461

PATH ANALYSIS (ANALISIS LINTAS) DAN GENERALIZED

STRUCTURED COMPONENT ANALYSIS (GSCA) PADA DATA SKALA

LIKERT

Natasya Mayang Asmara

Jurusan Matematika, F.MIPA, Universitas Brawijaya

Email: natasyamayang@yahoo.co.id

Abstrak. Analisis multivariate merupakan metode statistika yang dalam analisisnya melibatkan banyak variabel secara

simultan. Path analysis (analisis lintas) dan Generalized Structured Component Analysis (GSCA) merupakan dua di antara

metode dari analisis multivariate. Kedua metode ini memiliki beberapa persamaan yaitu sama-sama merupakan model

struktural dan model yang dibentuk berupa lintasan-lintasan yang dapat bersifat rekursif atau searah. Dengan adanya

persamaan antara kedua metode tersebut, akan sangat menarik bila kedua metode ini dibandingkan manakah metode yang

lebih baik antara Path Analysis (analisis lintas) dan Generalized Structured Component Analysis (GSCA). Untuk dapat

membandingan kedua metode tersebut digunakan kebaikan model atau goodnes of fit dari nilai koefisien determinasi dan

signifikansi parameter. Penelitian ini bertujuan untuk membandingkan hasil analisis mana yang lebih baik antara Path

analysis (analisis lintas) dan Generalized Structured Component Analysis (GSCA) dengan pembanding 10 data sekunder

berskala Likert yang berasal dari desertasi mahasiswa pascasarjana Universitas Brawijaya. Kebaikan model keseluruhan

untuk path analysis menggunakan dan GSCA menggunakan Fit. Dalam penelitian ini untuk analisis lintas menggunakan

software minitab dan untuk GSCA menggunakan software GESCA. Secara keseluruhan dapat disimpulkan bahwa kedua

metode sama baiknya diterapkan pada data dengan skala Likert. GSCA lebih mudah digunakan dibandingkan path analysis

karena dapat diterapkan pada sampel kecil karena adanya metode resampling.

Kata Kunci: Analisis Lintas, GSCA, Skala Likert

1. PENDAHULUAN

Metode analisis data terus berkembang seiring dengan berkembangnya pengetahuan dan

masalah baru yang muncul. Terlebih lagi masalah sosial yang kerap kali muncul dikarenakan

karakteristik suatu populasi yang sering tidak cukup dipahami hanya dengan mengamati satu variabel

saja. Pada umumnya, terdapat permasalahan di mana banyaknyavariabel yang diamati dalam suatu

penelitian terdiri lebih dari satu ataupun dua variabel. Analisis multivariate merupakan metode

statistika yang dalam analisisnya melibatkan banyak variabel secara simultan. Path Analysis (analisis

lintas) dan Generalized Structured Component Analysis (GSCA) merupakan dua diantara metode

analisis dari analisis multivariate yang sering kali digunakan pada permasalahan sosial. Melalui Path

Analysis (analisis lintas) akan diuji seperangkat hipotesis kausal dan menginterpretasikan hubungan

tersebut (langsung atau tidak langsung). Sedangkan kegunaan Generalized Structured Component

Analysis (GSCA) adalah untuk mendapatkan model struktural guna tujuan prediksi. Beberapa

persamaan antara Path Analysis (analisis lintas) dan Generalized Structured Component Analysis

(GSCA) yaitu sama-sama merupakan model struktural dan model yang dibentuk berupa jalur-jalur

atau lintasan-lintasan yang bisa bersifat rekursif atau searah, hubungan antara variabel laten dengan

indikatornya bisa bersifat refleksif maupun formatif. Perbedaan pada kedua metode ini ialah, jika pada

Path Analysis (analisis lintas) ada beberapa asumsi yang harus dipenuhi serta menggunakan

pendugaan OLS (Ordinary Least Squares). Pada Path Analysis (analisis lintas) dapat diperoleh rata-

rata untuk setiap variabel atau menggunakan skor faktor. Sedangkan Generalized Structured

