. Dalam penelitian gejala sosial ini telah ditetapkan secara spesifik oleh peneliti, yang selanjutnya disebut sebagai variabel penelitian.

Dengan menggunakan skala likert, maka variabel yang akan diukur dijabarkan menjadi dimensi, dimensi dijabarkan menjadi sub variabel kemudian sub variabel dijabarkan lagi menjadi indikator-indikator yang dapat diukur. Akhirnya indikator-indikator yang terukur ini dapat dijadikan titik tolak untuk membuat item instrument yang berupa pernyataan atau pernyataan yang perlu dijawab oleh responden. Setiap jawaban dihubungkan dengan bentuk pernyataan atau dukungan sikap yang diungkapkan dengan kata-kata. Misalnya :

Sangat Setuju (SS) = 5 Setuju (S) = 4

Ragu-ragu/Tidak Tahu (TT) = 3 Tidak Setuju (TS) = 2

Sangat Tidak Setuju (STS) = 1

Sangat Puas = 5 Puas = 4

Cukup Puas = 3 Kurang Puas = 2 Tidak Puas = 1

xxii

2. Skala Guttman

Skala Guttman merupakan skala kumulatif. Skala Guttman mengukur suatu dimensi saja dari suatu variabel yang multidimensi. Skala Guttman adalah skala yang digunakan untuk jawaban yang bersifat jelas (tegas) dan konsisten. Misalnya : Yakin – Tidak Yakin, Ya – Tidak, Salah – Benar, Positif – Negatif, Pernah – Belum Pernah, Setuju – Tidak Setuju, dan lain sebagainya.

3. Skala Diferensial Semantik

Skala Diferensial Semantik atau skala perbedaan semantik berisikan serangkaian karakteristik bipolar (dua kutup). Responden diminta untuk menilai suatu objek atau konsep pada suatu skala yang mempunyai 2 ejektif yang bertentangan.

Seperti : Panas – Dingin, Populer – Tidak Populer, Bagus – Buruk, dan sebagainya.

4. Rating Scale

Rating Scale yaitu data mentah yang didapat berupa angka kemudian ditafsirkan dalam pengertian kualitatif.

Misalnya : ketat – longgar, lemah – kuat, positif – negative 5. Skala Thurstone

Skala Thurstone meminta responden untuk memilih jawaban yang ia setujui dari beberapa pertanyaan yang menyajikan pandangan – pandangan berbeda – beda. Pada umumnya asosiasi antara 1 sampai 9 tetapi nilainya tidak diketahui oleh responden.

2.7 Metode Pengumpulan Data

Pengumpulan data penelitian dimaksudkan sebagai pencatatan peristiwa atau karakteristik dari sebagian peristiwa atau seluruh elemen proposal penelitian. Pengumpulan data penelitian dapat dilakukan berdasarkan cara-cara tertentu. Adapun metode pengumpulan data yang digunakan secara umum adalah :

xxiii

a. Metode dokumentasi

Metode dokumentasi adalah mencari data mengenai hal-hal atau variabel yang berupa catatan, transkip, buku, surat kabar, majalah, prasasti, notulen rapat, agenda dan sebagainya. Metode dokumentasi dalam penelitian ini digunakan untuk mengumpulkan data tentang kecemasan mahasiswa dalam menyelesaikan skripsi.

b. Metode Angket (kuisioner)

Kuisioner adalah pertanyaan tertulis yang digunakan untuk memperoleh informasi dari respoden dalam arti laporan tentang pribadinya atau hal-hal yang ia ketahui. Untuk mengetahui distribusi frekuensi masing-masing variabel yang pengumpulan datanya menggunakan angket (kuisioner), setiap indikator dari data yang dikumpulkan terlebih dahulu diklasifikasikan dan diberi skor atau nilai yaitu: Skor 5 jika jawaban responden selalu atau sangat tinggi

Skor 4 jika jawaban responden sering atau tinggi Skor 3 jika jawaban kadang-kadang atau cukup tinggi Skor 2 jika jawaban jarang atau rendah

Skor 1 jika jawaban tidak pernah atau rendah sekali

c. Wawancara

Wawancara merupakan teknik pengumpulan data dalam metode survey yang menggunakan pertanyaan secara lisan kepada subjek penelitian. Teknik wawancara dilakukan jika peneliti memerlukan komunikasi atau hubungan dengan responden.

2.8 Uji Dalam Pengolahan Data

2.8.1 Uji Validitas

Validitas menunjukkan sejauh mana ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya. Suatu test atau instrument pengukur dapat dikatakan mempunyai validitas yang tinggi apabila alat ukur tersebut menjalankan fungsi ukurnya, atau memberikan hasil ukur yang sesuai dengan maksud

xxiv

dilakukannya pengukuran tersebut. Metode yang digunakan untuk menguji validitas adalah dengan korelasi product moment yang rumusnya sebagai berikut :

rxy =

√ (2.2)

Keterangan :

rxy = Koefsien korelasi X = Skor Variabel Y = Skor Total n = Jumlah Sampel

Untuk menentukan valid tidaknya variabel adalah dengan cara mengkonsultasikan hasil perhitungan koefsien korelasi dengan tabel nilai koefsien (r) pada taraf kepercayaan 95%.

Apabila rxy≥ rtabel valid

Apabila rxy < rtabel tidak valid (Ade Fatma, 2007)

2.8.2. Uji Reliabilitas

Reliabilitas menunjukkan sejauh mana hasil pengukuran dapat dipercaya. Pengukuran yang memiliki reliabilitas tinggi disebut sebagai pengukuran yang reliabilitas. Metode yang digunakan untuk menguji reliabilitas adalah metode Alpha Cronbach. Variabel dikatakan reliabel jika memberikan nilai Alpha Cronbach > 0,60 (Ade Fatma, 2007).

r =

(2.3)

Keterangan :

r = nilai (koefsien) Alpha Cronbach k = Banyaknya variabel penelitian

∑ = Jumlah varians variabel penelitian = Varians total

xxv

2.9 Analisis Faktor

2.9.1 Pengertian Analisis Faktor

Yang dimaksud dengan analisis faktor ialah suatu analisis yang mensyaratkan adanya keterkaitan antar variabel. Tujuan utama teknik ini ialah untuk membuat ringkasan informasi yang dikandung dalam sejumlah besar variabel kedalam suatu kelompok faktor yang lebih kecil.

Teknik ini bermanfaat untuk mengurangi jumlah data dalam rangka untuk mengidentifikasi sebagian kecil faktor yang dapat menerangkan varians yang sedang diteliti secara lebih jelas dalam suatu kelompok variabel yang jumlahnya besar. Kegunaan utama analisis faktor ialah untuk melakukan pengurangan data atau dengan kata lain melakukan peringkasan sejumlah variabel menjadi lebih kecil jumlahnya. Pengurangan dilakukan dengan melihat interdependensi beberapa variabel yang dapat dijadikan satu yang disebut dengan faktor sehingga diketemukan variabel-variabel atau faktor-faktor yang dominan atau penting untuk dianalisa lebih lanjut.

Untuk menggunakan teknik ini persyaratan yang sebaiknya dipenuhi ialah : a. Data yang digunakan ialah data kuantitatif berskala interval atau ratio b. Data harus mempunyai distribusi normal bivariate untuk masing-masing

pasangan variabel

c. Model ini mengkhususkan bahwa semua variabel ditentukan oleh faktor biasa (faktor yang diestimasikan oleh model) dan faktor-faktor unik (yang tidak tumpang tindih antara variabel-variabel yang sedang diobservasi)

d. Estimasi yang dihitung didasarkan pada asumsi bahwa semua faktor unik tidak saling berkorelasi satu dengan lainnya dan dengan faktor-faktor biasa.

e. Persyaratan dasar untuk melakukan penggabungan ialah besarnya korelasi antar variabel independen setidak-tidaknya 0,5 karena prinsip analisis faktor adanya korelasi antar variabel.

xxvi

Analisis faktor dapat digunakan di dalam situasi sebagai berikut :

1. Mengenali atau mengidentifikasi dimensi yang mendasari (underlying dimensions) atau faktor, yang menjelaskan korelasi antara suatu set variabel.

