Regresi Logistik (skripsi dan tesis)

Logistic Regression atau biasa kita sebut Regresi Logistik sebenarnya mirip dengan analisis faktor yaitu kita ingin menguji apakah probabilitas terjadinya variabel terikat dapat diprediksi dengan variabel bebasnya. Analisis regresi logistik digunakan untuk menjelaskan hubungan antara variabel respon yang berupa data dikotomik/biner dengan variabel bebas yang berupa data berskala interval dan atau kategorik, (Hosmer dan Lemeshow, 1989).
Variabel yang dikotomik/biner adalah variabel yang hanya mempunyai dua kategori saja, yaitu kategori yang menyatakan kejadian sukses (Y=1) dan kategori yang menyatakan kejadian gagal (Y=0). Pada model-model linear umum komponen acak tidak harus mengikuti sebaran normal, tapi harus masuk dalam sebaran keluarga eksponensial. Sebaran bernoulli termasuk dalam salah satu dari sebaran keluarga eksponensial. Variabel respon Y ini, diasumsikan mengikuti distribusi Bernoull

Analisis Regresi Linier Berganda (skripsi dan tesis)

Analisis regresi merupakan salah satu analisis statistik yang sering digunakan untuk menganalisis hubungan antara dua variabel atau lebih. Menurut Drapper dan Smith (1992) analisis regresi merupakan metode analisis yang dapat digunakan untuk menganalisis data dan mengambil kesimpulan yang bermakna tentang hubungan ketergantungan variabel terhadap variabel lainnya. Hubungan yang didapat pada umumnya dinyatakan dalam bentuk persamaan matematika yang menyatakan hubungan antara variabel bebas (independent variable) dan variabel tak bebas (dependent variable) dalam bentuk persamaan sederhana.

Model Regresi Multilevel Respon Biner (skripsi dan tesis)

Model regresi multilevel dengan variabel respon (dependen) berupa data biner atau hanya terdiri dari dua kategori, maka estimasi parameter bisa dilakukan menggunakan estimasi maksimum likelihood dengan pendekatan suatu metode tertentu (Goldstein, 1999). Dalam model regresi, apabila variabel respon berupa biner atau dichotomous biasanya digunakan model regresi logistik yang dalam estimasi parameternya harus menggunakan suatu fungsi penghubung (link function). Hal tersebut juga sama diterapkan dalam model multilevel. Apabila variabel respon berdistribusi binomial dengan parameter proporsi (πij), maka fungsi penghubung yang digunakan adalah logit (log{π/(1-π)}) sehingga modelnya disebut dengan model logistik

Regresi Logistik Biner (skripsi dan tesis)

Regresi logistik digunakan untuk mencari hubungan variabel dependen (Y) yang bersifat dichotomous(berskala nominal atau ordinal dengan dua kategori) atau polychotomous (mempunyai skala nominal atau ordinal dengan lebih dari dua kategori) dengan satu atau lebih variabel independen (X) yang bersifat kontinu atau kategorik (Agresti, 2007). Salah satu regresi logistik yang paling sederhana digunakan adalah regresi logistik biner. Regresi logistik biner merupakan suatu metode analisis data yang digunakan untuk mencari hubungan antara variabel dependen (Y) yang bersifat biner atau dikotomus dengan variabel independen (X) yang bersifat polikotomus Data variabel dependen yang digunakan dalam regresi logistik biner adalah data dengan skala nominal dengan hanya berupa 2 kategori yaitu “sukses” atau “gagal” misalnya: ya-tidak, benar-salah, hidup-mati, hadir-absen, laki-wanita, dan seterusnya. Sedangkan data variabel independen dapat berupa data dengan skala ordinal (seringkali digunakan pada kasus-kasus/penelitian sosial kemasyarakatan) ataupun data dengan skala rasio (seringkali dijumpai pada penelitian industri). Outcome dari variabel dependen Y terdiri dari 2 kategori yaitu “sukses” dan “gagal” yang dinotasikan dengan Y=1 (sukses) dan Y=0 (gagal). Dalam keadaan demikian, variabel Y mengikuti distribusi Bernoulli untuk setiap observasi tunggal

Model Regresi Multilevel (skripsi dan tesis)

Model multilevel merupakan sebuah model yang digunakan pada data berjenjang (hierarchy). Data berjenjang seringkali ditemukan pada penelitian- penelitian survei dimana unit-unit analisisnya berasal dari kelompok-kelompok (cluster), atau data yang diambil melalui penarikan sampel bertahap (cluster sampling). Misalnya, dalam pengambilan sampel menggunakan metode sampling satu tahap (Single Stage Cluster Sampling), dimana unit-unit sampling yang berasal dari kelompok diperhitungkan keberadaanya dalam analisis, sehingga dalam hal ini model yang sesuai adalah model multilevel. Unit-unit sampling yang ada dalam kelompok disebut level rendah dan kelompokkelompok disebut level tinggi. Banyaknya unitunit analisis dalam kelompok bisa sama atau berbeda untuk setiap kelompok. Suatu model regresi multilevel yang sederhana hanya terdiri dari 2 level. Misalkan, diberikan data dalam J kelompok dan jumlah yang berbeda dari individu nj dalam setiap kelompok. Dalam individu (level 1), terdapat variabel tak bebas/respon Yij dan variabel bebas/penjelas Xij, serta pada level kelompok terdapat variabel bebas Zj. Sehingga, terdapat persamaan model regresi terpisah pada setiap kelompok

Langkah-langkah analisis regresi ordinal (skripsi dan tesis)

Langkah-langkah analisis regresi ordinal yang digunakan dalam menganalisis data dalam penelitian ini adalah sebagai berikut. 1. Pembentukan model regresi logistik ordinal dari seluruh variabel prediktor yang berpengaruh dengan variabel respon. 2. Menguji secara parsial model regresi logistik ordinal. 3. Menguji secara serentak model regresi logistik ordinal. 4. Menguji kesesuaian model regresi logistik ordinal 5. Menghitung nilai probabilitas masing-masing Y dari model regresi logistik ordinal. 6. Melakukan interpretasi model regresi logistik ordinal.

Regresi Logistik (skripsi dan tesis)

Regresi logistik merupakan bagian dari analisis statistik kategori yang juga merupakan model-model linear umum. Regresi logistik dapat memprediksi hasil analisis data diskrit seperti pengelompokan dari variabel kontinu, variabel diskrit, variabel dikotomi atau campuran dari semuanya (Agresti, 2007). Secara umum, variabel respon (dependent) merupakan variabel dikotomus, seperti hadir/tidak, sukses/gagal. Variabel dependen dalam regresi logistik biasanya berupa data dikotomi, variabel dependen bernilai 1 dengan peluang sukses (p), atau 0 jika peluang gagal (1-p). Variabel ini disebut sebagai variabel Bernoulli (biner). Sebagaimana disebutkan sebelumnya, variabel independen (penjelas/ prediktor) dalam regresi logistik dapat memiliki beberapa bentuk. Sehingga dalam regresi logistik tidak ada asumsi mengenai distribusi dari variabel independen (penjelas). Variabel penjelas tersebut tidak harus berdistribusi normal, tidak harus mempunyai hubungan linear atau varians sama dalam tiap grup (kelompok). Dalam analisis regresi standar, sebenarnya model regresi yang dibangun adalah membuat model nilai tengah dari variabel respon (Hosmer, et al, 2000).Oleh karena itu, untuk kasus variabel dikotomi sebagai variabel respon maka sesungguhnya model regresi yang dibuat adalah bagaimana membangun model proporsi dari variabel respon dengan variabel-variabel penjelasnya.

Uji Normalitas (skripsi dan tesis)

Untuk menguji kenormalan ganda (Multivariate Normality) adalah dengan mencari nilai jarak kuadrat untuk setiap pengamatan yaitu dengan rumus sebagai berikut : Dimana : = Nilai jarak kuadrat untuk setiap pengamatan ke-i Xi = Pengamatan ke-i (i=1, 2, …, n) = Rata-rata variabel independen S-1 = Kebalikan (inverse) matriks varians-kovarians S Kemudian diurutkan dari yang paling kecil ke yang paling besar. Selanjutnya dibuat plot dimana i = urutan 1, 2, …, n. Bila hasil plot dapat didekati dengan garis lurus maka dapat disimpulkan bahwa peubah ganda menyebar normal.

Proses Dasar Analisis Diskriminan (skripsi dan tesis)

Menurut Santoso (2010), terdapat beberapa proses dasar yang harus dilakukan dalam analisis diskriminan, diantaranya yaitu : 1. Memisah variabel-variabel menjadi variabel dependen dan variabel independen. 2. Menentukan metode untuk membuat fungsi diskriminan. Pada prinsipnya ada dua metode dasar, yaitu : a. Simultaneous Estimation Semua variabel dimasukkan secara bersama-sama kemudian dilakukan proses diskriminan. b. Step-Wise Estimation Variabel dimasukkan satu per satu ke dalam model diskriminan. Pada proses ini tentu ada variabel yang tetap ada pada model, dan ada kemungkinan satu atau lebih variabel independen yang dibuang dari model. 3. Menguji signifikansi dari fungsi diskriminan yang telah terbentuk dengan menggunakan Wilk’s Lambda, Pilai, F-test dan lainnya. 4. Menguji ketepatan klasifikasi dari fungsi diskriminan, termasuk mengetahui ketepatan klasifikasi secara individual dengan Casewise Diagnostics. 5. Melakukan interpretasi terhadap fungsi diskriminan tersebut. 6. Melakukan uji validasi fungsi diskriminan

Analisis Diskriminan (skripsi dan tesis)

Analisis diskriminan merupakan teknik menganalisis data, dimana variabel dependen merupakan data kategorik (nominal dan ordinal) sedangkan variabel independen berupa data interval atau rasio. Analisis diskriminan ini termasuk dalam analisis multivariat dengan metode dependensi. Ada dua metode dalam analisis multivariat yaitu metode dependensi dan metode interdenpendensi. Metode dependensi yaitu variabel-variabelnya tidak saling bergantung satu dengan yang lain, sedangkan metode interdenpendensi adalah antarvariabelnya ada saling ketergantungan. Jika variabel dependen terdiri dari dua kelompok atau  kategori disebut Two-Group Discriminant Analysis , sedangkan jika lebih dari dua kelompok atau kategori disebut dengan Multiple Discriminant Analysis.

Analisis diskriminan bertujuan untuk mengklasifikasikan suatu individu atau observasi ke dalam kelompok yang saling bebas (mutually exclusive/disjoint) dan menyeluruh (exhaustive) berdasarkan jumlah variabel independen. Menurut Johnson dan Wichern (2007) analisis diskriminan digunakan untuk mengklasifikasikan individu ke dalam salah satu dari dua kelompok atau lebih. Suatu fungsi diskriminan layak untuk dibentuk, bila terdapat perbedaan nilai rataan di antara kelompok-kelompok yang ada. Persamaan fungsi diskriminan yang dihasilkan untuk memberikan peramalan yang paling tepat untuk mengklasifikasi individu kedalam kelompok berdasarkan skor variabel independen. Sebelum fungsi diskriminan dibentuk, perlu dilakukan pengujian terhadap perbedaan nilai rataan dari kelompokkelompok tersebut.
Menurut Santoso (2010), terdapat beberapa asumsi yang harus dipenuhi dalam pengujian ini, yaitu :
1. Multivariate Normality atau variabel independen seharusnya berdistribusi normal, jika tidak berdistribusi normal akan menyebabkan masalah pada ketepatan fungsi model diskriminan.
2. Matriks kovarians dari semua variabel independen seharusnya sama (equal).
3. Tidak ada korelasi antar variabel independen. Jika dua variabel independen mempunyai korelasi yang kuat, dikatakan terjadi multikolinearitas.
 4. Tidak adanya data yang sangat ekstrim (outlier) pada variabel independen. Jika ada data outlier yang tetap diproses, hal ini bisa berakibat kurangnya ketepatan klasifikasi dari fungsi diskriminan.

Uji Kesesuaian (skripsi dan tesis)

Model Uji kesesuaian model digunakan untuk menilai apakah model sesuai dengan data atau tidak. Untuk mengetahui apakah model sesuai atau tidak terhadap data yang ada menggunakan uji Hosmer dan Lemeshow. Jika uji Hosmer dan Lemeshow dipenuhi maka model dinilai dapat memprediksi nilai observasinya. Menurut Hosmer dan Lemeshow (1989), uji Hosmer dan Lemeshow yang biasa ditulis dengan uji Ĉ dihitung berdasarkan taksiran probabilitas. Pada uji ini sampel dimasukkan ke sejumlah g kelompok dengan tiap-tiap kelompok memuat n/10 sampel pengamatan, dengan n adalah jumlah sampel. Jumlah kelompok ada sekitar 10, dengan kelompok pertama memuat sampel yang memiliki taksiran probabilitas sukses terkecil yang diperoleh dari model taksiran.

Kelompok kedua memuat sampel yang memiliki taksiran probabilitas sukses terkecil kedua, dan seterusnya (Liu, 2007). Statistik uji Ĉ yang dihitung berdasarkan nilai y = 1 dirumuskan dengan hipotesis sebagai berikut : H0 : Model sesuai, tidak terdapat perbedaan antara hasil observasi dengan hasil prediksi. Ha : Model tidak sesuai, terdapat perbedaan antara hasil observasi dengan hasil prediksi.

Estimasi Parameter (skripsi dan tesis)

Dalam regresi linier dikenal istilah last square yang digunakan untuk estimasi parameter model, sedangkan untuk regresi logistik digunakan prinsip estimasi maximum likelihood. Prinsip dari maximum likelihood ini adalah parameter populasi diestimasi dengan cara memaksimumkan kemungkinan dari data observasi. Setiap observasi untuk model regresi logistik adalah variabel random dari distribusi Bernoulli (Netter et al., 1996). Menurut Hosmer dan Lemeshow (1989), fungsi likelihood distribusi Bernoulli untuk n sampel independen adalah sebagai berikut : Untuk log-likelihood atau logaritma natural fungsi probabilitas bersamanya adalah sebagai berikut :  Taksiran parameter , diperoleh dengan mendiferensialkan fungsi loglikelihood terhadap dengan k = 0;1. Nilai maksimum diperoleh bila hasil diferensial fungsi log-likelihood bernilai nol (0). Diperlukan metode iterasi untuk mendapatkan taksiran pada metode maksimum likelihood karena tidak bisa diperoleh taksiran parameter dari pendeferensialan fungsi log-likelihood

Regresi Logistik (skripsi dan tesis)

 Analisis regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dengan variabel yang lain. Variabel penyebab disebut dengan bermacam istilah, seperti variabel penjelas, variabel eksplanatorik, variabel independen atau variabel X (karena seringkali digambarkan dalam grafik sebagai absis atau sumbu X). Variabel terkena akibat dikenal sebagai variabel yang dipengaruhi, variabel dependen, variabel terikat atau variabel Y. Kedua variabel ini dapat merupakan variabel acak, namun variabel yang dipengaruhi harus selalu variabel acak. Analisis regresi adalah salah satu analisis yang paling populer dan luas pemakaiannya. Hampir semua bidang ilmu yang memerlukan analisis sebab-akibat boleh dipastikan mengenal analisis ini. Regresi logistik merupakan salah satu bagian dari analisis regresi yang digunakan untuk memprediksi probabilitas kejadian suatu peristiwa dengan mencocokkan data pada fungsi logit kurva logistik. Metode ini merupakan model linear umum yang digunakan untuk regresi binomial. Seperti analisis regresi pada  umumnya, metode ini menggunakan satu atau beberapa variabel bebas dengan satu variabel tak bebas bersifat dikotomi.
 Regresi logistik juga digunakan secara luas pada bidang kedokteran, ilmu sosial dan bahkan pada bidang pemasaran, seperti prediksi kecenderungan pelanggan untuk membeli suatu produk atau berhenti berlangganan.
Regresi logistik tidak memerlukan asumsi normalitas, heteroskedastisitas dan autokorelasi, dikarenakan variabel terikat yang terdapat pada regresi logistik merupakan variabel dummy (0 dan 1), sehingga residualnya tidak memerlukan ketiga pengujian tersebut. Untuk asumsi multikolinearitas, karena hanya melibatkan variabel-variabel bebas, maka masih perlu untuk dilakukan pengujian. Untuk pengujian multikolinearitas ini dapat digunakan uji kesesuaian (goodness of fit test) yang kemudian dilanjutkan dengan pengujian hipotesis guna melihat variabel bebas mana saja yang signifikan dan dapat tetap digunakan dalam penelitian. Selanjutnya di antara variabel bebas yang signifikan, dapat dibentuk suatu matriks korelasi, dan apabila tidak terdapat variabel bebas yang saling memiliki korelasi yang tinggi, maka dapat disimpulkan bahwa tidak terdapat gangguan multikolinearitas pada model penelitian (David W. Hosmer, 2011).
Regresi logistik merupakan salah satu metode statistik nonparametrik untuk menguji hipotesis. Metode regresi logistik adalah metode matematika yang menggambarkan hubungan antara satu atau lebih variabel bebas dengan satu variabel tak bebas yang dikotomi yang variabelnya dianggap hanya mempunyai dua nilai yang mungkin yaitu 0 dan 1, dimana kondisi ini dapat diartikan sebagai  solusi atau gagal pada analisis regresi logistik tunggal dan regresi logistik berganda. Pada umumnya analisis regresi membentuk suatu persamaan untuk memprediksi variabel dependen berdasarkan variabel independennya. Model regresi logistik ganda adalah model regresi logistik dengan variabel independennya lebih dari satu variabel. Fungsi probabilitas untuk setiap observasi adalah sebagai berikut : Dimana jika y = 0 maka f(y) = 1-π dan jika y = 1 maka f(y) = π. Fungsi regresi logistik dapat dituliskan sebagai berikut : dengan k=banyaknya variabel independen Nilai z antara – dan + sehingga nilai f(z) terletak antara 0 dan 1 untuk setiap z yang diberikan. Hal tersebut menunjukkan bahwa model logistik sebenarnya menggambarkan probabilitas atau risiko dari suatu objek. Model regresi logistik dapat dituliskan sebagai berikut : Untuk mempermudah pendugaan parameter regresi maka model regresi logistik diatas dapat diuraikan dengan menggunakan transformasi logit dari π(x). Sehingga diperoleh persamaan sebagai berikut :  Model tersebut merupakan fungsi dari parameter-parameternya. Pada regresi logistik, variabel dependen diekspresikan sebagai y = π(x) + dimana mempunyai salah satu dari kemungkinan dua nilai, yaitu =1-π(x) dengan peluang π(x) jika y = 1 dan = -π(x) dengan peluang 1-π(x) jika y = 0 dan mengikuti distribusi binomial dengan rataan nol dan varians (Lemeshow, 2000)

Regresi Logistik Ordinal (skripsi dan tesis)

Regresi logistik adalah model regresi yang digunakan apabila variabel respons bersifat kualitatif. Model ini terdiri dari regresi logistik sederhana yang bersifat dikotomus yang mensyaratkan variabel respons terdiri dari dua kategori, dan regresi logistik polytomous dengan variabel respons lebih dari dua kategori. Regresi logistik polytomous dengan variabel respons bertingkat dikenal dengan regresi logistik ordinal. Variabel prediktor yang dapat disertakan dalam model berupa data kategori dan kontinu yang terdiri atas dua variabel atau lebih (Hosmer dan Lemeshow, 2000).

Regresi Logistik (skripsi dan tesis)

Menurut Hosmer dan Lemeshow (2000) tujuan melakukan analisis data kategori menggunakan regresi logistik adalah mendapatkan model terbaik dan sederhana untuk menjelaskan hubungan antara keluaran dari variabel respons (𝑌) dengan variabel-variabel prediktornya (𝑋). Variabel respons dalam regresi logistik dapat berupa kategori atau kualitatif, sedangkan variabel prediktornya dapat berupa kualitatif dan kuantitatif. Jika variabel 𝑌 merupakan variabel biner atau dikotomi dalam artian variabel respons terdiri dari dua kategori yaitu “sukses” (𝑌 = 1) atau “gagal” (𝑌 = 0), maka variabel 𝑌 mengikuti sebaran Bernoulli yang memiliki fungsi densitas peluang: 𝑓(𝑦𝑖 ) = 𝜋(𝑥𝑖) 𝑦𝑖(1 − 𝜋(𝑥𝑖)) 1−𝑦𝑖 , ; 𝑦𝑖 = 0,1 (2.1) sehingga diperoleh: Untuk 𝑦𝑖 = 0, maka 𝑓(0) = 𝜋(𝑥𝑖) 0 (1 − 𝜋(𝑥𝑖)) 1−0 = 1 − 𝜋(𝑥𝑖), untuk 𝑦𝑖 = 1, maka 𝑓(1) = 𝜋(𝑥𝑖) 1 (1 − 𝜋(𝑥𝑖)) 1−1 = 𝜋(𝑥𝑖). Misalkan probabilitas dari variabel respons 𝑌 untuk nilai 𝑥 yang diberikan, dinotasikan sebagai 𝜋(𝑥). Model umum 𝜋(𝑥) dinotasikan sebagai berikut: 𝜋(𝑥) = exp(𝛽0 + 𝛽1𝑥1 + 𝛽2𝑥2 + ⋯ + 𝛽𝑝𝑥𝑝) 1 + exp(𝛽0 + 𝛽1𝑥1 + 𝛽2𝑥2 + ⋯ + 𝛽𝑝𝑥𝑝) , Persamaan (2.2) disebut fungsi regresi logistik yang menunjukkan hubungan antara variabel prediktor dan probabilitas yang tidak linear, sehingga untuk mendapatkan (2.2) 9 hubungan yang linear dilakukan transformasi yang sering disebut dengan transformasi logit. Bentuk logit dari 𝜋(𝑥) dinyatakan sebagai 𝑔(𝑥), yaitu: logit [𝜋(𝑥)] = 𝑔(𝑥) = ln ( 𝜋(𝑥) 1−𝜋(𝑥) ) = 𝛽0 + 𝛽1𝑥1 + 𝛽2𝑥2 + ⋯ + 𝛽𝑝𝑥𝑝. (2.3) Persamaan (2.3) merupakan bentuk fungsi hubungan model regresi logistik yang disebut model regresi logistik berganda (Hosmer dan Lemeshow, 2000).

Multikolinieritas (skripsi dan tesis)

Salah satu syarat yang harus terpenuhi dalam pembentukan model regresi dengan beberapa variabel prediktor adalah tidak ada kasus multikolinieritas atau tidak terdapat korelasi antara satu variabel prediktor dengan variabel prediktor yang lain. Dalam model regresi, adanya korelasi antar variabel prediktor menyebabkan taksiran parameter regresi yang dihasilkan akan memiliki error yang sangat besar. Pendeteksian kasus multikolinieritas dilakukan menggunakan kriteria VIF (Varians Inflation Factor) lebih besar dari menunjukkan adanya multikolinieritas anatar variabel prediktor. Nilai VIF dinyatakan sebagai berikut : 𝑉𝐼𝐹 = 1 1−𝑅𝑗 2 (4) Dengan 𝑅𝑗 2 adalah koefisien determinasi antara satu variabel prediktor Xj dengan variabel prediktor lainnya

Heteroskedastisitas (skripsi dan tesis)

 Uji heterokedastisitas spasial dilakukan untuk mengetahui apakah terdapat karakteristik atau keunikan sendiri di setiap lokasi pengamatan. Adanya heterogenitas spasial dapat menghasilkan parameter regresi yang berbeda-beda di setiap lokasi pengamatan. Heterogenitas spasial di uji menggunakan statistik uji Breusch-Pagan dengan hipotesis sebagai berikut : H0 : 𝛼1 2 = 𝛼2 2 = … 𝛼 2 (homoskedastisitas) H1 : minimal ada satu 𝛼1 2 ≠ 𝛼 2 (heteroskedastisitas) Statistik uji : 𝐵𝑃 = ( 1 2 ) 𝑓 𝑇𝑍(𝑍 𝑇𝑍) −1𝑍 𝑇𝑓 (3) Dengan elemen vektor f adalah 𝑓1 = ( 𝑒𝑡 2 𝛼2 − 1) dimana 𝑒𝑖 = 𝑦𝑖 − 𝑦̂𝑖 adalah least square residual untuk pengematan ke-i dan z merupakan matrik berukuran (n x (p+1)) berisi vektor yang sudah di normal standarkan untuk tiap pengamatan. Daerah penolakan : repository.unimus.ac.id Tolak H0, jikan 𝐵𝑃 > 𝑥𝑝 2 atau jika p-value < alpha dengan p adalah banyaknya prediktor.

