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 ?(??)=? , Var (??)=?(??−?)2=?2 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 ?(??)=? , Var (??)=?(??−?)2=?2 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:

?? ̇ = ?1?̇ ?−1 + ?2?̇ ?−2 + ⋯ + ???̇ ?−? + ?? (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:

?? ̇ = ?? − ?1??−1 − ?2??−2 − ⋯ − ????−? (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:

?? ̇ = ?1?̇ ?−1 + ⋯ + ???̇ ?−? + ?? − ?1??−1 − ⋯ − ????−? (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: ?? (?)(1 − ?) ??? = ?0 + ??(?)?? (4) Apabila model ARIMA mempunyai pola musiman (seasonal) maka model yang dibentuk secara umum adalah sebagai berikut: Φ? (? ? )(1 − ? ? ) ??? = Θ?(? ? )?? (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

Pengertian dari editing data adalah proses meneliti hasil survai untuk meneliti apakah ada response yang tidak lengkap, tidak komplet atau membingungkan, dan apabila ada kasus seperti ini ada beberapa cara untuk mengatasinya misalnya:

Dengan cara mengembalikan ke survayor, apabila survai lagi tidak mungkin dilakukan maka response yang tidak lengkap dapat diganti dengan missing value atau ditulis tidak menjawab,

Menyingkirkan hasil survay dengan jawaban yang tidak lengkap (apabila jumlahnya kecil dan sampel yang diambil besar)

Dilakukan dengan cara meneliti kembali data yang terkumpul dari penyebaran kuesioner. Langkah tersebut dilakukan untuk mengetahui apakah data yang terkumpul sudah cukup baik. Pemeriksaan data atau editing dilakukan terhadap jawaban yang telah ada dalam kuesioner dengan memperhatikan hal-hal meliputi: kelengkapan pengisian jawaban, kejelasan tulisan, kejelasan makna jawaban, serta kesesuaian antar jawaban. (Suplemen MPS1 Kuantitatif)

Proses editing merupakan proses dimana peneliti melakukan klarifikasi, keterbacaan, konsisitensi dan kelengkapan data yang sudah terkumpul. Proses klarifikasi menyangkut memberikan penjelasan mengenai apakah data yang sudah terkumpul akan menciptakan masalah konseptual atau teknis pada saat peneliti melakukan analisa data. Dengan adanya klarifikasi ini diharapkan masalah teknis atau konseptual tersebut tidak mengganggu proses analisa sehingga dapat menimbulkan bias penafsiran hasil analisa. Keterbacaan berkaitan dengan apakah data yang sudah terkumpul secara logis dapat digunakan sebagai justifikasi penafsiran terhadap hasil analisa. Konsistensi mencakup keajegan jenis data berkaitan dengan skala pengukuran yang akan digunakan. Kelengkapan mengacu pada terkumpulannya data secara lengkap sehingga dapat digunakan untuk menjawab masalah yang sudah dirumuskan dalam penelitian tersebut.

Kuncoro (2001) mengatakan bahwa regresi logistik memiliki beberapa kelebihan dibandingkan teknik analisis lain yaitu: 1. Regresi logistik tidak memiliki asumsi normalitas dan heteroskedastisitas atas variabel bebas yang digunakan dalam model sehingga tidak diperlukan uji asumsi klasik walaupun variabel independen berjumlah lebih dari satu. 2. Variabel independen dalam regresi logistik bisa campuran dari variabel kontinu, distrik, dan dikotomis. 3. Regresi logistik tidak membutuhkan keterbatasan dari variabel independennya. 4. Regresi logistik tidak mengharuskan variabel bebasnya dalam bentuk interval.

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.62 Atau
alat pengumpulan data yang dilakukan dengan cara mengamati dan
mencatat secara sistematik gejala – gejala yang diteliti.63
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.64 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

