Metode analisis yang telah dibicarakan hingga sekarang analisis terhadap data mengenai sebuah karakteristik atau atribut (jika data itu kualitatif) dan mengenai sebuah variabel, diskrit ataupun kontinyu (jika dta itu kuantitatif) tetapi sebagaimana disadari banyak persoalan atau fenomenayang meliputi lebih dari sebuah variabel(Sudjana,1995). Pemodelan data deret waktu merupakan bagian yang cukup penting dalam berbagai riset. Masalah pemodelan deret waktu seringkali dikaitkan dengan ptroses peramalan suatu karakteristik tertentu pada periodeke depan dan untuk mengendalikam suatu proses atau mengenali pola perilaku sistem. Model analisis telah menyediakan suatu metode peramalan yang sederhana yang mampu .menggambarkan pola dan kecenderungan data deret waktu. Namun model tersebut akan mempunyai tingkat kesesuaian yang tinggi apabila perilaku data deret waktu tidak terlalu kompleks dan kondisis awal terpenuhi dengan baik
Forecasting (skripsi dan tesis)
Dalam melakukan analisis kegiatan usaha perusahaan haruslah diperkirakan apa yang akan terjadi dalam usaha yang akan datang, sebagaimana yang dikemukakan oleh Martiningtyas (2004) dalam bukunya statistik bahwa kegiatan untuk memperkirakan apa yang akan terjadi dimasa yang akan datang disebut peramalan atau forecasting.
Persamaan y=a+bx dapat digunakan untuk meramalkan respon nilai tengah pada x = X0. Dalam hal ini X0 tidak harus sama dengan nilai x yang lain. Persamaan itu dapat juga digunakan untuk meramalkan
nilai tunggal y0 bagi peubah acak bila x = Xo .Tentu saja kita dapat membayangkan bahwa galat peramalannya akan lebih tnggi pada peramalan nilai tunggal dibandingkan dengan peramalan nilai tengahnya. Pada gilirannya ini akan mempengaruhi panjang selang kepercayaan bagi nilai ramalan
tersebut(walpole,1993)
tahapan dalam ARIMA-QR (skripsi dan tesis)
tahapan dalam penelitian yang dilakukan
untuk peramalan ARIMA-QR:
1. Persiapan Data
a. Membagi data menjadi 70% training set dan
30% testing set
2. Peramalan menggunakan ARIMA
a. Identifikasi Model
Pada tahap identifikasi model dilakukan pembuatan
plot data time series. Kemudian dilakukan uji
stasioner ragam dan uji stasioner rataan. Jika data
belum stasioner dalam ragam, maka perlu dilakukan
proses transformasi. Jika data belum stasioner
terhadap mean, maka dilakukan proses differencing.
Identifikasi model ARIMA dapat dilakukan dengan
menggunakan fungsi ACF maupun PACF dari data
yang sudah stasioner untuk menentukan model
awal (penentuan orde AR dan MA).
b. Estimasi Parameter
Parameter dikatakan signifikan jika memiliki nilai pvalue < α atau p-value < 0,05. Jika telah menemukan
parameter yang sesuai, maka dilanjutkan dengan
proses uji diagnosa
c. Uji Diagnosa
Uji diagnosa dapat dilakukan dengan membuat plot
ACF dan PACF untuk residualnya. Uji diagnosa
dapat dilihat dari nilai p pada correlogram q-statistic
dan squared residual. Nilai p > 0,05 pada q-statistic
menandakan bahwa residual atau sisaan bersifat
random atau acak, yang berarti model dapat
diterima. Nilai p > 0.05 pada squared residual
menandakan bahwa sisaan bersifat homogen.
Model yang telah memnuhi kriteria dapat digunakan
untuk melakukan peramalan.
d. Peramalan
Setelah mendapatkan model terbaik dari hasil uji
parameter dan uji diagnosa, maka proses
selanjutnya adalah melakukan peramalan dengan
menggunakan model tersebut.
3. Peramalan menggunakan metode Quantile
Regression (QR)
a. Menentukan quantile
quantile yang digunakan dalam penelitian ini adalah
0.25, 0.50, dan 0.75.
b. Menganalisis variabel
Menganalisis variabel yaitu terkait variabel
independen dan regressor (variabel bebas),
termasuk menganalisis hubungan antar variabel.
c. Mencari nilai prediksi
d. Menghitung kesalahan peramalan
4. Analaisa Hasil dan penarikan kesimpulan
Menganalisa dan membandingkan metode antara
ARIMA saja dan metode campuran ARIMA-QR.
Regresi (skripsi dan tesis)
Regresi merupakan teknik statistika untuk menentukan
persamaan garis atau kurva dengan meminimumkan
penyimpangan antara data pengamatan dan nilai-nilai
dugaannya [9]. Secara luas, analisis regresi diartikan sebagai
suatu analisis ketergantungan antara variabel tergantung
(independent variable) kepada variabel bebas (dependent
variable). Analisis regresi diartikan sebagai analisis variabel
bebas dalam rangka membuat estimasi atau prediksi dari nilai
variabel tergantung dependent variable) dengan diketahuinya
nilai variabel bebas [10].
Box Jenkins (ARIMA) (skripsi dan tesis)
ARIMA (Autoregressive Integrated Moving Average) atau
Model Box-Jenkins merupakan salah satu teknik model
peramalan timeseries yang hanya berdasarkan perilaku data
variabel yang diamati. ARIMA memiliki sifat yang fleksibel
(mengikuti pola data), memiliki tingkat akurasi peramalan yang
cukup tinggi. Mengikuti pola data disini maksudnya adalah jika
data tidak stasioner, data tersebut dapat disesuaikan menjadi
JURNAL TEKNIK ITS Vol. 7, No. 1 (2018) 2337-3520 (2301-928X Print) A134
data stasioner dengan melakukan differencing. Adapun
langkah-langkah yang harus diambil dalam menganalisis data
dengan teknik Box-Jenkins atau ARIMA adalah sebagai
berikut [8]:
Langkah 1. Identifikasi Model
Pada tahap ini, kita memilih model yang tepat yang bisa
mewakili deret pengamatan. Identifikasi model dilakukan
dengan:
a. Membuat plot data time series agar dapat
diketahuiapakah data mengandung trend, musiman,
outlier, variansi tidak konstan. Jika data time series tidak
stasioner maka data harus distasionerkan terlebih
dahulu. Jika data tidak stasioner dalam varians dan
mean, maka langkah pertama harus menstabilkan
variansinya.
b.Menghitung dan mencocokkan sampel ACF dan PACF
dari data time series yang asli. Sampel ACF dan PACF
dari data time series yang asli dapat digunakan untuk
menentukan tingkat differencing yang sebaiknya
digunakan.
c. Menghitung dan mencocokkan sampel ACF dan PACF
dari data time series yang telah ditransformasikan dan
didiferencing.
Langkah 2. Estimasi Parameter
Pada tahap ini, kita memilih taksiran model yang baik dengan
melakukan uji hipotesis untuk parameter.
Hipotesis :
H0 : parameter tidak signifikan
H1 : parameter signifikan
Level toleransi () = 5% = 0,05
Kriteria uji : Tolak H0 jika p-value <.
Langkah 3. Uji Diagnosis
Setelah mendapatkan estimator ARIMA, langkah
selanjutnya adalah memilih model yang mampu menjelaskan
data dengan baik. Caranya adalah dengan melihat apakah
residual bersifat random sehingga merupakan residual yang
relatif kecil. Jika tidak, maka harus kembali ke langkah pertama
untuk memilih model yang lain.
Langkah 4. Prediksi (Peramalan)
Setelah didapatkan model terbaik yang sesuai, maka langkah
selanjutnya adalah menggunakan model tersebut untuk
melakukan peramalan
Peramalan (skripsi dan tesis)
Peramalan adalah proses memperkirakan nilai di masa
mendatang dengan menggunakan data yang ada di masa
lampau. Data di masa lampau secara sistematis dikombinasikan
dan diolah untuk memperkirakan suatu nilai di masa
mendatang. Terdapat dua pendekatan untuk melakukan
peramalan, yaitu dengan pendekatan kualitatif dan pendekatan
kuantitatif [7].
a. Metode peramalan kualitatif yang menggabungkan faktorfaktor seperti intuisi pengambilan keputusan, emosi,
pengalaman pribadi
b.Metode peramalan kuantitatif yang menggunakan satu atau
lebih model matematis dengan data masa lalu dan variabel
sebab akibat untuk meramalkan permintaan. Pada dasarnya
metode peramalan kuantitatif dibagi menjadi dua, yaitu model
deret waktu (time series), dan model kausal.
Metode peramalan kuantitatif juga dapat dikelompokkan
menjadi dua jenis, yaitu :
1) Model deret waktu/time series
Pada model ini, suatu variabel diramalkan berdasarkan
nilai variabel itu sendiri di periode sebelumnya
2) Model kausal/explanatory
Pada model ini, suatu variabel diramalkan berdasarkan
nilai dari satu atau lebih variabel lain yang berpengaruh.
Atau dengan kata lain model kausal adalah memasukkan
dan menguji variabel-variabel yang diduga akan
mempengaruhi variabel dependen. Model ini biasanya
menggunakan analisis regresi untuk menentukan mana
variabel yang signifikan mempengaruhi variabel
dependen. Selain menggunakan analisis regresi, model
kausal juga dapat menggunakan metode ARIMA atau
Box-Jenkins untuk mencari model terbaik yang dapat
digunakan dalam peramalan
Secara umum, dalam melakukan peramalan terdiri dari
beberapa tahapan khususnya jika menggunakan metode
kuantitatif [8].Tahapan tersebut adalah:
a) Mendefinisikan tujuan dari peramalan
b) Membuatdiagram pencar (Plot Data)
c) Memilih model peramalan yang tepat sesuai dengan
plot data
d) Melakukan peramalan
e) Menghitung kesalahan ramalan (forecast error)
f) Memilih metode peramalan dengan kesalahan yang
terkecil
g) Melakukan verifikasi peramalan
Autoregressive Integrated Moving Average (ARIMA) (skripsi dan tesis)
Metode Autoregressive Integrated Moving Average (ARIMA) yang biasa disebut dengan metode Box-Jenkins merupakan metode yang dikembangkan oleh George Box dan Gwilym Jenkins pada tahun 1970 [1]. Metode ARIMA (Autoregressive Integrated Moving Average) adalah metode yang digunakan untuk peramalan jangka pendek. Penggunaan metode ARIMA dalam peramalan jangka pendek sangat tepat digunakan karena metode ARIMA memiliki ketepatan yang sangat akurat. Dan juga menentukan hubungan statistik yang baik antar variabel yang akan diramal dengan nilai yang digunakan untuk peramalan. Sedangkan untuk peramalan jangka panjang
ketepatan peramalannya kurang baik. Biasanya nilai peramalan akan cenderung konstan untuk periode yang cukup panjang.
Model Autoregresiive Integrated Moving Average (ARIMA) adalah model yang secara penuh mengabaikan variabel independen dalam membuat peramalan. Nilai yang digunakan oleh ARIMA untuk peramalan yaitu menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk
menghasilkan peramalan jangka pendek yang akurat [4]. Kelompok model yang termasuk dalam metode Autoregressive Integrated Moving Average (ARIMA) yaitu:
• Autoregressive (AR)
Model Autoregresive (AR) diperkenalkan pertama kali oleh Yule pada tahun 1926 dan kemudian dikembangkan oleh Walker pada tahun 1931. Asumsi yang dimiliki oleh model ini adalah data periode sekarang dipengaruhi oleh data pada periode sebelumnya. Disebut model Autoregressive dikarenakan pada model ini diregresikan terhadap nilai-nilai sebelumnya dari
variabel itu sendiri. Model Autoregressive dengan ordo p disingkat menjadi AR(p) atau ARIMA(p,0,0) [5].
Model :
Zt =μ +ϕ 1 Zt-1 + ϕ 2 Zt-2 + … + ϕ p Zt-p – at (1)
dimana,
Zt = deret waktu stasioner
μ = konstanta
Zt-p= variabel bebas
ϕ p = koefisien parameter autoregressive ke-p
at = sisaan pada saat ke-t
Model diatas disebut sebagai model Autoregressive (regresi diri sendiri) karena model tersebut mirip dengan persamaan regresi pada umumnya, hanya saja yang menjadi variabel independen bukan variabel yang berbeda dengan variabel dependen melainkan nilai sebelumnya (lag) dari variabel dependen (Zt) itu sendiri.
• Moving Average (MA)
Model Moving Average (MA) pertama kali diperkenalkan oleh Slutzky pada tahun 1973, dengan orde q ditulis MA (q) atau ARIMA (0,0,q) dan dikembangkan oleh Wadsworth pada tahun 1989 [5].
Model :
Zt = μ + at – θ1 at-1–… – θq at-q (2)
dimana,
Zt = deret waktu stasioner
μ = konstanta
at-1 = variabel bebas
θq = koefisien parameter moving average ke-q
at = sisaan pada saat ke-t
• Autoregressive Moving Average (ARMA)
Model Autoregressive Moving Average (ARMA) merupakan model gabungan dari Autoregresive (AR) dan Moving Average (MA). Dan model ini memiliki asumsi bahwa data periode sekarang dipengaruhi oleh data periode sebelumnya dan nilai sisaan dari periode sebelumnya [6]. Model :
Zt = μ +ϕ 1Zt-1+ … + ϕp Zt-p + at – θ1 at-1 – … – θq at-q (3)
dimana,
Zt = deret waktu stasioner
μ = konstanta
Zt-p = variabel bebas
ϕp = koefisien parameter autoregressive ke-p
at-1 = variabel bebas
θq = koefisien parameter moving average ke-q
at = sisaan pada saat ke-t
• Autoregressive Integrated Moving Average (ARIMA)
Model Autoregressive Integrated Moving Average (ARIMA) digunakan berdasarkan asumsi bahwa data deret waktuyang digunakan harus stasioner yang artinya rata-rata variasi dari data yang dimaksud adalah konstan. Namun, ada beberapa hal yang terjadi ketika suatu data tidak stasioner. Dalam mengatasi ketidakstasioneran data ini dilakukan proses differencing agar
data menjadi stasioner. Karena model Autoregressive (AR), Moving Average (MA), Autoregressive Moving Average (ARMA) tidak mampu menjelaskan arti dari defferencing, maka digunakan model campuran yang disebut Autoregressive Integrated Moving Average (ARIMA) atau ARIMA (p,d,q) sehingga menjadi lebih efektif dalam menjelaskan proses
differencing. Pada model campuran ini series stasioner merupakan fungsi linier dari nilai lampau beserta nilai sekarang dan kesalahan lampaunya.
Model :
Φp (B) Dd Zt = μ + θq (B) at (4)
dimana,
Φp = keofisien parameter autoregressive ke-p
θq = koefisien parameter moving average ke-q
B = operator backshift
D = differencing
μ = konstanta
at = sisaan pada saat ke-t
p = derajat autoregressive
d = tingkat proses differencing
q = derajat moving average
Metode ARIMA (Autoregressive Integrated Moving Average) (skripsi dan tesis)
ARIMA (Autoregressive Integrated Moving Average) adalah metode yang pertama kali dikembangkan oleh George Edward Pelham Box dan Gwilym Meirion Jenkins yaitu metode peramalan untuk menyelesaikan deret berkala untuk menganalisis runtun waktu. Metode ARIMA juga dikenal dengan sebutan metode Box-Jenkins. Data yang digunakan dalam peramalan menggunakan metode ARIMA adalah data stationer. Model Box-Jenkins dikelompokkan ke dalam tiga kelompok, yaitu [1]:
- Model Autoregressive (AR)
Model Autoregressive (AR) menunjukkan bahwa nilai peubah merupakan fungsi linier dari peubah sebelumnya [2].
2. Model Moving Average (MA)
Model Moving Average (MA) merupakan nilai deret waktu pada waktu t yang dipengaruhi oleh unsur kesalahan pada saat ini dan unsur kesalahan terbobot pada masa lalu [3]. Sehingga model MA menunjukkan bahwa nilai peubah dipengaruhi oleh sisaan pada periode sebelumnya [4].
3. Model Campuran
- Model Moving Average Moving Average (ARMA)
Model ini merupakan gabungan antara model Autoregressive (AR), dan Moving Average (MA). Model ARMA telah stasioner tanpa proses differencing (d = 0) yang dinotasikan dengan model ARIMA (p,0,q) atau ARMA(p,q).
- Model Moving Average Integrated Moving Average (ARIMA)
Jika data deret waktu tidak stasioner, maka model Box-Jenkins disebut model Autoregressive Integrated Moving Average (ARIMA). Model dinotasikan dengan ARIMA(p,d,q).
TAHAPAN ARIMA (Box-Jenkins) (skripsi dan tesis)
Langkah-langkah penerapan metode ARIMA secara berturut-turut adalah identifikasi model, pendugaan parameter model, pemeriksaan diagnosa dan penerapan model untuk peramalan
Model umum dan uji stasioneritas
Stasioneritas berarti tidak terdapat pertumbuhan atau penurunan pada data. Data secara kasarnya harus horizontal sepanjang sumbu waktu. Dengan kata lain, fluktuasi data berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu dan varians dari fluktuasi tersebut atau tetap konstan setiap waktu. Untuk mengetahui stasioner tidaknya data dapat diamati dari time. Penggunaan model untuk peramalan. Pemeriksaan (uji) diagnosa estimasi parameter model indentifikasi model tentatif (sementara) dengan memilih (p,d,q). Rumuskan model umum dan uji stasioneritas data ya atau tidak. Series plot data tersebut, autocorrelation function data atau model trend linier data terhadap waktu.
Suatu data time series yang tidak stasioner harus diubah menjadi data stasioner, karena aspek-aspek AR dan MA dari model ARIMA hanya berkenaan dengan data time series yang stasioner. Salah satu cara yang paling sering dipakai adalah metode pembedaan (differencing) yaitu menghitung perubahan atau selisih nilai observasi. Nilai selisih yang diperoleh dicek lagi apakah stasioner atau tidak. Jika belum stasioner maka dilakukan differencing lagi.
2) Identifikasi model
Setelah data time series yang akan diolah langkah berikutnya adalah penetapan model ARIMA (p,d,q) yang sekiranya cocok. Jika data tidak mengalami differencing, maka d bernilai 0, jika data menjadi stasioner setelah differencing ke- 1 maka d bernilai 1 dan seterusnya. Dalam memilih dan menetapkan p dan qdapat dibantu dengan mengamati pola Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF)
Kesalahan yang sering terjadi dalam penentuan p dan q bukan merupakan masalah besar pada tahap ini, karena hal ini akan diketahui pada tahap pemeriksaan diagnosa selanjutnya.
3) Pendugaan parameter model
Ada dua cara yang mendasar untuk mendapatkan parameter-parameter
tersebut:
Ø Dengan cara mencoba-coba (trial and error), menguji beberapa nilai yang berbeda dan memilih satu nilai tersebut (atau sekumpulan nilai, apabila terdapat lebih dari satu parameter yang akan ditaksir) yang meminimumkan jumlah kuadrat nilai sisa (sum of squared residual).
Ø Perbaikan secara iteratif, memilih taksiran awal dan kemudian penghitungan dilakukan Box-Jenkins Computer Program untuk memperhalus penaksiran tersebut secara iteratif.