Autokorelasi (skripsi dan tesis)

Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi antara residual pada satu pengamatan dengan pengamatan lain pada model regresi. Persyaratan yang harus terpenuhi adalah tidak adanya autokorelasi dalam  model regresi. Metode pengujian yang sering digunakan adalah dengan uji Durbin-Watson (Uji DW) dengan ketentuan sebagai berikut : 1. Jika d lebih < dL, berarti hipotesis nol ditolak, yang berarti terdapat autokorelasi. 2. Jika (d > dL), berarti terdapat autokorelasi. 3. Jika d terletak antara du dan (4-dU), maka hipotesis nol diterima, yang berarti tidak ada autokorelasi 4. Jika dL < d < dU atau (4-dU), berarti tidak dapat disimpulkan

Normalitas (skripsi dan tesis)

Asumsi persyaratan normalitas harus terpenuhi untuk mengetahui apakah residual/error dari data berdistribusi normal atau untuk mengetahui apakah data sampel berasal dari populasi tang berdistribusi normal. Uji statistik yang yang digunakan adalah kolmogorov-smirnov. Hipotesis yang digunakan adalah sebagai berikut : H0 : data berdistribusi normal H1 : data tidak berdistribusi normal Tingkat signifikan 𝛼 = 5% Pengambilan keputusan : Jika p-value < 0,05 maka H0 ditolak

Uji Durbin-Watson (skripsi dan tesis)

Vincent Gaspersz (1991), J.Durbin dan G.S.Watson dalam dua artikel yang dimuat dalam majalah ilmiah Biometrika pada tahun 1950 dan 1951 telah mengemukakan uji untuk autokorelasi yang populer dengan nama uji DurbinWatson. Uji Durbin-Watson dapat digunakan untuk menguji hipotesis berikut: H0 : 𝜌𝜌 = 0 ; tidak terdapat autokorelasi H1 : 𝜌𝜌 ≠ 0 ; terdapat autokorelasi Untuk menguji H0, dapat digunakan uji Durbin-Watson yang dirumuskan sebagai berikut: 𝑑𝑑 = ∑ (𝑒𝑒𝑡𝑡−𝑒𝑒𝑡𝑡−1) 𝑛𝑛 2 𝑡𝑡=2 ∑ 𝑒𝑒𝑡𝑡 𝑛𝑛 2 𝑡𝑡=1 = ∑ 𝑒𝑒𝑡𝑡 𝑛𝑛 2 𝑡𝑡=2 +∑ 𝑒𝑒𝑡𝑡−1 𝑛𝑛 2 𝑡𝑡=2 −2 ∑ 𝑒𝑒𝑡𝑡𝑒𝑒𝑡𝑡−1 𝑛𝑛 𝑡𝑡=2 ∑ 𝑒𝑒𝑡𝑡 𝑛𝑛 2 𝑡𝑡=1 (2.17) Adapun beberapa asumsi yang melandasi uji Durbin-Watson ini yaitu:
 1. Uji Durbin-Watson diterapkan untuk model regresi yang mencakup parameter 𝛽𝛽0 , dengan kata lain dipergunakan untuk model regresi yang mengandung intersep. Jika kita mempunyai model regresi tanpa intersep atau model regresi melalui titik asal maka perlu membangun model regresi dengan intersep untuk menghitung nilai error dari model itu
 2. Variabel-variabel bebas 𝑋𝑋 adalah nonstokastik, atau bersifat tetap dalam penarikan sampel yang berulang (repeated sampling)
3. Bentuk kesalahan pengganggu/error mengikuti pola autoregresif derajatpertama dengan bentuk persamaan: 𝜀𝜀𝑡𝑡 = 𝜌𝜌𝜀𝜀𝑡𝑡−1 + 𝑢𝑢𝑡𝑡
4. Model regresi tidak mencakup nilai-nilai lag dari variabel terikat sebagai suatu variabel bebas
5. Tidak ada pengamatan yang hilang dalam data, dengan demikian uji Durbin-Watson hanya dapat diterapkan untuk model regresi yang dibangun berdasarkan data yang lengkap. Untuk sampel yang berukuran besar, maka bentuk-bentuk: ∑ 𝑒𝑒𝑡𝑡 𝑛𝑛 2 𝑡𝑡=2 , ∑ 𝑒𝑒𝑡𝑡−1 𝑛𝑛 2 𝑡𝑡=2 , 𝑑𝑑𝑑𝑑𝑑𝑑 ∑ 𝑒𝑒𝑡𝑡 𝑛𝑛 2 𝑡𝑡=1 akan mendekati hasil yang sama atau memiliki besaran yang hampir serupa atau hampir sama besar. Dengan demikian, kita dapat menulis statistik d dalam pendekatan berikut:
 𝑑𝑑 ≈ 2 ∑ 𝑒𝑒2 𝑡𝑡−1 ∑ 𝑒𝑒2𝑡𝑡−1 − 2 ∑ 𝑒𝑒𝑡𝑡 𝑒𝑒𝑡𝑡−1 ∑ 𝑒𝑒2𝑡𝑡−1 ≈ 2(1 − ∑ 𝑒𝑒𝑡𝑡 𝑒𝑒𝑡𝑡−1 ∑ 𝑒𝑒2𝑡𝑡−1 ). Dan didefinisikan 𝜌𝜌� = ∑ 𝑒𝑒𝑡𝑡 𝑒𝑒𝑡𝑡−1 ∑ 𝑒𝑒2𝑡𝑡−1 sehingga 𝑑𝑑 ≈ 2(1 − 𝜌𝜌�) . Oleh karena terdapat suatu batasan bahwa −1 ≤ 𝜌𝜌 ≤ 1 , maka statistik d akan terletak dalam selang (0,4) sehingga dapat ditulis 0 ≤ 𝑑𝑑 ≤ 4.
 Dari uraian yang dikemukakan, maka dapat diambil kesimpulan tentang beberapa sifat uji Durbin-Watson antara lain:
1. Jika tidak terdapat autokorelasi, maka 𝜌𝜌� = 0 maka 𝑑𝑑 = 2 sehingga apabila berdasarkan perhitungan diperoleh 𝑑𝑑 ≈ 2 maka dapat dinyatakan tidak terdapat autokorelasi dalam fungsi regresi 2. Jika 𝜌𝜌� = 1 maka 𝑑𝑑 = 0 , dan dalam keadaan seperti ini menunjukkan adanya autokorelasi positif sempurna. Dengan demikian, jika 0 < 𝑑𝑑 < 2 menunjukkan adanya suatu autokorelasi positif di mana autokorelasi tersebut akan semakin kuat bersifat positif apabila nilai 𝑑𝑑 ≈ 0 , dan sebaliknya autokorelasi positif tesebut akan semakin lemah apabila nilai 𝑑𝑑 ≈ 2
 3. Jika 𝜌𝜌� = −1 maka 𝑑𝑑 = 4, dan dalam keadaan ini menunjukkan adanya autokorelasi negatif sempurna. Dengan demikian, jika 2 < 𝑑𝑑 < 4 menunjukkan adanya autokorelasi negatif dimana autokorelasi negatif tersebut akan semakin kuat apabila 𝑑𝑑 ≈ 4, sebaliknya autokorelasi negatif tersebut akan semakin lemah apabila 𝑑𝑑 ≈ 2. Keuntungan dari uji Durbin-Watson ini adalah statistik tersebut didasarkan pada error/residual yang diestimasi, yang secara rutin dihitung pada analisis regresi. Dan kelemahan dari uji ini yaitu jika d jatuh dalam daerah yang meragukan atau daerah ketidaktahuan maka kita tidak dapat menyimpulkan apakah autokorelasi ada atau tidak (Gujarati, 1988). Durbin-Watson telah menetapkan batas atas (dU) dan batas bawah (dL) untuk taraf nyata tertentu yang cocok untuk menguji hipotesis tentang ada atau tidak adanya autokorelasi.
Mekanisme dari uji Durbin-Watson adalah sebagai berikut, dengan mengasumsikan bahwa asumsi yang mendasari pengujian terpenuhi:
1. Lakukan regresi OLS dan dapatkan nilai error/residual
2. Hitung nilai d
3. Untuk ukuran sampel tertentu dan jumlah variabel bebas tertentu, tentukan nilai kriteria dL dan dU. 4
. Menarik kesimpulan dengan mengikuti aturan pengambilan keputusan pada uji Durbin-Watson

Konsekuensi Autokorelasi (skripsi dan tesis)

Jika semua asumsi model regresi linier klasik dipenuhi, teori Gauss-Markov menyatakan bahwa dalam kelas semua penduga tak bias linier penduga OLS adalah yang terbaik yaitu penduga tersebut mempunyai varians minimum (Gujarati, 1988). Akan tetapi jika suatu model regresi linier menunjukkan adanya autokorelasi maka telah disebutkan sebelumnya bahwa penduga parameter 𝛽𝛽0, 𝛽𝛽1, 𝛽𝛽2, … , 𝛽𝛽𝑘𝑘 yang diperoleh dengan metode OLS tidak lagi bersifat BLUE.Gujarati (1988), jika kita tetap melakukan penerapan OLS dalam situasi autokorelasi, konsekuensi sebagai berikut terjadi:

1. Jika kita mengabaikan autokorelasi dalam penduga OLS yang dihitung secara konvensional dan variansnya, penduga tersebut masih tetap tidak efisien. Oleh karena itu, selang keyakinannya menjadi lebar dan pengujian arti (signifikan) kurang kuat
2. Jika kita tidak memperhatikan batas masalah autokorelasi dan terus menerapkan formula OLS klasik (dengan asumsi tidak ada autokorelasi) maka konsekuensinya akan lebih serius karena:

 a.) Varians error 𝜎𝜎�2 menduga terlalu rendah (underestimate) 𝜎𝜎2 sebenarnya
b.) Jika 𝜎𝜎2 tidak diduga terlalu rendah, varians dan kesalahan standar OLS nampaknya akan menduga varians terlalu rendah dan juga kesalahan standar yang sebenarnya
c.) Pengujian arti (signifikan) t dan F tidak lagi sah, dan jika diterapkan akan memberikan kesimpulan yang menyesatkan secara serius mengenai arti statistik dari koefisien regresi yang diduga

3. Meskipun penduga OLS tidak bias yang merupakan sifat penyampelan berulang, tetapi dalam satu sampel tertentu penduga tersebut memberikan gamabaran yang menyimpang dari populasi sebenarnya. Seperti telah dikemukakan dalam batasan masalah di bab sebelumnya bahwa kesalahan pengganggu/error mengikuti persamaan berikut: 𝜀𝜀𝑡𝑡 = 𝜌𝜌𝜀𝜀𝑡𝑡−1 + 𝑢𝑢𝑡𝑡 (2.16) keterangan: 𝜀𝜀𝑡𝑡= kesalahan pengganggu/error pada waktu t 𝜌𝜌 = koefisien autokorelasi dengan nilai −1 ≤ 𝜌𝜌 ≤ 1 𝜀𝜀𝑡𝑡−1 = kesalahan pengganggu/error pada periode 𝑡𝑡 − 1 𝑢𝑢𝑡𝑡= kesalahan pengganggu/error yang mana dalam hal ini 𝑢𝑢𝑡𝑡 diasumsikan memenuhi semua asumsi OLS yaitu: 𝐸𝐸(𝑢𝑢𝑡𝑡) = 0, 𝑣𝑣𝑣𝑣𝑣𝑣(𝑢𝑢𝑡𝑡) = 𝜎𝜎2, 𝑑𝑑𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐(𝑢𝑢𝑡𝑡, 𝑢𝑢𝑡𝑡+𝑠𝑠) = 0 , 𝑠𝑠 ≠ 0. Persamaan (2.16) di atas dikenal sebagai autoregresif derajat-satu yang ditulis sebagai AR(1), disebut autoregresif karena persamaan (2.16) diinterpretasikan sebagai regresi 𝜀𝜀𝑡𝑡 atas dirinya sendiri yang terlambat satu periode dan dinamakan derajat-satu karena hanya 𝜀𝜀𝑡𝑡 dan nilai error pada satu periode sebelumnya (𝜀𝜀𝑡𝑡−1) saja yang terlibat

Alasan Terjadinya Autokorelasi (skripsi dan tesis)

 Vincent Gaspersz (1991), terjadinya autokorelasi pada suatu model regresi linier dapat disebabkan oleh beberapa hal berikut:
1. Adanya variabel-variabel bebas yang dihilangkan dari model Seperti diketahui bahwa kebanyakan variabel-variabel dalam bidang ekonomi cenderung memiliki autokorelasi, di mana nilai-nilai dari periode sekarang akan tergantung pada periode sebelumnya. Jika variabel yang memiliki sifat autokorelasi ini dihilangkan atau dikeluarkan dari model atau dipisahkan dari sekumpulan variabel-variabel bebas yang lain, maka jelas hal ini akan berpengaruh yang direfleksikan dalam variabel error 𝜀𝜀, sehingga nilai-nilai error akan berautokorelasi
 2. Adanya kesalahan spesifikasi bentuk matematika dari model Jika kita merumuskan atau menetapkan bentuk matematika yang berbeda dari bentuk hubungan yang sebenarnya, maka nilai error akan menunjukkan autokorelasi
 3. Adanya fenomena cobweb
 4. Di dalam regresi deret-waktu, jika model regresi mengikutsertakan tidak hanya nilai-nilai sekarang tetapi juga nilai-nilai pada waktu yang lalu sebagai variabel bebas, maka variabel itu disebut sebagai model distribusi “ lags ”
 5. Adanya manipulasi data Di dalam analisis empirik, data mentah sering dimanipulasi. Sebelum membahas manipulasi data, maka perlu dikemukakan bahwa kata manipulasi tidak berkaitan dengan hal-hal yang negatif seperti memalsukan data, mengarang data, dan sebagainya tetapi manipulasi data yang dimaksudkan disini adalah suatu teknik mengubah data yang berkonotasi positif, dimana teknik mengubah data atau memperkirakan data itu dapat dibenarkan tetapi sering menimbulkan masalah yang berkaitan dengan bentuk gangguan.

Autokorelasi (skripsi dan tesis)

Salah satu asumsi penting dari beberapa asumsi model regresi linier klasik adalah kesalahan pengganggu/error dari pengamatan yang berbeda (𝜀𝜀𝑖𝑖, 𝜀𝜀𝑗𝑗 ) bersifat bebas. Dengan kata lain asumsi ini mengharuskan tidak terdapatnya autokorelasi di antara error 𝜀𝜀𝑖𝑖 yang ada dalam fungsi regresi populasi. Asumsi ini secara tegas menyatakan bahwa nilai-nilai error antara periode pengamatan yang satu harus bebas (tidak berkorelasi) dengan periode pengamatan yang lain (Vincent Gaspersz, 1991). Istilah autokorelasi (autocorrelation), menurut Maurice G. Kendall dan William R. Buckland, A Dictionary of Statistical Terms : “ Correlation between members of series observations ordered in time (as in time-series data), or space (as in cross-sectional data) ”. Autokorelasi adalah korelasi di antara anggota seri dari observasi-observasi yang diurutkan berdasarkan waktu (seperti pada data deretwaktu) atau tempat (seperti pada data cross-section). Dalam hubungannya dengan persoalan regresi, model regresi linier klasik menganggap bahwa autokorelasi demikian itu tidak terjadi pada error. Dengan simbol dapat dinyatakan sebagai berikut: 𝐸𝐸�𝜀𝜀𝑖𝑖𝜀𝜀𝑗𝑗 � = 0 , 𝑖𝑖 ≠ 𝑗𝑗. Model tersebut menganggap bahwa error 𝜀𝜀𝑖𝑖 yang berhubungan dengan data obsevasi ke-𝑖𝑖tidak akan dipengaruhi oleh error 𝜀𝜀𝑗𝑗 yang berhubungan dengan data observasi ke-𝑗𝑗 (𝑖𝑖,𝑗𝑗 = 1,2, … , 𝑛𝑛). Akan tetapi jika terdapat ketergantungan antara𝜀𝜀𝑖𝑖 dan 𝜀𝜀𝑗𝑗maka dikatakan ada autokorelasi, dengan simbol dapat dinyatakan sebagai berikut: 𝐸𝐸�𝜀𝜀𝑖𝑖𝜀𝜀𝑗𝑗 � ≠ 0 , 𝑖𝑖 ≠ 𝑗𝑗. Autokorelasi merupakan bentuk khusus atau kasus khusus dari korelasi. Autokorelasi berkaitan dengan hubungan di antara nilai-nilai yang berurutan dari variabel yang sama. Dengan demikian terlihat adanya perbedaan pengertian antara autokorelasi dan korelasi, meskipun pada dasarnya sama-sama mengukur derajat keeratan hubungan. Korelasi mengukur derajat keeratan hubungan di antara dua buah variabel yang berbeda, sedangkan autokorelasi mengukur derajat keeratan hubungan di antara nilai-nilai yang berurutan pada variabel yang sama atau pada variabel itu sendiri (Vincent Gaspersz, 1991

Sifat-Sifat Penduga yang Utama (skripsi dan tesis)

Menurut Nachrowi (2008), sifat-sifat penduga yang utama yaitu: 1. Tak Bias Bila b adalah penduga dari 𝛽𝛽 (suatu parameter), maka b dikatakan penduga tak bias jika 𝐸𝐸(𝑏𝑏) = 𝛽𝛽 2. Efisien Bila 𝛽𝛽̂ dan 𝛽𝛽̅keduanya merupakan penduga tak bias untuk 𝛽𝛽, maka 𝛽𝛽̂ dikatakan lebih efisien dari 𝛽𝛽̅jika 𝑣𝑣𝑣𝑣𝑣𝑣(𝛽𝛽̂) ≤ 𝑣𝑣𝑣𝑣𝑣𝑣(𝛽𝛽̅ ) 3. Terbaik dan Tak Bias atau BUE (Best Unbiased Estimator) Bila 𝛽𝛽̂ merupakan penduga tak bias untuk 𝛽𝛽, maka 𝛽𝛽̂ dikatakan sebagai penduga terbaik dan tak bias untuk 𝛽𝛽 jika untuk setiap penduga tak bias untuk 𝛽𝛽 sebut 𝛽𝛽̅, berlaku 𝑣𝑣𝑣𝑣𝑣𝑣(𝛽𝛽̂) ≤ 𝑣𝑣𝑣𝑣𝑣𝑣(𝛽𝛽̅ ) 4. BLUE (Best Linear Unbiased Estimator)  Suatu penduga katakan 𝛽𝛽̂ dikatakan penduga tak bias linier terbaik (BLUE) dari 𝛽𝛽 jika 𝛽𝛽 tadi linier, tak bias dan mempunyai varians minimum dalam semua kelas penduga linier tak bias dari �

Regresi Linier (skripsi dan tesis)

Analisis regresi linier merupakan suatu metode yang digunakan untuk menganalisis hubungan antarvariabel. Hubungan tersebut dapat diekspresikan dalam bentuk persamaan yang menghubungkan variabel terikat Y dengan satu atau lebih variabel bebas X1, X2, …, Xk. Dalam hal hanya terdapat satu variabel bebas, maka model yang diperoleh disebut model regresi linier sederhana sedangkan jika variabel bebas yang digunakan lebih dari satu, model yang diperoleh disebut model regresi linier berganda (Nachrowi, 2008). Hubungan yang didapat pada umumnya dinyatakan dalam bentuk persamaan matematik yang menyatakan hubungan fungsional antara variabel-variabel. Penentuan variabel mana yang bebas dan mana yang terikat dalam beberapa hal tidak mudah dapat dilaksanakan. Studi yang cermat, diskusi yang seksama, berbagai pertimbangan, kewajaran masalah yang dihadapi dan pengalaman akan membantu memudahkan penentuan. Variabel yang mudah didapat atau tersedia sering digolongkan ke dalam variabel bebas sedangkan variabel yang terjadi karena variabel bebas itu merupakan variabel terikat (Sudjana, 2005). Secara umum bentuk persamaan regresi linier sederhana dapat dituliskan sebagai berikut 𝑌𝑌𝑖𝑖 = 𝛽𝛽0 + 𝛽𝛽1𝑋𝑋𝑖𝑖+𝜀𝜀𝑖𝑖 (2.1) keterangan: 𝛽𝛽0, 𝛽𝛽1 = parameter model regresi linier 𝜀𝜀𝑖𝑖 = kesalahan pengganggu/error 𝑖𝑖 = 1,2, … , 𝑛𝑛. 𝛽𝛽0, 𝛽𝛽1 dan 𝜀𝜀𝑖𝑖 tidak diketahui nilainya dan memang 𝜀𝜀𝑖𝑖 sangat sukar diketahui sebab nilainya berubah untuk setiap observasi Y. Akan tetapi 𝛽𝛽0, 𝛽𝛽1 selalu tetap dan meskipun kita tidak mungkin mengetahui berapa persis nilainya tanpa memeriksa semua kemungkinan pasangan Y dan X, kita dapat menggunakan informasi di dalam data contoh untuk menghasilkan nilai dugaan (estimate) 𝑏𝑏0 dan 𝑏𝑏1bagi 𝛽𝛽0 dan 𝛽𝛽1. Jadi, kita dapat menuliskan 𝑌𝑌� 𝑖𝑖 = 𝑏𝑏0 + 𝑏𝑏1𝑋𝑋𝑖𝑖. (2.2) Dalam hal ini 𝑌𝑌� 𝑖𝑖 , melambangkan nilai ramalan 𝑌𝑌 untuk suatu 𝑋𝑋 tertentu bila 𝑏𝑏0 dan 𝑏𝑏1 telah ditentukan. Persamaan (2.2) dengan demikian dapat digunakan sebagai persamaan peramal, substitusi untuk suatu nilai 𝑋𝑋 akan menghasilkan ramalan bagi nilai tengah atau rataan populasi 𝑌𝑌 pada nilai 𝑋𝑋 tersebut (Draper & Smith,1992). Dan secara umum bentuk persamaan regresi linier berganda dapat dituliskan sebagai berikut 𝑌𝑌𝑖𝑖 = 𝛽𝛽0 + 𝛽𝛽1𝑋𝑋1𝑖𝑖 + 𝛽𝛽2𝑋𝑋2𝑖𝑖 + ⋯ + 𝛽𝛽𝑘𝑘𝑋𝑋𝑘𝑘𝑘𝑘 + 𝜀𝜀𝑖𝑖 (2.3) keterangan: 𝛽𝛽0, 𝛽𝛽1, 𝛽𝛽2, … , 𝛽𝛽𝑘𝑘 = parameter model regresi linier 𝜀𝜀𝑖𝑖 = kesalahan pengganggu/error 𝑖𝑖 = 1,2, … , �

Median Data (skripsi dan tesis)

Median segugus data yang telah diurutkan dari yang terkecil sampai terbesar atau terbesar sampai terkecil adalah pengamatan yang tepat di tengah-tengah bila banyaknya pengamatan itu ganjil atau rata-rata kedua pengamatan yang di tengah bila banyaknya pengamatan genap. Kalau nilai median sama dengan Me, maka 50% dari data paling tinggi sama dengan Me sedangkan 50% lagi paling rendah sama dengan Me. Median adalah nilai tengah dari data-data yang terurut. Ada dua cara menentukan median:
1. Jika jumlah data adalah ganjil maka median Me setelah data disusun menurut nilainya, merupakan data paling tengah. Nilai mediannya dapat ditentukan dengan rumus : Index Median = ((n-1)/2+1) 12 Median = data ke-(Index Median)
2. Jika jumlah data genap maka median Me setelah data disusun menurut urutan nilainya merupakan rata-rata hitung dua data tengah. Nilai mediannya dapat ditentukan dengan rumus : Index Median = n/2 Median= (data ke-(Index Median) + data ke-( Index Median +1))/2.

