DAFTAR TABEL
III. METODOLOGI PENELITIAN
3.3. Metoda Analisa Data
Data yang diperoleh dianalisis dengan pendekatan analisis deskriptif dan kuantitatif. Analisis deskriptif dapat berupa uraian kata-kata atau interpretasi dari gambar atau tabel. Analisis ini digunakan untuk menjelaskan antar fenomena yang ditemukan dalam penelitian ini yang disajikan dalam bentuk table dan grafik. Tujuan dari penelitian deskriptif adalah untuk membuat deskripsi, gambaran atau lukisan secara sistematis,faktual dan akurat mengenai fakta-fakta, sifat-sifat serta hubungan antar fenomena yang diselidiki (Nazir, 2005).
Kemudian untuk mendapat tujuan yang ditetapkan dalam penelitian ini, digunakan sebanyak tiga pendekatan analisis, yaitu: (1) Pendekatan Multi Dimension Scalling (MDS) yang dimodifikasi menjadi Rapfish (Rapid Assessment Techniques for Fisheries) yang dikembangkan oleh Fisheries Center, University of British Columbia, Kanada; (2) Pendekatan Structural Equation Modeling (SEM); dan (3) Pendekatan Analisis Prospektif.
Pendekatan Rapfish, dalam penelitian ini pada dasarnya digunakan untuk mengukur nilai indeks dan status kesiapan Maluku sebagai lumbung ikan nasional (MLIN) serta menganalisis peran atribut-atribut yang sensitif sebagai faktor pengungkit kesiapan MLIN. Pendekatan SEM (Structural Equation Modeling) dalam penelitian ini digunakan untuk menganalisis faktor-faktor yang mempengaruhi kesiapan MLIN dengan analisis hubungan antara faktor-faktor penentu MLIN seperti permintaan ikan di Maluku, dukungan pemerintah pusat, dan peran swasta di Maluku dengan kesiapan MLIN. Kemudian pendekatan analisis prospektif, dalam penelitian ini digunakan untuk melakukan formulasi rekomendasi kebijakan dan strategi peningkatan atau penguatan kesiapan MLIN. Dengan menggunakan
pendekatan analisis prospektif ini dapat ditentukan faktor kunci dari atribut/indikator atau pun variabel berdasarkan pengaruh atau tingkat ketergantungannya terhadap kesiapan M-LIN. Masing-masing pendekatan analisis tersebut dijelaskan pada uraian berikut dan diringkas sebagaimana terlihat pada Tabel 3.
Tabel 3 Tahap-Tahap Analisis Data yang Dilakukan Sesuai denganTujuan Penelitian
No Tujuan Topik data Jenis data Sumber data Metode
pengambilan data
Metode analisis
1 Mengukur status kesiapan Maluku
sebagai Lumbung Ikan Nasional (MLIN) dan peran atribut-atribut dari setiap dimensi sebagi factor pengungkit (leverage) status kesiapan MLIN
Atribut-atribut dari enam dimesi, yaitu: (1) Dimesi ekologi; (2) Dimensi ekonomi; (3) Dimensi sosial; (4) Dimensi teknologi; (5) Dimensi infrastruktur; dan (6) Dimensi kelembagaan dan kebijakan
Primer dan Sekunder - Pelaku usaha - Dinas KP - Pelabuhan Perikanan - Ditjen terkait - Observasi - Survey Pendekatan Multidimensial Scaling (MDS) berdasarkan teknik ordinasi dan leverage analysis
2 Menganalisis faktor-faktor yang
mempengaruhi kesiapan Maluku
sebagai Lumbung Ikan Nasional
- Status kesiapan MLIN - Permintaan ikan di Maluku, - Dukungan pemerintah pusat, - Peran swasta di Maluku
Primer dan Sekunder - Pelaku usaha - Dinas KP - Pelabuhan Perikanan - Ditjen terkait - Observasi - Survey Pendekatan Structural Equation Modeling (SEM) 3 Merumuskan rekomendasi
