Instrumen Penelitian

METODE PENELITIAN A. Populasi dan Sampel

D. Instrumen Penelitian

Instrumen penelitian yang dipergunakan dalam penelitian ini berupa angket atau kuisioner yang dibuat sendiri oleh peneliti. Sugiyono (2016) menyatakan bahwa “Instrumen penelitian adalah suatu alat pengumpul data yang digunakan untuk mengukur fenomena alam maupun sosial yang diamati”. Menurut Sugiyono (2016), Skala Likert adalah skala yang digunakan untuk mengukur sikap, pendapat, dan persepsi seorang atau sekelompok orang tentang fenomena sosial. Dengan demikian, penggunaan instrumen penelitian yaitu untuk mencari informasi yang lengkap mengenai suatu masalah, fenomena alam maupun sosial.

Dalam penelitian ini, peneliti menggunakan jenis instrumen angket atau kuesioner dengan pemberian skor sebagai berikut:

Table 3.1

Skala Likert

Jenis Jawaban Nilai

Sangat Setuju SS

Setuju S

Netral/Ragu-ragu N

Tidak Setuju TS

Sangat Tidak Setuju STS

59 E. Metode Pengumpulan Data

Untuk mendapatkan data yang lengkap dan akurat serta dapat dipertanggungjawabkan kebenaran ilmiahnya, penulis menggunakan teknik pengumpulan data sebagai berikut:

1. Kuesioner

Menurut Sugiyono (2016), kuesioner merupakan teknik pengumpulan data yang dilakukan dengan cara memberi seperangkat pertanyaan dan pernyataan tertulis kepada responden untuk dijawabnya. Kuesioner dapat berupa pertanyaan/pernyataan tertutup/terbuka, dapat diberikan secara tatap muka maupun dalam jaringan (melalui internet, contoh: google form). Kuesioner (angket) digunakan dalam penelitian ini dimaksudkan untuk mengetahui tanggapan masyarakat Tangerang Selatan untuk mengetahui tanggapan mereka mengenai minat menjadi nasabah BSI KC Tangerang-Ciputat.

Kuesioner dalam penelitian ini berjumlah 32 pernyataan yang diajukan.

2. Studi Pustaka

Studi pustaka adalah teknik pengumpulan data dengan mengadakan studi penelaah terhadap buku-buku, literatur-literatur, catatan-catatan, dan laporan-laporan yang ada hubungannya dengan masalah yang dipecahkan. Studi pustaka ini berguna untuk melengkai penelitian yang dilakukan agar lebih relevan.

60 F. Metode Analisis Data

Metode analisis data dalam penelitian kuantitatif ini menggunakan statistic deskriptif. Statistik deskriptif adalah statistik yang digunakan untuk menganalisis dengan cara mendeskripsikan data-data yang telah terkumpul yang digunakan untuk membuat kesimpulan yang berlaku untuk umum atau generalisasi.

1. Statistik Deskriptif

Statistik deskriptif adalah statistik yang digunakan untuk menganalisis deskripsi/gambar terhadap data yang terkumpul tanpa bermaksud untuk membuat kesimpulan yang berlaku untuk umum (Sugiyono, 2016). Dalam statistik deskriptif juga terdapat penyajian data melalui table, grafik, diagram lingkaran, pictogram, perhitungan modus, median, mean, perhitungan desil, presentil, perhitungan penyebaran data melalui perhitungan rata-rata dan standar deviasi juga perhitungan presentase. Statistik deskriptif juga dapat dilakukan untuk mencari kuatnya hubungan antara variabel melalui korelasi, melakukan prediksi dan membuat perbandingan dengan membandingkan rata-rata data sampel atau populasi. Dalam menggunakan statistik deskriptif tidak ada uji signifikansi, tidak ada taraf kesalahan, karena peneliti tidak bermaksud membuat generalisasi, sehingga tidak ada kesalahan generalisasi.