Regresi Robust (skripsi dan tesis)

 

Regresi robust adalah salah satu metode penduga regresi yang digunakan ketika distribusi dari galat tidak normal atau adanya beberapa pencilan yang berpengaruh   pada model (Ryan, 1997). Metode ini dibutuhkan karena metode kuadrat terkecil yang dianggap penduga terbaik dalam analisis regresi ternyata peka terhadap data yang menyimpang dari asumsi. Prosedur robust ditunjukkan untuk memberikan dugaan yang lebih tepat dan cepat terhadap data yang melanggar asumsi dengan cara meniadakan identifikasi adanya data pencilan, serta bersifat otomatis dalam menanggulangi data pencilan. Beberapa metode dalam regresi robust diantaranya adalah Theil-Sen, Least Trimmed Square (LTS), Least Mean Square (LMS), MM estimator, S estimator, dan M estimator (penduga M).

Metode Kuadrat Terkecil (skripsi dan tesis)

Metode Kuadrat Terkecil (MKT) merupakan salah satu metode penduga parameter yang terbaik karena bersifat tak bias dan efisien. Metode kuadrat terkecil akan menghasilkan ragam minimum bagi parameter regresi. Prinsip dasar metode ini adalah meminimumkan jumlah kuadrat galat. Dengan menggunakan persamaan linier untuk pendugaan garis regresi linier, MKT dapat diuraikan dengan notasi matematika yaitu sebagai berikut:
i = a + bxi Jarak vertikal antara titik observasi (xi , yi ) dan titik ( i , i ) pada garis dugaan dapat ditulis: |yi – i| atau | yi – – xi| Jumlah kuadrat dari semua jarak ini ditulis: ∑ ( − ) = ∑ ( − − ) 10
 Solusi dari MKT dapat dilakukan sebagai berikut: S(a,b ) = ∑ ( − − ) ( , ) = -2 ∑ ( − − ) = 0 ( , ) = -2 ∑ ( − − ) = 0 Dengan menyederhanakan kedua persamaan ini maka diperoleh: a ∑ + b ∑ 2 = ∑ na + b ∑ = ∑ b = ∑ ∑ (∑ )/ ∑ ∑ / b = ∑ ( )(( ) ∑ ( ) dan a = – b Persamaan garis regresi kuadrat terkecil yang didapat adalah: = a + b X atau = + b (X – ) Persamaan garis diatas dapat digunakan untuk memprediksi Y oleh nilai X yang berpadanan (Myers dan Milton,1991)

Uji Normalitas (skripsi dan tesis)

Uji normalitas berguna pada tahap awal dalam metode pemilihan analisis data. Jika data normal, maka digunakan statistik parametrik dan jika data tidak normal digunakan statistik nonparametrik. Tujuan uji normalitas data ini adalah untuk mengetahui apakah dalam model regresi variabel pengganggu atau residual memiliki distribusi normal. Pengujian ini diperlukan karena untuk melakukan uji t dan uji F mengasumsikan bahwa nilai residual mengikuti distribusi normal (Drapper dan Smith, 1992). Untuk pengujian normalitas, pada pengujian ini dilakukan dengan uji normalitas Kolmogorov Smirnov. Uji Kolmogorov-Smirnov menggunakan hipotesis:
Ho : Data residual berdistribusi norma
l H1 : Data residual tidak berdistribusi normal
Konsep dasar dari uji normalitas Kolmogorov Smirnov adalah dengan membandingkan distribusi data (yang akan diuji normalitasnya) dengan distribusi normal baku. Distribusi normal baku adalah data yang telah ditransformasikan ke dalam bentuk Z-Score dan diasumsikan normal. Jadi sebenarnya uji Kolmogorov Smirnov adalah uji beda antara data yang diuji normalitasnya dengan data normal baku. Seperti pada uji beda biasa, jika signifikansi di bawah 0,05 berarti terdapat perbedaan yang signifikan dan jika signifikansi di atas 0,05 maka tidak terjadi perbedaan yang signifikan. Penerapan pada uji Kolmogorov Smirnov adalah bahwa jika signifikansi di bawah 0,05 dengan α = 5% berarti data yang akan diuji mempunyai perbedaan yang signifikan dengan data normal baku, berarti data 9 tersebut tidak normal (H1 diterima ). Lebih lanjut, jika signifikansi di atas 0,05 dengan α = 5% maka berarti tidak terdapat perbedaan yang signifikan antara data yang akan diuji dengan data normal baku, artinya data yang kita uji normal (H0 diterima).

Uji heteroskedasitas (skripsi dan tesis)

Heteroskedasitas adalah variansi dari galat model regresi tidak konstan atau variansi antar galat yang satu dengan galat yang lain berbeda. Dampak adanya heteroskedasitas dalam model regresi adalah walaupun estimator MKT masih linier dan tidak bias, tetapi tidak lagi mempunyai variansi yang minimum dan menyebabkan perhitungan standard error metode MKT tidak bisa dipercaya kebenarannya. Selain itu interval estimasi maupun pengujian hipotesis yang didasarkan pada distribusi t maupun F tidak bisa lagi dipercaya untuk evaluasi hasil regresi. Selanjutnya dilakukan deteksi masalah heteroskedasitas dalam model regresi. Untuk pengujian hetroskedasitas pada penulisan ini dilakukan dengan metode Glejser. Glejser merupakan seorang ahli elektronometrika dan mengatakan bahwa nilai variansi variabel galat model regresi tergantung dari variabel bebas. Selanjutnya untuk mengetahui apakah pola variabel galat mengandung heteroskedasitas, Glejser menyarankan untuk melakukan regresi nilai mutlak residual dengan variabel bebas. Jika hasil uji F dari model regresi yang diperoleh tidak signifikan, maka tidak ada heteroskedasitas dalam model regresi (Widarjono, 2007).

Asumsi Analisis Regresi Linear (skripsi dan tesis)

 

Agar mampu memiliki kesimpulan yang benar tentang parameter α dan β, pemenuhan asumsi-asumsi model regresi yang harus terpenuhi (Drapper dan Smith, 1992): 1. Nilai ɛi adalah bebas satu dengan yang lainnya atau korelasi (ɛi , ɛj) = 0. Untuk asumsi pertama yang menyatakan independent, artinya ɛi merupakan variabel acak dengan nilai tengah nol dan ragam σ 2 yang tidak diketahui. Jadi, E(ɛi) = 0, V(ɛi) = σ 2 . ɛi dan ɛj tidak berkorelasi, i ≠ j , sehingga covv(ɛi ɛj) = 0. Jadi, E(Yi ) = α + βXi , Yi dan Yj , i ≠ j , tidak berkorelasi. ɛi merupakan variabel acak normal, dengan nilai tengah nol dan ragam σ 2 ɛ dengan kata lain ɛi ~ N (0, σ 2 ɛ). 2. Nilai tengah dari Y adalah fungsi linier dari X, yaitu jika dihubungkan titik-titik dari nilai tengah yang berbeda, maka akan diperoleh garis lurus µ(y/x) = α + β X. Untuk asumsi kedua yang disebut garis linier, artinya X mempunyai hubungan linier dengan Y. Nilai tengah Y untuk kombinasi tertentu dari nilai X adalah fungsi linier dari X, yaitu µY|X . ɛ adalah variabel acak dengan µ = 0 untuk nilai X yang tetap, sehingga µɛ|X = 0 untuk sembarang X, dengan nilai X yang tetap maka nilai E(Y) = E(βX) = βX. ɛ menggambarkan seberapa jauh setiap Y menyimpang dari regresi populasinya. Yang dimaksud dengan kelinieran adalah linier dengan koefisien.

Jika hubungan titik-titik dari nilai tengah µY|X yang berbeda akan diperoleh garis lurus. Asumsi ini diperlukan agar uji-uji statistik seperti uji F dan uji t menjadi signifikan. 6 3. Ragam galat homogen (homoskedastik) yaitu galat memiliki nilai ragam yang sama antara galat ke-i dan galat ke-j. Secara matematis ditulis Var (ɛi) = σ 2 ; i = 1,2,. . . , n dan n = banyaknya pengamatan. Untuk asumsi ketiga yang menyatakan varian Y adalah sama untuk setiap kombinasi tetap X; yaitu σ 2 Y|X = var (Y|X) = σ 2 untuk semua X. Asumsi ini sering dikenal dengan sebutan homoscedasticity, dengan homo berarti sama scedastic berarti sebaran. Model regresi menganggap galat menyebar secara normal disekitar nilai tengah nol, dan mempunyai ragam yang sama. Banyak metode yang dapat dipergunakan untuk memeriksa apakah asumsi ini terpenuhi atau tidak, salah satunya adalah dengan metode Glejser. Kehomogenan diperlukan agar uji-uji statistik seperti uji F dan uji t menjadi signifikan. 4. Ragam galat menyebar normal dengan rata-rata nol dan suatu ragam tertentu. Asumsi keempat menyatakan untuk sembarang kombinasi tetap dari variabel bebas X, variabel tak bebas Y berdistribusi normal atau yang biasa disebut asumsi kenormalan. Dengan kata lain Y ~ N (µY|X, σ 2 ). E(Y) = E(Xβ) + E(ɛ) dengan E(ɛ) = 0 sehingga E(Y) = (Xβ). Dan Var (Y) = Var (X + β ) = Var (ɛ) = σ 2 . ɛi merupakan variabel acak dengan nilai tengah nol dan ragam σ 2 , sehingga ɛ ~ N (0, σ 2 ). Sebaran normal diperlukan agar uji t maupun uji F dapat dilakukan. Kenormalan bisa dilihat secara eksploratif melalui plot sisaan sedangkan untuk uji formalnya dapat digunakan uji Kolmogorov-Smirnov.

Analisis Regresi Linear Sederhana (skripsi dan tesis)

Dalam analisis regresi linear sederhana akan ditentukan persamaan yang menghubungkan dua variabel yang dapat dinyatakan sebagai bentuk persamaaan 4 pangkat satu (persamaan linier / persamaan garis lurus). Dimana variabel terikat dijelaskan oleh satu variabel bebas. Persamaan umum garis regresi untuk regresi linear sederhana adalah: Yi = α + β Xi + ɛi dengan, Yi = variabel tak bebas pengamatan ke-i Xi = variabel bebas pengamatan ke-i α = konstanta (parameter) β = koefisien regresi atau slope (parameter) ɛi = sisaan (galat) pengamatan ke-i Dalam regresi linier sederhana yang akan diduga adalah α dan β. Persamaan linier untuk pendugaan garis regresi linier ditulis dalam bentuk: i = a + bxi dengan, i = nilai dugaan variabel terikat pengamatan ke-i xi = nilai variabel bebas pengamatan ke-i a = titik potong garis regresi pada sumbu-y atau nilai dugaan bila x = 0 b = gradien garis regresi (perubahan nilai dugaan per satuan perubahan nilai x)

Analisis Regresi (skripsi dan tesis)

Analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan fungsional antara variabel respon dengan satu atau beberapa variabel prediktor. Misalkan X adalah variabel prediktor dan Y adalah variabel respon untuk n data pengamatan berpasangan {( , )} , maka hubungan antara variabel prediktor dan variabel respon tersebut dapat dinyatakan sebagai berikut: yi = f(xi) + ; i = 1,2,3,…,n Dengan adalah galat yang diasumsikan independen, menyebar normal, dan variansi (konstan). f(xi) disebut sebagai fungsi regresi atau kurva regresi (Hardle,1994).

Uji Normalitas (skripsi dan tesis)

Uji normalitas dilakukan dengan maksud memeriksa apakah data yang berasal dari populasi yang terdistribusi normal atau tidak.

(a). Tujuan uji normalitas data ini adalah untuk memeriksa / mengetahui apakah data populasi berdistribusi normal. Menurut Santoso (2000) pedoman yang dipakai dalam uji normalitas ini adalah menggunakan uji Kolmogorov Smirnov yaitu :

– Jika nilai signifikansi > alpha ( ) distribusi adalah normal

– Jika nilai signifikansi < alpha ( ), distribusi adalah tidak normal.

Analisis Deskriptif (skripsi dan tesis)

Analisis ini bermaksud untuk menggambarkan karakteristik masingmasing variabel penelitian. Dengan cara menyajikan data ke dalam tabel distribusi frekuensi, menghitung nilai rata-rata, skor total, dan tingkat pencapaian responden (TCR) serta menginterpretasikannya. Analisis ini tidak menghubung-hubungkan satu variabel dengan variabel lainnya dan tidak membandingkan satu variabel dengan variabel lainnya.

Arikunto (2002:65) menyatakan bahwa kriteria nilai tingkat capaian responden (TCR) dapat diklasifikasikan sebagai berikut :

Persentase Pencapaian TCR :

Kriteria 90 % – 100 % : Sangat Baik

80 % – 89,99 % : Baik

65 % – 79,99 % : Cukup baik

55 % – 64,99 % : Kurang baik

0 % – 54,99 % : Tidak baik

Uji Reliabilitas (skripsi dan tesis)

Uji reliabilitas adalah suatu uji yang menunjukkan sejauh mana pengukuran itu dapat memberikan hasil yang relatif tidak beda dilakukan pengulangan pengukuran terhadap subjek yang sama. Uji ini hanya dapat dilakukan pada pertanyaan-pertanyaan yang valid saja. Pengujian reliabilitas dilakukan dengan menggunakan rumus alpha atau Cronbach’s Alpha, instrumen yang mempunyai reliabilitasi. Apabila koefisien Cronbach’s Alpha lebih besar dari pada nilai kritisnya.

Perhitungan ini akan dilakukan dengan bantuan komputer program SPSS (Statistical Package for Social Science) versi 16.0. Menurut Sugiyono (2004) kriteria pengujian analisis ini adalah: – Jika nilai koefisien korelasi (r alpha) lebih besar dan sama dengan nilai r tabel pada taraf signifikansi (α=0,05), maka butir pernyataan instrumen dinyatakan reliabel. – Jika nilai koefisien korelasi (r alpha ) lebih kecil dari nilai r tabel pada taraf signifikansi (α=0,05), maka butir pernyataan instrumen dinyatakan tidak reliabel.

Uji Validitas (skripsi dan tesis)

Uji validitas dimaksudkan untuk mengetahui valid tidaknya butir pertanyaan yang diajukan. Suatu angket dikatakan valid (sah) jika pertanyaan pada suatu angket mampu untuk mengungkapkan sesuatu yang akan diukur oleh angket tersebut (Santoso, 2001) Validitas didefenisikan sebagai ukuran seberapa cermat suatu tes melakukan fungsi ukurannya. Suatu alat ukur yang valid tidak sekedar mengungkapkan data dengan tetap, akan tetapi juga harus memberikan gambaran mengenai data tersebut. Suatu tes atau instrumen pengukur dikatakan mempunyai validitas yang tinggi apabila alat ukur tersebut menjalankan fungsi atau memberikan hasil ukurannya yang sesuai dengan maksud dilakukannya pengukuran.

Perhitungan ini akan dilakukan dengan bantuan komputer program SPSS (Satistical Package for Social Science) versi 15.00. Untuk menentukan nomor item yang valid dan yang gugur digunakan kriteria pengujian analisis sebagai berikut: – Jika nilai koefisien kolerasi (r hitung) skor tiap butir dengan skor total lebih besar dan sama dengan nilai r tabel pada taraf signifikansi (α=0,05), maka butir pernyataan instrumen dinyatakan valid. – Jika nilai koefisien kolerasi (r hitung) skor tiap butir dengan skor total lebih kecil dari nilai r tabel pada taraf signifikansi (α = 0,05), maka butir pernyataan instrumen dinyatakan tidak valid / gugur

Langkah Analisis Jalur (skripsi dan tesis)

Langkah-langkah menguji analisi jalur sebagai berikut (Kuncoro, 2008, p116-

117):

1. Merumuskan hipotesis dan persamaan struktural

2. Menghitung koefisien jalur yang didasarkan pada koefisien regresi

a. Gambar diagram jalur lengkap tentukan sub-sub struktural dan

rumuskan persamaan strukturalnya yang sesuai hipotesis yang

diajukan.Hipotesis: naik turunnya variabel endogen (Y) dipengaruhi secara

signifikan oleh variabel eksogen(􀜺􀬵dan􀜺􀬶).

b. Menghitung koefisien regresi untuk struktur yang telah dirumuskan.

3. Menghitung koefisien jalur secara simultan (keseluruhan)

4. Menghitung koefisien jalur secara individu

5. Mencari besar kontribusi bersama atau koefisien determinasi (KD) dengan

mengalikan Rsquare dengan 100%.

6. Meringkas dan menyimpulkan

Prinsip Dasar Dalam Analisis Jalur (skripsi dan tesis)

Prinsip-prinsip dasar yang sebaiknya dipenuhi dalam

analisis jalur diantaranya ialah (Kuncoro, 2008, p2-3):

1. Hubungan antar variabel adalah bersifat adaptif dan bersifat normal.

8

2. Hanya sistem aliran kausal ke satu arah artinya tidak ada arah kausalitas yang

berbalik.

3. Variabel terikat (endogen) minimal dalam skala ukur interval dan rasio.

4. Menggunakan sampel probability sampling yaitu teknik pengambilan sampel

untuk memberikan peluang yang sama pada setiap anggota populasi untuk

dipilih menjadi anggota sampel

5. Observed variable diukur tanpa kesalahan (instrumen pengukuran validitas

dan reliabilitas) artinya variabel yang diteliti dapat diobservasi secara

langsung.

6. Model yang dianalisis dispesifikasikan (diidentifikasi) dengan benar

berdasarkan teori-teori dan konsep-konsep yang relevan artinya model teori

yang dikaji atau diuji dibangun berdasarkan kerangka teoritis tertentu yang

mampu menjelaskan hubungan kausalitas antar variabel yang diteliti.

Analisis Jalur (skripsi dan tesis)

Analisis jalur atau juga dikenal dengan sebutan path analysis dikembangkan

pertama kali pada tahun 1920-an oleh seorang ahli genetika bernama Sewall Wright

(Kuncoro, 2008, p1). Bohrnstedt (Kusnendi, 2005, p1) mengartikan analisis jalur sebagai

“a technique for estimating the effect’s a set of independent variables has on a

dependent variable from a set of observed correlations, given a set of hypothesized

causal asymetric relation among variables.”

Sedangkan tujuan utama analisis jalur adalah

“a method of measuring the direct influence along each separate path in such a

system and thus of finding the degree which variation of a given effect is determined by

each particular cause.”

Jadi analisis jalur digunakan untuk menganalisis pola hubungan antar variabel

dengan tujuan untuk mengetahui hubungan langsung maupun tidak langsung

seperangkat variabel bebas (eksogen) terhadap variabel terikat (endogen).

Manfaat dari model analisis jalur adalah untuk menjelaskan fenomena yang

diteliti, memprediksi nilai variabel terikat (Y) berdasarkan nilai variabel bebas (X),

faktor determinan yaitu penentuan variabel bebas (X) mana yang berpengaruh dominan

terhadap variabel terikat (Y), juga dapat digunakan untuk menelusuri mekanisme (jalurjalur)

pengaruh variabel bebas (X) terhadap variabel terikat (Y), dan pengujian model

menggunakan metode trimming

Analisis jalur atau juga dikenal dengan sebutan path analysis dikembangkan

pertama kali pada tahun 1920-an oleh seorang ahli genetika bernama Sewall Wright

(Kuncoro, 2008, p1). Bohrnstedt (Kusnendi, 2005, p1) mengartikan analisis jalur sebagai

“a technique for estimating the effect’s a set of independent variables has on a

dependent variable from a set of observed correlations, given a set of hypothesized

causal asymetric relation among variables.”

Sedangkan tujuan utama analisis jalur adalah

“a method of measuring the direct influence along each separate path in such a

system and thus of finding the degree which variation of a given effect is determined by

each particular cause.”

Jadi analisis jalur digunakan untuk menganalisis pola hubungan antar variabel

dengan tujuan untuk mengetahui hubungan langsung maupun tidak langsung

seperangkat variabel bebas (eksogen) terhadap variabel terikat (endogen).

Manfaat dari model analisis jalur adalah untuk menjelaskan fenomena yang

diteliti, memprediksi nilai variabel terikat (Y) berdasarkan nilai variabel bebas (X),

faktor determinan yaitu penentuan variabel bebas (X) mana yang berpengaruh dominan

terhadap variabel terikat (Y), juga dapat digunakan untuk menelusuri mekanisme (jalurjalur)

pengaruh variabel bebas (X) terhadap variabel terikat (Y), dan pengujian model

menggunakan metode trimming

Asumsi-asumsi Path Analysis (skripsi dan tesis)

Menurut Sarwono (2012) asumsi-asumsi pada Path Analysis adalah sebagai berikut : 1. Adanya linieritas (Linierity) artinya hubungan antar variabel bersifat linier. 2. Adanya aditivitas (Aditivity) artinya tidak ada efek-efek interaksi. 3. Variabel terikat (endogen) minimal dalam skala interval dan rasio. 4. Semua variabel residual (yang tidak diukur) tidak berkolerasi dengan salah satu variabel dalam model. 5. Disturbance terms (gangguan) atau variabel residual tidak boleh berkolerasi dengan semua variabel endogen dalam model. 6. Terdapat multikolinieritas yang rendah, artinya dua atau lebih variabel bebas (penyebab) mempunyai hubungan yang sangat tinggi. Jika terjadi hubungan yang sangat tinggi maka akan mendapatkan standar error yang besar dari koefisien beta (ß) yang digunakan untuk menghilangkan varian biasa dalam melakukan analisis korelasi secara parsial. 7. Adanya rekursivitas artinya semua anak panah mempunyai satu arah, tidak boleh pemutaran kembali (looping) 8. Spesifikasi model sangat diperlukan untuk menginterprestasi koefisien-koefisien jalur. Kesalahan spesifikasi terjadi ketika variabel penyebab yang signifikan dikelurkan dalam model, semua koefisien jalur akan mereflesikan kovarian bersama dengan semua variabel yang tidak diukur dan tidak dapat diinterprestasi secara tepat dalam kaitanya dengan akibat langsun maupun tidak langsung. 9. Terdapat masukan korelasi yang sesuai, artinya jika menggunakan matriks korelasi sebagai masukan maka korelasi person digunakan untuk dua variabel skala interval. 10. Terdapat ukuran sampel yang memadai minimal 100. 11. Menggunakan sampel probability sampling yaitu teknik pengambilan sampel untuk memberikan peluang yang sama pada setiap anggota populasi untuk dipilih menjadi anggota sampel. 12. Obseverved variabels diukur tampa kesalahan (instrument pengukuran valid dan reliabel artinya variabel yang diteliti dapat diobservasi secara langsung. 13. Model yang dianalisis dispesifikasikan (diidentifikasi) dengan benar berdasarkan teori-teori dan konsep-konsep yang relavan. artinya model teori yang dikaji atau diuji dibangun berdasarkan kerangka teoritis tertentu yang mampu menjelaskan hubungan kausal antar variabel yang diteliti. Model Path Analysis berbeda dengan model regresi. Perbedaan tersebut terletak pada pola hubungan yang diinginkan. Model regresi digunakan untuk meramalkan atau menduga nilai sebuah variabel responden Y atas dasar nilai tertentu beberapa variabel prediktor X1; X2; …..,Xk atau pola hubungan yang mengisyaratkan besarnya pengaruh variabel penyebab X1; X2; …..,Xk terhadap sebuah variabel akibat Y, baik pengaruh yang langsung secara individu maupun bersaman. Telaah statistik menyatakan bahwa untuk peramalan / pendugaan niali Y atas dasar nilai-nilai X1; X2; …..,Xk, pola hubungan yang sesuai adalah pola hubungan yang mengikuti model regresi, sedangkan untuk mengetahui hubungan sebab akibat, pola yang tepat adalah model struktural (Kuncoro, 2007). Sacara matematik, Path Analysis mengikuti pola model struktural. Model struktural yaitu apabila setiap variabel terikat/endogen (Y) keadaanya ditentukan oleh seperangkat variabel bebas/eksogen (X).

