ANALISIS FAKTOR-FAKTOR PENYEBAB KANKER PARU-PARU …
Transcript of ANALISIS FAKTOR-FAKTOR PENYEBAB KANKER PARU-PARU …
ANALISIS FAKTOR-FAKTOR PENYEBAB KANKER
PARU-PARU PADA PASIEN DI RSUD
BATARA GURU BELOPA
YULIANA RIFAI
1603407012
FAKULTAS SAINS
UNIVERSITAS COKROAMINOTO PALOPO
2020
i
ANALISIS FAKTOR-FAKTOR PENYEBAB KANKER
PARU-PARU PADA PASIEN DI RSUD
BATARA GURU BELOPA
SKRIPSI
Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada
Program Studi Matematika Fakultas Sains Universitas Cokroaminoto Palopo
YULIANA RIFAI
1603407012
PROGRAM STUDI MATEMATIKA
FAKULTAS SAINS
UNIVERSITAS COKROAMINOTO PALOPO
2020
ii
iii
iv
v
ABSTRAK
Yuliana Rifai.2020.Analisis Faktor-faktor Penyebab Kanker Paru-paru pada
Pasien di RSUD Batara Guru Belopa(dibimbing oleh Muhammad Ilyas, dan
Marwan Sam).
Penelitianini bertujuan untuk mengetahui faktor-fakor yang mempengaruhi
penderita kanker paru-paru di RSUD Batara Guru Belopa. Dalam penelitian ini
menggunakan data sekunder yang diperoleh dari instansi terkait yakni RSUD
Batara Guru Belopa dengan variabel yang dianalisis adalah Umur 1X , jenis
kelamin 2X , pekerjaan 3X , riwayat merokok 4X , riwayat penyakit lain 5X
dan riwayat genetik 6X . Data variabel tersebut selanjutnya dianalisis
menggunakan analisis faktor dengan metode Principal Component
Analysis(PCA). Hasil penelitian menunjukkan bahwa dari 6 variabel yang
dianalisis, diperoleh 3 variabel lolos uji MSA dan menghasilkan satu faktor yaitu
faktor internal yang mempengaruhi penderita kanker paru-paru di RSUD Batara
Guru Belopa yang meliputivariabel jenis kelamin, variabel riwayat merokok, dan
variabel riwayat genetik.
Kata kunci:analisis faktor, penderita kanker paru-paru,principal component
analysis, uji MSA.
vi
KATA PENGANTAR
الرحيمالرحمناللهبسم
Assalamu‟alaikum Wr. Wb.
Puji syukur kehadirat Allah SWT, karena atas rahmat dan hidayahnya
sehingga penulis dapat menyelesaikan penelitian dan penyusunan skripsi ini
dengan tepat waktu sesuai dengan rencana dengan judul “Analisis Faktor-faktor
Penyebab Kanker Paru-paru pada Pasien di RSUD Batara Guru Belopa”. Skripsi
ini merupakan salah satu syarat untuk memperoleh gelar Strata Satu (S1) pada
Jurusan Matematika Fakultas Sains Universitas Cokroaminoto Palopo (UNCP)
Penulis dalam menyusun skripsi ini banyak mendapat bimbingan dan
bantuan dari berbagai pihak sehingga pada kesempatan ini penulis mengucapkan
terima kasih kepada:
1. Bapak Prof. Drs. Hanafie Mahtika, M.Sc., selaku rektor Universitas
Cokroaminoto Palopo.
2. Ibu Pauline Destinugrainy Kasi, S.Si., M.Sc., selaku dekan Fakultas Sains
Universitas Cokroaminoto Palopo.
3. Bapak Marwan Sam, S.Si., M.Si., selaku Ketua Program Studi Matematika
Fakultas Sains Universitas Cokroaminoto Palopo sekaligus pembimbing II
yang telah meluangkan waktu dengan sabar, keikhlasan dan ketulusan untuk
memberikan bimbingan, pengetahuan, nasihat dan saran yang sangat
berguna demi kelancaranskripsi ini.
4. Bapak Dr. Muhammad Ilyas, S.Pd., M.Pd., selaku pembimbing I yang telah
memberikan waktu, bimbingan, arahan,ilmu pengetahuan, dan masukannya
kepada penulis sampai selesainya penulisan skripsi ini
5. Ibu Yuliani, S,Si., M.Si., selaku dosen Program Studi Matematika
Universitas Cokroaminoto Palopo yang telah memberikan ilmu dan
pengetahuan kepada penulis.
6. Ibu Ary Herlina Kurniati MM, S,Si., M.Pd., yang telah memberikan
bimbingan, wawasan, dan ilmu pengetahuan yang begitu luar biasa kepada
penulis.
7. Teman-teman mahasiswa seperjuangan teruntuk untuk mahasiswa Program
Studi Matematika angkatan 2016 yang telah berjuang bersama-sama
vii
merasakan suka dan duka selama proses perkuliahann di Universitas
Cokroaminoto Palopo sampai saat ini.
8. Semua pihak yang tidak dapat penulis sebutkan satu persatu yang membantu
dalam menyusun dan meyelesaikan skripsi ini.
Penulis menyadari bahwa skripsi ini masih terdapat kekurangan baik isi
dan susunannya. Oleh karena itu, penulis mengharapkan saran dan kritik yang
membangun untuk perbaikan skripsi ini. Semoga skripsi ini dapat bermanfaat
tidak hanya bagi penulis namun juga bagi para pembaca.
Palopo, Juli 2020
Yuliana Rifai
viii
RIWAYAT HIDUP
Yuliana RifaiLahir di Dusun Baloa Desa Bonelemo
Kecamatan Bajo Barat Kabupaten Luwu Provinsi Sulawesi
Selatan pada tanggal 1 April 1996. Penulis merupakan anak
ketiga dari lima bersaudara dari pasangan suami istri alm.
Rifai dan Hartati. Peneliti menyelesaikan pendidikan di
tingkat Sekolah Dasar di SDN 33 Bonelemo Kabupaten Luwu,
dan lulus dari Sekolah Mengengah Pertama pada tahun 2012 di MTS Bonelemo,
pada tahun yang sama penulis melanjutkan ke tingkat Sekolah Menengah Atas di
SMAN 14 Luwu. Pada tahun 2016, peneliti melanjutkan kuliah di Universitas
Cokrominoto Palopo mengambil jurusan Matematika Sains. Selama perkuliahan
peneliti aktif pada organisasi internal kampus yaitu Himpunan Mahasiswa
Matematika selama 2 tahun periode kepengurusan dan sempat mengemban
amanah sebagai koordinator Humas pada Periode 2017. Penulis mendapatkan
kesempatan Praktek Kuliah Lapang di (PKL) di salah satu instansi pemerintah
yaitu di kantor Badan Pusat Statistika Kabupaten Maros pada bulan Januari-Maret
tahun 2019. Penulis juga mengikuti kegiatan Kuliah Kerja Nyata di Desa
Murante, Kecamatan Suli, Kabupaten Luwu selama 40 hari.
ix
DAFTAR ISI
Halaman
HALAMAN JUDUL ........................................................................................ i
HALAMAN PENGESAHAN .......................................................................... ii
HALAMAN KETERANGAN UJI SIMILARITY .......................................... iii
SURAT PERNYATAAN KEASLIAN NASKAH SKRIPSI .......................... iv
ABSTRAK ....................................................................................................... v
KATA PENGANTAR ..................................................................................... vi
RIWAYAT HIDUP .......................................................................................... viii
DAFTAR ISI .................................................................................................... ix
DAFTAR TABEL ............................................................................................ xi
DAFTAR GAMBAR ....................................................................................... xii
DAFTAR ARTI LAMBANG DAN SINGKATAN ........................................ xiii
DAFTAR LAMPIRAN .................................................................................... xiv
BAB I PENDAHULUAN
1.1 Latar Belakang ........................................................................... 1
1.2 Rumusan Masalah...................................................................... 2
1.3 Tujuan Penelitian ....................................................................... 2
1.4 Manfaat Penelitian ..................................................................... 2
BAB II TINJAUAN PUSTAKA
2.1 Kajian Teori .............................................................................. 5
2.2 Hasil Penelitian yang Relevan .................................................. 12
BAB III METODE PENELITIAN
3.1 Jenis dan Sumber Data ............................................................. 13
3.2 Waktu dan Lokasi Penelitian .................................................... 13
3.3 Teknik Penarikan Kesimpulan ................................................. 13
3.4 Variabel Penelitian ................................................................... 14
3.5 Metode Analisis Data ............................................................... 14
3.6 Tahapan Penelitian ................................................................... 14
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1 Hasil Penelitian ......................................................................... 15
4.3 Pembahasan .............................................................................. 25
BAB V KESIMPULAN DAN SARAN
x
5.1 Kesimpulan ............................................................................... 29
5.2 Saran ......................................................................................... 29
DAFTAR PUSTAKA ...................................................................................... 30
LAMPIRAN ..................................................................................................... 32
xi
DAFTAR TABEL
Halaman
1. KMO dan Batlett’s Test ............................................................................. 15
2. Nilai Anti Image Matrices Correlation Variabel Setelah Uji MSA ........... 17
3. Nilai Anti Image Matrices Correlation Setelah Variabel 1X Dikeluarkan
Pada Uji MSA ............................................................................................ 19
4. Nilai Anti Image Matrices Correlation Setelah Variabel 3X Dikeluarkan
Pada Uji MSA ............................................................................................ 19
5. Nilai Anti Image Matrices Correlation Setelah Variabel 5X Dikeluarkan
Pada Uji MSA ............................................................................................ 20
6. Nilai Variabel Hasil Factoring .................................................................. 20
7. Hasil Factoring Principal Component Analysis ........................................ 21
8. Komponen Faktor Sebelum Rotasi Varimax.............................................. 23
9. Komponen Faktor Setelah Rotasi Varimax ................................................ 23
10. Perbandingan Hasil Output Case Analysis ................................................. 24
xii
DAFTAR GAMBAR
Halaman
1. Tahapan Analisis ........................................................................................ 15
2. Scree Plot ................................................................................................... 22
xiii
DAFTAR ARTI LAMBANG DAN SINGKATAN
Lambang/Singkatan Arti dan keterangan
X variabel yang dibakukan
rata-rata peubah
faktor khusus
F faktor umum atau common factor
L Muatan faktor atau loading factor
et al. et alii, dan kawan-kawan
PCA Principal Component Analysis
MSA Measure of Sampling Adequacy
xiv
DAFTAR LAMPIRAN
Halaman
1. Data Analisis Penderita Kanker Paru-paru di RSUD Batara Guru Belopa 33
2. OutputSPSS Nilai Anti Image Matrices Correlation Variabel Setelah Uji MSA
.................................................................................................................... 34
3. Output SPSS Nilai Anti Image Matrices Correlation Setelah Variabel 1X
Dikeluarkan Pada Uji MSA ....................................................................... 35
4. Output SPSS Nilai Anti Image Matrices Correlation Setelah Variabel 3X
Dikeluarkan Pada Uji MSA ....................................................................... 36
5. Output SPSS Nilai Anti Image Matrices Correlation Setelah Variabel 5X
Dikeluarkan Pada Uji MSA ....................................................................... 37
6. Output SPSS Proses Factoring dan Rotasi ................................................ 38
7. Surat Penelitian .......................................................................................... 40
8. Dokumentasi Penelitian ............................................................................. 41
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Kanker paru merupakan tumor ganas primer yang berasal dari epitel
bronkus. Umumnya jenis yang lebih banyak adalah bronkogenetik karsinoma
(sekitar 90%).Kira-kira 1/3 dari kematian karena kanker pada laki-laki ternyata
disebabkan oleh kanker paru. Walaupun kekerapannya jauh lebih rendah dari pada
perempuan, namun penyakit ini telah menduduki urutan ke 3 dalam penyebab
kematian oleh kanker pada perempuan. Usia yang paling sering terkena kanker
paru adalah pada usia 50-60 tahun jarang terjadi pada usia di bawah 35 tahun.
