B. Metode Structural Equation Model (SEM) untuk Analisis Faktor-Faktor yang Mempengaruhi M-LIN
B.1 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 MLIN, atau hubungan kasual antar vaariabel-variabel penentu dengan variabel kesiapan MLIN. 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 kesiapan 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 disebut 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 Model
Outer 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).
(a) 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 3.Gambar 3. Diagram Jalur untuk Hubungan Reflektif
(b) 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 4.Gambar 4. Diagram Jalur untuk Hubungan Formatif
(c) 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 4. 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 hubungan antara faktor kesiapan M-LIN dengan indikatornya, faktor permintaan ikan dengan indikatornya, faktor dukungan pemerintah pusat dengan indikatornya, faktor peran
εj1 Xj1 ξi πj1 Xj1 Xj1 πj2 πjk εj1 Xj1 ξi πj1 Xj1 Xj1 πj2 πjk
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 adalah: (1) Variabel kesiapan Maluku sebagai Lumbung Ikan Nasional, variabel; (2) Variabel permintaan konsumsi ikan dari Maluku; (3) Variabel dukungan pemerintah pusat; dan (4) Variabel peran-serta swasta di Maluku.
Variabel laten kesiapan maluku sebagai Lumbung Ikan Nasional direfleksikan berdasarkan enam buah variabl manifest (indikator), yaitu: (1) Kondisi daya dukung sumberdaya perikanan; (2) Perkembangan produksi ikan; (3) Kompetensi sumberdaya manusia perikanan; (4) Pertumbuhan pangsa PDRB perikanan; (5) kapasitas teknologi perikanan; (6) Kapasitas infrastruktur pelabuhan perikanan; (7) Kelembagaan pelaku utama dan usaha perikanan; dan (8) Tata kelola pemerintah.
Variabel laten permintaan konsumsi ikan dari Maluku direfleksikan berdasarkan tiga buah variabel manifest (indikator), yaitu: (1) Harga relatif ikan dari Maluku terhada rata-rata nasional; (2) Pangsa permintaann ikan dari Maluku terhadap total nasional; dan (3) Kualitas ikan dari Maluku dibanding rata-rata nasional.
Variabel laten dukungan pemerintah pusat yang direfleksikan berdasarkan empat buah variabel manifest (indikator), yaitu: (1) Bantuan teknis; (2) Dana Dekon/TP; (3) Dana Alokasi Umum/DAU; dan (4) Dana non perikanan/Non KKP.
Kemudian variabel laten peran serta swasta direfleksikan berdasarkan empat buah variabel manifest (indikator), yaitu: (1) Jumlah perusahaan perikanan; (2) Nilai investasi perikanan; (3) Penyerapan tenaga kerja; dan (4) Pajak/retribusi.
Second Order Condition
Dalam tahap membangun konstruksi (pendefisinian variabel laten), dikenal dua macam konstruksi, yaitu: first-order construct dan second-order construct (Ping, 2000). Suatu first-order construct mempunyai variabel observasi (yaitu item-item dalam ukurannya) sebagai indikator dari konstruksi tersebut. Hubungan antara indikator-indikator dan konstruksi mereka dalam first-order construct secara spesifik mengasumsikan konstruksi tersebut mengendalikan indikator (indikator adalah penjelmaan atau kejadian yang bersifat onservasi dari konstrukisi mereka yang bersifat tidak dapat diamati), dan suatu diagram dari konstruksi tersebut dan indikatornya akan menunjukkan konstruksi yang menetapkan atau menghubungkan ke indikator dengan panah dari konstruksi ke indikator-indikator tersebut (suatu hubungan refleksif).
Sementara itu, second-order constructs mempunyai konstruksi variabel laten lainnya sebagai indikator mereka. Penetapan second-order constructs menyajikan suatu uraian yang lebih konpleks. Second-order constructs dapat digunakan untuk mengkombinasikan beberapa konstruksi terkait ke dalam single hinger-order constructs untuk menyederhanakan
lintasan struktural dalam suatu model variabel laten dan data survei. Second-order
constructs dapat juga digunakan sebagai suatu alternatif untuk menghilangkan item dari
ukuran multi-dimensional untuk memperoleh model dengan data yang sesuai dengan analisis persamaan struktural. Ini menjadi bermanfaat dengan ukuran yang mapan, sebelum mengembangkan analisis persamaan struktural.
