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

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

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

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

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

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

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

Persentase Pencapaian TCR :

Kriteria 90 % – 100 % : Sangat Baik

80 % – 89,99 % : Baik

65 % – 79,99 % : Cukup baik

55 % – 64,99 % : Kurang baik

0 % – 54,99 % : Tidak baik

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

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

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

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

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

117):

1. Merumuskan hipotesis dan persamaan struktural

2. Menghitung koefisien jalur yang didasarkan pada koefisien regresi

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

rumuskan persamaan strukturalnya yang sesuai hipotesis yang

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

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

b. Menghitung koefisien regresi untuk struktur yang telah dirumuskan.

3. Menghitung koefisien jalur secara simultan (keseluruhan)

4. Menghitung koefisien jalur secara individu

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

mengalikan Rsquare dengan 100%.

6. Meringkas dan menyimpulkan

Prinsip-prinsip dasar yang sebaiknya dipenuhi dalam

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

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

8

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

berbalik.

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

4. Menggunakan sampel probability sampling yaitu teknik pengambilan sampel

untuk memberikan peluang yang sama pada setiap anggota populasi untuk

dipilih menjadi anggota sampel

5. Observed variable diukur tanpa kesalahan (instrumen pengukuran validitas

dan reliabilitas) artinya variabel yang diteliti dapat diobservasi secara

langsung.

6. Model yang dianalisis dispesifikasikan (diidentifikasi) dengan benar

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

yang dikaji atau diuji dibangun berdasarkan kerangka teoritis tertentu yang

mampu menjelaskan hubungan kausalitas antar variabel yang diteliti.

Analisis jalur atau juga dikenal dengan sebutan path analysis dikembangkan

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

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

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

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

causal asymetric relation among variables.”

Sedangkan tujuan utama analisis jalur adalah

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

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

each particular cause.”

Jadi analisis jalur digunakan untuk menganalisis pola hubungan antar variabel

dengan tujuan untuk mengetahui hubungan langsung maupun tidak langsung

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

Manfaat dari model analisis jalur adalah untuk menjelaskan fenomena yang

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

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

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

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

menggunakan metode trimming

Analisis jalur atau juga dikenal dengan sebutan path analysis dikembangkan

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

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

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

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

causal asymetric relation among variables.”

Sedangkan tujuan utama analisis jalur adalah

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

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

each particular cause.”

Jadi analisis jalur digunakan untuk menganalisis pola hubungan antar variabel

dengan tujuan untuk mengetahui hubungan langsung maupun tidak langsung

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

Manfaat dari model analisis jalur adalah untuk menjelaskan fenomena yang

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

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

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

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

menggunakan metode trimming

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

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

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

Model

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

1. Reduksi Data

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

2. Penyajian Data / Display Data

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

3. Penarikan Kesimpulan / Verifikasi

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

1. Ketekunan Pengamatan

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

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

a. Membandingkan data hasil pengamatan dengan data hasil wawancara.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

1. Probability Sampling (Metode Acak)

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

2. Nonprobability Sampling (Metode Tak Acak)

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

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

 Metode acak tidak dapat digunakan sama sekali

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

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

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

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

2. Outer Model (Outer relation atau Measurement Model)

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

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

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

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

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

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

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

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

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

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

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

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

Berikut istilah – istilah dalam SEM

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

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

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

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

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

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

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

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

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

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

RMSEA ≤ 0.05 menunjukkan close fit

0.05 < RMSEA ≤ 0.08 menunjukkan good fit

0.08 < RMSEA ≤ 0.1 menunjukkan mediocre (marginal) fit

0.1 < RMSEA menunjukkan poor fit

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

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

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

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

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

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

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

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

Data = Model + Residual

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

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

1) Diagram Path

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

2) Confirmatory Factor Analysis (CFA)

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

Galat yang terdapat dalam SEM meliputi:

1) Galat Struktural (Structural Error)

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

2) Galat Pengukuran (Measurement Error)

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

Model-model yang terdapat dalam SEM meliputi:

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

2) Model pengukuran

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Ujilah apakah semua varian dan kovarian cocok dengan modelnya. •

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

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

Aplikasi utama Structural Equation Modeling meliputi:

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

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

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

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

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

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

Beberapa fungsi SEM, diantaranya ialah:

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Alasan penggunaan PLS untuk penelitian ini adalah:

Pada dasarnya, prosedur atau langkah-langkah dalam metode AHP meliputi:
1. Mendefinisikan masalah dan menentukan solusi yang diinginkan, lalu menyusun hierarki dari permasalahan yang dihadapi. Menyusun hierarki adalah dengan menetapkan tujuan yang merupakan sasaran sistem secara keseluruhan pada level teratas.
2. Menentukan prioritas elemen
– Langkah pertama dalam menentukan prioritas elemen adalah mem buat
perbandingan pasangan, yaitu membandingkan elemen secara berpasangan
sesuai kriteria yang diberikan.
– Matriks perbandingn berpasangan diisi menggunakan bilangan untuk
mempresentasikan kepentingan relatif dari suatu elemen terhadap elemen yang
lainnya.
3. Sintesis
Pertimbangan-pertimbangan terhadap perbandingan berpasangan disintesis untuk memperoleh keseluruhan prioritas. Hal-hal yang dilakukan dalam langkah ini adalah:
– Menjumlahkan nilai-nilai dari setiap kolom pada matriks.
– Membagi setiap nilai dari kolom dengan total kolom yang bersangkutan untuk memperoleh normalisasi matriks.
– Menumlahkan nilai-nilai dari setiap baris dan membaginya dengan jumlah
elemen untuk mendapatkan nilai rata-rata .
4. Mengukur konsistensi Dalam pembuatan keputusan, penting untuk mengetahui
sebeapa baik konsistensi yang ada karena kita tidak menginginkan keputusan
berdasarkan pertimbangan dengan konsistensi yang rendah. Hal-hal yang
dilakukan dalam langkah ini adalah:
– kalikan setiap nilai pada kolom pertama dengan prioritas relatif elemen
pertama, nilai pada kolom kedua dengan prioritas relatif elemen kedua, dan
seterusnya.
– Jumlahkan setiap baris.
– Hasi dari pejumlahan baris dibagi dengan elemen prioritas relatif yang
bersangkutan.
– Jumlahkan hasil bagi di atas dengan banyaknya elemen yang ada, hasilnya
disebut λ maks.
5. Hitung Consistency Index (CI) dengan rumus :
CI = ( λ maks-n)/n
Di mana n = banyaknya elemen
6. Hitung Rasio Konsistensi / Consistency Ratio (CR) dengan rumus :
CR=CI/IR
15
Di mana CR=Consistency Ratio
CI=Consistency Index
IR=Indeks Random Consistency
7. Memeriksa konsistensi hierarki. Jika nilainya lebih dari 10%, maka penilaian data judgment harus diperbaiki. Namun jika ratio konsistensi (CI/IR) kurang atau sama denga 0,1. maka hasil perhitungan bisa dinyatakan benar.

Penelitian ini melakukan tinjauan literature pada kualitas website untuk menghasilkan  subkriteria (alternatif pilihan) dan empat kriteria kualitas website (faktor utama) yaitu kualitas sistem, kualitas informasi, kualitas layanan dan daya tarik yang digunakan untuk mengukur kualitas website. Faktor-faktor yang mempengaruhi pengguna website perpustakaan ini akan dilakukan pengkajian dengan mendapatkan masukan dari para responden yang terhimpun dalam sebuah kuesioner yang akan diolah dengan menggunakan metode analytical hierarchy process (AHP) untuk menentukan bobot relatif faktor kualitas website dengan kelengkapan data numerik dari perhitungan metode Analytical Hierarchy Process (AHP). Model proses analisis hirarki (berjenjang) ini diperkenalkan pertama kali oleh Thomas L. Saaty pada era 1970-an di mana ciri khas dari model ini adalah penentuan skala prioritas atas alternatif pilihan berdasarkan suatu proses analitis secara berjenjang, terstruktur atas variabel keputusan (Darmawan 2009). Metode AHP merupakan salah satu metode yang dapat digunakan dalam pengambilan keputusan dengan memperhatikan faktor-faktor persepsi, prefensi, pengalaman dan intuisi. AHP menggabungkan penilaian-penilaian dan nilai-nilai pribadi ke dalam satu cara yang logis. (Marimin dan Nurul 2010). AHP (Analytical Hierarchy Process) memiliki sebuah hirarki fungsional dengan input utamanya persepsi manusia. Dengan hirarki, suatu masalah kompleks dan tidak terstruktur dipecahkan ke dalam kelompok-kelompoknya dan diatur menjadi suatu bentuk hirarki (Permadi 1992).

Dapat disimpulkan AHP adalah sebuah metode yang dapat menguraikan permasalahan yang sangat luas menjadi terstruktur. AHP memiliki banyak keunggulan dalam menjelaskan proses pengambilan keputusan karena dapat digambarkan secara grafis, sehingga mudah dipahami oleh semua pihak yang terlibat dalam pengambilan keputusan. Dengan 13 AHP proses keputusan kompleks dapat diuraikan menjadi keputusan-keputusan lebih kecil yang dapat ditangani dengan mudah. Penelitian sebelumnya tentang website dengan menggunakan metode AHP telah dilakukan oleh Changping (2009) tentang AHP dan dasar evaluasi analisis kesesuaian terhadap kualitas layanan informasi: studi empiris pada industri berteknologi tinggi dengan informasi portal web, di mana hasil dari penelitiannya terhadap 10 (sepuluh) pusat informasi yang berbasis web didapat nilai tertinggi pada informasi di website industri perangkat medis China dengan nilai tertinggi yaitu 3,8296, dimana alternatif pilihannya ada pada kemudahan dalam pemakaian website seperti navigasi dan kecepatannya dengan nilai 0,2371. Hsiu-Fen (2010) tentang penggunaan aplikasi AHP untuk mengevaluasi kualitas website didapat hasil dengan nilai tertinggi 0,288 pada kualitas informasi dan peringkat kedua 0,258 pada kualitas sistem. Menurut Permadi (1992) AHP adalah salah satu bentuk model pengambilan keputusan yang pada dasarnya berusaha menutupi semua kekurangan dari model-model sebelumnya. Model AHP memakai persepsi manusia yang dianggap ekspert dalam arti kata mengerti benar dengan permasalahan yang diajukan atau memiliki kepentingan dengan permasalahan.

