Tag: riset akademik

Keunggulan :

1. Tidak membutuhkan asumsi normalitas.
2. Secara umum metode statistik non-parametrik lebih mudah dikerjakan dan lebih mudah dimengerti jika dibandingkan dengan statistik parametrik karena ststistika non-parametrik tidak membutuhkan perhitungan matematik yang rumit seperti halnya statistik parametrik.
3. Statistik non-parametrik dapat digantikan data numerik (nominal) dengan jenjang (ordinal).
4. Kadang-kadang pada statistik non-parametrik tidak dibutuhkan urutan atau jenjang secara formal karena sering dijumpai hasil pengamatan yang dinyatakan dalam data kualitatif.
5. Pengujian hipotesis pada statistik non-parametrik dilakukan secara langsung pada pengamatan yang nyata.
6. Walaupun pada statistik non-parametrik tidak terikat pada distribusi normal populasi, tetapi dapat digunakan pada populasi berdistribusi normal.

Kelemahan :

1. Statistik non-parametrik terkadang mengabaikan beberapa informasi tertentu.
2. Hasil pengujian hipotesis dengan statistik non-parametrik tidak setajam statistik parametrik.
3. Hasil statistik non-parametrik tidak dapat diekstrapolasikan ke populasi studi seperti pada statistik parametrik. Hal ini dikarenakan statistik non-parametrik mendekati eksperimen dengan sampel kecil dan umumnya membandingkan dua kelompok tertentu.

Pengertian

Statistik yang digunakan untuk menganalisis data nominal dan ordinal dari populasi yang bebas berdistribusi. (Sugiyono, 2014:23) Statistik nonparametrik adalah bagian statistik yang parameter dari populasinya tidak mengikuti suatu distribusi tertentu atau memiliki distribusi yang bebas dari persyaratan, dan variansnya tidak perlu homogen. (Iqbal Hasan, 2005:9) Statistik Non-Parametrik adalah yaitu statistik bebas sebaran (tidak mensyaratkan bentuk sebaran parameter populasi, baik normal atau tidak). Selain itu, statistik non-parametrik biasanya menggunakan skala pengukuran sosial, yakni nominal dan ordinal yang umumnya tidak berdistribusi normal.

Ciri-ciri statistik non-parametrik :

1. Data tidak berdistribusi normal
2. Umumnya data berskala nominal dan ordinal
3. Umumnya dilakukan pada penelitian sosial
4. Umumnya jumlah sampel kecil

Syaratnya :

1. sampel yang digunakan memiliki ukuran yang kecil
2. Data yang digunakan bersifat ordinal, yaitu data-data yang bisa disusun dalam urutan atau klasifikasikan rangkingnya
3. Data yang digunakan bersifat nominal yaitu data-data yang dapat diklasifikasikan dalam kategori dan dihitung frekuensinya
4. Bentuk distribusi populasi dan tempat pengambilan sampel tidak diketahui menyebar secara nominal
5. Ingin menyelesaikan masalah statistik secara cepat tanpa menggunakan alat hitung

Penggunaan statistik non parametrik

1. Digunakan dengan mengabaikan segelas asumsi yang melandasi metode statistik parametrik, terutama yang berkaitan dengan distribusi normal
2. Digunakan apabila salah satu parameter tidak terpenuhi
3. Untuk menguji hipotesis deskriptif (satu sample) baik untuk data nominal atau diskrit maupun untuk data ordinal atau peringkat rangking

Pengertian

Statistik parametrik adalah statistik yang digunakan untuk menganalisis data interval atau rasio, yang diambil dari pupulasi yang berdistribusi normal. (Sugiyono, 2014:23) Statistik parametrik adalah bagian statistik yang parameter dari populasinya mengikuti suatu distribusi tertentu, seperti distribusi normal, dan memiliki varians yang homogen. (Iqbal Hasan, 2005:9).

Statistik parametrik adalah yaitu ilmu statistik yang mempertimbangkan jenis sebaran atau distribusi data, yaitu apakah data menyebar secara normal atau tidak. Dengan kata lain, data yang akan dianalisis menggunakan statistik parametrik harus memenuhi asumsi normalitas. Data yang dianalisis adalah data interval atau rasio.

Ciri-ciri statistik parametrik :

1. Data dengan skala interval dan rasio
2. Data menyebar/berdistribusi normal

Syarat uji parametrik:

1. Dari populasi dengan distribusi normal
2. Sampel diambil secara random
3. Sampel mempunyai varians yang sama
4. Skala pengukuran interval atau rasio

Penggunaan statistik parametrik

1. Digunakan untuk menganalisa data interval dan rasio, yang diambil dari populasi yang berdistribusi normal
2. Untuk menguji hipotesis deskriptif bila datanya interval atau rasio

 Pada statistika deskriptif, yang perlu disajikan adalah:

1. Ukuran pemusatan data (measures of central tendency). Ukuran pemusatan data yang sering digunakan adalah distribusi frekuensi. Ukuran statistik ini cocok untuk data nominal dan data ordinal (data kategorik). Sementara nilai mean adalah ukuran pemusatan data yang cocok untuk data continuous. Ukuran deskriptif lain untuk pemusatan data adalah median (nilai tengah) dan modus (nilai yang paling sering muncul).

1. Ukuran penyebaran data (measures of spread). Ukuran penyebaran data yang sering digunakan adalah standar deviasi. Ukuran penyebaran data ini cocok digunakan untuk data numerik atau continuous. Sementara untuk data kategorik, nilai range merupakan ukuran yang cocok.

1. Statistika Deskriptif

Statistika deskriptif bermaksud menyajikan, mengolah dan menganalisa data dari kelompok tertentu sebagaimana adanya dan tidak bermaksud menarik kesimpulan-kesimpulan yang berlaku bagi kelompok-kelompok yang lebih besar. Artinya kesimpulan yang ditarik melalui deskriptif hanya berlaku bagai kelompok sampel yang bersangkutan tanpa dimaksudkan menarik kesimpulan yang berlaku bagi populasi.

Ukuran statistik yang lazim digunakan untuk mendeskripsikan karakteristik sampel ialah: ukuran kecenderungan sentral; Ukuran variasi ; Ukuran letak; koefisien korelasi. Sekalipun statistika deskriptif ini hanya menyajikan karakteristik sampel, namun statistika deskriptif merupakan dasar untuk mengkaji dan melakukan inferensi karakteristik populasi.

2. Statistika Inferensial

Statistika inferensial adalah statistik yang berkaitan dengan analisis data (sampel) untuk kemudian dilakukan penyimpulanpenyimpulan (inferensi) yang digeneralisasikan kepada seluruh subyek tempat data diambil (populasi) (Burhan Nurgiyantoro dkk, 2000;12).

Statistika inferensial adalah statistik yang berhubungan dengan penarikan kesimpulan yang bersifat umum dari data yang telah disusun dan diolah (M.Subana dkk, 2000;12) Statistika inferensial atau statistika induktif bermaksud menyajikan, menganalisa data dari suatu kelompok untuk ditarik kesimpulan-kesimpulan, prinsip-prinsip tertentu yang berlaku bagi kelompok yang lebih besar (populasi) disamping berlaku bagi kelompok yang bersangkutan (sampel).

Statistika inferensial merupakan langkah akhir dari tugas statistika karena dalam setiap penelitian kesimpulan inilah yang diinginkan. Statistika inferensial harus berdasar pada statistika deskriptif, sehingga kedua-duanya harus ditempuh secara benar agar kita mendapatkan kegunaan maksimal dari statistika ini.

Yang masih tercakup dalam statistika inferensial adalah statistik parametrik dan non-parametrik.

1. Statistik parametrik merupakan statistika inferensial yang mempertimbangkan nilai dari satu parameter populasi atau lebih dan umumnya membutuhkan data yang skala pengukuran minimalnya adalah interval dan rasio.