Dalam bagian ini akan diberikan tiga desain MMR yang hemat penulis
rancangan tersebut sangat terbuka untuk diaplikasikan dalam konteks
olahraga serta tidak sukar menggunakannya. Ketiga desain tersebut akan
penulis ambil dari karya Steckler at al., (1992), Tashakkori & Teddlie
(2010), Creswell (1999; 2010), Morse (2010) serta Creswell at al (2010).
Di samping itu, penulis juga akan berusaha untuk memberikan contoh
aplikasi setiap desain yang diberikan dalam konteks olahraga.
Desain I: Mengembangkan Instrumen kuantitatif
Rancangan pertama yang diberikan di sini adalah sebuah desain
yang digunakan dengan tujuan untuk mengembangkan instrumen
penelitian kuantitatif. Steckler at al., (1992: 5) menyebut model
pertamanya dengan “qualitative methods are used to help develop
quantitative measures and instruments”. Tidak berbeda, Creswell (1999:
463) menyebut modelnya dengan “instrument-building model”.
Dengan menggunakan desain di atas maka terdapat dua tahap
penelitian. Pada tahap pertama, metode kualitatif diarahkan untuk
mendapatkan konstruk-konstruk aitem pertanyaan atau pernyataan yang
nantinya menjadi dasar dalam pengembangan instrumen penelitian.
Dalam tahap inipeneliti menggunakan teknik wawancara mendalampada
responden. Wawancara tersebut ditujukan untuk mengungkap
karakteristik kepribadian dan/atau fenomena yang menjadi cikal bakal
penyusunaninstrumen kuantitatif.
Setelah hasil dari tahap pertama didapat maka penelitian
dilanjutkanke tahap kedua, yaitumemanfaatkan metode kuantitatif. Dalam
tahap kedua tersebut peneliti akan melakukan pengujian validitas dan
reliabilitas instrumen pada subjek yang luas. Creswell at al (2010)
menyarankan untuk melakukan pengujian pada 500 individu. Meskipun
sudah divisualisasikan seperti di atas, hal ini dianggap kurang begitu
membantu dalam memahami desain tersebut. Dibutuhkan penjelasan
lebih lanjut berkaitan dengan prosedur rancangan di atas

Desain II: Kualitatif sebagai komplementar dari kuantitatif
Desain yang kedua digunakan ketika peneliti menghendaki agar
metode kualitatif dimanfaatkan untuk membantu memberikan penjelasan
dalam penemuan metode kuantitatif. Oleh Morse (2010) rancangan
demikian dinotasikan dengan . Tanda anak panah
menunjukan penelitian dilakukan secara berurutan (sequential) sedangkan
huruf besar (KUAN yang akronim dari kuantitatif) mengindikasikan
prioritas atau bobot yang lebih dominan. Tashakkori & Teddlie (2010)
membuat notasi dominan-kurang dominan yang berurutan (sequential)
sebagai berikut KUAN/KUAL

