Untuk Pagi Hari:

\[ \text{Bobot pagi} = \frac{0{,}333}{0{,}60} = 0{,}555 \]

Artinya: Setiap responden pagi hanya dihitung 0,555 dari 1 karena kelebihan jumlah.

Untuk Sore Hari:

\[ \text{Bobot sore} = \frac{0{,}667}{0{,}40} = 1{,}667 \]

Artinya: Setiap responden sore dihitung sebesar 1,667 dari 1 karena kekurangan jumlah.

##      pagi      sore 
## 0.5555556 1.6666667

📌 Hasil Penyesuaian Bobot:

Hasil Bobot:

• Bobot Pagi: 0.56 → Kurangi pengaruh responden pagi.

• Bobot Sore: 1.67 → Tingkatkan pengaruh responden sore.

Uji Pra-Analisis Faktor

Sebelum melakukan EFA, terlebih dahulu dilakukan pengujian kelayakan data menggunakan:

• Kaiser-Meyer-Olkin (KMO) Measure of Sampling Adequacy, untuk mengukur kecukupan sampel.
• Bartlett’s Test of Sphericity, untuk menguji apakah matriks korelasi signifikan berbeda dari matriks identitas.

library(psych)

# Contoh data dummy
set.seed(123)
subdata <- data.frame(
  KRS = sample(1:5, 100, replace = TRUE),
  Bimbingan = sample(1:5, 100, replace = TRUE),
  Administrasi = sample(1:5, 100, replace = TRUE),
  Informasi = sample(1:5, 100, replace = TRUE),
  Bantuan = sample(1:5, 100, replace = TRUE)
)

# KMO
kmo_result <- KMO(subdata)
kmo_result

## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = subdata)
## Overall MSA =  0.5
## MSA for each item = 
##          KRS    Bimbingan Administrasi    Informasi      Bantuan 
##         0.56         0.50         0.46         0.50         0.59

# Bartlett
bartlett_result <- cortest.bartlett(cor(subdata), n = nrow(subdata))
bartlett_result

## $chisq
## [1] 7.560017
## 
## $p.value
## [1] 0.671727
## 
## $df
## [1] 10

✨ Kesimpulan Interpretasi:

• Jika KMO > 0.60, maka data layak untuk dianalisis menggunakan EFA.
• Jika nilai p < 0.05 pada Bartlett’s Test, maka korelasi antar butir signifikan dan matriks korelasi tidak identitas.

Pelaksanaan Analisis Faktor Eksploratori (EFA)

Setelah data memenuhi syarat pada tahap uji pra-analisis, langkah selanjutnya adalah melakukan Analisis Faktor Eksploratori (Exploratory Factor Analysis/EFA) untuk mengidentifikasi struktur laten yang mendasari sejumlah item dalam instrumen survei.

library(psych)

# subdata: data numerik yang sudah lolos KMO dan Bartlett


# 2. Melakukan EFA, misalnya 2 faktor dan rotasi varimax
efa_result <- fa(subdata, nfactors = 2, rotate = "varimax", fm = "ml")
efa_result

## Factor Analysis using method =  ml
## Call: fa(r = subdata, nfactors = 2, rotate = "varimax", fm = "ml")
## Standardized loadings (pattern matrix) based upon correlation matrix
##                ML1   ML2      h2    u2 com
## KRS          -0.03  0.29 0.08790 0.912 1.0
## Bimbingan     0.03  0.30 0.09008 0.910 1.0
## Administrasi  0.97  0.07 0.95239 0.048 1.0
## Informasi     0.22 -0.44 0.24121 0.759 1.5
## Bantuan       0.01 -0.01 0.00015 1.000 1.9
## 
##                        ML1  ML2
## SS loadings           1.00 0.38
## Proportion Var        0.20 0.08
## Cumulative Var        0.20 0.27
## Proportion Explained  0.73 0.27
## Cumulative Proportion 0.73 1.00
## 
## Mean item complexity =  1.3
## Test of the hypothesis that 2 factors are sufficient.
## 
## df null model =  10  with the objective function =  0.08 with Chi Square =  7.56
## df of  the model are 1  and the objective function was  0 
## 
## The root mean square of the residuals (RMSR) is  0 
## The df corrected root mean square of the residuals is  0 
## 
## The harmonic n.obs is  100 with the empirical chi square  0  with prob <  1 
## The total n.obs was  100  with Likelihood Chi Square =  0  with prob <  1 
## 
## Tucker Lewis Index of factoring reliability =  -2.93
## RMSEA index =  0  and the 90 % confidence intervals are  0 0
## BIC =  -4.61
## Fit based upon off diagonal values = 1
## Measures of factor score adequacy             
##                                                    ML1   ML2
## Correlation of (regression) scores with factors   0.97  0.57
## Multiple R square of scores with factors          0.95  0.32
## Minimum correlation of possible factor scores     0.90 -0.36

# 3. Melihat struktur loading faktornya
print(efa_result$loadings, cutoff = 0.3)

## 
## Loadings:
##              ML1    ML2   
## KRS                       
## Bimbingan                 
## Administrasi  0.973       
## Informasi           -0.440
## Bantuan                   
## 
##                  ML1   ML2
## SS loadings    0.996 0.375
## Proportion Var 0.199 0.075
## Cumulative Var 0.199 0.274