Dari berbagai kepustakaan telah dilaporkan bahwa etiologi kanker paru sangat
berhubungan dengan kebiasaan merokok. Diperkirakan sekitar 90% kanker paru
disebabkan oleh merokok. Terdapat hubungan langsung antara durasi dan
intensitas merokok dengan mortalitas akibat kanker paru (Faisal dkk, 2008).
Penelitian menunjukkan bahwa resiko terkena kanker paru-paru akibat
merokok meningkat sesuai dengan jumlah banyaknya rokok yang diisap perhari
atau pertahun. Karena di dalam asap rokok terkandung lebih dari 7.000 zat kimia,
dengan lebih dari 250 zat diantaranya aktif mempunyai resiko untuk terkena
kanker paru-paru 20 kali lebih besar dari perokok pasif atau bukan perokok.
Menjadi perokok pasif juga salah satu faktor risiko penyebab terkena kanker paru-
paru, meskipun dalam jumlah yang lebih sedikit. Perokok pasif juga adalah orang
yang menghirup udara yang terkontaminasi oleh sisa asap rokok yang
dihembuskan oleh perokok aktif. Sisa asap rokok menyebabkan lebih dari 600.000
kasus kematian prematur setiap tahunnya. Di Amerika terjadi lebih dari 7.300
kasus kematian karena kanker paru-paru akibat sisa asap rokok (menjadi perokok
pasif) selama tahun 2005-2009 (Al Maududi, 2017).
Di indonesia, kanker paru menempati peringkat ke-3 penyakit kanker
terbanyak. Kanker paru masuk dalam 10 besar penyakit neoplasma ganas pada
pasien rawat inap dan rawat jalan di rumah sakit (Profil Kesehatan Indonesia,
2004&2005). Apabila dilihat dari angka ketahanan hidup, penderita kanker paru
memiliki angka ketahanan hidup yang relatif rendah. Berdasarkan penelitian yang
dilakukan oleh National CancerInstitute pada tahun 1983-1998 menunjukkan
2
bahwa angka ketahanan hidup 1 tahun penderita kanker paru hanya 41,8% dan
angka ketahanan hidup 5 tahun penderita kanker paru hanya 12,0%. Faktor resiko
kanker paru juga belum diketahui dengan pasti. Berdasarkan beberapa penelitian
ditemukan bahwa kanker paru disebabkan oleh beberapa faktor ( Benazir, 2013).
Penyakit kanker perlu mendapat perawatan dan pengobatan yang
maksimal. Beberapa jenis pengobatan penyakit kanker, antara lain: bedah
(operasi), radioterapi, kemoterapi, terapi hormon, immunoterapi dan kombinasi.
Kemoterapi sebagai salah satu cara terapi kanker dengan menggunakan obat-
obatan atau senyawa kimia tertentu bertujuan untuk membunuh atau
meminimumkan proliferasi sel kanker (Lesnussa, 2012).
American Cancer Society (ACS) tahun 2017 mengidentifikasi faktor risiko
kanker paru penting dalam upaya pencegahan dan diagnosis. Selain rokok, faktor
risiko lain yang pernah dilaporkan adalah paparan asap rokok lingkungan, paparan
asap biomass, paparan radon, asbes, logam berat, infeksi, genetik dan lain-lain
(Ernawati dkk, 2019). Menurut Macdonal, dkk (2005) penyakit kanker paru juga
dapat disebabkan oleh beberapa faktor, antara lain : virus, kecanduan rokok,
radiasi sinar ultraviolet, zat kimia, makanan berlemak, faktor keturunan, dan lain-
lain. Pada penelitian ini akan diteliti faktor-faktor yang mempengaruhi penderita
kanker paru-paru yang ada di RSUD Batara Guru Belopa.
1.2 Rumusan Masalah
Berdasarkan uraian tersebut, rumusan masalah pada penelitian ini adalah
bagaimana faktor-faktor penyebab kanker paru-paru pada pasien di RSUD Batara
Guru Belopa dengan menggunakan metode analisis faktor.
1.3 Tujuan Penelitian
Tujuan penelitian ini adalah untuk mengetahui faktor-faktor penyebab
kanker paru-paru pada pasien di RSUD Batara Guru Belopa.
1.4 Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah :
1. Hasil penelitian ini dapat dijadikan sebagai bahan informasi tentang faktor-
faktor penderita kanker paru di RSUD Batara Guru Belopa.
3
2. Bagi peneliti dan ilmu pengetahuan, penelitian ini akan menjadi acuan dan
sumber bacaan untuk penelitian-penelitian berikutnya.
3. Untuk tenaga kesehatan, hasil penelitian ini dapat digunakan sebagai acuan
penyebab kanker paru-paru di RSUD Batara Guru Belopa.
4. Bagi peneliti sendiri, dapat dijadikan bahan masukan dan pembelajaran yang
bermanfaat untuk perekembangan keilmuan penelitian.
4
BAB II
TINJAUAN PUSTAKA
2.1 Kajian Teori
1. Kanker Paru-paru
Kanker paru-paru adalah salah satu penyebab utama kematian di dunia
yang diakibatkan oleh penyakit kanker. Kanker ini menyebabkan kerusakan sel-
sel tubuh yang berada di dalam paru-paru dan saluran udara Broncheal. Kasus
kematian yang terjadi akibat kanker paru-paru (19,4% kasus kematian). Dan dari
kasus kanker yang terjadi di dunia 13% kasus diantaranya merupakan kasus
kanker paru-paru. Kanker paru-paru termasuk ke dalam 5 besar kanker yang
paling sering terjadi di dunia (Al Maududi, 2017).
Terjadinya kanker ditandai dengan pertumbuhan sel-sel paru yang normal
menjadi abnormal atau tidak terbatas dan merusak jaringan-jaringan sel yang
normal. Pertumbuhan sel-sel kanker akan menyebabkan jaringan menjadi besar
yang biasa disebut tumor ganas (Benazir, 2013).Menurut beberapa literatur dan
penelitian-penelitian terdahulu terdapat beberapa faktor risiko yang menjadi
penyebab terjadinya kanker paru. Faktor risiko yang diduga paling berpengaruh
terhadap kejadian kanker paru dan telah banyak penelitian serta bukti statistik
yang menunjukkannya adalah merokok. Tiga penyelidikan prospektif yang
melibatkan hampir 200.000 pria usia 50-69 tahun, yang diteliti selama 44 bulan
menyatakan bahwa angka kematian akibat kanker paru per 100.000 orang diantara
mereka yang merokok 10 sampai 20 batang per hari adalah 59,3 dan pada mereka
yang merokok 40 batang atau lebih per hari adalah 217,3 (Price&Wilson, 1982).
Diperkirakan bahwa karsinogen atau metabolit lain dalam asap rokok
dapat mempengaruhi fungsi gen-gen kunci yang mengatur pertumbuhan dan
perkembangan sel epitel. Mutasi tertentu pada gen supresor kanker tertentu telah
memperlihatkan pajanan asap rokok yang lama. Apabila gen supresor tumor tidak
berfungsi dengan baik, pembelahan sel yang tidak terkendali dapat terjadi dan
mengakibatkan kanker ( Corwin, 2008).
Adanya hubungan bermakna secara statistik antara umur 40 tahun
memiliki risiko 18 kali lebih besar untuk mengalami kejadian kanker paru
(Nuraini, 2011). Menurut Underwood (1996), insiden kanker meningkat seiring
5
dengan bertambahnya umur. Hal ini mungkin disebabkan karena adanya waktu
interval laten yang lama antara mulai terkenanya agen karsinogenik sampai
manifestasi klinis sebagai hasil terjadinya kanker. Tidak adanya hubungan yang
signifikan secara statistik antara umur dengan kejadian kanker paru dalam
penelitian ini diduga disebabkan karena bias seleksi dalam pemilihan sampel
kontrol.
Riwayat kanker keluarga merupakan salah satu faktor yang dicurigai
memiliki asosiasi dengan kejadian kanker paru. faktor risiko riwayat kanker
keluarga diduga secara etiologi berhubungan dengan warisan genetik,
kemungkinan di daerah gen supresor tumor dan proto-onkogen sehingga
menimbulkan kecenderungan untuk meningkatkan gangguan biologis (Ravina,
2002).Dikatakan bahwa 1 dari 9 perokok berat akan mendeit kanker paru. Laporan
beberapa penelitian mengatakan bahwa perokok pasif pun berisiko terkena kanker
paru. Diperkirakan 25% kanker paru dari pasien bukan perokok berasal dari
perokok pasif. Terdapat perubahan atau mutasi beberapa gen yang berperanan
dalam kanker paru, yakni proto oncogen, tumor supressor gene, dan gene
encodimg enzym (Pulmonologi, 2016).