2. Mengenali atau mengidentifikasi suatu set variabel baru yang tidak berkorelasi (independen) yang lebih sedikit jumlahnya untuk menggantikan suatu set variabel asli yang saling 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 jumlahnya untuk dipergunakan di dalam analisis multivariat selanjutnya.

2.9.2 Model Analisis Faktor

Secara matematis, analisis faktor hamper sama 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 dilihat dari persamaan (1.1).

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.

Fi = Wi1 X1 + Wi2 X2 + Wi3 X3+ … + Wik Xk (2.4) Dimana

Fi = Perkiraan faktor ke-i (didasarkan pada nilai variabel X dengan koefsiennya Wi)

xxvii

Wi = Koefsien nilai faktor ke-i

k = Banyaknya variabel (ada 8 variabel) Xi= Variabel ke i ; i = 1,2,3 … k

2.9.3. Statistik yang berkaitan dengan Analisis Faktor

Statistik yang berkaitan dengan analisis faktor adalah :

a. Uji Barlett

Pengujian ini digunakan untuk melihat apakah variabel yang digunakan berkorelasi dengan variabel lainnya. Jika variabel-variabel yang digunakan sama sekali tidak mempunyai korelasi dengan variabel lainnya, sudah tentu analisis faktor tidak dapat dilakukan.

Dalam hal ini pengujian dilakukan dengan menggunakan Statistik Chi Square, sebagaimana dapat dilihat dibawah ini :

X2 = - | | (2.5)

Keterangan :

N = Jumlah Populasi

| |= Determinan matriks korelasi k = jumlah variabel

b. Correlation matrix (Matriks Korelasi)

Matriks ialah suatu kumpulan angka-angka (sering disebut elemen-elemen) yang disusun menurut baris dan kolom sehingga berbentuk empat persegi panjang, dimana panjangnya dan lebarnya ditunjukkan oleh banyaknya kolom-kolom dan baris-baris.

Matriks korelasi adalah matriks yang menunjukkan korelasi sederhana (r) antara seluruh kemungkinan pasangan variabel yang dilibatkan dalam analisis.

Apabila suatu matriks A terdiri dari m baris dan n kolom, maka matriks A bisa ditulis sebagai berikut :

xxviii

Matriks mxn

[

]

Dimana : (aij), i = 1,2,…,m dan j = 1,2,…,n

c. 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.

hi = + + … + (2.6) Dimana :

hi = communality variabel ke-i ; i = 1,2,3,…, m λim = nilai factor loading

d. Eigenvalue (Nilai Eigen)

Nilai eigen merupakan jumlah varians yang dijelaskan oleh setiap faktor-faktor yang mempunyai nilai eigen > 1, maka faktor tersebut akan dimasukkan ke dalam model. (J.Supranto, 2010).

Definisi :

Jika A adalah sebuah matriks nxn, maka sebuah vector tak nol x pada Rn disebut

eigenvector dari A jika Ax adalah sebuah kelipatan scalar dari x; jelasnya, Ax = λx

Untuk scalar sebarang λ, scalar λ disebut nilai eigen dari A, dan x disebut sebagai

xxix

e. F aktor Loadings (Faktor Muatan)

Faktor muatan adalah korelasi sederhana antara variabel dengan faktor

f. F aktor Loading Plot (Plot Faktor Muatan)

Plot faktor muatan adalah suatu plot dari variabel asli dengan menggunakan factor loading sebagai koordinat.

g. F aktor Matrix (Faktor Matriks)

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

h. 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.

KMO =

(2.7) Keterangan :

rik = koefsien korelasi sederhana antara variabel ke-I dan ke-k aik = koefsien korelasi parsial antara variabel ke-i dan ke-k

Measure of sampling adequacy (MSA) yaitu suatu indeks perbandingan antara koefsien korelasi parsial untuk setiap variabel. MSA digunakan untuk mengukur kecukupan sampel.

i. Percentage of variance (Persentase Varians)

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

xxx

j. Residuals

Residuals adalah selisih antara korelasi yang terobservasi berdasarkan input

correlation matrix dan korelasi hasil reproduksi yang diestimasi dari matriks faktor.

k. Scree Plot

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

2.10 Langkah –langkah Analisis Faktor

Langkah-langkah dalam analisis faktor adalah sebagai berikut :

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 ratio. 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 ∑pxp. Matriks korelasi digunakan sebagai input analisis faktor.

Table 2.1 Korelasi antar variabel

X1 X2 X3 … Xp

X1 1

X2 1

X3 1

… … … … 1

xxxi

3. Menentukan metode analisis faktor

a. Menghitung nilai karakteristik (nilai eigen)

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

Det (A –λl) = 0 (2.8)

Dengan :

A = matriks korelasi λ = nilai eigen l = matriks identitas

Nilai eigen adalah jumlah varian yang dijelaskan oleh setiap faktor (Anton Howard, 2000)

b. Menghitung vektor karakteristik (eigenvector)

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

Ax = λx (2.9)

Dengan :

X = eigenvector (Anton Howard, 2000)

4. Menentukan banyaknya faktor

Ada beberapa prosedur yang dapat dipergunakan dalam menentukan banyaknya faktor yaitu:

a. Penentuan berdasarkan Nilai Eigen

Pada pendekatan ini, hanya faktor dengan nilai eigen lebih besar dari satu yang dipertahankan. Nilai eigen 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.

xxxii

b. Penentuan berdasarkan Scree Plot

Scree Plot merupakan plot dari nilai eigen terhadap banyaknya faktor dalam ekstraksinya. Bentuk plot yang dihasilkan digunakan untuk menentukan banyaknya faktor. Biasanya plot akan berbeda antara slope tegak faktor, dengan nilai eigen yang besar dan makin kecil pada sisa faktor yang tidak perlu diekstraksi.

c. Penentuan berdasarkan Persentase Varians

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

Menghitung matriks faktor loading

Matriks loading factor (Λ) diperoleh dengan mengkalikan matriks eigenvector

(V) dengan akar dari matriks eigenvalue (L) atau dalam persamaan matematis ditulis :

Λ = V x √L (2.10)

5. Melakukan rotasi terhadap faktor

Sebuah ouput penting dari analisis faktor adalah matriks faktor atau disebut juga sebagai matriks faktor pola. Matriks faktor mengandung koefsien yang digunakan untuk mengekspresikan variabel yang dibakukan (distandarisasi) dinyatakan dalam faktor. Koefsien-koefsien tersebut atau faktor loading merupakan korelasi antara faktor dengan variabelnya. Sebuah koefsien dengan nilai absolute yang besar mengindikasikan bahwa faktor dan variabel berkorelasi kuat. Koefsien tersebut bisa digunakan untuk menginterpretasi faktor.

Dalam merotasi faktor, diharapkan setiap faktor memiliki loading faktor atau koefsien yang tidak nol, atau signifikan hanya untuk beberapa variabel, atau

xxxiii

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 orthogonal dengan meminimumkan banyaknya variabel yang memiliki loadings tinggi pada sebuah faktor, sehingga lebih mudah menginterpretasi faktor. Rotasi orthogonal 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.