Model Path Analysis (skripsi dan tesis)

Ada beberapa model Path Analysis yang dapat digunakan, mulai dari yang paling sederhana sampai yang paling rumit. Menurut Sunyoto, 2011 model Path Analysis tersebut diantaranya:

1. Model Regresi Berganda (model analisis satu jalur) Model ini merupakan pengembangan regresi berganda dengan menggunakan dua variabel eksogen, yaitu X1 dan X2 dengan satu variabel endogen

Model

2. Mediasi Model mediasi atau perantara yaitu dimana variabel Y memodifikasi variabel X terhadap variabel Z

3. Model Kombinasi Model kombinasi adalah kombinasi antara model regresi berganda dan model mediasi. Maksudnya variabel X berpengaruh terhadap variabel Z secara langsung dan sacara tidak langsung memengaruhi variabel Z melalui variabel Y

4. Model Kompleks Model kompleks yaitu variabel X1 memengaruhi secara langsung Y2 dan melalui variabel X2 secara tidak langsungmemengaruhi Y2, sementara variabel Y2 juga dipengaruhi oleh Y

Istilah-istilah dalam Path Analysis (skripsi dan tesis)

Dalam metode Path Analysis ada beberapa istilah yang digunakan, istilah-istilah tersebut antara lain (Sarwono, 2007) : 1. Model jalur. Model jalur ialah suatu diagram yang menghubungkan antara variabel bebas, perantara dan tergantung. Pola hubungan ditunjukkan dengan menggunakan anak panah. Anak panah-anak panah tunggal menunjukkan hubungan sebab–akibat antara variabel-variabel exogenous atau perantara dengan satu variabel tergantung atau lebih. Anak panah juga menghubungkan kesalahan (variabel residue) dengan semua variabel endogenous masing-masing. Anak panah ganda menunjukkan korelasi antara pasangan variabel-variabel exogenous. 2. Jalur penyebab untuk suatu variabel yang diberikan. meliputi pertama jalur-jalur arah dari anak-anak panah menuju ke variabel tersebut dan kedua jalur-jalur korelasi dari semua variabel endogenous yang dikorelasikan dengan variabel-variabel yang lain yang mempunyai anak panah-anak panah menuju ke variabel yang sudah ada tersebut. 3. Variabel exogenous ialah semua variabel yang tidak ada penyebab-penyebab eskplisitnya atau dalam diagram tidak ada anak-anak panah yang menuju kearahnya, selain pada bagian kesalahan pengukuran. Jika antara variabel exogenous dikorelasikan maka korelasi tersebut ditunjukkan dengan anak panah dengan kepala dua yang menghubungkan variabel-variabel tersebut. Dalam istilah lain, dapat disebut pula sebagai independen variabel. 4. Variabel endogenous. Variabel endogenous ialah variabel yang mempunyai anakanak panah menuju kearah variabel tersebut. Variabel yang termasuk didalamnya ialah mencakup semua variabel perantara dan tergantung. Variabel perantara endogenous mempunyai anak panah yang menuju kearahnya dan dari arah variabel tersebut dalam sutau model diagram jalur. Sedang variabel tergantung hanya mempunyai anak panah yang menuju kearahnya. Atau dapat disebut juga sebagai variabel dependen. 5. Koefesien jalur / pembobotan jalur. Koefesien jalur adalah koefesien regresi standar atau disebut ‘beta’ yang menunjukkan pengaruh langsung dari suatu variabel bebas terhadap variabel tergantung dalam suatu model jalur tertentu. Oleh karena itu, jika suatu model mempunyai dua atau lebih variabel-variabel penyebab, maka koefesienkoefesien jalurnya merupakan koefesien-koefesien regresi parsial yang mengukur besarnya pengaruh satu variabel terhadap variabel lain dalam suatu model jalur tertentu yang mengontrol dua variabel lain sebelumnya dengan menggunakan data yang sudah distandarkan atau matriks korelasi sebagai masukan. 6. Mediasi. Mediasi ialah perantara yang berfungsi sebagai variabel endogenous pertama terhadap variabel sebelumnya (variabel axogenous) dan sebagai variabel exogenous terhadap variabel endogenous kedua, atau variabel yang secara teoritis memengaruhi hubungan antar variabel independent dengan variabel dependen menjadi hubungan yang tidak langsung dan tidak dapat diamati dan di ukur. Dalam urutan posisi diagram jalur berada pada antara dua variabel dimana pengaruh tidak langsung akan diukur. 7. Total effect. Pengaruh tidak langsung dari satu variabel exogenous melalui variabel endogenous perantara menuju ke variabel endogenous kedua. 8. Direct effect. Pengaruh langsung dari suatu variabel exogenous menuju variabel endogenous. 9. Pengaruh gabungan. Pengaruh dari semua variabel exogenous terhadap satu variabel endogenous yang dikenal dengan nilai r2 . 10. Pengaruh parsial. Pengaruh setiap variabel exogenous masing-masing terhadap satu variabel endogenous

Manfaat Path Analysis (skripsi dan tesis)

Manfaat dari model Path Analysis sebagai berikut (Kuncoro, 2007) : 1. Menjelaskan explanation terhadap fenomena yang dipelajari atau permasalahan yang diteliti. 2. Memprediksi nilai variabel terikat (Y) berdasarkan nilai variabel bebas (X), dan memprediksi dengan Path Analysis ini bersifat kualitatif. 3. Faktor determinan yaitu penentu variabel bebas (X) mana yang berpengaruh dominan terhadap variabel terikat (Y), juga dapat digunakan untuk menelusuri mekanisme (jalur-jalur) pengaruh variabel (X) terhadap variabel terikat (Y). 4. Pengujian model

Tujuan Path Analysis (skripsi dan tesis)

Menurut Sarwono, 2012, tujuan menggunakan Path Analysis diantaranya adalah: 1. variabel tetentu terhadap variabel lain yang dipengaruhinya. 2. Menghitung besarnya pengaruh satu variabel Melihat hubungan antar variabel dengan didasarkan pada model apriori. 3. Menerangkan mengapa variabel-variabel berkorelasi dengan menggunakan suatu model yang berurutan secara temporer. 4. Menggambarkan dan menguji suatu model matematis dengan menggunakan persamaan yang memadai. 5. Mengidentifikasi jalur penyebab suatu independen exogenous atau lebih terhadap variabel dependen endogenous lainnya

Pengertian Path Analysis (skripsi dan tesis)

“Path Analysis ialah suatu teknik untuk menganalisis hubungan sebab akibat yang tejadi pada regresi berganda jika variabel bebasnya memengaruhi variabel tergantung tidak hanya secara langsung tetapi juga secara tidak langsung”. (Robert D. Retherford 1993 dikutip oleh Widaryano, 2005). Sedangkan definisi lain mengatakan: “Path Analysis merupakan pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikansi (significance) hubungan sebab akibat hipotetikal dalam seperangkat variabel.” (Paul Webley 1997 dikutip oleh Sarwono 2007). David Garson dari North Carolina State University mendefinisikan Path Analysis sebagai “Model perluasan regresi yang digunakan untuk menguji keselarasan matriks korelasi dengan dua atau lebih model hubungan sebab akibat yang dibandingkan oleh peneliti. Modelnya digambarkan dalam bentuk gambar lingkaran dan panah dimana anak panah tunggal menunjukkan sebagai penyebab. Regresi dikenakan pada masing-masing variabel dalam suatu model sebagai variabel tergantung (pemberi respon) sedang yang lain sebagai penyebab. Pembobotan regresi diprediksikan dalam suatu model yang dibandingkan dengan matriks korelasi yang diobservasi untuk semua variabel dan dilakukan juga penghitungan uji keselarasan statistik. (David Garson, 2003 dikutip oleh Sunyoto 2011). Menurut Kuncoro, 2007, teknik Path Analysis adalah teknik yang digunakan dalam menguji besarannya sumbangan (kontribusi) yang ditunjukan oleh koefisien jalur pada setiap diagram jalur dari hubungan kausal antar variabel X1, X2,dan X3 terhadap Y serta dampaknya terhadap Z

Sejarah Path Analysis (skripsi dan tesis)

Path Analysis atau juga dikenal dengan sebutan analisis jalur dikembangkan pertama kali pada tahun 1920-an oleh seorang ahli genetika bernama Sewall Wrigh. mengartikan Path Analysis sebagai “ a technique for estimating the effect’s a set independents variabels has on a dependents variabel from a set correlation, given a set of hypothesized causal asymmetric relation among variabels” (Kuncoro, 2007). Teknik-teknik yang dikembangkan Sewall Wrigh merupakan pengembangan korelasi yang diurai menjadi beberapa inteprestasi akibat yang ditimbulkannya. Lebih lanjut, Path Analysis mempunyai kedekatan dengan regresi berganda. Dengan kata lain, regresi berganda merupakan bentuk khusus dari analisis jalur. Teknik ini juga dikenal sebagai model sebab akibat (causing modeling). Penamaan ini didasarkan pada alasan bahwa analisis jalur memungkinkan pengguna dapat menguji proposisi teoritis mengenai hubungan sebab akibat tampa memanipulasi variabel-variabel. Manipulasi variabelveriabel maksudnya ialah memberi perlakuan (treatment) terhadap variabel-variabel tertentu dalam pengukurannya. Asumsi dasar model ini ialah beberapa variabel sebenarnya mempunyai hubungan yang sangat dekat satu dengan lainya (Sarwono, 2007)

SEM (Structural Equation Modeling) (Skripsi dan tesis)

SEM (Structural Equation Modeling) adalah suatu teknik statistik yang mampu menganalisis pola hubungan antara konstruk laten dan indikatornya, konstruk laten yang satu dengan lainnya, serta kesalahan pengukuran secara langsung. SEM memungkinkan dilakukannya analisis di antara beberapa variabel dependen dan independen secara langsung (Hair et al, 2006). 11 Teknik analisis data menggunakan Structural Equation Modeling (SEM), dilakukan untuk menjelaskan secara menyeluruh hubungan antar variabel yang ada dalam penelitian SEM adalah merupakan sekumpulan teknik-teknik statistik yang memungkinkan pengujian sebuah rangkaian hubungan secara simultan. Hubungan itu dibangun antara satu atau beberapa variabel independen (Santoso, 2011). Yamin (2009) mengemukakan bahwa di dalam SEM peneliti dapat melakukan tiga kegiatan sekaligus, yaitu pemeriksaan validitas dan reliabilitas instrumen (setara dengan analisis faktor konfirmatori), pengujian model hubungan antar variabel laten (setara dengan analisis path), dan mendapatkan model yang bermanfaat untuk prediksi (setara dengan model struktural atau analisis regresi).

Dua Kelompok Dalam SEM (skripsi dan tesis)

Secara teknis SEM dibagi dalam 2 (dua) kelompok yaitu SEM berbasis kovarian yang diwakili oleh LISREL dan SEM variance atau sering disebut Component Based SEM yang mempergunakan software SmartPLS dan PLS Graph. Covariance Based SEM lebih bertujuan memberikan pernyataan tentang hubungan kausalitas atau memberikan deskripsi mekanisme hubungan kausalitas (sebab – akibat). Sedangkan Component Based SEM dengan PLS bertujuan mencari hubungan liniear prediktif antar variabel (Ghozali, 2008).

Langkah Dalam SEM (skripsi dan tesis)

Menurut Ghozali (2005), proses Structural Equation Modelling mencakup beberapa langkah yang harus dilakukan, yaitu:

a. Konseptual Model Tahap ini berhubungan dengan pengembangan hipotesis (berdasarkan teori-teori) sebagai dasar dalam menghubungkan variabel laten dengan variabel laten lainnya, dan juga dengan indikator-indikatornya.

b. Penyusunan Diagram Alur Tahap ini memudahkan dalam proses menvisualisasikan hipotesis yang telah kita ajukan dalam konseptualisasi model di atas.

c. Spesifikasi Model Spesifikasi model yaitu untuk menggambarkan sifat dan jumlah parameter yang diestimasi. Spesifikasi model berkaitan dengan pembentukan awal persamaan struktur sebelum dilakukan estimasi. Model awal ini dilakukan berdasarkan suatu teori atau penelitian sebelumnya.

d. Identifikasi Model Informasi yang diperoleh dari data diuji untuk menentukan apakah cukup untuk mengestimasi parameter dalam model. Nilai yang unik harus diperoleh untuk seluruh parameter dari data yang telah diperoleh sebelumnya.

e. Estimasi Parameter Berkaitan dengan estimasi terhadap model untuk menghasilkan nilai-nilai parameter dengan menggunakan salah satu model estimasi yang tersedia. Pemilihan metode estimasi yang digunakan seringkali ditentukan berdasarkan karakteristik dari variabel-variabel yang dianalisis. f. Penilaian Model Fit Berkaitan dengan uji kecocokan antara model dengan data. Beberapa kriteria ukuran kecocokan atau Goodness Of Fit (GOF) dapat digunakan untuk melaksanakan langkah ini.

g. Modifikasi Model Setelah melakukan penilaian model fit, maka model penelitian diuji untuk menentukan apakah modifikasi model diperlukan karena tidak fitnya hasil yang diperoleh tahap pada tahap  sebelumnya. Semua modifikasi harus berdasarkan teori yang mendukung

. h. Validasi Silang Model Tahap ini menguji fit tidaknya model terhadap suatu data baru. Validasi silang ini penting apabila terdapat modifikasi yang substansial yang dilakukan terhadap model asli yang dilakukan pada langkah sebelumnya.

Definisi Structural Equation Modelling (SEM) (skripsi dan tesis)

SEM merupakan suatu teknik statistika yang mampu menganalisis hubungan peubah laten, peubah indikator dan kesalahan pengukuran secara langsung. Disamping hubungan kausal searah, metode SEM memungkinkan untuk menganalisi hubungan dua arah (Ghozali et al,2005). Konstruk laten adalah variabel-variabel yang tidak dapat diobservasi, sehingga tidak dapat diukur secara langsung. Pengamatan pada variabel laten melalui efek pada variabel-variabel terobservasi. Variabel terobservasi adalah indikator-indikator yang dapat diukur (Ghozali et al,2005). Dalam model SEM, konstruk laten berdasarkan fungsinya dibagi menjadi dua, yaitu: variabel eksogen dan variabel endogen. Variabel eksogen adalah suatu variabel yang tidak dapat dipengaruhi oleh variabel lain (atau disebut variabel independen didalam model regresi). Sedangkan variabel endogen adalah variabel yang dapat dipengaruhi variabel lain. Dalam model SEM, variabel endogen dapat berperan menjadi variabel independen apabila variabel tersebut dapat mempengaruhi variabel lain (Ghozali et al,2005)

Pengertian Data Kualitatif (Skripsi dan tesis)

Data Kualitatif (Irwanto, 2005) Data kualitatif mempunyai bentuk yang jelas, yaitu berupa: ’bahasa’ dan ’teks’. Walaupun demikian tidak dapat dipungkiri ada bentuk-bentuk ungkapan budaya dalam bentuk lainnya, seperti: gambar, simbol, dan praktek-praktek sosial. Data kualitatif tidak dapat direduksi menjadi angkaangka. Bahkan teks seringkali harus dimengerti dari keadaan-keadaan yang merupakan konteks dari data yang digambarkan tersebut. Penelitian kualitatif dikategorikan sebagai penelitian deduktif dan bersifat eksploratif–yaitu penelitian yang sedang mencari-cari, sehingga tidak bisa digunakan kaidah-kaidah statistik sebagai tolok ukur, karena datanya mempunyai pola yang tersebar/tidak ada pola secara matematis. Hal-hal yang dianalisis dalam data kualitatif, antara lain: (1) construction of meanings. Melakukan revalidasi dengan mencocokkan literatur yang dibaca; (2) categories. Melakukan cluster-cluster, seperti: kesepahaman, perbadaan pendapat, stigmatisasi, ekspresi kekecewaan/kema-ahan; (3) patterns; (4) relationships (termasuk kausalitas); contrasts (variations); dan (5) designations (power of subjects)

Analisis Dalam Kualitatif (skripsi dan tesis)

Miles dan Huberman mengingatkan bahwa data yang muncul dalam penelitian kualitatif berwujud kata-kata dan bukan rangkaian angka. Data itu mungkin telah dikumpulkan dalam aneka macam cara (observasi, wawancara, inti sari dokumen, pita rekaman), dan yang biasanya “diproses” kira-kira sebelum siap digunakan (melalui pencatatan, pengetikan, dan penyuntingan), tetapi analisis kualitatif tetap menggunakan kata-kata, yang biasanya disusun ke dalam teks yang diperluas.

1. Reduksi Data

Reduksi data diartikan sebagai proses pemilihan, pemusatan perhatian pada penyederhanaan, pengabstrakan, dan transformasi data “kasar” yang muncul dari catatan-catatan tertulis di lapangan. Reduksi data bukanlah suatu hal yang terpisah dari analisis. Ia merupakan bagian dari analisis. Pilihan-pilihan peneliti tentang bagian data mana yang dikode, mana yang dibuang, pola-pola mana yang meringkas sejumlah bagian yang tersebar, cerita-cerita apa yang sedang berkembang, semuanya itu merupakan pilihan-pilihan. Reduksi data merupakan suatu bentuk analisis yang menajamkan, menggolongkan, mengarahkan, membuang yang tidak perlu, dan mengorganisasi data dengan cara sedemikian rupa hingga kesimpulan-kesimpulan finalnya dapat ditarik dan diverifikasi

2. Penyajian Data / Display Data

Menurut Miles dan Huberman, alur terpenting yang kedua dari kegiatan analisis adalah penyajian data. “penyajian” maksudnya sebagai sekumpulan informasi tersusun yang memberi kemungkinan adanya penarikan kesimpulan dan pengambilan tindakan. Penyajian yang paling sering digunakan pada data kualitatif pada masa yang lalu adalah bentuk teks naratif. Dalam pelaksanaan penelitian ini, peneliti yakin bahwaenyajian-penyajian yang lebih baik merupakan suatu cara yang utama bagi analisis kualitatif yang valid. Bentuk penyajian data kualitatif berupa teks naratif (berbentuk catatan lapangan), matriks, grafik, jaringan, dan bagan. Semuanya dirancang guna menggabungkan informasi yang tersusun dalam suatu bentuk yang padu dan mudah diraih, dengan demikian seorang penganalisis dapat melihat apa yang sedang terjadi, dan menentukan apakah menarik kesimpulan yang benar ataukah terus melangkah melakukan analisis yang menurut saran yang dikiaskan oleh penyaji sebagai sesuatu yang mungkin berguna.

3. Penarikan Kesimpulan / Verifikasi

Dari permulaan pengumpulan data, peneliti mulai mencari makna dari data-data yang diperoleh di lapangan, mencatat keteraturan atau pola penjelasan dan konfigurasi yang mungkin ada. Setiap kesimpulan yang ditetatpkan terus-menerus di verifikasi hingga diperoleh kesimpulan yang valid. 74 Telah dikemukakan tiga hal utama, yaitu reduksi data, penyajian data, dan penarikan kesimpulan / verifikasi sebagai sesuatu yang jalinmenjalin pada saat sebelum, selama, dan sesudah pengumpulan data dalam bentuk yang sejajar, untuk membangun wawasan umum yang disebut “analisis”

Validitas Dalam Kualitatif (skripsi dan tesis)

1. Ketekunan Pengamatan

Ketekunan pengamatan ini dimaksudkan untuk menemukan ciriciri dan unsur-unsur dalam situasi yang relevan dengan persoalan penelitian yang akan diteliti dan selanjutnya peneliti berupaya untuk memusatkan perhatian pada hal-hal tersebut secara rinci.68 Dalam hal ini berarti bahwa peneliti telah mengadakan pengamatan terlebih dahulu untuk menggali informasi yang akan dijadikan obyek penelitian dalam rangka mengumpulkan data untuk menyelesaikan tugas akhir. Sehingga peneliti juga bisa faham apa yang diteliti.

2 Triangulasi Triangulasi diartikan sebagai teknik pengumpulan data yang bersifat menggabungkan dari berbagai teknik pengumpulan data dan sumber data yang telah ada. Bila peneliti melakukan pengumpulan data dengan triangulasi, maka sebenarnya peneliti mengumpulkan data yang sekaligus menguji kredibilitas data, yaitu mengecek kredibilitas data dengan berbagai teknik pengumpulan data dan berbagai sumber data.

a. Membandingkan data hasil pengamatan dengan data hasil wawancara.

b. Membandingkan apa yang dikatakan orang di depan umum dengan apa yang dilakukan secara pribadi.

c. Membandingkan apa yang dikatakan orang-orang tentang situasi penelitian dengan apa yang dikatakan sepanjang waktu.

d. Membandingkan keadaan dan perspektif seseorang dengan berbagai pendapat dan pandangan orang seperti rakyat biasa, mahasiswa, orang berada serta orang pemerintah.

e. Membandingkan hasil wawancara dengan isi suatu dokumen yang berkaitan. Menurut Denzin dalam Sudarwan Danim, “triangulasi adalah aplikasi studi yang menggunakan multimetode untuk menelaah fenomena yang sama”. Triangulasi adalah menganalisis jawaban subjek dengan meneliti kebenarannya dengan data empiris. Dengan cara triangulasi sumber dan teori. Triangulasi sumber yaitu membandingkan atau mengecek ulang derajat kepercayaan suatu informasi yang diperoleh melalui key informan

Pengamatan (Observasi) (skripsi dan tesis)

Pengamatan (observasi) adalah suatu proses yang kompleks yang tersusun dari berbagai proses biologis dan psikologis, dua diantaranya yang terpenting adalah proses – proses pengamatan dan ingatan. Atau alat pengumpulan data yang dilakukan dengan cara mengamati dan mencatat secara sistematik gejala – gejala yang diteliti. Observasi merupakan pengamatan yang didasari oleh kegiatankegiatan pemilihan, pengubahan, pencatatan, dan pengkodean terhadap serangkaian perilaku dan suasana yang berkenaan dengan organisme (naturalistik), sesuai dengan tujuan-tujuan empiris. Pengamatan untuk memperoleh data dalam penelitian memerlukan ketelitian untuk mendengarkan dan perhatian yang hati-hati dan terperinci pada apa yang dilihat.  Dengan menggunakan teknik pengumpulan data ini diharapkan nantinya akan diperoleh data yang lengkap, tajam, dan sampai mengetahui pada tingkat makna dari setiap perilaku yang nampak. Dalam penelitian ini nantinya peneliti akan melihat kegiatan yang ada didalamnya untuk mendapat data yang selengkap-lengkapnya dan data yang dihimpun dapat terjaga kevalidannya

Wawancara mendalam (Indepth Interview) (skripsi dan tesis)

Wawancara adalah salah satu bentuk komunikasi interpersonal dimana dua orang terlibat dalam percakapan berupa tanya jawab. Salah seorang mengajukan pertanyaan untuk mendapatkan informasi dan yang lainnya mendengarkan dengan baik kemudian memberikan jawaban yang dikehendaki sampai tujuan wawancara tercapai.Metode ini digunakan untuk memperoleh data dari informan, baik key person maupun mitra bisnis sebagai subyek penelitian itu sendiri. Tujuannya untuk mengetahui apa yang menjadi rencana atau pikiran seseorang, pengumpulan data yang diperoleh dengan wawancara langsung dengan pihak yang bersangkutan. Dalam pembentukan pertanyaan yang akan ditujukan kepada sumber data akan didasarkan oleh interview guide sehingga dapat mempermudah peneliti dalam mencari suatu data dari sumber. Dalam penelitian dilakukan wawancara dengan pertanyaan open-ended sehingga responden dapat perspektif. Semua wawancara dibuat transkip dan disimpan dalam file teks.

