Tag: Metode Analisa Data

Uji reliabilitas adalah pengukuran untuk suatu gejala. Semakin tinggi realibilitas suatu alat ukur, maka semakin stabil alat tersebut untuk digunakan. Tingkat realibilitas suatu konstruk atau variabel penelitian dapat dilihat dari hasil statistik Cronbach Alpha (α) Suatu variabel dikatakan reliable jika memberikan nilai cronbach alpha > 0,60. Semakin nilai alphanya mendekati 21 satu maka nilai realibilitas datanya semakin terpercaya.Dengan kata lain, realibilitas menunjukkan konsistensi suatu alat pengukur di dalam pengukur gejala yang sama. Uji realibilitas dilakukan dengan rumus Croansbach’s Alpha

Pengujian validitas data digunakan untuk mengukur sah atau valid tidaknya suatu kuesioner. Suatu kuesioner dianggap valid jika pertanyaan pada kuesioner mampu mengungkapkan sesuatu yang diukur oleh kuesioner tersebut. Pengujian validitas dilakukan dengan bantuan program SPSS for windows. Pengambilan keputusan berdasarkan nilai p value atau nilai signifikasi kurang dari 0,05, maka item pertanyaan tersebut dinyatakan valid dan sebaliknya jika nilai p value atau signifikasi sama dengan atau lebih dari 20 0,05 dinilai tidak valid. Cara analisisnya dengan cara menghitung koefisien korelasi antara masing-masing nilai pada nomor pertanyaan dengan nilai total dari nomor pertanyaan tersebut. Selanjutnya koefisien korelasi yang diperoleh r masih harus diuji signifikansinya bisa menggunakan uji t atau membandingkannya dengan r tabel.Bila t hitung > dari t tabel atau r hitung >dari r tabel, maka nomor pertanyaan tersebut valid. Bila menggunakan program komputer, asalkan r yang diperoleh diikuti harga p< 0,05 berarti nomor pertanyaan itu valid

Ekstraksi faktor yang bertujuan untuk mengetahui jumlah faktor yang terbentuk dari data yang ada.Pada tahap ini, akan dilakukan proses inti dari analisis faktor, yaitu melakukan ekstraksi terhadap sekumpulan variabel yang 17 adaKMO>0,5, sehingga terbentuk satu atau lebih faktor.Metode ekstrasi yang digunakan adalah Analisis Komponen Utama (Principal Components Analysis). Analisis komponen utama merupakan teknik statistik yang digunakan untuk menjelaskan struktur variansi-kovariansi dari sekumpulan variabel melalui beberapa variabel baru dimana variabel baru ini saling bebas, dan merupakan kombinasi linier dari variabel asal. Selanjutnya, variabel baru ini dinamakan komponen utama. Secara umum tujuan dari analisis komponen utama adalah mereduksi dimensi data sehingga lebih muda untuk menginterpretasikan data-data tersebut. Analisis komponen utama bertujuan untuk menyederhanakan variabel yang diamati dengan cara menyusutkan dimensinya. Hal ini dilakukan dengan menghilangkan korelasi variabel melalui transformasi variabel asal ke variabel baru yang tidak berkorelasi.Variabel baru (?)disebut komponen utama yang merupakan hasil transformasi dari variabel asal X yang modelnya dalam bentuk catatan matriks

Analisis faktor mempunyai beberapa kegunaan adalah sebagai berikut : a) Untuk mengidentifikasi underlying dimensions (factors) yang dapat menjelaskan korelasi sekumpulan variabel.Untuk mengidentifikasi variabel baru, yang dapat digunakan untuk analisis l lainnya c) Untuk mengedintifikasi satu atau beberapa variabel dari variabel yang banyak jumlahnya. d) Mengkonfirmasi kontruksi suatu variabel latin

