BAB II KAJIAN PUSTAKA KAJIAN PUSTAKA
2. Non Propability Sampling
Adalah teknik pengambilan sampel yang tidak memberi peluang/kesempatan sama bagi setiap unsure atau anggota populasi untuk dipilih menjadi sampel.
Jenis-jenis Non Probability Sampling a) Sampling Sistematis
Adalah teknik pengambilan sampel berdasarkan urutan dari anggota populasi yang telah diberi nomor urut.
b) Sampling Kuota
Adalah teknik untuk menentukan sampel dari populasi yang mempunyai ciri-ciri tertentu sampai jumlah (kuota) yang diinginkan. c) Sampling insidental
Adalah teknik penentuan sampel berdasarkan kebetulan, yaitu siapa saja yang secara kebetulan/incidental bertemu dengan peneliti dapat digunakan sebagai sampel, bila dipandang orang yang kebetulan ditemui itu cocok sebagai sumber data.
d) Sampling Purposive
Adalah teknik penentuan sampel dengan pertimbangan tertentu. Misalnya akan melakukan penelitian tentang kualitas makanan, maka sampel sumber datanya adalah orang yang ahli makanan. Sampel ini
34
lebih cocok digunakan untuk penelitian kualitatif, atau penelitian-penelitian yang tidak melakukan generalisasi.
e) Sampling Jenuh
Adalah teknik penentuan sampel bila semua anggota populasi digunakan sebagai sampel. Hal ini sering dilakukan bila jumlah populasi relative kecil, kurang dari 30 orang, atau penelitian yang ingin membuat generalisasi dengan kesalahan yang sangat kecil.
f) Snowball Sampling
Adalah teknik penentuan sampel yang mula-mula jumlahnya kecil, kemudian membesar. Ibarat bola salju yang menggelinding yang lama-lama menjadi besar.
2.3.4. Skala Pengukuran
Skala pengukuran merupakan kesepakatan yang digunakan sebagai acuan untuk menentukan panjang pendeknya interval yang ada dalam alat ukur sehngga alat ukur tersebut bila digunakan dalam penelitian ini adalah skala likert, digunakan untuk mengukur sikap, pendapat dan persepsi seseorang atau sekelompok orang tentang fenomena sosial (Sugiyono, 2010)
Skor jawaban setiap pertanyaan yang disediakan 5 (lima) pilihan jawaban, dapat dijelaskan dalam tabel 2.1. seperti berikut :
Tabel 2.5 Skoring Pengukuran
Skala pengukuran Skor
Sangat baik/sangat setuju/selalu /sangat positif diberi skor 5 Baik/setuju/sering/positi diberi skor 4 Cukup/ragu-ragu/kadang-kadang/netral diberi skor 3 Tidak baik /tidak setuju/hamper tidak pernah/negatif diberi skor
2
Sangat idak baik/sangat idak setuju/tidak pernah diberi skor 1 Sumber : Metode Penelitian (Sugiyono,2010)
35 2.4. SEM PLS
2.4.1. Konsep SEM PLS
Structural Equation Modeling (SEM) dengan Partial Least Squares (PLS) dikembangkan pertama kali oleh Wold sebagai metode umum untuk menstimasi path model yang menggunakan konstruk laten dengan multiple indicator. Pendekatan PLS adalah distribution free (tidak mengamsusikan data berdistribusi tertentu, dapat berupa nominal, kategori, ordinal, interval dan rasio). PLS merupakan factor indeterminacy metode analisis yang powerful karena tidak mengamsusikan data harus dengan pengukuran skala tertentu, jumlah sampel kecil
Oleh Karena PLS menggunakan iterasi algoritma yang terdiri dari seri analisis ordinary least squares maka persoalan identifikasi model tidak menjadi masalah untuk model recursive, juga tidak mengamsumsikan bentuk ditribusi tertentu untuk skala ukuran variable. PLS dimaksudkan untuk causal predictive analysis dalam situasi kompleksitas yang tinggi dan dukungan teori yang rendah.
Tujuan PLS adalah membantu peneliti untuk mendapatkan nilai variabel laten untuk tujuan prediksi. Estimasi parameter yang didapatkan dengan PLS dikategorikan menjadi tiga. Kategori pertama adalah Weight, kedua mencerminkan estimasi jalur (path estimate) yang menghubungkan variable laten dan blkk indikatornya (loading), dan yang ketiga adalah berkaitan dengan means dan lokasi parameter (nilai konstanta regresi) untuk indikator dan variabel laten.