6. Membuat interpretasi hasil rotasi terhadap 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 bias digunakan adalah melalui pivot variabel dengan faktor loading sebagai koordinat. Variabel yang berada pada akhir sebuah sumbu adalah variabel yang memiliki loading tinggi hanya pada faktor yang bersangkutan, sehingga bias 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 bias secara jelas didefinisikan dalam batas variabel awalnya, maka disebut faktor umum.

xxxiv

7. Menentukan ketepatan model (model fit)

Langkah terakhir dalam analisis faktor adalah menentukan ketepatan model (model fit). Asumsi dasar yang digunakan dalam analisis faktor adalah korelasi terobservasi dapat menjadi atribut dari faktor atau komponen. Untuk itu, korelasi terobservasi dapat direproduksi melalui estimasi korelasi antara variabel terhadap faktor. Selisih antara korelasi dari data observasi dengan korelasi reproduksi dapat digunakan dengan mengukur ketepatan model. Selisih tersebut sebagai residuals. Jika banyak residual yang besar (residual > 0.05), berarti model faktor yang dihasilkan tidak tepat sehingga model perlu dipertimbangkan kembali.

xxxv

BAB 3

PEMBAHASAN DAN HASIL

3.1 Populasi, Sampel, dan Teknik Pengambilan Sampel

Populasi dalam penelitian ini adalah Mahasiswa FMIPA USU yang sedang menyelesaikan skripsi. Jumlah mahasiswa yang menyelesaikan skripsi untuk tahun ajaran 2015 adalah 354 orang (data diperoleh dari Direktori USU)

Tabel 3.1 Daftar jumlah mahasiswa yang menyelesaikan tugas skripsi Tahun 2015

No Jurusan Jumlah Mahasiswa

1 Biologi Reguler S1 57

2 Kimia Reguler S1 53

3 Matematika Reguler S1 68

4 Fisika Reguler S1 76

5 Matematika Ekstensi S1 35

6 Kimia Ekstensi S1 39

7 Fisika Ekstensi S1 26

Total 354

Jumlah sampel dalam penelitian ini adalah 78 responden. Langkah – langkah dalam penentuan sampel, tahap pertama adalah menentukan banyaknya jumlah sampel dari seluruh populasi yang telah diketahui dan kemudian tentukan tingkat presisi yang ditetapkan yaitu 10% dengan rumus slovin sebagai berikut :

n =

n =

n =

= 77, 97

n = 78 responden

xxxvi

Kemudian menentukan sampel secara proporsional dengan rumus :

ni = . n

n1 = . 78 = 12 responden

n2 = . 78 = 12 responden

n3 = . 78 = 15 responden

n4 = . 78 = 17 responden

n5 = . 78 = 8 responden

n6 = . 78 = 8 responden

n7 = . 78 = 6 responden

Sesuai dengan perhitungan manual diatas diperoleh jumlah sampel pada tiap-tiap jurusan sebagai berikut :

Tabel.3.2 Jumlah Sampel pada tiap-tiap jurusan

No Jurusan Jumlah Sampel

1 Biologi Reguler S1 12

2 Kimia Reguler S1 12

3 Matematika Reguler S1 15

4 Fisika Reguler S1 17

5 Matematika Ekstensi S1 8

6 Kimia Ekstensi S1 8

7 Fisika Ekstensi S1 6

Total 78

Prosedur pengambilan sampel yang dapat menghilangkan kemungkinan bias adalah mengambil sampel secara acak (random). Untuk populasi yang besar

xxxvii

proses pengambilan sampel dapat menggunakan lotere dengan langkah-langkah sebagai berikut:

1. Populasi diberi nomor urut dari 1 sampai N 2. Buat lotere dengan nomor 1 sampai N

3. Kocok lotere supaya setiap nomor mempunyai kemungkinan yang sama untuk terambil

4. Ambil lotere sebanyak n (pengambilan dilakukan satu persatu), nomor yang terpilih merupakan nomor polulasi yang terambil menjadi sampel.

3.2 Variabel Penelitian

Variabel yang digunakan dalam penelitian ini adalah : X1= Metodologi Penelitian

X2 = Kesehatan

X3 = Penurunan Motivasi

X4 = Prosedur Pengajuan Proposal X5 = Keluarga

X6 = Proses Bimbingan

X7 = Biaya Pembuatan Skripsi X8 = Kuliah Sambil Bekerja

3.3 Pengolahan Data

3.3.1 Tabulasi Data

Input data mentah yang terdiri dari 78 sampel observasi (responden) dan 8 variabel awal penelitian. Kuesioner terdiri dari beberapa pernyataan yang disertai skor jawaban 1 -5 dengan menngunakan skala likert yaitu :

5 = Selalu atau sangat tinggi 4 = Sering atau tinggi

3 = Kadang-kadang atau cukup 2 = Jarang atau rendah

xxxviii

Berikut data yang diperoleh dari hasil penyebaran kuisioner pada mahasiswa yang sedang menyelesaikan skripsi pada tahun 2015

Tabel 3.3 Data Hasil Kuisioner

Nomor

Responden X1 X2 X3 X4 X5 X6 X7 X8

1 _{5 4 3 2 5 2 3 2}

2 _{2 2 2 2 4 4 3 4}

3 _{4 4 5 4 4 3 3 3}

4 _{4 4 5 1 5 4 3 4}

5 _{4 2 4 3 2 3 5 4}

6 _{4 3 4 4 2 4 5 2}

7 _{4 3 3 4 5 2 2 1}

8 _{3 3 4 3 2 5 5 2}

9 _{5 4 2 5 1 4 2 4}

10 _{4 4 2 4 4 1 3 4}

78 _{2 5 3 3 5 5 1 5}

Data secara keseluruhan dapat dilihat dalam lampiran 2A

3.3.2 Penskalaan Data Ordinal Menjadi Data Interval

Dari data mentah hasil kuisioner dibuat suatu matriks data Xpxn yang telah dilakukan penskalaan data ordinasl menjadi skala interval. Teknik penskalaan yang digunakan dalam penelitian ini adalah Methode Successive interval.

Langkah-langkah Methods Successive Interval :

1. Mengitung frekuensi skor jawaban dalam skala ordinal Untuk contoh diatas :

Frekuensi skor jawaban 1 sebanyak 4 responden Frekuensi skor jawaban 2 sebanyak 10 responden Frekuensi skor jawaban 3 sebanyak 24 responden Frekuensi skor jawaban 4 sebanyak 29 responden Frekuensi skor jawaban 5 sebanyak 11 responden

xxxix

2. Menghitung proporsi dan proporsi komulatif untuk masing-masing skor jawaban.

Proporsi dihitung dengan membagi setiap frekuensi dengan jumlah responden.