Statistika parametrik adalah suatu ukuran tentang parameter, artinya ukuran seluruh populasi dalam penelitian yang harus diperkirakan dari apa yang terdapat di dalam sampel (karakteristik populasi). Satu syarat umum yang harus dipenuhi apabila seorang peneliti akan menggunakan statistika parametrik, yaitu normalitas distribusi. Asumsi ini harus terpenuhi, karena: 1) secara teoretik karakteristik populasi mengikuti model distribusi normal; 2) nilai-nilai baku statistik yang digunakan untuk uji hipotesis didasarkan kepada model distribusi normal. Asumsi-asmsi lain seperti homogenitas, linieritas harus dipenuhi sesuai dengan hipotesis yang akan diuji.

Statistika non parametrik yaitu statistik yang tidak memperhatikan nilai dari satu parameter populasi atau lebih. Statistik non parametrik digunakan karena analisis parametrik tidak konsisten lagi sehingga tidak terikat atau terbebas dari model distribusi dan sampelnya relatif kecil. Pada umumnya validitas pada statistika non parametrik tidak bergantung pada model peluang yang spesifik dari populasi. Data yang dibutuhkan lebih banyak berskala ukuran nominal atau ordinal.

Penelitian Hipotesis dapat diklasifikasikan berdasarkan rumusannya dan proses pemerolehannya.

1. Ditinjau dari rumusannya, hipotesis dibedakan menjadi : Hipoteis kerja, yaitu hipotesis sintesis dari hasil kajian teoritis. Hipotesis kerja biasanya disingkat H1 atau Ha. Hipotesis nol atau hipotesis statistik, merupakan lawan dari hipotesis kerjadan sering disingkat Ho. Ada kalanya peneliti merumuskan hipotesis dalam bentuk H1 dan Ho untuk satu permasalahan penelitian. Hal ini didasari atas pertimbangan bahwa Ho sengaja dipersiapkan untuk ditolak sedangkan H1 dipersiapkan untuk diterima (Sudarwan Danim dan Darwis, 2003 : 171).
2. Ditinjau dari proses pemerolehannya, hipotesis dibedakan menjadi Hipotesis induktif, yaitu hipotesis yang dirumuskan berdasarkan pengamatan untuk menghasilkan teori baru (pada penelitian kualitatif). Hipotesis deduktif, merupakan hipotesis yang dirumuskan berdasarkan teori ilmiah yang telah ada (pada penelitian kuantitatif). Hubungan antara hipotesis dengan observasi dan teori ilmiah pada hipotesis induktif dan deduktif dapat divisualisasikan sebagai berikut (Trochim, 2005).

Pernyataan hipotesis yang baik memiliki beberapa kriteria. Berikut ini dua kriteria pernyataan hipotesis baik (Kerlinger, 2006: 30).

Hipotesis adalah pernyataan tetang relasi antara variabel-variabel

Hipotesis mengandung implikasi-implikasi yang jelas untuk pengujian hubungan-hubungan yang dinyatakan tersebut.

Bersadarkan dua kriteria tersebut disimpulkan bahwa pernyataan hipotesis mengandung dua variabel atau lebih yang dapat diukur serta menunjukkan secara jelas dan tegas cara variabel-variabel tersebut berhubungan (Kerlinger, 2006 : 30). Selain itu, Nazir (2005: 152) juga mengemukakan ciri-ciri hipotesis yang baik, yaitu:

1. Hipotesis harus menyatakan hubungan antar variabel
2. Hipotesis harus sesuai dengan fakta
3. Hipotesis harus berhubungan dengan ilmu dan sesuai dengan berkembangnya ilmu pengetahuan
4. Hipotesis harus dapat diuji dengan nalar ataupun dengan alat-alat statistika Hipotesis harus dinyatakan dalam bentuk sederhana dan terbatas untuk mengurangi timbulnya kesalahpahaman pengertian
5. Hipotesis harus bisa menerangkan hubungan fakta-fakta dan dapat dikaitkan dengan teknik pengujian

Secara umum, berdasarkan pendapat ahli tersebut, hipotesis yang baik harus menyatakan hubungan antar variabel, sesuai dengan fakta dan ilmu pengetahuan, harus masuk akal dan dapat diuji.

Silabus mata pelajaran disusun berdasarkan seluruh alokasi waktu yang disediakan untuk mata pelajaran selama penyelenggaraan pendidikan d tingkat  satuan pendidikan.

Penyusunan silabus memperhatikan alokasi waktu yang disediakan per semester, per tahun, dan alokasi waktu mata pelajaran lain yang sekelompok.

Implementasi pembelajaran per semester menggunakan penggalan silabus  sesuai dengan Standar Kompetensi dan Kompetensi Dasar untuk mata  pelajaran dengan alokasi waktu yang tersedia pada struktur kurikulum. Khusus untuk  SMK/MAK menggunakan penggalan silabus berdasarkan  satuan kompetensi.

Silabus adalah rencana pembelajaran pada suatu kelompok mata pelajaran/tema tertentu yang mencakup standar kompetensi , kompetensi dasar, materi pokok/pembelajaran, kegiatan pembelajaran, indikator, penilaian, alokasi waktu, dan sumber/bahan/alat belajar. Silabus merupakan penjabaran standar kompetensi dan kompetensi dasar ke dalam materi pokok/pembelajaran, kegiatan pembelajaran, dan indikator pencapaian kompetensi untuk penilaian.

Silabus merupakan seperangkat rencana dan pengaturan tentang kegiatan pembelajaran, pengelolaan kelas, dan penilaian hasil belajar.

Silabus berisikan komponen pokok yang dapat menjawab pertanyaan berikut.: Kompetensi yang akan ditanamkan kepada peserta didik melalui suatu kegiatan pembelajaran kegiatan yang harus dilakukan untuk menanamkan / membentuk kompetensi tersebut upaya yang harus dilakukan untuk mengetahui bahwa kompetensi tersebut sudah dimiliki peserta didik Silabus bermanfaat sebagai pedoman sumber pokok dalam pengembangan pembelajaran lebih lanjut, mulai dari pembuatan

  Keseluruhan materi dan kegiatan yang menjadi muatan dalam silabus harus benar dan dapat dipertanggungjawabkan secara keilmuan.

Cakupan, kedalaman, tingkat kesukaran dan urutan penyajian materi dalam silabus sesuai dengan tingkat perkembangan fisik, intelektual, sosial, emosional, dan spritual peserta didik.

Komponen-komponen silabus  saling berhubungan secara fungsional dalam mencapai kompetensi.

Adanya hubungan yang konsisten (ajeg, taat asas) antara kompetensi dasar, indikator, materi pokok, pengalaman belajar, sumber belajar, dan sistem penilaian. Memadai.

4. Cakupan indikator

materi pokok, pengalaman belajar, sumber belajar, dan sistem penilaian cukup untuk menunjang pencapaian kompetensi dasar.

5. Aktual dan Kontekstual.

Cakupan indikator, materi pokok, pengalaman belajar, sumber belajar, dan sistem penilaian memperhatikan perkembangan ilmu, teknologi, dan seni mutakhir dalam kehidupan nyata, dan peristiwa yang terjadi.

Keseluruhan komponen silabus dapat mengakomodasi keragaman peserta didik, pendidik, serta dinamika perubahan yang terjadi di sekolah dan tuntutan masyarakat.

Komponen silabus mencakup keseluruhan ranah kompetensi (kognitif, afektif, psikomotor)

RPP dijabarkan dari silabus untuk mengarahkan kegiatan pembelajaran peserta didik dalam upaya mencapai KD. Setiap guru pada satuan pendidikan berkewajiban menyusun RPP secara lengkap dan sistematis. Dalam menyusun rencana pelaksanaan pembelajaran dapat ditempuh langkah-langkah sebagai berikut (Niron, 2009):

1. Mengisi kolom identitas
2. Menentukan alokasi waktu yang dibutuhkan untuk pertemuan yang telah ditetapkan
3. Menentukan SK, KD, dan Indikator yang akan digunakan yang terdapat pada silabus yang telah
4. Merumuskan tujuan pembelajaran berdasarkan SI, KD, dan Indikator yang telah ditentukan
5. Mengidentifikasi materi ajar berdasarkan materi pokok/pembelajaran yang terdapat dalam Materi ajar merupakan uraian dari materi pokok/pembelajaran.
6. Menentukan metode pembelajaran yang akan digunakan
7. Merumuskan langkah-langkah pembelajaran yang terdiri dari kegiatan pendahuluan, inti, dan Langkah-langkah pembelajaran berupa rincian skenario pembelajaran yang        mencerminkan penerapan strategi pembelajaran termasuk alokasi waktu setiap tahap.