kebijakan, strategi dan rencana aksi dalam rangka mempersiapkan Maluku sebagai Lumbung Ikan Nasional
Data dan informasi hasil tujuan 1 dan 2 Primer dan
Sekunder - Pelaku usaha - Dinas KP - Pelabuhan Perikanan - Ditjen terkait
Sintesa dari hasil tujuan 1 dan 2 Pendekatan Brainstorming, FGD dan Analisis Prospektif
(2) Metode Analisis Multidimensional Scalling (MDS)
Analisis multidimensional scalling (MDS) dalam penelitian digunakan untuk mengukur status kesiapan Maluku sebagai lumbung ikan nasional (M-LIN) dan menganalisis peran atribut-atribut dari dimensi ekologi, ekonomi, sosial, teknologi, infrastruktur serta kelembagaan dan kebijakan yang menjadi indikator dari kesiapan M-LIN. Penggunaan analisis MDS untuk kedua hal tersebut dilakukan dengan menggunakan teknik ordinasi Rapfish_Mlin (Rural Appraisal for Fisheries – Kesiapan Maluku sebagai Lumbung Ikan Nasional), yaitu teknik ordinasi yang dimodifikasi dari Rapfish (Rapid Appraisal for
Fisheries).
Teknik ordinasi Rapfish adalah teknik terbaru yang dikembangkan oleh University of British Columbia, Kanada, yang merupakan analisis untuk mengevaluasi sustainability dari perikanan secara multidisipliner. Rapfish_Mlin didasarkan pada teknik ordinasi (menempatkan sesuatu pada urutan atribut yang terukur) dengan metode Multidimensial
Scaling (MDS) (Fauzi dan Anna, 2005). MDS sendiri pada dasarnya merupakan teknik
statistic yang mencoba melakukan transformasi multidimeni ke dalam dimensi yang lebih rendah. Pendekatan MDS memberikan hasil yang stabil dibandingkan dengan metode multivariate analysis lain (Pitcher dan Preiskot, 2001).
Analisis status kesiapan M-LIN dan peran atribut-autribut dari dimensi-dimensi yang digunakan terkait dengan kesiapan M-LIN yang dilakukan dengan menggunakan Rapfish yang dimodifikasi ini dilakukan secara statistik multivariate dengan pendekatan
Multidimensional Scaling (MDS). Analisis multidimensi menurut Bengen (2000) merupakan
analisis data yang menggambarkan karakter-karakter kuantitatif dan kualitatif suatu/sekumpulan individu yang disusun berdasarkan suatu orde dan tidak dapat dilakukan operasi aljabar sehingga cenderung lebih dekat pada statistik deskriptif dari pada statistik inferensial.
Secara skematis, tahapan analisis Rapfish-Mlin untuk pengukuran tingkat kesiapan Maluku menjadi lumbung ikan nasional menggunakan metode MDS dengan aplikasi Rapfish yang dimodifikasi disajikan pada Gambar 6.
Sumber: dimodifikasi dari Alder, et al. (2005)
Gambar 6 Tahapan Analisis Rap-mlin untuk Pengukuran Status Kesiapan Maluku sebagai Lumbung Ikan Nasional
Sebagaimana diilustrasikan dalam Gambar 6, prosedur analisis Rapfish-Mlin dilakukan melalui beberapa tahapan, yaitu (Fauzi dan Anna, 2005):
a) Analisis terhadap data kesiapan M-LIN melalui data statistik, studi literatur dan pengamatan di lapangan.
b) Melakukan scoring dengan mengacu pada literatur.
c) Melakukan analisis MDS dengan software SPSS untuk menentukan ordinasi dan nilai stress melalui ALSCAL Algoritma.
d) Melakukan “rotasi” untuk menentukan posisi kesiapan M-LIN pada ordinasi bad dan good dengan Excell dan Visual Basic.
e) Melakukan sensitivity analysis (leverage analysis) dan Monte Carlo Analysis untuk memperhitungkan aspek ketidakpastian.