Setelah data diperoleh, maka langkah-langkah yang akan dilakukan dalam
menganalisis data adalah :
1. Membuat plot time series  I
2. Melakukan pemeriksaan pada data apakah data sudah stasioner atau belum, menggunakan uji Augmented Dickey Fuller (ADF) untuk memeriksa apakah data sudah stasioner dalam mean dan melalui grafik transformasi Box-Cox dan uji Bartlett untuk memeriksa apakah data sudah stasioner dalam varian.
3. Melakukan proses pembedaan (differencing) jika tidak memenuhi asumsi stasioner dalam rata-rata dan melakukan transformasi data jika tidak memenuhi asumsi stasioneritas dalam varians untuk data.
4. Membuat plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) untuk melihat apakah terdapat efek musiman atau tidak serta untuk melihat panjang musiman dari data dan juga untuk mengukur hubungan keeratan antar pengamatan suatu deret waktu
5. Penetapan model untuk sementara atau mengidentifikasi model ARIMA berdasarkan dari plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF)
6. Penaksiran parameter dari semua model ARIMA Musiman yang mungkin dari data.
7. Menguji signifikansi parameter model ARIMA Musiman dan memilih model dengan semua parameter yang dihasilkan.
8. Pemeriksaan atau diagnosa apakah model memadai yaitu meliputi uji independensi residual dan uji kenormalan residual.
9. Mengevaluasi model peramalan yang telah didapatkan dengan menghitung nilai MSE, serta dilakukan pemilihan model terbaik berdasarkan nilai MSE yang paling kecil.
10. Menghitung residual yaitu selisih antara data aktual dengan hasil peramalan selama enam tahun sebelumnya.
11. Melakukan verifikasi peramalan pada model sementara menggunakan peta kendali Moving Range untuk mengetahui apakah hasil peramalan tersebut benar-benar mencerminkan data masa lalu.
12. Melakukan peramalan  kedepan untuk data berdasarkan model terbaik yang dihasilkan oleh metode ARIMA Musiman.

1. Kestasioneran terhadap rata-rata

Suatu proses stasioner dalam rata-rata jika E(Zt) = μt = μ adalah konstan untuk setiap t. Untuk memeriksa kestasioneran ini dapat digunakan diagram deret waktu (time series plot) yaitu diagram pencar antara nilai peubah Zt dengan waktu t. Dapat juga dengan menggunakan uji unit root yang bertujuan untuk mengetahui apakah data tersebut mengandung unit root atau tidak. Salah satu dari uji unit root ini yang digunakan adalah Augmented Dickey Fuller (ADF-test) dimana filosofi dari uji ADF ini adalah dengan mengikuti proses autoregressive orde pertama atau AR(1).

2. Kestasioneran terhadap varians

Suatu proses stasioner pada varians jika Var (Zt) = E (Zt – μt) 2 = σ 2 adalah konstan untuk setiap t. Pengujian stasioneritas dalam varians dapat menggunakan uji Bartlett. Jika data tidak stasioner dalam varians maka digunakan transformasi data. Menurut Rosadi (2012), transformasi yang biasa digunakan adalah Box-Cox Transformation

Heteroskedastisitas merupakan suatu kondisi apabila suatu data memiliki varians residual yang tidak konstan atau dengan kata lain situasi saat varians dari faktor pengganggu adalah tidak sama untuk semua observasi. Jika kesalahan pada suatu model mengandung masalah heteroskedastisitas, maka akibatnya UNIVERSITAS SUMATERA UTARA estimator yang dihasilkan tetap konsisten, tetapi tidak lagi efisien karena ada estimator lain yang memilki varians yang lebih kecil daripada estimator yang memiliki residual yang bersifat heteroskedastisitas. Adanya masalah heteroskedastisitas juga menjadi indikasi adanya efek ARCH pada data.

Stasioneritas berarti bahwa tidak terdapat perubahan yang drastis pada data. Fluktuasi data berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu dan variansi dari fluktuasi tersebut. (Makridakis, 1995) Sekumpulan data dinyatakan stasioner jika nilai rata-rata dan varians dari data time series tersebut tidak mengalami perubahan secara sistematik sepanjang waktu atau dengan kata lain rata-rata dan variansnya konstan. Kestasioneran data ini berkaitan dengan metode estimasi yang digunakan. Tidak stasionernya data akan mengakibatkan kurang baiknya model yang diestimasi. Selain itu apabila data yang digunakan dalam model ada yang tidak stasioner, maka data tersebut dipertimbangkan kembali validitas dan kestabilannya. Salah satu penyebab tidak stasionernya sebuah data adalah adanya autokorelasi. Bila data distasionerkan maka autokorelasi akan hilang dengan sendirinya, karena itu transformasi data untuk membuat data yang tidak stasioner menjadi stasioner sama dengan transformasi data untuk menghilangkan autokorelasi

Suatu data pengamatan dikatakan stasioner apabila proses tidak mengalami perubahan seiring dengan waktu yang berubah, dengan kata lain, proses stasioner untuk suatu {Zt}, mempunyai : Mean 𝐸(𝑧𝑡)=𝜇 , Var (𝑍𝑡)=𝐸(𝑍𝑡−𝜇)2=𝜎2 yang konstan dan kovarian  yang merupakan fungsi dari perbedaan waktu |t – s| yang dapat ditulis sebagai berikut :

(1)Stasioneritas merupakan suatu keadaan jika proses pembangkitan yang mendasari suatu deret berkala didasarkan pada nilai tengah konstan dan nilai varians konstan. Dalam suatu data kemungkinan data tersebut tidak stationer hal ini dikarenakan mean tidak konstan atau variannya tidak konstan sehingga untuk menghilangkan ketidakstasioneran terhadap mean, maka data tersebut dapat dibuat lebih mendekati stasioner dengan cara melakukan penggunaan metode pembedaan atau differencing. Prilaku data yang stasioner antara lain tidak mempunyai variasi yang terlalu besar dan mempunyai kecendrungan untuk mendekati nilai rata-ratanya, dan sebaliknya untuk data yang tidak stasioner. [3].