Menganalisa model dengan PLS ini dibantu dengan software PLS yakni SMART PLS dan PLS GRAPH. Aplikasi ini dijalankan dengan operasi windows dan sudah pada SMART PLS versi 3.00 sampai dengan saat ini.
2.4.2. Model Spesifikasi dengan PLS
Model analisis jalur semua variable laten dalam PLS terdiri dari tiga set hubungan: (1) inner model yang menspesifikasikan hubungan antar varibael laten (structural model), (2) outer model yang menspesifikasikan hubungan antara
36
variabel laten dengan indikator atau variable manifestnya (measurement model), dan (3) weight relation yang digunakan mengestimasi variabel laten.
2.4.2.1. Inner Model
Inner model yang kadang disebut juga dengan inner relation, structural model dan substantive theory menggambarkan hubungan antar variabel laten berdasarkan pada substantive theory. Model persamaannya dapat ditulis seperti di bawah ini :
ε = βo +βε +Γξ + δ (2.4)
Dimana ε menggambarkan vektor endogen (dependen) variabel laten, ξ adalah vektor variabel residual (unexplained variance). Oleh karena PLS didesain untuk model recursive, maka hubungan antar variabel laten, setiap variabel laten dependen ε, atau sering disebut causal chain system dari variable laten dapat dispesifikasikan sebagai berikut :
εj = Σi βji εi + Σi γjb ξb + δj (2.5)
Dimana βji dan γji adalah koefisien jalur yang menghubungkan prediksi endogen dan variable laten eksogen ξ dan ε sepangjang range indeksi dan b dan δj adalah
inner residual variable.
2.4.2.2. Outer Model
Outer model sering juga disebut outer relationatau measurement model
mendefinisikan hubungan setiap blok indikator dengan variabel latennya. Blok dengan indikator refleksif dapat ditulis persamaannya sebagai berikut :
x = Λxξ + εx (2.6)
37
Dimana x dan y adalah indikator atau manifest variable untuk variabel laten eksogen dan endogen ξ dan ε, sedangkan koefisien regresi sederhana yang menghubungkan variabel laten dapat diinterprestasikan sebagai kesalahan pengukuran atau noise.
Blok dengan indicator formatif dapat ditulis persamaannya sebagai berikut :
ξ = Πξx +δξ (2.8)
ε = Πεx +δε (2.9)
Dimana ξ, ε,x, dan y sama dengan yang digunakan pada rumus sebelumnya. Πx dan Πy adalah koefisien regresi berganda dari variabel laten dan blok indikator dan δx dan δy adalah residual dari regresi.
2.4.2.3. Weight Model
Inner dan outer model memberikan spesifikasi yang diikuti dalam estimasi algoritma PLS, sedangkan weight relation memerlukan pengertian yang berbeda. Nilai kasus setiap varibel laten diestimasi dalam PLS sebagai berikut :
ξb= Σkb Wkb Xkb (2.10)
εi= Σki Wki Xki (2.11)
Dimana Wkb dan Wki adalah k weight yang digunakan untuk membentuk estimasi variabel laten ξb dan εi. Estimasi variabel laten adalah linear agregat dari indikator yang nilai weight-nya didapat dengan prosedur estimasi PLS seperti dispesifikasi oleh inner dan outer model dimana ε adalah vektor variabel laten endogen (dependen) dan ξ adalah vektor variabel laten eksogen (independen), δ merupakan vector residual dan β dan Γ adalah matrik keofisien jalur (path coefficient).
38 2.4.3. Evaluasi dan Pengukuran Model
PLS tidak mengamsusikan adanya distribusi tertentu estimasi parameter, maka teknik parametric untuk enguji signifikansi parameter tidak diperlukan (Chin, 1998). Model evaluasi PLS berdasarkan pada pengukuran prediksi yang mempunyai sifat non parametric.
Model pengukuran outer model dengan indikator refleksif dievaluasi dengan convergent dan discrimininant validity dari indikatornya dan composite reliability untuk blok indikator. Sedangkan outer model dengan formatif indikator dievaluasi berdasarkan pada substantive conten-nya yaitu dengan membandingkan besarnya weight dan melihat signifikansi dari ukuran weight tersebut (Chin,1998). Model struktural atau inner model juga dievaluasi dengan melihat nilai R2 untuk konstruk laten dependen dengan menggunakan ukuran Stone – Geisser Q
squares test ( Stone, 1974; Geisser,1975) serta melihat besarnya koefisien jalur strukturalnya. Stabilitas dari estimasi ini dievaluasi dengan menggunakan uji t-statistik yang didapat lewat prosedur bootsraping.