Wawancara dalam riset ilmiah perlu mempertimbangkan sejumlah syarat. Umumnya syarat-syarat wawancara itu berupa : 1) pertanyaan harus jelas, pendek, dan komunikatif. 2) pertanyaan yang tendesius dan sensitive seharusnya dijauhi. 3) jawaban responden yang diharapkan harus obyektif (tanpa campur tangan dari pihak manapun, termasuk pewawancara), dan sebaiknya dapat dibentuk ke dalam suatu sistem yang mudah dan berurutan. 4) Istilah-istilah kunci harus dirumuskan dengan pasti, cegahlah ambivalensi. 5) perintah bagi pewawancara harus singkat, padat, jelas, dan dapat dimengerti. dan 6) pertanyaan harus disusun dengan urutan yang logis dengan mempertimbangkan jalan dan keluasan pikiran yang diwawancara

PEnelitian Kualitatif (skripsi dan tesis)

Penelitian kualitatif didefinisikan sebagai kegiatan terencana untuk menangkap praktik penafsiran responden dan informan terhadap dunia. Perlu disadari bahwa orang bertindak sejalan dengan tafsirnya terhadap benda, fenomena, atau masalah yang dihadapinya. Fakta dan kenyataan yang ada belumlah dapat kita percaya, melainkan berguna hanya sejauh tafsir seseorang yang menggunakannya. Istilah kualitatif menunjukkan penekanan terhadap proses-proses dan makna-makna yang tidak diuji atau diukur dari segi kuantitas, intensitas, atau frekuensi.52 Penelitian kualitatif (qualitative research) adalah suatu penelitian yang ditujukan untuk mendeskripsikan dan menganalisis fenomena, peristiwa aktivitas social, sikap, kepercayaan, persepsi, pemikiran orang secara individual maupun kelompok.

Penelitian kualitatif berbeda dengan penelitian kuantitatif yang bertolak dari pandangan positivisme. Penelitian kualitatif berangkat dari filasafat konstruktivisme, yang memandang kenyataan itu berdimensi jamak, interaktif, dan menuntut interpretasi berdasarkan pengalaman sosial. Menurut MC Millan dan Schumacker (2001) dalam buku karya Ariesto Hadi Sutopo & Adrianus Arief “ Reality is multilayer, interactive and a shared social experience interpretation by individuals”. Peneliti kualitatif memandang kenyataan sebagai konstruksi sosial, individu atau kelompok menarik atau member makna kepada suatu kenyataan dengan mengkonstruksinya. Dengan perkataan lain, persepsi seseorang adalah apa yang ia yakini bahwa “nyata” baginya, dan terhadap hal itulah tindakan, pemikiran, dan perasaannya diarahkan. Penelitian kualitatif mempunyai dua tujuan utama, yaitu pertama menggambarkan dan mengungkap (to describe and explore) dan kedua menggambarkan dan menjelaskan (to describe and explain). Kebanyakan penelitian kualitatif bersifat deskriptif dan eksplanatori. Beberapa penelitian memberikan deskripsi tentang situasi yang kompleks, dan arah bagi penelitian selanjutnya. Penelitian lain memberikan eksplanasi (kejelasan) tentanghubungan antara peristiwa dengan makna terutama menurut partisipasi partisipan.5

Langkah Dalam Analisi N Vivo (skripsi dan tesis)

Langkah-langkah dalam Nvivo adalah sebagai berikut : (1). memasukkan dokumen ke dalam Nvivo, (2). memasukkan dokumen PDF ke dalam Nvivo, (3). memasukkan dokumen audio dan video ke Nvivo, (4). Memasukkan foto-foto ke dalam Nvivo, (5). memasukkan data yang berasal dari databases ke Nvivo, dan (6). memasukkan isi website dan jejaring media sosial ke Nvivo. Dalam Nvivo sumber data yang dianalisis dapat dibagi menjadi: sumber data penelitian internal (internals), sumber data penelitian eksternal (eksternals), catatan-catatan penelitian selama pengumpulan data (memos) dan kerangka matriks (framework matrices). Internal sources dalam konteks ini adalah semua sumber data penelitian kualitatif yang dapat dimasukkan dalam Nvivo, misalnya rekaman, wawancara, transkrip wawancara, catatan selama melakukan penelitian, foto, tabel data survei, isi website tertentu, data bases dan video. External sources merupakan materi penelitian yang tidak dapat dimasukkan secara langsung dalam Nvivo, misalnya buku referensi dari perpustakaan/ jurnal versi cetak. Memos adalah sumber data penelitian berupa catatan peneliti selama melakukan penelitian. Framework matrices merupakan ringkasan hasil observasi terhadap partisipan tertentu dan tema dalam proyek yang sudah dibuat dalam tabel matriks (Bandur, 2016)

Skala Pengukuran (skripsi dan tesis)

 Skala Nominal Skala pengukuran nominal merupakan skala pengukuran yang paling sederhana. Skala ini digunakan untuk mengklasifikasikan objek-objek ke dalam kelompok yang terpisah untuk menunjukkan kesamaan atau perbedaan ciri-ciri tertentu dari objek yang diamati. Dengan skala pengukuran nominal, hasil pengukuran yang diperoleh bisa dibedakan tetapi tidak bisa diurutkan mana yang lebih tinggi, atau mana yang lebih utama. Contoh data dengan skala nominal adalah data jenis kelamin.

 Skala Ordinal Ukuran yang ada pada skala ordinal tidak memberikan nilai absolut pada objek, tetapi hanya memberikan urutan (ranking) relatif saja. Jarak antara golongan satu dengan golongan dua tidak perlu harus sama dengan jarak antara golongan dua dan tiga, begitu juga seterusnya. Contoh data dengan skala ordinal adalah jenjang karir, jabatan, dan kelas sosial

.  Skala Interval Skala interval adalah suatu pemberian angka kepada kelompok dari objek-objek yang mempunyai sifat skala nominal dan ordinal ditambah dengan satu sifat lain yaitu jarak yang sama dari suatu peringkat dengan peringkat di atasnya atau di bawahnya. Suatu ciri penting dari skala interval adalah datanya bisa ditambah, dikurangi, digandakan, dan dibagi tanpa mempengaruhi jarak relatif di antara skor-skornya. Karakteristik penting lainnya adalah skala ini tidak memiliki nilai nol mutlak. Contoh data dengan skala interval adalah data nilai, orang yang memiliki nilai 80 bukan berarti dua kali lebih cerdas dibandingkan orang yang memiliki nilai 40.

 Skala Rasio Skala rasio adalah skala pengukuran yang mempunyai semua sifat skala interval ditambah satu sifat lain yaitu memberikan keterangan tentang nilai absolut dari objek yang diukur. Skala rasio menggunakan titik baku mutlak. Angka pada skala rasio menunjukkan nilai yang sebenarnya dari objek yang diukur. Contoh data dengan skala rasio adalah data umur, tinggi badan, ukuran berat, dll (Sugiarto,dkk, 2001:18).

Metode Pengumpulan Data dengan Angket (skripsi dan tesis)

Pengumpulan data dengan angket adalah salah satu metode pengumpulan data primer. Data primer merupakan data yang didapat dari sumber pertama baik individu maupun perseorangan. Dalam metode pengumpulan data primer, peneliti melakukan observasi sendiri baik di lapangan maupun di laboratorium. Perolehan data dengan angket memiliki keuntungan lain bila dibandingkan dengan metode wawancara karena selain dapat dikirimkan melalui pos, secara kuantitatif peneliti dapat memperoleh data yang cukup banyak yang tersebar merata dalam wilayah yang akan diselidiki (Sugiarto,dkk, 2001:18).

1. Pembuatan kuesioner Di dalam membuat suatu kuesioner, perlu diketahui bahwa kuesioner tidak hanya untuk menampung data sesuai kebutuhan, tetapi kuesioner juga merupakan kertas kerja yang harus dipergunakan dengan baik. Ada 4 komponen inti dari kuesioner yang baik (Umar, 2002:172):  Adanya subjek yang melaksanakan riset  Adanya ajakan, yaitu permohonan dari periset kepada responden untuk turut serta mengisi secara aktif dan obejektif setiap pertanyaan dan pernyataan yang disediakan.  Adanya petunjuk pengisian kuasioner, dan petunjuk yang tersedia harus mudah dimengerti dan tidak bias.  Adanya pertanyaan maupun pernyataan beserta beserta tempat mengisi jawaban, baik secara tertutup, semi tertutup , ataupun terbuka. Dalam membuat pertanyaan ini harus dicantumkan isian untuk identitas responden.

Teknik Sampling (skripsi dan tesis)

1. Probability Sampling (Metode Acak)

Pemilihan sampel dengan metode acak, tidak dilakukan secara subjektif. Dalam hal ini berarti sampel yang terpilih tidak didasarkan semata-mata pada keinginan peneliti. Setiap anggota polpulasi memiliki kesempatan yang sama untuk terpilih sebagai sampel. Dengan metode acak ini, diharapkan sampel yang dipilih dapat digunakan untuk menduga karakteristik populasi secara objektif. Di samping itu, teori-teori peluang yang dipakai dalam metode acak memungkinkan peneliti untuk mengetahui bias yang muncul dan sejauh mana bias yang muncul tersebut menyimpang dari perkiraan. Hasil perhitungan yang diperoleh dapat digunakan untuk menyimpulkan variasi-variasi yang mungkin ditimbulkan oleh tiap-tiap teknik sampling. (Sugiarto,dkk, 2001:36).

2. Nonprobability Sampling (Metode Tak Acak)

Dalam melakukan penelitian dengan metode tak acak, peneliti tidak perlu membuat kerangka sampel dalam pengambilan sampelnya. Hal ini menjadi salah satu keuntungan terkait dengan pengurangan biaya dan permasalah yang timbul karena pembuatan kerangka sampel. Hal lain yang menjadi keburukan pengambilan sampel dengan metode tak acak adalah ketepatan dari informasi yang diperoleh akan terpengaruh, karena hasil penarikan sampel dengan metode tak acak ini mengandung bias dan ketidaktentuan. Metode tak acak ini sering digunakan peneliti dengan petimbangan yang terkait dengan penghematan biaya, waktu, tenaga, serta keterandalan subjektivitas peneliti. Di samping itu pertimbangan lainnya adalah walaupun metode acak mungkin saja lebih unggul dalam teori, tetapi dalam pelaksanaannya sering kali dijumpai adanya beberapa kesalahan oleh peneliti. Dalam penggunaan metode tak acak, pengetahuan, kepercayaan, dan pengalaman seseorang sering dijadikan pertimbangan untuk menentukan anggota populasi yang akan dipilih sebagai sampel. Dengan menggunakan metode tak acak, peneliti tidak dapat mengemukakan berbagai macam kemungkinan untuk memilih objek-objek yang akan dijadikan sampel. Kondisi ini tentu saja akan menciptakan terjadinya bias dalam memilih sampel yang sebetulnya kurang representatif. Di samping itu, dengan penarikan sampel secara tidak acak, peneliti tidak dapat membuat pernyataan peluang tentang populasi yang mendasarinya, yang dapat dilakukan hanyalah membuat pernyataan deskriptif tentang populasi. (Sugiarto,dkk, 2001:37). Salah satu prosedur metode tak acak yang sering digunakan oleh peneliti adalah judgment sampling. Dengan teknik ini, sampel diambil berdasarkan pada kriteria-kriteria yang telah dirumuskan terlebih dahulu oleh peneliti. Sampel yang diambil dari anggota populasi dipilih sekehendak hati oleh peneliti menurut pertimbangan dan intuisinya. Pada judgment sampling dikenal adanya expert sampling dan purposive sampling. Pada expert sampling, pemilihan sampel yang representatif didasarkan atas pendapat ahli, sehingga siapa, dalam jumlah berapa sampel harus dipilih sangat tergantung pada pendapat ahli yang bersangkutan.

Dalam puposive sampling, pemilihan sampel bertitik tolak pada penilaian pribadi peneliti yang menyatakan bahwa sampel yang dipilih benar-benar representatif. Untuk itu peneliti harus menguasai bidang yang akan ditelitinya tersebut. Situasi dimana judgment sampling dianjurkan untuk digunakan adalah:

 Metode acak tidak dapat digunakan sama sekali

 Peneliti menguasai bidang yang diteliti sehingga dapat memastikan bahawa sampel yang diambil benar-benar representatif. Kendala yang dihadapi dalam penggunaan judgment sampling adalah tuntutan adanya kejelian dari peneliti dalam mendefinisikan populasi dan membuat pertimbangannya. Pertimbangan harus masuk akal dengan maksud penelitian. (Sugiarto,dkk, 2001:41)

Bentuk Structural Equation Modelling (SEM) dengan Partial Least Squares (PLS) (skripsi dan tesis)

PLS pertama kali dikembangkan oleh Herman Wold (1996) sebagai metode umum untuk mengestimasi path model yang menggunakan konstruk laten dengan multiple indikator. Pendekatan PLS adalah distribution free (tidak mengasumsikan data berdistribusi tertentu, dapat berupa nominal, kategori, ordinal, interval, dan rasio). PLS merupakan metode analisis powerfull karena tidak didasarkan banyak asumsi, jumlah sampel kecil dan residul distribusi. Walaupun PLS dapat digunakan untuk mengkonfirmasi teori, tetapi PLS juga dapat digunakan untuk menjelaskan ada tidaknya hubungan antara variabel laten. Model analisis jalur semua variabel laten dalam PLS terdiri dari 3 (tiga) set hubungan, yaitu :

1. Inner Model (Inner relation, structural model dan substantive theory)

Inner Model mespesifikasikan hubungan antar variabel laten berdasarkan pada teori . Model struktural dievaluasi dengan melihat nilai R-Square untuk konstruk laten dependen, Stone Geisser Q-square test untuk predictive relevance dan uji t, serta signifikansi dari koefisien parameter jalur struktural. Perubahan nilai R-square dapat digunakan untuk menilai pengaruh variabel laten independen terhadap variabel laten dependen.

2. Outer Model (Outer relation atau Measurement Model)

Outer Model menspesifikasikan hubungan antar variabel laten dengan indikator. Outer Model terdiri dari 2 (dua) macam mode, yaitu mode reflective (mode A) dan mode formative (mode B). Mode reflektif merupakan relasi dari peubah laten ke peubah indikator atau “effect”. Sedangkan mode formative merupakan relasi dari perubah indikator membentuk peubah laten “causal”. 30 3. Weight Relation Inner dan Outer model memberikan spesifikasi yang diikuti dalam estimasi algoritma PLS.

Definisi Structural Equation Modelling (SEM) (skripsi dan tesis)

SEM merupakan suatu teknik statistika yang mampu menganalisis hubungan peubah laten, peubah indikator dan kesalahan pengukuran secara langsung. Disamping hubungan kausal searah, metode SEM memungkinkan untuk menganalisi hubungan dua arah (Ghozali et al,2005). Konstruk laten adalah variabel-variabel yang tidak dapat diobservasi, sehingga tidak dapat diukur secara langsung. Pengamatan pada variabel laten melalui efek pada variabel-variabel terobservasi. Variabel terobservasi adalah indikator-indikator yang dapat diukur (Ghozali et al,2005). Dalam model SEM, konstruk laten berdasarkan fungsinya dibagi menjadi dua, yaitu: variabel eksogen dan variabel endogen. Variabel eksogen adalah suatu variabel yang tidak dapat dipengaruhi oleh variabel lain (atau disebut variabel independen didalam model regresi). Sedangkan variabel endogen adalah variabel yang dapat dipengaruhi variabel lain. Dalam model SEM, variabel endogen dapat berperan menjadi variabel independen apabila variabel tersebut dapat mempengaruhi variabel lain (Ghozali et al,2005). Menurut Ghozali (2005), proses Structural Equation Modelling mencakup beberapa langkah yang harus dilakukan, yaitu:

a. Konseptual Model Tahap ini berhubungan dengan pengembangan hipotesis (berdasarkan teori-teori) sebagai dasar dalam menghubungkan  variabel laten dengan variabel laten lainnya, dan juga dengan indikator-indikatornya.

b. Penyusunan Diagram Alur Tahap ini memudahkan dalam proses menvisualisasikan hipotesis yang telah kita ajukan dalam konseptualisasi model di atas. c. Spesifikasi Model Spesifikasi model yaitu untuk menggambarkan sifat dan jumlah parameter yang diestimasi. Spesifikasi model berkaitan dengan pembentukan awal persamaan struktur sebelum dilakukan estimasi. Model awal ini dilakukan berdasarkan suatu teori atau penelitian sebelumnya.

d. Identifikasi Model Informasi yang diperoleh dari data diuji untuk menentukan apakah cukup untuk mengestimasi parameter dalam model. Nilai yang unik harus diperoleh untuk seluruh parameter dari data yang telah diperoleh sebelumnya.

e. Estimasi Parameter Berkaitan dengan estimasi terhadap model untuk menghasilkan nilai-nilai parameter dengan menggunakan salah satu model estimasi yang tersedia. Pemilihan metode estimasi yang digunakan seringkali ditentukan berdasarkan karakteristik dari variabel-variabel yang dianalisis.

f. Penilaian Model Fit Berkaitan dengan uji kecocokan antara model dengan data. Beberapa kriteria ukuran kecocokan atau Goodness Of Fit (GOF) dapat digunakan untuk melaksanakan langkah ini.

g. Modifikasi Model Setelah melakukan penilaian model fit, maka model penelitian diuji untuk menentukan apakah modifikasi model diperlukan karena tidak fitnya hasil yang diperoleh tahap pada tahap  sebelumnya. Semua modifikasi harus berdasarkan teori yang mendukung.

h. Validasi Silang Model Tahap ini menguji fit tidaknya model terhadap suatu data baru. Validasi silang ini penting apabila terdapat modifikasi yang substansial yang dilakukan terhadap model asli yang dilakukan pada langkah sebelumnya. Secara teknis SEM dibagi dalam 2 (dua) kelompok yaitu SEM berbasis kovarian yang diwakili oleh LISREL dan SEM variance atau sering disebut Component Based SEM yang mempergunakan software SmartPLS dan PLS Graph. Covariance Based SEM lebih bertujuan memberikan pernyataan tentang hubungan kausalitas atau memberikan deskripsi mekanisme hubungan kausalitas (sebab – akibat). Sedangkan Component Based SEM dengan PLS bertujuan mencari hubungan liniear prediktif antar variabel (Ghozali, 2008)

Validitas Dalam SEM (skripsi dan tesis)

1. Convergent validity Uji Validitas yang dimaksud adalah pengujian terhadap indikator dalam variabel laten untuk memastikan bahwa indikator yang digunakan dalam penelitian ini benar-benar mampu dipahami dengan baik oleh responden sehingga responden tidak mengalami kesalahpahaman terhadap indikator yang digunakan.

2. Discriminant validity Pengukuran indikator refleksif berdasarkan cross loading dengan variabel latennya. Bilamana nilai cross loading setiap indikator pada variabel bersangkutan lebih besar dibandingkan dengan cross loading pada variabel laten lainnya maka dikatakan valid. Metode lain dengan membandingkan nilai square root of average variance extracted (AVE) setiap konstruk dengan korelasi antar konstruk lainnya dalam model. Jika AVE konstruk lebih besar dari korelasi dengan seluruh konstruk lainnya maka dikatakan memiliki discriminant validity yang baik

. 3. Composite reliability Composite reliability adalah indeks yang menunjukkan sejauh mana suatu alat pengukur dapat dipercaya untuk diandalkan. Bila suatu alat dipakai dua kali untuk mengukur gejala yang sama dan hasil pengukuran yang diperoleh relatif konsisten maka alat tersebut reliabel. Dengan kata lain, reliabilitas menunjukkan suatu konsistensi alat pengukur dalam gejala yang sama

Istilah Dalam SEM (skripsi dan tesis)

Berikut istilah – istilah dalam SEM

1. Model jalur ialah suatu diagram yang menghubungkan antara variabel bebas, perantara dan tergantung. Pola hubungan ditunjukkan dengan menggunakan anak panah. Anak panah tunggal menunjukkan hubungan sebab-akibat antara variabel-variabel eksogen atau perantara dengan satu variabel tergantung atau lebih. Anak panah juga menghubungkan kesalahan-kesalahan (variabel error)  dengan semua variabel endogen masing-masing. Anak panah ganda menunjukkan korelasi antara pasangan variabel-variabel eksogen.

2. Model sebab akibat (causal modeling,) atau disebut juga analisis jalur (path analysis), yang menyusun hipotesis hubungan sebab akibat (causal relationships) diantara variabel- variabel dan menguji model-model sebab akibat (causal models) dengan menggunakan sistem persamaan linier. Modelmodel sebab akibat dapat mencakup variabel-variabel manifes (indikator), variabel-variabel laten atau keduanya.

3. Variabel eksogen dalam suatu model jalur ialah semua variabel yang tidak ada penyebab – penyebab eksplisitnya atau dalam diagram tidak ada anak-anak panah yang menuju ke arahnya, selain pada bagian kesalahan pengukuran. Jika antara variabel eksogen dikorelasikan maka korelasi tersebut ditunjukkan dengan anak panah berkepala dua yang menghubungkan variabel-variabel tersebut.

4. Variabel endogen ialah variabel yang mempunyai anak panah-anak panah menuju ke arah variabel tersebut. Variabel yang termasuk didalamnya mencakup semua variabel perantara dan tergantung.

5. Variabel laten adalah variabel yang tidak dapat diukur secara langsung kecuali diukur dengan satu atau lebih variabel manifes.

6. Variabel manifes adalah variabel yang digunakan untuk menjelaskan atau mengukur sebuah variabel laten. Dalam satu variabel laten terdiri dari beberapa variabel manifes.

7. Koefisien jalur adalah koefisien regresi standar atau disebut “beta” yang menunjukkan pengaruh langsung dari suatu variabel bebas terhadap variabel tergantung dalam suatu model jalur tertentu.

8. Analisis faktor penegasan (confirmatory factor analysis), suatu teknik kelanjutan dari analisis faktor dimana dilakukan pengujian hipotesis-hipotesis struktur factor loadings dan interkorelasinya.