Pasien kanker paru banyak ditemukan sudah berada pada stadium lanjut.
Nyeri banyak dikeluhkan oleh pasien kanker paru. Nyeri yang dialami oleh pasien
dapat menurunkan kualitas hidup pasien (Ananda, dkk, 2018).Seseorang
didiagnosis menderita kanker, umumnya mereka akan beranggapan bahwa
penyakit kanker yang diderita merupakan kondisi penyakit kronis yang memiliki
efek yang sangat tidak menyenngkan bahkan menakutkan, mulai dari penurunan
kondisi secara fisik sampai pada kenyataan bahwa penyakit tersebut dapat
menyebabkan kematian ( Hopman & Rijekin, 2015).
2. Faktor risiko kanker paru-paru
Faktor risiko terjadinya kanker paru-paru adalah sebagai berikut
(Melindawati BR.G, 2009) :
a. Umur
Berdasarkan hasil survei kanker paru yang dikutip dari Alsagap (1995),
dilaporkan bahwa 90% kasus kanker paru terjadi pada usia ≥ 40 tahun. Di negara
6
industri, kanker paru ditemukan pada kelompok diatas umur 40 tahun, terbanyak
pada umur 55-75 tahun dengan rata-rata 65 tahun.
b. Jenis Kelamin
Insidens kanker paru pada laki-laki lebih tinggi dari pada perempuan. Hal
ini disebabkan karena laki-laki lebih banyak terpapar dengan rokok dan bahan
karsinogen di lingkungan kerja. Berdasarkan survei epidemiologi global tahun
1994, di peroleh perbandingan kanker paru antara laki-laki dan perempuan yaitu
5:1.
c. Kebiasaan Merokok
Insiden kanker paru berhubungan erat dengan kebiasaan merokok.
Merokok merupakan faktor risiko utama kanker paru. Pada rokok terdapat zat
karsinogen dan zat pemicu timbulnya kanker. Resiko relatif terjadinya kanker
paru pada perokok adalah 20 kali dibandingkan dengan non perokok. Kejadian
kanker paru pada perokok dipengaruhi oleh usia perokok sewaktu mulai merokok,
jumlah batang rokok yang dihisap setiap hari, lamanya kebiasaan merokok dan
cara menghisap rokok. Jika seorang perokok menghentikan kebiasaan merokok,
maka baru akan menunjukan risiko yang sama dengan bukan perokok 10-13 tahun
kemudian.
d. Predisposisi Karena Penyakit Lain.
Tuberklosis paru merupakan faktor predisposisi kanker paru melalui
mekanisme hiperplasi, metaplasi, karsinoma in situ, karsinoma bronkogenik
sebagai akibat adanya jaringan parut tuberclosis.
e. Pengaruh Genetik dan Status Imunologi
Kanker paru dapat dipengaruhi oleh keadaan genetik. Normalnya,
pertumbuhan sel berjalan dalam beberapa tahapan dan dikontrol oleh gen
(pembawa informasi) yang sebagian bertindak sebagai pemicu, penghambat
pertumbuhan dan gen pengontrol proses lain dalam sel agar berjalan baik.
f. Bahan Karsinogen di Lingkungan Kerja
Mineral dan zat-zat kimia tertentu, dapat memicu timbulnya kanker paru.
Perlu waktu yang lama, yaitu 15-25 tahun antara terpapar sampai timbulnya gejala
kanker paru. Beberapa karsinogen yang dapat menimbulkan kanker paru antara
7
lain: asbes, arsen, khlor metil eter, pembakaran arang, aluminium, khrom, nikel,
gas mustard, kalsium flurida, zat radioaktif dan tar batu bara. Bahan-bahan
tersebut sering dijumpai di lingkungan kerja, seperti pada penyulingan,
pertambangan batu bara, penyulingan logam, pabrik seperti tekstil, semen,
pembuatan asbes, dan industri kimia.
3. Analisis Faktor
Secara prinsip, analisis faktor mencoba menemukan hubungan (inter-
relationship) antara sejumlah variabel-variabel yang awalnya saling independen
satu dengan yang lain, sehingga bisa dibuat satu atau beberapa kumpulan variabel
yang lebih sedikit dari jumlah variabel awal. Sebagai contoh, jika ada 10 variabel
yang independen satu dengan yang lain, dengan analisis faktor mungkin bisa
diringkas hanya menjadi 3 kumpulan variabel baru (new set of variables).
Kumpulan variabel tersebut disebut faktor, dimana faktor tersebut tetap
mencerminkan variabel-variabel aslinya. Adapun hal-hal tentang analisis faktor
sebagai berikut (Santoso, 2017):
a. Tujuan Analisis Faktor
1) Data summarization, yaitu mengidentifikasi adanya hubungan antar-variabel
dengan melakukan uji korelasi. Jika korelasi dilakukan antar-variabel (dalam
pengertian SPSS adalah „kolom‟), analisis tersebut dinamakan R Factor
Analysis. Namun, jika korelasi dilakukan antar-responden atau sampel (dalam
pengertian SPSS „baris‟), analisis disebut Q Factor Analysis, yang juga
populer disebut Cluster Analysis.
2) Data reduction, yakni setelah melakukan korelasi, dilakukan proses membuat
sebuah variabel set baru yang dinamakan faktor untuk menggantikan
sejumlah variabel tertentu.
b. Jumlah Sampel yang Ideal
Secara umum, jumlah sampel yang dianjurkan adalah antara 50 sampai
100 sampel (jika diterapkan di Data Editor SPSS, data di-input pada 50-100
baris). Atau, bisa pula dengan menggunakan patokan rasio 10:1, dalam arti untuk
satu variabel seharusnya ada 10 sampel. Dalam pengertian SPSS, hal ini berarti
setiap 1 kolom yang ada seharusnya terdapat 10 baris data, sehingga jika ada 5
kolom, minimal seharusnya ada 50 baris data.
8
c. Asumsi pada Analisis Faktor
1) Besar korelasi atau korelasi antar variabel independen harus cukup kuat,
misalkan di atas 0,5.
2) Besar korelasi parsial, korelasi antar-dua variabel dengan menganggap tetap
variabel yang lain, justru harus kecil. Pada SPSS, deteksi terhadap korelasi
parsial diberikan lewat pilihan Anti-Image Correlation.
3) Pengujian seluruh matriks korelasi (korelasi antar-variabel), yang diukur
dengan besaran Bartlet Test Of Sphericity atau Measure Sampling Adequacy
(MSA). Pengujian ini mengharuskan adanya korelasi yang signifikan diantara
paling sedikit beberapa variabel.
4) Pada beberapa kasus, asumsi normalitas dari variabel-variabel atau faktor
yang terjadi sebaiknya dipenuhi.
d. Metode Principal Component Analysis
Metode untuk mengekstraksi faktor ada dua, yakni principal component
analysis (disebut pula dengan component analysis) dan common factor analysis.
Sebelum membahas lebih jauh hal tersebut, perhatikan lagi dasar dari analisis
faktor. Tujuan dari analisis faktor, dijelaskan dalam „bahasa‟ sederhana adalah
„mengelompokkan‟ sejumlah variabel ke dalam satu atau dua faktor. Misalkan,
ada 10 variabel, mungkin saja ada beberapa variabel yang mempunyai kesamaan
atau dapat dikelompokkan, sehingga, dari 10 variabel tersebut dapat diekstraksi
menjadi tiga faktor. Faktor A mungkin mempunyai „anggota‟ variabel 1, variabel
2, variabel 3 dan variabel 7. Demikian seterusnya untuk faktor B dan faktor C.
Secara sederhana, sebuah variabel akan mengelompok kepada suatu faktor
(yang terdiri dari variabel-variabel yang lainnya pula) jika variabel tersebut
berkorelasi dengan sejumlah variabel lain yang „masuk‟ dalam kelompok tertentu.
Dengan kata lain, ketika sebuah variabel berkorelasi dengan variabel lain, variabel
tersebut berbagi varians dengan variabel lain tersebut, dengan jumlah varians yang
dibagikan adalah besarkorelasi pangkat dua (R2). Dengan demikian, varians total
pada sebuah variabel dapat dibagi menjadi tiga bagian (Santoso, 2017):
1. Common variance, yakni varians yang dibagi dengan varians yang lainnya,
atau jumlah varians yang dapat diekstrak dengan proses factoring.
9
2. Specific variance, yakni varians yang berkaitan dengan variabel tertentu saja.
Jenis varians ini tidak dapat dijelaskan (diurai) dengan korelasi hingga
menjadi bagian dari variabel lain, namun varians ini masih berkaitan secara
unik dengan satu variabel.
3. Error variance, yakni varians yang tidak dapat dijelaskan lewat proses
korelasi. Jenis ini muncul karena proses pengambilan data yang salah,
pengukuran variabel yang tidak tepat, dan sebagainya.
e. Rotasi Faktor
Setelah salah satu atau lebih dari faktor terbentuk, dengan sebuah faktor
berisi sejumlah variabel, mungkin saja sebuah variabel sulit untuk ditentukan akan
masuk ke dalam faktor yang mana. Atau, jika yang terbentuk dari proses factoring
hanya satu faktor, bisa saja sebuah variabel diragukan apakah layak dimasukkan
dalam faktor yang terbentuk atau tidak. Untuk mengatasi hal tesebut, bisa
dilakukan proses rotasi pada faktor yang terbentuk, sehingga memperjelas posisi
sebuah variabel, akankah dimasukkan pada faktor yang satu ataukah ke faktor
yang lain. Sama dengan proses factoring, proses rotasi juga ada berbagai macam
cara, seperti (Santoso, 2017):
1. Orthogonal Rotation, yakni memutar sumbu 900. Proses rotasi dengan metode
Orthogonal masih bisa dibedakan menjadi Quartimax, Varimax, dan Equimax.
2. Oblique Rotation, yakni memutar sumbu ke kanan, namun tidak harus 900.
Proses rotasi dengan metode oblique masih bisa dibedakan menjadi
Oblimin,Promax, Orthoblique, dan lainnya.