Langkah yang harus dilakukan peneliti kualitatif yang menggunakan grounded theory, yaitu:

1. Peneliti harus bisa memahami atau memiliki gambaran sifat-sifat realitas empiris
2. Penelitian dimulai dengan suatu pernyataan dasar mengenai empiris lapangan
3. Peneliti menetapkan data yang akan diambil dan teknik/metode
4. Peneliti harus melakukan eksplorasi
5. Peneliti harus melakukan pemeriksaan di dalam proses inspection
6. Peneliti harus mampu mengadakan analisis
7. Peneliti harus mampu merekonstruksi penemuan untuk hipotesis baru

Pengertian sampling atau metode pengambilan sampel menurut penafsiran beberapa ahli . Beberapa diantaranya adalah sebagai berikut;

1. Teknik sampling adalah teknik pengambilan sampel (Sugiyono, 2001: 56).
2. Teknik sampling adalah cara untuk menentukan sampel yang jumlahnya sesuai dengan ukuran sampel yang akan dijadikan sumber data sebenarnya, dengan memperhatikan sifat-sifat dan penyebaran populasi agar diperoleh sampel yang representatif. (Margono, 2004)

Agar diperoleh sampel yang representatif peneliti perlu menggunakan prosedur pemilihan sampel yang sistematis. Tahapannya adalah sebagai berikut :

1. Mengidentifikasi populasi target
2. Memilih kerangka pemilihan sampel
3. Menentukan metode pemilihan sampel
4. Merencanakan prosedur penentuan unit sampel
5. Menentukan ukuran sampel
6. Menentukan unit sampel

Secara umum didapati adanya beberapa sumber kesalahan dalam pengambilan sampel. Kesalahan-kesalahan tersebut adalah:

1. Variasi Acak (Random Variation)

Variasi acak merupakan kesalahan sampling yang paling umum dijumpai.

1. Kesalahan spesifikasi (mis-specification of sample subject)

Kesalahan yang diakibatkan oleh kekeliruan spesifikasi sangat umum dijumpai dalam pengambilan pendapat untuk pemilihan umum.

1. Kesalahan penentuan responden

Sumber kesalahan tambahan dalam survei sampel adalah disebabkan oleh kesalahan penetapan responden dari beberapa anggota sampel. Pada umumnya para peneliti mengasumsikan bahwa responden dan nonresponden mewakili lapisan-lapisan serupa dari populasi padahal sebenarnya ini merupakan kasus yang jarang terjadi.

1. Kesalah karena ketidaklengkan cakupan daftar populasi (coverage error).

Salah satu kunci sukses dari pemilihan sampel yang baik adalah ketersediaan daftar unsur populasi (population frame) lengkap yang relevan. Kesalahan karena ketidaklengkapan cakupan daftar unsur populasi (coverage error) timbul karena ketidaktersediaan daftar kelompok tertentu di daftar unsur populasi

1. Kesalahan karena ketidaklengkapan respon (Non response error)

Tidak setiap responden berkenan merespon suatu survey. Pengalaman menunjukkan bahwa individu-individu yang berada di kelas ekonomi atas dan bawah cenderung kurang merespon survey dibandingkan dengan mereka yang berada di kelas menengah. Kesalahan karena ketidaklengkapan respon (nonresponse error) muncul dari kegagalan untuk mengumpulkan data dari semua individu dalam sampel.

1. Kesalahan penarikan sampel (sampling error)

Diyakini bahwa sampel yang baik merupakan miniature dari populasi. Meskipun demikian pengambilan sampel yang berulang-ulang biasanya menghasilkan besaran suatu karakteristik populasi yang berbeda-beda antar satu sampel ke sampel lainnya. Dalam hal ini kesalahan penarikan sampel (sampling error) mencerminkan keheterogenan tau peluang munculnya perbedaan dari satu sampel dengan sampel yang lain karena perbedaan individu yg terpilih dari berbagai sampel tersebut. sampling error dapat diperkecil dengan memperbesar ukuran sampel meskipun upaya ini mengakibatkan peningkatan biaya survey.

1. Kesalahan pengukuran (Measurement error)

Pada umumnya kuisioner dirancang dengan tujuan untuk mengumpulkan informasi yang berguna. Data yang diperoleh harus valid dan respon yang benar harus terukur. Permasalahan yang sering timbul adalah ternyata lebih mudah membicarakan bagaimana memroleh pngukuran yang bermakna daripada melaksanakannya.

Sampel yang baik yang memenuhi dua buah kriteria sebagai berikut ini.

1. Akurat

Sampel yang akurat (accurate) adalah sampel yang tidak bias. Beberapa cara dapat dilakukan untuk meningkatkan akurat dari sampel sebagai berikut:

• Pemilihan sampel berdasarkan proksi yang tepat.
• Menghindari bias di seleksi sampel
• Pemilihan sampel yang bias (sample selection bias) akan membuat sampel tidak akurat.

1. Presisi

Sampel yang mempunyai presisi yang tinggi adalah yang mempunyai kesalahan pengambilan sampel (sampling error) yang rendah. Kesalahan pengambilan sampel (sampling error) adalah seberapa jauh sampel berbeda dari yang dijelaskan oleh populasinya. Presisi diukur dengan standard erro of estimate. Semakin kecil standard error of estimate semakin tingg presisi sampelnya. Presisi dapat ditingkatkan dengan jumlah sampelnya. Semakin besar jumlah sampelnya, semakin kecil kesalahan standar estimasinya

Masalah penelitian dapat diklasifikasikan ke dalam tiga jenis menurut Sugiyono (1994), antara lain :

1. Permasalahan Deskriptif

Permasalahan deskriptif merupakan permasalahan dengan variabel mandiri baik hanya pada satu variabel atau lebih (variabel yang berdiri sendiri). Dalam penelitian ini, peneliti tidak membuat perbandingan variabel yang satu pada sampel yang lain, hanya mencari hubungan variabel yang satu dengan variabel yang lain.

2. Permasalahan Komparatif

Permasalahan ini merupakan rumusan masalah penelitian yang membandingkan keberadaan satu variabel atau lebih pada dua atau lebih sampel yang berbeda pada waktu yang berbeda

3. Permasalahan Asosiatif

Merupakan rumusan masalah penelitian yang bersifat menanyakan hubungan antara dua variabel atau lebih. Terdapat tiga bentuk hubungan, yaitu :

1. a) Hubungan simetris adalah suatu hubungan antara dua variabel atau lebih yang kebetulan munculnya bersama.
2. b) Hubungan kausal Hubungan kausal adalah hubungan yang bersifat sebab akibat. Jadi disini ada variabel independen (variabel yang mempengaruhi) dan dependen (dipengaruhi)
3. c) Hubungan interaktif/ resiprocal/ timbal balik Hubungan interaktif adalah hubungan yang saling mempengaruhi. Di sini tidak diketahui mana variabel independen dan dependen

Permasalahan dapat berasal dari berbagai sumber. Menurut James H. MacMillan dan Schumacher (Hadjar, 1996 : 40 – 42), masalah dapat bersumber dari :

1. Observasi

Masalah dalam penelitian dapat diangkat dari hasil observasi terhadap hubungan tertentu yang belum memiliki penjelasan memadai dan cara-cara rutin yang dalam melakukan suatu tindakan didasarkan atas otiritas atau tradisi.

2. Dedukasi dari teori

Teori merupakan konsep-konsep yang masih berupa prinsip-prinsip umum yang penerapannya belum dapat diketahui selama belum diuji secara empiris. Penyelidikan terhadap masalah yang dianggap dari teori berguna untuk mendapatkan penjelasan empiris praktik tentang teori.