Mulai
Review Attribute (meliputi berbagai
kategori dan skoring kriteria)
Identifikasi dan pendefinisian Kesiapan MLIN (didasarkan kriteria
yang konsisten)
Skoring Kesiapan MLIN (mengkonstruksi reference point untuk good dan bad serta anchor)
Analisis Kesiapan MLIN
(Asess Readiness)kesiapan
MLIN
Analisis leveraging (Analiis Sensisitifitas) Analisis Monte Carlo
(Analisis Ketidakpastian)
Multidimesional Scaling Ordination (untuk setiap atribut)
Dalam penelitian ini, pendekatan analisis Rap-mlin digunakan untuk dua hal, yaitu: mengukur status kesiapan M-LIN dan menganalisis peran atribut-atribut dari setiap dimensi terkait dengan kesiapan M-LIN, yang masing-masing dijelaskan pada uraian berikut.
Pendekatan Rapfish-Mlin untuk Mengukur Status Kesiapan M-LIN
Dalam penelitian ini, status kesiapan MLIN diukur dan dianalisis berdasarkan enam dimensi, yaitu: ekologi, ekonomi, social, teknologi, infrastruktur serta kelembagaan dan kebijakan, dengan atribut-atribut yang khas seperti tertera pada Tabel 4.
Tabel 4 Atribut-atribut yang Digunakan sebagai Indikator dalam Mengukur Status Kesiapan Maluku sebagai Lumbung Ikan Nasional (M-LIN) menurut Dimensinya
No. Dimensi No. Atribut
1. Ekologi 1.1 Status eksploitasi (exploitation status)
1.2 Keragaman hasil tangkapan (Recruitment variability)
1.3 Perubahan dalam level tropis (Change in tropic level)
1.4 Rentang migrasi ikan (migratory range)
1.5 Penurunan jumlah ikan hasil tangkapan (Range collapse)
1.6 Ukuran ikan yang tertangkap (size of fish caught)
1.7 Perkembangan produksi ikan (production of fish)
1.8 Perubahan iklim (climate change)
2. Ekonomi 2.1 Profitabilitas usaha perikanan (profitability)
2.2 Kontribusi PRDB perikanan (share of fisheries PDRB)
2.3 Rata-rata upah pekerja perikanan (average wages)
2.4 Tenaga kerja perikanan (fisheries sector employmen)
2.5 Transfer pendapatan dari pemilik usaha (ownership transfer)
2.6 Pasar (market)
2.7 Daya saing (competitiveness)
2.8 Subsidi (subsidies)
3. Sosial 3.1 Hubungan social dalam pengelolaan usaha perikanan
(Sozialisation of fishing)
3.2 Penambahan pelaku usaha baru selain perikanan tangkap (New
entrants into the marie culture)
3.3 Rumah tangga perikanan (Fishing sector)
3.4 Pengetahuan terhadap lingkungan (Enviromental knowledge)
3.5 Tingkat pendidikan (Education level)
3.6 Status konflik (Conflict status)
3.7 Motivasi pelaku usaha perikanan (Fisher influence)
3.8 Bagi-hasil dalam usaha perikanan (Sharing income)
3.9 Keterlibatan anggota rumah tangga (Kin participation)
3.10 Tingkat ketergantungan (Adjacency and reliances)
3.11 Pengaruh norma social (Influences-ethical formation)
4. Teknologi 4.1 Teknologi komunikasi di kapal
4.2 Teknologi distribusi ikan hasil tangkapan
4.3 Teknologi pengolahan hasil tangkapan
4.4 Teknologi penanganan ikan di atas kapal
4.6 Teknologi penangkapan ikan
5. Infrastruktur 5.1 Infrastruktur Jalan
5.2 Infrastruktur listrik
5.3 Infrastruktur air bersih
5.4 Infrastruktur gudang /cold storage
5.5 Infrastruktur pabrik es
6. Kelembagaan dan
Kebijakan
6.1 Tata kelola perikanan (Aturan /perundang-undangan)
6.2 Prinsip batas kewenangan dan pengambilan keputusan
6.3 Peran kelembagaan pengawasan
6.4 Peran kelembagaan penyuluhan