Dengan demikian, urutan dalam proses factoring adalah: Proses factoring
dengan metode Principal Component. Jika ada keraguan atas hasil yang ada, bisa
dilakukan proses rotasi.
f. Model Faktor
Analisis faktor menerangkan variasi sejumlah variabel asal dengan
menggunakan faktor yang lebih sedikit dan yang tidak teramati dengan anggapan
bahwa semua variabel awal dapat dinyatakan sebagai kombinasi linier dari faktor-
faktor itu ditambahkan dengan suku residual. Peubah acak teramati X, dengan p
komponen mempunyai vektor rata-rata µ dan matriks kovariansi Σ . Model faktor
10
mempostulatkan bahwa X bergantung linear pada beberapa peubah acak yang
tidak teramati …. yang disebut faktor umum (common factors), dan p
sumber variansi tambahan , ,… , yaitu disebut kesalahan (errors), kadang-
kadang juga disebut faktor khusus (specific faktors). Secara khusus, model
analisis faktor adalah (Elpira, 2014):
1121211111 ... mmFlFlFlX
2222212122 ... mmFlFlFlX
PlPmFmFlPFlPPXP ...2211 (1)
atau dalam notasi matriks
1111 pmmppp FLX (2)
Koefisien disebut muatan (loading) dari peubah ke-i pada faktor ke- j, sehingga
matriks L disebut matriks muatan faktor. Model faktor berimplikasi
tertentuterhadap hubungan kovariansi yaitu
1. 0F kov F IFF T
2. 0 , dan kov T
Kov T
p
00
0
02
001
3. F dan bebas sehingga kov 0,, TFF
Hubungan dengan persamaan (2) merupakan model faktor orthogonal
dengan faktor umum, dalam rotasi matriks ditulis sebagai berikut:
1111
pmmpppFLX (3)
dimana:
X variabel yang dibakukan.
rata-rata peubah
faktor khusus
F faktor umum atau common factor
L muatan faktor atau loading factor
11
Variabel-variabel acak tidak teramati F dan memenuhi syarat berikut:
F dan bebas, 0F dan kov IF
0 dan kov T
Model faktor orthogonal berimplikasi ke struktur kovariasi ,X
TTLFLFXX
TTLFLF
TTTTLFLFLFLF
TTTTTT LFLFLLFFL (4)
sehingga :
TXXEXkov
TTTTT EFLELFELFFLE
TLL (5)
Model faktor orthogonal
TTTT FLFFFLFFX (6)
Sehingga :
Kov LFEFFLEFXEFX TTT ,
Jadi, struktur kovariansi untuk model faktor orthogonal memenuhi sifat
1. Kov TLLX
Var iimiiii llllX 22
3
2
2
2
1
Kov kmimkiki llllXX 11
2. Dan kov LFX , atau Kov ijji LFX ,
dimana :
iX variabel ke i yang dibakukan (rata-ratanya nol, standar deviasinya satu).
jF common factor ke j. i Faktor unik variabel ke i.
M banyaknya common faktor.
2.2 Hasil Penelitian yang Relevan
12
Kajian pustaka bertujuan untuk membantu peneliti dalam menyelesaikan
masalah penelitian dengan mengacu pada teori dan hasil-hasil penelitian
sebelumnya yang relevan. Jadi, dapat diartikan bahwa teori dan hasil-hasil
penelitian terdahulu digunakan sebagai kajian bagi penulis untuk mengetahui
hubungan antara penelitian yang dilakukan sebelumnya dengan penelitian yang
dilakukakan saat ini. Penelitian terdahulu yang digunakan untuk kajian pustaka
dapat berupa jurnal, skripsi tesis, disertasi dan lain-lain. Kajian pustaka yang
digunakan oleh penulis sebagai bahan acuan dalam melakukan penelitian yang
relevan dilakukan oleh Roni Almaududi (2017) tentang model matematika kanker
paru-paru akibat pengaruh sisa asap rokok dan pencegahannya. Hasil penelitian
yang menunjukan bahwa model matematika kanker paru-paru akibat pengaruh
sisa asap rokok dalam suatu populasi yang telah terbentuk menjelaskan tentang
adanya pengaruh dari perokok dalam kaitannya terhadap risiko terkena kanker
paru-paru akibat pengaruh sisa asap rokok dalam suatu populasi tertentu.
Yati Ernawati, Sabrina Ermayanti, Deddy Herman, Russilawati (2019)
dalam penelitiannya yang berjudul “faktor risiko kanker paru pada perempuan
yang dirawat dibagian paru RSUP Dr.M Djamil Padang dan RSUD solok”.
Adapun hasil penelitiannya yaitu karakteristik dasar kasus perempuan dengan
kanker paru-paru dalam penelitian ini adalah rata-rata berusia 50-60 tahun. Faktor
risiko kanker paru-paru yang bermakna secara statistik dalam penelitian ini adalah
paparan asap rokok dari orang tua.
30
BAB III
METODE PENELITIAN
3.1 Jenis dan Sumber Data
Jenis data yang digunakan pada penelitian ini adalah data yang bersifat
kuantitatif, karena dinyatakan dengan angka-angka yang menunjukkan nilai
terhadap besaran atas variabel yang diwakilinya (Vajrin, 2019). Sumber data
adalah segala sesuatu yang dapat memberikan informasi mengenai data.
Berdasarkan sumbernya data dibedakan menjadi dua yaitu data primer dan data
sekunder, data primer adalah yang diperoleh secara langsung oleh peneliti dari
lokasi penelitian, sedangkan data sekunder yaitu data yang diperoleh melalui
berbagai sumber seperti literatur, artikel, jurnal serta situs internet yang berkaitan
dengan penelitian yang dilakukan (Sugiono, 2016).
Sumber data yang dikumpulkan pada penelitian ini berupa data sekunder
dimana pengumpulan data dilakukan melalui literatur dari instansi terkait yaitu di
RSUD Batara Guru Kab. Luwu.
3.2 Waktu dan Lokasi Penelitian
Lokasi penelitian merupakan tempat untuk diadakannya suatu penelitian
(Sugiono, 2016). Adapun penelitian ini dilaksanakan di RSUD Batara Guru
Belopa. Waktu penelitiannya dilakukan dalam jangka waktu 3 bulan, yaitu April –
Juni 2020.
3.3 Teknik Penarikan Sampel
Sampel adalah bagian dari jumlah atau karakteristik tertentu yang diambil
dari suatu populasi yang akan diteliti secara rinci (Sugiono, 2016).Sampel yang
diambil untuk penelitian ini yaitu seluruh pasien RSUD Batara Guru
Belopa.Pengambilan sampel dilakukan dengan cara peneliti melakukan
wawancara dengan pihak dinas kesehatan untuk memperoleh informasi tentang
kanker paru-paru. Penarikan sampel dilakukan dengan menggunakan stratified
random sampling dengan menggunakan rumus Slovin sebagai berikut (Sugiono,
2016):
12
dN
Nn
keterangan:
31
n Jumlah Sampel
N Jumlah Populasi
2d Presisi (ditetapkan 10% dengan tingkat kepercayaan 95%)
3.4 Variabel Penelitian
Variabel penelitian adalah suatu atribut, nilai/sifat dari objek,
individu/kegiatan yang mempunyai banyak variasi tertentu antara satu dengan
yang lainnya yang telah ditentukan oleh peneliti untuk dipelajari dan dicari
informasinya serta ditarik kesimpulannya (Ridha, 2017). Adapun beberapa
variabel yang digunakan pada penelitian ini meliputi umur, jenis kelamin,
kebiasaan merokok, predisposisi karena penyakit lain, pengaruh genetik dan status
imunologi dan bahan karsinogen di lingkungan kerja.
3.5 Metode Analisis Data
Dalam penelitian, analisis data merupakan kegiatan setelah data dari
seluruh responden terkumpul. Kegiatan dalam analisis data adalah
mengelompokkan data berdasarkan variabel dari responden, menyajikan data
setiap variabel yang diteliti, melakukan perhitungan untuk menjawab rumusan
masalah dan melakukan perhitungan menguji hipotesis yang telah diajukan (Agus,
2009). Dalam penelitian ini, sofware yang digunakan adalah SPSS.
3.6 Tahapan Penelitian
Tahapan penelitian merupakan suatu langkah analisis yang digunakan oleh
peneliti untuk menjawab permasalahan-permasalahan yang terdapat di dalam
penelitian (Sugiono, 2016).Adapun tahapan-tahapan di dalam penelitian ini, yaitu:
1) Menentukan variabel apa saja yang akan dianalisis.
2) Menguji variabel-variabel yang telah ditentukan pada langkah 1 di atas untuk
menetukan variabel-variabel yang dapat dianggap layak untuk masuk tahap
analisis faktor; pengujian menggunakan metode Bartlett Test Of Sphericity
serta pengukuranKaiser-Mayer-OlkinMeasure of Sampling Adequacy (MSA).
3) Setelah sejumlah variabel yang memenuhi syarat didapat, kegiatan berlanjut
ke proses inti pada analisis faktor, yakni factoring, proses ini akan
mengekstrak satu atau lebih faktor dari variabel-variabel yang telah lolos pada
uji variabel sebelumnya.
32
4) Interpretasi atas faktor yang telah terbentuk, khususnya memberi nama atas
faktor yang terbentuk tersebut yang dianggap bisa mewakili variabel-variabel
anggota faktor tersebut.
5) Validasi atas hasil faktor untuk mengetahui apakah faktor yang terbentuk telah
valid. Validasi bisa dilakukan dengan berbagai cara, seperti:
a) Membagi sampel awal menjadi dua bagian, kemudian membandingkan
hasil faktor sampel satu dengan sampel dua. Jika hasil tidak banyak
perbedaan, bisa dikatakan faktor yang terbentuk telah valid.
b) Dengan melakukan metode Confirmatory Factor Analysis (CFA) dengan
cara Structural Equation Modelling. Proses ini bisa dibantu dengan
software khusus seperti LISERIL.