Component Analysis (GSCA) tidak harus menggunakan asumsi serta menggunakan pendugaan ALS

(Alternating Least Squares). Analisis Generalized Structured Component Analysis (GSCA)

menyertakan item untuk dianalisis. Penelitian ini menggunakan 10 data sekunder dari beberapa

sumber yang berbeda dan menggunakan skala data Likert. Data yang dipakai pada penelitian ini

memiliki bermacam-macam kasus yang bertujuan mengukur pendapat, persepsi, sikap dan lain-lain

yang sesuai dengan data yang dibutuhkan untuk metode Path Analysis (analisis lintas) dan

Generalized Structured Component Analysis (GSCA). Oleh karena itu, penelitian ini perlu dilakukan

untuk memperoleh informasi tentang analisis mana yang lebih baik diantara Path Analysis (analisis

lintas) dan Generalized Structured Component Analysis (GSCA) jika melihat terhadap persamaan dan

perbedaan antara kedua analisis tersebut.

462

2. TINJAUAN TEORI

2.1 Skala Pengukuran

Skala Likert ditemukan dan dikembangkan oleh Rensis Likert pada tahun 1932 di mana skala

Likert merupakan metode skala bipolar karena dapat digunakan untuk mengukur tanggapan positif

ataupun tanggapan negatif. Riduwan (2005) menyatakan bahwa skala Likert digunakan untuk

mengukur sikap, pendapat dan persepsi seseorang atau sekelompok orang tentang fenomena sosial.

Pada skala Likert, variabel yang akan diukur dijabarkan menjadi indikator variabel. Setiap jawaban

dihubungkan dengan bentuk pernyataan atau dukungan sikap yang diungkapkan dengan kata-kata

misalnya untuk pertanyaan positif.

2.2 Path Analysis (Analisis Lintas)

Menurut Dillon dan Goldstein (1984), path analysis dikembangkan oleh Sewall Wright pada

tahun 1960 sebagai metode untuk mempelajari pengaruh langsung dan tidak langsung dari variabel-

variabel, di mana beberapa variabel dipandang sebagai sebab dan variabel lain dipandang sebagai

akibat atau pengaruh. Tujuan dari path analysis adalah menentukan besar pengaruh langsung dari

sejumlah variabel berdasarkan koefisien regresi beta (koefisien path).

Variabel yang ada pada path analysis terdiri dari variabel endogen dan variabel eksogen.

Variabel endogen adalah variabel yang dijelaskan atau dipengaruhi oleh variabel eksogen sehingga

variabilitasnya ditentukan oleh model yang sifatnya bisa menjadi variabel respon dalam suatu

persamaan dan bisa menjadi variabel respon dalam suatu persamaan lain, sedangkan variabel eksogen

adalah variabel penyebab atau berpengaruh terhadap variabel lain dan variabilitasnya ditentukan oleh

penyebab di luar model (Pedhazur, 1982).

Asumsi-asumsi yang melandasi analisis lintas adalah (Solimun, 2010):

1. Dalam analisis lintas hubungan antar variabel harus linier dan aditif. Salah satu cara uji linearitas adalah dengan menggunakan curve fit dengan menerapkan prinsip parsimony, yaitu apabila seluruh

model signifikan atau non signifikan berarti dapat dikatakan model berbentuk linier.

2. Hanya model rekursif dapat dipertimbangkan, yaitu hanya sistem aliran kausal ke satu arah. Sedangkan pada model yang mengandung kausal respirokal tidak dapat dilakukan analisis lintas.

Merupakan model rekursif apabila memenuhi asumsi-asumsi sebagai berikut:

a. Antar i saling bebas (penjelas). b. Antar i dengan Xi saling bebas.

3. Variabel endogen minimal dalam skala ukur interval. 4. Observed variable (variabel manifes) diukur tanpa kesalahan (instrumen pengukuran valid dan

reliabel).