3. Kepustakaan

Hasil penelitian mungkin memberikan rekomendasi perlunya dilakukan penelitian ulang (replikasi) baik dengan atau tanpa variasi. Replikasi dapat meningkatkan validitas hasil penelitian dan kemampuan untuk digeneralisasikan lebih luas. Laporan penelitian sering juga menyampaikan rekomendasi kepada peneliti lain tentang apa yang perlu diteliti lebih lanjut. Hal ini juga menjadi sumber untuk menentukan masalah yang menentukan masalah yang perlu diangkat untuk diteliti.

4. Masalah sosial

Masalah sosial yang ada di sekitar kita atau yang baru menjadi berita terhangat (hot news) dapat menjadi sumber masalah penelitian.

5. Pengalaman pribadi

Pengalaman pribadi dapat menimbulkan masalah yang memerlukan jawaban empiris untuk mendapatkan pemahaman yang lebih mendalam. (Purwanto 2010:109-111).

Stonner (1982) mengemukakan bahwa masalah-masalah dapat diketahui atau dicari apabila terdapat penyimpangan antara pengalaman dengan kenyataan, antara apa yang direncanakan dengan kenyataan, adanya pengaduan, dan kompetisi. Menurut Suryabrata (1994 : 60) masalah merupakan kesenjangan antara harapan (das sollen) dengan kenyataan (das sein), antara kebutuhan dengan yang tersedia, antara yang seharusnya (what should  be) dengan yang ada (what it is) (Suryabrata, 1994: 60). Penelitian dimaksudkan untuk menutup kesenjangan (what can be).

Secara garis besar dapat dikelompokkan menjadi dua (2) kelompok, yaitu

Probability sampling menurut Sugiyono adalah teknik sampling yang memberikan peluang yang sama bagi setiap unsur (anggota) populasi untuk dipilih menjadi anggota sampel.

Nonprobability sampling menurut Sugiyono adalah teknik yang tidak memberi peluang/kesempatan yang sama bagi setiap unsur atau anggota populasi untuk dipilih menjadi sampel.

• Probability sampling

Probability sampling menuntut bahwasanya secara ideal peneliti telah mengetahui besarnya populasi induk, besarnya sampel yang diinginkan telah ditentukan, dan peneliti bersikap bahwa setiap unsur atau kelompok unsur harus memiliki peluang yang sama untuk dijadikan sampel.

1. a) Simple random sampling

Menurut Kerlinger (2006:188), simple random sampling adalah metode penarikan dari sebuah populasi atau semesta dengan cara tertentu sehingga setiap anggota populasi atau semesta tadi memiliki peluang yang sama untuk terpilih atau terambil. Menurut Sugiyono (2001:57) dinyatakan simple (sederhana) karena pengambilan sampel anggota populasi  dilakukan secara acak tanpa memperhatikan strata yang ada dalam populasi itu. Margono (2004:126) menyatakan bahwa  simple random sampling adalah teknik untuk mendapatkan  sampel yang langsung dilakukan pada unit sampling. Cara demikian dilakukan bila anggota populasi dianggap homogen. Teknik ini dapat dipergunakan bilamana jumlah unit sampling di dalam suatu populasi tidak terlalu besar.

1. b) Proportionate stratified random sampling

Margono (2004: 126) menyatakan bahwa stratified random sampling biasa digunakan pada populasi yang mempunyai susunan bertingkat atau berstrata. Menurut  Sugiyono (2001: 58) teknik ini digunakan bila populasi mempunyai anggota/unsur yang tidak homogen dan berstrata secara proporsional.

1. c) Disproportionate stratified random sampling

Sugiyono (2001: 59) menyatakan bahwa teknik ini digunakan untuk menentukan jumlah sampel bila populasinya berstrata tetapi kurang proporsional.

1. d) Area (cluster) sampling (sampling menurut daerah)

Teknik ini disebut juga cluster random sampling. Menurut Margono (2004: 127), teknik ini digunakan bilamana populasi tidak terdiri dari individu-individu, melainkan terdiri dari kelompok-kelompok individu atau cluster. Teknik sampling daerah digunakan untuk menentukan sampel bila objek yang akan diteliti atau sumber data sangat luas, misalnya penduduk dari suatu negara, propinsi atau kabupaten.

• Nonprobability sampling

Non Probability sampling adalah sebuah teknik sampling yang tidak memperhatikan banyak variabel dalam penarikan sampel. Sampel-sampel dari Nonprobability Sampling juga disebut sebagai subjek penelitian dimana hasil dari uji yang dilakukan pada sampling tidak memiliki hubungan dengan populasi. Tujuan penggunaan teknik sampling ini lebih banyak melekat pada materi yang diujikan sedangkan pada random samplin atau probability Sampling, tujuan penelitian melekat pada nilai dari materi pada populasi yang diujikan.

1. Sampling sistematis

Sugiyono (2001:60) menyatakan bahwa sampling sistematis adalah teknik penentuan sampel berdasarkan urutan dari anggota populasi yang telah diberi nomor urut.

1. Quota sampling

Menurut Sugiyono (2001: 60) menyatakan bahwa  sampling kuota adalah teknik untuk menentukan sampel dari populasi yang mempunyai ciri-ciri tertentu sampai jumlah (kuota) yang diinginkan. Menurut Margono (2004: 127) dalam  teknik  ini  jumlah populasi tidak diperhitungkan akan tetapi diklasifikasikan dalam beberapa kelompok. Sampel diambil dengan memberikan jatah atau quorum tertentu terhadap kelompok. Pengumpulan data dilakukan langsung pada unit sampling. Setelah kuota terpenuhi, pengumpulan data dihentikan.

1. Sampling aksidental

Sampling aksidental adalah teknik penentuan sampel  berdasarkan kebetulan, yaitu siapa saja yang secara kebetulan bertemu dengan peneliti dapat digunakan sebagai sampel, bila dipandang orang yang kebetulan ditemui itu cocok sebagai sumber data (Sugiyono, 2001: 60). Menurut Margono (2004: 27) menyatakan bahwa dalam teknik ini pengambilan sampel tidak ditetapkan lebih dahulu. Peneliti langsung mengumpulkan data dari unit sampling yang ditemui.

1. Purposive sampling

Sugiyono (2001: 61) menyatakan bahwa sampling purposive adalah teknik penentuan sampel dengan  pertimbangan tertentu. Menurut Margono (2004:128),  pemilihan sekelompok subjek dalam purposive sampling  didasarkan atas ciri-ciri tertentu yang dipandang mempunyai sangkut paut yang erat dengan ciri-ciri populasi yang sudah  diketahui sebelumnya, dengan kata lain unit sampel yang  dihubungi disesuaikan dengan kriteria-kriteria tertentu yang  diterapkan berdasarkan tujuan penelitian.

1. Sampling jenuh

Menurut Sugiyono (2001:61) sampling jenuh adalah  teknik penentuan sampel bila semua anggota populasi  digunakan sebagai sampel. Hal ini sering dilakukan bila  jumlah populasi relatif kecil, kurang dari 30 orang. Istilah  lain sampel jenuh adalah sensus, dimana semua anggota populasi dijadikan sampel.

1. Snowball sampling

(Sugiyono, 2001: 61), Snowball sampling adalah teknik penentuan sampel  yang mula-mula jumlahnya kecil, kemudian sampel ini disuruh memilih teman-temannya untuk dijadikan sampel begitu seterusnya, sehingga jumlah  sampel semakin banyak. Ibarat bola salju yang menggelinding semakin lama semakin besar.

Pada penelitian kualitatif banyak menggunakan purposive dan snowball sampling

Pada dasarnya tidak ada aturan baku mengenai pengambilan ukuran dari sampel selama sampel sudah mewakili karakteristik dari populasi. Namun dalam penelitian yang bersifat psikologi seperti pada penelitian pendidikan, Semakin besar jumlah akan menghasilkan data yang lebih stabil. Selain dari karakteristik peneliti juga harus mempertimbangkan jumlah data yang dibutuhkan untuk keperluan analisis Statistik.

Sebagai contoh jika penelitian yang dilakukan bertujuan untuk membandingkan dua bua grouph dengan satu variabel pembanding, analisis yang dilakukan untuk data yang terdistribusi normal adalah untuk distribusi t mengharuskan minimal jumlah data terdiri dari 30 data karena kurang dari itu tidak menghasilkan analisis yang baik dan tidak lebih dari 60 data.