SEM (Structural Equation Modeling) (skripsi dan tesis)

SEM (Structural Equation Modeling) adalah suatu teknik statistik yang mampu menganalisis pola hubungan antara konstruk laten dan indikatornya, konstruk laten yang satu dengan lainnya, serta kesalahan pengukuran secara langsung. SEM memungkinkan dilakukannya analisis di antara beberapa variabel dependen dan independen secara langsung (Hair et al, 2006). 11 Teknik analisis data menggunakan Structural Equation Modeling (SEM), dilakukan untuk menjelaskan secara menyeluruh hubungan antar variabel yang ada dalam penelitian SEM adalah merupakan sekumpulan teknik-teknik statistik yang memungkinkan pengujian sebuah rangkaian hubungan secara simultan. Hubungan itu dibangun antara satu atau beberapa variabel independen (Santoso, 2011). Yamin (2009) mengemukakan bahwa di dalam SEM peneliti dapat melakukan tiga kegiatan sekaligus, yaitu pemeriksaan validitas dan reliabilitas instrumen (setara dengan analisis faktor konfirmatori), pengujian model hubungan antar variabel laten (setara dengan analisis path), dan mendapatkan model yang bermanfaat untuk prediksi (setara dengan model struktural atau analisis regresi). Alasan yang mendasari digunakannya SEM adalah (1) SEM mempunyai kemampuan untuk mengestimasi hubungan antar variabel yang bersifat multiple relationship. Hubungan ini dibentuk dalam model struktural (hubungan antara konstruk dependen dan independen). (2) SEM mempunyai kemampuan untuk menggambarkan pola hubungan antara konstruk laten dan variabel manifes atau variabel indikator

Pengertian Structural Equation Modeling (SEM) (skripsi dan tesis)

Sejarah SEM dan Pengertian Sewal Wright mengembangkan konsep ini pada tahun 1934, pada awalnya teknik ini dikenal dengan analisa jalur dan kemudian dipersempit dalam bentuk analisis Structural Equation Modeling (Yamin, 2009). SEM (Structural Equation Modeling) adalah suatu teknik statistik yang mampu menganalisis pola hubungan antara konstruk laten dan indikatornya, konstruk laten yang satu dengan lainnya, serta kesalahan pengukuran secara langsung. SEM memungkinkan dilakukannya analisis di antara beberapa variabel dependen dan independen secara langsung (Hair et al, 2006).
Teknik analisis data menggunakan Structural Equation Modeling (SEM), dilakukan untuk menjelaskan secara menyeluruh hubungan antar variabel yang ada dalam penelitian. SEM digunakan bukan untuk merancang suatu teori, tetapi lebih ditujukan untuk memeriksa dan membenarkan suatu model. Oleh karena itu, syarat utama menggunakan SEM adalah membangun suatu model hipotesis yang terdiri dari model struktural dan model pengukuran dalam bentuk diagram jalur yang berdasarkan justifikasi teori. SEM adalah merupakan sekumpulan teknik-teknik statistik yang memungkinkan pengujian sebuah rangkaian hubungan secara simultan. Hubungan itu dibangun antara satu atau beberapa variabel independen (Santoso, 2011).
Image of page 1
SEM menjadi suatu teknik analisis yang lebih kuat karena mempertimbangkan pemodelan interaksi, nonlinearitas, variabel-variabel bebas yang berkorelasi (correlated independent), kesalahan pengukuran, gangguan kesalahan-kesalahan yang berkorelasi (correlated error terms), beberapa variabel bebas laten (multiple latent independent) dimana masing-masing diukur dengan menggunakan banyak indikator, dan satu atau dua variabel tergantung laten yang juga masing-masing diukur dengan beberapa indikator. Dengan demikian menurut definisi ini SEM dapat digunakan alternatif lain yang lebih kuat dibandingkan dengan menggunakan regresi berganda, analisis jalur, analisis faktor, analisis time series, dan analisis kovarian (Byrne, 2010). Yamin (2009) mengemukakan bahwa di dalam SEM peneliti dapat melakukan tiga kegiatan sekaligus, yaitu pemeriksaan validitas dan reliabilitas instrumen (setara dengan analisis faktor konfirmatori), pengujian model hubungan antar variabel laten (setara dengan analisis path), dan mendapatkan model yang bermanfaat untuk prediksi (setara dengan model struktural atau analisis regresi). Dua alasan yang mendasari digunakannya SEM adalah (1) SEM mempunyai kemampuan untuk mengestimasi hubungan antar variabel yang bersifat multiple relationship. Hubungan ini dibentuk dalam model struktural (hubungan antara konstruk dependen dan independen). (2) SEM mempunyai kemampuan untuk menggambarkan pola hubungan antara konstruk laten dan variabel manifes atau variabel indikator.

Uji kecocokan (fit) (skripsi dan tesis)

Setelah melakukan estimasi yang menghasilkan nilai parameter, perlu dilakukan pemeriksaan tingkat kecocokan. Antara variabel dengan data digunakan GOF (Goodness of Fit) untuk mengukur kecocokan model yaitu RMSEA (Root Mean Square Error of Approximation). RMSEA mirip dengan Chi-square yang terkoreksi dengan ukuran sampel. RMSEA mengukur penyimpangan nilai parameter suatu model dengan matriks kovarians populasinya.

RMSEA ≤ 0.05 menunjukkan close fit

0.05 < RMSEA ≤ 0.08 menunjukkan good fit

0.08 < RMSEA ≤ 0.1 menunjukkan mediocre (marginal) fit

0.1 < RMSEA menunjukkan poor fit

Bootstrap (skripsi dan tesis)

Bootstrap adalah salah satu prosedur dalam statistika untuk melihat tingkat ketidakpastian dari hasil estimasi. Bootstrap meliputi langkah-langkah memilih sampel secara random dari suatu set data dengan pengembalian dan melakukan analisis setiap sampel dengan cara yang sama. Setiap sampel yang diambil dikembalikan sebelum mengambil sampel berikutnya. Dengan demikian, satu titik data sangat mungkin untuk terambil lebih dari sekali dalam satu sampel bootstrap. Jumlah elemen dalam setiap sampel sama dengan jumlah elemen dari set data aslinya. Tujuan dari bootstrap yaitu memperbaiki ukuran sampel untuk mengevaluasi kebenaran dalam situasi yang tidak standar. Bootstrap merupakan sebuah pendekatan untuk membuktikan kebenaran model multivariat dengan menggambarkan sejumlah besar subsampel dan menduga model untuk setiap subsampel. Pendugaan dari semua subsampel kemudian digabungkan, tidak hanya menyediakan pendugaan koefisien terbaik. Pendekatan  ini tidak bergantung pada asumsi statistik tentang populasi untuk menilai signifikansi statistik, melainkan membuat penilaiannya hanya berdasarkan data sampel (Hair et.al., 2007). Salah satu bentuk aplikasi metode resampling bootstrap adalah mengestimasi selang kepercayaan dari parameter sampel. Pada kasus selang kepercayaan dan pengujian hipotesis pengambilan sampel bootstrap paling sedikit sebanyak 1000 replikasi bootstrap (Chernick, 2007). Pendugaan bootstrap dapat diperoleh dengan cepat tanpa iterasi untuk beberapa model persamaan struktural yang berguna pada tahap awal penelitian. Metode bootstrap dapat menghasilkan nilai standar eror. Nilai standar eror digunakan untuk menentukan sebuah parameter yang diuji signifikan atau tidak. Sayangnya, metode bootstrap memerlukan data yang lengkap.

Pendugaan Parameter SEM (skripsi dan tesis)

Estimasi terhadap model dilakukan untuk menghasilkan nilai-nilai parameter.
Jenis galat estimasi yang sering terjadi dalam SEM yaitu besar varians dari suatu variabel bernilai negatif. Varians adalah rata-rata dari jumlah kuadrat deviasi.
Sumber-sumber galat yang sering terjadi dalam SEM yaitu (Hair et. al., 1989):
1) Banyaknya parameter yang diestimasi relatif terhadap varians-kovarians
matriks sampel.
2) Penggunaan efek timbal-balik (reciprocal effect). 3) Kegagalan dalam menetapkan skala dari konstruk.
Pendugaan parameter dalam SEM dapat digunakan untuk memperoleh dugaan dari setiap parameter yang dispesifikasikan dalam model yang membentuk matriks ∑ sedemikian sehingga nilai parameter sedekat mungkin dengan nilai yang ada dalam matriks S (matriks kovarians dari sampel). Metode-metode yang digunakan dalam SEM yaitu Maximum Likelihood Estimation (MLE), Weighted Least Square (WLS), Ordinary Least Square (OLS), Unweighted Least Square (ULS), Generalized Least Square (GLS), Instrument Variable (IV), Two Stage Least Square (TSLS), dan Diagonally Weighted Least Square (DWLS).

Identifikasi Dalam SEM (skripsi dan tesis)

Tujuan dari dilakukannya identifikasi model yaitu untuk menentukan analisis dapat dilakukan lebih lanjut atau tidak, maka identifikasi model perlu dilakukan. Berikut ini kategori hasil identifikasi model dalam SEM yaitu:

1) Under-Identified, yaitu model dengan jumlah parameter yang diestimasi lebih besar dari jumlah data yang diketahui. Nilai df pada model ini adalah kurang dari 0 (nol)/negatif.

2) Just-Identified, yaitu model dengan jumlah parameter yang diestimasi sama dengan data yang diketahui. Nilai df pada model ini adalah 0 (nol).

3) Over-Identified, yaitu model dengan jumlah parameter yang diestimasi lebih kecil dari jumlah data yang diketahui. Nilai df pada model ini adalah lebih dari 0 (nol)/positif. Analisis dalam SEM dapat dilakukan jika model yang diperoleh adalah OverIdentified dan SEM menghindari model Under-Identified agar data dapat dianalisis. Pada saat identifikasi kemungkinan diperoleh nilai unik untuk setiap parameter

Langkah Dalam SEM (skripsi dan tesis)

Langkah ini merupakan langkah dalam melakukan identifikasi terhadap permasalahan penelitian, sehingga hubungan antar variabel-variabel yang dihipotesiskan harus didukung oleh teori yang kuat. Spesifikasi model tersebut berdasarkan teori atau penelitian sebelumnya atau bisa juga dengan menggunakan diagram path. Langkah-langkah memperoleh model yaitu: 1) Spesifikasi model pengukuran, yaitu dengan cara: a) Mendefinisikan variabel laten yang ada dalam penelitian. b) Mendefinisikan variabel teramati. c) Mendefinisikan hubungan antara setiap variabel laten dengan variabel teramati yang terkait. 2) Spesifikasi model struktural Dengan cara mendefinisikan hubungan kausal di antara variabel laten. 3) Gambar diagram path dari model hybrid Model hybrid adalah bentuk umum dari SEM yang merupakan kombinasi model pengukuran dan struktural. Model hybrid mengandung variabel-variabel laten maupun variabel-variabel teramati yang terkait

Prosedur SEM (skripsi dan tesis)

Suatu model dikatakan baik jika dapat mendeskripsikan suatu kejadian yang sebenarnya dengan galat yang kecil. Munculnya galat tidak dapat dihindari karena kejadian sebenarnya sangat kompleks sedangkan model hanya menjelaskan hubungan pokoknya saja. Detail dari kejadian yang tidak bisa dijelaskan oleh model akan masuk dalam komponen galat (residual). Terkait dengan data dapat dinyatakan dengan:

Data = Model + Residual

di mana: Data adalah nilai pengukuran yang berkaitan dengan variabel-variabel teramati dan membentuk sampel penelitian. Residual adalah perbedaan antara model yang dihipotesiskan dengan data yang diamati. Model adalah model yang dihipotesiskan atau dispesifikasikan oleh peneliti. Jika nilai residual mendekati 0 (nol), maka kecocokan data-model yang dihasilkan baik. Dalam SEM, selain data mentah, matriks kovarians dan matriks korelasi dari variabel yang diuji dapat digunakan sebagai input. Matriks kovarians adalah matriks yang terdiri dari nilai kovarians antara semua indikator setiap variabel.

Jenis SEM (skripsi dan tesis)

Berikut ini jenis-jenis yang digunakan dalam model persamaan struktural:

1) Diagram Path

Diagram path adalah representasi grafis dari sebuah model yang menggambarkan seluruh hubungan antara variabel-variabel yang ada di dalamnya. Variabel- variabel yang terdapat dalam diagram path adalah variabel teramati dan tidak mengandung variabel laten. Diagram path dibuat untuk mempermudah melihat hubungan yang ada pada model.

2) Confirmatory Factor Analysis (CFA)

Analisis faktor konfirmatori atau Confirmatory Factor Analysis (CFA) dalam SEM merupakan model pengukuran sebuah variabel laten diukur oleh satu atau lebih variabel-variabel teramati. CFA didasarkan pada variabel-variabel teramati adalah indikator-indikator tidak sempurna dari variabel laten atau konstruk tertentu yang mendasarinya. Karakteristik dalam model CFA yaitu: a. Model dibentuk lebih dahulu. 12 b. Jumlah variabel laten ditentukan oleh analisis. c. Pengaruh suatu variabel laten terhadap variabel teramati ditentukan lebih dahulu. d. Beberapa efek langsung variabel laten terhadap variabel teramati dapat ditetapkan sama dengan nol atau konstan. e. Galat pengukuran boleh berkorelasi. f. Kovarians variabel-variabel laten dapat diestimasi atau ditetapkan pada nilai tertentu. g. Identifikasi parameter diperlukan

Galat SEM (skripsi dan tesis)

Galat yang terdapat dalam SEM meliputi:

1) Galat Struktural (Structural Error)

Dilambangkan dengan “zeta”, untuk memperoleh estimasi parameter yang konsisten, galat struktural diasumsikan tidak berkorelasi dengan variabel-variabel eksogen dari model. Walaupun begitu, galat struktural bisa dimodelkan berkorelasi dengan galat struktural yang lain.

2) Galat Pengukuran (Measurement Error)

Variabel teramati X dilambangkan dengan “delta” dan variabel teramati Y dilambangkan dengan “epsilon”. Matriks kovarians dari δ diberi tanda dengan huruf Yunani Θδ “theta delta” dan untuk matriks kovarians dari ε yaitu Θε “theta epsilon”. Galat pengukuran berpengaruh pada penduga parameter dan besar kecilnya varians. Hal ini dapat diatasi oleh SEM melalui persamaan-persamaan yang ada pada model pengukuran

Model SEM (skripsi dan tesis)

Model-model yang terdapat dalam SEM meliputi:

1) Model struktural Model struktural bertujuan untuk memeriksa hubungan yang mendasari atau yang menyusun variabel laten ke dalam model pengukuran dan variabel konstruk lainnya berdasarkan teori. Parameter yang menunjukkan regresi variabel laten eksogen diberi label dengan huruf Yunani (“gamma”), sedangkan untuk regresi variabel laten endogen diberi label dengan huruf Yunani (“beta”), dan matriks kovarians variabel-variabel laten eksogen diberi label dengan huruf Yunani Φ (“phi”).

2) Model pengukuran

Model pengukuran digunakan untuk menduga hubungan antar variabel laten dengan variabel-variabel teramatinya. Variabel laten dimodelkan sebagai sebuah faktor yang mendasari variabel-variabel teramati yang terkait. Muatan-muatan faktor atau factor loadings yang menghubungkan variabel laten dengan variabel- variabel teramati disimbolkan dengan huruf Yunani (“lambda”). 9 Pada model variabel laten SEM, hubungan kausal (sebab-akibat) terjadi diantara variabel-variabel tidak teramati (unobserved variables) atau variabel-variabel laten. Parameter-parameter dari persamaan pada model pengukuran SEM merupakan factor loadings dari variabel laten terhadap indikator-indikator atau variabel-variabel teramati yang terkait. Model SEM memberikan informasi tentang hubungan kausal simultan di antara variabel-variabelnya, memberikan informasi tentang muatan faktor dan galat-galat pengukuran

Variabel SEM (skripsi dan tesis)

Variabel-variabel pada SEM masing-masing saling mempengaruhi. Variabel- variabel yang terdapat dalam SEM meliputi:

1) Variabel laten (Latent Variable) Dalam SEM variabel yang menjadi perhatian adalah variabel laten. Variabel laten atau konstruk laten adalah variabel yang tidak terukur secara langsung, sebagai contoh: perilaku, sikap, perasaan, dan motivasi. Variabel laten terdapat dua jenis, yaitu: a)Eksogen Variabel laten eksogen dinotasikan dengan huruf Yunani adalah “ksi”. Variabel bebas (independenet latent variable) pada semua persamaan yang ada pada SEM, dengan simbol lingkaran dengan anak panah menuju keluar. b)Endogen Variabel laten endogen dinotasikan dengan huruf Yunani adalah “eta”. Variabel terikat (dependent latent variable) pada paling sedikit satu persamaam dalam model, dengan simbol lingkaran dengan anak panah menuju keluar dan satu panah ke dalam. Simbol anak panah untuk menunjukkan adanya hubungan kausal (ekor anak panah untuk hubungan penyebab dan kepala anak panah untuk variabel akibat). Pemberian nama variabel laten pada diagram lintasan bisa mengikuti notasi matematiknya (ksi atau eta) atau sesuai dengan nama dari variabel dalam penelitian

2) Variabel teramati (Observed atau Measured atau Manifest Variable) Variabel teramati adalah variabel yang dapat diamati atau dapat diukur secara empiris dan disebut sebagai indikator. Variabel teramati merupakan efek atau ukuran dari variabel laten. Variabel teramati yang berkaitan dengan variabel eksogen diberi notasi matematik dengan label X, sedangkan yang berkaitan dengan dengan variabel laten endogen diberi label Y. Disimbolkan dengan bujur sangkar atau kotak, variabel ini merupakan indikator. Pemberian nama variabel teramati pada diagram lintasan bisa mengikuti notasi matematiknya atau nama/kode dari pertanyaan-pertanyaan pada kuisioner.

Structural Equation Modeling (SEM) (skripsi dan tesis)

Pemodelan persamaan struktural (Structural Equation Modeling, SEM) adalah salah satu teknik peubah ganda yang dapat menganalisis secara simultan beberapa peubah laten endogenous dan eksogenous (Bollen, 1989). SEM dilakukan untuk menganalisis serangkaian hubungan secara simultan sehingga memberikan efisiensi secara statistik. Pendugaan atas persamaan regresi yang berbeda tetapi terkait satu sama lain secara bersama-sama dilakukan dengan model struktural dalam SEM (Hair et.al., 2007). Dari segi metodologi, SEM memiliki beberapa peranan, di antaranya, sebagai sistem persamaan simultan, analisis kausal linear, analisis lintasan (path analysis), analisis struktur kovarians, dan model persamaan struktural (Wijanto, 2008). Komponen-komponen yang terdapat dalam SEM yang menjadi karakteristik dalam model tersebut yaitu: 1) Variabel yaitu variabel laten dan variabel teramati. 2) Model yaitu model struktural dan model pengukuran. 3) Galat yaitu galat struktural dan galat pengukura

Variabel-Variabel SEM (skripsi dan tesis)

 

Variabel laten merupakan variabel yang tidak dapat diamati atau diukur secara langsung. Variabel laten tidak dapat diukur secara langsung tetapi dapat diwakili atau diukur oleh satu atau lebih variabel (indikator) (Hair et al., 2010:632). Sedangkan, variabel observasi atau manifest variable adalah variabel yang datanya harus dicari melalui penelitian lapangan misalnya melalui 7 instrumen-instrumen survey (Hair et al., 2010:635). Variabel observasi digunakan sebagai indikator dari variabel laten. Sehingga variabel laten bisa diukur secara tidak langsung melalui pengamatan pada variabel observasi. SEM mempunyai 2 jenis variabel laten yaitu variabel laten eksogen dan variabel laten endogen : 1. Variabel laten eksogen adalah variabel yang tidak dipengaruhi oleh variabel laten lainnya. Dalam diagram jalur, variabel laten eksogen ditandai sebagai variabel yang tidak ada kepala panah yang menuju kearahnya dari variabel laten lainnya (Hair et al., 2010:637). Variabel laten eksogen dinotasikan dengan Ksi (ξ). 2. Variabel laten endogen adalah variabel yang dipengaruhi oleh variabel laten lainnya. Dalam diagram jalur, variabel endogen ini ditandai oleh kepala panah yang menuju kearahnya dari variabel laten eksogen atau variabel laten endogen (Hair et al., 2010:637). Variabel laten endogen dinotasikan dengan Eta (η).

Structural Equation Modeling (SEM) (skripsi dan tesis)

Structural Equation Modeling (SEM) merupakan teknik dengan kombinasi dari analisis jalur (path) dan analisis regresi yang memungkinkan peneliti menguji secara simultan rangkaian hubungan yang saling terkait antara variabel terukur (measured variables) dan konstrak laten (latent constructs) (Hair et. al, 2010:634). Analisis SEM merupakan analisis multivariat yang bersifat kompleks, karena melibatkan sejumlah variable bebas (independent variable) dan variabel terikat (dependent variable) yang saling berhubungan membentuk sebuah model. Pada SEM tidak dapat dikatakan ada variabel bebas dan variabel terikat, karena sebuah variabel bebas dapat menjadi variabel terikat pada hubungan yang lain. SEM dapat dikategorikan menjadi 2 model yaitu model struktural dan model pengukuran. Model struktural yaitu model yang menggambarkan hubungan-hubungan yang ada diantara variabel-variabel laten. Sedangkan model pengukuran menggambarkan tentang hubungan antara variabel yang diamati (juga disebut indikator) dengan variabel laten yang mendasarinya (Kline, 1998)

Proses Analisis SEM (skripsi dan tesis)

Menurut Hair et al (1995) dalam Hartono (2006), ada 7 (tujuh) langkah yang harus dilakukan apabila menggunakan Structural Equation Modeling (SEM) yaitu:
1. Pengembangan model teoritis
Dalam langkah pengembangan model teoritis, hal yang harus dilakukan
adalah melakukan serangkaian eksplorasi ilmiah melalui telaah pustaka guna mendapatkan justifikasi atas model teoritis yang akan dikembangkan. SEM  digunakan bukan untuk menghasilkan sebuah model, tetapi digunakan untuk mengkonfirmasi model teoritis tersebut melalui data empirik.
2. Pengembangan diagram alur
Dalam langkah kedua ini, model teoritis yang telah dibangun pada tahap
pertama akan digambarkan dalam sebuah diagram alur, yang akan mempermudah untuk melihat hubungan kausalitas yang ingin diuji. Dalam diagram alur, hubungan antar konstruk akan dinyatakan melalui anak panah. Anak panah yang lurus menunjukkan sebuah hubungan kausal yang langsung antara satu konstruk lainnya. Sedangkan garis-garis lengkung antar konstruk dengan anak panah pada setiap ujungnya menunjukkan korelasi antara konstruk. Konstruk yang dibangun dalam diagram alur dapat dibedakan dalam dua kelompok, yaitu :
1) Konstruk eksogen (exogenous constructs), yang dikenal juga sebagai source variables atau independent variables yang akan diprediksi oleh variabel yang lain dalam model. Konstruk eksogen adalah konstruk yang dituju oleh garis dengan satu ujung panah.
2) Konstruk endogen (endogen constructs), yang merupakan faktor-faktor yang diprediksi oleh satu atau beberapa konstruk. Konstruk endogen dapat
memprediksi satu atau beberapa konstruk endogen lainnya, tetapi konstruk
eksogen hanya dapat berhubungan kausal dengan konstruk endogen.
3. Konversi diagram alur ke dalam persamaan
Persamaan yang didapat dari diagram alur yang dikonversi terdiri dari :
1) Persamaan struktural (structural equation) yang dirumuskan untuk
menyatakan hubungan kausalitas antar berbagai konstruk.
Variabel endogen = variabel eksogen + variabel endogen + error
2) Persamaan spesifikasi model pengukuran (measurement model), dimana harus
ditentukan variabel yang mengukur konstruk dan menentukan serangkaian
matriks yang menunjukkan korelasi antar konstruk atau variabel.
4. Memilih matriks input dan estimasi model
SEM menggunakan input data yang hanya menggunakan matriks
varians/kovarians atau matriks korelasi untuk keseluruhan estimasi yang dilakukan. Matriks kovarian digunakan karena SEM memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi yang berbeda atau sampel yang berbeda, yang tidak dapat disajikan oleh korelasi. Hair et.al (1996) menyarankan agar menggunakan matriks varians/kovarians pada saat pengujian teori sebab lebih memenuhi asumsi-asumsi metodologi dimana standar error menunjukkan angka yang lebih akurat dibanding menggunakan matriks korelasi.
5. Kemungkinan munculnya masalah identifikasi
Problem identifikasi pada prinsipnya adalah problem mengenai
ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang
unik. Bila setiap kali estimasi dilakukan muncul problem identifikasi, maka
sebaiknya model dipertimbangkan ulang dengan mengembangkan lebih banyak
konstruk.
6. Evaluasi kriteria goodness of fit
Pada tahap ini dilakukan pengujian terhadap kesesuaian model melalui telaah
terhadap berbagai kriteria goodness of fit. Berikut ini beberapa indeks kesesuaian dan
cut off value untuk menguji apakah sebuah model dapat diterima atau ditolak menurut
Ferdinand (2000) :
1) Uji Chi-square, dimana model dipandang baik atau memuaskan bila nilai Chisquare nya rendah. Semakin kecil nilai chi-square semakin baik model itu dan
nilai signifikansi lebih besar dari cut off value (p>0,05).
2) RMSEA (The Root Mean Square Error of Approximation), yang
menunjukkan goodness of fit yang dapat diharapkan bila model diestimasi
dalam populasi (Hair et.al., 1995). Nilai RMSEA yang lebih kecil atau sama
dengan 0,08 merupakan indeks untuk dapat diterimanya model yang
menunjukkan sebuah close fit dari model itu berdasarkan degrees of freedom.
3) GFI (Goodness of Fit Index) adalah ukuran non statistikal yang mempunyai
rentang nilai antara 0 (poor fit) sampai dengan 1.0 (perfect fit). Nilai yang
tinggi dalam indeks ini menunjukkan sebuah “better fit”.
4) AGFI (Adjusted Goodness of Fit Index), dimana tingkat penerimaan yang
direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih
besar dari 0,90.
5) CMIN/DF adalah The Minimum Sample Discrepancy Function yang dibagi
dengan Degree of Freedom. Chi-square dibagi DF-nya disebut chi-square
relatif. Bila nilai chi-square relatif kurang dari 2.0 atau 3.0 adalah indikasi
dari acceptable fit antara model dan data.
6) TLI (Tucker Lewis Index), merupakan incremental index yang
membandingkan sebuah model yang diuji terhadap sebuah baseline model,
dimana sebuah model ≥ 0,95 dan nilai yang mendekati 1 menunjukkan a very
good fit.
7) CFI (Comparative Fit Index), dimana bila mendekati 1, mengindikasi tingkat
fit yang paling tinggi. Nilai yang direkomendasikan adalah CFI ≥ 0,947. Interpretasi dan modifikasi model
Tahap terakhir ini adalah menginterpretasikan model dan memodifikasi model
bagi model-model yang tidak memenuhi syarat pengujian yang dilakukan. Tujuan modifikasi adalah untuk melihat apakah modifikasi yang dilakukan dapat menurunkan nilai chi-square; seperti diketahui, semakin kecilnya angka chi-square menunjukkan semakin fit model tersebut dengan data yang ada.
Proses SEM tentu tidak bisa dilakukan secara manual selain karena
keterbatasan kemampuan manusia, juga karena kompleksitas model dan alat statistik  yang digunakan. Walaupun banya ahli yang sudah menyadari perlunya membuat model yang dapat menjelaskan banyak fenomena sosial dalam hubungan banyak variabel, namun mereka belum dapat menangani kompleksitas perhitungan matematisnya. Saat ini banyak software yang khusus digunakan untuk analisis model SEM, seperti LISREL, AMOS, EQS dan Mplus. Pada penelitian ini, peneliti menggunakan AMOS 18.0 sebagai alat analisisnya. Sebagai sebuah model persamaan struktur, AMOS telah sering digunakan dalam pemasaran dan penelitian manajemen strategik. Model kausal AMOS menunjukkan pengukuran dan masalah yang struktural dan digunakan untuk menganalisis dan menguji model hipotesis. AMOS sangat tepat untuk analisis seperti ini, karena kemampuannya untuk : (1) memperkirakan koefisien yang tidak diketahui dari persamaan linier struktural, (2) mengakomodasi model yang meliputi latent variabel, (3) mengakomodasi kesalahan pengukuran pada variabel dependen dan independen, (4) mengakomodasi peringatan yang timbal balik, simultan dan saling
ketergantungan

Bagian Dalam Permodelan SEM (skripsi dan tesis)

Secara umum, sebuah model SEM dapat dibagi menjadi dua bagian utama, yaitu:

1. Measurement Model Measurement model adalah bagian dari model SEM yang menggambarkan hubungan antara variabel laten dengan indikator-indikatornya.