6.5 Peran lembaga keuangan
6.6 Pengaturan pilihan kolektif (Pembatasan akses terhadap
sumber daya ikan)
6.7 Pengorganisasian hak kepemilikan
6.8 Pemberian sanksi (penegakan aturan oleh nelayan)
6.9 Kebijakan penanganan penagkapan ikan ilegal (illegal fishing)
Kemudian atribut setiap dimensi ditentukan berdasarkan judgment knowledge pakar. Tiap atribut yang kondisinya baik (good) diberi skor 2, sedangkan atribut yang kondisinya buruk (bad) diberi skor 0 (nol) dan di antara kondisi baik dan buruk diberi skor 1. Skor defenitif tersebut adalah nilai modus, yang dianalisis untuk menentukan titik-titik yang mencerminkan posisi kesiapan relatif terhadap titik baik dan buruk dengan teknik ordinasi statistik MDS. Skor perkiraan tiap dimensi dinyatakan dengan skala terburuk 0 % (bad) sampai dengan yang terbaik 100 % (good), yang dikelompokkan ke dalam empat kategori, yaitu:
(e) Skor gabungan dimensi dengan skala 0 – 25 % adalah kategori “tidak siap” (f) Skor gabungan dimensi dengan skala 25,01 – 50 % adalah kategori “kurang siap” (g) Skor gabungan dimensi dengan skala 50,01 – 75 % adalah kategori “cukup siap” (h) Skor gabungan dimensi dengan 75,01 – 100 % adalah kategori “siap”
Pendekatan Rapfish-Mlin untuk Menganalisis Peran Atribut dari Dimensi Kesiapan M-LIN
Analisis peran atribut-atribut setiap dimensi kesiapan M-LIN dilakukan dengan menggunakan prosedur attribute leveraging dari analisis MDS (Rapfish-Mlin). Secara umum, analisis ini dimulai dengan me-review atribut dan mendefinisikan kesiapan M-LIN yang akan dianalisis, kemudian dilanjutkan dengan scoring, yang didasarkan pada ketentuan yang sudah ditetapkan Rapfish-Mlin. Setelah itu dilakukan MDS untuk menentukan posisi relative dari kesiapan M-LIN terhadap ordinasi good dan bad. Selanjutnya, analisis Monte
Carlo dan Leverage dilakukan untuk menentukan aspek ketidakpastian dan sensitivitas dari
Dalam prosesnya, analisis peran atribut-atribut yang dalam hal ini dilakukan berdasarkan analisis Monte Carlo dan analisis leverage (analisis sensitivitas) tersebut merupakan kelanjutan analisis dari hasil pengukuran ordinasi MDS dan pengukuran skor setiap atribut dari seluruh dimensi. Tingginya sensitivitas dari atribut yang diukur menunjukkan derajat pengaruhnya terhadap kesiapan M-LIN. Dengan kata lain semakin tinggi sensitivitas tersenut maka semakin besar pengaruhnya sebagai faktor penentu kesiapan M-LIN. Peran masing-masing atribut terhadap nilai indeks yang dianalisis dengan “attribute leveraging”, sehingga terlihat perubahan ordinasi apabila atribut tertentu dihilangkan dari analisis. Peran (pengaruh) setiap atribut dilihat dalam bentuk perubahan
Root Mean Square (RMS) ordinasi khususnya pada sumbu-x. Atribut-atribut yang memiliki
tingkat kepentingan (sensitivitas) tinggi dari hasil analisis ini, dianggap sebagai faktor pengungkit, yang apabila dilakukan perbaikan pada atribut tersebut maka akan berpengaruh besar dalam mengungkit nilai indeks keberlanjutan menjadi lebih baik. Perbaikan terhadap atribut sensitif, yang merupakan faktor pengungkit tersebut, akan menjadi salah satu pertimbangan dalam menentukan kesiapan Maluku untuk menjadi lumbung ikan nasional.