Gambar 1. Tahapan Analisis
BAB IV
HASIL DAN PEMBAHASAN
Identifikasi Masalah
Perumusan Masalah
Menentukan Variabel
Factory
Interpretasi Factor
Validasi Hasil
33
4.1 Hasil Penelitian
Metode analisis faktor dapat digunakan untuk mengetahui faktor-faktor
penyebab kanker paru-paru pada pasien di RSUD Batara Guru Belopa. Salah satu
tujuan analisis faktor adalah untuk mereduksi variabel (asli) menjadi variabel set
baru atau faktor. Variabel yang dianalisis pada penelitian ini adalah sejumlah 6
variabel, dari 6 variabel tersebut akan direduksi menjadi beberapa set baru atau
faktor melalui tahapan-tahapan sebagai berikut:
1. Menilai Kelayakan Variabel yang Diteliti
Langkah awal dalam analisis faktor adalah memasukkan variabel yang
dianggap layak untuk dimasukkan pada langkah berikutnya dengan melihat nilai
kelayakan variabel. Langkah ini dilakukan dengan memasukkan seluruh variabel
yang dianalisis untuk menguji korelasi variabel yang memiliki kecenderungan
pengelompokkan untuk membentuk variabel set baru atau faktor dengan
menggunakan Uji Bartlett‟s (Barleet’s Test of Sphericity) dan Uji Kaiser-Mayer-
OlkinMeasure of Sampling Adequacy (MSA) dan dengan kriteria sebagai berikut:
a. Uji Bartlett‟s (Barleet’s Test of Sphericity)
Untuk menguji korelasi antar variabel yang memiliki kecenderungan
pengelompokkan untuk membentuk variabel set baru atau faktor digunakan uji
Bartlett‟s jika nilai signifikansi < 0,05 maka variabel yang dianalisis bisa masuk
pada tahap berikutnya.
Tabel 1. KMO dan Bartlett’s Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. 0,564
Bartlett's Test of Sphericity
Approx. Chi-Square 29,439
df 15
Sig. 0,014
Sumber: Data sekunder setelah diolah (2020)
Pada tabel 1 KMO dan Bartlett’s Test menguji hipotesis:
:0H Tidak memiliki korelasi dan data (variabel) belum layak dianalisis pada
tahap berikutnya.
:1H Memiliki korelasi dan data (variabel) sudah layak dianalisis pada tahap
berikutnya.
Dengan kriteria pengambilan keputusan:
Jika nilai Sig. > 0,05 maka 0H diterima.
34
Jika nilai Sig. < 0,05 maka 0H ditolak.
Pada tabel 1 menunjukkan nilai signifikansi 0,014 lebih kecil dari 0,05
(0,014 < 0,05), sehingga variabel-variabel yang dianalisis berkorelasi dan data
layak dianalisis pada tahap berikutnya dengan metode analisis faktor.
b. Uji Kaiser-Mayer-OlkinMeasure of Sampling Adequacy (MSA)
Untuk mengukur homogenitas dan melakukan filtrasi antar variabel. Oleh
karena itu hanya variabel yang memadaiuntuk dianalisis pada tahap berikutnya.
Nilai Kaiser-Mayer-OlkinMeasure of Sampling Adequacy (MSA) berkisar 0
sampai 1, dengan kriteria sebagai berikut:
,1MSA variabel dapat diprediksi tanpa kesalahan oleh variabel lain.
,5,0MSA variabel dapat diprediksi dan layak dianalisis pada tahap berikutnya.
,5,0MSA variabel tidak dapat diprediksi dan tidak layak dianalisis pada tahap
berikutnya dan dikeluarkan dari variabel lainnya.
Pada tabel 1 menunjukkan angka KMO dan Bartlett’s Test adalah 0,564
),5,0564,0( artinya variabel dapat diprediksi dan layak dianalisis pada tahap
berikutnya karena memenuhi kriteria .5,0MSA
Setelah uji Kaiser-Mayer-OlkinMeasure of Sampling Adequacy (MSA),
selanjutnya pada bagian anti image correlation dapat dilihat pada (Lampiran 2).
Utilititas ukuran Kaiser-Mayer-OlkinMeasure of Sampling Adequacy (MSA) ini
dimanfaatkan untuk melihat atau menunjukkan setiap variabel yang layak untuk
dianalisis pada tahap berikutnya, dapat dilihat sebagai berikut:
Tabel 2. Nilai Anti Image Matrices Correlation Variabel Setelah Uji MSA
Variabel Nilai Measure of Sampling
Adequacy (MSA)
Nilai kriteria
pengambilan keputusan
Umur 1X 0,179 0,5
Jenis Kelamin 2X 0,603 0,5
Pekerjaan 3X 0,180 0,5
Riwayat Merokok 4X 0,565 0,5
Riwayat Penyakit Lain 5X 0,449 0,5
Riwayat Genetik 6X 0,675 0,5
Sumber: Data sekunder setelah diolah (2020).
35
Pada tabel 2 Nilai Anti Image Matrices Correlation Variabel Setelah Uji
MSA (lampiran 2)menunjukkan nilai Measure of Sampling Adequacy, untuk
variabel umur 1X nilai MSA adalah lebih kecil dari 0,5 (0,179) artinya variabel
umur tidak dapat diprediksi dan tidak layak dianalisis pada tahap berikutnya dan
dikeluarkan dari variabel lainnya.Variabel jenis kelamin 2X nilai MSA adalah
lebih besar dari 0,5 (0,603) artinyavariabel jenis kelamin dapat diprediksi dan
layak dianalisis pada tahap berikutnya. Variabel pekerjaan 3X nilai MSA
dibawah 0,5 (0,180) artinya variabel pekerjaan tidak dapat diprediksi dan tidak
layak dianalisis pada tahap berikutnya dan dikeluarkan dari variabel lainnya.
Variabel riwayat merokok 4X nilai MSA lebih besar dari 0,5 (0,565) artinya
variabel riwayat merokok dapat diprediksi dan layak dianalisis pada tahap
berikutnya. Variabel riwayat penyakit lain 5X nilai MSA lebih kecil dari 0,5
(0,449) artinya variabel riwayat penyakit lain tidak dapat diprediksi dan tidak
layak dianalisis pada tahap berikutnya dan dikeluarkan dari variabel lainnya.
Variabel riwayat genetik 6X nilai MSA lebih besar dari 0,5 (0,675) artinya
variabel riwayat merokok dapat diprediksi dan layak dianalisis pada tahap
berikutnya.
Dapat diketahui bahwa dari enam variabel yang dianalisis, ada tiga
variabel yang tidak layak dianalisis pada tahap berikutnya yaitu variabel umur,
variabel pekerjaan, dan variabel riwayat penyakit lain. Namun demikianvariabel
umur 1X tidak layak dianalisis pada tahap berikutnya karena mempunyai nilai
MSA paling rendah diantara variabel yang tidak memenuhi kriteria untuk masuk
pada tahap analisis faktor.
Oleh karena itu akan dilakukan pengujian ulang terhadap variabel-variabel
independen dengan mengeluarkan variabel umur 1X pada uji MSA, dapat
dilihat pada tabel berikut:
36
Tabel 3. Nilai Anti Image Matrices Correlation setelah variabel 1X dikeluarkan
pada uji MSA
Variabel Nilai Measure of Sampling
Adequacy (MSA)
Nilai kriteria
pengambilan keputusan
Jenis Kelamin 2X 0,622 0,5
Pekerjaan 3X 0,203 0,5
Riwayat Merokok 4X 0,589 0,5
Riwayat Penyakit Lain 5X 0,434 0,5
Riwayat Genetik 6X 0,685 0,5
Sumber: Data sekunder setelah diolah (2020).
Pada tabel 3 Nilai Anti Image Matrices Correlation setelah variabel 1X
dikeluarkan pada uji MSA (lampiran 3) menunjukkan nilai MSA untuk variabel
pekerjaan 3X lebih kecil dari 0,5 (0,203) artinya variabel pekerjaan tidak dapat
diprediksi dan tidak layak dianalisis pada tahap berikutnya dan dikeluarkan dari
variabel lainnya. Variabel riwayat penyakit lain 5X lebih kecil dari 0,5 (0,434)
artinya variabel riwayat penyakit lain tidak dapat diprediksi dan tidak layak
dianalisis pada tahap berikutnya dan dikeluarkan dari variabel lainnya
Namun demikian variabel pekerjaan 3X tidak layak dianalisis pada tahap
berikutnya karena mempunyai nilai MSA paling rendah diantara variabel yang
tidak memenuhi kriteria untuk masuk pada tahap analisis faktor. Sehingga
variabel pekerjaan dikeluarkan dan dilakukan pengujian ulang dapat dilihat pada
tabel berikut:
Tabel 4. Nilai Anti Image Matrices Correlation setelah variabel 3X dikeluarkan
pada uji MSA
Variabel Nilai Measure of Sampling
Adequacy (MSA)
Nilai kriteria
pengambilan keputusan
Jenis Kelamin 2X 0,702 0,5
Riwayat Merokok 4X 0,614 0,5
Riwayat Penyakit Lain 5X 0,457 0,5
Riwayat Genetik 6X 0,665 0,5
Sumber: Data sekunder setelah diolah (2020).
Pada tabel 4 Nilai Anti Image Matrices Correlation setelah variabel 3X
dikeluarkan pada uji MSA (lampiran 4) menunjukkan nilai MSA untuk variabel
37
riwayat penyakit lain 5X lebih kecil dari 0,5 (0,457) artinya variabel riwayat
penyakit lain tidak dapat diprediksi dan tidak layak dianalisis pada tahap
berikutnya dan dikeluarkan dari variabel lainnya. Sehingga variabel riwayat
penyakit lain dikeluarkan dan dilakukan pengujian ulang dapat dilihat pada tabel
berikut:
Tabel 5. Nilai Anti Image Matrices Correlation setelah variabel 5X dikeluarkan
pada uji MSA
Variabel Nilai Measure of Sampling
Adequacy (MSA)
Nilai kriteria
pengambilan keputusan
Jenis Kelamin 2X 0,695 0,5
Riwayat Merokok 4X 0,596 0,5
Riwayat Genetik 6X 0,695 0,5
Sumber: Data sekunder setelah diolah (2020).