P1 = 0,051

P2 = 0,128

P3 = 0,308

P4 = 0,372

P5 = 0,141

Menghitung Proporsi Komulatif (PK) PK1 = 0,051

PK2 = 0,179 PK3 = 0,487 PK4 = 0,859 PK5 = 1,000

3. Menentukan nilai Z untuk setiap katagori, dengan asumsi bahwa proporsi komulatif dianggap mengikuti distribusi normal baku. Nilai Z diperoleh dari Tabel Distribusi Normal Baku

Contoh PK1 = 0,051, nilai P yang akan dihitung adalah : 0,5-0,051 = 0,449 Nilai 0,449 ada diantara : 1,64+1,65 = 3,29/2,004454343 = 1,64134

4. Menghitung nilai densitas dari nilai Z yang diperoleh dengan cara memasukkan nilai Z tersebut kedalam fungsi densitas normal baku sebagai berikut :

f(z) =

√ (

xl

=

√ (

₎

=

√ (

₎

=

=

(3,845899449)

= 1,534680955

5. Menghitung Scale Value (SV) dengan rumus :

SV =

SV1 = = = -2,05212

SV2 = = -1,22

SV3 = = -0,44

SV4 = = 0,47

SV5 = = 1,58

6. Menentukan Scala Value min sehingga SVterkecil + SVmin = 1 Scale Value terkecil = -2,05212

-2,05212 + SVmin = 1 SVmin = 3,05212

7. Menentukan nilai skala dengan menggunakan rumus : Y = SV + SVmin

xli

Y2 = -1,22416 + 3,06347 = 1,8299 Y3 = -0,44417+ 3,06347 = 2,6075 Y4 = -0,47057 + 3,06347 = 3,523 Y5 = 1,58639 + 3,06347 = 4,6382

Perhitungan diatas adalah penskalaan data ordinal menjadi data interval pada variabel 1 dengan menggunakan Methode Successive Interval, penskalaan variabel 1 dilakukan juga dengan bantuan Microsoft Excel 2007. Diperoleh data sebagai berikut pada tabel 3.4 :

Tabel 3.4 Penskalaan Variabel 1

Kateg ori

Frekuen

si Proporsi

Proporsi Komulatif

Nilai Z

Densitas

(f(z)) Skala

Nilai Hasil Penskal

aan

1 4 0,0513 0,0513 -1,6325 0,1052 -2,0521 1,000

2 10 0,1282 0,1795 -0,9173 0,2619 -1,2222 1,8299

3 24 0,3077 0,4872 -0,0321 0,3987 -0,4446 2,6074

4 29 0,3718 0,8590 1,0757 0,2237 0,4708 3,5229

5 11 0,141 1,000 - - 1,5861 4,6382

∑ 78

Dengan melakukan cara yang sama seperti diatas untuk memperoleh hasil penskalaan dari 8 variabel dengan bantuan Microsoft Exel 2007 diperoleh hasil penskalaan data ordinal menjadi skala interval sebagai berikut :

Tabel. 3.5 Hasil Penskalaan Variabel

X1 X2 X3 X4 X5 X6 X7 X8

1 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000

2 1,829 1,477 2,050 1,838 1,570 1,872 1,732 1,859

3 2,667 2,355 3,157 2,650 1,953 2,751 2,735 2,661

4 3,522 3,237 4,035 3,566 2,518 3,760 3,744 3,624

xlii

3.3.3 Uji Validitas

Validitas merupakan sejauh mana ketepatan dan kecermatan melakukan fungsi ukurnya. Suatu test atau instrument pengukur dapat dikatakan mempunyai validitas yang tinggi apabila alat ukur tersebut menjalankan fungsi ukurnya, atau memberikan hasil ukur yang sesuai dengan maksud dilakukannya pengukuran tersebut

Pengujian validitas dilakukan pada 78 responden. Setelah dilakukan uji validitas dengan bantuan SPSS diperoleh hasil sebagai berikut :

Tabel 3.6 Uji Validitas Variabel Penelitian

No Variabel R hitung R tabel Kesimpulan

1 X1= Metodologi Penelitian 0,102 0,220 Tidak Valid

2 X2= Kesehatan 0,253 0,220 Valid

3 X3= Penurunan Motivasi 0,338 0,220 Valid 4 X4=Prosedur Pengajuan

Proposal

0,376 0,220 Valid

5 X5= Keluarga 0,152 0,220 Tidak Valid

6 X6= Proses Bimbingan 0,267 0,220 Valid

7 X7= Biaya Pembuatan Skripsi 0,258 0,220 Valid 8 X8= Kuliah sambil bekerja 0,456 0,220 Valid

Untuk mengetahui valid atau tidak dapat dilihat dari nilai korelasi hitung dibandingkan dengan tabel korelasi product moment untuk N = 78 dan α = 0,5 % adalah 0,220. Dari hasil uji validitas, terlihat bahwa seluruh variabel dinyatakan valid karena nilai r-hitung > r-tabel, r-hitung > 0,220, maka selanjutnya dilakukan uji reliabilitas.

Untuk memudahkan perhitungan manual korelasi product moment antara variabel X2 dengan skor total variabel lainnya Y diperlukan tabel perhitungan korelasi product moment dengan bantuan Microsoft excel 2007 sebagai berikut :

xliii

Tabel.3.7 Perhitungan Korelasi Product Moment

Nomor

Responden X Y XY X

2

Y2

1 4,638 18,372 85,209,336 21,511,044 337,530,384 2 1,829 18,002 32,925,658 3,345,241 324,072,004 3 3,522 22,402 78,899,844 12,404,484 501,849,604 4 3,522 22,961 80,868,642 12,404,484 527,207,521 5 3,522 20,799 73,254,078 12,404,484 432,598,401 6 3,522 21,831 76,888,782 12,404,484 476,592,561 7 3,522 17,356 61,127,832 12,404,484 301,230,736 8 2,667 22,068 58,855,356 7,112,889 486,996,624 9 4,638 20,072 93,093,936 21,511,044 402,885,184 10 3,522 18,730 65,967,060 7,112,889 350,812,900

. . . .

. . . .

. . . .

78 1,829 22,393 40,956,797 3,345,241 501,446,449 Jumlah 239,454 1,716,176 5,299,187 804,513,226 38,725,225 Tabel perhitungan secara lengkap dapat dilihat pada lampiran 3

Dari tabel perhitungan diatas maka dapat dihitung korelasi product moment antara variabel X2 dengan skor total variabel lainnya (Y) sebagai berikut :

rxy = _√

rxy = _√

rxy =

√

rxy =

xliv

rxy =

√

rxy = = 0,101

3.3.4 Uji Reliabilitas

Uji reliabilitas menunjukkan sejauh mana hasil suatu pengukuran dapat dipercaya. Pengukuran yang memiliki reliabilitas tinggi disebut pengukuran yang reliabel. Metode yang digunakan untuk menguji reliabilitas adalah metode Alpha Cronbach. Variabel dikatakan reliabel jika memberikan nilai Alpha Cronbach > 0,6 (Ghozali, 2005).

Cara perhitungan reliabilitas dengan SPSS for Windows 17.0 adalah sebagai berikut :

- Klik analyze, pilih scale dan reliability analysis

- Setelah muncul kotak dialog reliability analysis, pindahkan (X1-X8) ke dalam item statistic

- Klik kotak dialog statistic, pilih descriptive for (item, scale, da, scale if item deleted)

- Klik continue dan klik OK

- Pada output kolom Cronbach’s Alpha if item deleted adalah hasil uji reliabilitas

Dengan bantuan SPSS diperoleh nilai Alpha Cronbach dari 8 variabel penelitian sebagai berikut :

Reliability Statistics

Cronbach's

Alpha N of Items

xlv

Tabel 3.8 Uji Reliabilitas Variabel Penelitian

No Variabel Alpha

Cronbach Kesimpulan

1 X1= Metodologi Penelitian 0,582 Tidak Reliabel

2 X2= Kesehatan 0,532 Tidak Reliabel

3 X3= Penurunan Motivasi 0,505 Tidak Reliabel 4 X4= Prosedur Pengajuan Proposal 0,490 Tidak Reliabel

5 X5= Keluarga 0,572 Tidak Reliabel

6 X6= Proses Bimbingan 0,528 Tidak Reliabel 7 X7= Biaya Pembuatan Skripsi 0,531 Tidak Reliabel 8 X8= Kuliah sambil bekerja 0,463 Tidak Reliabel

Dari tabel diatas hasil ujireliabilitas terhadap variabel-variabel penelitian menunjukkan bahwa data mempunyai tingkat reliabilitas yang rendah karena nilai Alpha Cronbach untuk ke-8 variabel < 0,6. Dengan demikian data dapat memberikan hasil pengukuran yang kurang konsisten (tidak reliabel).