Jenis-jenis data yang dikategorikan stasioner dan non stasioner adalah: [5]

1. Kestasioneran data deret waktu

Ada dua macam kestasioneran data, yaitu stasioner kuat (strickly stationer) dan stasioner lemah (weakly stationer). Disebut stasioner kuat (strickly stationer) jika bentuk distribusi gabungannya tetap untuk setiap himpunan bagian dari himpunan data deret waktu, dan dalam notasi statistiknya.

Data deret waktu stasioner lemah (weakly stationer) jika pola trendnya hampir merupakan fungsi konstan.

2. Nonstasioner

Nonstasioneritas data diklasifikasikan atas

tiga bentuk yaitu :

a. Nonstasioner dalam rata-rata hitung, jika trend tidak datar (tidak sejajar sumbu waktu) dan data tersebar pada “pita” yang meliput secara seimbang trendnya.

b. Nonstasioner dalam varians, jika trend datar atau hampir datar tapi data tersebar membangun pola melebar atau menyempit yang meliput secara seimbang trendnya (pola terompet).

c. Nonstasioner dalam rata-rata hitung dan varians, jika trend tidak datar dan data membangun pola terompet

Suatu data pengamatan dikatakan stasioner apabila proses tidak mengalami perubahan seiring dengan waktu yang berubah, dengan kata lain, proses stasioner untuk suatu {Zt}, mempunyai : Mean 𝐸(𝑧𝑡)=𝜇 , Var (𝑍𝑡)=𝐸(𝑍𝑡−𝜇)2=𝜎2 yang konstan dan kovarian yang merupakan fungsi dari perbedaan waktu |t – s|

Dalam kondisi tertentu maka di dapatkan data yang tidak stationer. Dimaksud dengan  ketidak-stasioneran data secara visual, tahap pertama dapat dilakukan pada peta data atas waktu, karena biasanya “mudah” dan jika belum mendapatkan kejelasan, maka tahap berikutnya ditelaah pada gambar ACF dan PACF. Telaahan pada gambar pada peta data atas waktu, ACF dan PACF, jika data tidak stasioner maka gambarnya akan membangun pola diantaranya :

1. Menurun, jika data tidak stasioner dalam rata-rata hitung (trend naik atau turun).

Gambar 1. Data tidak stasioner dalam rata-rata hitung

Gambar 2. ACF data tidak stasioner dalam rata-rata hitung

Gambar 3. PACF data tidak stasioner dalam rata-rata hitung

2. Alternating, jika data tidak stasioner dalam varians.

Gambar 1. Data tidak stasioner dalam varians

Gambar 2. ACF data tidak stasioner dalam varians

Gambar 3. PACF data tidak stasioner dalam varians

3. Gelombang, jika data tidak stasioner dalam rata-rata hitung dan varians

Kestasioneran data merupakan kondisi yang diperlukan dalam analisis regresi deret waktu karena dapat memperkecil kekeliruan model, sehingga jika data tidak stasioner, maka harus dilakukan transformasi stasioneritas melalui proses diferensi, jika trend-nya linier, sedangkan jika tidak linier, maka transformasi linieritas trend melalui proses logaritma natural jika trend-nya eksponensial, dan proses pembobotan (penghalusan eksponensial sederhana) jika bentuknya yang lain, yang selanjutnya dilakukan proses diferensi pada data hasil proses linieritas.

Berdasarkan deskripsinya, bentuk kestasioneran ada dua yaitu Stasioner Kuat (Strickly Stationer) atau Stasioner Orde Pertama (Primary Stationer) dan stasioner lemah (Weakly Stationer) atau Stasioner orde kedua (Secondary Stationer). Deskripsi umum kestasioneran adalah sebagai berikut, Xt1, Xt2, … disebut stasioner kuat jika distribusi gabungan Xt1, Xt2, … , Xtn sama dengan distribusi gabungan Xt1+k, Xt2+k, … , Xtn+k, untuk setiap nilai t1, t2, … , tn dan k. Sedangkan disebut stasioner lemah, jika rata-rata hitung data konstan, E(X)  = µ dan autokovarians-nya merupakan fungsi dari lag ρk =  f(k). Sedangkan ketidaksioneran data diklasifikasikan atas 3 (tiga) bentuk yaitu :

1. Tidak stasioner dalam rata-rata hitung, jika trend tidak datar (tidak sejajar sumbu waktu) dan data tersebar pada “pita” yang meliputi secara seimbang trendnya.
2. Tidak stasioner dalam varians, jika trend datar atau hampir datar tapi data tersebar membangun pola melebar atau menyempit yang meliputi secara seimbang trendnya (pola terompet).
3. Tidak stasioner dalam rata-rata hitung dan varians, jika trend tidak datar dan data membangun pola terompet.