Pada tabel 5 menunjukkan Nilai Anti Image Matrices Correlation setelah
variabel 5X dikeluarkan pada uji MSA (lampiran 5) menunjukkan semua nilai
MSA lebih besar dari 0,5. Artinya ketiga variabel layak dianalisis pada tahap
analisis faktor. Dari tabel 1 uji MSA hingga tabel 4 uji MSA merupakan proses
penilaian variabel agar lolos uji kriteria MSA (MSA > 0,5) dengan mengeluarkan
variabel yang tidak memadai, kemudian menghasilkan variabel independen yang
memiliki nilai MSA > 0,5.
2. Proses Factoring dan Rotasi
a. Proses Factoring
Proses factoring merupakan proses inti dari analisis faktor setelah
memisahkan variabel-variabel yang memenuhi kriteria korelasi data dan memiliki
nilai MSA > 0,5. Proses factoring biasa juga disebut dengan ekstraksi yaitu hanya
menggunakan variabel yang memenuhi syarat dapat masuk pada tahap factoring
akan membentuk satu atau lebih set baru atau faktor dengan Principal
Components Analysis (PCA) sebagai metode yang digunakan dalam analisis.
Tabel 6. Nilai Variabel Hasil Factoring Initial Extraction
Jenis Kelamin 2X 1,000 0,768
Riwayat Merokok 4X 1,000 0,910
Riwayat Genetik 6X 1,000 0,768
Sumber: Data sekunder setelah diolah (2020).
38
Pada tabel 6 nilai variabel hasil factoring atau ekstraksi adalah
menunjukkan nilai varians atau keberagaman dari variabel yang dapat dijelaskan
oleh set baru atau fakor yang terbentuk. Variabel jenis kelamin 2X dengan nilai
0,768, artinya sekitar 76,8% varians variabel 2X dapat dijelaskan oleh faktor
yang terbentuk. Variabel Riwayat Merokok 4X dengan nilai 0,910, artinya sekitar
91% varians variabel 4X dapat dijelaskan oleh faktor yang terbentuk. Variabel
Riwayat Genetik 6X dengan nilai 0,768, artinya sekitar 76,8% varians variabel
6X dapat dijelaskan oleh faktor yang terbentuk.
Hasil factoring atau ekstraksi dengan menggunakan Principal Components
Analysis (PCA) yang lebih spesifiknya dapat dilihat pada tabel berikut:
Tabel 7. Hasil FactoringPrincipal Components Analysis Component Initial Eigenvalues Extraction Sums of Squared Loadings
Total %
of Variance
Cumulative
% Total
%
of Variance
Cumulative
%
1 2,446 81,533 81,533 2,446 81,533 81,533
2 0,410 13,675 95,208
3 0,144 4,792 100,000
Sumber: Data sekunder setelah diolah (2020).
Pada kolom component menunjukkan bahwa ada tiga variabel yang masuk
pada tahap analisis faktor, yaitu variabel jenis kelamin 2X , variabel riwayat
merokok 4X , dan variabel riwayat genetik 6X . Setiap variabel memiliki
variansi 1, maka total variansi adalah 313 . Lihat jumlah total variansi pada
kolom Total yaitu 3144,0410,0446,2 .
Kolom total pada baris component 1 menunjukkan nilaieigenvalues
sebesar 2,446 (diatas nilai 1), akan tetapi pada kolom total pada baris component 2
menunjukkan nilai eigenvalues sebesar 0,410 (dibawah nilai 1), artinya proses
factoring atau ekstraksi berhenti. Sehingga pada Extraction Sums of Squared
Loadings, menunjukkan bahwa dari tiga variabel factoring, terbentuk satu set baru
atau satu faktor denganeigenvalues> 1 (2,446> 1), dapat digambarkan melalui
grafik scree plot sebagai berikut:
39
Gambar 2. Scree Plot
Pada gambar 2scree plot menunjukkan bahwa dari titik pertama ke titik
kedua (sumbu component number 1 ke 2) dengan slope arah garis menurun cukup
tajam. Sedangkan pada titik kedua ke titik ketiga dengan slope arah garis menurun
yang tidak besar. Perhatikan titik kedua dibawah angka 1 dari sumbu Y
(eigenvalue), artinya bahwa satu set baru atau satu faktor merupakan paling baik
untuk mengekstraksi atau meringkas ketiga variabel yang dianalisis. Grafik scree
plot ini mutlak sebanding dengan proses pembentukan faktor pada tabel 7, berifat
saling melengkapi dalam memberikan suatu informasi.
b. Rotasi Faktor
Pada umumnya variabel-variabel yang telah diekstraksi (proses factoring)
masih belum tepat ditempatkan sesuai dengan faktor yang telah terbentuk, maka
akan dilakukan proses rotasi dengan ketentuan menguji variabel yang memenuhi
dan lolos uji MSA. Hasil proses rotasi faktor dapat dilihat sebagai berikut:
40
Tabel 8. Komponen Faktor Sebelum Rotasi Varimax Component
1
Jenis Kelamin 2X 0,876
Riwayat Merokok 4X 0,954
Riwayat Genetik 6X -0,876
Sumber: Data sekunder setelah diolah (2020).
Pada tabel 8 komponen faktor adalah untuk menentukan variabel mana
yang masuk ke faktor yang telah terbentuk dengan melihat angka-angka yang
tertera pada tabel biasa disebut dengan angka factor loadingstanpa melihat (+) dan
(-). Variabel jenis kelamin 2X mempunyai angka factor loadings atau angka
korelasi pada faktor 1 sebesar 0,876. Variabel riwayat merokok 4X mempunyai
angka factor loadings atau angka korelasi pada faktor 1 sebesar 0,954, dan
variabel riwayat genetik 6X mempunyai angka factor loadings atau angka
korelasi sebesar 0,876.
Setelah mengetahui bahwa faktor yang terbentuk adalah 1 maka untuk
melihat distribusi atau pembagian 3 variabel terhadap 1 faktor atau set baru yang
dihasilkan, dapat dilihat pada tabel berikut:
Tabel 9. Komponen Faktor setelah Rotasi Varimax Rotated Component Matrix
a
a. hanya satu komponen yang diekstraksi, sehingga hasil rotasi tidak dapat ditampilkan
Sumber: Data sekunder setelah diolah (2020).
Pada tabel 9 menjelaskan hasil rotasi varimax untuk melihat distribusi atau
pembagian 3 variabel terhadap 1 faktor atau set baru yang dihasilkan, namun
output hasil rotasi tidak dapat ditampilkan, karena proses rotasi varimax minimal
mempunyai dua faktor atau dua set baru yang terbentuk, hal ini sesuai dengan
kode “a” dibawah tabel.
Dari proses factoring dan rotasi dapat diketahui hanya satu faktor atau satu
set baru yang terbentuk dan mereduksi tiga variabel yang dianalisis, yakni
variabel yang terdiri dari variabel jenis kelamin 2X , variabel riwayat merokok
4X , dan variabel riwayat genetik 6X dan faktor yang terbentuk tersebut dapat
diberi nama sesuai variabel yang memuat di dalam faktor.
41
Angka factor loadings mendefinisikan korelasi setiap variabel dengan
faktor yang terbentuk. Semakin besar angka factor loadings artinya semakin erat
hubungan variabel terhadap faktor. Hal ini berarti faktor-faktor penyebab kanker
paru-paru pada pasien di RSUD Batara Guru Belopa berhubungan erat dengan
jenis kelamin, riwayat merokok, dan riwayat genetik.
3. Validasi Faktor
Validasi faktor merupakan tahap ketiga dari analisis faktor setelah proses
factoring dan menghasilkan satu faktor atau lebih, setelahnya faktor yang
terbentuk tersebut diberi identitas atau nama yang mewakili semua variabel yang
memuat pada faktor. Proses validasi faktor ini untuk mengetahui kestabilan faktor
yang telah terbentuk dengan cara membagi data yang dianalisis menjadi dua
bagian, setelahnya masing-masing bagian akan diuji dengan menggunakan
analisis faktor. Hasil outputnya akan dibandingkan dan dikatakan faktor stabil jika
memenuhi ketentuan hasil-hasil yang ada relatif tidak berbeda jauh, baik dari
nilai-nilainya maupun jumlah faktor yang terbentuk. Perbandingan outputnya
dapat dilihat sebagai berikut:
Tabel 10. Perbandingan Hasil Output Case Analysis Case Number1-16 Case Number 1-8 Case Number9-16
Component Component Component
1 1 1
Jenis Kelamin 2X 0,876 0,788 1,000
Riwayat Merokok 4X 0,954 0,931 1,000
Riwayat Genetik 6X -0,876 -0,788 -1,000
Sumber: Data sekunder setelah diolah (2020).
Pada tabel 10 menunjukkan perbandingan hasil output kasus analisis
antara data asli (lampiran 1), dan data tersebut dibagi menjadi dua bagian sama
besar yaitu kasus responden nomor 1 sampai 8 dan kasus responden nomor 9
sampai 16. Dari hasil perbandingan khususnya pada bagian Component Matrix
dapat diketahui bahwa terlihat seluruh kasus yang dianalisis tetap menghasilkan
satu faktor, walaupun dengan masing-masing nilai factor loadings yang berbeda.
Hal ini berarti pembagian kasus analisis menjadi dua bagian tidak mengubah
jumlah fakor yang terbentuk. Sehingga, dapat disimpukan bahwa faktor yang
terbentuk dengan menggunakan data asli analisis dapat dikatakan stabil dan faktor
tersebut yang mempengaruhi penderita kanker paru-paru di RSUD Batara Guru
42
Belopa memang berhubungan erat dengan jenis kelamin, riwayat merokok, dan
riwayat genetik.
4.2 Pembahasan
Variabel yang dianalisis pada penelitian ini adalah sejumlah 6 variabel,
dari 6 variabel tersebut akan direduksi menjadi beberapa set baru atau faktor
melalui tahapan-tahapan sebagai berikut:
1. Menilai Kelayakan Variabel yang Diteliti
a. Uji Bartlett‟s (Barleet’s Test of Sphericity)
Untuk menguji korelasi antar variabel yang memiliki kecenderungan
pengelompokkan untuk membentuk variabel set baru atau faktor, dengan
hipotesis:
:0H Tidak memiliki korelasi dan data (variabel) belum layak dianalisis pada
tahap berikutnya.
:1H Memiliki korelasi dan data (variabel) sudah layak dianalisis pada tahap
berikutnya.
Sedangkan kriteria pengambilan keputusan:
Jika nilai Sig. > 0,05 maka 0H diterima.