3.4 Analisis Data

Prinsip utama analisis faktor adalah korelasi, maka asumsi-asumsi yang terkait dengan korelasi akan digunakan, yaitu :

 Besar korelasi atau korelasi antar variabel independen harus cukup kuat diatas 0,5.

 Besar korelasi antara dua variabel dengan menganggap tetap variabel lain justru harus lebih kecil. Pada SPSS data dari 8 variabel yang berasal dari 78 responden kemudian dianalisa pada anti image correlation.

 Pengujian seluruh matriks korelasi (korelasi antar variabel), yang diukur dengan besaran BARLETT TEST OF SPHERRICITY dan MEASURE SAMPLING ADEQUACY (MSA) berkisar antara 0 sampai dengan 1 dengan kriteria nilai (santoso, 2005) :

MSA = 1, artinya variabel dapat diprediksi tanpa kesalahan oleh variabel lain.

xlvi

lanjut.

MSA < 0,5, artinya variabel tidak dapat diprediksi dan tidak dapat dianalisis lebih lanjut.

Berikut matriks korelasi antar variabel yang diperoleh dengan bantuan SPSS

Tabel.3.9 Korelasi Matriks

Correlation Matrix

X1 X2 X3 X4 X5 X6 X7 X8

X1 X2 X3 X4 X5 X6 X7 X8 1.000 .061 .038 .169 -.089 .060 .061 .104 .061 1.000 -.206 .137 .061 .174 -.021 .300 .038 .206 1.000 .145 .147 .135 .246 .282 .169 .137 .145 1.000 .293 .041 .163 .337 -.089 .061 .147 .293 1.000 -.021 -.011 .179 .060 .174 .135 .041 -.021 1.000 .382 .224 .061 -.021 .246 .163 -.011 .382 1.000 .139 .104 .300 .282 .337 .179 .224 .139 1.000

Pada penelitian ini matriks korelasi yang dibentuk dari data yang diperoleh untuk mengetahui seberapa besar korelasi antar 8 variabel tersebut. Terlihat korelasi yang cukup kuat antar variabel X1 dan X2 sehingga diharapkan nantinya bahwa variabel - variabel lainnya akan berkorelasi dengan faktor yang sama.

Data mengenai 8 variabel yang berasal dari jawaban 78 orang responden kemudian dianalisa pada anti image correlation. Uji ini dilakukan dengan memperhatikan angka KMO dan MSA. Kriteria kesesuaian dalam pemakaian analisis faktor adalah :

 Jika harga KMO sebesar 0,9 berarti sangat memuaskan,  Jika harga KMO sebesar 0,8 berarti memuaskan,  Jika harga KMO sebesar 0,7 berarti harga menengah,  Jika harga KMO sebesar 0,6 berarti cukup

 Jika harga KMO sebesar 0,5 berarti kurang memuaskan, dan  Jika harga KMO kurang dari 0,5 tidak dapat diterima.

xlvii

Tabel 3.10 Kaiser –Meyes-Olkin (KMO) dan Barlett’s Test KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .597

Bartlett's Test of Sphericity

Approx. Chi-Square 59.627

df 28

Sig. .000

Hasil output SPSS seperti tabel diatas menunjukkan angka KMO dan Barlett’s test adalah 0,597 lebih besar dari 0,5 dengan signifikansi 0,000 lebih kecil dari 0,5, maka variabel dan sampel sudah layak dianalisis lebih lanjut.

Tabel 3.11 Nilai Measure of Sampling Adequecy (MSA)

X1 X2 X3 X4 X5 X6 X7 X8

Anti-image Covariance

X1 .945 -.019 -.007 -.149 .136 -.024 -.006 -.039 X2 -.019 .861 -.130 -.048 .014 -.128 .126 -.169 X3 -.007 -.130 .845 .009 -.095 .016 -.181 -.145 X4 -.149 -.048 .009 .782 -.225 .072 -.123 -.196 X5 .136 .014 -.095 -.225 .870 .020 .062 -.065 X6 -.024 -.128 .016 .072 .020 .796 -.295 -.124 X7 -.006 .126 -.181 -.123 .062 -.295 .776 .001 X8 -.039 -.169 -.145 -.196 -.065 -.124 .001 .756 Anti-image

Correlation

X1 .517a -.021 -.008 -.174 .150 -.027 -.007 -.046 X2 -.021 .615a -.153 -.058 .016 -.155 .154 -.210 X3 -.008 -.153 .673a .011 -.111 .020 -.223 -.182 X4 -.174 -.058 .011 .590a -.273 .091 -.158 -.254 X5 .150 .016 -.111 -.273 .554a .024 .075 -.081 X6 -.027 -.155 .020 .091 .024 .555a -.376 -.160 X7 -.007 .154 -.223 -.158 .075 -.376 .511a .002 X8 -.046 -.210 -.182 -.254 -.081 -.160 .002 .692a a. Measures of Sampling Adequacy(MSA)

xlviii

Hipotesis untuk uji diatas adalah :

H0 = sampel belum memadai untuk dianalisis lebih lanjut H1 = sampel sudah memadai untuk dianalisis lebih lanjut

Kriteria dengan melihat probabilitas (tingkat signifikansi) : Angka Sig. ≥ 0,5 maka H0 diterima

Angka Sig. < 0,5 maka H0 ditolak

3.4.1 Memilih metode analisis faktor

a. Pada tahap ini, akan dilakukan proses inti dari analisis faktor, yaitu melakukan ekstraksi terhadap sekumpulan variabel yang ada KMO > 0,5 sehingga terbentuk satu atau lebih faktor

b. Metode yang digunakan untuk tahap ini adalah Principal Component Analysis

(Analisis Komponen Utama). Didalam Principal Component Analysis, jumlah varians dalam data dipertimbangkan, diagonal matriks korelasi terdiri dari angka satu (1).

Communality ialah jumlah varian yang disumbangkan oleh suatu variabel dengan seluruh variabel lainnya dalam analisis. Dengan bantuan SPSS diperoleh komunalitas sebagai berikut :

Tabel.3.12 Tabel Komunalitas

Communalities

Initial Extraction

X1 1.000 .852

X2 1.000 .790

X3 1.000 .411

X4 1.000 .699

X5 1.000 .711

X6 1.000 .629

X7 1.000 .786

X8 1.000 .570

xlix

Dari tabel 3.12 menunjukkan bahwa variabel diuji memenuhi persyaratan komunalitas, yaitu lebih besar dari 0,5.