61 2. Uji kualitas data

a. Uji validitas

Data dikatakan valid, jika pertanyaan pada kuesioner mampu mengungkapkan sesuatu yang diukur oleh kuesioner tersebut. Butir-butir pertanyaan yang ada dalam kuesioner diuji terhadap faktor terkait. Uji validitas dimaksud untuk mengetahui seberapa cermat suatu test atau pengujian melakukan fungsi ukurannya. Instrumen dalam pengukuran dikatakan valid apabila instrumen tersebut memberikan hasil sesuai yang diharapkan peneliti dengan mengukur apa yang seharusnya diukur. Untuk megukur kevalidan suatu data maka dilakukan uji validitas terhadap butir-butir kuesioner. Tinggi rendah validitas suatu angket atau kuesioner dihitung dengan menggunakan metode Pearson‟s Product Moment Correlation, yaitu dengan menghitung korelasi antara skor item pertanyaan dengan skor total.

Hasil perhitungan ini akan dibandingkan dengan critical value pada tabel ini nilai r dengan taraf signifikasi 5% (r tabel = 0,197) dan jumlah sampel yang ada. Apabila hasil perhitungan korelasi produk moment lebih besar dari critical value, maka instrumen ini dinyatakan valid. Sebaliknya apabila skor item kurang dari critical value, maka instrumen ini dinyatakan tidak valid.

62 b. Uji reliabilitas

Uji reliabilitas merupakan indeks yang menunjukan sejauh mana suatu alat pengukur dapat dipercaya atau dapat diandalkan (Sugiyono, 2016). Uji reliabilitas instrument dapat dilihat dari besarnya nilai cronboach alpha pada masing-masing variable.

Cronboach alpha digunakan untuk mengetahui reliabilitas konsisten interitem atau menguji kekonsistenan responden dalam merespon seluruh item. Instrument untuk mengukur masing-masing variabel dikatakan reliable jika memiliki cronboach alpha minimal 0,7 yang idealnya cenderung dengan 0,8 dan 0,9 (Narimawati et al., 2020).

3. Pengolahan dan analisis data Partial Least Square (PLS)

Pengujian hipotesis penelitian ini dilakukan dengan menggunakan Structural Equation Model (SEM) berbasis Partial Least Square (PLS). Menurut Wright dalam Abdillah & Hartono (2015) SEM adalah suatu teknik pengujian untuk menguji dan mengestimasi hubungan dengan menggunakan analisis faktor dan analisis jalur. Di dalam teknik analisis SEM terdapat 2 pendekatan terhadap pengujian, yaitu model estimasi dan model prediksi (Abdillah & Hartono, 2015). Model estimasi adalah pengujian suatu teori yang dilakukan untuk mendapatkan hasil statistika yang kompleks dan mendapatkan justifikasi dalam pengujiannya, teknik analisis statistikanya berbasis kovarian (CB); seperti SEM LISREL atau AMOS. Sedangkan model

63

prediksi ditujukan untuk penelitian yang ingin mengembangkan teori, teknik analisis statistika dalam penggunannya berbasis varian dengan menggunakan PLS.

Menurut Abdillah & Hartono (2015), PLS merupakan metode analisis yang bersifat soft modeling karena tidak mengasumsikan data harus dengan pengukuran skala tertentu, yang berarti jumlah sampel dapat kecil (dibawah 100 sampel). Menurut Abdillah & Hartono (2015) Partial Least Square (PLS) adalah teknik statistika multivariat yang melakukan perbandingan antara variabel dependen berganda dengan variabel independen berganda.

Table 3. 2

Perbandingan antara PLS-SEM dan CB-SEM

Kriteria VB-SEM CB-SEM

Tujuan Penelitian Mengembangkan teori Menguji atau

mengkonfirmasi teori Pendekatan Berdasarkan variance Berdasarkan covariance Metode estimasi Least square Maximum likelihood

Ukuran sampel Sampel kecil Sampel besar

Spesifikasi model dan parameter model

Components two

loadings, path koefisien, dan component weight.