Jika nilai Sig. < 0,05 maka 0H ditolak.
Pada tabel 1 menunjukkan nilai signifikansi 0,014 lebih kecil dari 0,05
(0,014 < 0,05), sehingga variabel-variabel yang dianalisis berkorelasi dan data
layak dianalisis pada tahap berikutnya dengan metode analisis faktor.
c. Uji Kaiser-Mayer-OlkinMeasure of Sampling Adequacy (MSA)
Utilititas ukuran Kaiser-Mayer-OlkinMeasure of Sampling Adequacy
(MSA) ini dimanfaatkan untuk melihat atau menunjukkan setiap variabel yang
layak untuk dianalisis pada tahap berikutnya.Nilai Kaiser-Mayer-OlkinMeasure of
Sampling Adequacy (MSA) berkisar 0 sampai 1, dengan kriteria sebagai berikut:
,1MSA variabel dapat diprediksi tanpa kesalahan oleh variabel lain.
,5,0MSA variabel dapat diprediksi dan layak dianalisis pada tahap berikutnya.
,5,0MSA variabel tidak dapat diprediksi dan tidak layak dianalisis pada tahap
berikutnya dan dikeluarkan dari variabel lainnya.
43
Dapat diketahui pada tabel 2 nilai anti image matrices correlation variabel
setelah uji MSA bahwa dari enam variabel yang dianalisis, ada tiga variabel yang
tidak layak dianalisis pada tahap berikutnya yaitu variabel umur, variabel
pekerjaan, dan variabel riwayat penyakit lain. Namun demikian variabel umur
1X tidak layak dianalisis pada tahap berikutnya karena mempunyai nilai MSA
paling rendah diantara variabel yang tidak memenuhi kriteria untuk masuk pada
tahap analisis faktor. Oleh karena itu akan dilakukan pengujian ulang terhadap
variabel-variabel independen dengan mengeluarkan variabel umur 1X pada uji
MSA.
Setelah variabel 1X dikeluarkan pada uji MSA terlihat pada tabel 3
menunjukkan variabel pekerjaan 3X tidak layak dianalisis pada tahap
berikutnya karena mempunyai nilai MSA paling rendah diantara variabel yang
tidak memenuhi kriteria untuk masuk pada tahap analisis faktor. Sehingga
variabel pekerjaan dikeluarkan dan dilakukan pengujian ulang.
Selanjutnya pada tabel 4 menunjukkan variabel riwayat penyakit lain tidak
dapat diprediksi dan tidak layak dianalisis pada tahap berikutnya dan dikeluarkan
dari variabel lainnya.Sehingga variabel riwayat penyakit lain dikeluarkan dan
dilakukan pengujian ulang.
Setelah variabel 5X dikeluarkan pada uji MSA, pada tabel 5 menunjukkan
semua nilai MSA diatas 0,5. Artinya ketiga variabel layak dianalisis pada tahap
analisis faktor yaitu variabel jenis kelamin, variabel riwayat merokok, dan
variabel riwayat genetik. Dari tabel 1 uji MSA hingga tabel 4 uji MSA merupakan
proses penilaian variabel agar lolos uji kriteria MSA (MSA > 0,5) dengan
mengeluarkan variabel yang tidak memadai, kemudian menghasilkan variabel
independen yang memiliki nilai MSA > 0,5.
2. Proses Factoring dan Rotasi
a. Proses Factoring
Proses factoring biasa juga disebut dengan ekstraksi yaitu hanya
menggunakan variabel yang memenuhi syarat dapat masuk pada tahap factoring
akan membentuk satu atau lebih set baru atau faktor dengan Principal
Components Analysis (PCA) sebagai metode yang digunakan dalam analisis.
44
Pada tabel 7 dapat diketahui hasil factoring atau ekstraksi dengan
menggunakan Principal Components Analysis (PCA) yang lebih spesifik. Untuk
kolom total pada baris component 1 menunjukkan nilaieigenvalues sebesar 2,446
(diatas nilai 1), akan tetapi pada kolom total pada baris component 2 menunjukkan
nilai eigenvalues sebesar 0,410 (dibawah nilai 1), artinya proses factoring atau
ekstraksi berhenti. Sehingga pada Extraction Sums of Squared Loadings,
menunjukkan bahwa dari tiga variabel factoring, terbentuk satu set baru atau satu
faktor denganeigenvalues> 1 (2,446> 1), dapat digambarkan melalui grafik scree
plotpada gambar 2.
b. Rotasi Faktor
Variabel-variabel yang telah diekstraksi (proses factoring) masih belum
tepat ditempatkan sesuai dengan faktor yang telah terbentuk, maka akan dilakukan
proses rotasi dengan ketentuan menguji variabel yang memenuhi dan lolos uji
MSA.
Pada tabel 8 komponen faktor adalah untuk menentukan variabel mana
yang masuk ke faktor yang telah terbentuk dengan melihat angka-angka yang
tertera pada tabel biasa disebut dengan angka factor loadingstanpa melihat (+) dan
(-). Variabel jenis kelamin, variabel riwayat merokok, variabel riwayat
genetikmempunyai angka factor loadings atau angka korelasi pada faktor 1.
Sehingga dapat diketahui dari 3 variabel terdapat 1 faktor atau set baru yang
dihasilkan.
Dari proses factoring dan rotasi dapat diketahui hanya satu faktor atau satu
set baru yang terbentuk dan mereduksi tiga variabel yang dianalisis, yakni
variabel yang terdiri dari variabel jenis kelamin 2X , variabel riwayat merokok
4X , dan variabel riwayat genetik 6X dan faktor yang terbentuk tersebut dapat
diberi nama sesuai variabel yang memuat di dalam faktor. Dalam pemberian nama
faktor ini bersifat subjektif dan tidak ada ketentuan-ketentuan yang mutlak
mengenai pemberian nama (identitas), namun pemberian nama faktor dapat juga
dilakukan dengan melihat angka factor loadings masing-masing variabel.
Faktor 1 tersebut diberi nama faktor internal (variabel variabel jenis
kelamin 2X , variabel riwayat merokok 4X , dan variabel riwayat genetik
45
6X ) artinya faktor-faktor penyebab kanker paru-paru pada pasien di RSUD
Batara Guru Belopa adalah jenis kelamin, kebiasaan merokok, serta riwayat
genetik. Dengan interpretasi untuk variabel jenis kelamin dan variabel riwayat
merokok mempunyai korelasi positif, maka bila ada riwayat merokok terhadap
kanker paru-paru maka semakin tinggi probabilitas seseorang dapat menderita
kanker paru-paru. Sedangkan untuk variabel riwayat genetik adalah berkorelasi
negatif, maka jika seseorang tidak memiliki riwayat genetik kanker paru-paru
maka semakin rendah probabilitas seseorang menderita kanker paru-paru.
46
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan analisis dan pembahasan pada Bab IV mengenai faktor-faktor
penyebab kanker paru-paru pada pasien di RSUD Batara Guru Belopa
menggunakan analisis faktor sebagai metode penelitian menghasilkan satu set
baru atau satu faktor penyebab kanker paru-paru di RSUD Batara Guru Belopa
yang meliputi variabel jenis kelamin 2X dengan rincian 13 pasien kanker paru-
paru berjenis kelamin laki-laki dan 3 pasien kanker paru-paru berjenis kelamin
perempuan, variabel riwayat merokok 4X dengan rincian 14 pasien kanker
paru-paru aktif merokok dan 2 pasien kanker paru-paru pasif merokok, dan
variabel riwayat genetik 6X dengan rincian 3 pasien kanker paru-paru memiliki
riwayat genetik dan 13 pasien kanker paru-paru tidak memiliki riwayat genetik.
Pemberian nama faktor ini bersifat subjektif dan tidak ada ketentuan-ketentuan
yang mutlak mengenai pemberian nama (identitas). Faktor 1 tersebut diberi nama
faktor internal. Dengan interpretasi untuk variabel jenis kelamin dan variabel
riwayat merokok mempunyai korelasi positif, maka bila ada riwayat merokok
terhadap kanker paru-paru maka semakin tinggi probabilitas seseorang dapat
menderita kanker paru-paru. Sedangkan untuk variabel riwayat genetik adalah
berkorelasi negatif, maka jika seseorang tidak memiliki riwayat genetik kanker
paru-paru maka semakin rendah probabilitas seseorang menderita kanker paru-
paru.
5.2 Saran
Dalam penelitian ini penulis membahas mengenai mengenai faktor-faktor
penyebab kanker paru-paru pada pasien di RSUD Batara Guru Belopa
menggunakan analisis faktor dengan metode Proncipal Component
Analysis(PCA) dalam proses factoring serta pembentukan faktor, sehingga
peneliti selanjutnya dapat menggunakan metode lain seperti common factor atau
maximum likelihood method.
47
DAFTAR PUSTAKA
A Ruano-Ravina et. al. 2002. Lung Cancer and related risk factors : an update.
Public health.149-156.
Al maududi, Roni. 2017. Model Matematika Kanker Paru-Paru Akibat Pengaruh
Sisa Asap Rokok dan Pencegahannya. Jurnal String. Vol 2 no 1.
Ananda, Rian Rizki, Sabrina Ermayanti, Abdiana. 2018. Hubungan Staging
dengan Skala Nyeri pada Pasien Kanker Paru yang Dirawat di Bagian Paru
RSUP DR M Djamil Padang. Jurnal Kesehatan Andalas.
Benazir, Salsabila. 2013. Faktor Risiko Kejadian Kanke Paru pada Pasien
Rawat Inap dan Rawat Jalan di RSUPN Dr. Cipto Mangunkusumo Jakarta
Tahun 2011-2012. Skripsi dipublikasikan. Skripsi tidak diterbitkan.Depok:
Program Sarjana - Fakultas Kesehatan Masyarakat, Universitas Indonesia.
Corwin Elizabeth J. 2008. Buku saku Patofisiologi. Jakarta : EGC.
Elpira, Fifi. 2014. Penerapan Analisis Faktor Untuk Menentukan Faktor-
Faktoryang Mempengaruhi Mahasiswa dalam Memilih Jurusan
Matematika Fakultas Sains dan Teknologi Universitas Islam Negeri
Alauddin Makassar. Skripsi dipublikasikan. Makassar: Program Sarjana
UIN Alauddin Makassar.