Rancangan di atas (Mores, 2010; Tashakkori & Teddlie, 2010;
Steckler at al., 1992; Creswell, 1999; 2010; dan Creswell at al., 2010)
menjadidesain yang cukup populer dalam penelitian MMR dan acapkali
digunakan oleh para peneliti yang lebih condong pada proses kuantitatif.
Menurut Tashakkori & Teddlie (2010) desain ini terkenal di kalangan
mahasiswa tingkat sarjana dan peneliti pemula yang ingin menggunakan
dua pendekatan dalam pekerjaan mereka tetapi tidak ingin mendapatkan
banyak kesulitan ketika menggunakan dua pendekatan secara bersama.
Creswell (2012: 542) menjelaskan “this design…perhaps the most popular
form of mixed methods design in educational research”
Dalam rancangan di atas penelitian pertama dilakukan dengan
metode kuantitatif dan kemudian dilanjutkan menggunakan metode
kualitatif. Oleh karena itu, Creswell (2010; 2012) dan Creswell at al., 2010)
menyebut rancangan tersebut sebagai desain dua tahap. Desain dua
tahap merupakan yang paling sederhana dari desain MMR berurutan
(Tashakkori & Teddlie, 2010). Rancangan bertahap merupakan prosedur
penelitian di mana peneliti berusaha menggabungkan atau memperluas
penemuan yang diperoleh dari satu metode dengan penemuan dari
metode yang lain (Creswell, 2010).
Prosedur yang digunakan oleh peneliti dalam rancangan ini adalah
mengumpulkan data dan menganalisisnya menggunakan metode
kuantitatif kemudian diikuti oleh pengumpulan data serta analisis
datasecara kualitatif yang dibangun berdasarkan temuan awal (kuantitatif).
Bobot atau prioritas lebih diberikan pada data kuantitatif (Creswell at al,
2012). Meskipun demikian dua jenis data ini tidak terpisah dan tetap
berhubungan (Creswell, 2010).
Contoh penerapan desain tersebut dapat dilihat dalam
penelitiannya Maksum (2010) yang menyelidiki akar masalah dan pola
kekerasan suporter sepakbola Surabaya atau yang dikenal dengan
Bonek. Dalam tahap pertama peneliti menggunakan metode survei untuk
mendapat data tentang status sosial ekonomi para suporter, yang
mencakup tingkat pendidikan, status pekerjaan, jenis pekerjaan, tingkat
pendapatan dan kondisi orangtua. Mengingat menggunakan metode
kuantitatif maka subjek yang diselidiki jumlahnya cukup besar, yaitu 500
suporter yang diambil secara acak ketika menyaksikan persebaya
bertanding di kandang. Pengumpulan data dalam tahap tersebut dilakukan
menggunakan angket.
Setelah penelitian tahap pertama selesai dilakukan maka
dilanjutkanstudi tahap kedua dengan metode kualitatif. Tujuan dalam
penelitian tahap kedua ini adalah untuk mengungkap karakteristik dasar
dari kerusuhan suporter, faktor-faktor yang menjadi penyebab timbulnya
kerusuhan dan pola terjadinya kerusuhan suporter. Ada dua fase dalam
metode kualitatif yang digunakan, yaitu preliminary study dan field study.
Observasi lapangan serta Focus Group Discussion (FGD) menjadi pilihan
strategi untuk mengumpulkan data bertalian dengan tindak kerusuhan
suporter sepakbola.
Pada kesempatan ini penulis akan mencoba menganalisis prosedur
penelitian di atas. Dalam desain penelitiannya, Maksum (2010)
menyatakan bahwa peneliti menggunakan sequential explanatory design
dari Creswell (2003) yang bersifat dominan-kurang dominan, yaitu
menempatkan metode kualitatif lebih menonjol dibanding kuantitatif.
Prosedur tersebut akan sedikit berbeda dari tujuan awal pengembangan
sequential explanatory design dari Creswell (2010). Ilmuan yang
mengembangkan model tersebut menyatakan bahwa dalam sequential
explanatory design tersebut prioritas lazimnya diberikan pada data
kuantitatif (Creswell, 2010; Creswell at al, 2010). Namun, penelitian
Maksum (2010) melakukan sebaliknya, yaitu memberikan bobot dan
prioritas pada kualitatif. Apa yang dilakukan oleh Maksum (2010) dalam
penelitiannya patut diapresiasi karena ia melakuan perubahan bobot atau
prioritas untuk dapat menjawab secara mendalam masalah yang ada di
lapangan.
Desain III: Kuantitatif sebagai komplementar kualitatif
Desain tersebut merupakan kebalikan dari desain sebelumnya
(desain II). Desain III digunakan ketika peneliti menghendaki agar metode
kuantitatif dimanfaatkan untuk menguji secara luas penemuan yang
dihasilkan dari metode kualitatif. Morse (2010) memberikan notasi seperti
berikut . Penjelasan tanda anak panah dan huruf besar atau
kecil sama seperti pada desain sebelumnya. Tashakkori & Teddlie (2010)
membuat notasi dominan-kurang dominan yang berurutan (sequential)
sebagai berikut KUAL/KUAN. Steckler at al., (1992: 5) mengajukan model
3 yang ia sebut dengan “quantitative methods are used to embellish a
primarily qualitative study”
Rancangan yang lebih lengkap diberikan oleh Creswell (1999;
2010) dan Creswell at al (2010). Pakar mixed methods tersebut menyebut
rancangannya dengan istilah sequential exploratory design
Berbeda dengan sequential explanatory design yang lebih tepat
untuk menjelaskan dan menginterpretasikan hubungan, fokus utama
sequential exploratory design adalah untuk mengeksplorasi fenomena
(Creswell, 2010; Creswell at al, 2010). Meski begitu, desain di atas juga
melalui dua tahap penelitian, yang prioritas atau bobot lebih besar
diberikan pada kualitatif.Itu sebabnya data kuantitatif dimanfaatkan untuk
membantu dalam menginterpretasikan temuan-temuan kualitatifdalam
tahap pertama.
Rancangan ini lebih bermanfaat ketika seorang peneliti tidak hanya
ingin mengeksplorasi sebuah fenomena namun juga ingin memperluas
temuan-temuan kualitatifnya. Morgan (1998) menyatakan rancangan ini
cocok digunakan ketika menguji elemen-elemen sebuah teori baru yang
muncul dari tahap kualitatif dan bahwa desain ini juga dapat digunakan
untuk mengeneralisasikan temuan kualitatif pada sampel-sampel yang
lebih luas serta berbeda. Creswell (1999) dan Creswell at al (2010)
menjelaskan bahwa sequential exploratory design sering kali dibahas
sebagai desain yang digunakan ketika peneliti membuat dan menguji
instrumen.
Menganalisis prosedur penelitian Maksum (2007) di bagian
sebelumnya serta mempertimbangkan pendapat Morgan (1998), Creswell
(1999) dan Creswell at al (2010) maka apa yang dilakukan oleh pakar
psikologi olahraga tersebut sejatinya adalah aplikasi dari sequential
exploratory design. Meskipun secara eksplisit, jika membaca artikelnya,
iatidak menuliskan mengunakan rancangan sequential exploratory dalam
penelitiannya namun prosedur yang ia gunakan sesuai dengan desain
tersebut.