Analisis faktor merupakan salah satu metode statistika multivariate yang digunakan untuk menemukan beberapa faktor yang mendasari dan mampu menjelaskan hubungan atau korelasi antara berbagai indikator independen yang diobservasi  . Metode analisis faktor pertama kali digunakan oleh Charles Spearman untuk memecahkan persoalan psikologi dalam tulisannya pada American Journal of Psychology pada tahun 1904 mengenai dan pengukuran intelektual.Analisis faktor menganalisis sejumlah variabel dari suatu pengukuran atau pengamatan yang dititikberatkan pada teori dan kenyataan yang sebenarnya dan menganalisis interkolerasi (hubungan) antara variabel untuk menetapkan apakah variasi-variasi yang tampak dalam variabel-variabel tersebut berdasarkan sejumlah faktor dasar yang jumlahnya lebih sedikit dari jumlah variasi yang ada variabel. Selain itu analisis faktor merupakan metode yang dapat digunakan untuk mereduksi data yaitu suatu proses untuk meringkas sejumlah variabel independen yang saling berkorelasi untuk dikelompokan menjadi sebuah variabel baru yang diberi nama faktor. Prinsip dasar analisis faktor adalah mengekstrasi sejumlah faktor (common factor) dari gugusan variabel asal?1, ?2, ?3, …., ??, sehingga banyaknya faktor lebih sedikit dari banyaknya variabel asal x yang tersimpan dalam sejumlah faktor

Faktor rotasi menunjukkan korelasi antara variabel yang diperkirakan dari matriks faktor.Dalam rotasi faktor dikenal dua jenis rotasi, yaitu rotasi orthogonal dan rotasi oblique. Dalam rotasi orthogonal variabel – variabel diekstraksi sedemikian rupa, sehingga variabel – variabel tersebut independent satu sama lain, dengan melakukan rotasi tegak lurus. Sedangkan pada oblique tidak perlu melakukan rotasi tegak lurus.(Santoso,2010) Metode rotasi dengan orthogonal yang banyak dipergunakan yaitu varimaxrotation.Prosedur ini digunakan untuk meminumkan (membuat sedikit  mungkin) banyaknya variabel dengan muatan tinggi (high loading) pada satu faktor. (Supranto,2010)

Faktor rotasi menunjukkan korelasi antara variabel yang diperkirakan dari matriks faktor.Dalam rotasi faktor dikenal dua jenis rotasi, yaitu rotasi orthogonal dan rotasi oblique. Dalam rotasi orthogonal variabel – variabel diekstraksi sedemikian rupa, sehingga variabel – variabel tersebut independent satu sama lain, dengan melakukan rotasi tegak lurus. Sedangkan pada oblique tidak perlu melakukan rotasi tegak lurus.(Santoso,2010) Metode rotasi dengan orthogonal yang banyak dipergunakan yaitu varimaxrotation.Prosedur ini digunakan untuk meminumkan (membuat sedikit mungkin) banyaknya variabel dengan muatan tinggi (high loading) pada satu faktor. (Supranto,2010)

Pada dasarnya tujuan analisis faktor adalah (Santoso,2010) a. Data summarizationyakni mengidenfikasi adanya hubungan antara variabel dengan melakukan uji korelasi. b. Data reduction yakni setelah melakukan korelasi, dilakukan proses membuat sebuah variabel set baru yang dinamakan faktor untuk menggantikan sejumlah variabel tertentu.