Second-order constructs dapat dijadikan konsep regeresi faktor-faktor dalam suatu exploratory factor analysis (analisis eksplorasi faktor) yang tidak tepat orthogonal. Untuk
menggunakan second-order constructs dalam regresi (seperti untuk tujuan yang bersifat eksplorasi), item-item pada first-order cunstruct (faktor) harus undimensional. Sebagai tambahan second-order constructs (faktor) harus menjadi undimensional menggunakan
exploratory factor analysis dengan setiap second-order constructs harus menjadi wajah atau
isi yang valid menggunakan first-order constructs sebagai item.
Jika model second-order constructs memiliki data yang tepat, kita dapat memodelkan suatu model persamaan tunggal. Sebaliknya, model faktor urutan kedua yang kurang tepat dalam paraktek dan tidak sesuai dengan asumsi teoritis, menyebabkan hubungan yang sangat kompleks antar variabel (rekrusif dan non reksrusif). Di samping kekurangan yang nyata ini, banyak peneliti bersandar pada asumsi yang sangat mirip dengan model faktor urutan kedua dengan memebersihkan data-data menggunakan teknik informal dan inferensial.
Teknik informal menggunakan asumsi tanpa pengujian, bahwa faktor dasar adalah orthogonal dan solusi dasar analisis faktor selalu diterima tanpa pengujian confirmatory. Sebaliknya pengujian dan evaluasi model dilakukan apabila pembersihan data dilakukan dengan teknik inferensial (Cziraky et al., 2002). Cziraky dan kawan-kawan pada awal nya melakukan confirmatory analisis (analisis konfirmasi) tetapi dalam langkah-langkah analisis data berikutnya secara formal menguji pengertian yang mendalam dari exploratory analysis (analisis eksplorasi). Untuk tujuan ini, pertama dilakukan analisis faktor principal
component dan kemudian menguji implikasi masing-masing dimensi (faktor) untuk
spesifikasi menggunakan analisis konfirmasi faktor dengan teknik maximum likelihood. Terakhir, mereka membangun suatu model persamaan rekrusif dengan variabel-variabel laten mencakup hubungan yang lebih kompleks di antara variabel yang dianalisis.
Algoritma SEM-PLS
Selanjutnya, dalam metode SEM-PLS digunakan algoritma SEM_PLS yang terdiri dari tiga tahap. Tahap pertama berupa proses iterasi rehresi sederhana dan/atau regresi bergenda yang memperhatikan hubungan yang terdapat pada inner model, outer model dan
weight model. Hasil pada tahap ini berupa estimasi dari sekumpulan penimbang yang
digunakan untuk menghitung nilai atau skor variable laten sebagai kombinasi linier dari setiap variable manifesnya. Ketika estimasi variable laten telah didapatkan, tahap kedua dan
ketiga merupakan proses non-iterasi untuk menduga koefisien model struktural dan model pengukuran.
(1) Algoritma SEM-PLS Tahap 1
Tujuan pada tahap ini adalah mendapatkan estimasi akhir untuk setiap variable laten sebagai kombinasi linier (Yj) dari variable manifest Xjk dengan menghitung penimbang melalui proses iterasi, datap ditulis sebagai:
k jk jk j jY X
………….…….…………..……… (10)dimana:
jkadalah outer weight yang di-skala-kan untuk memberikan Yj varians yang sama. Tahap ini merupakan inti dari algoritma SEM-PLS yang menghitung penimbang melalui mekanisme iterasi dengan memperhatikan hubungan yang telah dihipotesiskan pada model struktural maupun model pengukuranh (Trujillo, 2009).(2) Algoritma SEM-PLS Tahap 2 dan 3
Tahap kedua dan ketiga pada algoritma SEM-PLS meliputi penghitungan estimasi
loading
ˆ
jk dan estimasi koefisien jalurjk