Model ARIMA merupakan model gabungan antara Autoregressive (AR) orde p dan Moving Average (MA) orde q serta proses differencing orde d untuk data pada level musiman maupun non musiman dan termasuk dalam kelompok pemodelan linier . Model AR (Autoregressive) pada orde p menyatakan pengamatan pada waktu ke-t berhubungan linier dengan pengamatan waktu sebelumnya t-1, t-2,…, t-p. Bentuk fungsi persamaan untuk model AR pada orde p dinyatakan sebagai berikut:

𝑍𝑡 ̇ = 𝜙1𝑍̇ 𝑡−1 + 𝜙2𝑍̇ 𝑡−2 + ⋯ + 𝜙𝑝𝑍̇ 𝑡−𝑝 + 𝑎𝑡 (1)

Model MA (Moving Average) digunakan untuk menjelaskan suatu kejadian bahwa suatu pengamatan pada waktu t dinyatakan sebagai kombinasi linier dari sejumlah residual. Bentuk fungsi persamaan untuk model MA pada orde q dinyatakan sebagai berikut:

𝑍𝑡 ̇ = 𝑎𝑡 − 𝜃1𝑎𝑡−1 − 𝜃2𝑎𝑡−2 − ⋯ − 𝜃𝑞𝑎𝑡−𝑞 (2)

Model ARMA merupakan model gabungan antara model AR (Autoregressive) dan MA (Moving Average) yang kadang ditulis dengan notasi ARMA (p,q). Bentuk fungsi model ARMA pada orde p dan q dinotasikan sebagai berikut:

𝑍𝑡 ̇ = 𝜙1𝑍̇ 𝑡−1 + ⋯ + 𝜙𝑝𝑍̇ 𝑡−𝑝 + 𝑎𝑡 − 𝜃1𝑎𝑡−1 − ⋯ − 𝜃𝑞𝑎𝑡−𝑞 (3)

Model ARIMA (p, d, q) yang dikenalkan oleh Box dan Jenkins dengan p sebagai orde operator dari AR, d merupakan orde differencing dan q sebagai orde operator dari MA. Model ini digunakan untuk data time series yang telah stasioner setelah dilakukan differencing sebanyak d kali yaitu dengan menghitung selisih pengamatan dengan pengamatan sebelumnya dimana bentuk persamaan untuk model ARIMA adalah sebagai berikut: 𝜙𝑝 (𝐵)(1 − 𝐵) 𝑑𝑍𝑡 = 𝜃0 + 𝜃𝑞(𝐵)𝑎𝑡 (4) Apabila model ARIMA mempunyai pola musiman (seasonal) maka model yang dibentuk secara umum adalah sebagai berikut: Φ𝑃 (𝐵 𝑠 )(1 − 𝐵 𝑠 ) 𝐷𝑍𝑡 = Θ𝑄(𝐵 𝑠 )𝑎𝑡 (5)

Analytic Network Process (ANP) merupakan teori matematis yang mampu menganalisa pengaruh dengan pendekatan asumsi-asumsi untuk menyelesaikan bentuk permasalahan. ANP sebagai  suatu pendekatan alternatif baru untuk studi kualitatif yang dapat mengkombinasikan nilai-nilai Intangible dan judgement subyektif dengan data-data statistik dan faktor-faktor tangible lainnya (Saaty, 2008). Metode ini digunakan dalam bentuk penyelesaian dengan pertimbangan atas penyesuaian kompleksitas masalah disertai adanya skala prioritas yang menghasilkan pengaruh prioritas terbesar. ANP merupakan generalisasi dari Analytic Hierarchy Process, dengan mempertimbangkan ketergantungan antara unsur-unsur dari hirarki. Banyak masalah keputusan tidak dapat terstruktur secara hirarkis karena mereka melibatkan interaksi dan ketergantungan unsur-unsur tingkat yang lebih tinggi dalam hirarki dielemen level yang lebih rendah (Saaty, 2008). Banyak proses pengambilan keputusan suatu persoalan tidak dapat disusun dalam bentuk hirarki karena melibatkan interaksi dan ketergantungan elemen-elemen yang lebih tinggi tingkatannya kepada level elemen yang lebih rendah. Metode ANP mampu memperbaiki kelemahan AHP berupa kemampuan mengakomodasi keterkaitan antar kriteria atau alternatif. Komponen ANP terdiri dari hirarki kontrol, cluster, elemen, hubungan antar elemen dan hubungan antar cluster. Keterkaitan pada metode ANP ada 2 jenis yaitu keterkaitan dalam satu set elemen (inner depedence) dan keterkaitan antar elemen yang berbeda (outer depedence)

1) Menyusun struktur masalah dan mengembangkan model keterkaitan melakukan penentuan sasaran atau tujuan yang diinginkan, menentukan kriteria mengacu pada kriteria control dan menentukan alternatif pilihan. Jika terdapat elemen – elemen yang memiliki kualitas etara maka dikelompokkan ke dalam suatu komponen yang sama.

2) Membentuk matriks perbandingan berpasangan. ANP mengasumsikan bahwa pengambil keputusan harus membuat perbandingan kepentingan antara seluruh elemen untuk setiap level dalam bentuk berpasangan. Perbandingan tersebut itransformasi ke dalam bentuk matriks A. Nilai aij merepresentasikan nilai kepentingan relative dari elemen pada baris ke-i terhadap elemen pada kolom ke-j. misalnya aij =wi / wj.