Proses analisis faktor mencoba menemukan hubungan (interrelationship) antara sejumlah variabel – variabel yang saling independen satu dengan yang lain, sehingga bisa dibuat satu atau beberapa kumpulan variabel yang lebih sedikit dari jumlah variabel awal. (Santoso, 2010) Analisis faktor didasarkan pada sebuah model dimana vektor hasil pengamatan dipartisi ke dalam suatu bagian sistematik yang tak teramati dan suatu bagian error yang tak teramati.Komponen dari vektor error dianggap bebas (independent) dari komponen vektor sistematik, dimana bagian sistematik merupakan kombinasi linier dari variabel faktor yang jumlahnya relatif lebih sedikit.Analisis faktor memisahkan pengaruh faktor yang menjadi perhatian dasar dari error (Anderson.T.W, 1984). Salah satu kelebihan dari analisis faktor adalah ketika bentuk persamaan tidak cocok dengan data, perkiraan korelasi antar faktor dengan variabel jelas mencerminkan kegagalan. Dalam sebuah kasus, ada dua permasalahan dalam perkiraan yaitu (1) tidak jelas banyaknnya faktor yang dibentuk dan (2) tidak jelas nama faktor yang di tentukan. Dalam prosedur statistik lain, kegagalan asumsi tidak mengakibatkan konsekuensi yang jelas seperti dalam perkiraan korelasi. Namun hal ini menjadi asumsi dasar analisis faktor. (Rencher A.C., 2002)

Menurut Hair, et al. (1995) analisis faktor adalah sebuah nama umum yang diberikan kepada sebuah kelas dari metode statistika multivariat yang tujuan utamanya adalah menentukan struktur yang mendasari keterkaitan (korelasi) antara sejumlah variabel. P Faktor merupakan variabel baru yang bersifat tidak bisa diukur atau tidak dapat diamati. Sedangkan X adalah variabel yang dapat diukur atau diamati. Faktor dalam analisis faktor dibentuk untuk memaksimalkan penjelasan dari sekelompok variabel, bukan digunakan untuk memprediksi suatu variabel tidak bebas. Dalam analisis faktor variabel-variabel dikelompokkan berdasarkan korelasinya, yaitu variabel yang mempunyai korelasi tinggi akan berada dalam kelompok tertentu membentuk suatu faktor dan variabel-variabel yang mempunyai korelasi rendah akan membentuk faktor lain. Secara umum dapat dikatakan bahwa analisis ini bertujuan untuk menganalisis hubungan sejumlah besar variabel dengan menentukan satu kelompok dimensi umum yang disebut faktor (Hair, et al. 1995). Dalam melakukan analisis faktor keputusan pertama yang harus diambil oleh peneliti adalah menganalisis apakah data yang ada cukup memenuhi syarat di dalam analisis faktor. Langkah ini dilakukan dengan mencari matriks korelasi 6 antara indikator-indikator yang diobservasi. Metode Kaiser-Mayer Olkin (KMO) paling banyak digunakan untuk melihat syarat kecukupan data untuk analisis faktor. Metode ini mengukur kecukupan sampel secara menyeluruh dan mengukur kecukupan sampel untuk setiap indikator

Sebagaimana metode regresi biasa, Regresi Logistik dapat dibedakan menjadi 2, yaitu:

Asumsi yang harus dipenuhi dalam Regresi Logistik antara lain: 1. Regresi logistik tidak membutuhkan hubungan linier antara variabel independen dengan variabel dependen. 2. Variabel independen tidak memerlukan asumsi multivariate normality. 3. Asumsi homokedastisitas tidak diperlukan 4. Variabel bebas tidak perlu diubah ke dalam bentuk metrik (interval atau skala ratio). 5. Variabel dependen harus bersifat dikotomi (2 kategori, misal: tinggi dan rendah atau baik dan buruk) 6. Variabel independen tidak harus memiliki keragaman yang sama antar kelompok variabel 7. Kategori dalam variabel independen harus terpisah satu sama lain atau bersifat eksklusif 8. Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan hingga 50 sampel data untuk sebuah variabel prediktor (independen). 9. Regresi logistik dapat menyeleksi hubungan karena menggunakan pendekatan non linier log transformasi untuk memprediksi odds ratio. Odd dalam regresi logistik sering dinyatakan sebagai probabilitas.