Terkait dengan pertanyaan di atas, Creswell (2010) menjelaskan
MMR akan berguna ketika metode kuantitatif atau kualitatif secara sendirisendiri kurang mumpuni untuk memahami permasalahan penelitian.
Sebaliknya, di sisi yang lain, penggunaan MMR diyakini dapat
memperoleh pemahaman yang lebih baik dibanding dengan hanya
menggunakan metode tunggal.
Bila mencermati sejarahnya maka tampak bahwa MMR
dikembangkan dengan semangat untuk mendapatkan hasil penelitian
yang lebih memuaskan dibandingkan dengan hanya menggunakan
metode tunggal. Malina (2010: 6) menyatakan “mixed methods research
employ both approaches iteratively or simultaneously to creat a research
outcome stronger than either method individually”. Oleh kerena itu,
penelitian ini secara keseluruhan lebih powerful daripada metode tunggal
(Creswell, 2010).
Creswell (2012: 535) memberikan petunjuk yang mencerahkan
bahwa “You conduct a mixed methodss study when you have both
quantitative and qualitative data and both types of data, together, provide
a better understanding of your research problem than either type by itself.
Mixed methodss research is a good design to use if you seek to build on
the strengths of both quantitative and qualitative data….You also conduct
a mixed methodss study when one type of research (qualitative or
quantitative) is not enough to address the research problem or answer the
research questions”.

Seperti halnya metode kuantiatif serta kualitatif yang memiliki
kelebihan disatu sisi dan kekurangan di sisi yang lain, MMRpun demikian.
Dengan kesadaran seperti ini maka peneliti dapat mempertimbangkan
saran dari Jones (1997) yang menyatakan bahwa ketika
mengkombinasikan metode maka kita ambil kelebihan atau kekuatan yang
terdapat dalam setiap metode. Pertanyaannya kemudian, apakah
kelebihan dari MMR?
Menurut Teddlie & Tashakkori (2010) MMR memiliki kelebihan
antara lain (1) sanggup menjawab pertanyaan yang tidak mampu dijawab
oleh metodologi yang lain, (2) memberikan proses pengambilan simpulan
yang lebih baik atau akurat, (3) memberikan peluang untuk menyajikan
beragam pandangan yang komprehensif. Tidak berbeda jauh Putra (2017)
menyebutkan bahwa beberapa kelebihan MMR antara lain (1)
dimungkinkan mengajukan pertanyaan penelitian yang kompleks, (2)
didapat data yang lebih kaya dan komprehensif, (3) hasil penelitian akan
memliki kredibilitas yang tinggi karena adanya triangulasi.
Meskipun memiliki banyak kelebihan dibanding penggunaan
metode tunggal, Putra (2017) menyatakan bahwa penggunaan MMR juga
memiliki kelemahan. Terkait dengan itu, Morse (2010) memberikan
catatan yang membantu kita. Menurutnya, pada sisi lain, kekuatan
komprehensivitas penggunaan MMR juga dapat dipandang sebagai
kelemahan. Dalam praktiknya peneliti dapat kurang ketat menerapkan
prosedur-prosedur yang ada sehingga data yang diperolehnya menjadi
dipertanyakan.
Penulis yang menganalisis penggunaan MMR menemukan bahwa
terdapat tiga kelemahaan dalam metode tersebut, antara lain (1)
dibutuhkan pengetahuan prasayarat yang baik dan mendalam terkait
dengan metode kuantitatif serta kualitatif karena keduanya digunakan
dalam satu penelitian, (2) diperlukan pengambilan banyak data dalam
penelitiannya, (3) menghabiskan banyak waktu dan tenaga dalam proses
penelitiannya. Morse (2010) mengingatkan bahwa menggunakan MMR
menimbulkan ancaman serius terhadap validitas penelitian karena asumsiasumsi dasar dari kedua metode rawan dilanggar ketika memadukan atau mengkombinasikannya