4) Pemeriksaan diagnosa
Dalam pemeriksaan terhadap model ada beberapa metode yang bisa
dilakukan, antara lain adalah:
- Pengujian model secara keseluruhan (Overall F test) dan pengujian masing masing parameter model secara parsial (t-test), untuk menguji apakah koefisien model signifikan secara statistik atau tidak baik secara keseluruhan maupun parsial
b.Model dikatakan baik jika nilai error bersifat random, artinya sudah tidak mempunyai pola tertentu lagi. Dengan kata lain model yang diperoleh dapat menangkap dengan baik pola data yang ada. Untuk melihat kerandoman nilai error dilakukan pengujian terhadap nilai koefisien autokorelasi dari error, dengan menggunakan salah satu dari dua statistik
Pemilihan model terbaik
Untuk menentukan model yang terbaik dapat digunakan standard error estimate
Model terbaik adalah model yang memiliki nilai standard error estimate (S) yang paling kecil. Selain nilai standard error estimate, nilai rata-rata persentase kesalahan peramalan (MAPE) dapat juga digunakan sebagai bahan pertimbangan dalam menentukan model yang terbaik yaitu:
6) Penggunaan model untuk peramalan
Jika model terbaik telah ditetapkan, maka model siap digunakan untuk peramalan. Untuk data yang mengalami differencing, bentuk selisih harus dikembalikan pada bentuk awal dengan melakukan proses integral karena yang diperlukan adalah ramalan time series asli. Notasi yang digunakan dalam ARIMA adalah notasi yang mudah dan umum. Misalkan model ARIMA (0,1,1)(0,1,1)9 dijabarkan menjadi sebuah persamaan regresi yang lebih umum
Nilai et+1 tidak akan diketahui, karena nilai yang diharapkan untuk kesalahan random pada masa yang akan datang harus ditetapkan sama dengan nol. Akan tetapi dari model yang disesuaikan (fitted model) kita boleh mengganti nilai et et-8 dan et-9 dengan nilai nilai mereka yang ditetapkan secara empiris (seperti yang diperoleh setelah iterasi terakhir algoritma Marquardt). Tentu saja bila kita meramalkan jauh ke depan, tidak akan kita peroleh nilai empiris untuk “e” sesudah beberapa waktu, dan oleh sebab itu nilai harapan mereka akan seluruhnya nol. Untuk nilai Z pada awal proses peramalan, kita akan mengetahui nilai Zt, Zt-8, Zt-9. Akan tetapi sesudah beberapa saat, nilai Z akan berupa nilai ramalan (forecasted value), bukan nilai-nilai masa lalu yang telah diketahui. Teknik peramalan dengan menggunakan ARIMA juga memberikan confidence interval. Jika peramalan dilakukan jauh ke depan, maka confidence interval umumnya juga akan makin melebar. Namun tidak demikian untuk confidence interval moving average model murni. Peramalan merupakan never ending process yang berarti jika data terbaru muncul, model perlu diduga dan diperiksa kembali.
KLASIFIKASI MODEL ARIMA (skripsi dan tesis)
Metode ARIMA dibagi kedalam tiga kelompok model time series linier, yaitu autoregressive model (AR), moving average model (MA) dan model campuran yang memiliki karakteristik kedua model di atas yaitu autoregressive integrated moving average (ARIMA).
1) Autoregressive Model (AR)
Suatu persamaan linier dikatakan sebagai autoregressive model jika model tersebut menunjukkan ?? sebagai fungsi linier dari sejumlah ?? actual kurun waktu sebelumnya bersama dengan kesalahan sekarang. Bentuk model ini dengan ordo p atau AR (p) atau model ARIMA (p,d,0) secara umum adalah:
2) Moving Average Model (MA)
Berbeda dengan moving average model yang menunjukkan ?? sebagai
fungsi linier dari sejumlah ?? aktual kurun waktu sebelumnya, moving average
model menunjukkan nilai ?? berdasarkan kombinasi kesalahan linier masa lalu
(lag).
Terlihat dari model bahwa ?? merupakan rata-rata tertimbang kesalahan sebanyak q periode lalu yang digunakan untuk moving average model. Jika pada suatu model digunakan dua kesalahan masa lalu maka dinamakan moving average model tingkat 2 atau MA (2).
3) Autoregressive Integrated Moving Average (ARIMA)
Sebuah model time series digunakan berdasarkan asumsi bahwa data time series yang digunakan harus stasioner yang artinya rata-rata variasi dari data yang dimaksud konstan. Tapi hal ini tidak banyak ditemui dalam banyak data time series yang ada, mayoritas merupakan data yang tidak stasioner melainkan integrated. Data yang integrated ini harus mengalami proses random stasioner yang seringkali tak dapat dijelaskan dengan baik oleh autoregressive model saja atau moving average model saja dikarenakan proses tersebut mengandung keduanya. Oleh karena itu campuran kedua model yang disebut autoregressive integrated moving average (ARIMA) menjadi lebih efektif menjelaskan proses itu. Pada model campuran ini series stasioner merupakan fungsi linier dari nilai lampau beserta nilai sekarang dan kesalahan lampaunya. Bentuk umum model ini adalah:
Proses autoregressive integrated moving average secara umum dilambangkan dengan ARIMA (p,d,q), dimana:
Ø p menunjukkan ordo/derajat autoregressive (AR)
Ø d adalah tingkat proses differencing
Ø q menunjukkan ordo/derajat moving average (MA).
ARIMA (skripsi dan tesis)
Autoregressive Integrated Moving Average (ARIMA) atau biasa disebut dengan metode Box-Jenkins. ARIMA sangat baik ketepatannya untuk peramalan jangka pendek, yang tidak membentuk suatu model struktural baik itu persamaan tunggal atau simultan yang bebasis kepada teori ekonomi atau logika, namun dengan menganalisis probabilistik atau stokastik dari data deret waktu (time series) dengan menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat dengan mengabaikan variabel independennya. Hal ini terjelaskan dengan prinsip dari metode ini yaitu “let the data speak for themselves”.
read more
Metode peramalan dengan menggunakan ARIMA dapat kita jumpai dalam peramalan ekonomi, analisis anggaran, kontrol terhadap proses dan kualitas, analisis sensus, perubahan struktur harga industri, inflasi, indeks harga saham, perkembangan nilai tukar terhadap mata uang asing dsb.
Beberapa keuntungan yang dapat diperoleh dengan menggunakan ARIMA:
1) Merupakan model tanpa teori karena variabel yang digunakan adalah nilai-nilai lampau dan kesalahan yang mengikutinya.
2) Memiliki tingkat akurasi peramalan yang cukup tinggi karena setelah mengalami pengukuran kesalahan peramalan mean absolute error, nilainya mendekati nol.
3) Cocok digunakan untuk meramal sejumlah variabel dengan cepat, sederhana, akurat dan murah karena hanya membutuhkan data variabel yang akan diramal.
Model ARIMA menggunakan pendekatan iteratif dalam indentifikasi terhadap suatu model yang ada. Model yang dipilih diuji lagi dengan data masa lampau untuk melihat apakah model tersebut menggambarkan keadaan data secara akurat atau tidak. Suatu model dikatakan sesuai (tepat) jika residual antara model dengan titik-titik data historis bernilai kecil, terdistribusi secara acak dan bebas satu sama lainnya.
Pemilihan model terbaik dapat dilakukan dengan membandingkan distribusi koefisien-koefisien autocorrelation (otokorelasi) dari data time series tersebut dengan distribusi teoritis dari berbagai macam model.
Tahapan Metode ARIMA (Skripsi dan tesis)
Metode ARIMA menggunakan pendekatan iteratif dalam mengidentifikasi suatu model yang paling tepat dari berbagai model yang ada. Model sementara yang telah dipilih diuji lagi dengan data historis untuk melihat apakah model sementara yang terbentuk tersebut sudah memadai atau belum. Model sudah dianggap memadai apabila residual (selisih hasil peramalan dengan data historis) terdistribusi secara acak, kecil dan independen satu sama lain. Langkah-langkah penerapan metode ARIMA secara berturut-turur adalah : identifikasi model, estimasi parameter model, diagnostic checking, dan peramalan (forecasting).
a. Identifikasi model
Seperti yang dijelaskan sebelumnya bahwa model ARIMA hanya dapat diterapkan untuk deret waktu yang stasioner. Oleh karena itu, pertama kali yang harus dilakukan adalah menyelidiki apakah data yang kita gunakan sudah stasioner atau belum. Jika data tidak stasioner, yang perlu dilakukan adalah memeriksa pada pembedaan beberapa data akan stasioner, yaitu menentukan berapa nilai d. Proses ini dapat dilakukan dengan menggunakan koefisien ACF(Auto Correlation Function), atau uji akar-akar unit (unit roots test) dan derajat integrasi. Jika data sudah stasioner sehingga tidak dilakukan pembedaan terhadap data runtun waktu maka d diberi nilai 0.
Disamping menentukan d, pada tahap ini juga ditentukan berapa jumlah nilai lag residual (q) dan nilai lag dependen (p) yang digunakan dalam model. Alat utama yang digunakan untuk mengidentifikasi q dan p adalah ACF dan PACF (Partial Auto Correlation Funtion / Koefisien Autokorelasi Parsial), dan correlogram yang menunjukkan plot nilai ACF dan PACF terhadap lag.
Koefisien autokorelasi parsial mengukur tingkat keeratan hubungan antara Xt dan Xt-k sedangkan pengaruh dari time lab 1,2,3,…,k-1 dianggap konstan. Dengan kata lain, koefisien autokorelasi parsial mengukur derajat hubungan antara nilai-nilai sekarang dengan nilai-nilai sebelumnya (untuk time lag tertentu), sedangkan pengaruh nilai variabel time lab yang lain dianggap konstan. Secara matematis, koefisien autokorelasi parsial berorde m didefinisikan sebagai koefisien autoregressive terakhir dari model AR(m)
Estimasi
Setelah menetapkan model sementara dari hasil identifikasi, yaitu menentukan nilai p, d, dan q, langkah berikutnya adalah melakukan estimasi paramater autoregressive dan moving average yang tercakup dalam model (Firmansyah, 2000). Jika teridentifikasi proses AR murni maka parameter dapat diestimasi dengan menggunakan kuadrat terkecil (Least Square). Jika sebuah pola MA diidentifikasi maka maximum likelihood atau estimasi kuadrat terkecil, keduanya membutuhkan metode optimisasi non-linier(Griffiths, 1993), hal ini terjadi karena adanya unsur moving average yang menyebabkan ketidak linieran parameter (Firmansyah, 2000). Namun, saat ini sudah tersedia berbagai piranti lunak statistik yang mampu menangani perhitungan tersebut sehingga kita tidak perlu khawatir mengenai estimasi matematis.
- Diagnostic Checking
Setelah melakukan estimasi dan mendapatkan penduga paramater, agar model sementara dapat digunakan untuk peramalan, perlu dilakukan uji kelayakan terhadap model tersebut. Tahap ini disebut diagnostic checking, dimana pada tahap ini diuji apakah spesifikasi model sudah benar atau belum. Pengujian kelayanan ini dapat dilakukan dengan beberapa cara.
(1) Setelah estimasi dilakukan, maka nilai residual dapat ditentukan. Jika nilai-nilai koefisien autokorelasi residual untuk berbagi time lag tidak berbeda secara signifikan dari nol, model dianggap memadai untuk dipakai sebagai model peramalan.
(2) Menggunakan statistik Box-Pierce Q, yang dihitung dengan formula :
(3) Menggunakan varian dari statistik Box-Pierce Q, yaitu statistik Ljung-Box(LB), yang dapat dihitung dengan :
Sama seperti Q statistik, statistik LB mendekati c2 kritis dengan derajat kebebasan m. Jika statistik LB lebih kecil dari nilai c2 kritis, maka semua koefisien autokorelasi dianggap tidak berbeda dari nol, atau model telah dispesifikasikan dengan benar. Statistik LB dianggap lebih unggul secara statistik daripada Q statistik dalam menjelaskan sample kecil.
(4) Menggunakan t statistik untuk menguji apakah koefisien model secara individu berbeda dari nol. Apabila suatu variabel tidak signifikan secara individu berarti variabel tersebut seharusnya dilepas dari spesifikasi model lain kemudian diduga dan diuji. Jika model sementara yang dipilih belum lolos uji diagnostik, maka proses pembentukan model diulang kembali. Menemukan model ARIMA yang terbaik merupakan proses iteratif.
- Peramalan (forecasting)
Setelah model terbaik diperoleh, selanjutnya peramalan dapat dilakukan. Dalam berbagai kasus, peramalan dengan metode ini lebih dipercaya daripada peramalan yang dilakukan dengan model ekonometri tradisional. Namun, hal ini tentu saja perlu dipelajari lebih lanjut oleh para peneliti yang tertarik menggunakan metode serupa.
Berdasarkan ciri yang dimilikinya, model runtun waktu seperti ini lebih cocok untuk peramalan dengan jangkauan sangat pendek, sementara model struktural lebih cocok untuk peramalan dengan jangkauan panjang (Mulyono, 2000 dalam Firmansyah, 2000)
Stasioneritas Data Dalam Arima (skripsi dan tesis)
Data yang tidak stasioner memiliki rata-rata dan varian yang tidak konstan sepanjang waktu. Dengan kata lain, secara ekstrim data stasioner adalah data yang tidak mengalami kenaikan dan penurunan. Selanjutnya regresi yang menggunakan data yang tidak stasioner biasanya mengarah kepada regresi lancung. Permasalahan ini muncul diakibatkan oleh variabel (dependen dan independen) runtun waktu terdapat tren yang kuat (dengan pergerakan yang menurun maupun meningkat). Adanya tren akan menghasilkan nilai R2 yang tinggi, tetapi keterkaitan antar variabel akan rendah (Firmansyah, 2000).
Model ARIMA mengasumsikan bahwa data masukan harus stasioner. Apabila data masukan tidak stasioner perlu dilakukan penyesuaian untuk menghasilkan data yang stasioner. Salah satu cara yang umum dipakai adalah metode pembedaan (differencing). Metode ini dilakukan dengan cara mengurangi nilai data pada suatu periode dengan nilai data periode sebelumnya.
Untuk keperluan pengujian stasioneritas, dapat dilakukan dengan beberapa metode seperti autocorrelation function (correlogram), uji akar-akar unit dan derajat integrasi.
- Pengujian stasioneritas berdasarkan correlogram
Suatu pengujian sederhana terhadap stasioneritas data adalah dengan menggunakan fungsi koefisien autokorelasi (autocorrelation function / ACF). Koefisien ini menunjukkan keeratan hubungan antara nilai variabel yang sama tetapi pada waktu yang berbeda. Correlogram merupakan peta / grafik dari nilai ACF pada berbagai lag. Secara matematis rumus koefisien autokorelasi adalah (Sugiharto dan Harijono, 2000:183) :
Untuk menentukan apakah nilai koefisien autokorelasi berbeda secara statistik dari nol dilakukan sebuah pengujian. Suatu runtun waktu dikatakan stasioner atau menunjukkan kesalahan random adalah jika koefisien autokorelasi untuk semua lag secara statistik tidak berbeda signifikan dari nol atau berbeda dari nol hanya untuk berberapa lag didepan.
Suatu koefisien autokorelasi disimpulkan tidak berbeda secara signifikan dari nol apabila nilainya berada diantara rentang tersebut dan sebaliknya. Apabila koefisien autokorelasi berada diluar rentang, dapat disimpulkan koefisien tersebut signifikan, yang berarti ada hubungan signifikan antara nilai suatu variabel dengan nilai variabel itu sendiri dengan time lag 1 periode.
Pengertian ARIMA (skripsi dan tesis)
Teknik analisis data dengan metode ARIMA dilakukan karena merupakan teknik untuk mencari pola yang paling cocok dari sekelompok data (curve fitting), dengan demikian ARIMA memanfaatkan sepenuhnya data masa lalu dan sekarang untuk melakukan peramalan jangka pendek yang akurat (Sugiarto dan Harijono, 2000). ARIMA seringkali ditulis sebagai ARIMA (p,d,q) yang memiliki arti bahwa p adalah orde koefisien autokorelasi, d adalah orde / jumlah diferensiasi yang dilakukan (hanya digunakan apabila data bersifat non-stasioner) (Sugiharto dan Harijono, 2000) dan q adalah orde dalam koefisien rata-rata bergerak(moving average).
Penaksiran Parameter Dalam Arima (skripsi dan tesis)
Ada dua cara yang mendasar untuk mendapatkan parameter-parameter tersebut: a. Dengan cara mencoba-coba (trial and error), menguji beberapa nilai yang berbeda dan memilih satu nilai tersebut (atau sekumpulan nilai, apabila terdapat lebih dari satu parameter yang akan ditaksir) yang meminimumkan jumlah kuadrat nilai sisa (sum of squared residual). b. Perbaikan secara iteratif, memilih taksiran awal dan kemudian membiarkan program komputer memperhalus penaksiran tersebut secara iteratif.
Musiman dan Model ARIMA (skripsi dan tesis)
Musiman didefinisikan sebagai suatu pola yang berulang-ulang dalam selang waktu yang tetap. Untuk data yang stasioner, faktor musiman dapat ditentukan dengan mengidentifikasi koefisien autokorelasi pada dua atau tiga time-lag yang berbeda nyata dari nol. Autokorelasi yang secara signifikan berbeda dari nol menyatakan adanya suatu pola dalam data. Untuk mengenali adanya faktor musiman, seseorang harus melihat pada autokorelasi yang tinggi. Untuk menangani musiman, notasi umum yang singkat adalah: ARIMA (p,d,q) (P,D,Q) S Dimana (p,d,q) = bagian yang tidak musiman dari model (P,D,Q) = bagian musiman dari model S = jumlah periode per musim
Stasioneritas dan Nonstasioneritas Dalam ARIMA (skripsi dan tesis)
Hal yang perlu diperhatikan adalah bahwa kebanyakan deret berkala bersifat nonstasioner dan bahwa aspek-aspek AR dan MA dari model ARIMA hanya berkenaan dengan deret berkala yang stasioner. Stasioneritas berarti tidak terdapat pertumbuhan atau penurunan pada data. Data secara kasarnya harus horizontal sepanjang sumbu waktu. Dengan kata lain, fluktuasi data Tahap 1 : Identifikasi Tahap 2 : Penaksiran dan Pengujian Tahap 3 : Penerapan Rumuskan kelompok modelmodel yang umum Penetapan model untuk sementara Penaksiran parameter pada model sementara Pemeriksaan diagnosa (apakah model memadai) Gunakan model untuk peramalan tidak ya berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu dan varians dari fluktuasi tersebut pada pokoknya tetap konstan setiap waktu. Suatu deret waktu yang tidak stasioner harus diubah menjadi data stasioner dengan melakukan differencing. Yang dimaksud dengan differencing adalah menghitung perubahan atau selisih nilai observasi. Nilai selisih yang diperoleh dicek lagi apakah stasioner atau tidak. Jika belum stasioner maka dilakukan differencing lagi. Jika varians tidak stasioner, maka dilakukan transformasi logaritma
Prinsip Dasar ARIMA (skripsi dan tesis)
Prinsip Dasar ARIMA sering juga disebut metode runtun waktu Box-Jenkins. ARIMA sangat baik ketepatannya untuk peramalan jangka pendek, sedangkan untuk peramalan jangka panjang ketepatan peramalannya kurang baik. Biasanya akan cenderung flat (mendatar/konstan) untuk periode yang cukup panjang. Model Autoregresif Integrated Moving Average (ARIMA) adalah model yang secara penuh mengabaikan independen variabel dalam membuat peramalan. ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika observasi dari deret waktu (time series) secara statistik berhubungan satu sama lain (dependent)
Pengukuran Kesalahan Prakiraan (skripsi dan tesis)
2.6.1 Rata-rata kesalahan (average/mean error)
Kesalahan atau error menunjukkan besar selisih antara nilai aktual
dengan nilai yang diramalkan, et = Xt – Ft . Maka nilai kesalhan dapat
bernilai positif ataupun negatif. Bernilai negatif apabila nilai prakiraan
melebihi dari nilai aktual dan bernilai positif apabila nilai prakiraan
lebih kecil dari yang aktual.
Namun mean error sulit untuk menentukan kesalahan error secara
keseluruhan, karena penjumlahan nilai positif dan negatif akan saling
melemahkan dan dapat menambah kesalahan.
2.6.2 Mean Absolute Deviation (MAD)
Berbeda dengan mean error, pada mean absolute deviation nilai
kesalahan dari prakiraan dengan aktual diubah kedalam nilai mutlak
positif. Hal ini bertujuan untuk mengantisipasi adanya nilai positif dan
negatif yang akan saling melemahkan atau menambah perhitungan
kesalahan pada penjumlahan dengan begitu akan didapat berapa besar
nilai penyimpangan dari hasil prakiraan.
2.6.3 Mean Percentage Error (MPE) dan Mean Absolute Percentage Error
(MAPE) MPE adalah rata-rata dari presentase kesalahan (selisih nilai
aktual dan prakiraan).
Sedangkan MAPE juga merupakan nilai rata-rata kesalahan, namun
memberikan nilai absolute pada selisih nilai aktual dengan nilai hasil
prakiraan. MAPE merupakan nilai indikator yang biasa digunakan
untuk menunjukkan performance atau keakuratan pada hasil proses
prakiraan.