2. Structural Model Structural model menggambarkan hubungan antar variabel-variabel laten atau antar variabel eksogen dengan variabel laten.

Asumsi Untuk menggunakan SEM (skripsi dan tesis)

Asumsi Untuk menggunakan SEM diperlukan asumsi-asumsi yang mendasari penggunaannya. Asumsi tersebut diantaranya adalah:

1. Normalitas Data Uji normalitas yang dilakukan pada SEM mempunyai dua tahapan. Pertama menguji normalitas untuk setiap variabel, sedangkan tahap kedua adalah pengujian normalitas semua variabel secara bersama-sama yang disebut dengan multivariate normality. Hal ini disebabkan jika setiap variabel normal secara individu, tidak berarti jika diuji secara bersama (multivariat) juga pasti berdistribusi normal.

2. Jumlah Sampel Pada umumnya dikatakan penggunaan SEM membutuhkan jumlah sampel yang besar. Menurut pendapat Ferdinand (2002) dalam Wuensch (2006) bahwa ukuran sampel untuk pengujian model dengan menggunakan SEM adalah antara 100-200 sampel atau tergantung pada jumlah parameter yang digunakan dalam seluruh variabel laten, yaitu jumlah parameter dikalikan 5 sampai 10. Satu survei terhadap 72 penelitian yang menggunakan SEM didapatkan median ukuran sampel sebanyak 198. Untuk itu jumlah sampel sebanyak 200 data pada umumnya dapat diterima sebagai sampel yang representatif pada analisis SEM.

3. Multicolinnearity dan Singularity Suatu model dapat secara teoritis diidentififikasi tetapi tidak dapat diselesaikan karena masalah-masalah empiris, misalnya adanya multikolinearitas tinggi dalam setiap model.

4. Data interval Sebaiknya data interval digunakan dalam SEM. Sekalipun demikian, tidak seperti pada analisis jalur, kesalahan model-model SEM yang eksplisit muncul karena penggunaan data ordinal. Variabel-variabel eksogenous berupa variabel-variabel dikotomi atau dummy dan variabel dummy kategorikal tidak boleh digunakan dalam variabel-variabel endogenous. Penggunaan data ordinal atau nominal akan mengecilkan koefesien matriks korelasi yang digunakan dalam SEM.

Konsep dan Istilah Dalam SEM (skripsi dan tesis)

1. Model jalur ialah suatu diagram yang menghubungkan antara variabel bebas, perantara dan tergantung. Pola hubungan ditunjukkan dengan menggunakan anak panah. Anak panah tunggal menunjukkan hubungan sebab-akibat antara variabelvariabel eksogen atau perantara dengan satu variabel tergantung atau lebih. Anak panah juga menghubungkan kesalahan-kesalahan (variabel error) dengan semua variabel endogen masing-masing. Anak panah ganda menunjukkan korelasi antara pasangan variabel-variabel eksogen.

2. Model sebab akibat (causal modeling,) atau disebut juga analisis jalur (path analysis), yang menyusun hipotesis hubungan sebab akibat (causal relationships) diantara variabel- variabel dan menguji model-model sebab akibat (causal models) dengan menggunakan sistem persamaan linier. Model-model sebab akibat dapat mencakup variabel-variabel manifes (indikator), variabelvariabel laten atau keduanya.

3. Variabel eksogen dalam suatu model jalur ialah semua variabel yang tidak ada penyebab-penyebab ekspilsitnya atau dalam diagram tidak ada anak-anak panah yang menuju ke arahnya, selain pada bagian kesalahan pengukuran. Jika antara variabel eksogen dikorelasikan maka korelasi tersebut ditunjukkan dengan anak panah berkepala dua yang menghubungkan variabel-variabel tersebut

. 4. Variabel endogen ialah variabel yang mempunyai anak panah-anak panah menuju ke arah variabel tersebut. Variabel yang termasuk didalamnya mencakup semua variabel perantara dan tergantung.

5. Variabel laten adalah variabel yang tidak dapat diukur secara langsung kecuali diukur dengan satu atau lebih variabel manifes.

6. Variabel manifes adalah variabel yang digunakan untuk menjelaskan atau mengukur sebuah variabel laten. Dalam satu variabel laten terdiri dari beberapa variabel manifes.

7. Koefisien jalur adalah koefisien regresi standar atau disebut “beta” yang menunjukkan pengaruh langsung dari suatu variabel bebas terhadap variabel tergantung dalam suatu model jalur tertentu.

8. Analisis faktor penegasan (confirmatory factor analysis), suatu teknik kelanjutan dari analisis faktor dimana dilakukan pengujian hipotesis-hipotesis struktur factor loadings dan interkorelasinya. Isi sebuah model SEM pastilah variabel-variabel, baik itu variabel laten maupun variabel manifes. Jika ada sebuah variabel laten, pastilah akan ada dua atau lebih variabel manifes.

Banyak pendapat menyarankan sebuah variabel laten sebaiknya dijelaskan oleh paling tidak tiga variabel manifes. Cara sederhana untuk mengetahui apakah sebuah variabel dapat digolongkan menjadi sebuah variabel laten adalah dengan menguji apakah variabel tersebut dapat langsung diukur, jika tidak, dapat dikategorikan sebagai variabel laten yang membutuhkan sejumlah variabel manifes. Dalam sebuah model SEM, sebuah variabel laten dapat berfungsi sebagai variabel eksogen atau variabel endogen. Sebuah variabel dependen dapat saja menjadi variabel independen untuk variabel yang lain

Sejarah dan Pengertian SEM (skripsi dan tesis)

Sewal Wright mengembangkan konsep ini pada tahun 1934, pada awalnya teknik ini dikenal dengan analisa jalur dan kemudian dipersempit dalam bentuk analisis Structural Equation Modeling (Yamin, 2009). SEM (Structural Equation Modeling) adalah suatu teknik statistik yang mampu menganalisis pola hubungan antara konstruk laten dan indikatornya, konstruk laten yang satu dengan lainnya, serta kesalahan pengukuran secara langsung. SEM memungkinkan dilakukannya analisis di antara beberapa variabel dependen dan independen secara langsung (Hair et al, 2006). Teknik analisis data menggunakan Structural Equation Modeling (SEM), dilakukan untuk menjelaskan secara menyeluruh hubungan antar variabel yang ada dalam penelitian. SEM digunakan bukan untuk merancang suatu teori, tetapi lebih ditujukan untuk memeriksa dan membenarkan suatu model. Oleh karena itu, syarat utama menggunakan SEM adalah membangun suatu model hipotesis yang terdiri dari model struktural dan model pengukuran dalam bentuk diagram jalur yang berdasarkan justifikasi teori. SEM adalah merupakan sekumpulan teknik-teknik statistik yang memungkinkan pengujian sebuah rangkaian hubungan secara simultan. Hubungan itu dibangun antara satu atau beberapa variabel independen (Santoso, 2011). SEM menjadi suatu teknik analisis yang lebih kuat karena mempertimbangkan pemodelan interaksi, nonlinearitas, variabel-variabel bebas yang berkorelasi (correlated independent), kesalahan pengukuran, gangguan kesalahan-kesalahan yang berkorelasi (correlated error terms), beberapa variabel bebas laten (multiple latent independent) dimana masing-masing diukur dengan menggunakan banyak indikator, dan satu atau dua variabel tergantung laten yang juga masing-masing diukur dengan beberapa indikator. Dengan demikian menurut definisi ini SEM dapat digunakan alternatif lain yang lebih kuat dibandingkan dengan menggunakan regresi berganda, analisis jalur, analisis faktor, analisis time series, dan analisis kovarian (Byrne, 2010). Yamin (2009) mengemukakan bahwa di dalam SEM peneliti dapat melakukan tiga kegiatan sekaligus, yaitu pemeriksaan validitas dan reliabilitas instrumen (setara dengan analisis faktor konfirmatori), pengujian model hubungan antar variabel laten (setara dengan analisis path), dan mendapatkan model yang bermanfaat untuk prediksi (setara dengan model struktural atau analisis regresi). Dua alasan yang mendasari digunakannya SEM adalah (1) SEM mempunyai kemampuan untuk mengestimasi hubungan antar variabel yang bersifat multiple relationship. Hubungan ini dibentuk dalam model struktural (hubungan antara konstruk dependen dan independen). (2) SEM mempunyai kemampuan untuk menggambarkan pola hubungan antara konstruk laten dan variabel manifes atau variabel indikator.

KONSEP IDENTIFIKASI MODEL SEM (skripsi dan tesis)

Model – Model Struktural dapat berupa dalam SEM ialah: 1) just – identified, 2) over – identified, dan 3) under – identified

Model ‘Just – identified’– : jumlah poin data varian dan kovarian sama dengan jumlah parameter yang harus diestimasi. Model ini secara ilmiah tidak menarik karena tidak ada Degree of Freedom (DF) sehingga model harus selalu diterima / tidak dapat ditolak (Catatan: DF = data – parameter)

Model ‘Over – identified’– : jumlah poin data varian dan kovarian variabel-variabel yang teramati lebih besar dari jumlah parameter yang harus diestimasi. Dengan demikian terdapat DF positif sehingga memungkinkan penolakan model

Model ‘Under – identified’– : jumlah poin data varian dan kovarian lebih kecil dibandingkan dengan jumlah parameter yang harus diestimasi. Dengan demikian model akan kekurangan informasi yang cukup untuk mencari pemecahan estimasi parameter karena akan terdapat solusi yang tidak terhingga untuk model yang seperti ini.

Saturated Model– : mempunyai parameter bebas sebanyak jumlah moments (rata-rata dan varian). Jika dianalisis dengan data yang lengkap, maka model akan selalu cocok dengan data sampel secara sempurna (Chi square = 0.0; DF = 0)

PRINSIP DASAR DIBALIK SEM (skripsi dan tesis)

Dalam statistik terdapat generaliasi yang menyatakan bahwa beberapa variabel saling berhubungan satu dengan yang lain dalam suatu kelompok persamaan linear. Hubungan tersebut menjadi semakin kompleks tetapi inti pesannya tetap sama, yaitu: kita dapat menguji apakah beberapa variable saling berhubungan melalui seperangkat hubungan linier dengan cara memeriksa varian dank ovarian variable tersebut. Dictum ini dapat diilustrasikan secara sederhana sebagai berikut:

Ada sekelompok angka (kita beri simbol X): 1, 2, dan 3. Sekeleompok angka tersebut mempunyai rata-rata sebesar 2 dan standard deviasi 1. Kemudian sekelompok ini ini (X) kita kalikan 4; maka akan menjadi sekelompok angka sebagai berikut: 4, 8, dan 12 (Kita beri simbol Y). Sekelompok angka tersebut mempunyai rata-rata sebesar 8, standard deviasi 4, dan varian sebesar 16 (varian adalah standard deviasi yang dikuadratkan). Seperangkat angka X dapat dihubungkan dengan seperangkat anhgka Y dengan menggunakan persamaan Y = 4 X; dengan demikian varian Y ialah 16 kali X. Dari persamaan tersebut kita dapat melakukan pengujian hipotesis, yaitu Y dan X dihubungkan dengan menggunakan persamaan Y = 4secara tidak langsung dengan cara membandingkan varian – varian variable X dan Y.

Dalam kaitannya dengan pemahaman tersebut, maka prosedur dalam SEM dilakukan dilakukan dengan cara sebagai berikut:

Nyatakan secara tegas bahwa beberapa variabel berkaitan antara satu dengan yang lainnya dengan • menggunakan diagram jalur.

Teliti melalui beberapa aturan internal yang kompleks implikasi-implikasi apa saja dalam kaitannya • degan varian – varian dan kovarian-kovariannya beberapa variabel tersebut.

Ujilah apakah semua varian dan kovarian cocok dengan modelnya. •

Laporkan hasil-hasil pengujian statistik, dan juga estimasi-estimasi parameter serta kesalahan-kesalahan • standard untuk semua koefisen numerik yang ada dalam persamaan linear.

Berdasarkan semua informasi di atas, peneliti memutuskan apakah model nampak sesuai dengan data • yang dipunyai atau tidak

ACUAN INDEKS KECOCOKAN MODEL DALAM SEM (skripsi dan tesis)

Untuk mengetahui apakah model yang dibuat didasarkan pada data observasi sesuai dengan model teori atau tidak diperlukan acuan indeks kecocokan model. Berikut ini nilai-nilai indeks kecocokan model yang sering digunakan dalam SEM, diantaranya:

Nilai Chi Square– : semakin kecil maka model semakin sesuai antara model teori dan data sampel. Nilai ideal sebesar <3

Rasio Kritis (Critical Ratio)– : Rasio deviasi tertentu dari nilai rata-rata standard deviasi. Nilai ini diperoleh dari estimasi parameter dibagi dengan standard error . Besar nilai CR adalah 1,96 untuk pembobotan regresi dengan significance sebesar 0,05 untuk koefesien jalurnya

Jika nilai CR > 1,96 – maka kovarian – kovarian faktor mempunyai hubungan signifikan

Jika koefesien struktural dibuat standar– , misalnya 2; maka var laten tergantung akan meningkat sebesar 2

Kesalahan pengukuran– sebaiknya sebesar 0

Pembobotan regresi (regression weight):– sebesar 1, tidak boleh sama dengan 0, bersifat random jika ada tanda ‘$’

Spesifikasi model– dengan nilai konstan 1

Maximum Likehood Estimation– akan bekerja dengan baik pada sampel sebesar >2500

Significance level– (probabilitas) sebaiknya <0.05

– Reliabilitas konstruk (construct reliability): minimal sebesar 0,70 untuk faktor loadings

Varian ekstrak – (uji lanjut reliabilitas): nilai minimal 0.5 semakin mendekati 1 semakin reliabel

Nilai indeks keselarasan (– goodness of fit index) (GFI): mengukur jumlah relatif varian dan kovarian yang besarnya berkisar dari 0 – 1. Jika nilai besarnya mendekati 0 maka model mempunyai kecocokan yang rendah sedang nilai mendekati 1 maka model mempunyai kecocokan yang baik

Nilai indeks keselarasan yang disesuaikan (– Adjusted Goodness of Fit Index (AGFI): Fungsi sama dengan GFI perbedaan terletak pada penyesuaian nilai DF terhadap model yang dispesifikasi. Nilai AGFI sama dengan atau lebih besar dari 0,9. Jika nilai lebih besar dari 0,9 maka model mempunyai kesesuaian model keseluruhan yang baik

Fungsi perbedaan sampel minimum (– The minimum sample discrepancy function (CMNF)) yang merupakan nilai statistik Chi Square dibagi dengan nilai derajat kebebasan (degree of freedom (df)) disebut juga Chi Square relatif dengan besaran nilai kurang dari 0,2 dengan toleransi dibawah 0,3 yang merupakan indikator diterimanya suatu kecocokan model dan data

Indeks Tucker Lewis (Tucker Lewis – Index (TLI)) dengan ketentuan sebagai penerimaan sebuah model sebesar sama dengan atau lebih besar dari 0,95. Jika nilai mendekati 1 maka model tersebut menunjukkan kecocokan yang sangat tinggi

Indeks Kecocokan Komparatif (– Comparative Fit Index (CFI)) dengan nilai antara 0- 1 dengan ketentuan jika nilai mendekati angka 1 maka model yand dibuat mempunyai kecocokan yang sangat tinggi sedang jika nilai mendekati 0, maka model tidak mempunyai kecocokan yang baik

Index Parsimony– : untuk kecocokan model yang layak nilainya >0,9.

Root mean square error of approximation– , (RMSEA): berfungsi sebagai kriteria untuk pemodelan struktur kovarian dengan mempertimbangkan kesalahan yg mendekati populasi. Kecocokan model yg cocok dengan matriks kovarian populasi. Model baik jika nilainya lebih kecil atau sama dengan 0,05 ; cukup baik sebesar atau lebih kecil dari 0,08

Uji Reliabilitas– : untuk menghitung reliabilitas model yang menunjukkan adanya indikator-indikator

yang mempunyai derajat kesesuaian yang baik dalam satu model satu dimensi. Reliabilitas merupakan ukuran konsistensi internal indikator-indikator suatu konstruk yang menunjukkan derajat sejauh mana setiap indikator tersebut menunjukkan sebuah konstruk laten yang umum. Reliabilitas berikutnya ialah Varian Extracted dengan besar diatas atau sama dengan 0,5. Dengan ketentuan nilai yang semakin tinggi menunjukkan bahwa indikator-indikator sudah mewakili secara benar konstruk laten yang dikembangkan

Parameter dengan nilai 0– mempunyai arti tidak ada hubungan antar variabel yang diobservasi. Parameter dapat secara bebas diestimasi dengan nilai tidak sama dengan 0. Fixed parameter diestimasi tidak berasal dari data, misalnya 1; free parameter diestimasi dari data sampel yang diasumsikan oleh peneliti tidak sama dengan 0.

Root Mean Square Residual (RMR)– : nilai rata-rata semua residual yang ditandarisasi. Nilai RMR berkisar mulai 0 – 1, suatu model yang cocok mempunyai nilai RMR < 0.05.

Parsimony Based Indexes of Fit (PGFI)– : Parsimony model yang berfungsi untuk mempertimbangkan kekompleksitasan model yang dihipotesiskan dalam kaitannya dengan kecocokan model secara menyeluruh. Nilai kecocokan ideal adalah 0.9

Normed Fit Index (NFI)– : Nilai NFI mulai 0 – 1 diturunkan dari perbandingan antara model yang dihipotesiskan dengan suatu model independen tertentu. Model mempunyai kecocokan tinggi jika nilai mendekati 1

Relative Fit Index (RFI)– : merupakan turunan dari NFI dengan nilai 0 -1. Model mempunyai kecocokan yang ideal dengan nilai 0.95

First Fit Index (PRATIO)– : berkaitan dengan model parsimony

Noncentrality Parameter (NCP)– : parameter tetap yang berhubungan dengan DF yang berfungsi untuk mengukur perbedaan antara matriks kovarian populasi dengan matriks kovarian observasi. Dengan Confidence Interval 90% maka NCP berkisar antara 29,983 – 98,953

The Expected Cross Validation Index (ECVI)– : mengukur perbedaan antara matriks kovarian yang dicocokkan dalam sampel yg dianalisis dengan matriks kovarian yang diharapkan yang akan diperoleh dari sampel lain dengan ukuran yang sama. Nilai ECVI dapat berapa saja dan tidak ada kisarannya. Jika model mempunyai nilai ECVI terkecil, maka model tersebut dapat direplikasi.

Hoelter’s Critical N (CN)– : berfungsi untuk melihat kecukupan ukuran sampel yang digunakan dalam riset. CN mempunyai ketentuan suatu model mempunyai ukuran sampel yang cukup jika nilai CN > 200.

Residual– : perbedaan antara matriks kovarian model dengan matriks kovarian sampel, semakin kecil perbedaan maka model semakin baik.

ASUMSI DASAR SEM (skripsi dan tesis)

Untuk menggunakan SEM, peneliti memerlukan pengetahuan tentang asumsi-asumsi yang mendasari penggunaannya. Beberapa asumsi tersebut, diantaranya ialah:

Distribusi normal indikator – indikator multivariat • (Multivariate normal distribution of the indicators): Masing-masing indikator mempunyai nilai yang berdistribusi normal terhadap indikator lainnya. Karena permulaan yang kecil normalitas multivariat dapat menuntun kearah perbedaan yang besar dalam pengujian chi-square, dengan demikian akan melemahkan kegunaannya. Secara umum, pelanggaran asumsi ini menaikkan chi-square sekalipun demikian didalam kondisi tertentu akan menurunkannya. Selanjutnya penggunaan pengukuran ordinal atau nominal akan menyebabkan adanya pelanggaran normalitas multivariat. Perlu diperhatikan bahwa normalitas multivariat diperlukan untuk estimasi kemiripan maksimum / maximum likelihood estimation (MLE), yang merupakan metode dominan dalam SEM yang akan digunakan untuk membuat estimasi koefesien – koefesien (jalur) struktur. Khusus MLE membutuhkan variabel-variabel endogenous yang berdistribusi normal.

