III. METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran
3.6. Metode Pengolahan Data dan Analisis Data.
Pengolahan data dalam penelitian ini menggunakan SPSS 1.6 dan Software smartPLS 2.0 Alat analisis yang digunakan dalam penelitian ini adalah analisis deskriptif dengan rataan skor dan Partial Least Squaredengan bantuan Software SmartPLS 2.0
1. Analisis Deskriptif dengan Rataan Skor
Menurut Sugiyono (2011), statistik deskriptif adalah statistik yang digunakan untuk menganalisis data dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku umum atau generalisasi. Analisis deskriptif digunakan untuk mengetahui karakteristik responden pada penelitian melalui rataan skor. Analisis deskriptif juga digunakan untuk mengidentifikasi karakteristik responden yang berpengaruh terhadap variabel pada penelitian. Pada penelitian ini variabel yang digunakan adalah pengaruh kompensasi terhadap disiplin kerja di Puskesmas Kecamatan Sawah Besar Kota Administrasi Jakarta Pusat.
2. Partial Least Square
Path Modelling Partial Least Squereadalah suatu teknik pendekatan alternatif yang bergeser dari pendekatan SEM berbasis kovarian menjadi berbasis varian. Pada metode Path Modelling Partial Least Squere terdapat dua evaluasi model, yaitu model pengukuran atau outer modeldan model struktural atau inner model.
a. Model Pengukuran atau Outer Model
Outer modeladalah hubungan antar indikator dengan konstruknya. Pada model reflektif, dilakukan tiga pengujian untuk menentukan validitas dan reliabilitas, yaitu convergent validity, discriminant validity
dan composite reliability. Ukuran reflektif dikatakan tinggi jika berkorelasi lebih dari 0,70 dengan konstruk yang ingin diukur. Namun untuk penelitian tahap awal dari pengembangan skala pengukuran nilai loading 0,50 sampai 0,60 dianggap cukup (Ghozali, 2008). Pada penelitian ini variabel indikator atau manifest dikatakan valid apabila nilai loading diatas 0,50 discriminant validity dari model pengukuran reflektif indicatordinilai berdasarkan cross loadingpengukuran dengan konstruk. Disamping uji validitas dilakukan juga uji reliabilitas konstruk menggunakan composite reliability. Composite reliability digunakan untuk mengukur internal consistency. Konstruk dinyatakan reliable jika nilai composite reliability diatas 0,70 dengan tingkat kesalahan sebesar 5% (Ghozali, 2008).
b. Model Struktural atau Inner model
Inner Model Menggambarkan hubungan antara variabel berdasarkan pada teori subtantif. Model struktural dievaluasi dengan menggunakan R-squere untuk konstruk dependent dan uji-t untuk menentukan signifikansi dari koefisien jalur struktural. Dinyatakan signifikan jika nilai t-value lebih besar dari t-tabel. Nilai t-tabel untuk
tingkat kesalahan 5% adalah 1,96, maka jika nilai t-value lebih besar dari 1,96 maka dinyatakan signifikan. Menilai Model dengan Path Modelling Partial Least Squaredimulai dengan R-square untuk setiap variabel laten dependen. Interpretasinnya sama dengan interpretasi pada regresi. Perubahan nilai R-square dapat digunakan untuk menilai pengaruh variabel laten independen tertentu terhadap variabel laten dependen apakah mempunyai pengaruh yang substantif. (Ghojali, 2008).
Kelebihan dari Partial Least Squere adalah suatu teknik pendekatan alternatif yang bergeser dari pendekatan SEM berbasis kovarian menjadi berbasis varian Perbandingan antara PLS dan SEM dapat dilihat di Tabel 14.
Tabel 14. Perbandingan PLS dengan SEM (Ghozali, 2008).