Model Seasonal ARIMA (Autoregressive integrated moving average)
Pemodelan ARIMA merupakan metode yang fleksibel untuk
berbagai macam data deret waktu, termasuk untuk menghadapi
fluktuasi data musiman. Secara umum, model seasonal ARIMA
dituliskan dengan notasi ARIMA (p,d,q)(P,D,Q) s
, yaitu dengan (p,d,q) bagian tidak musiman dari model, (P,D,Q) bagian musiman
dari model dan s merupakan jumlah periode per musim.
Penerapan metode ARIMA adalah dengan menggunakan
pendekatan metode Box-Jenkins, yaitu tahapan-tahapan yang
diperlukan dalam menentukan parameter ARIMA serta pengujiannya
sebelum akhirnya digunakan sebagai model prakiraan selama
beberapa waktu ke depan. Tahapan dalam pnegolahan diuraikan sebagai berikut:
- Tahap Identifikasi
Tahap identifikasi merupakan suatu tahapan yang digunakan
untuk mencari atau menentukan nilai p,d dan q dengan bantuan
autocorrelation function (ACF) atau fungsi autokorelasi dan partial
autocorrelation function (PACF) atau fungsi autokorelai parsial.
2. Tahap Estimasi
Tahap berikutnya setelah p dan q ditentukan adalah dengan
mengestimasi parameter AR dan MA yang ada pada model. Estimasi ini
bisa menggunakan teknik kuadrat terkecil sederhana maupun dengan
metode estimasi tidak linier. Pada tahap estimasi ini, teknik perhitungan
secara matematis relatif kompleks, sehingga pada umumnya para peneliti
menggunakan bantuan software yang menyediakan fasilitas
perhitungannya seperti Minitab, SPSS dan EViews .
3. Tahap Tes Diagnostik
Model yang telah melewati uji signifikasi parameter dalam tahapn
estimasi, kemudian akan dilakukan uji diagnostik untuk meyakinkan
apakah spesifikasi modelnya telah benar. Jika residualnya ternyata white
noise , maka modelnya sudah baik. Bila residualnya tidak white noise
maka modelnya dapat dikatakan tidak tepat dan perlu dicari spesifikasi
yang lebih baik. Untuk melakukan uji diagnostik, tahapannya adalah:
a. Estimasi model ARIMA (p,d,q)
b. Hitung residual dari model tersebut
c. Hitung ACF dan PACF dari residual
d. Uji apakah ACF dan PACF signifikan. Bila ACF dan PACF tidak
signifikan, ini merupakan indikasi bahwa residual merupakam white
noise yang artinya model telah cocok.
4. Tahap Prakiraan
Tahap prakiraan ini dilakukan setelah modelnya lolos tes
diagnostik. Prakiraan ini sesungguhnya merupakan penjabaran dari
persamaan berdasarkan koefisien-koefisien yang didapat, sehingga kita
dapat menentukan kondisi di masa yang akan datang.
Autoregressive integrated moving average (ARIMA) (skripsi dan tesis)
ARIMA sering juga disebut metode runtun waktu Box-Jenkins.
ARIMA sangat baik ketepatannya untuk prakiraan jangka pendek,
sedangkan untuk prakiraan jangka panjang ketepatan prakiraannya
kurang baik. Biasanya akan cenderung mendatar/konstan untuk
periode yang cukup panjang. ARIMA dapat diartikan sebagai
gabungan dari dua model, yaitu model autoregressive (AR) yang di
integrasikan dengan model Moving Average (MA). Model ARIMA
umumnya dituliskan dengan notasi ARIMA (p,d,q). P adalah derajat
proses AR, d adalah orde pembedaan dan q adalah derajat proses
MA (Nachrowi, 2006).
Model ARIMA adalah model yang secara penuh mengabaikan
independen variabel dalam membuat prakiraan. ARIMA
menggunakan nilai masa lalu dan sekarang dari variabel dependen
untuk menghasilkan prakiraan jangka pendek yang akurat. ARIMA
cocok jika observasi deret waktu (time series) secara statistik
berhubungan satu sama lain (dependent).
Auto Corelation Function (ACF) dan Partial Auto Corelation Function (PACF) (skripsi dan tesis)
Identifikasi model untuk pemodelan data deret waktu memerlukan
perhitungan perhitungan dan penggambaran dari hasil fungsi autokorelasi
(ACF) dan fungsi autokorelasi parsial (PACF). Hasil perhitungan ini
diperlukan untuk menentukan model ARIMA yang sesuai, apakah ARIMA
(p,0,0) atau AR (p), ARIMA (0,0,q) atau MA (q), ARIMA (p,0,q) atau
ARMA (p,q), ARIMA (p,d,q). Sedangkan untuk menentukan ada atau
tidaknya nilai d dari suatu model, ditentukan oleh data itu sendiri. Jika
bentuk datanya stasioner, d bernilai 0, sedangkan jika bentuk datanya tidak
stasioner, nilai d tidak sama dengan 0 (d > 0).
Korelasi merupakan hubungan antara satu variabel dengan variabel
lainnya. Nilai korelasi dinyatakan oleh koefisien yang nilainya bervariasi
antara +1 hingga -1. Nilai koefisien tersebut menyatakan apa yang akan
terjadi pada suatu variabel jika terjadi perubahan pada variabel lainnya.
Nilai koefisien yang bernilai positif menunjukkan hubungan antar variabel
yang bersifat positif, yakni jika satu variabel meningkat nilainya, variabel
lainnya juga akan meningkat nilainya. Sedangkan nilai koefisien yang
bernilai negatif menunjukkan hubungan antar variabel yang bersifat
negatif, yakni jika satu variabel meningkat nilainya, variabel lainnya akan
menurun nilainya, dan sebaliknya. Bila suatu koefisien bernilai nol, berarti
antar variabel-variabel tersebut tidak memiliki hubungan, yakni jika terjadi
peningkatan/penurunan terhadap suatu variabel, variabel lainnya tidak
akan terpengaruh oleh perubahan nilai tersebut.
Koefisien autokorelasi memiliki makna yang hampir sama dengan
koefisien korelasi, yakni hubungan antara dua/lebih variabel. Pada
korelasi, hubungan tersebut merupakan dua variabel yang berbeda pada
waktu yang sama, sedangkan pada autokorelasi, hubungan tersebut
merupakan dua variabel yang sama dalam rentang waktu yang berbeda.
Autokorelasi dapat dihitung menggunakan fungsi autokorelasi (Auto
Correlation Function). Fungsi autokorelasi digunakan untuk melihat
apakah ada Moving Average (MA) dari suatu deret waktu, yang dalam
persamaan ARIMA direpresentasikan oleh besaran q. Besar nilai q
dinyatakan sebagai banyaknya nilai ACF sejak lag 1 hingga lag ke-k
secara berurut yang terletak di luar kepercayaan Z. Jika terdapat sifat MA,
q pada umumnya bernilai 1 atau 2, sangat jarang ditemui suatu model
dengan nilai q lebih dari 2.
Nilai d, sebagai derajat pembeda (differencing) untuk menentukan
stasioner atau tidaknya suatu deret waktu, juga ditentukan dari nilai ACF.
Bila ada nilai-nilai ACF setelah time lag ke-k untuk menentukan nilai q
berada di luar selang kepercayaan Z, maka deret tersebut tidak stasioner,
sehingga nilai d tidak sama dengan nol (d > 0), biasanya antara 1 dan 2,
sedangkan bila nilai-nilai ACF tersebut berada dalam selang kepercayaan
Z, maka deret tersebut dapat dibilang stasioner, sehingga nilai d sama
dengan 0 (d = 0).
Autokorelasi parsial digunakan untuk mengukur derajat asosiasi antara
Yt dan Yt-k ketika efek dari rentang/jangka waktu (time lag) dihilangkan.
Seperti ACF, nilai PACF juga berkisar antara +1 dan -1. PACF pada
umumnya digunakan untuk mengidentifikasi ada atau tidaknya sifat AR
(autoregressive), yang dinotasikan dengan besaran p. Jika terdapat sifat
AR, pada umumnya nilai PACF bernilai 1 atau 2, jarang ditemukan sifat
AR dengan nilai p lebih besar dari 2. Untuk menentukan besar nilai p yang
menyatakan derajat AR, diperlukan perbandingan nilai PACF pada selang
kepercayaan Z. Nilai p dinyatakan dengan banyaknya nilai PACF sejak lag
1 hingga lag ke-k yang terletak di luar selang kepercayaan secara berturutturut.
Moving Average (MA) (skripsi dan tesis)
Model lain dari model ARIMA adalah moving average yang
dinotasikan dalam MA (q) atau ARIMA (0,0,q) yang ditulis dalam
persamaan berikut :
Ž t = at – θ1 at-1 – θ2 at-2 – – … – θq at-q
Sumber: Box-Jenkins, 2008
Keterangan:
θq = parameter Moving Average
et = White noise / error atau unit residual
e t-1 – e t-2 – e t-3 – … – e t-q = selisih nilai aktual dengan nilai prakiraan
Persamaan diatas menunjukkan bahwa nilai Žt tergantung nilai
error sebelumnya dari pada nilai variabel itu sendiri. Untuk melakukan
pendekatan antara proses autoregressive dan moving average diperlukan
pengukuran autokorelasi antara nilai berturut-turut dari Žt sedangkan model
moving average mengukur autokorelasi antara nilai error atau residual.
Contoh untuk model moving average apabila nilai q= 2, θ 1 = 0.5 dan θ 2 =
-0.25, model prakiraan q = 2 atau MA untuk Žt adalah Žt = 0.5e t-1 – 0.25 at-2
dimana at adalah nilai acak yang tidak dapat diprediksi oleh model.
Autoregressive Model (AR) (skripsi dan tesis)
Model autoregressive dengan ordo AR (p) atau model ARIMA (p,0,0)
dinyatakan sebagai berikut :
Ž t = Ø1 Ž t-1 + Ø2 Ž t-2 + … + Øp Ž t-p +at
Keterangan:
Øp = parameter autoregressive ke-p
at = White Noise nilai kesalahan pada saat t
Ž t-p = independen variabel
Sumber: Box-Jenkins, 2008
Variabel independen merupakan deretan nilai dari variabel yang sejenis
dalam beberapa periode t terakhir. Sedangkan at adalah eror atau unit
residual yang menggambarkan gangguan acak yang tidak dapat dijelaskan
oleh model. Perhitungan autoregressive dapat dilakukan dalam proses
sebagai berikut:
1. Menentukan model yang sesuai dengan deret waktu.
2. Menentukan nilai orde p (menentukan panjangnya persamaan yang
terbentuk)
3. Mengestimasikan nilai koefiensi autoregressive Ø1, Ø2, Ø3, ….. , Øk
Setelah mendapatkan model yang sesuai, maka model dapat
digunakan untuk memprediksi nilai ramal di masa mendatang. Sebagai
contoh bila didapatkan nilai p= 2 dan Ø1 = 0.6, Ø2 = 0.35, Ø3 = -0.26,
maka model autorgressive adalah sebagai berikut.
Ž t = 0.6 X t-1 + 0.35X t-2 – 0.26X t-3 + at
Model tersebut digunakan sebagai persamaan matematis untuk
menentukan nilai Ž t prediksi yang akan datang
Istilah Dalam Analisis Deret Waktu (skripsi dan tesis)
Ada beberapa istilah yang sering ditemui dalam analisis deret waktu atau
time series analysis :
1. Stasioneritas, berarti tidak ada kenaikan atau penurunan data, yang
merupakan asumsi yang sangat penting dalam suatu analisa deret
waktu. Bila tidak terdapat perubahan pada tren deret waktu maka dapat
disebut stasioner. Maksudnya, rata-rata deret pengamatan di sepanjang
waktu selalu konstan. Apabila suatu data tidak stasioner maka
diperlukan differensiasi pada data tersebut. Yang dimaksud
Differensiasi disini adalah menghitung perubahan atau selisih nilai data
yang diobservasi. Bila data masih belum stasioner maka perlu
didifferensiasi lagi hingga stasioner.
2. Autocerrelation Function (ACF), merupakan korelasi antar deret
pengamatan suatu deret waktuyang disusun dalam plot setiap lag.
3. Partial Autocerrelation Function (PACF), merupakan korelasi antar
deret pengamantan dalam lag-lag pengamatan yang mengukur keeratan
antar pengamatan suatu deret waktu.
4. Cross corelation, untuk mengukur korelasi antart deret waktu, tetapi
korelasi yang diukur adalah korelasi dari dua deret waktu.
5. Proses white noise, merupakan proses stasioner suatu data deret waktu
yang didefinisikan sebagai deret variabel acak yang independen, tidak
berkorelasi, identik, dan terdistribusi.
6. Analisis trend, analisis ini digunakan untuk menaksir model trend
suatu data deret waktu. Ada beberapa model analisis tren, antara lain
model linier, kuadratik, eksponensial, pertumbuhan atau penurunan,
dan model kurva S. Analisis tren digunakan apabila deret waktu tidak
ada komponen musiman.
Model Time Series Analysis (skripsi dan tesis)
Model time series adalah pendugaan masa depan dilakukan berdasarkan
nilai masa lalu dari suatu variable atau kesalahan masa lalu. Tujuan model
time series seperti itu adalah menemukan pola dalam deret data historis dan
mengekstrapolasikan pola tersebut ke masa depan. (Makridakis, 1995)
Ketika sebuah deret waktu digambarkan atau diplot, akan terlihat suatu
pola-pola tertentu. Pola-pola tersebut dapat dijelaskan oleh banyaknya
kemungkinan hubungan sebab-akibat. Beberapa pola dari data deret waktu
adalah sebagai berikut:
1. Pola acak (random) atau pola horizontal, dihasilkan oleh banyak
pengaruh independen yang menghasilkan pola non-sistematik dan tidak
berulang dari beberapa nilai rataan. Pola acak terjadi karena data yang
diambil tidak dipengaruhi oleh faktor-faktor khusus sehingga pola
menjadi tidak menentu dan tidak dapat diperkirakan secara biasa.
2. Pola tren (trend), peningkatan atau penurunan secara umum dari deret
waktu yang terjadi selama beberapa periode tertentu. Trend disebabkan
oleh perubahan jangka panjang yang terjadi disekitar faktor-faktor yang
mempengaruhi data deret waktu. Pola perkembangan data ini membentuk
karakteristik yang mendekati garis linier. Gradien yang naik atau turun
menunjukkan peningkatan atau pengurangan nilai data sesuai dengan
waktu.
3. Pola musiman (seasonal), dihasilkan oleh kejadian yang terjadi secara
musiman atau periodik (contoh: iklim, liburan, kebiasaan manusia).
Suatu periode musim dapat terjadi tahunan, bulanan, harian dan untuk
beberapa aktivitas bahkan setiap jam. Pola ini terbentuk karena adanya
pola kebiasaan dari data dalam suatu periode kecil sehingga grafik yang
dihasilkan akan serupa jangka waktu tertentu berulang-ulang.
4. Pola siklis, biasanya dihasilkan oleh pengaruh ekspansi ekonomi dan
bisnis dan kontraksi (resesi dan depresi). Pengaruh siklis ini sulit
diprakirakan karena pengaruhnya berulang tetapi tidak periodik. Pola ini
masih terus dikembangkan dan diteliti lebih lanjut pemodelannya
sehingga dapat diperoleh hasil yang tepat.
5. Pola autokorelasi, nilai dari sebuah deret pada satu periode waktu
berhubungan dengan nilai itu sendiri dari periode sebelumnya. Dengan
autokorelasi, ada suatu korelasi otomatis antar pengamatan dalam sebuah
deret. Autokorelasi merupakan hasil dari pengaruh luar dalam skala besar
dan pengaruh sistematik lainnya seperti trend dan musiman.
Jenis data (skripsi dan tesis)
Data merupakan hasil pencatatan peneliti, baik berupa fakta ataupun angka
(S. Arikunto, 2006). Ada beberapa jenis pembagian data menurut J. Supranto,
diantaranya:
1. Menurut Sifatnya
a. Data kualitatif, ialah data yang tidak berbentuk angka. Misalnya penjualan
merosot, produksi meningkat (tanpa menunjukkan angkanya), para
karyawan suatu perusahaan resah, pasaran tekstil sepi, dia orang kaya,
harga daging mahal, rakyat suatu negara makmur, keamanan mantap,
tertib, harga stabil, dan lain sebagainya.
b. Data kuantitatif, ialah data yang berbentuk angka. Misalnya produksi beras
30 juta ton, produksi minyak naik 10%, karyawan yang resah hanya 5%,
kekayaan orang tersebut bernilai Rp 850.000.000,00 , harga daging per kg
Rp 2000, pendapatan per kapita penduduk suatu negara US $6000 per
tahun, penjualan mencapai 500 juta, dan sebagainya.
2. Menurut sumber data
a. Data internal, ialah data yang menggambarkan keadaan dalam suatu
organisasi (misalnya : suatu perusahaan, departemen, negara). Data
internal suatu perusahaan meliputi data tenaga kerja, data keuangan, data
peralatan/mesin, data kebutuhan bahan mentah, data produksi, data hasil
penjualan ; suatu departemen antara lain meliputi : data kepegawaian data
peralatan, data keuangan dan lain sebagainya; suatu negara meliputi data
penduduk, data pendapatan nasional, data keuangan negara, data
konsumsi, data eksport dan import, data investasi dan lain sebagainya.
Pada dasarnya data internal meliputi data input dan output suatu
organisasi, sebab suatu organisasi yang dibentuk pasti bertujuan untuk
menghasilkan produksi dan jasa (output). Pimpinan atau kepala suatu
organisasi harus mengelola input secara efisien dan efektif untuk
mencapai output yang optimum.
b. Data eksternal, ialah data yang menggambarkan keadaan di luar suatu
organisasi. Kehidupan suatu perusahaan misalnya dipengaruhi oleh faktorfaktor yang berasal baik dari dalam maupun dari luar perusahaan tersebut.
Data menggambarkan faktor-faktor yang mungkin mempengaruhi
kehidupan perusahaan antara lain daya beli masyarakat, selera masyarakat,
konsumsi listrik masyarakat, saingan dari barang sejenis baik dari impor
maupun produksi domestik, perkembangan harga, dan keadaan
perekonomian pada umumnya. Juga kehidupan suatu negara dipengaruhi
oleh kejadian-kejadian yang terjadi di luar negara tersebut seperti krisis
moneter, krisis energi, perang teluk, dan sebagainya.
3. Menurut cara memperolehnya
a. Data primer, ialah data yang dikumpulkan langsung dari obyeknya dan
diolah sendiri oleh suatu organisasi atau perorangan. Misalnya data
konsumsi listrik oleh PLN, suatu perusahaan mendatangi para ibu rumah
tangga menanyakan tentang banyaknya permintaan sabun, tapal gigi, dan
lain sebagainya. Departemen perdagangan mengumpulkan harga langsung
dari pasar, biro pusat statistik mengumpulkan data industri langsung
mendatangi perusahaan kemudian mengolahnya.
b. Data sekunder, ialah data yang diperoleh oleh suatu organisasi atau
perusahaan dalam bentuk yang sudah jadi berupa publikasi. Suatu
departemen atau perusahaan memperoleh data penduduk, pendapatan
nasional, indeks harga konsumen dari biro pusat statistik dan data
perbangkan dari Bank Indonesia.
4. Menurut waktu pengumpulannya
a. Data cross section, ialah data yang dikumpulkan pada suatu waktu
tertentu untuk menggambarkan keadaan pada waktu tersebut. Misalnya
pendapatan nasionl tahun 1991 menggambarkan keadaan pendapatan
tingkat nasional pada tahun 1991, produksi dan penjualan suatu
perusahaan tahun 1992 menggambarkan keadaan produksi dan penjualan
tahun 1992, data beban listrik area Semarang 2014 yang menyatakan
konsumsi listrik secara total di daerah Semarang pada tahun 2014 dan
lain sebagainya.
b. Data berkala (time series), ialah data yang dikumpulkan dari waktu ke
waktu untuk menggambarkan perkembangan/pertumbuhan. Data
produksi semen Cibinong dari tahun 1974 s/d 1992 , data pemakaian
listrik dari tahun 2010 s/d 2014 menggambarkan perkembangan tingkat
konsumsi listrik selama 4 tahun.