Ilmuwan berpengaruh, Morse (2010), mengeluarkan empat prinsip
dalam MMR. Namun dalam bagian ini, penulis hanya memberikan dua
prinsip yang kemudian penulis kaitkan dengan konteks olahraga. Pertama,
mengenali arah teoretis proyek penelitian. Semua proyek penelitian
memiliki tujuan akhir berupa penemuan ataupun pengujian. Cara utama
yang ditempuh peneliti dalam mengkaji secara tuntas tema penelitian di
sebut dengan arah teoretis. Arah teoretis tersebut dapat berciri induktif
(untuk tujuan penemuan) atau deduktif (untuk tujuan pengujian).

Arah teoretis induktif adalah ketika peneliti bekerja dengan tujuan
untuk menemukan jawaban, misalnya, Kenapa pelatih yang satu lebih
sukses dibanding dengan pelatih yang lain? Apakah yang membuat
seorang atlet lebih berprestasi dibanding dengan atlet lainnya? Faktor apa
yang menyebabkan itu terjadi? Seluruh arah induktif tidak berubahah
meskipun terdapat bagian-bagian kecil dalam penelitian yang berusaha
untuk melakukan konfirmatoris seperti dalam arah deduktif.
Jikalau semangat utama penelitiannya adalah untuk menguji suatu
teori atau hipotesis, untuk menjawab seberapa besar, untuk menentukan
hubungan dan tujuan sejenis lainnya maka arah teoretisnya berciri
deduktif. Pertanyaan yang biasa diajukan dengan arah teoretis seperti ini
antara lain: Apakah ada perbedaan kemampuan motorik antara anak yang
tinggal di daerah pesisir dengan di gunung? Apakah terdapat hubungan
antara gaya kepemimpinan pelatih dengan disiplin atlet? Sekali lagi,
meskipun arah utama teoretisnya adalah berciri deduktif namun dalam
penelitianya, seorang peneliti dapat memasukkan arah induktif untuk
mendapat pemahaman yang lebih komprehensif. Misalnya, bertalian
dengan budaya hidup masyarakat, kebiasaan masyarakat dalam
beraktivitas fisik, dan konstruk-konstruk lain yang relevan.
Kedua, menyadari akan dominasi yang ada dalam proyek
penelitian. Dalam rancangan mixed methods kita akan menemui istilah
dominan (dominant) seperti yang digunakan Morse (2010) serta
Tashakkori & Teddlie (2010) atau prioritas (priority) dari Morgan (1998)
yang menunjukkan tentang kadar atau bobot dalam desain penelitian.
Kesadaran akan bobot tersebut menjadi penting agar proyek penelitian
dapat berjalan dengan lancar dan tidak menimbulkan kerancuan dalam
praktiknya.
Morse (2010), Creswell (2010; 2012), dan Creswell at al (2010)
memberikan notasi huruf besar dan kecil untuk menunjukkan metode
mana yang lebih dominan atau yang memiliki bobot (weighting) lebih
tinggi. Ketika peneliti menggunakan metode kualitatif lebih dominan
sedangkan kuantitatif sebagai suplementer maka peneliti dapat
memberikan notasi KUAL + kuan atau . Sebaliknya, ketika
metode kuantitatif lebih dominan dibanding dengan kualitatif maka kita
dapat memberikan notasi KUAN + kual atau .