Secara umum, sebagaimana ditunjukkan dalam suatu studi-studi simulasi menunjukkan, bahwa dalam kondisi – kondisi data yang sangat tidak normal, estimasi-estimasi parameter SEM, misalnya estimasi jalur masih dianggap akurat tetapi koefesien-koefesien signifikansi yang bersangkutan akan menjadi terlalu tinggi sehingga nilai-nilai chi-square akan meningkat. Perlu diingat bahwa untuk uji keselarasan chi-square dalam model keseluruhan, nilai chi-square tidak harus signifikan jika ada keselarasan model yang baik, yaitu: semakin tinggi nilai chi-square, semakin besar perbedaan model yang diestimasi danmatrices kovarian sesungguhnya, tetapi keselarasan model semakin buruk. Chi-square yang meninggi dapat mengarahkan peneliti berpikir bahwa model-model yang sudah dibuat memerlukan modifikasi dari apa yang seharusnya. Kurangnya normalitas multivariat biasanya menaikkan statistik chi-square, misalnya, statistik keselarasan chi-square secara keseluruhan untuk model yang bersangkutan akan bias kearah kesalahan Type I, yaitu menolak suatu model yang seharusnya diterima. Pelanggaran terhadap normalitas multivariat juga cenderung menurunkan (deflate) kesalahan-kesalahan standar mulai dari menengah sampai ke tingkat tinggi. Kesalahan-kesalahan yang lebih kecil dari yang seharusnya terjadi mempunyai makna jalur-jalur regresi dan kovarian-kovarian faktor / kesalahan didapati akan menjadi signifikan secara statistik dibandingkan dengan seharusnya yang terjadi.

Distribusi normal multivariat variabel-variabel tergantung laten • ( Multivariate normal distribution of the latent dependent variables). Masing-masing variabel tergantung laten dalam model harus didistribusikan secara normal untuk masing-masing nilai dari setiap variabel laten lainnya. Variabel-variabel laten dichotomi akan melanggar asumsi ini karena alasan-alasan tersebut.

Linieritas • (Linearity). SEM mempunyai asumsi adanya hubungan linear antara variabel-variabel indikator dan variabel-variabel laten, serta antara variabel-variabel laten sendiri. Sekalipun demikian, sebagaimana halnya dengan regresi, peneliti dimungkinkan untuk menambah transformasi eksponensial, logaritma, atau non-linear lainnya dari suatu variabel asli ke dalam model yang dimaksud.

Pengukuran tidak langsung • (Indirect measurement): Secara tipikal, semua variabel dalam model merupakan variabel-variabel laten.

Beberapa indikator • (Multiple indicators). Beberapa indikator harus digunakan untuk mengukur masing-masing variabel laten dalam model. Regresi dapat dikatakan sebagai kasus khusus dalam SEM dimana hanya ada satu indikator per variabel laten. Kesalahan pemodelan dalam SEM membutuhkan adanya lebih dari satu pengukuran untuk masing-masing variabel laten.

Rekursivitas • (Recursivity): Suatu model disebut rekursif jika semua anak panah menuju satu arah, tidak ada arah umpan balik (feedback looping), dan faktor gangguan (disturbance terms) atau kesalahan tersisa (residual error) untuk variabel-variabel endogenous yang tidak dikorelasikan. Dengan kata lain, model-model recursive merupakan model dimana semua anak panah mempunyai satu arah tanpa putaran umpan balik, dan peneliti dapat membuat asumsi kovarian – kovarian gangguan kesalahan semua 0. Hal itu berarti bahwa semua variabel yang tidak diukur yang merupakan determinan dari variabel-variabel endogenous tidak dikorelasikan satu dengan lainnya sehingga tidak membentuk putaran umpan balik (feedback loops). Model – model dengan gangguan kesalahan yang berkorelasi dapat diperlakukan sebagai model recursive hanya jika tidak ada pengaruh-pengaruh langsung diantara variabel-variabel endogenous

Data interval: • Sebaiknya data interval digunakan dalam SEM. Sekalipun demikian, tidak seperti pada analisis jalur tradisional, kesalahan model-model SEM yang eksplisit muncul karena penggunaan data ordinal. Variabel-variabel exogenous berupa variabel-variabel dichotomi atau dummy dan variabel dummy kategorikal tidak boleh digunakan dalam variabel-variabel endogenous. Penggunaan data ordinal atau nominal akan mengecilkan koefesien matriks korelasi yang digunakan dalam SEM. Jika data ordinal yang digunakan maka sebelum di analisis dengan SEM, data harus diubah ke interval dengan menggunakan method of successive interval (MSI)

Ketepatan yang tinggi: • Apakah data berupa data interval atau ordinal, data-data tersebut harus mempunyai jumlah nilai yang besar. Jika variabel – variabel mempunyai jumlah nilai yang sangat kecil, maka masalah-masalah metodologi akan muncul pada saat peneliti membandingkan varian dan kovarian, yang merupakan masalah sentral dalam SEM.

Residual-residual acak dan kecil: • Rata-rata residual – residual atau kovarian hasil pengitungan yang diestimasikan minus harus sebesar 0, sebagaimana dalam regresi. Suatu model yang sesuai akan hanya mempunyai residual – residual kecil. Residual – residual besar menunjukkan kesalahan spesifikasi model, sebagai contoh, beberapa jalur mungkin diperlukan untuk ditambahkan ke dalam model tersebut.

Gangguan kesalahan yang tidak berkorelasi • (Uncorrelated error terms) seperti dalam regresi, maka gangguan kesalahan diasumsikan saja. Sekalipun demikian, jika memang ada dan dispesifikasi secara eksplsit dalam model oleh peneliti, maka kesalahan yang berkorelasi (correlated error) dapat diestimasikan dan dibuat modelnya dalam SEM.

Kesalahan residual yang tidak berkorelasi • (Uncorrelated residual error): Kovarian nilai – nilai variabel tergantung yang diprediksi dan residual – residual harus sebesar 0.

Multikolinearitas yang lengkap: • multikolinearitas diasumsikan tidak ada, tetapi korelasi antara semua variabel bebas dapat dibuat model secara eksplisit dalam SEM. Multikolinearitas yang lengkap akan menghasilkan matriks – matriks kovarian tunggal, yang mana peneliti tidak dapat melakukan penghitungan tertentu, misalnya inversi matrix karena pembagian dengan 0 akan terjadi.

Ukuran Sampel• tidak boleh kecil karena SEM bergantung pada pengujian-pengujian yang sensitif terhadap ukuran sampel dan magnitude perbedaan-perbedaan matrices kovarian. Secara teori, untuk ukuran sampelnya berkisar antara 200 – 400 untuk model-model yang mempunyai indikator antara 10 – 15. Satu survei terhadap 72 penelitian yang menggunakan SEM ditemukan median ukuran sampel sebanyak 198. Sampel di bawah 100 akan kurang baik hasilnya jika menggunakan SEM.

Aplikasi utama Structural Equation Modeling (skripsi dan tesis)

Aplikasi utama Structural Equation Modeling meliputi:

Model sebab akibat (1. causal modeling,) atau disebut juga analisis jalur (path analysis), yang menyusun hipotesa hubungan-hubungan sebab akibat (causal relationships) diantara variabel – variabel dan menguji model-model sebab akibat (causal models) dengan menggunakan sistem persamaan linier. Model-model sebab akibat dapat mencakup variabel-variabel manifest (indikator), variabel-variabel laten atau keduanya;

Analisis faktor penegasan (2. confirmatory factor analysis), suatu teknik kelanjutan dari analisis faktor dimana dilakukan pengujian hipotesis – hipotesis struktur factor loadings dan interkorelasinya;

Analisis faktor urutan kedua3. (second order factor analysis), suatu variasi dari teknik analisis faktor, dimana matriks korelasi dari faktor-faktor tertentu (common factors) dilakukan analisis pada faktornya sendiri untuk membuat faktor-faktor urutan kedua;

Model-model regresi (4. regression models), suatu teknik lanjutan dari analisis regresi linear, dimana bobot regresi dibatasi agar menjadi sama satu dengan lainnya, atau dilakukan spesifikasi pada nilai-nilai numeriknya;

Model-model struktur covariance (5. covariance structure models), yang mana model tersebut menghipotesakan bahwa matrix covariance mempunyai bentuk tertentu. Sebagai contoh, kita dapat menguji hipotesis yang menyusun semua variabel yang mempunyai varian yang sama dengan menggunakan prosedur yang sama;

Model struktur korelasi (6. correlation structure models), yang mana model tersebut menghipotesakan bahwa matrix korelasi mempunyai bentuk tertentu. Contoh klasik adalah hipotesis yang menyebutkan bahwa matrix korelasi mempunyai struktur circumplex

Fungsi Structural Equation Modeling/SEM (skripsi dan tesis)

Beberapa fungsi SEM, diantaranya ialah:

Pertama, • memungkinkan adanya asumsi-asumsi yang lebih fleksibel;

Kedua •, penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk mengurangi kesalahan pengukuran dengan memiliki banyak indikator dalam satu variabel laten;

Ketiga, • daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca keluaran hasil analisis

Keempat,• kemungkinan adanya pengujian model secara keseluruhan dari pada koefesien-koefesien secara sendiri-sendiri;

Kelima,• kemampuan untuk menguji model – model dengan menggunakan beberapa variabel tergantung;

Keenam,• kemampuan untuk membuat model terhadap variabel-variabel perantara;

Ketujuh,• kemampuan untuk membuat model gangguan kesalahan (error term);

Kedelapan, kemampuan untuk menguji koefesien-koefesien diluar antara beberapa kelompok • subyek;

Kesembilan,• kemampuan untuk mengatasi data yang sulit, seperti data time series dengan kesalahan otokorelasi, data yang tidak normal, dan data yang tidak lengkap

Pengertian Structural Equation Modeling (skripsi dan tesis)

Structural Equation Modeling, yang dalam buku ini untuk selanjutnya akan disebut SEM, adalah suatu teknik modeling statistik yang bersifat sangat cross-sectional, linear dan umum. Termasuk dalam SEM ini ialah analisis faktor (factor analysis), analisis jalur (path analysis) dan regresi (regression).

Definisi berikutnya menyebutkan SEM adalah teknik analisis multivariat yang umum dan sangat bermanfaat yang meliputi versi-versi khusus dalam jumlah metode analisis lainnya sebagai kasus-kasus khusus.

Definisi lain mengatakan bahwa SEM merupakan teknik statistik yang digunakan untuk membangun dan menguji model statistik yang biasanya dalam bentuk model-model sebab akibat. SEM sebenarnya merupakan teknik hibrida yang meliputi aspek-aspek penegasan (confirmatory) dari analisis faktor, analisis jalur dan regresi yang dapat dianggap sebagai kasus khusus dalam SEM.

Sedikit berbeda dengan definisi-definisi sebelumnya, disebutkan SEM berkembang dan mempunyai fungsi mirip dengan regresi berganda, tetapi nampaknya SEM menjadi suatu teknik analisis yang lebih kuat karena mempertimbangkan pemodelan interaksi, nonlinearitas, variabel – variabel bebas yang berkorelasi (correlated independents), kesalahan pengukuran, gangguan kesalahan-kesalahan yang berkorelasi (correlated error terms), beberapa variabel bebas laten (multiple latent independents) dimana masing-masing diukur dengan menggunakan banyak indikator, dan satu atau dua variabel tergantung laten yang juga masing-masing diukur dengan beberapa indikator. Dengan demikian menurut definisi ini, SEM dapat digunakan sebagai alternatif lain yang lebih kuat dibandingkan dengan menggunakan regresi berganda., analisis jalur, analisis faktor, analisis time series, dan analisis kovarian

Dari definisi di atas dapat disimpulkan bahwa SEM mempunyai karakteristik yang bersifat sebagai teknik analisis untuk lebih menegaskan (confirm) daripada menerangkan. Maksudnya, seorang peneliti lebih cenderung menggunakan SEM untuk menentukan apakah suatu model tertentu valid atau tidak dari pada menggunakannya untuk menemukan suatu model tertentu cocok atau tidak, meski analisis SEM sering pula mencakup elemen-elemen yang digunakan untuk menerangkan.

Langkah-Langkah Analisis PLS (skripsi dan tesis)

Langkah analisis dalam PLS untuk penelitian ini adalah sebagai berikut:
1. Merancang Model Struktural (inner model). Struktural model adalah model yang menspesifikasikan hubungan antar variabel laten. Model ini menggambarkan hubungan antar variabel laten berdasarkan teori substantif (Ghozali, 2006)
.2. Merancang Model Pengukuran (outer model). Outer model adalah model yang menspesifikasikan hubungan antara variabel laten dengan indikatorindikatornya, atau dapat dikatakan bahwa outer model mendefinisikan bagaimana setiap indikator berhubungan dengan variabel latennya (Ghozali, 2006).
3. Mengkonstruksi Diagram Jalur. Langkah ini lebih mudah untuk dipahami, dimana hasil perancangan inner model dan outer model tersebut Estimasi: Koefisien Jalur, Loading dan Weight. Metode pendugaan parameter (estimasi) didalam metode PLS adalah metode kuadrat terkecil (ordinary least square). Proses perhitungan dilakukan dengan cara interaksi, dimana interaksi akan berhenti jika telah mencapai kondisi konvergen.
 5. Evaluasi Goodness of Fit. Evaluasi goodness of fit dibagi menjadi dua yaitu outer model dan inner model.
a. Outer model dibagi menjadi dua, yaitu formatif dan reflektif. Dalam penelitian ini, indikator yang digunakan adalah indikator reflektif. Outer model dengan indikator refleksif dievaluasi dengan convergent dan discriminant validity dari indikatornya dan composite reliability untuk blok indikator. Convergent validity dinilai berdasarkan korelasi antara item score/ component score dengan construct score yang dihitung dengan PLS. Ukuran refleksif individual dikatakan tinggi jika berkolerasi lebih dari 0,7 dengan konstruk yang ingin diukur. Namun untuk penelitian tahap awal dari pengembangan skala pengukuran nilai loading 0,5 sampai 0,6 dianggap cukup (Chin, 1998). Discriminant validity dinilai berdasarkan crossloading pengukuran dengan konstruk. Jika korelasi konstruk dengan item pengukuran lebih besar daripada ukuran konstruk lainnya, hal tersebut menunjukkan bahwa konstruk laten memprediksi ukuran pada blok mereka lebih baik daripada ukuran pada blok lainnya. Selain itu untuk menilai discriminant validity juga dapat dilakukan dengan membandingkan nilai square root of Average Variance Extracted (AVE) setiap konstruk dengan korelasi antara konstruk dengan konstruk lainnya dalam model. Jika nilai kuadrat AVE setiap konstruk lebih besar daripada nilai korelasi antara konstruk dengan konstruk lainnya dalam model, maka dikatakan memiliki discriminant validity yang baik (Fornell dalam Ghozali, 2006). Fornnel dan Larcker (1981) dalam Ghozali (2006) menyatakan bahwa pengukuran ini dapat dilakukan untuk mengukur reliabilitas component score variabel laten dan hasilnya lebih konservatif dibanding composite reliability. Nilai AVE harus lebih besar dari 0,5. Composite reliability blok indikator yang mengukur suatu konstruk dapat dievaluasi dengan dua macam ukuran yaitu internal consistency dan cronbach alpha.
b. Inner model dievaluasi dengan melihat prosentase varian yang dijelaskan, yaitu dengan melihat R2 . Perubahan nilai R2 dapat digunakan untuk menilai pengaruh variabel laten independen tertentu terhadap variabel laten dependen apakah mempunyai pengaruh yang substantif. Nilai ƒ 2 sama dengan 0,02; 0,15; dan 0,35 dapat diinterpretasikan bahwa predictor variabel laten memiliki pengaruh kecil, menengah, dan besar pada level struktural. Selain itu dilakukan evaluasi Stone-Geisser Q-square untuk predictive relevance dan uji t serta signifikansi dari koefisien parameter jalur struktural. Q-square mengukur seberapa baik nilai observasi dihasilkan oleh model dan juga parameternya. Nilai Q-square lebih besar dari 0 (nol) menunjukkan bahwa model mempunyai nilai predictive relevance, sedangkan nilai Q-square kurang dari 0 (nol) menunjukkan bahwa model kurang memiliki predictive relevance
6. Pengujian Hipotesis Langkah terakhir adalah pengujian hipotesis dengan kriteria sebagai berikut: Jika H : λ ≤ 0 ; maka berarti hipotesis ditolak Jika H : λ > 0 ; maka berarti hipotesis diterima

Alasan Penggunaan Partial least square/ PLS (skripsi dan tesis)

Alasan penggunaan PLS untuk penelitian ini adalah:

1. PLS bisa mengolah semua jenis data
 2. PLS memiliki dua uji didalamnya yaitu uji measurement model yang menyangkut validitas konstruk dan reliabilitas konstruk. Selain itu juga memiliki uji structural model, yaitu uji t dari partial least square itu sendiri. Sehingga dapat menyajikan berbagai hasil lengkap dan dapat dianalisa secara menyeluruh.
 3. PLS dapat digunakan untuk prediksi, konfimasi teori, dan menjelaskan ada tidaknya hubungan antar variabel laten. (Jogiyanto dan Abdillah, 2009).

4. PLS memiliki hubungan antara variabel laten dan indikatornya dalam bentuk refleksif maupun formatif. Model refleksif mengasumsikan bahwa konstruk atau variabel laten mempengaruhi indikator (arah hubungan kausalitas dari konstruk ke indikator atau manifest). Model refleksif sering disebut dengan principal factor model dimana covariance pengukuran indikator dipengaruhi oleh konstruk laten atau yang mencerminkan variasi dari konstruk laten. Pada model refleksif konstruk unidimensional, digambarkan dalam bentuk elips dengan beberapa anak panah dari konstruk ke indikator. Model ini  memberikan arti bahwa perubahan pada konstruk laten akan mempengaruhi perubahan pada indikator.

5. PLS merupakan pendekatan alternative yang bergeser dari pendekatan SEM berbasis covariance menjadi berbasis variance (Ghozali, 2006). SEM yang berbasis kovarian umumnya menguji kausalitas atau teori sedangkan PLS lebih bersifat predictive model

Uji Signifikansi Simultan (Uji Statistik F) (skripsi dan tesis)

Pengujian koefisien regresi keseluruhan menunjukkan apakah variabel bebas secara keseluruhan atau Bersama mempunyai pengaruh terhadap variabel terikat (Ghozali, 2016: 99). Kriteria pengujian yang digunakan adalah dengan  membandingkan nilai signifikan yang diperoleh dengan taraf signifikan yang telah ditentukan yaitu 0,05. Apabila nilai signifikan < 0,05 maka variabel independen mampu mempengaruhi variabel dependen secara signifikan atau hipotesis diterima. Selain itu cara lain yang dapat dilakukan adalah dengan membandingkan F hitung dengan F tabel dengan kriteria sebagai berikut: a. Bila F hitung < F tabel, maka variabel bebas (independen) secara bersama-sama tidak berpengaruh terhadap variabel dependen. b. Bila F hitung > F tabel, maka variabel bebas (independen) secara bersama-sama berpengaruh terhadap variabel dependen.

Koefisien Determinasi (R2 ) (skripsi dan tesis)

 

Koefisien determinasi (R2 ) digunakan untuk mengetahui sejauh mana kemampuan model dalam menjelaskan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol sampai dengan satu. Apabila nilai R2 semakin kecil, maka kemampuan variabel independen dalam menjelaskan variasi variabel dependen rendah. Apabila nilai R2 mendekati satu, maka variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen (Ghozali, 2016: 95).

Uji Heteroskedastisitas (skripsi dan tesis)

Uji heteroskedastisitas bertujuan untuk mengetahui ada atu tidaknya penyimpangan asumsi klasik heteroskedastisitas, yaitu adanya ketidaksamaan varian residual untuk semua pengamatan pada model regresi. Model regresi yang baik 70 adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas (Ghozali, 2016: 134). Penelitian ini menggunakan Uji Glejser untuk mengetahui ada tidaknya heteroskedastisitaa. Dalam uji Glejser, indikasi terjadinya heteroskedatisitas yaitu apabila variabel independen signifikan secara statistik mmpengaruhi variabel dependen. Jika probabilitas signifikan diatas tingkat kepercayaan 5% maka model regresi tidak mengandung adanya heteroskedastisitas (Ghozali, 2016: 134).

Uji Multikolonieritas (skripsi dan tesis)

Multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel independen. Jika variabel independen saling berkorelasi, maka hubungan antar variabel independent dengan variabel dependen akan terganggu (Ghozali, 2016: 103). Multikolinearitas dapat dilihat dari (1) nilai tolerance dan lawannya (2) variance inflation factor (VIF). Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Setiap variabel independen menjadi variabel dependen (terikat) dan diregres terhadap variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya (Ghozali, 2016: 103). Suatu model regresi dapat dikatakan bebas multikolinearlitas jika mempunyai nilai VIF kurang dari 10, dan nilai tolerance tidak kurang dati 0,1. Jadi dapat disimpulkan bahwa tidak ada multikolinearlitas antar variabel independen dalam dalam model regresi ini (Ghozali, 2016: 105).

Uji Normalitas (skripsi dan tesis)

Uji normalitas bertujuan untuk menguji apakah dalam data yang telah dikumpulkan terdistribusi secara normal atau diambil dari populasi normal. Kalau asumsi dilanggar maka uji statistik menjadi tidak valid (Ghozali, 2016: 154). Pada prinsipnya normalitas dapat dideteksi dengan melihat penyebaran data (titik) pada sumbu diagonal dari grafik atau dengan melihat histogram dari residual. Akan tetapi pada pengujian ini juga menggunakan Uji Kolmogrov Smirnov dimana jika nilai sig ≥ 0.05 atau 5% artinya residual menyebar normal dan begitu pula sebaliknya (Ghozali, 2016: 31).

Analisis Dalam Metode Analisis Isi (skripsi dan tesis)

Analisis data dalam metode analisis isi deskriptif dengan pendekatan kuantitatif. Sebagai metode yang sistematis analisis isi mengikuti suatu proses-proses tertentu dalam pengaplikasiannya. Adapun langkah-langkah analisis isi deskriptif dalam penelitian sebagaimana dikutip dalam Kriyantono, (2006, hlm. 167) ini adalah sebagai berikut:

1. Mendefinisikan populasi penelitian dan menetukan jumlah sampel penelitian dengan menggunakan teknik sampel acak sederhana.

 2. Langkah selanjutnya yang penting dalam analisis isi ialah menentukan unit analisis. Unit analisis adalah apa yang akan diobservasi, dicatat dan dianggap sebagai data, memisahkan menurut batas-batasnya dan mengidentifikasi untuk analisis berikutnya. Unit analisis penelitian ini dibagi menjadi dua yaitu unit sampling dan unit pencatatan dimana unit pencatatan penelitian ini termasuk dalam jenis unit analisis sintaksis.

 3. Menentukan dan menggunakan penilai tambahan (coder) selain dari peneliti untuk mengurangi bias dan subjektifitas peneliti dalam analisis penelitian.
4. Setelah mengkode semua isi berita ke dalam lembar coding yang telah disusun peneliti lalu menghitung reliabilitas dari hasil coding.
 5. Tahap selanjutnya adalah menggunakan tabel distribusi frekuensi. Salah satu cara yang sering dipakai dalam analisi data adalah frekuensi distribusi relatif, dimana data dibagi dalam beberapa kelompok dan dinyatakan atau diukur dalam presentase. Dari setiap tabel diberikan penjelasan dalam bentuk uraian yang disusun sistematis. Kegunaan dari distribusi frekuensi adalah membantu peneliti untuk mengetahui bagaimana distribusi frekuensi dari data penelitian. Data hasil penelitian ini akan diolah secara statistik deskriptif kuantitatif. Teknik analisis untuk pengukuran digunakan berdasarkan pendekatan kuantitatif dilihat dari frekuensi absolut akan jumlah persentase kejadian dari variabel yang akan ditampilkan dalam angka.
 6. Interpretasi data hasil penelitian. Membandingkan hasil tabel frekuensi distribusi dibandingkan dengan dasar teori yang dijadikan acuan dalam penelitian. Kegiatan ini berusaha mencari makna lebih luas dari hasil data yang telah dikumpulkan untuk nantinya akan diambil suatu kesimpulan akhir dari penelitian.
7. Penarikan kesimpulan