Laporan Keuangan Bank Umum (skripsi dan tesis)
Pengertian dan Fungsi Bank Umum (skripsi dan tesis)
Pengertian bank menurut UU No.7 Tahun 1992 tentang Perbankan
sebagaimana telah diubah dengan UU No. 10 Tahun 1998 adalah:
a. Bank adalah badan usaha yang menghimpun dana dari masyarakat
dalam bentuk simpanan dan menyalurkannya kepada masyarakat dalam
bentuk kreditdan atau bentuk-bentuk lainnyadalam rangka meningkatlan
taraf hidup rakyat banyak
b. Bank Umum adalah bank yang melaksanakan kegiatan usaha secara
konvensional dan atau berdasarkan prinsip syariah yang dalam
kegiatannya memberikan jasa dalam lau lintas pembayaran.
Kegiatan usaha yang dapat dilakukan oleh bank umum menurut UU No.7
Tahun 1992 sebagaimana telah diubah dengan UU No.10 Tahun 1998
tentang Perbankan adalah sebagai berikut:
a. Menghimpun dana dari masyarakat dalam bentuk simpanan berupa giro,
deposito berjangka, sertifikat deposito, tabungan, dan/atau bentuk
lainnya yang dipersamakan dengan itu.
b. Memberikan kredit
c. Menerbitkan surat pengakuan utang
d. Membeli, menjual atau menjamin atas risko sendiri maupun untuk
kepentingan dan atas perintah nasabahnya
e. Memindahkan uang baik untuk kepentingan sendiri maupun untuk
kepentingan nasabahnya
14
f. Menempatkan dana pada, menjamin dana dari, atau meminjamkan dana
kepada bank lain, baik dengan menggunakna surat, saran telekomunikasi
maupun dengan wesel unjuk, cek atau sarana lainnya
g. Menerima pembayaran dari tagihan atas surat berharga dan melakukan
perhitungan dengan atau antara pihak ketiga
h. Menyediakan tempat untuk menyimpan barang dan surat berharga
i. Melakukan kegiatan penitipan utnuk kepentingan pihak lain berdasarkan
suatu kontrak
j. Melakukan penempatan dana dari nasabah kepada nasabah lainnya
dalam bentuk surat berharga yang tidak tercatat di bursa efek
k. Melakukan kegiatan anjak piutang, usaha kartu kredit dan kegiatan wali
amanat
l. Menyediakam pembiayaan dan atau melakukan kegiatan lain
berdasarkan prinsip syariah, sesuai dengan ketentuan yang ditetapkan
oleh Bank Indonesia
m. Melakukan kegiatan lain, misalnya: kegiatan dalam valuta asing;
melakukan penyertaan modal pada bank atau perusahaan lain di bidang
keuangan seperti: sewa guna usaha, modal ventura, perusahaan efek, dan
asuransi; dan melaukan penyertaan modal sementara untuk mengatasi
akibat kegagalan kredit.
n. Kegiatan lain yang lazin dilakukan oleh bank sepanjang tidak
bertentangan dengan undang-undang.
Konsep Input dan Output Dalam Pengukuran Efisiensi Perbankan (skripsi dan tesis)
Hadad et.al (2003) dalam P. Prapanca (2012) menyebutkan bahwa
konsep-konsep yang digunakan dalam mendefinisikan hubuungan input
dan output dalam tingkah laku institusi keuangan pada metode
parametrik dan non-parametrik adalah (i) pendekatan produksi (the
production approach), (ii) pendekatan intermediasi (the intermediation
approach) dan (iii) pendekatan aset (the assets approach).
Pendekatan produksi (the production approach) melihat institusi
keuangan sebagai produser dari akun deposit dan kredit pinjaman,
mendefinisikan output sebagai jumlah dari akun-akun tersebut atau dari
transaksi-transaksi yang terkait. Pendekatan intermediasi (the
intermediation approach) memandang sebuah institusi keuangan sebagai
intermediator, yaitu merubah dan mentransfer aset-aset finansial dari
unit-unit surplus ke unit-unit defisit. Pendekatan aset (the assets
approach) memperlihatkan fungsi primer sebuah institusi keuangan
sebagai pencipta kredit pinjaman (loans) dimana output benar-benar
mendefinisikan dalam bentuk aset-aset. Pendekatan aset mengukur
kemampuan perbankan dalam menanamkan dana dalam bentuk kredit,
surat-surat berharga dan alternatif aset lainnya sebagai output. Sedangkan
input diukur dari harga tenaga kerja, harga dana dan harga fisik modal.
Menurut Berger & Humphrey (1997) dalam F. Maharani (2012)
terdapat dua pendekatan yang digunakan untuk menghitung efisiensi oleh
sebuah institusi keuangan, yaitu: (i) production approach (ii)
intermediation approach. Production approach merupakan suatu
pendekatan dengan aktivitas utama suatu institusi keuangan adalah
menghasilkan dan memproduksi jasa-jasa bagi para nasabahnya.Kinerka
institusi keuangan tersebut bagi pada nasabahnya adalah melakukan
transaksi dan memproses dokumen-dokumen seperti aplikasi kredit,
laporan kredit, cek atau instrumen pembayaran lainnya. Inilah yang
diukur sebagai input. Sedangkan output dalam pendekatan ini diukur dari
jumlah dan tipe transksi serta dokumen yang di proses pada periode
tertentu. Intermediation approach diartikan sebagai aktivitas utama suatu
intitusi keuangan, yaitu sebagai intermediator antara investor dengan
savers.
Menurut Wahab, Hosen dan Muhari (2014) konsep pengukuran
efisiensi dapat dilihat baik dengan fokus pada sisi input (input oriented)
maupun fokus pada sisi output (output oriented). Kedua pendekatan ini
analog dengan konsep primal dan dual dalam teknik operations research,
sehingga keduapendekatan ini secara konsisten akan menghasilkan
kesimpulan yang samatentang efisiensi relatif sebuah perusahaan
terhadap sekawannya. Berikut iniadalah ikhtisar tentang kedua
pendekatan ukuran efisiensi tersebut (Abidin dan Endri, 2009):
1. Pendekatan Input
Pendekatan sisi input menunjukkan berapa banyak kuantitas input bias
dikurangi secara proporsional untuk memproduksi kuantitas output yang
sama. Untuk pendekatan sisi input diasumsikan sebuah perusahaan
menggunakan dua jenis input, yaitu x1 dan x2, untuk memproduksi satu
jenis output (y) dengan asumsi constant returns to scale (CRS). Asumsi
constant returns to scale (CRS) maksudnya adalah jika kedua jenis input,
x1 dan x2, ditambah dengan jumlah persentase tertentu maka output juga
akan meningkat dengan persentase yang sama
2. Pendekatan Output
Pendekatan sisi output berlawanan dengan pendekatan sisi input,
pendekatan sisi output menunjukkan berapa banyak kuantitas output
dapat ditingkatkan secara proporsional dengan kuantitas input yang sama.
Asumsikan sebuah perusahaan dengan 2 jenis output (y1 dan y2) dan 1
jenis input (x) dengan asumsi constant returns to scale (CRS).
Model DEA (skripsi dan tesis)
a. Model CCR (Charnes, Cooper, and Rhodes)
Menurut Casu & Molyneux (2003) dalam P. Prapanca (2012) model
ini digunakan jika berasumsi bahwan perbandingan terhadap input
maupun output suatu perusahaan tidak mempengaruhi produktivitas
yang mungkin dicapai, yaitu Constant Return to Scala (CRS). Model
ini terdiri dari fungsi tujuan yang berupa maksimisasi jumlah output
dari unit yang akan diukur produktivitas relatifnya dan selisih dari
jumlah output dan input dari semua unit yang akan diukur
produktivitas relatifnya. Sedangkan Purwanto & Ferdian (2006)
dalam F. Maharani (2012) menyatakan bahwa model ini relatif lebih
tepat digunakan dalam menganalisis kinerja pada perusahaan
manufaktur
b. Model BCC (Banker, Charnes, and Cooper)
Model ini digunakan jika kita berasumsi bahwa perbandingan terhadap input maupun output suatu perusahaan akan mempengaruhi produktivitas yang mungkin dicapai, yaitu VRS (Variable Returns to Scale). Pendekatan ini relatif lebih tepatdigunakan dalam menganalisis efisiensi kinerja pada perusahaan jasa termasuk bank
Definisi DEA (skripsi dan tesis)
Menurut Kanungo (2004) pada Haqiqi (2015) DEA merupakan
metode berdasarkan program linier yang digunakan untuk
membandingkan efisiensi dari beberapa unit. Adapun menurut Avkiran
(1999), dalam F. Maharani (2012) dengan mendefinisikan DEA sebagai
teknik untuk mengukur efisiensi yang mampu untuk mengungkap
hubungan yang tepat antara input dan output yang beragam, yang
sebelumnya tidak dapat diakomodasi melalui analisis rasio secara
tradisional.
Berdasarkan definisi tersebut dapat disimpulkan bahwa metode
DEA merupakan metode program linear yang digunakan untuk
mengukur efisiensi yang mampu mengungkap hubungan secara tepat
antara input dan output yang beragam.
Metode DEA adalah sebuah metode frontier non parametric yang
menggunakan model program linier untuk menghitung perbandingan
rasio outputdan input untuk semua unit yang dibandingkan dalam sebuah
populasi. Tujuan dari metode DEA adalah untuk mengukur tingkat
efisiensi dari decision-making unit (DMU) atau banyak disebut juga
sebagai unit kegiatan ekonomi (UKE) relatif terhadap bank yang sejenis
ketika semua unit-unit ini berada pada atau dibawah “kurva” efisien
frontier-nya. Jadi metode ini digunakan untuk mengevaluasi efisiensi
relatif dari beberapa objek (benchmarking kinerja).Pendekatan DEA
lebih menekankan kepada melakukan evaluasi terhadap kinerja
DMU.Analisis yang dilakukan berdasarkan kepada evaluasi terhadap
efisiensi relatif dari DMU yang sebanding. Selanjutnya DMU-DMU yang
efisien tersebut akan membentuk garis frontier. Jika DMU berada pada
garis frontier,maka DMU tersebut dapat dikatakan relatif efisien
dibandingkan dengan DMU yang lain dalam peer groupnya. Selain
menghasilkan nilai efisiensi masing-masing DMU, DEA juga
menunjukkan unit-unit yang menjadi referensi bagi unit-unit yang tidak
efisien
Terdapat tiga manfaat yang diperoleh dari pengukuran efisiensi
dengan DEA (Insukindro et al., 2000 dalam B. Zahroh, 2015):
1. Sebagai tolak ukur untuk memperoleh efisiensi relatif yang berguna
untuk mempermudah perbandingan antar unit ekonomi yang sama.
2. Mengukur berbagai variasi efisiensi antar unit ekonomi untuk
mengidentifikasi faktor-faktor penyebabnya.
3. Menentukan implikasi kebijakan sehingga dapat meningkatkan
tingkat efisiensinya.
Keuntungan lainnya adalah bahwa DEA dapat melihat sumber
ketidakefisienan dengan ukuranpeningkatan potensial (potential
improvement) dari masing-masing input (Hadad et al. 2003 dalam A.
Noor Pratiwi 2013). DEA menghitung efisiensi teknis untuk seluruh
unit. Skor efisiensi untuk setiap unit adalah relatif, tergantung pada
tingkat efisiensi dari unit-unit lainnya di dalam sampel.Setiap unit
dalam sampel dianggap memiliki tingkat efisiensi yang tidak negatif
dan nilainya antara 0 hingga 1, dimana satu menunjukkan efisiensi
yang sempurna (Hadad et al., 2003).
Konsep Efisiensi (skripsi dan tesis)
Menurut (Hadad et.al 2003) dalam Ruddy Trisantoso (2010) Efisiensi
merupakan salah satu parameter kinerja yang secara teoriti merupakan salah
satu ukuran kinerja yang mendasari seluruh kinerja organisasi. Kemampuan
menghasilkan output yang maksimal dengan input yang ada, adalah
merupakan ukuran kinerja yang diharapkan. Efisiensi dalam dunia
perbankan merupakan salah satu parameter kinerja yang cukup populer
sehingga lazin digunakan karena dapat memberikan jawaban atas berbagai
kesulitan dalam menghitung berbagai ukuran kinerja sebagaimana
disebutkan diatas.
Adapun konsep dalam mendefinisikan hubungan input-output pada A.
Noor Pratiwi (2014) dan juga seperti pada Hadad et al. (2003), menjelaskan
bahwa perilaku lembaga keuangan dapat melalui beberapa pendekatan,
antara lain:
a. Pendekatan produksi (Production Approach), yaitu dengan melihat
bahwa institusi keuangan sebagai produsen simpanan (deposit
account) dan juga pinjaman kredit (loans). Pendekatan ini
mendefinisikan output adalah penjumlahan dari keduanya dari
berbagai transaksi-transaksi terkait, sedangkan input-inputnya adalah
biaya tenaga kerja, pengeluaran modal untuk aset-aset tetap (fixed
assets), serta pengeluaran-pengeluaran lainnya yang bersifat material.
b. Pendekatan intermediasi (Intermediation Approach), yaitu
memperlakukan institusi keuangan sebagai lembaga yang
menjalankan fungsi intermediasi, dengan mengubah dan mentransfer
berbagai aset finansial dari unit-unit surplus menjadi unit-unit defisit.
Dalam pendekatan ini, biaya tenaga kerja, pengeluaran modal, dan
pembayaran bunga simpanan dikategorikan sebagai input-input,
sedangkan pinjaman kredit dan investasi pada instrumen keuangan
(financial investment) sebagai output-outputnya.
c. Pendekatan aset (Asset Approach), pendekatan ini hampir sama
dengan pendekatan intermediasi, namun dengan lebih memperlakukan
institusi keuangan adalah lembaga yang menjalankan fungsi utama
sebagai pencipta pinjaman kredit (loans).
Menurut Hadad et al (2003) dalam Prapanca (2012) menyatakan
bahwa pengukuran efisiensi bank dapat dilakukan dengan menggunakan dua
pendekatan. Pertama, menggunakan pendekatan parametrik seperti
Stochastic Frontier Approach (SFA) dan Distribution Free Approach
(DFA) Pendekatan kedua, menggunakan pendekatan non-parametrik yaitu
Data Envelopment Analysis (DEA).
Efisiensi menjadi salah satu ukuran yang sangat penting dalam
menilai kinerja suatu perusahaan. Menurut Berger dan Mester (1997) pada
F. Maharani (2012) efisiensi industri perbankan dapat ditinjau dari sudut
pandang mikro maupun makro.Dari perspektif mikro, dalam suasana
3
persaingan yang semakin ketat sebuah bank agar bisa bertahan dan
berkembang harus efisien dalam kegiatan operasinya. Bank-bank yangtidak
efisien, besar kemungkinan akan exit dari pasar karena tidak mampu
bersaing dengan kompetitornya, baik dari segi harga (pricing) maupun
dalam hal kualitas produk dan pelayanan. Bank yang tidak efisien akan
kesulitan dalam mempertahankan kesetiaan nasabahnya dan juga tidak
diminati oleh calon nasabah dalam rangka untuk memperbesar customerbasenya.
Sementara dari perspektif makro, industri perbankan yang efisien
dapat mempengaruhi biaya intermediasi keuangan dan secara keseluruhan
stabilitas sistem keuangan.Hal ini disebabkan peran yang sangat strategis
dari industri perbankan sebagai intermediator dan produsen jasa-jasa
keuangan.
Dengan tingkat efisiensi yang lebih tinggi, kinerja perbankan akan
semakin lebih baik dalam mengalokasikan sumber daya keuangan dan pada
akhirnya dapat meningkatkan kegiatan investasi dan pertumbuhan ekonomi
Pendekatan Loyalitas Merek (skripsi dan tesis)
Menurut Setiadi (2003) terdapat dua pendekatan yang dapat dipakai untuk mempelajari loyalitas merek, yaitu: (1) pendekatan instrumental atau pendekatan behavioral yang memandang bahwa pembelian yang konsisten sepanjang waktu adalah menunjukkan loyalitas merek. Jadi, pengukuran bahwa seorang konsumen itu loyal atau tidak dilihat dari frekuensi dan konsistensi perilaku pembelian terhadap satu merek. Pengukuran loyalitas konsumen dengan pendekatan ini menekankan pada perilaku masa lalu. (2) pendekatan yang didasarkan pada teori kognitif yang mana loyalitas dinyatakan sebagai komitmen seorang konsumen terhadap merek yang mungkin tidak hanya direfleksikan oleh perilaku pembelian yang terus menerus. Konsumen mungkin sering membeli merek tertentu karena harganya murah, dan ketika harganya naik, konsumen beralih ke merek lain.
Brand Loyalty (Loyalitas Merek) (Skripsi dan tesis)
Definisi Brand Trust (Kepercayaan Terhadap Merek) (skripsi dan tesis)
Kepercayaan memiliki peran penting dalam pemasaran industri. Dinamika lingkungan bisnis yang cepat berubah memaksa perusahaan untuk mencari cara memasarkan produknya dengan lebih kreatif dan fleksibel untuk beradaptasi, salah satunya adalah menciptakan sebuah kepercayaan merek karena kepercayaan merupakan salah satu aset penting dalam menciptakan loyalitas. Ballestar yang dikutip dari Prawitowati (2008) mendefinisikan brand trust sebagai perasaan aman yang diperoleh konsumen dalam interaksinya dengan merek yang didasarkan pada persepsi bahwa merek tersebut dapat diandalkan dan memenuhi kepentingan serta keselamatan konsumen. Trust didefinisikan sebagai persepsi konsumen mengenai reliabilitas yang didasarkan pada pengalaman atau serangkaian interaksi yang dikarakteristikan oleh konfirmasi dari harapan atas kinerja produk dan kepuasan. Lau dan Lee mendefinisikan brand trust sebagai keinginan pelanggan untuk bersandar pada sebuah merek dengan resiko-resiko yang dihadapi karena ekspektasi terhadap merek itu akan menyebabkan hasil yang positif (dalam Tjahyadi, 2006)
Sepuluh Perintah Emotional Branding (skripsi dan tesis)
Empat Pilar Emotional Branding (skripsi dan tesis)
Definisi Emotional Branding (skripsi dan tesis)
Emotional berasal dari kata emosi yang menurut William James adalah kecenderungan untuk memiliki perasaan yang khas bila berhadapan dengan objek tertentu dalam lingkungannya (Asi, 2010). Emosi merupakan perasaan atau afeksi yang timbul ketika seseorang sedang berada dalam suatu keadaan atau suatu interaksi yang dianggap penting olehnya, terutama kesejahteraan dirinya (Campos, dkk dalam Asi, 2010). Sedangkan branding adalah brand atau merek. Jadi secara harfiah, emotional branding adalah pembentukan merek dengan nuansa emosional. Secara luas dapat juga didefinisikan sebagai menciptakan hubungan emosional antara konsumen dengan perusahaan melalui produknya. Kata “emosional” di sini adalah bagaimana suatu merek menggugah perasaan dan emosi konsumen, bagaimana suatu merek menjadi hidup bagi masyarakat, dan membentuk hubungan yang mendalam dan tahan lama. Emotional branding adalah saluran di mana orang secara tidak sadar berhubungan dengan perusahaan dengan produk dari perusahaan tersebut dalam suatu metode yang mengagumkan secara emosional. Emotional branding ini merupakan strategi yang efektif digunakan karena kita pada umumnya merespon pengalaman hidup kita secara emosional dan secara alami memproyeksikan nilai-nilai emosional kita ke dalam objek-objek di sekitar kita. Pada dasarnya emotional branding didasarkan pada rasa percaya yang unik yang terjalin erat dengan konsumen. Pendekatan ini meningkatkan pembelian yang hanya sekedar dipicu oleh kebutuhan menjadi pembelian yang muncul dari alam hasrat. Misalnya, komitmen pada sebuah produk atau institusi, kebanggaan yang kita rasakan saat menerima hadiah cantik dari merek yang kita senangi, atau pengalaman berbelanja yang positif dalam sebuah lingkungan yang menakjubkan (Gobe, 2005)
Indikator Dari Experiential Marketing (skripsi dan tesis)
Pengaruh Variabel Pengalaman Merek Terhadap Niat Beli (skripsi dan tesis)
Dalam penelitian Yasin dan Amjad (2013) pengalaman merek mempunyai pengaruh signifikansi positif terhadap niat beli. Pengalaman tidak begitu kuat berpengaruh terhadap niat beli bila dibandingkan dua variabel lainnya. Penelitian ini juga mengklaim bahwa seseorang orang tidak tertarik hanya membeli produk atau jasa. Sebaliknya mereka membeli pengalaman yang luar biasa dan ekspresif tentang apa yang sedang dijual kepada mereka. Pengalaman merek dapat menarik daya tarik dalam praktek pemasaran untuk mengembangkan strategi pemasaran yang lengkap untuk barang dan jasa. Pengalaman produk terjadi ketika konsumen saling berhubungan dengan produk, misalnya ketika konsumen mencari produk dan kemudian mengamati dan mengevaluasi produk tersebut. Pengalaman merek akan tetap dalam memori konsumen dan juga berdampak pada kepuasaan konsumen serta loyalitas. Kepuasaan konsumen juga tergantung pada fitur atau desain. Desain produk akan meningkatkan nilai untuk konsumen dan memiliki 33 efek positif di benak konsumen dan juga membantu mengingkatkan kinerja organisasi.