Pemilihan MDS dalam analisis ini dilakukan mengingat metode multi-variate analysis yang lain, seperti factor analysis dan multi-atribute utility theory (MAUT), terbukti tidak melahirkan hasil yang stabil (Pitcher dan Preikshot, 2001). Di dalam MDS, objek atau titik yang diamati dipetakan ke dalam ruang dua atau tiga dimensi, sehingga objek atau titik tersebut diupayakn ada sedekat mungkin dari titik asal. Dengan kata lain, dua titik atau objek yang sama dipetakan dalam satu titik yang saling berdekatan. Sebaliknya, objek atau titik yang tidak sama digambarkan dengan titik-titik berjauhan. Teknik ordinasi atau penentuan jarak di dalam MDS didasarkan pada Euclidian Distances yang dalam ruang berdimensi n dapat ditulis sebagai:
2
2 1 2 2 1 2 2 1 2 2 1 x y y z z n n x d ... (1) Konfigurasi atau ordinasi dari suatu obyek atau titik di dalam MDS, kemudian diaproksimasi dengan meregresikan jarak Euclidian (dij) dari titik i ke titik j dengan titik asal (oij), sebagaimana persamaan berikut:
ij ijd
... (2)Teknik yang digunakan untuk meregresikan Persamaan (2) adalah algoritma ALSCAL (Alder et al., 2000 dalam Fauzi dan Anna, 2005). Metode ini paling sesuai untuk Rapfish dan mudah serta tersedua aplikasinya pada banyak software (seperti SPSS dan SAS). Metode ALSCAL pada prinsipnya mengoptimalkan jarak kuadrat (square distance = dijk) terhadap data kuadrat (titik asal = σij), yang dalam tiga dimensi (i,j,k) ditulis dalam formula yang disebut S-Stress, sebagai berikut:
m k i j ijk i j ijk ijko
d
m
S
1 2 2 20
1
………..……….………. (3)Dimana jarak kuadrat merupakan jarak Euclidian yang dibobot dengan formula:
r a ja ia kx x
d
1 2 2 ... (4)Pada setiap pengukuran yang bersifat mengukur (metric) kondisi fit (goodness of fit), jarak titik pendugaan dengan titik asal, menjadi sangat penting. Goodness of fit dalam MDS tidak lain adalah mengukur seberapa tepat (how well) konfigurasi dari suatu titik dapat mencerminkan data aslinya. Goodness of Fit dalam MDS dicerminkan dari besaran nilai Stress (S) dan koefisien determinasi (R2). Nilai S yang baik adalah kurang dari 0,25, sedangkan nilai R2 yang baik adalah lebih besar dari 80 % atau mendekati 100 % (Malhotra, 2006). Evaluasi pengaruh galat acak (error) dilakukan dengan analisis montecarlo untuk mengetahui: pengaruh kesalahan pembuatan skor atribut, pengaruh variasi pemberian skor, stabilitas proses analisis MDS yang berulang-ulang, keselahan pemasukan data (data entry) atau hilangnya data (missing data). Nilai stress (S) yang dapat diterima dari analisis Monte Carlo adalah sebesar kurang dari 25 % (Pitcher dan Preishot, 2001).
Metode Structural Equation Model (SEM) untuk Analisis Faktor-Faktor yang Mempengaruhi M-LIN
Untuk mengetahui faktor-faktor yang menentukan status kesiapan Maluku sebagai Lumbung Ikan Nasional (M-LIN), dalam penelitian ini akan dilakukan dengan pendekatan
Structural Equation Modeling (SEM). Dalam satu dekade terakhir, penggunaan Structural Equation Modeling (SEM) semakin meningkat. Sebagai contoh, sebelum tahun 1990, dalam
bidang pemasaran (marketing, hanya sekitar sepuluh artikel penelitian yang menggunakan SEM. Namun, pada periode 1995-2007, lebih dari dua pertiga dari keseluruhan artikel yang dipublikasikan dalam jurnal marketing ternama nmenggunakan SEM (Hair et al., 2013; Banin et al., 2008; Hair et al., 2011). Perkembangan signifikan dalam penggunaan SEM juga terdapat dalam bidang lain, seperti: psikologi, sosiologi, dan akuntansi (McQuitty, 2004; Henri, 2007; Hair et al., 2011).