Beberapa ahli memberikan gambaran mengenai jumlah sampel yang berbeda-beda namun pertimbangan jenis dan bidang penelitian sebaiknya dijadikan acuan untuk memilih ukuran sampel.

Sebagai gambaran pendapat beberapa ahli mengenai jumlah sampel Gay dan Diehl (1992) pada kajian penelitian untuk kelas bisnis dan manajemen memberikan sara ukuran sampel minimal

1. Penelitian deskriptif, jumlah sampel minimum adalah 10% dari populasi Penelitian korelasi, jumlah sampel minimum adalah 30 subjek
2. Penelitian kausal perbandingan, jumlah sampel minimum adalah 30 subjek per group
3. Penelitian eksperimental, jumlah sampel minimum adalah 15 subjek per group

Frankel dan Wallen (1993) pada kajian penelitian evaluasi pendidikan menyarankan Penelitian deskriptif jumlah sampel minimum adalah 100 sampel Penelitian jumlah sampel minimum adalah 50 sampel Penelitian kausal-perbandingan sebanyak 30 sampel untuk setiap group Penelitian eksperimental sebanyak 30 atau 15 per group

Roscoe, Ukuran sampel penelitian dibedakan menjadi 4 (empat), yaitu :

1. Ukuran sampel lebih dari 30 dan kurang dari 500 adalah tepat untuk kebanyakan penelitian

Analisis data adalah proses penyederhanaan data ke dalam bentuk yang lebih mudah dibaca dan di implementasikan. Teknik analisis yang dipilih untuk menganalisis data dan menguji hipotesis dalam penelitian ini adalah The Structural Equation Model (SEM). Untuk menjawab hipotesis digunakan Partial Least Square (PLS). Menurut Ghozali (2016) perhitungan dilakukan dengan menggunakan alat Bantu Smart Partial Least Square (PLS), dikarenakan berbentuk multi jalur dan model yang digunakan berbentuk Reflektif. Model perhitungan dilakukan dengan menggunakan alat bantu Smart PLS dikarenakan dalam penelitian ini memiliki hubungan multi jalur dan berbentuk reflektif. Selain itu dikarenakan sampling kurang dari 100 responden. Model reflektif adalah model yang menunjukan hubungan dari variable laten ke indikatornya. Langkah-langkah pemodelan persamaan struktural berbasis PLS (Ghozali, 2016) adalah sebagai berikut: a. Konseptualisasi model Konseptual model Merupakan langkah awal dalam analisis SEM-PLS (Ghozali, 2016), yang dibagi menjadi dua tahapan, yaitu: 27 1) Merancang model pengukuran (outter model) Outer model sering juga disebut (outer relation atau measurement model) mendefinisikan bagaimana setiap blok indikator berhubungan dengan variabel laten. 2) Merancang model structural (inner model) Inner model yang kadang disebut juga dengan (inner relation, structural model dan substantive theory) menggambarkan hubungan antar variabel laten berdasarkan pada substantive theory. b. Evaluasi Model Evaluasi model PLS berdasarkan pada pengukuran prediksi yang mempunyai sifat non parametrik. Model evaluasi PLS dilakukan dengan menilai outer model dan inner model. Model pengukuran atau outer model dilakukan untuk menilai validitas dan reliabilitas model, sedangkan model struktural atau inner model untuk memprediksi hubungan antar variable laten. 1) Pengukuran model (outer model) Outer model sering juga disebut outer relation atau measurement model, mendefinisikan bagaimana setiap blok indikator berhubungan dengan variabel laten. Hengky dan Ghozali (2016), evaluasi model pengukuran atau outer model dilakukan untuk menilai validitas dan reabilitas model. Uji validitas di bidang SEM melakukan pengujian validitas convergent dan discriminant

Discriminant validity, prinsip dari validitas discriminant berhubungan dengan prinsip bahwa pengukur-pengukur konstruk yang berbeda seharusnya tidak berkorelasi dengan tinggi. Cara untuk mengujivaliditas discriminant dengan indikator reflektif yaitu melihat nilai cross loading untuk setiap variabel harus lebih besar dari 0.7 (Fornell, dalam Ghozali, 2016). 28 Reliabilitas dari outermodel diukur dengan menggunakan composite realibility. Composite reliability adalah nilai batas yang dapat diterima. Tingkat reliabilitas komposit (ρc) yang baik adalah ≥ 0.7, walaupun bukan merupakan standar absolut. Nilai Cronbach’s Alpha adalah lebih besar dari 0.6 (Ghozali, 2016)

2) Model struktural (innermodel) Innermodel yang kadang disebut juga dengan inner relation, structural model atau substantive theory, menggambarkan hubungan antar variabel laten berdasarkan pada substantive theory. Inner model dievaluasi dengan menggunakan R-square untuk konstruk dependen atau variabel laten endogen. Menilai PLS dilihat dari R-square untuk setiap variabel laten dependen. Perubahan nilai R-square digunakan untuk menilai pengaruh variabel independen tertentu terhadap variabel laten dependen secara substantif (Ghozali, 2016). 3) Pengujian Hipotesis Pengujian hipotesis dilihat dari besarnya nilai t-statistik. Signifikansi parameter yang diestimasi memberikan informasi yang sangat berguna mengenai pengaruh antar variabel. Uji Hipotesis untuk outer model dengan indikator reflektif dilakukan dengan melihat nilai T-statistik outer loading dan dibandingkan dengan nilai ttabel = 1.96 pada tingkat signifikansi 5%. Jika T-statistik > t-tabel maka indikator reflektif valid dan reliable sebagai pengukur konstruk. Uji Hipotesis untuk inner model dilakukan dengan melihat nilai Tstatistik, jika T-statistik > t-tabel maka dapat disimpulkan variabel eksogen memiliki pengaruh signifikan terhadap variabel endogen

Suatu skala pengukuran disebut valid apabila melakukan apa yang seharusnya dilakukan dan mengukur apa yang seharusnya diukur (Kuncoro, 2013). Dalam penelitian ini, uji validitas dihitung dengan menghitung korelasi antar skor tiap butir pernyataan dengan total skor atau disebut uji korelasi Pearson dengan tingkat toleransi kesalahan sebesar 0,05. Uji signifikansi dilakukan dengan membandingkan nilai r hitung dengan r table. Jika r hitung lebih besar dari r table dan nilai positif maka butir atau pertanyaan atau indicator tersebut dinyatakan valid (Ghozali, 2016). Reliabilitas adalah alat untuk mengukur suatu kuesioner yang merupakan indikator dari variabel. Suatu kuesioner dikatakan Reliabel apabila jawaban dari seseorang terhadap pernyataan adalah konsisten atau stabil dari waktu ke waktu (Ghozali, 2016). Realibilitas diukur dengan menggunakan Cronbach Alpha. Variabel dikatakan reliable j

Data adalah semua keterangan yang dijadikan responden, maupun yang berasal dari dokumen, baik dalam bentuk statistik/dalam bentuk lainnya guna keperluan penelitian. Data diperoleh dengan nilai satu atau lebih variabel dalam sampel atau populasi (Kuncoro, 2013). Data dapat diklasifikasikan menjadi data kuantitatif dan data kualitatif. 1. Data Kualitatif Kuncoro (2013) mendefinisikan bahwa data kualitatif adalah yang tidak berbentuk angka dan tidak dapat diukur dalam skala numerik. Namun karena dalam bentuk angka, maka data kualitatif umumnya dapat dikuantitatifkan agar dapat diproses lebih lanjut. 2. Data Kuantitatif Data kuantitatif adalah data yang diukur dalam suatu skala numerik atau angka (Kuncoro, 2013). Jenis data yang digunakan dalam penelitian ini adalah kuantitatif, karena dalam pengumpulan berupa angka yang diperoleh dari kuesioner

Pengertian SmartPLS menurut Latan (2012) “merupakan teknik alternative dari SEM berbasis vaiance seperti AMOS dan LISREL. Software ini dikembangkan oleh Institut Of Hamburg Jerman. Aplikasi ini digunakan untuk (grafis) pemodelan jalur dengan variabel laten (LVP). The Pertial Least Squares (PLS) -method (PLS) yang digunakan untuk menganalisis software ini. Smartpls menggunakan bahasa pemrograman JAVA.