Jika ada n elemen yang dibandingkan maka matriks perbandingan A idefinisikan sebagai : A= =

3) Menghitung bobot elemen. Jika perbandingan berpasangan telah lengkap, vector prioritas w yang disebut sebagai eigenvector dihitung dengan rumus : A . w = λmaks . W Dimana : A adalah matriks perbandingan berpasangan dan λmaks adalah eigen value terbesar dari A. Eigen vector merupakan bobot prioritas suatu matriks yang kemudian digunakan dalam penyusunan supermatriks.

4) Menghitung rasio konsistensi. Rasio konsistensi tersebut harus 10% atau kurang. Jika nilainya lebih dari 10%, maka penilaian data keputusan harus diperbaiki. Dalam prakteknya, konsistensi tersebut tidak mungkin didapat. Pada matriks konsistensi, secara praktis λmaks = n, sedangkan pada matriks tidak setiap variasi dari wij akan membawa perubahan pada nilai λmaks. Deviasi λmaks dari n merupakan suatu parameter Consistency Index (CI) sebagai berikut : CI = Dimana : CI = Consistency Index λmaks= nilai eigen terbesar n =jumlah elemen yang dibandingkan 4 Berikut gambaran dari metode ANP.

Tahapan ANP

1) Menyusun struktur masalah dan mengembangkan model keterkaitan melakukan penentuan sasaran atau tujuan yang diinginkan, menentukan kriteria mengacu pada kriteria control dan menentukan alternatif pilihan. Jika terdapat elemen – elemen yang memiliki kualitas etara maka dikelompokkan ke dalam suatu komponen yang sama.

2) Membentuk matriks perbandingan berpasangan. ANP mengasumsikan bahwa pengambil keputusan harus membuat perbandingan kepentingan antara seluruh elemen untuk setiap level dalam bentuk berpasangan. Perbandingan tersebut itransformasi ke dalam bentuk matriks A. Nilai aij merepresentasikan nilai kepentingan relative dari elemen pada baris ke-i terhadap elemen pada kolom ke-j. misalnya aij =wi / wj. Jika ada n elemen yang dibandingkan maka matriks perbandingan A idefinisikan sebagai : A= =

3) Menghitung bobot elemen. Jika perbandingan berpasangan telah lengkap, vector prioritas w yang disebut sebagai eigenvector dihitung dengan rumus : A . w = λmaks . W

Dimana :

A adalah matriks perbandingan berpasangan dan λmaks adalah eigen value terbesar dari A.

Eigen vector merupakan bobot prioritas suatu matriks yang kemudian digunakan dalam penyusunan supermatriks.

4) Menghitung rasio konsistensi. Rasio konsistensi tersebut harus 10% atau kurang. Jika nilainya lebih dari 10%, maka penilaian data keputusan harus diperbaiki. Dalam prakteknya, konsistensi tersebut tidak mungkin didapat. Pada matriks konsistensi, secara praktis λmaks = n, sedangkan pada matriks tidak setiap variasi dari wij akan membawa perubahan pada nilai λmaks.

Tahapan ANP

1) Menyusun struktur masalah dan mengembangkan model keterkaitan melakukan penentuan sasaran atau tujuan yang diinginkan, menentukan kriteria mengacu pada kriteria control dan menentukan alternatif pilihan. Jika terdapat elemen – elemen yang memiliki kualitas etara maka dikelompokkan ke dalam suatu komponen yang sama.

2) Membentuk matriks perbandingan berpasangan. ANP mengasumsikan bahwa pengambil keputusan harus membuat perbandingan kepentingan antara seluruh elemen untuk setiap level dalam bentuk berpasangan. Perbandingan tersebut itransformasi ke dalam bentuk matriks A. Nilai aij merepresentasikan nilai kepentingan relative dari elemen pada baris ke-i terhadap elemen pada kolom ke-j. misalnya aij =wi / wj. Jika ada n elemen yang dibandingkan maka matriks perbandingan A idefinisikan sebagai : A= =

3) Menghitung bobot elemen. Jika perbandingan berpasangan telah lengkap, vector prioritas w yang disebut sebagai eigenvector dihitung dengan rumus : A . w = λmaks . W Dimana : A adalah matriks perbandingan berpasangan dan λmaks adalah eigen value terbesar dari A. Eigen vector merupakan bobot prioritas suatu matriks yang kemudian digunakan dalam penyusunan supermatriks.

4) Menghitung rasio konsistensi. Rasio konsistensi tersebut harus 10% atau kurang. Jika nilainya lebih dari 10%, maka penilaian data keputusan harus diperbaiki. Dalam prakteknya, konsistensi tersebut tidak mungkin didapat. Pada matriks konsistensi, secara praktis λmaks = n, sedangkan pada matriks tidak setiap variasi dari wij akan membawa perubahan pada nilai λmaks. Deviasi λmaks dari n merupakan suatu parameter Consistency Index (CI) sebagai berikut : CI = Dimana : CI = Consistency Index λmaks= nilai eigen terbesar n =jumlah elemen yang dibandingkan 5

5) Nilai CI tidak akan berarti apabila terdapat standar untuk menyatakan apakah CI menunjukkan matriks yang konsisten. Saaty (2008) memberikan patokan dengan melakukan perbandingan secara acak atas 500 buah sampel. Saaty berpendapat bahwa suatu matriks yang dihasilkan dari perbandingan yang dilakukan secara acak merupakan suatu matriks yang mutlak tidak konsisten. Dari matriks acak tersebut didapatkan juga nilai Consistency Index, yang disebut Random Index (RI). Dengan membandingkan CI dan RI maka didapatkan patokan untuk menentukan tingkat konsistensi suatu matriks, yang disebut Consistency Ratio (CR), dengan rumus : CR = Dimana : CR = Consistency Ratio CI = Consistency Index RI = Random Index Nilai RI merupakan nilai random index yang dikeluarkan oleh Oarkridge Laboratory.