SEM merupakan salah satu jenis analisis multivariat (multivariate analysis) dalam ilmu sosial. Analisis multivariat merupakan aaplikasi metode statistika untuk menganalisi beberapa variabel penelitian secara simultan atau serempak. Hair et al. (2013) membagi metode analisis multivariat menjadi dua kelompok, yaitu; (1) Bertujuan konfirmasi (primarily confirmatory); dan (2) Bertujuan eksplorasi (primaily exploratory). Analisis
multivariat konfirmatoris digunakan untuk menguji hipotesis yang dikembangkan berdasarkan teori dan konsep yang sudah ada. Analisis multivariat eksploratoris digunakan untuk mencari pola data dalam kasus di mana belum ada atau masih terbatasnya teori yang menyatakan baagaimana hubungaan nantarvariabel. Dalam metode SEM, kelompok pertama (multivariat konfirmatoris) dilakukan dengan pendekatan covarian base – CBSEM, sedangkan untuk kelompok kedua (multivariat eksploratoris) dilakukan dengan pendekataan
varian base – VBSEM atau disebut juga dengan pendekatan partial least square –
SEM-PLS.
Metode SEM-PLS
Sebelum dilakukan konfirmasi dengan menggunakan metode CB-SEM, terlebih dahulu dilakukan analisis pendekatan SEM dengan pendekatan partial least square untuk SEM (SEM-PLS). Dalam hal ini, SEM-PLS digunakan untuk mengetahui faktor-faktor yang menentukan kesiapan M-LIN, atau hubungan kasual antar vaariabel-variabel penentu dengan variabel kesiapan M-LIN. Penggunaan metode SEM-PLS ini, didasarkan pada pertimbangan: (a) belum adanya dukungan teoritis ataupun hasil empiris yang dapat digunakan sebagai landasan dalam membangun model hubungan kausal antara variabel-variabel penentu dengan variabel-variabel kseiapan M-LIN; (b) data yang terbatas dengan unit analisis kabupaten/kota di Provinsi Maluku dalam menganalisis hubungan kausal tersebut. Di samping itu, didasarkan pula pada pertimbangan penggunaan metode SEM secara umum, yaitu: (1) SEM mampu menguji model penelitian yang kompleks secara simultan; dan (2) SEM mampu menganalisis variabel yang tidak dapat diukur langsung (unobservables) dan memperhitungkan kesalahan pengukurannya.
SEM-PLS merupakan sebuah pendekatan pemodelan kausal yang bertujuan memaksimumkan variansi dari variable laten criterion yang dapat dijelaskan (explained
variance) oleh variabel laten predictor (Hair et al, 2013; Sholihin dan Ratmono, 2013).
SEM-PLSPM dapat digunakan untuk mendapatkan model yang terbaik untuk menganalisis hubungan kausalitas antara variabel-variabel peubah penentu dengan peubah M-LIN dengan memferifikasi model yang dibangun tanpa dukungan landasan teoritis atau hasil empiris sekalipun. Wold (1982) mengembangkan Hal ini karena SEM-PLS merupakan model SEM-PLS yang dapat bekerja efisien dengan asumsi-asumsi yang relatif longgar untuk analisis model struktural menggunakan variabel laten yang tidak mengasumsikan sebaran peluang teoritis tertentu, normalitas data secara multivariat, ukuran sampel minimum, dan homsokedastisitas, sehingga pengujian statistik dilakukan dengan metode resampling. SEM-PLS dapat dipandang sebagai gabungan analisis regresi dan analisis faktor sehingga dapat melakukan analisis model struktural dan model pengukuran yang dapat menghasilkan
estimasi meskipun untuk ukuran sampel kecil dan penyimpangan dari asumsi normalitas multivariat (Sholihin dan Ratmono, 2013).