Komunalitas pada dasarnya adalah jumlah varians (bisa dalam persentase) dari suatu variabel mula-mula yang bisa dijelaskan oleh faktor yang terbentuk. Bisa juga disebut proporsi atau bagian varian yang dijelaskan oleh komponen faktor atau besarnya sumbangan suatu faktor terhadap varian seluruh variabel.

a. Untuk variabel Metodologi Penelitian, nilai komunalitasnya adalah 0,852 atau sekitar 85,2% varians dari variabel metodologi penelitian bisa dijelaskan oleh faktor yang terbentuk.

b. Untuk variabel Kesehatan, nilai komunalitasnya adalah 0,790 atau sekitar 79% varians dari variabel Kesehatan bisa dijelaskan oleh faktor yang terbentuk.

c. Untuk variabel Penurunan Motivasi, nilai komunalitasnya adalah 0,411 atau sekitar 41,1% varians dari variabel Penurunan Motivasi bisa dijelaskan oleh faktor yang terbentuk.

d. Untuk variabel Prosedur Pengajuan Proposal, nilai komunalitasnya adalah 0,699 atau sekitar 69,9% varians dari variabel Prosedur Pengajuan Proposal bisa dijelaskan oleh faktor yang terbentuk.

e. Untuk variabel Keluarga, nilai komunalitasnya adalah 0,711 atau sekitar 71,1% varians dari variabel Keluarga bisa dijelaskan oleh faktor yang terbentuk.

f. Untuk variabel Proses Bimbingan, nilai komunalitasnya adalah 0,629 atau sekitar 62,9% varians dari variabel Proses Bimbingan bisa dijelaskan oleh faktor yang terbentuk.

g. Untuk variabel Biaya Pembuatan Skripsi, nilai komunalitasnya adalah 0,786 atau sekitar 78,6% varians dari variabel Biaya Pembuatan Skripsi bisa dijelaskan oleh faktor yang terbentuk.

h. Untuk variabel Kuliah Sambil Bekerja, nilai komunalitasnya adalah 0,570 atau sekitar 57,0% varians dari variabel Kuliah Sambil Bekerja bisa dijelaskan oleh faktor yang terbentuk.

l

Dalam tahap ekstraksi faktor selanjutnya adalah melihat nilai eigen-nya. Nilai eigen merupakan total varian yang dijelaskan oleh setiap faktor atau merupakan sumbangan (share) dari faktor tertentu terhadap seluruh variance dari variabel awal atau variabel asli. Dengan SPSS diperoleh nilai eigen untuk setiap faktor sebagai berikut :

Tabel 3.13 Nilai eigen untuk setiap faktor Total Variance Explained

Component

Initial Eigenvalues

Total % of Variance Cumulative %

1 2.084 26.050 26.050

2 1.286 16.076 42.126

3 1.062 13.277 55.403

4 1.015 12.684 68.087

5 .812 10.151 78.238

6 .661 8.258 86.496

7 .611 7.643 94.139

8 .469 5.861 100.000

Tabel.3.13 dengan tabel initial eigen value menunjukkan nilai eigen untuk setiap faktor, yang pada awalnya terdiri dari 8 faktor yaitu sebanyak variabel aslinya. Kemudian didalam proses berikutnya dipilih faktor-faktor yang nilai eigennya minimal 1. Oleh karena itu tidak semua faktor mempunyai nilai eigen lebih besar atau sama dengan 1, maka akan terjadi banyak faktor yang berguguran, karena tidak memenuhi persyaratan untuk menjadi faktor yang nilai eigennya besar 1 atau lebih.

Untuk mengetahui seberapa besar total seluruh varians yang mempengaruhi tingkat kecemasan mahasiswa menyelesaikan skripsi diperoleh sumbangan masing-masing faktor terhadap varians seluruh variabel asli sebagai berikut :

li

Tabel. 3.14 Nilai eigen faktor terhadap varians seluruh variabel asli

Component Extraction Sums of Squared Loadings

Nilai eigen % of Variance Cumulative % 1

2 3 4

2,084 1,286 1,062 1,015

26,050 16,076 13,277 12,684

26,050 42,126 55,403 68,087

Berdasarkan tabel 3.14 diperoleh empat faktor yang memiliki nilai eigen lebih besar dari 1,0 yaitu kita sebut faktor 1 dengan nilai eigen 2,084, faktor 2 dengan nilai eigen 1,286, faktor 3 dengan nilai eigen 1,062, faktor 4 dengan nilai eigen 1,015. Keempat faktor tersebut menjelaskan (68,087)% total varians variabel yang mempengaruhi tingkat kecemasan mahasiswa dalam menyelesaikan skripsi di FMIPA USU.

3.4.2 Menentukan Banyaknya Faktor

Penentuan banyaknya faktor yang dilakukan dalam analisis faktor maksudnya adalah mencari variabel terakhir yang disebut faktor yang saling tidak berkorelasi, bebas satu sam lainnya, lebih sedikit jumlahnya daripada variabel awal akan tetapi dapat menyerap sebagian besar informasi yang terkandung dalam variabel awal atau yang dapat memberikan sumbangan terhadap varians seluruh variabel. Ada beberapa prosedur yang dapat dipergunakan dalam menentukan banyaknya faktor, antara lain adalah sebagai berikut :

1. Dilihat dari total nilai eigen

Untuk menentukan banyaknya faktor dari total nilai eigen dilihat dengan metode pendekatan, hanya faktor dengan eigen value lebih besar dari satu yang dipertahankan, jika lebih kecil dari satu, faktornya tidak diikutsertakan dalam model. Suatu nilai eigen menunjukkan besarnya sumbangan dari faktor terhadap varians seluruh variabel asli.

lii

Berdasarkan tabel. 3.13 ternyata diperoleh banyaknya faktor yang mempengaruhi tingkat kecemasan mahasiswa menyelesaikan skripsi menurut responden adalah 4, karena ada 4 faktor atau komponen yang nilai eigennya lebih dari 1,0 yaitu faktor 1 dengan nilai eigen 2,084, faktor 2 dengan nilai eigen 1,286, faktor 3 dengan nilai eigen 1,062, faktor 4 dengan nilai eigen 1,015.

Berdasarkan tabel 3.14 dapat diketahui bahwa besarnya sumbangan yang diberikan dari masing-masing faktor terhadap varians seluruh variabel asli. Faktor pertama memberikan sumbangan varians sebesar 26,050 %, faktor kedua 16,076%, faktor ketiga 13,277%, faktor keempat 12,684%. Sehingga total sumbangan varians dari ketiga faktor tersebut adalah 68,087%.

2. Menentukan Banyaknya Faktor dengan Scree Plot

Suatu scree plot adalah plot dari eigen value melawan banyaknya faktor yang bertujuan untuk melakukan ekstraksi agar diperoleh jumlah faktor.

Jika tabel total varians menjelaskan dasar jumlah faktor yang di dapat dengan perhitungan angka, maka scree plot memperlihatkan hal tersebut dengan grafik. Terlihat bahwa dari satu kedua faktor (garis dari sumbu komponen 1 ke 2), arah garis cukup menurun tajam. Kemudian dari 2 ke 3 garis juga menurun. Pada faktor 5 sudah dibawah angka 1 dari sumbu nilai eigen. Hal ini menunjukkan bahwa ada 4 faktor yang mempengaruhi tingkat kecemasan mahasiswa menyelesaikan skripsi, yang dapat di ekstraksi berdasarkan scree plot.

liii

3.4.3 Melakukan Rotasi Faktor

Output terpenting dalam analisis faktor adalah Matriks Faktor atau yang disebut juga dengan Komponen Matriks. Matriks faktor memuat koefsien yang dipergunakan untuk mengekspresikan variabel yang dibakukan dinyatakan dalam faktor. Koefsien ini merupakan factor loading, mewakili koefsien korelasi antara faktor dengan variabel. Koefsien dengan nilai mutlak (absolute) yang besar menunjukkan bahwa faktor dan variabel sangat terkait. Koefsien dari matriks faktor dapat dipergunakan untuk menginterpretasi faktor. Matriks faktor atau matriks komponen dapat dilihat sebagai berikut :

Tabel 3.15 Matriks Faktor (Sebelum Dirotasi)

Component Matrix Component

1 2 3 4

Metodologi_penelitian .234 .128 .827 .311

Kesehatan .486 -.127 .230 -.697

Penurunan_motivasi .583 .026 -.221 -.146

Prosedur_pengajuan_proposal .583 -.389 .150 .429

Keluarga .348 -.622 -.389 .228

Proses_bimbingan .498 .595 -.134 -.097

Biaya_pembuatan_skripsi .487 .577 -.274 .374

Kuliah_sambil_bekerja .712 -.164 .100 -.158

Extraction Method: Principal Component Analysis.