Partial Least Square (PLS) dikembangkan sebagai alternatif CBSEM. Secara filosofis, perbedaan antara CBSEM dan PLS menurut Wold dalam Ghozali (2012) adalah orientasi model persamaan struktural yang digunakan untuk menguji teori atau untuk mengembangkan teori (tujuan prediksi). Pendekatan untuk mengestimasi variabel laten dianggap sebagai kombinasi linear dari indikator sehingga menghindarkan masalah indeterminacy dan memberikan definisi yang pasti dari komponen skor Ghozali (2012). Menurut Jogiyanto dan Abdillah (2010) PLS adalah analisis persamaan struktural (SEM) berbasis varian yang secara simultan dapat melakukan pengujian model pengukuran sekaligus pengujian model struktural. Model pengukuran digunakan untuk uji validitas dan reliabilitas, sedangkan model struktural digunakan untuk uji kausalitas (Pengujian hipotesis dengan model prediksi). Perbedaan mendasar PLS yang merupakan SEM berbasis varian dengan LISREL atau AMOS yang berbasis kovarian adalah tujuan penggunaannya. SEM berbasis konvarian bertujuan untuk mengestimasi model untuk pengujian atau konfirmasi teori, sedangkan SEM varian bertujuan untuk memprediksi 9 model untuk pengembangan teori, karena itu, PLS merupakan alat prediksi kausalitas yang digunakan untuk pengembangan teori. Ada beberapa hal yang membedakan analisis PLS dengan model analisis SEM yang lain: 1. Data tidak harus berdistribusi normal multivariate 2. Dapat digunakan sampe kecil. Minimal sampel > 30 dapat digunakan. 3. PLS selain dapat digunakan untuk mengkonfirmasikan teori, dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel laten. 4. PLS dapat menganalisis sekaligus konstruk yang di bentuk dengan indikator reflektif dan formatif Ada beberapa program komputer untuk mengestimasi model pada model persamaan struktural yaitu program Smartpls, LISREL, AMOS, EQS, SAS PRODUCCALIS, dan STATISTICA SEPATH

Konstruk dengan indikator formatif mempunyai karakteristik berupa komposit, seperti yang digunakan dalam literatur ekonomi yaitu index of sustainable economics welfare, the human development index, dan the quality of life index. Asal usul model formatif dapat ditelusuri kembali pada “operational definition”, dan berdasarkan definisi operasional, maka dapat dinyatakan tepat menggunakan model formatif atau reflesif. Jika η menggambarkan suatu variabel laten dan x adalah indikator, maka: η= x Oleh karena itu, pada model formatif variabel komposit seolah-olah dipengaruhi (ditentukan) oleh indikatornya. Jadi arah hubungan kausalitas seolah-olah dari indikator ke variabel laten. Ciri-ciri model indikator formatif adalah: 1. Arah hubungan kausalitas seolah-olah dari indikator ke konstruk 2. Antar indikator diasumsikan tidak berkorelasi (tidak diperlukan uji konsistensi internal atau Alpha Cronbach) 3. Menghilangkan satu indikator berakibat merubah makna dari konstruk 4. Kesalahan pengukuran diletakkan pada tingkat konstruk (zeta)

Model indikator refleksif dikembangkan berdasarkan pada classical test theory yang mengasumsikan bahwa variasi skor pengukuran konstruk merupakan fungsi dari true score ditambah error. Ciri-ciri model indikator reflektif adalah: 1. Arah hubungan kausalitas seolah-olah dari konstruk ke indikator 2. Antar indikator diarapkan saling berkorelasi (memiliki internal consitency reliability) 3. Menghilangkan satu indikator dari model pengukuran tidak akan merubah makna dan arti konstruk 4. Menghitung adanya kesalahan pengukuran (error) pada tingkat indikator

PLS merupakan metode analisis yang powerful karena dapat diterapkan pada semua skala data, tidak membutuhkan banyak asumsi dan ukuran sampel tidak harus besar. PLS selain dapat digunakan sebagai konfirmasi teori juga dapat digunakan untuk membangun hubungan yang belum ada landasan terorinya atau untuk pengujian proposisi. PLS juga dapat digunakan untuk pemodelan structural dengan indiaktor bersifat reflektif ataupun formatif. PLS dibandingkan dengan LISREL mampu menangani dua masalah serius : (a) Solusi yang tidak dapat diterima (inadmissible solution); hal ini terjadi karena PLS berbasis varians dan bukan kovarians, sehingga masalah matriks singularity tidak akan pernah terjadi. Di samping itu, PLS bekerja pada model struktural yang bersifat rekursif, sehingga masalah un-identified, under-identified atau overidentified juga tidak akan terjadi. (b) Faktor yang tidak dapat ditentukan (factor indeterminacy), yaitu adanya lebih dari satu faktor yang terdapat dalam sekumpulan indikator sebuah variabel. Khusus indikator yang bersifat formatif tidak memerlukan adanya common factor sehingga selalu akan diperoleh variabel laten yang bersifat komposit. Dalam hal ini variabel laten merupakan kombinasi linier dari indikator-indikatornya.

]Metode bootstrap telah dikembangkan oleh Efron (1979) sebagai alat untuk membantu mengurangi ketidak andalan yang berhubungan dengan kesalahan penggunaan distribusi normal dan penggunaannya. Pada bootstrap dibuat pseudo data (data bayangan) menggunakan informasi dan sifat-sifat dari data asli, sehingga data bayangan memiliki karakteristik yang mirip dengan data asli [9]. Pada metode bootstrap dilakukan pengambilan sampel dengan pengembalian dari sampel data (resampling with replacement) [10].

Structural Equation Modeling (SEM) merupakan metode analisis multivariat yang dapat digunakan untuk menggambarkan keterkaitan hubungan linier secara simultan antara variabel pengamatan (indikator) dan variabel yang tidak dapat diukur secara langsung (variabel laten). Variabel laten merupakan variabel tak teramati (unobserved) atau tak dapat diukur (unmeasured) secara langsung, melainkan harus diukur melalui beberapa indikator. Terdapat dua tipe variabel laten dalam SEM yaitu endogen () dan eksogen (ξ)

Perancangan skala perlu dilakukan peneliti jika penelitian yang dijalankan merupakan riset kuantitatif. Dalam pemberian skala, peneliti harus harus menggunakan angka sesuai jenis skala (Suryani, 2015). Berikut 2 jenis pembagian skala:

1. Skala Nominal

Skala nominal merupakan skala yang digunakan untuk memberi label, simbol, lambang atau nama suatu kategori. Skala ini memudahkan pengelompokan data menurut kategorinya, sehingga angka yang diberikan pada suatu kategori (misalnya 1, 2, 3 dan seterusnya) tidak memiliki makna matematis, seperti lebih besar, sama atau lebih kecil dari pada kategori lain. Perbedaan angka di sini menunjukkan perbedaan kategori (Suryani, 2015). Berikut contoh skala nominal untuk pertanyaan dalam kuesioner: Jenis kelamin Anda (silahkan beri tanda )  Laki-laki  Perempuan

2. Skala Likert

Skala ini pertama kali dikembangkan oleh Rensist Likert, seorang sosiolog dari University of Michigan melalui artikel ”A Technique for the Meaurement of Attitudes” yang dipublikasikan oleh the Archieves of Psychology pada tahun 1932. Bentuk awal slaka Likert adalah lima pilihan jawaban dari sangat tidak setuju sampai dengan tingkat sangat setuju yang merupakan sikap atau persepsi seseorang atas suatu kejadian atau pernyataan yang diberikan dalam instrumen/kuesioner. Dalam perkembangan terkini, skala Likert telah banyak dimodifikasi seperti skala titik (dengan menghilangkan pilihan jawaban netral), atau menggunakan skala 7 sampai 9 titik (Suryani, 2015).