Sebuah model SEM berisi variabel-variabel, baik variabel laten maupun variabel manifes. Jika ada sebuah variabel laten, pasti akan ada dua atau lebih variabel manifes. Variabel laten dalam analisis SEM didefinisikan sebagai variabel yang tidak dapat diobservasi atau diukur secara langsung. Variabel laten (faktor) harus diukur atau
di-construct melalui variabel-variabel lain yang dapat diobservasi atau diukur secara langsung
yang disebut variabel manifest (indikator). Dengan kata lain, variabel laten adalah variabel yang mengharuskan adanya sejumlah variabel manifest atau indikator agar variabel laten tersebut dapat diukur. Dengan demikian, dalam sebuah model penelitian yang melibatkan sejumlah variabel laten, dibutuhkan pula sejumlah tertentu indikator; dan antar-variabel laten akan terdapat sejumlah hubungan (Santoso, 2012). Variabel laten disbut pula dengan istilah unobserved variable, konstruk (construct), atau konstruk laten. Sedangkan variabel manifes disebut pula dengan istilah observed variable atau indikator.
Masalah dalam mengukur vafriabel laten atau konstruk, saat ini menjadi perdebatan utama dalam penelitian sosial, seperti bidang pemasaran, sistem informasi, sosiologi, akuntansi (lihat Baisbe et al., 2007). Pertanyaan utamanya adalah apakah indikator menjadi penyebab dari (causing) atau disebabkan (being caused) oleh kunstruk atau variabel laten yang diukur. Terdapat dua pengukuran konstruk, yaitu konstruk refeltif dan konstruk formatif. Konstruk reflektif menggambarkan perubahan dalam konstruk menyebabkan perubahan dalam indikator-indikatornya; sedangkan konstruk formatif menggambarkan perubahan dalam satu atau lebih indikator menyebabkan perubahan dalam konstruk.
Menurut Hair et al. (2011) terdapat tiga hubungan yang mengkaitkan antara model struktural dengan model pengukuran, yaitu: (1) inner model, mengacu pada model struktural dan hubungaan antarvariabel laten; (2) outer model, mengacu pada model pengukuran dan hubungan antara suatu construct dengan indikator-indikatornya; dan (3) weight relation, mengacu pada skor variabel laten.
- Inner Model
Inner model menitikberatkan pada model structural variable laten, di mana
antarvariabel laten diasumsikan memiliki hubungan yang linier dan memiliki hubungan sebab akibat. Variabel laten dapat berupa variable laten eksogen maupun variable laten endogen. Variabel laten endogen, η adalah variabel laten yang diduga oleh variabel laten lainnya. Sedangkan variabel laten eksogen, ξ adalah variabel laten yang tidak pernah diduga oleh variabel laten lainnya. Persamaan inner model adalah:
i i j i ji i ji oj oj j
... (5) dimana: βjiadalah koefisien jalur dari variable laten eksogen i variable laten endogenke-j. Sedangkan
jiadalah koefisien jalur dari variable laten endogen ke-i ke variable laten endogen ke-j, dan
j adalah inner residual (kesalahan pengukuran) variable laten ke-j. - Outer ModelOuter model membangun hubungan antara sekumpulan indikator dengan variabel latennya. Terdapat tiga cara membangun hubungan antara indikatir dengan variabel laten, yaitu: hubungan refleksif, hubungan formatif, dan MIMIC (Multiple Effect Indicators for
Multiple Causes).
(d) Hubungan Refleksif
Pada bentuk hubungan refleksif, indikator-indikator merupakan cerminan atau manifestasi dari variabel latennya. Artinya, setiap perubahan pada sebuah variabel laten akan terlihat pada indikator-indikatornya. Pada bentuk hubungan refleksif, indikator Xjk
diasumsikan sebagai fungsi linier dari variabel latennya, εj yang dapat ditulis sebagai:
jk j jk jk ojk jk
X
... (6)Dimana λjk adalah koefisisn loading dan εjk adalah residual. Secara diagramatis, hubungan refleksif ini dapat diilustrasikan seperti terlihat pada Gambar 2.