Walaupun matriks faktor atau matriks komponen awal sebelum dirotasi menunjukkan hubungan antara faktor (komponen) dengan variabel secara individu, akan tetapi masih sulit diambil kesimpulannya tentang banyaknya faktor yang dapat diekstraksi. Hal ini disebabkan karena faktor (komponen) berkorelasi dengan banyak variabel lainnya atau sebaliknya variabel tertentu masih berkorelasi dengan banyak faktor. Sehingga dalam keadaan ini terkadang membuat peneliti kesulitan dalam penentuan suatu variabel kedalam suatu faktor.

liv

Misalkan matriks faktor (sebelum dirotasi) diatas dapat dilihat bahwa F1 memiliki korelasi kuat dengan 5 variabel, yakni X2,X3,X4,X5 dan X8 sedangkan F2 memiliki korelasi kuat dengan X6 dan X7 dan F3 memiliki korelasi kuat dengan X1.

Untuk dapat dilakukan proses rotasi faktor yang terbentuk agar memperjelas posisi sebuah variabel, akankah dimasukkan pada faktor yang satu ataukah ke faktor lainnya. Beberapa metode rotasi yang bisa digunakan adalah

orthogonal rotation, varimax rotation, dan oblique rotation.

Proses rotasi terhadap faktor pada penelitian ini menngunakan metode

varimax rotation, yaitu rotasi orthogonal dengan meminimumkan banyaknya variabel yang memiliki loading tinggi pada sebuah faktor, sehingga lebih mudah mengiterpretasi faktor.

Tabel 3.16 Matriks Faktor (setelah dirotasi)

Rotated Component Matrixa

Component

1 2 3 4

Metodologi_penelitian .026 -.009 .050 .921

Kesehatan -.051 -.055 .885 .029

Penurunan_motivasi .385 .269 .417 -.127

Prosedur_pengajuan_proposal .093 .733 .116 .372

Keluarga -.078 .795 .053 -.263

Proses_bimbingan .734 -.149 .261 .020

Biaya_pembuatan_skripsi .866 .119 -.127 .068

Kuliah_sambil_bekerja .213 .379 .596 .160

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

Tujuan dilakukan rotasi adalah untuk memperlihatkan dirtribusi variabel yang lebih jelas dan nyata. Dapat dilihat perbedaan antara matriks faktor sebelum dirotasi dengan matriks faktor setelah dirotasi.

lv

3.4.4 Interpretasi Faktor

Setelah dirotasi dilakukan langkah selanjutnya adalah interpretasi faktor. Interpretasi faktor dipermudah dengan mengidentifikasi variabel yang loadingnya besar pada faktor yang sama. Faktor tersebut kemudian diinterprtasi menurut variabel-variabel yang memiliki loading tinggi dengan faktor tersebut. Ataupun penentuan variabel yang dimasukkan ke dalam faktor dengan cara melihat factor loading yang terbesar.

a. Variabel metodologi penelitian: Korelasi antara variabel dengan faktor 3 sebelum dirotasi adalah 0,827; dengan rotasi korelasi menjadi 0,921 dengan faktor 4. Jadi variabel ini masuk faktor 4.

b. Variabel kesehatan: Korelasi antara variabel dengan faktor 1 sebelum dirotasi adalah 0,486; dengan rotasi korelasi menjadi 0,885 dengan faktor 3. Jadi variabel ini masuk faktor 3.

c. Variabel penurunan motivasi: Korelasi antara variabel dengan faktor 1 sebelum dirotasi adalah 0,583; dengan rotasi korelasi menjadi 0,417 dengan faktor 3. Jadi variabel ini masuk faktor 1.

d. Variabel prosedur pengajuan proposal: Korelasi antara variabel dengan faktor 1 sebelum dirotasi adalah 0,583; dengan rotasi korelasi menjadi 0,733 dengan faktor 2. Jadi variabel ini masuk faktor 2.

e. Variabel keluarga: Korelasi antara variabel dengan faktor 1 sebelum dirotasi adalah 0,348; dengan rotasi korelasi menjadi 0,795 dengan faktor 2. Jadi variabel ini masuk faktor 2.

f. Variabel proses bimbingan: Korelasi antara variabel dengan faktor 2 sebelum dirotasi adalah 0,595; dengan rotasi korelasi menjadi 0,734 dengan faktor 1. Jadi variabel ini masuk faktor 1.

g. Variabel biaya pembuatan skripsi: Korelasi antara variabel dengan faktor 2 sebelum dirotasi adalah 0,577; dengan rotasi korelasi menjadi 0,866 dengan faktor 1. Jadi variabel ini masuk faktor 1.

h. Variabel kuliah sambil bekerja: Korelasi antara variabel dengan faktor 1 sebelum dirotasi adalah 0,712; dengan rotasi korelasi menjadi 0,596 dengan faktor 3. Jadi variabel ini masuk faktor 1.

45 3,522 4,338 4,035 3,566 3,674 2,757 3,744 3,624 25,738 90,649,236 12,404,484 662,444,644 46 3,522 4,338 3,157 3,566 3,674 3,760 3,744 2,661 24,900 87,697,800 12,404,484 620,010,000 47 3,522 4,338 3,157 3,566 3,674 3,760 3,744 2,661 24,900 87,697,800 12,404,484 620,010,000 48 1,829 3,237 2,050 1,838 2,518 1,872 1,732 2,661 15,908 29,095,732 3,345,241 253,064,464 49 3,522 4,338 4,035 3,566 2,518 3,760 2,735 3,624 24,576 86,556,672 12,404,484 603,979,776 50 2,667 3,237 3,157 2,650 1,953 3,760 2,735 2,661 20,153 53,748,051 7,112,889 406,143,409 51 3,522 4,338 4,035 3,566 1,953 3,760 3,774 3,624 25,050 88,226,100 12,404,484 627,502,500 52 4,638 3,237 4,931 4,669 3,674 3,760 3,774 4,795 28,840 133,759,920 21,511,044 831,745,600 53 3,522 2,355 4,035 2,650 3,674 2,757 2,735 3,624 21,830 76,885,260 12,404,484 476,548,900 54 1,829 3,237 2,050 1,838 2,518 2,757 2,735 2,661 17,796 32,548,884 3,345,241 316,697,616 55 3,522 4,338 4,931 3,566 2,518 3,760 2,735 3,624 25,472 89,712,384 12,404,484 648,822,784 56 3,522 4,338 4,931 3,566 3,674 2,757 3,774 3,624 26,664 93,910,608 12,404,484 710,968,896 57 2,667 2,355 4,035 3,566 3,674 2,757 2,735 3,624 22,746 60,663,582 7,112,889 517,380,516 58 2,667 3,237 3,157 3,566 2,518 2,757 2,735 3,624 21,594 57,591,198 7,112,889 466,300,836 59 2,667 2,355 3,157 1,838 2,518 2,757 1,732 2,661 17,018 45,387,006 7,112,889 289,612,324 60 2,667 2,355 4,931 3,566 3,674 2,757 4,686 3,624 25,593 68,256,531 7,112,889 655,001,649 61 2,667 4,338 4,035 2,650 3,674 3,760 2,735 2,661 23,853 63,615,951 7,112,889 568,965,609 62 1,000 2,355 3,157 4,669 3,674 1,000 3,744 1,859 20,458 20,458,000 1,000,000 418,529,764 63 2,667 2,355 3,157 3,566 2,518 3,760 2,735 2,661 20,752 55,345,584 7,112,889 430,645,504 64 2,667 3,237 3,157 2,650 2,518 3,760 1,000 3,624 19,946 53,195,982 7,112,889 397,842,916 65 1,000 4,338 4,035 1,000 1,000 2,757 2,735 2,661 18,526 18,526,000 1,000,000 343,212,676 66 3,522 2,355 3,157 1,838 3,674 4,913 2,735 1,859 20,531 72,310,182 12,404,484 421,521,961 67 2,667 2,355 4,931 2,650 3,674 2,757 2,735 2,661 21,763 58,041,921 7,112,889 473,628,169 68 4,638 2,355 3,157 2,650 1,953 4,913 4,686 1,000 20,714 96,071,532 21,511,044 429,069,796 69 3,522 2,355 2,050 2,650 2,518 3,760 3,744 2,661 19,738 69,517,236 12,404,484 389,588,644