Kriteria PLS SEM
1. Tujuan Orientasi Prediksi Orientasi Parameter 2. Pendekatan Berdasar Variance Berdasarkan Covariance
3. Asumsi Spesifikasi Prediktor (nonparametric)
Multivariate normal distribution. Independence observation (parameter) 4. Estimasi
parameter
Konsisten sebagai indicator dan sample sizemeningkat
(consistency at large)
Konsisten
5. Score variabel laten
Secara eksplisit di estimasi Indeterminate
6. Hubungan epistemic
Dapat dalam bentuk
reflective maupun formative
indikator
Hanya dengan reflective indicator
7. Implikasi Optimal untuk ketepatan prediksi
Optimal untuk ketepatan parameter
8. Kompleksitas model
Kompleksitas besar (100 konstruk dan 1000 indikator)
Kompleksitas kecil sampei menengah (kurang dari 100 indicator)
9. Besar sampel Kekuatan analisis didasarkan pada porsi dari model yang memiliki jumlah prediktor terbesar. Minimal di rekomendasikan berkisar 30 sampai 100 kasus.
Kekuatan analisis di dasarkan pada model spesifik.
Minimal di rekomendasikan berkisar 200 sampai 800
3. Perbandingan antaraSoft Modelling dan Hard Modelling
Model SEM atau biasa dikenal dengan nama hard modeling. Sedangkan PLS sering disebut soft modeling. Soft memiliki arti tidak mendasarkan pada asumsi alat pengukuran, distribusi data dan jumlah sampel. Pada hard modelingbertujuan untuk menguji hubungan kausalitas antara variabel yang sudah dibangun berdasarkan teori, sedangkan pada soft modeling bertujuan mencari hubungan linear prediktif antar variabel. Hubungan kausalitas tidak sama dengan hubungan prediktif.
4. Variabel Laten dengan Indikator Reflektif dan Indikator Formatif
Pada SEM variabel laten diukur dengan indicator yang bersifat reflektif. Model reflektif mengasumsikan bahwa konstruk atau variabel laten mempengaruhi indikator (arah hubungan kausalitas dari konstruk ke indicator atau manifest).
a. Model Indikator Reflektif
Model reflektif ini lebih dikenal dengan sebutan principical factor model dimana covariance pengukuran indikator dipengaruhi oleh konstruk laten atau mencerminkan variasi variasi dari konstruk laten.
Gambar 2. Principal Faktor (Reflektif) (Gozali, 2008)
b. Model Indikator Formatif
Pada model formatif, komposit faktor (variabel laten) dipengaruhi (ditentukan) oleh indikatornya. Sehingga arah hubungan kausalitas dari indikator ke variabel laten. Pada model komposit variabel laten, perubahan pada indikator dihipotesiskan mempengaruhi perubahan dalam konstruk (variabel laten). Model formatif tidak mengasumsikan bahwa indikator dipengaruhi oleh konstruk bahwa semua indikator mempengaruhi single konstruk. arah hubungan hubungan mengalir dari indikator ke konstruk laten dan indikator sebagai grup secara bersama sama menentukan konsep atau makna empiris dari konstruk laten. Model formatif berasumsi tidak ada hubungan korelasi antar indikator maka ukuran internal konsistensi reliabilitas (crobach alpha) tidak diperlukan untuk menguji reliabilitas konstruk.