6) Membuat Supermatriks Supermatriks merupakan hasil vector prioritas dari perbandingan berpasangan antar cluster, kriteria dan alternatif. Supermatriks terdiri dari tiga tahapan, yaitu supermatriks tidak tertimbang (Unweighted Supermatrix), supermatriks tertimbang (Weighted Supermatrix) dan supermatriks limit (Limitting Supermatrix).

a. Tahap Unweighted Supermatrix Unweighted Supermatrix dibuat berdasarkan perbandingan berpasangan antar cluster, kriteria dan alternatif dengan cara memasukkan vector prioritas (eigen vector) kolom ke dalam matriks yang sesuai dengan selnya.

b. Tahap Weighted Supermatrix Weighted Supermatrix diperoleh dengan cara mengalihkan semua elemen pada unweighted supermatrix dengan nilai yang terdapat dalam matriks cluster yang sesuai sehingga setiap kolom memiliki jumlah satu.

c. Tahap Limmiting Supermatrix Selanjutnya untuk memperoleh limiting supermatrix, weighted supermatrix dinaikkan bobotnya. Menaikkan bobot weighted supermatrix dilakukan dengan cara mengalikan supermatriks tersebut dengan dirinya sendiri sampai beberapa kali. Ketika bobot pada setiap kolom memiliki nilai yang sama, maka limmiting supermatrix sudah didapatkan.

7) Rangking Alternatif

a. Bobot Raw Bobot raw merupakan nilai eigen vektor dari normalisasi limiting supermatrik.

b. Bobot Normal Bobot normal didapatkan dari nilai bobot raw dibagi dengan jumlah total dari bobot raw.

. Bobot Ideal Nilai ideal adalah nilai hasil bagi kolom(kolom nilai normal) dengan nilai terbesar pada kolom normal

Terdapat tiga prinsip dasar ANP :

1. Dekomposisi.

Masalah – masalah yang dikumpulkan dengan melakukan studi lapangan ketika penelitian sedang berlangsung merupakan masalah yang kompleks. Untuk menstruktur masalah – masalah yang kompleks tersebut perlu didekomposisikan ke dalam suatu jaringan dalam bentuk komponen – komponen, cluster, sub cluster, serta alternatif. Mendekomposisi adalah memodelkan masalah ke dalam kerangka ANP.

2. Penilaian Komparasi.

Prinsip ini diterapkan untuk melihat perbandingan pasangan (pairwise) dari semua jaringan / hubungan / pengaruh yang dibentuk dalam suatu kerangka kerja. Hubungan tersebut dapat berupa hubungan anatara elemen – elemen dalam suatu komponen yang berbeda atau hubungan antara elemen dengan elemen lainnya dalam komponen yang sama. Pembandingan pasangan ini digunakan untuk mendapatkan prioritas local dari elemen – elemen dalam suatu cluster dilihat dari cluster induknya.

3. Komposisi hierarki atau sintesis.

Prinsip ini diterapkan untuk mengalikan prioritas lokal dari elemen – elemen dalam cluster dengan prioritas ‘global’ dari elemen induk yang akan menghasilkan prioritas global seluruh hierarki dan menjumlahkannya untuk menghasilkan prioritas global untuk elemen level terendah (biasanya merupakan alternatif).

Multiple Criteria Decision Making (MCDM) merupakan suatu metode pengambilan keputusan untuk menetapkan alternative terbaik dari sejumlah alternative berdasarkan beberapa kriteria tertentu. Terdapat beberapa metode dalam pendekatan MCDM anatara lain Simple Additive Weighting Method (SAW), Weighted Product Model (WPM), ELECTRE, Technique for Order Preference by Similarity to Ideal Solution (TOPSIS), Analytic Hierarchy Process (AHP) serta ANP karena merupakan pengembangan dari AHP[10].

Analytic Network Process (ANP) merupakan teori matematis yang mampu menganalisa pengaruh dengan pendekatan asumsi-asumsi untuk menyelesaikan bentuk permasalahan. ANP sebagai Jurnal Sistem Informasi Bisnis 02(2016) On-line :http://ejournal.undip.ac.id/index.php/jsinbis 107 suatu pendekatan alternatif baru untuk studi kualitatif yang dapat mengkombinasikan nilai-nilai Intangible dan judgement subyektif dengan data-data statistik dan faktor-faktor tangible lainnya (Saaty, 2008). Metode ini digunakan dalam bentuk penyelesaian dengan pertimbangan atas penyesuaian kompleksitas masalah disertai adanya skala prioritas yang menghasilkan pengaruh prioritas terbesar. ANP merupakan generalisasi dari Analytic Hierarchy Process, dengan mempertimbangkan ketergantungan antara unsur-unsur dari hirarki. Banyak masalah keputusan tidak dapat terstruktur secara hirarkis karena mereka melibatkan interaksi dan ketergantungan unsur-unsur tingkat yang lebih tinggi dalam hirarki dielemen level yang lebih rendah (Saaty, 2008). Banyak proses pengambilan keputusan suatu persoalan tidak dapat disusun dalam bentuk hirarki karena melibatkan interaksi dan ketergantungan elemen-elemen yang lebih tinggi tingkatannya kepada level elemen yang lebih rendah. Metode ANP mampu memperbaiki kelemahan AHP berupa kemampuan mengakomodasi keterkaitan antar kriteria atau alternatif. Komponen ANP terdiri dari hirarki kontrol, cluster, elemen, hubungan antar elemen dan hubungan antar cluster. Keterkaitan pada metode ANP ada 2 jenis yaitu keterkaitan dalam satu set elemen (inner depedence) dan keterkaitan antar elemen yang berbeda (outer depedence)