5. Model yang dianalisis dispesifikasi (diidentifikasikan) dengan benar berdasarkan teori dan konsep-konsep yang relevan.

Model analisis lintas adalah sebagai berikut:

Yj = j

Menurut Johnson dan Wichern (1982), penghitungan koefisien lintas akan memungkinkan

untuk menilai pengaruh langsung dan pengaruh tidak langsung. Penghitungan koefisien lintas pada

analisis lintaas dapat dilakukan dengan tiga cara yaitu dengan persamaan normal (koefisien regresi

standardize), pendekatan matriks dan perhitungan matematik.

Kebaikan model keseluruhan pada analisis lintas dijelaskan oleh koefisien determinasi total

( ). Total keragaman data yang dapat dijelaskan oleh model diukur dengan:

=

2.3 Generalized Structured Component Analysis (GSCA)

GSCA adalah metode baru berbasis komponen, sangat penting dan dapat digunakan untuk

perhitungan skor (bukan skala) dan juga dapat diterapkan pada sampel yang sangat kecil. Di samping

itu, GSCA dapat digunakan pada model struktural yang melibatkan variabel dengan indikator refleksif

dan formatif.

Menurut Hwang dan Takane (2004), asumsi yang melandasi dalam GSCA adalah:

1. Hubungan antar variabel laten dalam inner model adalah linier dan aditif; untuk memeriksa asumsi linier dapat dilakukan dengan diagram pencar atau pendekatan Curve Fit. Secara

463

konseptual dan teoritis diupayakan tidak terjadi hubungan yang bersifat multiplikatif atau

rasional antar variabel laten. Untuk melihat hubungan linier antar variabel laten dapat digunakan

curve estimation atau menggunakan statistik uji F.

2. Model struktural bersifat rekursif.

Dalam GSCA terdapat 3 parameter yang diduga, yaitu V, W, dan A. Pendugaan dilakukan

dengan meminimumkan jumlah kuadrat sisaan. Persamaan jumlah kuadrat sisaan tidak dapat diselesaikan secara analitis, di mana V, W, dan A dapat tersusun atas angka nol atau elemen tetap

lainnya. Oleh karena itu, algoritma Alternating Least Square (ALS) digunakan untuk meminimumkan

jumlah kuadrat sisaan. Algoritma ALS dalam GSCA terdiri dari 2 langkah, yaitu:

1. Parameter A diduga dari parameter V dan yang tetap.

2. Parameter V dan diduga dari parameter A yang tetap.

Kebaikan model GSCA dibagi menjadi 3 model yaitu kebaikan model pengukuran, kebaikan

model struktural, dan kebaikan model keseluruhan. Kebaikan model pengukuran bertujuan mengetahui validitas dan reliabilitas dari instrument penelitian. Untuk melihat validitas dan reliabilitas

menggunakan AVE dan alpha cronbach. Kebaikan model struktural menggunakan koefisien

determinasi (R2 ) pada variabel laten. Kebaikan model keseluruhan diukur dengan menggunakan FIT

dan AFIT. Fit menggambarkan keragaman total variabel endogen yang dapat dijelaskan oleh

keseluruhan model. Dalam GSCA, AFit dapat digunakan untuk perbandingan model, nilai AFit yang

lebih besar menunjukkan model yang lebih baik.

3. METODE PENELITIAN

Pada penelitian ini digunakan data sekunder yang diambil dari penelitian mahasiswa/mahasiswi

program pasca sarjana dan/atau doktor. Data pada penelitian-penelitian dipilih yang mengandung skala

Likert. Terdapat 10 data yang digunakan dalam penelitian ini.

Langkah-langkah analisis yang dilakukan adalah melakukan uji asumsi untuk kedua metode lalu

membandingkan hasil persentase signifikansi pada uji hipotesis dan koefesien determinasi total

masing-masing metode. Makin besar persentase signifikansi dan koefesien determinasi total yang

dihasilkan, model yang disajikan makin baik.