70 2,667 3,237 4,035 3,566 2,518 3,760 3,744 3,624 24,484 65,298,828 7,112,889 599,466,256 71 2,667 2,355 3,157 3,566 3,674 4,913 4,686 4,795 27,146 72,398,382 7,112,889 736,905,316 72 1,829 3,237 4,035 3,566 3,674 3,760 2,735 3,624 24,631 45,050,099 3,345,241 606,686,161 73 3,522 4,338 4,931 4,669 2,518 3,760 2,735 3,624 26,575 93,597,150 12,404,484 706,230,625 74 1,000 3,237 3,157 4,669 3,674 3,760 2,735 2,661 23,893 23,893,000 1,000,000 570,875,449 75 4,638 4,338 4,931 4,669 3,674 4,913 4,686 4,795 32,006 148,443,828 21,511,044 1,024,384,036 76 1,829 3,237 4,931 3,566 3,674 2,757 2,735 2,661 23,561 43,093,069 3,345,241 555,120,721 77 2,667 3,237 3,157 3,566 2,518 3,760 2,735 2,661 21,634 57,697,878 7,112,889 468,029,956 78 1,829 4,338 3,157 2,650 3,674 4,913 1,000 2,661 22,393 40,956,797 3,345,241 501,446,449 Jumlah 239,454 238,566 279,210 247,253 230,593 247,260 238,189 235,105 1,716,176 5,299,187,313 804,513,266 38,725,225,662

Lampiran 4

Perhitungan Korelasi Antara Variabel X1 dan X2

Nomor

Responden X X X X X ² X ²

1 4,638 3,237 15,013,206 21,511,044 10,478,169 2 1,829 1,477 2,701,433 3,345,241 2,181,529 3 3,522 3,237 11,400,714 12,404,484 10,478,169 4 3,522 3,237 11,400,714 12,404,484 10,478,169 5 3,522 1,477 5,201,994 12,404,484 2,181,529 6 3,522 2,355 8,294,310 12,404,484 5,546,025 7 3,522 2,355 8,294,310 12,404,484 5,546,025 8 2,667 2,355 6,280,785 7,112,889 5,546,025 9 4,638 3,237 15,013,206 21,511,044 10,478,169 10 3,522 3,237 11,400,714 12,404,484 10,478,169 11 4,638 1,477 6,850,326 21,511,044 2,181,529 12 1,829 3,237 5,920,473 3,345,241 10,478,169 13 2,667 2,355 6,280,785 7,112,889 5,546,025 14 2,667 2,355 6,280,785 7,112,889 5,546,025 15 3,522 1,477 5,201,994 12,404,484 2,181,529 16 3,522 1,477 5,201,994 12,404,484 2,181,529 17 1,829 3,237 5,920,473 3,345,241 10,478,169 18 3,522 3,237 11,400,714 12,404,484 10,478,169 19 3,522 4,338 15,278,436 12,404,484 18,818,244 20 2,667 3,237 8,633,079 7,112,889 10,478,169 21 4,638 3,237 15,013,206 21,511,044 10,478,169 22 3,522 2,355 8,294,310 12,404,484 5,546,025 23 2,667 4,338 11,569,446 7,112,889 18,818,244 24 1,829 3,237 5,920,473 3,345,241 10,478,169 25 1,829 1,477 2,701,433 3,345,241 2,181,529 26 2,667 1,000 2,667,000 7,112,889 1,000,000 27 4,638 3,237 15,013,206 21,511,044 10,478,169 28 4,638 3,237 15,013,206 21,511,044 10,478,169 29 1,000 3,237 3,237,000 1,000,000 10,478,169 30 2,667 3,237 8,633,079 7,112,889 10,478,169 31 3,522 1,477 5,201,994 12,404,484 2,181,529 32 2,667 1,477 3,939,159 7,112,889 2,181,529 33 2,667 4,338 11,569,446 7,112,889 18,818,244 34 4,638 3,237 15,013,206 21,511,044 10,478,169 35 2,667 2,355 6,280,785 7,112,889 5,546,025 36 4,638 3,237 15,013,206 21,511,044 10,478,169 37 3,522 2,355 8,294,310 12,404,484 5,546,025 38 3,522 2,355 8,294,310 12,404,484 5,546,025 39 2,667 2,355 6,280,785 7,112,889 5,546,025 40 3,522 4,338 15,278,436 12,404,484 18,818,244 41 3,522 4,338 15,278,436 12,404,484 18,818,244 42 3,522 4,338 15,278,436 12,404,484 18,818,244 43 3,522 4,338 15,278,436 12,404,484 18,818,244 44 2,667 3,237 8,633,079 7,112,889 10,478,169

45 3,522 4,338 15,278,436 12,404,484 18,818,244 46 3,522 4,338 15,278,436 12,404,484 18,818,244 47 3,522 4,338 15,278,436 12,404,484 18,818,244 48 1,829 3,237 5,920,473 3,345,241 10,478,169 49 3,522 4,338 15,278,436 12,404,484 18,818,244 50 2,667 3,237 8,633,079 7,112,889 10,478,169 51 3,522 4,338 15,278,436 12,404,484 18,818,244 52 4,638 3,237 15,013,206 21,511,044 10,478,169 53 3,522 2,355 8,294,310 12,404,484 5,546,025 54 1,829 3,237 5,920,473 3,345,241 10,478,169 55 3,522 4,338 15,278,436 12,404,484 18,818,244 56 3,522 4,338 15,278,436 12,404,484 18,818,244 57 2,667 2,355 6,280,785 7,112,889 5,546,025 58 2,667 3,237 8,633,079 7,112,889 10,478,169 59 2,667 2,355 6,280,785 7,112,889 5,546,025 60 2,667 2,355 6,280,785 7,112,889 5,546,025 61 2,667 4,338 11,569,446 7,112,889 18,818,244 62 1,000 2,355 2,355,000 1,000,000 5,546,025 63 2,667 2,355 6,280,785 7,112,889 5,546,025 64 2,667 3,237 8,633,079 7,112,889 10,478,169 65 1,000 4,338 4,338,000 1,000,000 18,818,244 66 3,522 2,355 8,294,310 12,404,484 5,546,025 67 2,667 2,355 6,280,785 7,112,889 5,546,025 68 4,638 2,355 10,922,490 21,511,044 5,546,025 69 3,522 2,355 8,294,310 12,404,484 5,546,025 70 2,667 3,237 8,633,079 7,112,889 10,478,169 71 2,667 2,355 6,280,785 7,112,889 5,546,025 72 1,829 3,237 5,920,473 3,345,241 10,478,169 73 3,522 4,338 15,278,436 12,404,484 18,818,244 74 1,000 3,237 3,237,000 1,000,000 10,478,169 75 4,638 4,338 20,119,644 21,511,044 18,818,244 76 1,829 3,237 5,920,473 3,345,241 10,478,169 77 2,667 3,237 8,633,079 7,112,889 10,478,169 78 1,829 4,338 7,934,202 3,345,241 18,818,244