Kriteria penilaian model Partial Least Square didapatkan dengan cara seperti tabel 2.5 dibawah ini sesuai dengan Chin (1998), yakni :
Tabel 2.6 Kriteria Penilian Model Partial Least Square
KRITERIA PENJELASAN
Evaluasi model Struktural R2 untuk variabel laten endogen
Hasil R2 sebesar 0.67, 0.33 dan 0.19 untuk variabel laten endogen dalam model struktural mengindikasikan bahwa model “baik”, “moderat” dan “lemah”
Estimasi koefisien jalur
Nilai estimasi untuk hubungan jalur dalam model struktural harus signifikan. Nilai signifikansi ini dapat diperoleh dengan prosedur bootstrapping
F2 untuk effect size Nilai f2 sebesar 0.02, 0.25 dan 0.35 dapat interpretasikan pengaruh predictor variable adalah lemah, medium atau besar pada tingkat structural
39
KRITERIA PENJELASAN
Relevasi prediski (Q2 dan q2)
Prosedur blindfolding digunakan untuk menghitung : Q2= 1 –
D adalah omission distance, E adalah sum of square of predition errors, dan O adalah sum of square of observation. Nilai Q2 diatas nol memberikan bukti bahwa model memiliki predictive relevance, sedangkan Q2 dibawah nol mengindikasikan model kurang memiliki predictive relevance. Dalam kaitannya dengan f2, dampak relative model structural terhadap pengukuran variabel dependen laten dapat dinilai dengan
Q2 =
Evaluasi model pengukuran refleksif
Loading factor Nilai loading factor harus diatas 0.70
Composite realibiltiy
Composite reliability mengukur internal consistency
dan nilainya harus diatas 0.60
Average variance extracted
Nilai average variance extracted (AVE) harus diatas 0.50
Validitas diskriminan
Nilai akar kuadarat dari AVE harus lebih besar dari nilai korelasi antar variable laten
Cross loading Merupakan ukuran lain dari validitas diskriminan. Diharapkan stiap blok indikator memiliki loading lebih tinggi untuk setiap variabel laten yang diukur dibandingkan dengan indikator untuk laten variabel lainnya
40
KRITERIA PENJELASAN
Evaluasi pengukuran formatif Signifikansi nilai
weight
Nilai estimasi untuk model pengukuran formatif harus signifikan. Tingkat signifikansi ini dinilai dengan prosedur bootstrapping
Multikolonieritas Variabel manifest dalam blok harus diuji adanya multikol. Nilai variance inflation factor (VIF) dapat digunakan untuk menguji ini di atas 10 mengindikasikan terdapat multikol
2.5. Hasil Penelitian Sebelumnya
Menurut Gamal Maulian pada tesisnya tentang Evaluasi Kesiapan Pelayanan Kinerjapada daerah irigasi Rajamandala Kabupaten bandung Barat ditinjau dari segi penyediaan air dan alokasi air di Institut Teknologi Sepuluh Nopember tahun 2013 yakni melakukan evaluasi jaringan irigasi dengan standar irigasi modern dengan penekanan penyediaan air dan alokasi air dan menggunakan SEM Partial Least Square serta melakukan strategi untuk mengoptimalkannya.
Sedangkan pada tesis dari Novi Agung Kurniawan (2013) di Institut Teknologi Sepuluh Nopember dengan judul Evaluasi Kinerja Sistem Irigasi Pada Daerah Irigasi Bareng kabupaten Jombang provinsi jawa Timur melakukan evaluasi kinerja dengan menggunakan standard Peraturan Menteri Pekerjaan Umum nomor 32/PRT/M/2007 tentang Pedoman Penilaian Kinerja Sistem irigasi dan metode Structural Equation Modeling (SEM) dengan aplikasi SPPS AMOS.
Di penelitian yang lain dilakukan oleh Eny Setyaningrum (2014) dengan judul tesisnya Evaluasi Kinerja Embung Air Baku di Pulau Madura di Institut Teknologi Sepuluh Nopember, membuat standard baru untuk mengukur kinerja Embung dengan menggunakan metode Structural Equation Modeling (SEM) dengan aplikasi SPPS AMOS
41
BAB III