Uji ini sering disebut juga sebagai uji ketepatan model. Uji ini digunakan untuk mengatahui apakah model regresi logistik sudah sesuai dengan data observasi yang diperoleh. Untuk menilai ketepatan model regresi logistik dalam penelitian ini diukur dengan nilai chi square dengan uji Hosmer dan Lemeshow. Pengujian ini akan melihat nilai goodness of fit test yang diukur dengan nilai chi square pada tingkat signifikansi, dimana tingkat signifikansi pada penelitian ini adalah 5%. Uji Hosmer dan Lemeshow ini disebut juga uji t yaitu uji signifikansi konstanta dan setiap variabel independen. Kriteria Statistiknya dapat dilihat dari tabel Hosmer and Lemeshow dari hasil olah data.

Model regresi merupakan komponen penting dalam beberapa analisis data dengan menggambarkan hubungan antara variabel respon dan satu atau beberapa variabel penjelas. Pada umumnya analisis regresi digunakan untuk menganalisis data dengan variabel respon berupa data kuantitatif. Akan tetapi sering juga ditemui  kasus dengan variabel responnya bersifat kualitatif/kategori. Untuk mengatasi masalah tersebut maka dapat digunakan model regresi logistik. Pendekatan model persamaan regresi logistik digunakan karena dapat menjelaskan hubungan antara variabel bebas dan peluangnya yang bersifat tidak linear, ketidaknormalan sebaran dari variabel terikat, serta keragaman respon yang tidak konstan dan tidak dapat dijelaskan oleh model regresi linear biasa (Agresti, 1990). Menurut Hosmer (1989), metode regresi logistik adalah suatu metode analisis statistika yang mendeskripsikan hubungan antara peubah respon yang memiliki dua kategori atau lebih dengan satu atau lebih peubah penjelas berskala kategori atau interval. Yang dimaksud dengan peubah kategorik yaitu peubah yang berupa data nominal dan ordinal. Pada dasarnya regresi logistik sama dengan analisis diskriminan, perbedaan ada pada jenis data dari variabel dependen. Jika pada analisis diskriminan variabel dependen adalah data rasio, maka pada regresi logistik variabel dependen adalah data nominal. Data nominal di sini lebih khusus adalah data binary. Dengan demikian, tujuan regresi logistik adalah pembuatan sebuah model regresi untuk memprediksi besar variabel dependen yang berupa variabel binary dengan menggunakan data variabel independen yang sudah diketahaui besarnya. Regresi logistik biner adalah salah satu metode statistika yang sering digunakan untuk mengklasifikasikan sejumlah pengamatan dengan respon biner ke dalam beberapa kelompok berdasarkan satu atau lebih variabel prediktor. Melalui metode ini akan dihasilkan peluang dari masing-masing kategori respon yang akan dijadikan sebagai pedoman pengklasifikasian dan suatu pengamatan akan masuk kedalam respon kategori tertentu berdasarkan nilai peluang yang terbesar. Pada Regresi logistik biner (dikotomus), variabel responnya mempunyai dua kategori. Fenomena dimana variabel responnya dua (bivariat) dan masingmasing berkategorikan biner, dapat dianalisis mengunakan regresi logistik biner bivariat, dengan asumsi antar peubah respon biner terdapat dependensi.

Analisis regresi adalah teknik statistika yang berguna untuk memeriksa dan memodelkan hubungan diantara variabel-variabel. Analisis regresi dapat digunakan untuk dua hal pokok, yaitu: a. Untuk memperoleh suatu persamaan dari garis yang menunjukkan persamaan hubungan antara dua variabel. Persamaan dan garis yang dihasilkan bisa berupa persamaan garis bentuk linier maupun nonlinier. b. Untuk menaksir suatu variabel yang disebut variabel tak bebas (terikat) dengan variabel lain yang disebut variabel bebas berdasarkan hubungan yang ditunjukkan persamaan regresi tersebut. Berdasarkan amatan dan analisis data, penyelesaian regresi ini dapat berupa persamaan linier maupun nonlinier. Oleh karena itu analisis regresi ini terbagi atas regresi linier dan regresi nonlinier. Yang termasuk ke dalam regresi linier adalah regresi linier sederhana, regresi linier berganda, dan sebagainya. Ssedangkan yang termasuk regresi nonlinier adalah regresi model parabola kuadratik, model parabola kubik, model eksponen, model geometrik, regresi logistik, dan sebagainya.

