METODOLOGI PENELITIAN
6. Reward and punishment System
4.5. Metode Analisis
Metode yang digunakan dalam penelitian ini adalah Structural Equation
Modelling (SEM) berbasiskan variance (Partial Least Square) dengan
menggunakan alat bantu perangkat lunak SmartPLS versi 2.0. Partial Least
Sqaured (PLS) adalah metoda Structural Equation Modelling (SEM) berbasis
komponen yang bertujuan prediksi, artinya bertujuan menguji efek prediksi antar variabel laten (konstruk) untuk melihat apakah ada hubungan atau pengaruh antar variabel tersebut.
Pemilihan Partial Least Square dalam penelitian ini didasari beberapa alasan antara lain ;
1. Penelitian ini menggunakan konsep-konsep teoritis atau konstruk-konstruk yang tidak dapat diukur atau diamati secara langsung. Pengukuran konstruk- konstruk tersebut menggunakan indikator-indikator atau gejala yang dapat kita gunakan untuk menjelaskan konstruk-konstruk tersebut;
2. Model dalam penelitian ini cukup komplek, terdiri dua variabel endogen (efektifitas proyeksi dan manajemen internal satker);
3. Tujuan penelitian ini untuk prediksi kausalitas (causal predictive analysis) yang bermanfaat untuk pengembangan teori bukan bersifat konfirmasi teori; 4. Populasi dan sampel dalam penelitian kecil (jumlah populasi sekitar 260 dan
sampel 98);
5. Model menggunakan konstruk reflektif dan formatif. Terdapat empat konstruk reflektif dan satu konstruk formatif.
Alasan pertama dan kedua menjelaskan bahwa penelitian ini akan sangat tidak efisien jika menggunakan analisis regresi (OLS) .Hal ini karena harus dimulai dengan mencari nilai untuk masing-masing konstruk sebelum dapat dilakukan regresi. Setelah itu harus diuji dengan asumsi klasik agar dapat estimasi terbaik dan tidak bias. Jika dengan PLS, maka cukup sekali proses dan PLS tidak ada masalah terkait normalitas distribusi data. PLS merupakan soft
modeling yang merelaksasi asumsi-asumsi regresi yang ketat. (Jogiyanto, 2011).
Alasan ketiga dan selanjutnya menjelaskan bahwa penelitian ini tidak dapat menggunakan SEM berbasis kovarian atau covarian based structural
equation model (CBSEM) yang biasa menggunakan aplikasi AMOS dan Lisrel.
Alasan pendukung lain adalah dalam PLS hubungan linear yang optimal antar variabel laten dihitung dan diinterpretasikan sebagai hubungan prediktif terbaik yang tersedia dengan segala keterbatasan yang ada. Sehingga kejadian yang ada tidak dapat dikendalikan secara penuh. Sedangkan CBSEM mencari invariant
parameter yang menggambarkan hubungan kausalitas antar variabel dalam suatu
sistem yang tertutup (closed system) sehingga kejadian yang ada dapat dikendalikan secara penuh.
Menurut Jogiyanto (2011), PLS adalah analisis persamaan struktural 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 PLS dengan persamaan struktural lainnya yang berbasis kovarian seperti AMOS dan LISREL adalah pada tujuan penggunaannya. PLS merupakan persamaan struktural yang bertujuan untuk memprediksi model untuk pengembangan teori, sedangkan SEM berbasis kovarian (AMOS, LISREL) bertujuan untuk mengestimasi model untuk pengujian atau konfirmasi teori.
Menurut Talbot dalam Jogiyanto (2011) tujuan PLS adalah memprediksi variabel X terhadap Y dan menjelaskan hubungan teoritis diantara kedua variabel tersebut. PLS adalah metode regresi yang dapat digunakan untuk identifikasi faktor yang merupakan kombinasi variabel X sebagai penjelas dan variabel Y sebagai variabel respon. SEM berbasis komponen (PLS ) merupakan alat analisa
Universitas Indonesia yang powerfull dengan fleksibilitas kemampuannya memetakan seluruh jalur ke banyak variabel dependen dalam satu model penelitian dan menganalisis semua jalur dalam model struktural secara simultan (Fornell dan Bookstein, dalam Nugroho Agung, 2011). Keunggulan PLS dibanding dengan yang lain (AMOS, LISREL) adalah PLS tidak mendasarkan pada berbagai asumsi, dapat digunakan untuk memprediksi model dengan landasan teori yang lemah, dapat digunakan pada data yang mengalami “penyakit” asumsi klasik (seperti data tidak berdistribusi normal, masalah multikolieritas, dan masalah autokorelasi), dapat digunakan untuk ukuran sampel kecil dan dapat digunakan untuk konstruk formatif dan reflektif. (Jogiyanto, 2011).