Visualisasi Loading Faktor dari EFA

library(ggplot2)
library(tidyr)
library(dplyr)
library(plotly)

# Data EFA (contoh)
efa_result <- data.frame(
  Variabel = c("KRS", "Bimbingan", "Bantuan", "Administrasi", "Informasi"),
  `Faktor 1` = c(0.72, 0.68, 0.55, 0.12, 0.18),
  `Faktor 2` = c(0.10, 0.15, 0.25, 0.79, 0.75)
)

# Ubah ke format long
efa_long <- pivot_longer(efa_result, cols = starts_with("Faktor"),
                         names_to = "Faktor", values_to = "Loading")

# Plot dasar dengan ggplot
p <- ggplot(efa_long, aes(x = Variabel, y = Loading, fill = Faktor,
                          text = paste("Variabel:", Variabel, "<br>Faktor:", Faktor, "<br>Loading:", round(Loading, 2)))) +
  geom_bar(stat = "identity", position = position_dodge()) +
  geom_hline(yintercept = 0.3, linetype = "dashed", color = "red") +
  labs(title = "Perbandingan Loading Faktor per Variabel",
       y = "Nilai Loading") +
  scale_fill_viridis_d() +
  theme_minimal(base_size = 14) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Ubah ke plotly untuk interaktivitas
ggplotly(p, tooltip = "text")

💡 Interpretasi Nilai Cronbach’s Alpha:

📌 Contoh Perhitungan Manual Cronbach’s Alpha – Dimensi KRS Online (Data Nyata)

Untuk menguji reliabilitas awal, digunakan tiga butir pernyataan pada layanan KRS Online dengan skala Likert (1–5), yaitu:

1. KRS_Kemudahan_Akses
   
2. KRS_Kecepatan_Sistem
   
3. KRS_Kejelasan_Info

Langkah perhitungan manual berdasarkan data aktual sebagai berikut:

• Jumlah item (N): 3

• Varians masing-masing item:

  • KRS_Kemudahan_Akses = 2,18
  • KRS_Kecepatan_Sistem = 2,16
  • KRS_Kejelasan_Info = 1,76

  ➤ Jumlah varians item (∑σ²_item) = 6,10

• Skor total tiap responden diperoleh dari penjumlahan ketiga item tersebut.

• Varians skor total seluruh responden:
  ➤ σ²_total = 6,20

\[ \alpha = \frac{N}{N - 1} \left(1 - \frac{\sum \sigma^2_{\text{item}}}{\sigma^2_{\text{total}}} \right) \]

\[ \alpha = \frac{3}{2} \left(1 - \frac{6.10}{6.20} \right) = 1.5 \times \left(1 - 0.984\right) = 1.5 \times 0.016 = 0.025 \]

📉 Interpretasi Hasil:

α = 0.025 menunjukkan bahwa:

• Butir-butir tidak cukup konsisten dalam mengukur konstruk yang sama.
• Korelasi antar item sangat rendah.
• Perlu revisi/redesain terhadap pertanyaan agar lebih fokus dan homogen.
• Mungkin dibutuhkan item tambahan agar konstruk lebih kuat.

Tentu! Berikut adalah versi yang lebih segar, kreatif, dan dilengkapi dengan emoji & tabel agar tetap profesional namun tetap menarik dan mudah dipahami:

4.1.1 🌐 Platform Distribusi

Distribusi kuesioner dilakukan secara online menggunakan Google Form, yang dapat diakses melalui tautan berikut:
🔗 https://forms.gle/6BBUAzNB9vKNuXGu9

Kenapa Google Form? - ✅ Mudah diakses via HP/laptop - ✅ Dapat dibagikan lewat email, WhatsApp, dan media sosial kampus - ✅ Mendukung berbagai jenis pertanyaan (Skala Likert, isian, pilihan ganda) - ✅ Otomatis merekap data ke Google Spreadsheet

4.1.2 🎯 Target Responden

• 📌 Mahasiswa aktif ITSB dari seluruh program studi dan angkatan
• 🎓 Fokus utama: mahasiswa yang pernah mengakses layanan akademik seperti KRS, bimbingan, pengajuan judul, dsb.

4.1.3 🗓️ Durasi Distribusi

🕐 Total durasi: 1 minggu, dengan pengingat berkala untuk meningkatkan partisipasi.

4.1.4 📢 Strategi Penyebaran

4.2.1 🔍 Jenis Teknik Sampling

Metode yang digunakan: Stratified Random Sampling
Populasi dibagi berdasarkan kombinasi program studi dan angkatan untuk menjaga representativitas.

📘 Ilustrasi:

4.2.2 📈 Ukuran Sampel

🎯 Target sampel: ≥ 500 mahasiswa

🧠 Alasan pemilihan: - Memadai untuk uji validitas dan reliabilitas - Cukup besar untuk hasil yang generalizable ke seluruh mahasiswa aktif ITSB

4.2.3 ✅ Kriteria Inklusi

Mahasiswa yang: - Aktif pada semester Genap TA 2024/2025 - Pernah menggunakan ≥1 layanan akademik yang menjadi fokus penelitian