Pengaruh Variabel Kesadaran Merek Terhadap Niat Beli (skripsi dan tesis)
Hsing Kuang Chi et al. (2009), kesadaran merek dapat mempengaruhi niat beli secara signifikan baik melalui kualitas yang dirasa maupun loyalitas merek. Penelitian Mariam Tahira et al. (2011) menunjukkan adanya hubungan 32 signifikansi antara kesadaran merek terhadap niat konsumen untuk membeli suatu produk. Grewal, Monroe & Krishnan (1998) dalam Amir Gulzar et al. (2011) berpendapat “high brand awareness can influence the retailer or reseller purchase decision” yang artinya kesadaran merek yang tinggi akan memengaruhi pengecer atau penjual ulang memutuskan untuk membeli. Peneliitian tersebut menguji keterkaitan hubungan antara kesadaran merek, persepsi kualitas dan loyalitas terhadap niat pembelian. Hasil penelitian menunjukkan dampak yang tidak signifikan antara kesadaran merek dengan loyalitas, sedangkan dampak yang signifikan yaitu persepsi kualitas terhadap profitabilitas
Pengaruh Variabel Kepercayaan Merek Terhadap Niat Beli (skripsi dan tesis)
Penelitian Yasin dan Amjad (2013) kepercayaan merek mempunyai pengaruh signifikansi positif terhadap niat beli. Yasin dan Amjad (2013) mengemukakan bahwa merek memiliki peranan yang penting dalam proses pemilihan konsumen. Merek adalah penghubung penting antara produsen dan konsumen menawarkan sejumlah fitur untuk pelanggan yang memenuhi kebutuhan pelanggan, merek adalah hal utama dipertimbangkan oleh konsumen dalam melakukan pembelian produk atau jasa. Pelanggan yang mempunyai tingkat pengetahuan produk tertentu akan membantu dalam membantu hubungan merek dengan loyalitas merek
Kesadaran Merek (skripsi dan tesis)
Pengenalan dan pengingat merek kepada masyarakat merupakan hal yang sengat penting bagi perusahaan, karena dengan hal ini akan menentukan langkah perusahaan selanjutnya dalam menetapkan strategi pasar. Durianto (2004) menjelaskan bahwa kesadaran menggambarkan keberadaan merek didalam pikiran konsumen yang dapat menjadi penentu dalam beberapa kategori dan biasanya mempunyai peranan kunci dalam brand equity. Meningkatkan kesadaran adalah suatu mekanisme untuk memperluas pasar merek. Kesadaran juga mempengaruhi persepsi dan tingkah laku. Jadi jika kesadaran itu sangat rendah maka hampir dipastikan bahwa ekuitas mereknya juga rendah. Peran brand awareness dalam keseluruhan brand equity tergantung dari sejauh mana tingkatan kesadaran yang dicapai oleh suatu merek. Tingkatan kesadaran merek secara berurutan dari tingkat rendah sampai tingkat tertinggi sebagai berikut: a) Tidak menyadari merek (unware of brand) Merupakan tingkat yang paling rendah dalam piramida kesadaran merek, 29 dimana konsumen tidak menyadari akan adanya suatu merek. b) Pengenalan merek (brand recognition) Tingkat minimal dari kesadaran merek. Hal ini penting pada saat pembeli memilah suatu merek pada saat melakukan pembelian. c) Pengingatan kembali terhadap merek (brand recall) Pengingatan kembali terhadap merek berdasarkan pada permintaan seseorang untuk menyebutkan merek tertentu dalam suatu kelas produk. Hal ini di istilahkan dengan pengingatan kembali tanpa bantuan, karena berbeda dari tugas pengenalan, responden tidak perlu dibantu untuk memunculkan merek tersebut. d) Puncak pikiran (top of brand) Apabila seseorang ditanya secara langsung tanpa diberi bantuan pengingatan dan ia dapat menyebutkan satu nama merek yang paling banyak disebutkan pertama kali merupakan puncak pikiran. Dengan kata lain, merek tersebut merupakan merek utama dari berbagai merek yang ada didalam benak konsumen. Kesadaran merek menggambarkan kesanggupan seorang calon pembeli untuk mengenali, mengingat kembali suatu brand sebagai bagian dari suatu kategori produk tertentu. Pada umumnya konsumen cenderung membeli produk dengan brand yang sudah dikenalnya atas dasar pertimbangan kenyamanan, keamanan dan lain-lain. Bagaimanapun juga, merek yang sudah dikenal menghindarkan konsumen dari risiko pemakaian dengan asumsi bahwa merek yang sudah dikenal dapat diandalkan Durianto (2004 : 29) Kesadaran merek (brand awareness) 30 adalah kemampuan konsumen untuk mengindentifikasi merek dalam berbagai kondisi, seperti yang dicerminkan oleh pengenalan merek atau ingatan atas kinerja merek Kotler dan Keller (2009 : 403). Peran kesadaran merek dalam ekuitas merek tergantung pada tingkat akan pencapaian kesadaran yang ada dibenak konsumen. Fandy Tjiptono (2011 : 111) ukuran pada kesadaran merek yang banyak dipakai adalah recall dan recognition, baik menggunakan alat bantu (aided) maupun tanpa menggunakan alat bantu (aided). Hal ini bukanlah sekedar menjadi merek pertama yang disebut atau yang di ingat konsumen (name awareness), namun terciptanya asosiasi khusus antara nama merek dengan produk tertentu. Hanya saja, kelemahan utama kesadaran merek terletak pada dampak ukuran merek dan skala aktivitas promosi yang sangat dominan, sementara brand strength dalam konteks preferensi atau sikap positif konsumen terhadap merek yang bersangkutan tidak banyak terungkap. Menurut Erna Ferrinadewi (2008 : 174) merek yang sering dibeli oleh keluarga biasanya akan membuat seluruh anggota keluarga memiliki kesadaran yang tinggi akan keberadaan merek. Walaupun merek tersebut adalah merek yang tidak terpikirkan oleh konsumen, namun nama merek akan menetap dalam ingatan konsumen karena tingginya frekuensi anggota keluarga melihat merek yang sama. Semakin sering merek tersebut dilihat dan digunakan oleh seluruh anggota keluarga maka ingatan pada konsumen semakin kuat. Aaker (2013:205) juga menjelaskan bahwa di dalam kesadaran merek terdapat tiga dimensi yang menyediakan sejumlah besar keunggulan kompetitif, diantaranya : 31 1. Kesadaran menyediakan merek dengan rasa keakraban atau dikenal, dan orang menyukai hal yang dikenal atau akrab. Untuk produk dengan keterlibatan yang rendah keakraban dapat mendorong keputusan pembelian. 2. Kesadaran nama dapat menjadi sinyal kehadiran, komitmen, dan substansi, atribut yang dapat menjadi sangat penting bahkan bagi pembeli industri untuk barang dengan tiket besar dan pembeli konsumen untuk barang tahan lama. 3. Keunggulan merek akan menentukan apabila diingat pada waktu penting dalam proses pembelian.
Pengalaman Merek (skripsi dan tesis)
Pengalaman merek telah menarik perhatian dalam praktek pemasaran sekarang ini. Praktisi-praktisi pemasaran harus menyadari bahwa dengan memahami apa sebenarnya pesan pengalaman merek, akan sangat membantu para pemasar untuk mengembangkan strategi pemasaran. Menurut Brakus, Schmitt dan Zarantonello (2009) Pengalaman merek didefinisikan sebagai sensasi, perasaan kognisi dan tanggapan konsumen yang ditimbulkan oleh merek, terkait rangsangan yang di timbulkan oleh desain merek, identitas merek, komunikasi pemasaran orang dan lingkungan merek tersebut dipasarkan. Untuk dapat mendefinisikan lebih jauh mengenai pengalaman merek Brakus, Schmitt dan Zarantello (2009), memulai penelitian dengan melihat sudut pandang konsumen dengan menguji pengalaman- pengalaman konsumen itu sendiri dan bagaiman pengalaman itu menghasilkan pendapat sikap, dan aspek lainnya dari perilaku konsumen, pengalaman dimulai pada saat konsumen mencari produk, membeli, menerima, pelayanan dan mengkonsumsi produk. Pengalaman merek dapat dirasakan langsung saat konsumen mengkonsumsi dan membeli produk. Pengalaman merek dapat 27 dirasakan secara tidak langsung saat konsumen melihat iklan atau juga saat pemasar mengkonsumsi produk melalui website. Pengalaman pada suatu merek menjadi salah satu sumber bagi konsumen untuk Menciptakan rasa kepercayaan pada suatu merek maupun untuk mencoba merek yang lainnya, hal ini sejalan dengan teori yang dikemukakan oleh Gobe Marc (2003 :99) pengalaman merek adalah mengenai interaksi mental langsung dengan merek, merek dapat meningkatkan dan mengekspresikan karakter kuat emosional dengan cara yang positif. Dengan menawarkan produk yang luar biasa yang bisa menjadi pengalaman merek yang tak terlupakan. Konsumen akan melakukan penilaian pada suatu merek tertentu setelah merasakan pengalaman terhadap merek tersebut. Pengalaman konsumsi merupakan sumber terpenting terciptanya kepercayaan merek karena melalui pengalaman terjadi proses pembelajaran yang memungkinkan terbangunnya asosiasi, pemikiran dan pengambilan kesimpulan yang lebih relevan dengan pribadi konsumen atau individu Erna (2008:150)
Kepercayaan Merek (Skripsi dan tesis)
Kepercayaan merupakan suatu bentuk sikap yang menunjukan perasaan suka dan tetap bertahan untuk menggunakan suatu produk. Pada dasarnya kepercayaan akan timbul apabila produk yang dibeli oleh seorang konsumen mampu memberikan manfaat atau nilai yang diinginkan konsumen pada suatu produk. Menurut Lau dan Lee dalam Tjahyadi (2006 : 71) kepercayaan pelanggan pada merek (brand trust) di definisikan sebagai keinginan pelanggan untuk bersandar 24 pada sebuah merek dengan resiko yang dihadapi karena ekspetasi terhadap merek itu akan menyebabkan hasil yang positif. Dalam hubungan kepercayaan dan merek, entisitas yang dipercaya adalah bukan orang tapi sebuah symbol. Karena itu, loyalitas pada merek melibatkan kepercayaan pada merek. Untuk menciptakan loyalitas dalam pasar saat ini pemasar harus memfokuskan pada pembentukan dan pemliharaan kepercayaan dalam Consumer Brand Relationship. Lau dan Lee dalam jurnal Tjahyadi (2006 : 71). Lau dan Lee juga menjelaskan bahwa kepercayaan merek akan menimbulkan loyalitas pada merek. Sementara itu, Kepercayaan merek terbangun karena adanya harapan bahwa pihak lain akan bertindak sesuai dengan kebutuhan dan keinginan konsumen. Ketika seseorang telah mempercayai pihak lain maka mereka yakin bahwa harapan akan terpenuhi dan tak akan ada lagi kekecawaan. Sedangkan Tjahyadi (2006) menyatakan bahwa kepercayaan terhadap merek adalah kemauan konsumen mempercayai merek dengan segala resikonya karena adanya harapan yang dijanjikan oleh merek dalam memberikan hasil yang positif bagi konsumen. Kepercayaan merek adalah harapan akan kehandalan dan intense baik merek Delgado (2004) dalam Ferrinadewi (2008 : 150). Sedangkan menurut Luarn dan Lin, (2003) dalam Ferrinadewi (2008 : 147), kepercayaan adalah sejumlah keyakinan spesifik terhadap integritas ( kejujuran pihak yang dipercaya dan kemampuan menepati janji), benevolence (perhatian dan motivasi yang dipercaya untuk bertindak sesuai dengan kepentingan yang mempercayai mereka), competency ( kemampuan yang dipercaya untuk melaksanakan kebutuhan yang mempercayai ) dan predictability ( konsistensi perilaku pihak yang dipercaya)
Niat Beli (skripsi dan tesis)
Karakteristik Perusahaan (Company Characteristics) (skripsi dan tesis)
Karakteristik Merek (Brand Characteristics) Terhadap Loyalitas Merek (skripsi dan tesis)
Karakteristik merek memainkan peran yang vital dalam menentukan apakah pelanggan memutuskan untuk percaya pada suatu merek. Karakteristik merek umumnya didefinisikan segala hal yang terkait dengan merek yang ada di benak konsumen. Dalam konteks hubungan pelanggan-merek, kepercayaan pelanggan dibangun berdasarkan pada reputasi merek, prediktabilitas merek, dan kompetensi merek. Penjelasan dari tiga karakteristik merek dapat ditunjukkan sebagai berikut: a.Brand Reputation Brand reputation berkenaan dengan opini dari orang lain bahwa merek itu baik dan dapat diandalkan (reliable). Reputasi merek dapat dikembangkan bukan saja melalui advertising dan public relation, tapi juga dipengaruhi oleh kualitas dan kinerja produk. Pelanggan akan mempersepsikan bahwa sebuah merek memiliki reputasi baik, jika sebuah merek dapat memenuhi harapan mereka, maka reputasi merek yang baik tersebut akan memperkuat kepercayaan pelanggan. b. Brand Predictability Brand predictability berkenaan dengan kemampuan suatu kelompok untuk memprediksi perilaku dari kelompok lain. Predictable brand adalah merek yang memungkinkan pelanggan untuk mengharapkan bagaimana sebuah merek akan memiliki performance pada setiap pemakaian. Predictability mungkin karena tingkat konsistensi dari kualitas produk. Brand predictability dapat meningkatkan keyakinan konsumen karena konsumen mengetahui bahwa tidak ada sesuatu yang tidak diharapkan akan terjadi ketika menggunakan merek tersebut. Karena itu, brand predictability akan meningkatkan kepercayaan terhadap merek karena predictability menciptakan ekspektasi positif. c. Brand Competence Brand competence adalah merek yang memiliki kemampuan untuk menyelesaikan permasalahan yang dihadapi oleh pelanggan, dan dapat memenuhi kebutuhannya. Kemampuan berkaitan dengan keahlian dan karakteristik yang memungkinkan suatu kelompok memiliki pengaruh dalam suatu wilayah tertentu. Ketika diyakini bahwa sebuah merek itu mampu untuk menyelesaikan permasalahan dalam diri pelanggan, maka pelanggan tersebut mungkin berkeinginan untuk meyakini merek tersebut.
Kepercayaan Terhadap Merek (Trust in Brand) (skripsi dan tesis)
Menurut Turnbull dkk (dalam Bennet dan Gabriel, 2001) sifat dari sebuah hubungan yang dekat adalah adanya kondisi yang lebih stabil, lebih mudah saling memprediksi perilaku partner dan usia dari sebuah hubungan sehingga konsumen menjadi enggan untuk berganti penyedia produk. Determinan hubungan yang dekat adalah kepercayaan. Bagi pemasar, merek mewakili hubungan pemasaran yang tercipta dengan konsumen. (Ferinadewi, 2008: 146) Kepercayaan memiliki peran yang penting dalam pemasaran industri. Dinamika lingkungan bisnis yang cepat memaksa pemasaran perusahaan untuk mencari cara yang lebih kreatif dan fleksibel untuk beradaptasi. Untuk tetap bertahan dalam situasi tersebut, perusahaan akan mencari cara yang kreatif melalui pembentukan hubungan yang kolaboratif dengan pelanggan. Kepercayaan dianggap sebagai cara yang paling penting dalam membangun dan memelihara hubungan dengan pelanggan dalam jangka panjang. Kepercayaan adalah sejumlah keyakinan spesifik terhadap integritas (kejujuran pihak yang dipercaya dan kemampuan menepati janji, benevolence (perhatian dan motivasi yang dipercaya untuk bertindak sesuai dengan kepentingan yang mempercayai mereka), competency (kemampuan pihak yang dipercaya untuk melaksanakan kebutuhan yang mempercayai) dan predictability (konsistensi perilaku pihak yang dipercaya). Hal ini menjelaskan bahwa penciptaan awal hubungan dengan partner didasarkan pada trust (kepercayaan). (Lau dan Lee, 1999:344) Dalam pasar konsumen, ada begitu banyak konsumen yang tidak teridentifikasi, sehingga sulit bagi perusahaan untuk membangun hubungan personal dengan setiap pelanggan. Cara lain yang ditempuh oleh pemasar untuk membangun hubungan personal dengan pelanggan adalah melalui sebuah simbol, yaitu merek (brand). Dalam situasi tersebut, merek berperan sebagai substitute hubungan person-to-person antara perusahaan dengan pelanggannya, selanjutnya kepercayaan dapat dibangun melalui merek. Kepercayaan terhadap merek merupakan kesediaan atau kemauan konsumen dalam menghadapi resiko yang berhubungan dengan merek yang dibeli akan memberikan hasil yang positif atau menguntungkan. Terdapat tiga faktor yang mempengaruhi kepercayaan terhadap merek. Ketiga faktor ini berhubungan dengan tiga entitas yang tercakup dalam hubungan antara merek dan konsumen. Adapun ketiga faktor tersebut adalah merek itu sendiri, perusahaan pembuat merek, dan konsumen. Kepercayaan terhadap merek akan menimbulkan loyalitas merek. (Lau dan Lee, 1999:344).