Secara garis besar, penelitian dalam bidang kesehatan dapat dibagi berdasarkan beberapa aspek sebagai berikut: 1. Berdasarkan tujuan, penelitian kesehatan dapat dibagi menjadi penelitian eksploratif, penelitian deskriptif, penelitian analitik (prospektif dan retrospektif) dan penelitian eksperimental. 2. Berdasarkan pendekatan yang digunakan maka penelitian dapat dibagi menjadi penelitian cross sectional dan longitudinal. 3. Berdasarkan keterlibatan peneliti dapat dikelompokkan menjadi penelitian observasional dan penelitian intervensional.Konsep penelitian ini adalah penelitian Cross Sectional. Penelitian cross sectional mempelajari dinamika hubungan antara faktor resiko dengan efeknya. Faktor resiko dengan efeknya diobservasi pada saat yang sama. Artinya subjek penelitian diobservasi hanya satu kali saja dan faktor resiko dengan efeknya dicatat sesuai kondisi atau status pada saat observasi. Faktor resiko pada penelitian ini adalah Jenis Kelamin, Usia, Sex, Transfusi Darah, Jarum Suntik, Ibu ke anak dan efeknya adalah penyakit Hiv/Aids

Pengetahuan mengenai skala pengukuran data sangat penting di dalam statistika. Terdapat empat skala pengukuran data, diurutkan mulai dari tingkatan terendah hingga tertinggi seperti berikut ini:

Data merupakan sejumlah informasi yang dapat memberikan gambaran tentang sesuatu keadaan. Informasi yang di peroleh memberikan keterangan, gambaran, atau fakta mengenai suatu persoalan dalam bentuk kategori, huruf, atau bilangan. Data digunakan untuk menyediakan informasi bagi suatu penelitian, pengukuran kinerja, dasar pembuatan keputusan dan menjawab rasa ingin tahu. Jenis-jenis data berdasarkan cara memperolehnya yaitu:

1. Tidak mengasumsikan hubungan linier antar variabel dependen dan independen
2. Variabel dependen harus bersifat dikotomi (2 variabel)
3. Variabel independen tidak harus memiliki keragaman yang sama antar kelompok variabel
4. Kategori dalam variabel independen harus terpisah satu sama lain atau bersifat eksklusif
5. Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan hingga 50 sampel data untuk sebuah variabel prediktor (bebas).

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

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

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

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

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

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

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

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

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

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

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

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

Menurut Hosmer dan Lemeshow (2000) tujuan melakukan analisis data kategori menggunakan regresi logistik adalah mendapatkan model terbaik dan sederhana untuk menjelaskan hubungan antara keluaran dari variabel respons (?) dengan variabel-variabel prediktornya (?). Variabel respons dalam regresi logistik dapat berupa kategori atau kualitatif, sedangkan variabel prediktornya dapat berupa kualitatif dan kuantitatif. Jika variabel ? merupakan variabel biner atau dikotomi dalam artian variabel respons terdiri dari dua kategori yaitu “sukses” (? = 1) atau “gagal” (? = 0), maka variabel ? mengikuti sebaran Bernoulli yang memiliki fungsi densitas peluang: ?(?? ) = ?(??) ??(1 − ?(??)) 1−?? , ; ?? = 0,1 (2.1) sehingga diperoleh: Untuk ?? = 0, maka ?(0) = ?(??) 0 (1 − ?(??)) 1−0 = 1 − ?(??), untuk ?? = 1, maka ?(1) = ?(??) 1 (1 − ?(??)) 1−1 = ?(??). Misalkan probabilitas dari variabel respons ? untuk nilai ? yang diberikan, dinotasikan sebagai ?(?). Model umum ?(?) dinotasikan sebagai berikut: ?(?) = exp(?0 + ?1?1 + ?2?2 + ⋯ + ????) 1 + exp(?0 + ?1?1 + ?2?2 + ⋯ + ????) , Persamaan (2.2) disebut fungsi regresi logistik yang menunjukkan hubungan antara variabel prediktor dan probabilitas yang tidak linear, sehingga untuk mendapatkan (2.2) 9 hubungan yang linear dilakukan transformasi yang sering disebut dengan transformasi logit. Bentuk logit dari ?(?) dinyatakan sebagai ?(?), yaitu: logit [?(?)] = ?(?) = ln ( ?(?) 1−?(?) ) = ?0 + ?1?1 + ?2?2 + ⋯ + ????. (2.3) Persamaan (2.3) merupakan bentuk fungsi hubungan model regresi logistik yang disebut model regresi logistik berganda (Hosmer dan Lemeshow, 2000).

