ipi192273
DESCRIPTION
about Pengukuran Moderasi dan Mediasi dalam penelitianTRANSCRIPT
-
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: [email protected]
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.