Kesetiaan Merek (Brand Loyalty) (skripsi dan tesis)
Loyalitas merupakan hasil dari pembelajaran konsumen pada suatu entitas tertentu (merek, produk, jasa, atau toko) yang dapat memuaskan kebutuhannya. (Ruly, 2006:68). Kesetiaan merek (brand loyalty) merupakan suatu konsep yang sangat penting dalam strategi pemasaran karena memberikan banyak manfaat bagi perusahaan termasuk pembelian berulang dan dapat mengurangi biaya pemasaran. (Ruly, 2006:68). Loyalitas dapat diartikan sebagai suatu komitmen yang mendalam untuk melakukan pembelian ulang produk atau jasa yang menjadi preferensinya secara konsisten pada masa yang akan datang dengan cara membeli ulang merek yang sama meskipun ada pengaruh situasional dan usaha pemasaran yang dapat menimbulkan peralihan perilaku. Loyalitas merek menunjukkan adanya suatu ikatan antara pelanggan dengan merek tertentu dan ini sering kali ditandai dengan adanya pembelian ulang dari pelanggan. Minor dan Mowen (2002:109) mengemukakan bahwa loyalitas dapat didasarkan pada perilaku pembelian aktual produk yang dikaitkan dengan proporsi pembelian. Berdasarkan dari pandangan tersebut maka loyalitas merek didefinisikan sebagai: keinginan konsumen untuk melakukan pembelian ulang. Perusahaan yang mempunyai basis pelanggan yang mempunyai loyalitas merek yang tinggi dapat mengurangi biaya pemasaran perusahaan karena biaya untuk mempertahankan pelanggan jauh lebih murah dibandingkan dengan Universitas Sumatera Utara mendapatkan pelanggan baru. Loyalitas merek yang tinggi dapat meningkatkan perdagangan. Dan dapat menarik minat pelanggan baru karena mereka memiliki keyakinan bahwa membeli produk bermerek minimal dapat mengurangi risiko. Keuntungan lain yang didapat dari loyalitas merek adalah perusahaan dapat lebih cepat untuk merespons gerakan pesaing
Merek (Brand) (skripsi dan tesis)
Branding adalah keseluruhan proses bisnis dalam memilih janji, nilai, dan komponen apa yang akan dimiliki oleh suatu entitas. (Patricia, 2007:5). Keahlian yang sangat unik dari pemasar profesional adalah kemampuannya untuk menciptakan, memelihara, melindungi, dan meningkatkan merek. Merek adalah sejumlah citra dan pengalaman dalam benak konsumen yang mengkomunikasikan manfaat yang dijanjikan produk yang diproduksi oleh perusahaan tertentu. Menurut Kotler & Keller (2007:332), bahwa merek adalah nama, istilah, tanda, simbol, desain atau kombinasi keseluruhannya, yang dimaksudkan untuk mengidentifikasikan barang atau jasa yang ditawarkan perusahaan sekaligus untuk mendiferensiasikannya dari barang atau jasa pesaing. Selain membedakan satu produk dengan produk yang lain, merek juga memberi manfaat bagi konsumen diantaranya membantu mengidentikasi manfaat yang ditawarkan dan kualitas produk. Konsumen lebih mempercayai produk dengan merek tertentu daripada produk tanpa merek meskipun manfaat yang ditawarkan sama (Ferinadewi, 2008:135). Merek dapat memiliki enam level pengertian yaitu sebagai berikut:
Faktor Pembentuk Kepuasan Pelanggan (skripsi dan tesis)
Kepercayaan terhadap Merek (Trust In a Brand) (skripsi dan tesis)
Loyalitas Merek (Brand Loyalty) (skripsi dan tesis)
Merupakan suatu konsep yang sangat penting dalam strategi pemasaran. Keberadaan konsumen yang loyal pada merek sangat diperlukan agar perusahaan dapat bertahan hidup. Loyalitas dapat diartikan sebagai suatu komitmen yang mendalam untuk melakukan pembelian ulang produk atau jasa yang menjadi preferensinya secara konsisten pada masa yang akan datang dengan cara membeli ulang merek yang sama meskipun ada pengaruh situasional dan usaha pemasaran yang dapat menimbulkan perilaku peralihan. Mendefinisikan brand loyalty sebagai “A measure of the attachment that a costumer has a brand“ (Aaker) dalam (Riana : 2008). Loyalitas merek menunjukkan adanya suatu ikatan antara pelanggan dengan merek tertentu dan ini sering kali ditandai dengan adanya pembelian ulang dari pelanggan. Menurut (Minor & Mowen : 2002) loyalitas dapat didasarkan pada perilaku pembelian aktual produk yang dikaitkan dengan proporsi pembelian. Perusahaan yang mempunyai basis pelanggan yang mempunyai loyalitas merek yang tinggi dapat mengurangi biaya pemasaran perusahaan karena biaya untuk mempertahankan pelanggan jauh lebih murah dibandingkan dengan mendapatkan pelanggan baru. Loyalitas merek yang tinggi dapat meningkatkan perdagangan. Dan dapat menarik minat pelanggan baru karena mereka memiliki keyakinan bahwa membeli produk bermerek minimal dapat mengurangi risiko. Keuntungan lain yang didapat dari loyalitas merek adalah perusahaan dapat lebih cepat untuk merespons gerakan pesaing.
Pengertian Merek (Brand) (skripsi dan tesis)
Keahlian yang sangat unik dari pemasar profesional adalah kemampuannya untuk menciptakan, memelihara, melindungi, dan meningkatkan merek. Para pemasar mengatakan bahwa pemberian merek adalah seni dan bagian paling penting dalam pemasaran.
Menurut American Marketing Association (Kotler : 2000) merek adalah nama,
istilah, tanda, simbol, rancangan, atau kombinasi dari hal-hal tersebut, yang dimaksudkan untuk mengidentifikasi barang atau jasa dari seorang atau kelompok penjual dan untuk membedakannya dari produk pesaing.
Menurut (Aaker) dalam (Riana : 2008) merek adalah “ A distinguishing name and / or symbol (such as logo, trade mark, or package design ) intended to identify to goods or services of either one seller of a group of seller, and to differentiate those goods or services from those of competitors “.
Suatu merek pada gilirannya memberi tanda pada konsumen mengenai sumber produk tersebut. Di samping itu, merek melindungi, baik konsumen maupun produsen dari para kompetitor yang berusaha memberikan produk-produk yang tampak identik.
Merek sebenarnya merupakan janji penjual untuk secara konsisten memberikan keistimewaan, manfaat, dan jasa tertentu kepada pembeli. Merek-merek terbaik memberikan jaminan mutu. Akan tetapi, merek lebih dari sekadar simbol.
Merek dapat memiliki enam level pengertian (Kotler : 2000) yaitu sebagai berikut:
1. Atribut: merek mengingatkan pada atribut tertentu. Mercedes memberi kesan sebagai mobil yang mahal, dibuat dengan baik, dirancang dengan baik, tahan lama, dan bergengsi tinggi.
2. Manfaat: bagi konsumen, kadang sebuah merek tidak sekadar menyatakan atribut, tetapi manfaat. Mereka membeli produk tidak membeli atribut, tetapi membeli manfaat. Atribut yang dimiliki oleh suatu produk dapat diterjemahkan menjadi manfaat fungsional dan atau emosional. Sebagai contoh : atribut “tahan lama“ diterjemahkan menjadi manfaat fungsional “tidak perlu cepat beli lagi, atribut “mahal“ diterjemahkan menjadi manfaat emosional “bergengsi”, dan lain-lain.
3. Nilai: merek juga menyatakan sesuatu tentang nilai produsen. Jadi, Mercedes berarti kinerja tinggi, keamanan, gengsi, dan lain-lain.
4. Budaya: merek juga mewakili budaya tertentu. Mercedes mewakili budaya Jerman, terorganisasi, efisien, bermutu tinggi.
5. Kepribadian: merek mencerminkan kepribadian tertentu. Mercedes mencerminkan pimpinan yang masuk akal (orang), singa yang memerintah (binatang), atau istana yang agung (objek).
6. Pemakai: merek menunjukkan jenis konsumen yang membeli atau menggunakan produk tersebut.
Mercedes menunjukkan pemakainya seorang diplomat atau eksecutif. Pada
intinya merek adala penggunaan nama, logo, trade mark, serta slogan untuk
membedakan perusahaan perusahaan dan individu-individu satu sama lain dalam hal apa yang mereka tawarkan. Penggunaan konsisten suatu merek, simbol, atau logo membuat merek tersebut segera dapat dikenali oleh konsumen sehingga segala sesuatu yang berkaitan dengannya tetap diingat. Dengan demikian, suatu merek dapat mengandung
tiga hal, yaitu sebagai berikut.
1. Menjelaskan apa yang dijual perusahaan.
2. Menjelaskan apa yang dijalankan oleh perusahaan.
3. Menjelaskan profil perusahaan itu sendiri.
Suatu merek memberikan serangkaian janji yang di dalamnya menyangkut
kepercayaan, konsistensi, dan harapan. Dengan demikian, merek sangat penting, baik bagi konsumen maupun produsen. Bagi konsumen, merek bermanfaat untuk mempermudah proses keputusan pembelian dan merupakan jaminan akan kualitas. Sebaliknya, bagi produsen, merek dapat membantu upaya-upaya untuk membangun loyalitas dan hubungan berkelanjutan dengan konsumen
Perencanaan Brand experience (skripsi dan tesis)
Untuk menciptakan dan menyampaikan brand-based experience kepada
konsumen, pemasar atau perusahaan perlu mengetahui apa itu perencanaan dari pengalaman itu sendiri, seperti bagaimana berinteraksi dengan pelanggan, dan perlu adanya tindakan nyata untuk melakukan interaksi kepada pelanggan, untuk menciptakan pengalaman. Proses dari brandslation, atau pengartian sebuah merek, membantu perusahaan untuk menciptakan brand proposition dengan cara yang membantu menciptakan pengalaman merek. Pada akhirnya perencanaan ini akan menciptakan interaksi dari organisasi untuk menciptakan pengalaman merek itu sendiri.
Di bawah ini adalah struktur yang disarankan Filho (2014) dalam menyusun
cara-cara melakukan strategi brand experience dan bagaimana hasil dari
brandslation seharusnya.
1. Hubungan merupakan metaphor brand experience proposition, merupakan
inti dari brand experience itu sendiri. Hal tersebut menggambarkan
bagaimana karakter merek dan bagaimana konsumen berinteraksi satu sama
lain. Contoh bagaimana berinteraksi dengan mereka, dan bagaimana sikap
mereka, dapat membantu menjelaskan tentang bagaimana persepsi dari
merek yang diinginkan perusahaan, diposisikan di benak konsumen.
Pengalaman dari pelayanan dapat di jadikan cara untuk menetapkan tujuan,
dalam menjalin hubungan jangka pendek dengan konsumen.
2. Sumber daya manusia merupakan sesuatu yang penting dalam melakukan
pelayanan dan dalam membantu proses brandslation untuk menciptakan
karakter dari merek itu sendiri. Dalam menciptakan pengalaman,
diperlukan sumber daya manusia yang dapat menciptakan interaksi dan
menjalin hubungan antara merek atau perusahaan dengan konsumen.
Manusia sebagai inti dalam menciptakan hubungan dengan pelanggan,
membantu perusahaan dala mewujudkan karakter dari merek yang ingin
dibangun didalam benak konsumen perusahaan.
3. Mengatur nilai dan sikap dari personil atau karyawan dalam
mengkomunikasian strategi dari brand experience, malalui titik – titik
interaksi yang ada, seperti di dalam customer service, hal ini bertujuan
untuk memudahkan dalam mengkomunikasikan brand experience yang
ingin dibangun oleh perusahaan.
4. Menciptakan dasar atau asas yang dapat menjelaskan konsistensi dari sikap
dan nilai dalam mengkomunikasian brand experience melalui titik –titik
interaksi yang ada. hal ini berdasarkan analisis dari bagaimana merek itu di
dipersepsikan dan siapa yang ingin menjadi target sasaran, dan dapat
menciptakan hubungan antara brand image dengan brand identity.
5. service moments merupakan contoh bagaimana konsumen merasakan
pengalaman dari brand experience melalui beberapa titik pelayanan yang
telah ditentukan sebelumnya
Dalam menciptakan pengalaman merek, dibutuhkan perubahan semantik,
merubah Sesuatu makna menjadi sebuah elemen dari desain sebuah produk
Proses tersebut merupakan tahapan awal dari proses New Service Development (NSD) ketika konsep dari suatu pelayanan di definisikan, dan ketika perencanaan dari sistem pelayanan dan proses dari pelayanan di desain. Proses perubahan semiotika ini memberikan pemahaman bahwa merek dapat diartikan dan dianalogikan dalam karakteristik dari desain produk atau jasa, yang nantinya akan berinteraksi dengan pelanggan yang akan menghasilkan brand image. Dalam pengertian lain, perencanaan merek harus diartikan kedalam sesuatu yang dapat dirasakan oleh konsumen melalui sebuah interaksi pelayanan, jadi ketika konsumen berinteraksi dengan orang yang melakukan pelayanan, mereka dapat merasakan kehadiran dari sebuah merek (Filho : 2014).
Pengertian Brand Exprience (skripsi dan tesis)
Brand experience adalah pengalaman masa lalu konsumen dengan merek tersebut, khususnya dalam lingkup pemakaian. Dengan demikian dapat disimpulkan bahwa pengalaman konsumen terhadap suatu merek sangatlah berkaitan dengan kepercayaan terhadap merek tersebut. Menurut Brakus et al (2009) Brand experience didefinisikan sebagai sensasi, perasaan, kognisi, dan tanggapan konsumen yang ditimbulkan oleh merek, terkait rangsangan yang ditimbulkan oleh desain merek, identitas merek, komunikasi pemasaran, orang dan lingkungan merek tersebut dipasarkan. Menurut Neumeier (2013) brand experience adalah seluruh interaksi dari seseorang terhadap produk, servis, organisasi, yang kesemuanya merupakan bahan baku dari sebuah merek. Sedangkan teori yang dikemukakan oleh Filho (2014) dalam penelitiannya brand experience adalah transisi antara strategi merek dengan pengalaman konsumen. Teori tentang brand experience lainnya dikemukakan oleh Ambler dalam Filho, 2014, bahwa brand experience tercipta ketika konsumen mengkonsumsi produk atau jasa dari merek tersebut, menceritakannya kepada orang lain tentang merek tersebut dan mencari tahu informasi terkait dengan promosi, event, dan lain – lain. Brand experience dapat diasumsikan sebagai persepsi konsumen terhadap touch point yang ada, baik itu promosi, atau kontak langsung dengan orang yang melakukan kegiatan servis. Menurut Tulianti dan Tung (2013) dalam skripsi Hilmi, B (2015), menyebutkan brand experience merupakan respon internal dari pelanggan dan respon perilaku yang ditimbulkan oleh rangsangan merek yang terkait yang merupakan bagian dan desain merek identitas, kemasan, komunikasi, dan lingkungan. Brand experience merupakan aspek pengalaman yang terdiri dari seluruh pemahaman dan persepsi merek oleh pelanggan. Maka dari itu, pemasar harus memahami pengalaman pelanggan tentang merek mereka untuk dapat mengembangkan strategi pemasaran. Dalam strategi merek, pengalaman mengenai merek menjadi hal yang penting. Tidak ada yang lebih kuat daripada pengalaman pelanggan terhadap merek.
Karakteristik merek (skripsi dan tesis)
Tingkat Pengertian Merek (skripsi dan tesis)
Definisi Merek atau Brand (skripsi dan tesis)
Tahapan Umum Menggunakan SEM (skripsi dan tesis)
Tahapan dalam menggunakan SEM secara garis besar, adalah sebagai berikut (Jogiyanto, 2011): 1. Spesifikasi model, yaitu membangun model yang sesuai dengan tujuan dan masalah penelitian dengan landasan teori yang kuat. 2. Estimasi parameter bebas, yaitu komparasi matrik kovarian yang merepresentasi hubungan antar variabel dengan mengestimasinya ke dalam model yang paling sesuai. Parameter untuk mengukur kesesuaian model adalah maximum likelihood, weighted least squares atau asymptotically distribution-free methods. 3. Assessment of fit, yaitu eksekusi estimasi kesesuaian model dengan menggunakan parameter anatara lain : Chi-Square (ukuran dasar kesesuaian model yang secara konseptual merupakan fungsi dari ukuran sampel dan perbedaan antara matrik kovarian yang diobservasi dengan matrik kovarian model), Root Mean Square Error of Approximation (RMSEA), Standarized Root Mean Residual (SRMR), and Comparative Fit Index (CFI). 4. Modifikasi model, yaitu mengembangkan model yang diuji di awal untuk meningkatkan goodness-of-fit (GOF) model. Peluang untuk mengembangkan model tergantung besarnya degree of freedom dari model. Namun, pengembangan model harus mempertimbangkan dasar teori, tidak dapat dilakukan hanya berdasarkan alasan/argument statistis. 5. Interpretasi dan komunikasi, yaitu interpretasi hasil pengujian statistika dan pengakuan bahwa konstruk yang dibangun berdasarkan model yang paling sesuai. Namun, hasil tersebut dapat dicapai ketika desain riset dibangun secara cermat sehingga dapat membedakan hipotesis rival. 6. Replikasi dan validasi ulang, yaitu kemampuan model yang dimodifikasi untuk dapat direplikasi dan divalidasi ulang sebelum hasil penelitian diinterpretasi dan dikomunikasikan
Pemodelan SEM-PLS (skripsi dan tesis)
Diagram lintasan (path diagram) dalam SEM digunakan untuk menggambarkan model SEM agar lebih jelas dan mudah dimengerti. Notasi dan simbol dalam SEM serta variabel-variabel yang berkaitan perlu diketahui untuk dapat menggambarkan diagram jalur sebuah persamaan, kemudian hubungan diantara model-model tersebut dimasukkan ke dalam model persamaan struktural dan model pengukuran.
Metode SEM-PLS (skripsi dan tesis)
SEM (Structural Equation Modeling) adalah suatu teknik statistika untuk menguji dan mengestimasi hubungan kausal dengan mengintegrasikan analisis faktor dan analisis jalur (Wright dalam Jogiyanto, 2011). SEM dapat berbasis varian dan kovarian. SEM berbasis varian adalah SEM yang menggunakan varian dalam proses iterasi atau blok varian antar indikator atau parameter yang diestimasi dalam satu variabel laten tanpa mengkorelasikannya dengan indikator-indikatornya yang ada divariabel laten lain dalam satu model penelitian (Jogiyanto, 2011). Salah satu SEM berbasis varian yang mulai banyak digunakan adalah PLS. Analisis Partial Least Square (PLS) adalah teknik statistika multivariat yang melakukan pembandingan antara variabel dependen berganda dan variabel independen berganda (Jogiyanto, 2011). PLS adalah salah satu metoda statistika SEM berbasis varian yang didesain untuk menyelesaikan regresi berganda ketika terjadi permasalahan spesifik pada data, seperti ukuran sampel penelitian kecil, adanya data yang hilang (missing values), dan multikolinearitas (Field dalam Jogiyanto, 2011). SEM-PLS mampu menganalisis variabel yang tidak dapat diukur langsung. Variabel yang tidak dapat diukur secara langsung dalam SEM-PLS disebut variabel laten atau konstruk yang harus diukur dengan indikator. SEM-PLS bertujuan untuk menguji hubungan prediktif antar konstruk dengan melihat, apakah ada hubungan atau pengaruh antar konstruk tersebut (Dwipradnyana dkk, 2017). SEM–PLS dapat digunakan untuk ukuran sampel lebih besar dari 250 sampel dan tidak mensyaratkan asumsi data berdistribusi normal (Sholihin dan Ratmono, 2013).
Partial Least Square (PLS) (skripsi dan tesis)
Pendekatan PLS dikembangkan pertama kali oleh seorang ahli ekonomi dan statistika bernama Herman Ole Andreas Wold. Pada tahun 1974, Wold memperkenalkan PLS secara umum dengan menggunakan algorithm NIPALS (nonlinear iterative partial least squares) yang berfokus untuk maximize variabel eksogen (X) untuk menjelaskan variance variabel endogen (Y) dan menjadi metoda alternatif untuk OLS regresi. Menurut Wold dibandingkan dengan 16 pendekatan lain dan khususnya metoda estimasi Maximum Likelihood, NIPALS lebih umum oleh karena bekerja dengan sejumlah kecil asumsi zero intercorrelation antara residual dan variabel. Hal ini sejalan dengan yang dinyatakan Fornell dan Bookstein (1982) bahwa PLS menghindarkan dua masalah serius yang ditimbulkan oleh SEM berbasis covariance yaitu improper solutions dan factor indeterminacy. Partial Least Squares merupakan metoda analisis yang powerfull dan sering disebut juga sebagai soft modeling karena meniadakan asumsi-asumsi OLS (Ordinary Least Squares) regresi, seperti data harus berdistribusi normal secara multivariate dan tidak adanya problem multikolonieritas antar variabel eksogen (Wold, 1985). Pada dasarnya Wold mengembangkan PLS untuk menguji teori yang lemah dan data yang lemah seperti jumlah sampel yang kecil atau adanya masalah normalitas data (Wold, 1985). Walaupun PLS digunakan untuk menjelaskan ada tidaknya hubungan antar variabel laten (prediction), PLS dapat juga digunakan untuk mengkonfirmasi teori (Chin, 1998). Sebagai teknik prediksi, PLS mengasumsikan bahwa semua ukuran varian adalah varian yang berguna untuk dijelaskan sehingga pendekatan estimasi variabel laten dianggap sebagai kombinasi linear dari indikator dan menghindarkan masalah factor indeterminacy. PLS menggunakan iterasi algorithm yang terdiri dari seri OLS (Ordinary Least Squares) maka persoalan identifikasi model tidak menjadi masalah untuk model recursive (model yang mempunyai satu arah kausalitas) dan menghindarkan masalah untuk model yang bersifat non-recursive (model yang bersifat timbal-balik atau reciprocal antar variabel) yang dapat diselesaikan oleh SEM berbasis covariance. Sebagai alternatif analisis covariance based SEM, pendekatan variance based dengan PLS mengubah orientasi analisis dari menguji model kausalitas (model yang dikembangkan berdasarkan teori) ke model prediksi komponen (Chin, 1998). CB-SEM lebih berfokus pada building models yang dimaksudkan untuk menjelaskan covariances dari semua indikator konstruk, sedangkan tujuan dari PLS adalah prediksi. Oleh karena PLS lebih menitikberatkan pada data dan dengan prosedur estimasi yang terbatas, persoalan misspecification model tidak terlalu berpengaruh terhadap estimasi parameter. Algoritma dalam PLS adalah untuk mendapatkan the best weight 17 estimate untuk setiap blok indikator dari setiap variabel laten. Setiap variabel laten menghasilkan komponen skor yang didasarkan pada estimated indicator weight yang memaksimumkan variance explained untuk variabel dependen (laten, observed atau keduanya) (Yamin dan Kurniawan, 2011). Kelebihan dalam PLS antara lain (1) algoritma PLS tidak terbatas hanya untuk hubungan antara indikator dengan variabel latennya yang bersifat refleksif namun juga bisa dipakai untuk hubungan formatif, (2) PLS dapat digunakan untuk ukuran sampel yang relatif kecil, (3) dapat digunakan untuk model yang sangat kompleks, (4) dapat digunakan ketika distribusi skew (Yamin dan Kurniawan, 2011). PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif, hal ini tidak mungkin dijalankan dalam CB-SEM karena akan terjadi unidentified model. Oleh karena algorithm dalam PLS menggunakan analisis series ordinary least square, maka identifikasi model bukan masalah dalam model rekursif dan juga tidak mengasumsikan bentuk distribusi tertentu dari pengukuran variabel. Lebih jauh algorithm dalam PLS mampu mengestimasi model yang besar dan komplek dengan ratusan variabel laten dan ribuan indikator. Namun, metode PLS juga memiliki kekurangan yakni distribusi data tidak diketahui sehingga tidak bisa menilai signifikansi statistik. Kelemahan pada metode partial least square ini bisa diatasi dengan menggunakan metode resampling atau bootstrap (Ghozali, 2011).