Factors one loading, path koefisien, error variances, goodness off fit sebelum estimasi parameter Pengujian signifikansi Tidak dapat diuji dan di Model dapat diuji dan

64

falsifikasi (harus melalui prosedur boostrap atau jackknife)

difalsifkasi

Software produk PLS Graph, SmartPLS, SPAD-PLS, XLSTAT-PLS, dan lainnya

AMOS, EQS, LISREL, MPlus dan lainnya Sumber: Ghozali & Latan, 2015

Dalam Partial Least Square (PLS) menurut Narimawati et al (2020) terdapat dua variabel utama yaitu:

a. Unobserved variabel

Unobserved variabel merupakan variabel yang tidak dapat di obesrvasi secara langsung, yaitu variabel laten/konstruk. Variabel laten dibagi menjadi dua yaitu variabel laten endogen dan laten variabel eksogen. Dalam regresi linier, variabel laten endogen disebut variabel dependen sedangkan variabel laten eksogen disebut variabel independen.

b. Observed Variabel

Observed variabel adalah variabel yang dapat diobservasi secara langsung seperti variabel manifest. Variabel manifest dalam Partial Least Square (PLS) yaitu variabel yang terukur oleh beberapa indikator. Dalam regresi linier, variabel manifest juga disebut indikator dari sebuah variabel.

65

4. Perancangan model struktural (inner model)

Model struktural adalah model yang menggambarkan hubungan antara variabel laten dengan variabel manifest nya. Persamaan inner model adalah:

Ƞ = Βƞ + Γξ + ϛ, cov (LV, error = 0)

Keterangan:

Ƞ = variabel endogen.

Β = koefisien matriks untuk variabel endogen ξ = variabel laten eksogen

Γ = koefisien matriks untuk variabel eksogen ϛ = kesalahan pengukuran variabel laten

Model struktural dalam PLS dievaluasi dengan menggunakan R² , Nilai R² digunakan untuk mengukur tingkat variasi perubahan variabel independen terhadap variabel dependen. Semakin tinggi nilai R² berarti semakin baik model prediksi dari model yang diajukan (Abdillah & Hartono, 2015). Nilai R-square 0,75, 0,50 dan 0,25 dapat disimpulkan bahwa model kuat, moderat, dan lemah. Selain R² ada beberapa metode evaluasi lainnya yang digunakan untuk menilai model struktural yaitu Goodness of Fit (Gof) dan kekuatan prediksi Q². Goodness of Fit (Gof) berguna untuk mengevaluasi keseluruhan kinerja model pengukuran dan model struktural.

66 Rumus:

Goodness of Fit (Gof) = ∑√ 𝐶𝑂𝑀 𝑥 R²

Keterangan:

COM : nilai komunalitas R² : R Square

Q² berfungsi sebagai kekuatan dalam memprediksi model. Jika Q² > 0 maka variabel laten eksogen baik atau sesuai sebagai variabel laten yang mampu menerangkan variabel endogen dalam model (Yamin &

Kurniawan, 2011)

Gambar 3.1 Model Struktural (inner model)

5. Perancangan model pengukuran (outer model)

Model pengukuran adalah model yang mendefinisikan hubungan antara variabel laten dengan indikatornya. Model pengukuran digunakan untuk menguji validitas konstruk dan realibilitas instrument (Abdillah & Hartono, 2015).

X1

X2

X3

Y

X1.1 X1.2

X2.2 X2.1

X3.2 X3.1

67 a. Validitas Konstruk

Menurut Abdillah & Hartono (2015) Validitas konstruk menunjukkan seberapa baik hasil yang diperoleh dari penggunaan suatu pengukuran sesuai dengan teori-teori yang digunakan untuk mendefinisikan suatu konstruk. Untuk menguji validitas konstruk adalah dengan melihat korelasi yang kuat antara konstruk dan item- item pertanyaannya dan hubungan yang lemah dengan variabel lainnya. Validitas konstruk terdiri dari validitas konvergen dan validitas diskriminan.

1) Validitas Konvergen

Validitas konvergen berhubungan dengan prinsip bahwa pengukur-pengukur dari suatu konstruk seharusnya berkolerasi tinggi. Menurut Yamin & Kurniawan (2011) validitas konvergen dapat dievalusi oleh loading factor > 0,5 dan Average Variance Extracted (AVE) > 0,5 (Yamin &

Kurniawan, 2011).

2) Validitas Diskriminan

Validitas diskriminan berhubungan dengan prinsip-prinsip bahwa pengukur-pengukur konstruk yang berbeda seharusnya tidak berkorelasi dengan tinggi. Uji validitas diskriminan dinilai berdasarkan cross loading pengukuran dengan konstruknya > 0,7 dalam satu variabel dan juga dengan

68

membandingkan akar AVE > korelasi variabel laten (Abdillah

& Hartono, 2015).