4.5.1 Cara Kerja PLS
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 digunaan untuk uji kausalitas (pengujian hipotesis dengan model prediksi) (Jogiyanto, 2011).
Estimasi parameter yang didapat digolongkan menjadi tiga katagori yaitu; pertama weight estimate yang digunakan untuk menciptakan skor variabel laten, kedua, mencerminkan estimasi jalur (path estimate) yang menghubungkan variabel laten dan antar variabel laten dengan blok indikatornya (loading), dan ketiga berkaitan dengan means dan lokasi parameternya (nilai konstanta regresi) untuk indikator dan variabel laten/konstruk. Estimasi parameter tersebut melalui proses iterasi tiga tahap dan setiap tahap iterasi menghasilkan estimasi. Tahap pertama menghasilkan weight estimate, tahap kedua menghasilkan estimasi untuk
inner model dan outer model, dan tahap ketiga menghasilkan estimasi means dan
lokasi (konstanta) (Imam Ghozali, 2008).
Imam Ghozali (2008) menerangkan proses tahapan-tahapan iterasi dalam PLS sebagai berikut. Tahap pertama, berisi prosedur iterasi yang selalu akan menghasilkan weight estimate yang stabil. Komponen skor estimate untuk setiap konstruk didapat melalui dua cara yaitu outside aproksimasi yang menggambarkan weighted aggregate dari indikator konstruk dan melalui inside
aproksimasi yang merupakan weighted aggregate component score lainnya yang
berhubungan dengan konstruk dalam model teoritis. Selama iterasi berlangsung
inner model estimate digunakan untuk mendapatkan outside approximation,
sementara outer model estimate digunakan untuk mendapatkan inside
approximation weight.
. Menghitung outside approximation estimate dari variabel laten dengan cara menjumlahkan indikator dalam setiap blok dengan bobot yang sama (equal weight). Selanjutnya Weight setiap estimasi diskala-kan untuk mendapatkan unit variance dari skor variabel laten untuk jumlah kasus dalam sampel. Dengan menggunakan skor untuk setiap variabel laten/konstruk yang telah diestimasi dilakukan inside approximation estimate variabel laten.
Dari hasil estimasi variabel laten dari inside approximation, maka didapatkan satu set weight baru dari outside approximation. Jika skor inside
approximation dibuat tetap (fixed), maka dapat dilakukan regresi sederhana atau
regresi berganda tergantung model konstruknya. Jika konstruk bersifat reflektif, maka setiap indikator dalam setiap blok secara individu di regress terhadap estimate variabel latennya (skor inside approximation). Jika konstruk bersifat formatif maka dilakukan regresi berganda untuk mengestimasi konstruk terhadap indikatornya. Koefisien regresi sederhana (konstruk reflektif) dan regresi berganda (konstruk formatif) digunakan sebagai weight baru untuk outside
approximation untuk setiap konstruk/variabel laten.
Setelah skor variabel laten diestimasi pada tahap satu, maka hubungan jalur (path relation) kemudian diestimasi dengan ordinary least square
regression pada tahap dua. Setiap variabel dependen dalam model di regress
terhadap variabel independen. Jika hasil estimasi pada tahap dua menghasilkan nilai yang berarti (signifikan), maka parameter means dan lokasi untuk indikator dan variabel laten diestimasi pada tahap tiga.
Tahap ketiga dilakukan dengan terlebih dulu menghitung mean indikator dengan menggunakan data asli (original data). Kemudian menggunakan weight yang didapat dalam tahap satu, means untuk setiap variabel laten /konstruk dapat diperoleh. Dengan nilai means untuk setiap variabel laten/konstruk dan path
Universitas Indonesia dependen dihitung sebagai perbedaan mean yang baru saja dihitung dengan
systematic part accounted oleh variabel laten/konstruk independen yang
mempengaruhinya.
Jogiyanto (2011) menerangkan secara lebih sederhana proses PLS sebagai berikut :
1. Seperangkat variabel laten diekstraksi untuk seperangkat manifest (indikator) independen.
2. Seperangkat variabel laten diekstraksi secara simultan terhadap seperangkat variabel dependen. Ekstraksi dilakukan dengan dekomposisi matrik
crossproduct dengan melibatkan variabel independen dan dependen.
3. Skor X laten dependen digunakan untuk memprediksi skor Y laten dependen. 4. Skor Y yang diprediksi digunakan untuk memprediksi manifest variabel
dependen.
5. Skor X dan Y yang diseleksi oleh PLS menjadi parameter kesuksesan PLS jika memiliki hubungan yang kuat.