Analisis Faktor Konfirmatori (Confirmatory Factor Analysis/CFA) (skripsi dan tesis)
Analisis faktor konfirmatori atau CFA adalah salah satu diantara metode statistik multivariat yang digunakan untuk menguji dimensionalitas suatu konstruk atau mengkonfirmasi apakah model yang dibangun sesuai dengan yang dihipotesiskan oleh peneliti. Model yang dihipotesiskan terdiri dari satu atau lebih variabel laten yang diukur oleh indikator-indikatornya. Dalam CFA, variabel laten dianggap sebagai variabel penyebab (variabel bebas) yang mendasari variabelvariabel indikator (Ghozali, 2011). Variabel-variabel dalam CFA terdiri dari variabel yang dapat diamati atau diukur langsung disebut variabel manifes (manifest variable) dan variabel-variabel yang tidak dapat diukur secara langsung disebut dengan variabel laten (latent variable), yang dapat dibentuk dan dibangun dengan variabel-variabel yang dapat diukur (variabel indikator). Dalam CFA biasanya tidak mengasumsikan arah hubungan, tapi menyatakan hubungan korelatif atau hubungan kausal antar variabel. Sehingga dapat dikatakan bahwa CFA digunakan untuk mengevaluasi pola-pola hubungan antar variabel, apakah suatu indikator mampu mencerminkan variabel laten, melalui ukuran-ukuran statistik.
Analisis Jalur (Path Analysis) (skripsi dan tesis)
Analisis jalur (path analysis) merupakan suatu teknik statistika yang bertujuan untuk menganalisis hubungan sebab akibat yang terjadi pada model regresi berganda jika variabel prediktornya mempengaruhi variabel respon tidak secara langsung tetapi juga secara tidak langsung. Analisis jalur digunakan untuk mengetahui apakah data yang digunakan telah mendukung teori, yang sebelumnya atau telah dihipotesiskan oleh peneliti mencakup kaitan struktural hubungan kausal antar variabel terukur. Subyek utama dalam analisis jalur adalah variabel-variabel yang saling berkorelasi. Dengan analisis jalur, semua pengaruh baik langsung (direct effect) maupun tak langsung (indirect effect), dan pengaruh total (total couse effect) pada suatu faktor dapat diketahui. Dalam perkembangannya, analisis jalur ini dilakukan dalam kerangka pemodelan SEM
Istilah dan Notasi dalam SEM (skripsi dan tesis)
Jenis kesalahan dalam SEM (skripsi dan tesis)
Jenis kesalahan dalam SEM ada dua, yaitu: a. Kesalahan struktural (structural error) yaitu kesalahan pada model struktural dan disebut dengan error atau noise. b. Kesalahan pengukuran (measurement error) yaitu kesalahan pada model pengukuran.
Jenis model dalam SEM (skripsi dan tesis)
Jenis model dalam SEM ada dua, yaitu: a. Model struktural (structural model/inner model) yaitu model yang menggambarkan hubungan-hubungan diantara varibel laten yang membentuk persamaan simultan. b. Model pengukuran (measurement model/outer model) yaitu model yang menjelaskan hubungan sebuah variabel laten dengan variabel manifes dalam bentuk analisis faktor
Jenis variabel dalam SEM (skripsi dan tesis)
. Jenis variabel dalam SEM ada dua, yaitu: a. Variabel laten (unobserved variabel atau latent variable) yaitu variabel yang tidak dapat diamati secara langsung, tetapi dapat direpresentasikan oleh satu atau lebih variabel manifes/indikator. Menurut Kuntoro (2006), variabel laten ada dua macam, yaitu variabel laten endogen atau variabel terikat dan variabel laten eksogen atau variabel bebas, digambarkan dalam bentuk lingkaran/elips, dinotasikan dengan (small ksi) untuk variabel laten eksogen dan (small eta) untuk variabel laten endogen. b. Variabel teramati (observed variable atau measurement variable) yang sering juga disebut dengan indikator/variabel manifes (manifest variabel) yaitu variabel yang dapat diamati secara empiris melalui kegiatan survei atau sensus (Hair dkk, 1995). Variabel manifest juga terbagi menjadi dua, yakni variabel manifes eksogen/independen dan variabel manifes endogen/dependen, digambarkan dalam bentuk kotak/persegi empat, dinotasikan dengan Yi untuk indikator yang berhubungan dengan variabel laten endogen dan Xi untuk indikator yang berhubungan dengan variabel laten eksogen (Kuntoro, 2006).
Structural Equation Modeling (SEM) (skripsi dan tesis)
Structural Equation Modeling (SEM) merupakan metode statistika yang menggabungkan beberapa aspek yang terdapat pada analisis jalur dan analisis faktor konfirmatori untuk mengestimasi beberapa persamaan secara simultan (Ferdinand, 2002). Definisi tentang SEM lainnya dikemukakan oleh Wijayanto (2008) yang menyatakan bahwa SEM adalah metode pengembangan dari analisis multivariat yang berpangkal pada analisis faktor, analisis komponen utama, analisis kovarian, dan analisis korelasi. SEM memiliki kemampuan lebih dalam menyelesaikan permasalahan yang melibatkan banyak persamaan linier dengan menghasilkan model pengukuran dan sekaligus model struktural. Berbeda dengan regresi berganda, dimana pada umumnya model regresi merupakan hubungan sebab-akibat antar variabel-variabel yang teramati, sedangkan pada SEM hubungan sebab-akibat yang dispesifikasikan terjadi antar variabel-variabel laten. Model regresi lebih condong kepada eksplanatori, sedangkan pada SEM walaupun ada unsur eksplanatori namun secara empiris lebih sering dimanfaatkan sebagai model konfirmatori (Wardono, 2009). Proses estimasi parameter dalam model struktural SEM, salah satunya dapat menggunakan struktur kovarians yang lebih sering dikenal dengan istilah Model Struktur Kovarians (MSK) atau Covariance Based SEM (CB-SEM) dan lebih populer dikenal dengan model LISREL (Linier Structural Relationships). SEM berbasis kovarians mengasumsikan bahwa variabel-variabel pengamatan adalah kontinyu yang berdistribusi normal multivariat serta mensyaratkan jumlah sampel yang besar (Afifah, 2014).
Analisis Faktor Dalam SEM (skripsi dan tesis)
PLS Prediction Oriented Segmentation (PLS-POS) (skripsi dan tesis
Pengelompokan dan Heterogenitas Dalam PLS SEM (skripsi dan tesis)
Salah satu perhatian penting dalam penerapan SEM-PLS aadalah segementasi atau pengelompokan.Tujuan pengelompokan adalah membentuk observasi ke dalam kelompok dengan karakteristik yang sama atau serupa sehingga mampu meningkatkan kekuatan prediksi model. Prosedur segmentasi melibatkan pemeriksaan homogenitas atau heterogenitas pada pengamtan. Namun studi terdahulu dalam SEM sering mengasumsikan bahwa data yang dikumpulkan dari observasi telah homogeny atau dengan kata lain suatu model dengan nilai parameter yang sam cukup mempresentasikan seluruh observasi (Trujilo, 2009). Bagaimanapun, asumsi homogenitas ini sering tidak realistis dan diragukan karena data dikumpulkan dari observasi dengan latar belakang dan karakteristik beragam, seperti gender, kelompok umur, tingkat pendidikan, kultur budaya, status perkawinan, dan sebagainya Mengasumsikan homogenitas pada data dapt mendorong analisis membuat keputusan yang tidak akurat, keliru dan menghasilkan kesimpulan yang lemah. Oleh karena itu perlu mengasumsikan adanya heterogenitas pada populasi terkait perbedaan karakteristik setiap observasi (Trujilo, 2009). Dengan asumsi heterogenitas, berimplikasi bahwa terdapat lebih dari satu set estimasi parameter untuk dapat memberikan gambaran yang tepat terhadapa fenomena penelitian. Becker dkk (2013) menyatakan bahwa mengabaikan adanya heterogenitas tidak teramati dapat menimbulkan kerugian yang besar terhadap hasil estimasi PLS. Selain estimasi parameter bersifat bias, beberapa akibat lain seperti: a. Koefisien jalur yang tidak signifikan pada level kelompok (local group) menjadi signifikan pada level keseluruhan sampel yang mengkombinasikan kelompok b. Perbedaan tanda pada estimasi parameter antar kelompok termanifestasi pada hasil yang non signifikan pada level keseluruhan sampel c. Variansi yang dapat dijelaskan model (R2 dari variabel endogen) menurun. Beberapa pendekatan yang dapat digunakan untuk mengurangi bias pada estimasi parameter dan menghindarkan 21 kesalahan yang ditimnulkan karena mengabaikan heterogenitas tidak teramati pada model jalur PLS antara lain FIMIX-PLS, REBUS –PLS, dan PLS-POS (Becker dkk, 2013)
Evaluasi Model Struktural atau Inner Model (skripsi dan tesis)
Evaluasi Model SEM-Partial Least Square (PLS) (skripsi dan tesis)
Evaluasi model dalam PLS meliputi dua tahap, yaitu evaluasi outer model dan evaluasi inner model. a) Evaluasi Model Pengukuran atau Outer Model Model pengukuran atau outer model bertujuan untuk menilai validitas dan reliabilitas model. 1. Validitas Konvergen (Convergent Validity) Convergent validity digunakan untuk mengukur besarnya korelasi antara variabel laten dengan variabel indikator pada model pengukuran refleksif. Dalam evaluasi convergent validity dapat dinilai berdasarkan korelasi antara item score dengan construct score. Suatu kolerasi dapat dikatakan memenuhi convergent validity apabila memiliki nilai loading factor sebesar lebih besar dari 0,5 – 0,6 Ghozali (2011) serta nilai Thitung > pada α tertentu, pada penelitian ini menggunakan α =5%. 2. Discriminant Validity Discriminant Validity dari model pengukuran dengan tipe indikator refleksif dihitung berdasarkan nilai cross loading dari variabel indikator terhadap masing-masing variabel laten. Jika kolerasi antara variabel laten dengan setiap variabel indikator lebih besar daripada korelasi dengan variabel laten lainnya, maka variabel laten tersebut dapat dikatakan memprediksi indikatornya lebih baik dari pada variabel laten lainnya. 3. Pengujian Reliabilitas Composite Reliability atau reliabilitas komposit merupakan blok indikator yang mengukur suatu konstruk dapat dievaluasi dengan ukuran internal consistency. Composite reliability dapat dihitung dengan rumus sebagai berikut.
Bootstrap pada SEM-Partial Least Square (PLS) (skripsi dan tesis)
SEM-PLS tidak berasumsi bahwa data distribusi normal. Sehingga pada SEM-PLS berlaku metode bootstrap yaitu metode statistika nonparametrik untuk mengestimasi parameter suatu distribusi, varians sampel, dan menaksir tingkat kesalahan (Davison dan Hinkley 1997). Pada proses bootsrap, dilakukan pengambilan sampel secara resampling with replacement untuk mendapatkan kesalahan standar untuk pengujian hipotesis. Metode bootstrap telah dikembangkan oleh Efron (1979) sebagai alat untuk membantu mengurangi ketidakandalan yang berhubungan dengan kesalahan penggunaan distribusi normal dan penggunaannya. Boostrap membuat pseudo data (data bayangan) dengan menggunakan informasi dari data asli dengan memperhatikan sifat-sifat data asli, sehingga data bayangan memiliki karakteristik yang sangat mirip dengan data asli. Metode resampling pada partial least square dengan sampel kecil menggunakan bootstrap standard error untuk menilai level signifikansi dan memperoleh kestabilan estimasi model pengukuran dan model struktural dengan cara mencari estimasi dari standard error (Chin, 1998).
Structural Equation Model (skripsi dan tesis)
Partial Least Square (SEMPLS) Partial Least Squares merupakan satu metode penyelesaian SEM, yang sering disebut sebagai soft modeling karena meniadakan asumsi-asumsi OLS (Ordinary Least Squares) regresi, seperti data harus berdistribusi normal secara multivariate dan tidak adanya problem multikolonieritas antar variabel eksogen. Walaupun PLS digunakan untuk menjelaskan ada tidaknya hubungan antar variabel laten (prediction), PLS dapat juga digunakan untuk mengkonfirmasi teori (Wold dalam Ghozali, 2011). PLS memiliki kelebihan antara lain (1) algoritma PLS tidak terbatas hanya untuk hubungan antara indikator dengan variabel latennya yang bersifat refleksif namun juga bisa dipakai untuk hubungan formatif, (2) PLS dapat digunakan untuk ukuran sampel yang relatif kecil, (3) dapat digunakan untuk model yang sangat kompleks, (4) dapat digunakan ketika distribusi skew atau tidak normal (Yamin dan Kurniawan, 2011). PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif, hal ini tidak mungkin dijalankan dalam CB-SEM karena akan terjadi unidentified model. Oleh karena algorithm dalam PLS menggunakan analisis series ordinary least square, maka identifikasi model bukan masalah dalam model rekursif dan juga tidak mengasumsikan bentuk distribusi tertentu dari pengukuran variabel. Lebih jauh algorithm dalam PLS mampu mengestimasi model yang besar dan komplek dengan ratusan variabel laten dan ribuan indikator. Namun, metode PLS juga memiliki kekurangan yakni distribusi data tidak diketahui sehingga tidak bisa menilai signifikansi statistik. Kelemahan pada metode partial least square ini bisa diatasi dengan menggunakan metode resampling atau bootstrap
Analisis Jalur (Path Analysis) (skripsi dan tesis)
Analisis jalur (path analysis) merupakan suatu teknik statistika yang bertujuan untuk menganalisis hubungan sebab akibat yang terjadi pada model regresi berganda jika variabel prediktornya mempengaruhi variabel respon tidak secara langsung tetapi juga secara tidak langsung (Rutherford dalam Sarwono, 2007). Model analisis jalur digunakan untuk menganalisis pola hubungan antar variabel dengan tujuan untuk mengetahui pengaruh seperangkat variabel eksogen terhadap variabel endogen. Analisis jalur digunakan untuk mengetahui apakah data yang digunakan telah mendukung teori, yang sebelumnya telah dihipotesiskan oleh peneliti mencakup kaitan struktural hubungan kausal antar variabel terukur. Subyek utama dalam analisis jalur adalah variabel-variabel yang saling berkorelasi. Dengan analisis jalur, semua pengaruh baik langsung (direct effect) maupun tak langsung (indirect effect), dan pengaruh total (total couse effect) pada suatu faktor dapat diketahui. Dalam perkembangannya, analisis jalur ini dilakukan dalam kerangka pemodelan SEM.
Komponen-komponen dalam SEM (skripsi dan tesis)
Komponen-komponen dalam SEM secara umum adalah sebagai berikut:
Analisis Structural Equation Modeling (SEM) (skripsi dan tesis)
SEM adalah metode statistika multivariat yang banyak digunakan untuk mengatasi masalah dasar dalam pengambilan keputusan dalam ilmu-ilmu sosial dan perilaku dan berkembang 8 dalam disiplin ilmu lainnya, yaitu melalui pengukuranpengukuran yang melibatkan variabel-variabel yang tidak dapat diukur secara langsung, sehingga memerlukan variabel indikator sebagai variabel yang dapat diukur (Wijayanto, 2008). SEM mampu menguji model persamaan structural yang merupakan hubungan antara variabel laten endogen dan variabel laten eksogen. Selain itu dapat digunakan untuk menguji model pengukuran yaitu hubungan antara variabel indikator dengan variabel laten yang menunjukkan besarnya korelasi antara indikator dengan variabel laten yang dijelaskannya (Hidayat, 2010). Pemodelan dengan melibatkan banyak variabel yang tidak dapat diukur secara langsung serta menjelaskan hubungan kausal yang bersifat kompleks tidaklah mudah dan diperlukan metode statistika yang dapat menyelesaikan sistem persamaan secara komprehensif
Statistika Deskriptif (skripsi dan tesis)
Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi yang berguna. Statistika deskriptif berkenaan dengan bagaimana data dapat digambarkan, dideskripsikan atau disimpulkan baik secara numerik (misal menghitung rata-rata dan deviasi standar) atau secara grafis (dalam bentuk tabel atau grafik) untuk mendapatkan gambaran sekilas mengenai data tersebut sehingga lebih mudah dibaca dan bermakna (Walpole,1992). Dalam statistika deskriptif terdapat dua ukuran, yaitu ukuran pemusatan data dan ukuran penyebaran data. Ukuran pemusatan data dapat berupa rata-rata, median, modus, kuartil bawah, dan kuartil atas. Hasil ukuran pemusatan data dapat dijadikan pedoman untuk mengamati karakter dari sebuah data. Sedangkan ukuran penyebaran data digunakan untuk menentukan seberapa besar nilai-nilai data berbeda atau bervariasi dengan nilai pusatnya, atau seberapa besar data tersebut menyimpang dari nilai pusatnya. Ukuran penyebaran data terdiri dari jangkauan (range), variasi, dan standar deviasi (Walpole,1992).
Structural Equation Modeling (SEM) (skripsi dan tesis)
Structural Equation Modeling (SEM) merupakan metode analisis multivariat yang dapat digunakan untuk menggambarkan keterkaitan hubungan linier secara simultan antara variabel pengamatan (indikator) dan variabel yang tidak dapat diukur secara langsung (variabel laten). Variabel laten merupakan variabel tak teramati (unobserved) atau tak dapat diukur (unmeasured) secara langsung, melainkan harus diukur melalui beberapa indikator. Terdapat dua tipe variabel laten dalam SEM yaitu endogen () dan eksogen (ξ).
Asumsi Dalam Analisis Jalur (skripsi dan tesis)
Asumsi yang digunakan dalam analisis jalur yaitu:
1. Hubungan antar variabel linier
2. Sifat aditif
3. Skala pengukuran minimal interval
4. Hubungan sebab akibat (landasan teoritis)
5. Syarat lainnya sama dengan persyaratan untuk multiple regresi
Analisis jalur (skripsi dan tesis)
Analisis jalur pertama kali diperkenalkan oleh Sewall Wright (1921), seorang ahli genetika, namun kemudian dipopulerkan oleh Otis Dudley Duncan (1966), seorang ahli sosiologi. Analisis jalur bisa dikatakan sebagai pengembangan dari konsep korelasi dan regresi, dimana korelasi dan regresi tidak mempermasalahkan mengapa hubungan antar variabel terjadi serta apakah hubungan antar variabel tersebut disebabkan oleh variabel itu sendiri atau mungkin dipengaruhi oleh variabel lain.