Gambar 3.2 Model pengukuran (outer model)

Mode A Mode B

Persamaan outer model reflektif (Mode A) Menurut ningsi (2012) dalam Martyanto & Sugito (2017):

x = λ

x

ξ + δ

x

y = λ

_y

ƞ + ε

_y

dimana:

x dan y adalah manifest variabel atau indikator konstruk laten eksogen (ξ) dan endogen (ƞ).

Λx dan λy adalah matriks loading yang menggambarkan koefisien regresi sederhana yang meghubungkan variabel laten dan indikatornya.

εx dan εy merupakan residual kesalahan pengukuran (measurement error)

ξ ƞ

X1

X2

X3

Y1

Y3 Y2

69

Sedangkan untuk outer model formatif (Mode B) persamaannya:

ξ = π

_ξ

x + δ

_ξ

ε = π

_ƞ

y + ε

_ƞ

dimana:

dengan ξ sebagai variabel laten eksogen, η sebagai variabel laten endogen, x sebagai indikator pada variabel laten eksogen, y sebagai indikator untuk variabel laten endogen, dan πη sebagai koefisien regresi berganda dari variabel laten dan blok indikator, serta δξ dan εη sebagai residual regresi.

Terdapat tiga cara untuk membangun antara indikator dengan variabel laten, yaitu hubungan reflektif, hubungan formatif, dan MIMIC (Multi Effect Indicators for Multiple Causes).

Penelitian ini sendiri hanya menggunakan hubungan formatif sebagai hubungan outer modelnya. Menurut Hair et al. (2014) dalam Martyanto & Sugito (2017) hubungan formatif adalah asumsi bahwa indikator-indikator yang membentuk variabel laten.

Menurut Ningsi (2012) dalam Martyanto & Sugito (2017) pada hubungan formatif, perubahan konstruk variabel laten diakibatkan oleh perubahan indikator. Variabel laten ξj diasumsikan sebagai suatu fungsi linear dari indikator X_jk.

70 6. Weight Relations

Hubungan antar variabel laten dengan indikatornya telah dijelaskan melalui outer model, namun disisi lain nilai sebenarnya dari variabel laten tidak mungkin didapatkan. Oleh karena itu, diperlukan weight relation untuk nilai kasus setiap variabel yang diestimasi dalam PLS sebagai berikut:

Yj = ∑

k

ῶ

jk

X

jk

Dimana ῶjk adalah bobot untuk mengestimasi variabel laten, yang berbentuk kombinasi linear dari indikator-indikatornya. Penggunan relasi bobot dalam PLS dapat menghindari masalah ketidakpastian (factor indeterminacy) yang hadir dalam model struktural berbasis kovarian.

7. Uji hipotesis

Pengujian hipotesis dapat dinilai dari uji signifikansi pada tabel total effect. Skor koefisien path atau inner model yang ditunjukkan oleh nilai T-statistic, harus di atas 1,96 untuk hipotesis dua ekor (two-tailed) dan diatas 1,64 untuk hipotesis satu ekor (one-(two-tailed) untuk pengujian hipotesis pada alpha 5% dan power 80 persen. Sehingga kriteria penerimaan atau penolakan Hipotis adalah Ha diterima dan H₀ ditolak ketika t-statistik > 1,96 (Abdillah & Hartono, 2015).

71

a. Uji signifikan parsial (uji statistik t)

Uji signifikansi parsial (uji t) dalam PLS dapat dihitung melalui metode boothstraping. Dalam pengujian hipotesis digunakan nilai p value sebagai pengganti nilai t hitung. Adapun kriterianya adalah:

1) Jika p value <0,05; maka H0 ditolak dan H1 diterima 2) Jika p value >0,05; maka H0 diterima dan H1 ditolak

Kesimpulannya jika p value sebesar 0,000 maka H0 ditolak dan H1 diterima, artinya terdapat pengaruh secara signifikan antara variabel independen dengan variabel dependen, begitupun sebaliknya.