Gambar 3. Principal Faktor (Formatif) (Gozali, 2008) 5. Metode Partial Least Square
Metode PLS ini dapat mengasumsikan bahwa semua ukuran variance adalah variance yang berguna untuk dijelaskan. PLS Memberikan model umum yang meliputi teknik korelasi kanonikal, redundancy analysis,
Principal Factor 1 X1 X3 X2 E1 E2 E3 Principal Fact or 1 X4 E4 E5 E6 X5 X6
regresi berganda, multivariate analysis of variance (MANOVA) dan principle component analysis. PLS menggunakan iterasi algoritma yang terdiri dari seri analisis ordinary least squeres maka persoalan identifikasi model tidak menjadi masalah untuk model recursive, juga tidak mengasumsikan bentuk distribusi tertentu untuk skala ukuran variabel. 6. Cara kerja Partial Least Square (PLS)
Estimasi parameter yang didapatkan dengan PLS dapat dikatagorikan menjadi tiga. Katagori pertama, weight estimate yang digunakan untuk menciptakan skor variabel laten. Katagori kedua, mencerminkan estimasi jalur (path estimate) yang menghubungkan variabel laten dan antar variabel laten dan blok indikatornya (loading). Katagori ketiga, berkaitan dengan means dan lokasi parameter (nilai konstanta regresi untuk indikator dan variabel laten. Untuk memperoleh ketiga estimasi ini, PLS menggunakan proses iterasi tiga tahap dan setiap tahap iterasi menghasilkan estimasi. Tahap pertama menghasilkan weight estimasi, tahap kedua menghasilkan estimasi untuk inner model dan outer model, dan tahap ketiga menghasilkan estimasi meansdari lokasi (konstanta). 7. Model Spesifikasi dengan PLS
Model analisi jalur semua variabel laten dalam PLS terdiri dari tiga set hubungan:
a) Outer Model yang menspesifikasi hubungan antara variabel laten dengan indikator atau fariabel manifestnya (measurement model). b) Weigth relation dimana nilai kasus variabel laten dapat di estimasi.
Tanpa kehilangan generalisasi, dapat diasusmsikan bahwa variabel laten dan indikator atau manifest variabel diskala zero means dan unit variancesehingga parameter lokasi dapat dihilangkan dalam model. c) Inner model yang menspesifikasi hubungan antar variabel laten
(structural model). Inner model menggambarkan hubungan antar variabel laten berdasarkan substantive theory.
8. Langkah-langkah pemodelan persamaan struktural berbasis PLS dengan software:
1) Model Struktural (inner model) Perancangan model struktural hubungan antar variabel laten pada PLS didasarkan pada rumusan masalah atau hipotesis penelitian.
2) Merancang Model Pengukuran (outer model) Perancangan model pengukuran (outer model) dalam PLS sangat penting karena terkait dengan apakah indikator bersifat refleksif atau formatif.
3) Mengkonstruksi diagram Jalur Bilamana langkah satu dan dua sudah dilakukan, maka agar hasilnya lebih mudah dipahami, hasil perancangan inner model dan outer model tersebut, selanjutnya dinyatakan dalam bentuk diagram jalur.
4) Konversi diagram Jalur ke dalam Sistem Persamaan
a. Outer model, yaitu spesifikasi hubungan antara variabel laten dengan indikatornya, disebut juga dengan outer relation atau measurement model, mendefinisikan karakteristik konstruk dengan variabel manifesnya.
b. Inner model, yaitu spesifikasi hubungan antar variabel laten (structural model), disebut juga dengan inner relation, menggambarkan hubungan antar variabel laten berdasarkan teori substansif penelitian.
c. Weight relation, estimasi nilai kasus variabel latent. Inner dan outer model memberikan spesifikasi yang diikuti dengan estimasi weight 5) Estimasi
Metode pendugaan parameter (estimasi) di dalam PLS adalah metode kuadrat terkecil (least square methods). Proses perhitungan dilakukan dengan cara iterasi, dimana iterasi akan berhenti jika telah tercapai kondisi konvergen.
6)Goodness of Fit
a. Convergent validity: Korelasi antara skor indikator refleksif dengan skor variabel latennya. Untuk hal ini loading 0.5 sampai 0.6 dianggap cukup, pada jumlah indikator per konstruk tidak besar, berkisar antara 3 sampai 7 indikator.
b. Goodness of Fit Model diukur menggunakan R-squarevariabel laten dependen dengan interpretasi yang sama dengan regresi; Q-Square predictive relevance untuk model struktural, megukur seberapa baik nilai onservasi dihasilkan oleh model dan juga estimasi parameternya.
7. Pengujian Hipotesis
Pengujian hipotesis (β, γ, dan λ) dilakukan dengan metode resampling Bootstrapyang dikembangkan oleh Geisser & Stone. Statistik uji yang digunakan adalah statistik t atau uji t.