Populasi adalah suatu keseluruhan pengamatan atau objek yang menjadi perhatian kita. Sedangkan sampel adalah bagian dari populasi yang menjadi perhatian kita. Populasi menggambarkan sesuatu yang sifatnya ideal atau teoritis, sedangkan sampel menggambarkan sesuatu yang sifatnya nyata atau empiris. Populasi dan sampel masing-masing mempunyai karakteristik atau ciri yang dapat diukur. Teknik sampling adalah teknik pengambilan sampel. Teknik sampling pada dasarnya dikelompokkan menjadi dua yaitu probability sampling dan nonprobability sampling (Prasetyo dkk, 2005): a. Probability Sampling (Pemilihan secara acak) Probability Sampling adalah metode sampling yang setiap anggota populasinya memiliki peluang spesifik dan bukan nol untuk terpilih sebagai sampel. Peluang tersebut dapat sama dan dapat pula tidak sama besarnya dengan anggota populasi lainnya. Jenis-jenis probability sampling yaitu, (Prasetyo dkk, 2005): 1. Sampling acak sederhana Metode pangambilan sampel acak sederhana adalah metode yang digunakan untuk memilih sampel dari populasi sehingga setiap anggota populasi mempunyai peluang yang sama besar untuk diambil sebagai sampel. Ini berarti bahwa semua anggota populasi menjadi anggota dari kerangka sampel. 2. Sampling acak sistematis Metode pengambilan acak sistematis adalah metode untuk mengambil sampel secara sistematis dengan interval atau jarak tertentu dari suatu  kerangka sampel yang telah diurutkan. Dengan demikian tersedianya suatu populasi sasaran yang tersusun merupakan prasyarat penting bagidimungkinkannya pelaksanaan pengambilan sampel dengan metode acak sistematis. 3. Sampling acak stratifikasi Metode pengambilan acak stratifikasi adalah metode pengambilan sampel dengan cara membagi populasi kedalam kelompok-kelompok yang homogenyang disebut strata, kemudian sampel diambil secara acak dari tiap strata tersebut. 4. Sampling klaster atau cluster sampling Metode pengambilan sampel klaster adalah metode yang digunakan untuk memilih sampel yang berupa kelompok dari beberapa kelompok yaitu setiap kelompok terdiri atas beberapa unit yang lebih kecil atau element. Jumlah elemen dari masing-masing kelompok bisa sama maupun berbeda. b. Nonprobability Sampling (pemilihan tidak acak). Nonprobability Sampling setiap unsur dalam populasi tidak memiliki kesempatan atau peluang yang sama untuk dipilih sebagai sampel dalam penarikan sampel probabilita, kesempatan yang mempunyai peranan besar sedangkan dalam penarikan sampel Nonprobability sampling, kesempatan yang mempunyai peranan besar, sedangkan dalam penarikan sampel Nonprobability sampling yang berperan adalah kemampuan atau pengetahuan peneliti terhadap populasi penelitiannya.

Jenis teknik sampling dari Nonprobability sampling dalam, (Prasetyo dkk, 2005) yaitu: 1. Accidental sampling atau kebetulan Pada pengambilan sampel dengan cara Accidental sampling, sampel diambil dari ketersediaan elemen dan kemudahan untuk mendapatkannya, sampel dipilih karena sampel ada pada tempat dan waktu yang tepat. 2. Judgment sampling Sampel diambil berdasarkan kriteria-kriteria berupa suatu pertimbangan tertentu yang telah dirumuskan terlebih dahulu oleh peneliti.   3. Quota sampling Quota sampling adalah purposive sampling yang mengambil persentase yang mengambil persentase sampelnya sesuai dengan persentase jumlah dipopulasinya. Quota sampling sampelnya harus mempunyai karakteristik yang dimiliki oleh populasinya. 4. Snowball sampling Cara mengambil sampel dengan cara ini adalah mengumpulkan sampel dari responden yang berasal dari referensi suatu jaringan. 5. Sampel jenuh Sampel jenuh adalah teknik pengumpulan sampel apabila semua anggota populasi digunakan sebagai sampel. Hal ini sering dilakukan apabila jumlah populasi relatif kecil.

Data primer merupakan data yang langsung dikumpulkan oleh peneliti. Metode atau pendekatan yang dapat dilakukan dalam proses pengumpulan data bersifat primer ini dapat menggunakan angket atau kuesioner, wawancara, pengamatan, tes, dokumentasi dan sebagainya (Suryani, 2015). Instrumen pengumpulan data sendiri merupakan alat yang digunakan untuk pengumpan data, yaitu dapat berupa lembar cek list. Kuesioner (angket terbuka atau tertutup), pedoman wawancara, camera photo, video camera, buku catatan, dan lain sebagainya (Suryani, 2015).

1. Metode kuesioner

Angket atau kuesioner adalah teknik pengumpulan data yang dilakukan dengan cara memberikan seperangkat pertanyaan tau pernyataan kepada orang lain yang dijadikan responden untuk dijawabnya metode kuesioner dapat dilakukan melalui tatap muka langsung, maupun melalui kuesioner surat (baik melalui surat dalam bentuk kertas maupun surat elektronik). Kuesioner yang diberikan secara langsung memiliki kelebihan, yaitu: a. Peneliti dapat secara langsung bertatap muka dengan responden sehingga tujuan penelitian dan kegunaan penelitian dapat disampaikan secara   langsung sehingga dapat meningkatkan mengurangi keraguan responden dan motivasi untuk menjawab secara jujur. b. Peneliti dapat memeriksa langsung kelengkapan isi dari kuesioner yang diberikan. c. Penyebaran kuesioner yang dilakukan secara serentak yang dilakukan oleh tim survei dapat mengumpulkan data dalam waktu yang singkat dan relatif murah dibandingkan metode wawancara. d. Peneliti dapat secara langsung memberikan penjelasan jika pernyataan atau pertanyaan yang tidak dipahami oleh responden

2. Metode observasi

Observasi merupakan salah satu teknik yang digunakan untuk merekam berbagai fenomena yang terjadi (situasi, kondisi). Teknik ini digunakan bila penelitian ditujukan untuk mempelajari perilaku manusia, proses kerja, gejala-gejala alam dan dilakukan pada responden yang tidak terlalu besar. Metode observasi digolongkan menjadi dua yaitu: a. Participant observation, yaitu peneliti secara langsung terlibat dalam kegiatan sehari-hari orang atau situasi yang diamati sebagai sumber data. b. Non-participant observation, yaitu penelitinya tidak ikut secara langsung dalam kegiatan atau proses yang sedang diamati. Kelemahan metode ini adalah peneliti tidak akan memperoleh data yang mendalam karena hanya bertindak sebagai pengamat dari luar tanpa mengetahui makna yang terkandung di dalam peristiwa. 3. Wawancara Wawancara merupakan teknik pengumpulan data yang dilakukan melalui tatap muka dan tanya jawab langsung anta pengumpul data maupun peneliti terhadap nara sumber atau sumber data, wawancara pada penelitian sampel besar biasanya hanya dilakukan sebagai studi pendahuluan. Wawancara terbagai menjadi wawancara terstruktur dan tidak terstruktur. Wawancara terstruktur yaitu peneliti telah mengetahui pasti apa informasi yang ingin digali dari responden sehingga daftar pertanyaannya sudah dibuat secara sistematis. Peneliti juga dapat menggunakan alat bantu tape recorder, 23 kamera foto dan material lainnya yang dapat membantu kelancaran wawancara. Sedangkan wawancara secara tidak terstruktur adalah wawancara bebas, yaitu peneliti tidak menggunakan pedoman wawancara yang berisi pertanyaan yang akan diajukan secara spesifik, dan hanya memuat poin-poin penting masalah yang ingin digali dari responden.