Gambar 7 Diagram Jalur untuk Hubungan Reflektif
(e) Hubungan Formatif
Pada bentuk hubungan formatif, nilai dari setiap indikator akan mempengaruhi nilai
contrsuct variable laten yang terbentuk. Dengan demikian, setiap perubahan construct variable laten diakibatkan oleh perubahan yang terjadi pada indikator-indikator. Pada
εj1 Xj1 ξi λj1 εj2 εjk Xj1 Xj1 λj2 λjk
bentuk hubungaan formatif, variabel laten εjk merupakan fungsi linier dari indikatornya, Xjk
yang dapat ditulis sebagai:
k j jk jk oj jX
... (7) Secara diagramatis, hubungan formatif tersebut ini dapat diilustrasikan pada Gambar 3.Gambar 3. Diagram Jalur untuk Hubungan Formatif
(f) MIMIC (Multiple Effect Indicators for Multiple Causes)
Multiple Effect Indicators for Multiple Causes (MIMIC) merupakan gabungan dari
model hubungan refleksif dan formatif. Setiap perubahan yang terjadi pada indikator (formatif) Xjl akan mengakibatkan perubahan pada variabel laten εj yang selanjutnya perubahan pada variabel laten tersebut akan tercermin pada indikator (refleksif) Xjh yang dapat ditulis sebagai:
jh j jh jh ojh jh
X
dan
k j jl jl oj jX
... (8)Dimana indeks h digunakan untuk indikator hubungan reflektif, sedangkan indeks l digunakan untuk indikator hubungan formatif, dan h + l = k. Hubungan MIMIC ini dapat diilustrasikan pada Gambar 4.
Gambar 8 Diagram Jalur untuk Hubungan model MIMIC
Penentuan bentuk hubungan antara sekumpulan indikator dengan variabel latennya akan berpengaruh pada skor variabel laten yang terbentuk. Dalam penelitian ini, bentuk
εj1 Xj1 ξi πj1 Xj1 Xj1 πj2 πjk εj1 Xj1 ξi πj1 Xj1 Xj1 πj2 πjk
hubungan antara faktor kesiapan M-LIN dengan indikatornya, faktor permintaan ikan dengan indikatornya, faktor dukungan pemerintah pusat dengan indikatornya, faktor peran serta swasta dengan indikatornya, dan faktor sistem logistik ikan dengan indikatornya, masing-masing hubungan tersebut menunjukkan bentuk hubungan reflektif.
- Weight Relation
Hubungan yang terbentuk antara variabel laten dengan indikatornya yang dijelaskan melalaui outer model lebih bersifat penjelasan konseptual. Dengan kata blain, hubungan pada outer model mengacu pada hubungan antara indikator dengan nilai sebenarnya dari suatu variabel laten (Trujlilo, 2009). Namun di sisi lain, nilai sebenarnya dari suatu variabel laten tidak mungkin didapatkan. Oleh karena itu, weight relation harus ada sebagai pendekatan.
Salah satu karakteristik dari pendekatan metode SEM-PLS adalah kemampuannya untuk mengestimasi nilai (skor) variabel laten. Estimasi variabel laten adalah:
k jk jk j X
... (9) dimana
jk adalah penimbanag yang digunakan untuk mengestimasi variabel laten sebagai kombinasi linier dari variabel manifesnya.Dalam penelitian ini, digunakan lima variabel laten dengan 20 variabel manifest (indikator), termasuk hubungan kontruk reflektif dalam masing-masing vaariabel laten, seperti terdapat pada Gambar 5 mengenai structure equation model kesiapan Maluku sebagai lumbung ikan nasional (M-LIN).
Keempat variabel laten yang digunakan dalam model SEM-PLS pada penelitian ini