4. HASIL DAN PEMBAHASAN

Penelitian ini membandingkan Path Analysis (analisislintas) dan Generalized Structured

Component Analysis (GSCA) pada Data Skala Likert berdasarkan uji hipotesis dan kebaikan model.

Pada Tabel 1 disajikan perbandingan dari kedua metode berdasarkan persentase signifikansi pada uji

hipotesis.

Tabel 1. Perbandingan kedua metode berdasarkan uji hipotesis

Data n Jumlah

Hipotesis

Analisis Lintas Analisis GSCA

Jumlah

Hipotesis

yang

Signifikan

Persentasi

Hipotesis

Signifikan

Jumlah

Hipotesis

yang

Signifikan

Persentasi

Hipotesis

Signifikan

1 115 5 4 80% 4 80%

2 120 6 6 100% 6 100%

3 157 6 1 16,7% 1 16,7%

4 152 10 8 80% 7 70%

5 192 15 6 40% 6 40%

6 150 7 6 85,7% 5 71,4%

7 124 6 2 33,3% 0 0%

8 136 14 9 64,3% 9 64,3%

9 100 3 2 66,6% 2 33,3%

10 100 3 3 100% 2 33,3%

464

Berdasarkan perbandingan pada Tabel 1, dapat diketahui bahwa Path Analysis (analisis lintas)

persentase hipotesis signifikan lebih tinggi dibandingkan yang dihasilkan oleh Generalized Structured

Component Analysis (GSCA) pada data skala Likeert.

Tabel 2. Perbandingan kedua metode berdasarkan koefisien determinasi total

Data N Kebaikan Model Keseluruhan

Keputusan Analisis Lintas (

) Analisis GSCA (Fit)

1 115 46,3% 52,5% GSCA

2 120 74,9% 61,1% Analisis Lintas

3 157 0,6% 22,2% GSCA

4 152 35,2% 46,2% GSCA

5 192 18,6% 47,1% GSCA

6 150 60,1% 74% GSCA

7 124 17,2% 32,3% GSCA

8 136 67,1% 60,8% Analisis Lintas

9 100 23,5% 44,8% GSCA

10 100 26,9% 43,3% GSCA

Berdasarkan Tabel 2 analisis GSCA pada data ke-1, ke-3, ke-4, ke-5, ke-6, ke-8, dan ke-10

memiliki kebaikan model keseluruhan yang lebih besar daripada yang dihasilkan oleh Analisis Lintas.

Sedangkan analisis GSCA pada data ke-2dan ke-8 memiliki kebaikan model keseluruhan yang

lebih kecil daripada yang dihasilkan oleh Analisis Lintas

5. KESIMPULAN

Berdasarkan dari hasil dan pembahasan, kebaikan model keseluruhan pada analisis GSCA lebih

besar dibandingkanyang dihasilkan oleh Path Analysis (analisis lintas). Namun persentase signifikan

parameter pada Analisis Lintas lebih tinggi dibandingkan dengan persentase signifikan parameter pada

analisis GSCA. Berdasarkan perbandingan tersebut tidak diperoleh keputusan metodeyang lebih baik.

Sehingga dapat dikatakan bahwa kedua metode ini sama baiknya diterapkan pada data dengan Skala

Likert.

DAFTAR PUSTAKA

Dillon, W.R. dan Goldstein. M., (1984), Multivariate Analysis Methods and Application, John Wiley

& Sons, New York.

Hwang, H. dan Takane. Y., (2004), Generalized Structured Component Analysis, Psychometrika, 69,

hal. 81-99.

Pedhazur, E.J., (1982), Multiple Regression in Behavioral Research, Explanation and Prediction,

second edition, CBS College Publishing, New York.

Riduwan, (2005), Skala Pengukuran Variabel- Variabel Penelitian, Alfabeta, Bandung.

Solimun, (2010), Analisis Multivariat Pemodelan Struktural Metode Partial Least Square-PLS, CV

Citra, Malang.