Data digunakan untuk mengukur nilai satu atau lebih variabel dalam sampel atau populasi. Data merupakan cerminan dari suatu variabel menurut klasifikasinya seperti berdasarkan sifatnya, sumbernya, cara memperolehnya, dan waktu pengumpulannya (Suryani, 2015). 1. Data Menurut Jenisnya Data menurut jenisnya dikelompokkan menjadi dua, yaitu kualitatif dan kuantitatif. Data kualitatif (non-metric) seperti jenis kelamin, pendidikan, warna, suku dan sebagainya. Sedangkan kuantitatif (metric) adalah data berbentuk angka. 2. Data Menurut Sifatnya Data menurut sifatnya dikelompoknya menjadi dua yaitu data diskrit dan kontiniu. Data diskrit adalah data dalam bentuk bilangan bulat. Sedangkan data kontiniu adalah data yang mempunyai nilai yang terletak dalam seluruh interval. 3. Data Menurut Sumbernya Data menurut subernya dikelompokkan menjadi dua yaitu data internal dan data eksternal. Data internal adalah data yang menggambarkan keadaan atau kegiatan di dalam sebuah organisasi. Sedangkan data eksternal adalah data yang menggambarkan keadaan atau kegiatan di luar organisasi. 4. Data Menurut Cara Memperolehnya a. Data primer adalah data yang dikumpulkan dan diolah sendiri oleh organisasi atau perorangan langsung dari objeknya. Pengumpulan data tersebut dilakukan secara khusus untuk mengatasi masalah riset yang sedang diteliti. 21 b. Data sekunder adalah data yang diperoleh dalam bentuk yang sudah jadi, sudah dikumpulkan dan diolah oleh pihak lain, biasanya sudah dalam bentuk publikasi. 5. Data Menurut Waktu Pengumpulannya Data menurut waktu pengumpulannya dikelompokkan menjadi tiga, yaitu crosss-section, time series dan data panel. Data cross-section adala data yang dikumpulkan pada suatu waktu tertentu yang dapat menggambarkan keadaan atau kegiatan pada waktu tertentu. Time series (data berskala) adalah daya yang dikumpulkan dalam waktu ke waktu untuk memberikan gambaran tentang perkembangan suatu kegiatan selama periode spesifik yang diamati. Data berskala sering kali disebut pula sebagai data historis. Sedangkan data panel adalah data gabungan time series dan cross section

Untuk pengujian seluruh hipotesis maka digunakan metode Partial Least Square (PLS). Partial Least Square (PLS) merupakan metode analisis yang powerfull oleh karena tidak didasarkan banyak asumsi (Ghozali, 2014). Dengan metode PLS maka model yang diuji dapat mempergunakan asumsi: data tidak harus berdistribusi normal, skala pengukuran dapat berupa nominal, ordinal, interval maupun rasio, jumlah sampel tidak harus besar, indikator tidak harus dalam bentuk refleksif (dapat berupa indikator refleksif dan formatif) dan model tidak harus berdasarkan pada teori (Ghozali, 2014). Dengan uji t, yaitu untuk menguji signifikansi konstanta dan variabel independen yang terdapat dalam persamaan tersebut secara individu apakah berpengaruh terhadap nilai variabel dependen (Ghozali, 2014). Untuk pengujian ini dilakukan dengan melihat output dengan bantuan program aplikasi SmartPLS. Jika nilai T hitung < T tabel, maka Hipotesis nol ditolak, (koefisien regresi signifikan). Dalam pengujian hipotesis tingkat signifikansi yang digunakan adalah 95% ( = 0.05). Nilai T tabel dengan tingkat signifikansi 95% adalah 1.96. Model 19 persamaan struktural dalam penelitian ini akan diselesaikan dengan program SmartPLS 3.0

Dalam menilai model struktural dengan PLS, dimulai dengan melihat nilai R-Square untuk setiap variabel laten endogen sebagai kekuatan prediksi dari model struktural. Perubahan nilai R-Square dapat digunakan untuk menjelaskan pengaruh substantive atau yang paling pokok. Nilai R-Square 0.67, 0.33, 0.19 dapat disimpulkan bahwa model dikatakan baik, moderate dan lemah (Ghozali, 2014)

Sebagai alternatif covariance based SEM, pendekatan covariance based atau component based dengan PLS orientasi analisis bergeser dari menguji model kausalitas atau teori ke covariance based predictive model. CBSEM lebih berorientasi pada model building yang dimaksudkan untuk menjelaskan covariance dari semua observed indikators, sedangkan tujuan PLS adalah prediksi. Variabel laten didefinisikan sebagai jumlah dari indikatornya. Algoritma PLS ingin mendapatkan the best weight estimate untuk setiap blok indikator dari setiap variabel laten. Hasil komponen skor untuk setiap variabel laten didasarkan pada estimated indicator weight yang memaksimumkan variance explained untuk variabel dependent atau laten, observe atau keduanya (Ghozali, 2014). Partial least square (PLS) merupakan metode analisis yang powerfull oleh karena tidak didasari banyak asumsi. Data tidak harus terdistribusi normal multivariate (indikator dengan skala kategori, ordinal, interval, sampai ratio dapat digunakan pada model yang sama), sampel tidak harus besar. Walapun PLS dapat juga digunakan untuk mengkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel laten. Oleh karena lebih menitik beratkan pada data dan dengan prosedur estimasi yang terbatas, maka mispersifikasi model tidak begitu berpengaruh terhadap estimasi parameter. Dibandingkan dengan CBSEM, component based SEM–PLS menghindari dua 15 masalah serius yaitu inadmisable solution dan factor indeterminacy (Ghozali, 2014). PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refletif dan indikator formatif dan hal ini tidak mungkin dijalankan dalam CBSEM karena akan terjadi unidentified model. Oleh karena algoritma dalam PLS menggunakan analisis series ordinary least square, maka identifikasi model bukan masalah dalam model rekursif dan juga tidak mengasumsikan bentuk distribusi tertentu dari pengukuran variabel. Lebih jauh efesiensi perhitungan algoritma mampu mengestimasi model yang besar dan komplek dengan ratusan variabel laten dan ribuan indikator (Ghozali, 2014). Secara ringkas dapat disimpulkan bahwa jika model struktur dan model pengukuran yang dihipotesiskan benar dalam artian menjelaskan covariance semua indikator dan kondisi data serta sample size terpenuhi, maka covariance based SEM memberikan estimasi optimal dari parameter model. Ini ideal untuk konfirmasi model dan estimasi kebenaran parameter populasi. Namun demikian tergantung dari tujuan si peneliti dan pandangan epistemic dari data ke teori, properti data yang ada, tingkat pengetahuan teoritis dan pengembangan pengukuran, pendekatan PLS mungkin lebih cocok

Structural Equation Model (SEM) adalah suatu teknik statistik yang mampu menganalisis variabel laten, variabel indikator dan kesalahan pengukuran secara langsung. Teknik ini dilakukan untuk menjelaskan secara menyeluruh hubungan antar variabel yang ada dalam penelitian. SEM digunakan bukan untuk merancang suatu teori, tetapi lebih ditujukan untuk memeriksa dan membenarkan suatu model. SEM terbagi atas 2 jenis varian, yaitu SEM covariance based dan SEM componenet based (Ghozali, 2014). SEM memiliki dua tujuan utama dalam analisisnya, tujuan yang pertama yaitu menentukan apakah model possible (masuk akal) atau fit, atau dengan kata lain menguji fit suatu model yaitu kesesuaian model dengan data empiris. Tujuan kedua yaitu menguji berbagai hipotesis yang telah dibangun sebelumnya. SEM memiliki 4 perbedaan dengan regresi biasa dan teknik multivariate lainnya yaitu: 1. SEM membutuhkan lebih dari sekedar perangkat statistik yang didasarkan atas regresi biasa dan analisis varian. 14 2. Regresi biasa, umumnya, menspesifikan hubungan kausal antara variabel-variabel teramati, sedangkan pada model variabel laten SEM, hubungan kausal terjadi di antara variabel-variabel tidak teramati atau variabel-varibel laten. 3. SEM selain memberikan informasi tentang hubungan kausal simultan di antara variabel-variabelnya, juga memberikan informasi tentang muatan faktor dan kesalahan-kesalahan pengukuran. 4. Estimasi terhadap multiple interrelated dependence relationships. pada SEM sebuah variabel bebas pada satu persamaan bisa menjadi variabel terikat pada persamaan lain.