Mixed Methods Research (MMR) yang berlandaskan paradigma
pragmatism mempunyai penyebutan istilah yang sangat beragam.
Banyaknya istilah yang diberikan oleh pakar membuktikan bahwa metode
tersebut mengalami perkembangan. Putra (2017) yang menganalisis dan
mensintesiskan penggunaan istilah metode ini menemukan delapan istilah
berbeda yang digunakan oleh ilmuwan. Misalnya, mixing methods, mixed
methods research or called mixed research, blending quantitativequalitative, multimethods, convergence, integrated, andcombined.
Meskipun sangat beragam namun MMR dipandang lebih umum
digunakan oleh peneliti. Hal ini sesuai dengan yang diungkapkan oleh
Collins, Onwuegbuzie, and Jiao (dalam Johnson, Onwuegbuzie & Turner,
2007: 118) yang menyelidiki 496 artikel dari lintas disiplin ilmu dan
menemukan bahwa “Mixed methods research has become the most
popular term used to describe this movement”.Dengan dasar itu maka
istilah yang digunakan dalam artikel ini adalah Mixed Methods Research
(MMR). Pertanyaannya sekarang, apakah yang dimaksud dengan MMR?
Brannen (2005: 4) menyatakan “mixed methods research means
adopting a research strategy employing more than one type of research
methods.” Pakar yang lain, Creswell (2010) menyebutkan MMR
merupakan pendekatan yang mengkombinasikan atau mengasosiasikan
bentuk kualitatif dan bentuk kuantitatif. Johnson (2014: 1) memberikan
definisi yang komprehensif bahwa “Mixed methods research (also mixed
research or mixed methodology) is the type of research in which a
researcher or team of researchers mixies or combines qualitative and
quantitative research, philosphie/paradigms, methodologies, methods,
techniques, approaches, concepts or language into a single research
study”. Johnson, Onwuegbuzie & Turner (2007: 129) dalam tulisannya
yang mengupas tentang definisi MMRsampai pada simpulan “mixed
methods research is an intellectual and practical synthesis based on
qualitative and quantitative research”.
Putra (2017) yang menganalisis dari karakteristik MMR
mendefinisikannya sebagai penerapan dua metode (kuantitatif dan
kualitatif) dalam satu penelitian yang dilakukan secara berurutan maupun
bersamaan dengan tujuan untuk memahami lebih mendalam tentang
fenomena yang dikaji. Dalam artikel ini penulis akan merevisi definisi
sebelumnya dan mengaitkannya dengan konteks olahraga. MMR dalam
tulisan ini dipahami sebagai pengabungan dua metode (kuantitatif dan
kualitatif) dalam satu proses penelitian yang dilakukan secara berurutan
atau bersamaan dengan tujuan untuk memahami lebih komprehensif serta
mendalam tentang fenomena keolahragaan yang dikaji

Model teknik analisis domain menghasilkan analisis yang sifatnya umum, namun belumm terperinci dan sifatnya masih menyeluruh. Jika yang dimau adalah sebuah hasil analisis yang berfokus pada suatu domain ataupun sub-domain tertentu maka suatu penelitian akan menjadi lebih tepat jika memakai analisis Taksonomik. Melalui Analisis Taksonomik, maka analisis akan berfokus pada domain tertentu, setelah itu memilih domain tersebut untuk dijadikan sub-domain dan bagian-bagian yang lebih terperinci dan khusus yang memiliki rumpun yang serup

Penelitian ilmiah didasarkan atas logika, terorganisasi, dan teliti dalam identifikasi masalah, pengumpulan data, analisis data dan penarikan kesimpulan yang valid. Kadar (tinggi-rendahnya) mutu ilmiah suatu penelitian ilmiah dapat diukur dengan dua kriteria, yaitu:

1. Kemampuannya untuk memberikan pengertian tentang masalah yang diteliti sehingga jelas.
2. Kemampuannya untuk meramalkan, artinya sampai di mana kesimpulan yang sama dapat dicapai, apabila data yang sama ditemukan di tempat waktu lain.

Ciri-ciri penelitian ilmiah, adalah sebagai berikut:

1. Purposiveness, memiliki fokus tujuan yang jelas.
2. Rigor, teliti dan memiliki dasar teori dan desain metodologi yang baik.
3. Testability, prosedur pengujian hipotesis jelas.
4. Replicability, pengujian dapat diulang untuk kasus yang sama atau kasus sejenis lainnya.
5. Objectivity, berdasarkan atas fakta dari data actual, bukan penilaian yang subjektif dan emosional.
6. Generalizability, semakin luas ruang lingkup penggunaan hasil penelitian semakin berguna.
7. Precision, mendekati realitas dan confidence peluang kejadian dari estimasi dapat dilihat.
8. Parsimony, kesederhanaan dalam pemaparan masalah dan metode penelitiannya.