ANP merupakan pengembangan dari metode Analytic Hierarchy Process (AHP), AHP sendiri merupakan metode yang lebih banyak memperhitungkan ketergantungan antara unsur-unsur hirarki. Banyak masalah keputusan yang tidak dapat terstruktur menggunakan hirarki karena hierarki lebih mempertimbangkan ketergantungan dengan elemen tingkat yang lebih tinggi dalam hirarki, pada elemen tingkat yang lebih rendah. Sedangkan ANP yang diwakili oleh jaringan, bukan hirarki dapat mengatasi masalah tersebut. ANP adalah cara logis digunakan untuk menangani masalah ketergantungan dari unsur yang lebih tinggi

AHP merupakan suatu model pendukung keputusan yang dikembangkan oleh Thomas L. Saaty. AHP sendiri merupakan sebuah model pendukung keputusan yang dapat menyelesaikan masalah yang bersifat multi kriteria yang kompleks berdasarkan unsur hierarki sebagai dasar penyusunnya.  Hirarki merupakan suatu penggambaran sebuah permasalahan yang kompleks dimana level pertama adalah tujuan, yang diikuti level faktor kriteria, sub kriteria, dan seterusnya hingga ke level terakhir yaitu alternatif. Dengan menggunakan hirarki, masalah dapat digabung ke dalam kelompok-kelompoknya sehingga permasalahan akan tampak lebih terstruktur dan sistematis

Analisis data penelitian kualitatif seharusnya dimulai pada awal penelitian. Ketika seseorang melakukan penelitian, maka di saat itu pula ia (peneliti) akan berhadapan dengan data-data baik data-data dari teks atau dokumen, melalui catatancatatan observasi ataupun melalui wawancara. Pada saat yang sama, peneliti akan membaca data-data tersebut (mungkin berkali-kali) yang selanjutnya akan memberikan makna terhadap data yang dibaca tersebut. Analisis data di awal penelitian akan memudahkan peneliti dalam menerapkan strategi yang akan digunakan dalam mengumpulkan datadata atau informasi baru selanjutnya. Mengingat peneliti akan melakukan pengumpulan data melalui wawancara dengan informan lain, maka analisis data yang dilakukan lebih awal akan menjadi panduan peneliti dalam menggali informasi dari informan. Setelah mengumpulkan data melalui wawancara dan observasi, maka hal yang pertama dihadapi oleh seorang peneliti adalah berhadapan dengan data-data penelitian. Data-data tersebut membutuhkan pengorganisasian yang kemudian disebut sebagai analisis data.

Bagi beberapa peneliti, penelitian kualitatif terkadang sulit didefinisikan. Argumentasi yang paling banyak digunakan adalah bahwa penelitian kualitatif adalah penelitian yang tidak memanfaatkan angka-angka, berlawanan dengan penelitian kuantitatif. Pendapat ini tidak dapat disalahkan mengingat datadata yang diperoleh dalam penelitian kualitatif lebih bersifat kata-kata atau informasi. Namun demikian, penelitian kualitatif dapat diidentifikasi dan dipahami dengan melihat cakupan atau feature yang terdapat pada penelitian kualitatif. Flick (2007) berpendapat bahwa penelitian kualitatif adalah penelitian yang diperuntukkan untuk memahami, menguraikan, dan bahkan menjelaskan fenomena sosial yang ada dengan cara-cara sebagai berikut:

Koding merupakan kegiatan merubah data berbentuk huruf menjadi data berbentuk angka/ bilangan. Misalnya untuk variabel pekerjaan dilakukan koding 1 = Pegawai Negeri, 2 = Wiraswasta, 3 = Pegawai Swasta dan 4 = Pensiunan. Jenis kelamin: 1 = Pria dan 2 = Wanita, dsb. Kegunaan dari koding adalah untuk mempermudah pada saat analisis data dan juga mempercepat pada saat entry data. Entry data, adalah transfer coding data dari kuisioner kesoftware. Pengkodean data dilakukan untuk memberikan kode yang spesifik pada respon jawaban responden untuk memudahkan proses pencatatan data.

Pemberian kode pada data adalah menterjemahkan data  kedalam kode-kode yang biasanya dalam bentuk angka. Tujuannya ialah untuk dapat dipindahkan kedalam sarana penyimpanan, misalnya komputer dan analisa berikutnya. Dengan data sudah diubah dalam bentuk angka-angka, maka peneliti akan lebih mudah mentransfer kedalam komputer dan mencari program perangkat lunak yang sesuai dengan data untuk digunakan sebagai sarana analisa, misalnya apakah data tersebut dapat dianalisa