Ernawati, Yati, Sabrina Emayanti, Deddy Herman, Russilawati. 2019. Faktor
Resiko Kanker Paru Pada Perempuan yang Dirawat di Bagian Paru RSUD
Dr. M Djanmil Padang dan RSUD Sulut. Jurnal Kesehatan Andalas.
Faisal, Aziza Icksan R.M., Elisa, Pudjo Astuwo, Heriawati Hidayat dan Joedo
Prihartono. 2008. Kriteria Diagnosis Kanker Paru-Paru Primer
Berdasarkan Gambaran Morfologi Pada CT Scan Toraks di bandingkan
denganSitologi. IndonesiaJournal of Cancer I. Departemen Ilmu
KedokteranUniversitas Indonesia.
Hopman, Rijken, 2015. Illnes perceptions of cancer patients: relations hips with
illness characteristics and coping.Psycho-Oncology, vol. 24, hal. 11-18.
Lesnuss, Yopi Andri. 2012. Model Matematika Kemoterapi Kanker dan
Simulasinya dengan Sofware Matlab. Jurnal Kedokteran dan Kesehatan.
ISSN 1979-6358.
Macdonald. F., Ford, C.H,J dan Casson, A.G.2005.Molecular Biology of Cancer,
Second Edition. London: Garland Science/BIOS Sciefntific Publishers.
48
Melindawati BR.G. 2009. Karakteristik Penderita Paru Rawat Inap di RSUP H.
Adam Malik Medan Tahun 2004-2008. Skripsi dipublikasikan. Medan:
Program Sarjana Universitas Sumatera Utara.
Nuraini, P. 2002. Faktor Risiko Kanker Paru di RSUP Persahabatan tahun 2009-
2010. Jakarta : Fakultas Kedokteran dan Ilmu Kesehatan UIN Syarif
Hidayatullah.
Price S.A, wilson. (1982). Patofisiologi : Konsep Klinik Proses-proses Penyakit.
Jakarta : EGC.
Pulmonologi. 2016. Kanker Paru : Sebuah Kajian Singkat. Jurnal Ina J CHEST
CRIT and Emerg Med. Vol 4 No 2. Diakses pada tanggal 11Maret 2020.
Ridha, Nikmatur. 2017. Proses Penelitian, Masalah, Variabel, dan Paradigma
Penelitian. Jurnal Himah. 4(1), Januari-Juni 2017.
Santosa, Singgih. 2017. Statistik Multivariat dengan SPSS. Jakarta: PT Elex
Media Komputindo.
Sugiono. 2016. Metode PenelitianKuantitatif, Kualitatif dan R&D. Bandung: PT
Alfabet.
Underwood. 1999. Patologi Umum dan Sistematin. Jakarta: Penerbit Buku
Kedokteran.
Vajrin, Verawati. 2019. Analisis Faktor-Faktor yang Memengaruhi Rumah
Tangga Miskin di Keluarahan Pontap Kecamatan Wara Timur Kota
Palopo. Skripsi tidak diterbitkan. Palopo: Program Sarjana – Universitas
Cokroaminoto Palopo.
32
L
A
M
P
I
R
A
N
33
Lampiran 1. Data Analisis Penderita Kanker Paru-paru di RSUD Batara
Guru Belopa
Responden Nama Umur Jenis
Kelamin Pekerjaan
Riwayat
Merokok
Riwayat
Penyakit Lain
Riwayat
Genetik
1 Mr. S 54 1 1 1 1 2
2 Mrs. R 51 2 2 1 1 2
3 Mr. A 54 1 4 1 1 2
4 Mr. M 53 1 4 1 2 2
5 Mr. W 56 1 6 1 2 2
6 Mr. B 51 1 2 1 1 2
7 Mr. S 50 1 4 1 2 1
8 Mrs.A 56 2 7 2 1 1
9 Mr. D 52 1 9 1 1 2
10 Mr. M 50 1 4 1 1 2
11 Mr. R 54 1 5 1 1 2
12 Mr. C 49 1 9 1 1 2
13 Mr. H 52 1 4 1 1 2
14 Mrs. R 49 2 5 2 2 1
15 Mr. S 49 1 3 1 2 2
16 Mr. L 49 1 8 1 1 2
Keterangan:
Jenis Kelamin : 1 “Laki-laki”
: 2 “Perempuan”
Pekerjaan : 1 “Dokter”
: 2 “Buruh Pabrik”
: 3 “Tukang Bangunan”
: 4 “Petani”
: 5 “Karyawan/Pegawai”
: 6 “Kontraktor”
: 7 “Pedagang”
: 8 “Guru”
: 9 “Pelaut”
: 10 “Tukang Las”
Riwayat Merokok : 1 “Ya”
: 2 “Tidak”
Riwayat Penyakit Lain : 1 “Ya”
: 2 “Tidak”
Riwayat Genetik : 1 “Ya”
: 2 “Tidak”
34
Lampiran 2. Output SPSS Nilai Anti Image Matrices Correlation Variabel
Setelah Uji MSA
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,564
Bartlett's Test of Sphericity
Approx. Chi-Square 29,439
df 15
Sig. ,014
Anti-image Matrices
umur
jenis
kelamin
pekerjaan riwayat
merokok
riwayat
penyakit lain
riwayat
genetik
Anti-image
Covariance
umur ,919 ,080 ,124 -,103 ,090 -,082
jenis kelamin ,080 ,323 ,177 -,164 ,103 -,013
pekerjaan ,124 ,177 ,822 -,133 ,159 -,019
riwayat merokok -,103 -,164 -,133 ,185 ,000 ,147
riwayat penyakit lain ,090 ,103 ,159 ,000 ,762 ,178
riwayat genetik -,082 -,013 -,019 ,147 ,178 ,311
Anti-image
Correlation
umur ,179a ,147 ,143 -,250 ,108 -,153
jenis kelamin ,147 ,603a ,344 -,673 ,208 -,040
pekerjaan ,143 ,344 ,180a -,341 ,201 -,039
riwayat merokok -,250 -,673 -,341 ,565a -,001 ,614
riwayat penyakit lain ,108 ,208 ,201 -,001 ,449a ,365
riwayat genetik -,153 -,040 -,039 ,614 ,365 ,675a
a. Measures of Sampling Adequacy(MSA)
35
Lampiran 3. Output SPSS Nilai Anti Image Matrices Correlation setelah
variabel 1X dikeluarkan pada uji MSA
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,593
Bartlett's Test of Sphericity
Approx. Chi-Square 29,190
df 10
Sig. ,001
Anti-image Matrices
jenis
kelamin
pekerjaan riwayat
merokok
riwayat
penyakit lain
riwayat
genetik
Anti-image
Covariance
jenis kelamin ,331 ,174 -,169 ,099 -,006
pekerjaan ,174 ,839 -,129 ,152 -,009
riwayat merokok -,169 -,129 ,197 ,010 ,151
riwayat penyakit lain ,099 ,152 ,010 ,771 ,192
riwayat genetik -,006 -,009 ,151 ,192 ,318
Anti-image
Correlation
jenis kelamin ,622a ,330 -,664 ,195 -,018
pekerjaan ,330 ,203a -,318 ,189 -,017
riwayat merokok -,664 -,318 ,589a ,027 ,601
riwayat penyakit lain ,195 ,189 ,027 ,434a ,388
riwayat genetik -,018 -,017 ,601 ,388 ,685a
a. Measures of Sampling Adequacy(MSA)
36
Lampiran 4. Output SPSS Nilai Anti Image Matrices Correlation setelah
variabel 3X dikeluarkan pada uji MSA
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,642
Bartlett's Test of Sphericity
Approx. Chi-Square 27,710
df 6
Sig. ,000
Anti-image Matrices
jenis kelamin riwayat merokok
riwayat penyakit
lain
riwayat
genetik
Anti-image
Covariance
jenis kelamin ,371 -,178 ,078 -,004
riwayat merokok -,178 ,219 ,039 ,166
riwayat penyakit lain ,078 ,039 ,800 ,201
riwayat genetik -,004 ,166 ,201 ,319
Anti-image
Correlation
jenis kelamin ,702a -,625 ,143 -,013
riwayat merokok -,625 ,614a ,093 ,629
riwayat penyakit lain ,143 ,093 ,457a ,399
riwayat genetik -,013 ,629 ,399 ,665a
a. Measures of Sampling Adequacy(MSA)
37
Lampiran 5. Output SPSS Nilai Anti Image Matrices Correlation setelah
variabel 5X dikeluarkan pada uji MSA
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,652
Bartlett's Test of Sphericity
Approx. Chi-Square 25,492
df 3
Sig. ,000
Anti-image Matrices
jenis kelamin riwayat merokok riwayat genetik
Anti-image Covariance
jenis kelamin ,379 -,187 -,029
riwayat merokok -,187 ,221 ,187
riwayat genetik -,029 ,187 ,379
Anti-image Correlation
jenis kelamin ,695a -,648 -,077
riwayat merokok -,648 ,596a ,648
riwayat genetik -,077 ,648 ,695a
a. Measures of Sampling Adequacy(MSA)
38
Lampiran 6. Output SPSS Proses Factoring dan Rotasi
Factor Analysis
[DataSet0]
Warnings
Only one component was extracted. Component plots cannot be
produced.
Communalities
Initial Extraction
jenis kelamin 1,000 ,768
riwayat merokok 1,000 ,910
riwayat genetik 1,000 ,768
Extraction Method: Principal Component Analysis.
Total Variance Explained
Component Initial Eigenvalues Extraction Sums of Squared Loadings
Total % of Variance Cumulative % Total % of Variance Cumulative %
1 2,446 81,533 81,533 2,446 81,533 81,533
2 ,410 13,675 95,208
3 ,144 4,792 100,000
Extraction Method: Principal Component Analysis.
39
Component Matrixa
Component
1
jenis kelamin ,876
riwayat merokok ,954
riwayat genetik -,876
Extraction Method: Principal Component Analysis.
a. 1 components extracted.
Rotated Component Matrixa
a. Only one component was extracted. The solution cannot be rotated.
40
Lampiran 7. Surat Penelitian
41
Lampiran 8. Dokumentasi Penelitian
42