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

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

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

Jika semua asumsi model regresi linier klasik dipenuhi, teori Gauss-Markov menyatakan bahwa dalam kelas semua penduga tak bias linier penduga OLS adalah yang terbaik yaitu penduga tersebut mempunyai varians minimum (Gujarati, 1988). Akan tetapi jika suatu model regresi linier menunjukkan adanya autokorelasi maka telah disebutkan sebelumnya bahwa penduga parameter ??0, ??1, ??2, … , ???? yang diperoleh dengan metode OLS tidak lagi bersifat BLUE.Gujarati (1988), jika kita tetap melakukan penerapan OLS dalam situasi autokorelasi, konsekuensi sebagai berikut terjadi:

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

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

Analisis regresi linier merupakan suatu metode yang digunakan untuk menganalisis hubungan antarvariabel. Hubungan tersebut dapat diekspresikan dalam bentuk persamaan yang menghubungkan variabel terikat Y dengan satu atau lebih variabel bebas X1, X2, …, Xk. Dalam hal hanya terdapat satu variabel bebas, maka model yang diperoleh disebut model regresi linier sederhana sedangkan jika variabel bebas yang digunakan lebih dari satu, model yang diperoleh disebut model regresi linier berganda (Nachrowi, 2008). Hubungan yang didapat pada umumnya dinyatakan dalam bentuk persamaan matematik yang menyatakan hubungan fungsional antara variabel-variabel. Penentuan variabel mana yang bebas dan mana yang terikat dalam beberapa hal tidak mudah dapat dilaksanakan. Studi yang cermat, diskusi yang seksama, berbagai pertimbangan, kewajaran masalah yang dihadapi dan pengalaman akan membantu memudahkan penentuan. Variabel yang mudah didapat atau tersedia sering digolongkan ke dalam variabel bebas sedangkan variabel yang terjadi karena variabel bebas itu merupakan variabel terikat (Sudjana, 2005). Secara umum bentuk persamaan regresi linier sederhana dapat dituliskan sebagai berikut ???? = ??0 + ??1????+???? (2.1) keterangan: ??0, ??1 = parameter model regresi linier ???? = kesalahan pengganggu/error ?? = 1,2, … , ??. ??0, ??1 dan ???? tidak diketahui nilainya dan memang ???? sangat sukar diketahui sebab nilainya berubah untuk setiap observasi Y. Akan tetapi ??0, ??1 selalu tetap dan meskipun kita tidak mungkin mengetahui berapa persis nilainya tanpa memeriksa semua kemungkinan pasangan Y dan X, kita dapat menggunakan informasi di dalam data contoh untuk menghasilkan nilai dugaan (estimate) ??0 dan ??1bagi ??0 dan ??1. Jadi, kita dapat menuliskan ??� ?? = ??0 + ??1????. (2.2) Dalam hal ini ??� ?? , melambangkan nilai ramalan ?? untuk suatu ?? tertentu bila ??0 dan ??1 telah ditentukan. Persamaan (2.2) dengan demikian dapat digunakan sebagai persamaan peramal, substitusi untuk suatu nilai ?? akan menghasilkan ramalan bagi nilai tengah atau rataan populasi ?? pada nilai ?? tersebut (Draper & Smith,1992). Dan secara umum bentuk persamaan regresi linier berganda dapat dituliskan sebagai berikut ???? = ??0 + ??1??1?? + ??2??2?? + ⋯ + ?????????? + ???? (2.3) keterangan: ??0, ??1, ??2, … , ???? = parameter model regresi linier ???? = kesalahan pengganggu/error ?? = 1,2, … , �

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

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

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

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

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

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

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

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

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

Persentase Pencapaian TCR :

Kriteria 90 % – 100 % : Sangat Baik

80 % – 89,99 % : Baik

65 % – 79,99 % : Cukup baik

55 % – 64,99 % : Kurang baik

0 % – 54,99 % : Tidak baik

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

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

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

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

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

117):

1. Merumuskan hipotesis dan persamaan struktural

2. Menghitung koefisien jalur yang didasarkan pada koefisien regresi

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

rumuskan persamaan strukturalnya yang sesuai hipotesis yang

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

signifikan oleh variabel eksogen(??dan??).

b. Menghitung koefisien regresi untuk struktur yang telah dirumuskan.

3. Menghitung koefisien jalur secara simultan (keseluruhan)

4. Menghitung koefisien jalur secara individu

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

mengalikan Rsquare dengan 100%.

6. Meringkas dan menyimpulkan

Prinsip-prinsip dasar yang sebaiknya dipenuhi dalam

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

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

8

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

berbalik.

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

4. Menggunakan sampel probability sampling yaitu teknik pengambilan sampel

untuk memberikan peluang yang sama pada setiap anggota populasi untuk

dipilih menjadi anggota sampel

5. Observed variable diukur tanpa kesalahan (instrumen pengukuran validitas

dan reliabilitas) artinya variabel yang diteliti dapat diobservasi secara

langsung.

6. Model yang dianalisis dispesifikasikan (diidentifikasi) dengan benar

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

yang dikaji atau diuji dibangun berdasarkan kerangka teoritis tertentu yang

mampu menjelaskan hubungan kausalitas antar variabel yang diteliti.

Analisis jalur atau juga dikenal dengan sebutan path analysis dikembangkan

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

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

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

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

causal asymetric relation among variables.”

Sedangkan tujuan utama analisis jalur adalah

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

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

each particular cause.”

Jadi analisis jalur digunakan untuk menganalisis pola hubungan antar variabel

dengan tujuan untuk mengetahui hubungan langsung maupun tidak langsung

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

Manfaat dari model analisis jalur adalah untuk menjelaskan fenomena yang

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

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

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

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

menggunakan metode trimming

Analisis jalur atau juga dikenal dengan sebutan path analysis dikembangkan

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

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

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

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

causal asymetric relation among variables.”

Sedangkan tujuan utama analisis jalur adalah

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

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

each particular cause.”

Jadi analisis jalur digunakan untuk menganalisis pola hubungan antar variabel

dengan tujuan untuk mengetahui hubungan langsung maupun tidak langsung

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

Manfaat dari model analisis jalur adalah untuk menjelaskan fenomena yang

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

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

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

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

menggunakan metode trimming

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

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

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

Model

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

1. Reduksi Data

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

2. Penyajian Data / Display Data

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

3. Penarikan Kesimpulan / Verifikasi

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

1. Ketekunan Pengamatan

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

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

a. Membandingkan data hasil pengamatan dengan data hasil wawancara.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

1. Probability Sampling (Metode Acak)

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

2. Nonprobability Sampling (Metode Tak Acak)

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

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

 Metode acak tidak dapat digunakan sama sekali

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

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

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

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

2. Outer Model (Outer relation atau Measurement Model)

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

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

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

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

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

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

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

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

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

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

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

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

Berikut istilah – istilah dalam SEM

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

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

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

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

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

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

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

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

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