Berbeda dengan korelasi dan regresi, analisis jalur mempelajari apakah hubungan yang terjadi disebabkan oleh pengaruh langsung dan tidak langsung dari variabel independen terhadap variabel dependen, mempelajari ketergantungan sejumlah variabel dalam suatu model (model kausal), dan menganalisis hubungan antar variabel dari model kausal yang telah dirumuskan oleh peneliti atas dasar pertimbangan teoritis. Melalui analisis jalur kita akan menguji seperangkat hipotesis kausal dan menginterpretasikan hubungan tersebut (langsung atau tidak langsung).
PARTIAL LEAST SQUARE REGRESSION (skripsi dan tesis)
Partial least square (PLS) adalah suatu tekhnik statistik multivariat yang bisa menangani banyak variabel respon dan variabel eksplanatori sekaligus. PLS merupakan alternatif yang baik untuk metode analisis regresi berganda dan regresi komponen utama karena metode PLS bersifat lebih robust, artinya parameter model tidak banyak berubah ketika sampel baru diambil dari total populasi (Geladi dan Kowalski, 1986).
PLS pertama kali dikembangkan pada tahun 1960-an oleh Herman O. A. Wold dalam bidang ekonometrik. PLS merupakan suatu tekhnik prediktif yang bisa menangani banyak variabel independen, bahkan sekalipun terjadi multikolinieritas diantara variabel-variabel tersebut (Ramzan dan Khan, 2010).
Analisis regresi berganda sebenarnya bisa digunakan ketika terdapat variabel prediktor yang banyak. Namun, jika jumlah variabel tersebut terlalu besar (misal lebih banyak dari jumlah observasi) akan diperoleh model yang fit dengan data sampel, tapi akan gagal memprediksi untuk data baru. Fenomena ini disebut overfitting. Dalam kasus seperti itu, meskipun terdapat banyak faktor manifes, mungkin saja hanya terdapat sedikit faktor laten yang paling bisa menjelaskan variasi dalam respon. Ide umum dari PLS adalah untuk mengekstrak faktor-faktor laten tersebut, yang menjelaskan sebanyak mungkin variasi faktor manifes saat memodelkan variabel respon.
Fungsi Partial Least Square (skripsi dan tesis)
Setelah para pembaca menelaah secara seksama penjelasan yang lumayan panjang diatas, tentunya bisa jadi malah tambah pusing. Maka bukan maksud untuk menyepelekan tulisan yang diatas, lupakanlah atau simpan saja hasil bacaan anda diatas. Secara mudahnya saya coba simpulkan dari kaca mata orang yang awam ilmu statistik. Yaitu sebagai berikut:
- Partial Least Square adalah analisis yang fungsi utamanya untuk perancangan model, tetapi juga dapat digunakan untuk konfirmasi teori.
- PLS tidak butuh banyak syarat atau asumsi seperti SEM. Apa itu SEM nanti akan saya jelaskan lebih lanjut pada artikel lainnya.
- Fungsi Partial Least Square kalau dikelompokkan secara awam ada 2, yaitu inner model dan outer model. Outer model itu lebih kearah uji validitas dan reliabilitas. Sedangkan inner model itu lebih kearah regresi yaitu untuk menilai pengaruh satu variabel terhadap variabel lainnya.
- Kecocokan model pada Partial Least Square tidak seperti SEM yang ada kecocokan global, seperti RMSEA, AGFI, PGFI, PNFI, CMIN/DF, dll. Dalam PLS hanya ada 2 kriteria untuk menilai kecocokan model, yaitu kecocokan model bagian luar yang disebut dengan outer model dan kecocokan bagian dalam yang disebut dengan inner model. Sehingga maksud poin 3 diatas adalah menjelaskan poin 4 ini. Untuk kecocokan model bagian luar ada 2 yaitu pengukuran reflektif dan pengukuran formatif, yang sudah dijelaskan diatas.
- Penilaian kecocokan model bagian luar atau outer model antara lain: Reliabilitas dan validitas variabel laten reflektif dan validitas variabel laten formatif.
- Penilaian kecocokan model bagian dalam antara lain: Penjelasan varian variabel laten endogenous, ukuran pengaruh yang dikontribusikan dan relevansi dalam prediksi.
Model Indikator Formatif (skripsi dan tesis)
Model Formatif tidak mengasumsikan bahwa indikator dipengaruhi oleh konstruk tetapi mengasumsikan semua indikator mempengaruhi single konstruk. Arah hubungan kausalitas mengalir dari indikator ke konstruk laten dan indikator sebagai grup secara bersama-sama menentukan konsep atau makna empiris dari konstruk laten.
Model hubungan formatif ialah hubungan sebab akibat berasal dari indikator menuju ke variabel laten. Hal ini dapat terjadi jika suatu variabel laten didefinisikan sebagai kombinasi dari indikator-indikatornya. Dengan demikian perubahan yang terjadi pada indikator-indikator akan tercermin pada perubahan variabel latennya.
Oleh karena diasumsikan bahwa indikator mempengaruhi konstruk laten maka ada kemungkinan antar indikator saling berkorelasi. Tetapi model formatif tidak mengasumsikan perlunya korelasi antar indikator atau secara konsisten bahwa model formatif berasumsi tidak adanya hubungan korelasi antar indikator. Karenanya ukuran internal konsistensi reliabilitas (cronbach alpha) tidak diperlukan untuk menguji reliabilitas konstruk formatif.
Kausalitas hubungan antar indikator tidak menjadi rendah nilai validitasnya hanya karena memiliki internal konsistensi yang rendah (cronbach alpha), untuk menilai validitas konstruk perlu dilihat variabel lain yang mempengaruhi konstruk laten.
Jadi untuk menguji validitas dari konstruk laten, peneliti harus menekankan pada nomological dan atau criterion-related validity. Implikasi lain dari Model Formatif adalah dengan menghilangkan satu indikator dapat menghilangkan bagian yang unik dari konstruk laten dan merubah makna dari konstruk.
Model Indikator Refleksif (skripsi dan tesis)
Model Indikator Refleksif sering disebut juga principal factor model dimana covariance pengukuran indikator dipengaruhi oleh konstruk laten atau mencerminkan variasi dari konstruk laten
Model reflektif mencerminkan bahwa setiap indikator merupakan pengukuran kesalahan yang dikenakan terhadap variabel laten. Arah sebab akibat ialah dari variabel laten ke indikator dengan demikian indikator-indikator merupakan refleksi variasi dari variabel laten (Henseler, Ringle & Sinkovicks, 2009). Dengan demikian perubahan pada variabel laten diharapkan akan menyebabkan perubahan pada semua indikatornya.
Pada Model Refleksif konstruk unidimensional digambarkan dengan bentuk elips dengan beberapa anak panah dari konstruk ke indikator, model ini menghipotesiskan bahwa perubahan pada konstruk laten akan mempengaruhi perubahan pada indikator.
Model Indikator Refleksif harus memiliki internal konsistensi oleh karena semua ukuran indikator diasumsikan semuanya valid indikator yang mengukur suatu konstruk, sehingga dua ukuran indikator yang sama reliabilitasnya dapat saling dipertukarkan.
Walaupun reliabilitas (cronbach alpha) suatu konstruk akan rendah jika hanya ada sedikit indikator, tetapi validitas konstruk tidak akan berubah jika satu indikator dihilangkan.
Tujuan Partial Least Square (skripsi dan tesis)
Walaupun Partial Least Square digunakan untuk menkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antara variabel laten. Partial Least Square dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif dan hal ini tidak mungkin dijalankan dalam Structural Equation Model (SEM) karena akan terjadi unidentified model.
PLS mempunyai dua model indikator dalam penggambarannya, yaitu: Model Indikator Refleksif dan Model Indikator Formatif.
Pengertian Partial least square (skripsi dan tesis)
Partial least square adalah suatu teknik statistik multivariat yang bisa untuk menangani banyak variabel respon serta variabel eksplanatori sekaligus. Analisis ini merupakan alternatif yang baik untuk metode analisis regresi berganda dan regresi komponen utama, karena metode ini bersifat lebih robust atau kebal. Robust artinya parameter model tidak banyak berubah ketika sampel baru diambil dari total populasi (Geladi dan Kowalski, 1986).
Partial Least Square suatu teknik prediktif yang bisa menangani banyak variabel independen, bahkan sekalipun terjadi multikolinieritas diantara variabel-variabel tersebut (Ramzan dan Khan, 2010).
Menurut Wold, PLS adalah metode analisis yang powerfull sebab tidak didasarkan pada banyak asumsi atau syarat, seperti uji normalitas dan multikolinearitas. Metode tersebut mempunyai keunggulan tersendiri antara lain: data tidaklah harus berdistribusi normal multivariate. Bahkan indikator dengan skala data kategori, ordinal, interval sampai rasio dapat digunakan. Keunggulan lainnya adalah ukuran sampel yang tidak harus besar.
PLS (Partial Least Square) (skripsi dan tesis)
PLS (Partial Least Square) menggunakan metoda principle component analiysis dalam model pengukuran, yaitu blok ekstraksi varian untuk melihat hubungan indikator dengan konstruk latennya dengan menghitung total varian yang terdiri atas varian umum (common variance), varian spesifik (specific variance) dan varian error (error variance). Sehingga total varian menjadi tinggi. Metoda ini merupakan salah satu dari metoda dalam Confirmatory Factor Analysis (CFA).
Menurut Hair et.al. (2006) metoda ini tepat digunakan untuk reduksi data, yaitu menentukan jumlah faktor minimum yang dibutuhkan untuk menghitung porsi maksimum total varian yang direpresentasi dalam seperangkat variabel asalnya. Metoda ini digunakan dengan asumsi peneliti mengetahui bahwa jumlah varian unik dan varian error dalam total varian adalah sedikit. Metoda ini lebih unggul karena dapat mengatasi masalah indeterminacy, yaitu skor faktor yang berbeda dihitung dari model faktor tunggal yang dihasilkan dan admissible data, yaitu ambiguitas data karena adanya varian unik dan varian error. Penelitian ini menggunakan variabel undimensional dengan model indikator reflektif. Variabel undimensional adalah variabel yang dibentuk dari indikatorindikator baik secara reflektif maupun secara formatif (Jogiyanto dan Abdilah, 2009). Sedangkan model indikator reflektif adalah model yang mengansumsikan bahwa kovarian diantara pengukuran dijelaskan oleh varian yang merupakan manifestasi dari konstruk latennya dimana indikatornya merupakannya indikator efek (effect indikator). Menurut Ghozali (2006) Model reflektif sering disebut juga principal factor model dimana covariance pengukuran indikator dipengaruhi oleh konstruk laten. Model refleksif menghipotesiskan bahwa perubahan pada konstruk laten akan mempengaruhi perubahan pada indikator dan menghilangkan satu indikator dari model pengukuran tidak akan merubah makna atau arti konstruk (Bollen dan Lennox, 1991)
Analisis Statistik Inferensial (skripsi dan tesis)
Statistik inferensial, (statistic induktif atau statistic probabilitas), adalah teknik statistik yang digunakan untuk menganalisis data sampel dan hasilnya diberlakukan untuk populasi (Sugiyono, 2009). Sesuai dengan hipotesis yang telah dirumuskan, maka dalam penelitian ini analisis data statistik inferensial diukur dengan menggunakan software SmartPLS (Partial Least Square) mulai dari pengukuran model (outer model), struktur model (inner model) dan pengujian hipotesis
Statistik Deskriptif (skripsi dan tesis)
Analisis deskriptif, yaitu analisis empiris secara deskripsi tentang informasi yang diperoleh untuk memberikan gambaran/menguraikan tentang suatu kejadian (siapa/apa, kapan, dimana, bagaimana, berapa banyak) yang dikumpulkan dalam penelitian (Supranto:2002). Data tersebut berasal dari jawaban yang diberikan oleh responden atas item-item yang terdapat dalam kuesioner. Selanjutnya peneliti akan mengolah data-data yang ada dengan cara dikelompokkan dan ditabulasikan kemudian diberi penjelasan
Pengertian PLS (Partial Least Square) (skripsi dan tesis)
PLS (Partial Least Square) merupakan analisis persamaan struktural (SEM) berbasis varian yang secara simultan dapat melakukan pengujian model pengukuran sekaligus pengujian model struktural. Model pengukuran digunakan untuk uji validitas dan reabilitas, sedangkan model struktural digunakan untuk uji kausalitas (pengujian hipotesis dengan model prediksi). Lebih lanjut, Ghozali (2006) menjelaskan bahwa PLS adalah metode analisis yang bersifat soft modeling karena tidak mengasumsikan data harus dengan pengukuran skala tertentu, yang berarti jumlah sampel dapat kecil (dibawah 100 sampel). Perbedaan mendasar PLS yang merupakan SEM berbasis varian dengan LISREL atau AMOS yang berbasis kovarian adalah tujuan penggunaannya. Dibandingkan dengan covariance based SEM (yang diwakili oleh software AMOS, LISREL dan EQS) component based PLS mampu menghindarkan dua masalah besar yang dihadapi oleh covariance based SEM yaitu inadmissible solution dan factor indeterminacy (Tenenhaus et al.,2005). Terdapat beberapa alasan yang menjadi penyebab digunakan PLS dalam suatu penelitian. Dalam penelitian ini alasan-alasan tersebut yaitu: pertama, PLS (Partial Least Square) merupakan metode analisis data yang didasarkan asumsi sampel tidak harus besar, yaitu jumlah sampel kurang dari 100 bisa dilakukan analisis, dan residual distribution. Kedua, PLS (Partial Least Square) dapat digunakan untuk menganalisis teori yang masih dikatakan lemah, karena PLS (Partial Least Square) dapat digunakan untuk prediksi. Ketiga, PLS (Partial Least Square) memungkinkan algoritma dengan menggunakan analisis series ordinary least square (OLS) sehingga diperoleh efisiensi perhitungan olgaritma (Ghozali, 2006). Keempat, pada pendekatan PLS, diasumsikan bahwa semua ukuran variance dapat digunakan untuk menjelaskan
Perbedaan VB-SEM (PLS-SEM ) dengan CB-SEM (AMOS dan LISREL)
Analisis SEM secara umum dapat dibedakan menjadi Variance Based SEM (VB SEM) dan Covariace Based SEM (CBSEM). Pendekatan PLS-SEM didasarkan pada pergeseran analisis dari pengukuran estimasi parameter model menjadi pengukuran prediksi model yang relevan. PLS-SEM menggunakan algoritma iteratif yang terdiri atas beberapa analisis dengan metode kuadrat terkecil biasa (Ordinary Least Squares). Oleh karena itu, dalam PLS-SEM persoalan identifikasi tidak penting. PLS-SEM justru mampu menangani masalah yang biasanya muncul dalam analisis SEM berbasis kovarian. Pertama, solusi model yang tidak dapat diterima (inadmissible solution) seperti munculnya nilai standardized loading factor > 1 atau varian bernilai 0 atau negatif. Kedua, faktor indeterminacy yaitu faktor yang tidak dapat ditentukan seperti nilai amatan untuk variable laten tidak dapat diproses. Karena PLS memiliki karakteristik algoritma interatif yang khas, maka PLS dapat diterapkan dalam model pengukuran reflektif maupun formatif. Sedangkan analisis CB-SEM hanya menganalisis model pengukuran reflektif (Yamin dan Kurniawan, 2011:15).
Dengan demikian, PLS-SEM dapat dikatakan sebagai komplementari atau pelengkap CB SEM (AMOS dan LISREL) bukannya sebagai pesaing
Pengertian PLS (skripsi dan tesis)
Dalam sebuah penelitian sering kali peneliti dihadapkan pada kondisi di mana ukuran sampel cukup besar, tetapi memiliki landasan teori yang lemah dalam hubungan di antara variable yang dihipotesiskan. Namun tidak jarang pula ditemukan hubungan di antara variable yang sangat kompleks, tetapi ukuran sampel data kecil. Partial Least Square (PLS) adalah salah satu metode alternative Structural Equation Modeling (SEM) yang dapat digunakan untuk mengatasi permasalahan tersebut.
Terdapat dua pendekatan dalam Structural Equation Modeling (SEM), yaitu SEM berbasis covariance (Covariance Based-SEM, CB-SEM) dan SEM dengan pendekatan variance (VB-SEM) dengan teknik Partial Least Squares (PLS-SEM). PLS-PM kini telah menjadi alat analisis yang popular dengan banyaknya jurnal internasional atau penelitian ilmiah yang menggunakan metode ini. Partial Least Square disingkat PLS merupakan jenis analisis SEM yang berbasis komponen dengan sifat konstruk formatif. PLS pertama kali digunakan untuk mengolah data di bidang economertrics sebagai alternative teknik SEM dengan dasar teori yang lemah. PLS hanya berfungsi sebagai alat analisis prediktor, bukan uji model.
Semula PLS lebih banyak digunakan untuk studi bidang analytical, physical dan clinical chemistry. Disain PLS dimaksudkan untuk mengatasi keterbatasan analisis regresi dengan teknik OLS (Ordinary Least Square) ketika karakteristik datanya mengalami masalah, seperti : (1). ukuran data kecil, (2). adanya missing value, (3). bentuk sebaran data tidak normal, dan (4). adanya gejala multikolinearitas. OLS regression biasanya menghasilkan data yang tidak stabil apabila jumlah data yang terkumpul (sampel) sedikit, atau adanya missing values maupun multikolinearitas antar prediktor karena kondisi seperti ini dapat meningkatkan standard error dari koefisien yang diukur (Field, 2000 dalam Mustafa dan Wijaya, 2012:11).
PLS yang pada awalnya diberi nama NIPALS (Non-linear Iterative Partial Least Squares) juga dapat disebut sebagai teknik prediction-oriented. Pendekatan PLS secara khusus berguna juga untuk memprediksi variable dependen dengan melibatkan sejumlah besar variable independen. PLS selain digunakan untuk keperluan confirmatory factor analysis (CFA), tetapi dapat juga digunakan untuk exploratory factor analysis (EFA) ketika dasar teori konstruk atau model masih lemah. Pendekatan PLS bersifat asymptotic distribution free (ADF), artinya data yang dianalisis tidak memiliki pola distribusi tertentu, dapat berupa nominal, kategori, ordinal, interval dan rasio.
Pendekatan PLS lebih cocok digunakan untuk analisis yang bersifat prediktif dengan dasar teori yang lemah dan data tidak memenuhi asumsi SEM yang berbasis kovarian. Dengan teknik PLS, diasumsikan bahwa semua ukuran variance berguna untuk dijelaskan. Karena pendekatan mengestimasi variable laten diangap kombinasi linear dari indikator, masalah indereminacy dapat dihindarkan dan memberikan definisi yang pasti dari komponen skor. Teknik PLS menggunakan iterasi algoritma yang terdiri dari serial PLS yang dianggap sebagai model alternative dari Covariance Based SEM (CB-SEM). Pada CB-SEM metode yang dipakai adalah Maximum Likelihood (ML) berorientasi pada teori dan menekankan transisi dari analisis exploratory ke confirmatory. PLS dimaksudkan untuk causal-predictive analysis dalam kondisi kompleksitas tinggi dan didukung teori yang lemah.
Seperti penjelasan di muka, metode PLS juga disebut teknik prediction-oriented. Pendekatan PLS secara khusus berguna untuk meprediksi variable dependen dengan melibatkan banyak variable independen. CB-SEM hanya mampu memprediksi model dengan kompleksitas rendah sampai menengah dengan sedikit indikator.
Regresi Ordinal (Skripsi dan tesis)
- Logit. program SPSS secara default menggunakan opsi ini. Digunakan pada kebanyakan distribusi data.
- Complementary log-log. Digunakan untuk data yang mempunyai kecenderungan bernilai tinggi.
- Negative Log-log. Digunakan untuk data yang mempunyai kecenderungan rendah.
- Probit. Digunakan jika variabel laten terdistribusi secara normal.
- Cauchit (Inverse Cauchy). Digunakan jika variabel laten mempunyai nilai yang ekstrim
