Data yang telah dikumpulkan selanjutnya diolah dengan tahapan sebagai berikut:
a. Editing
Editing adalah pengecekan atau pengoreksian data yang telah dikumpulkan (Hasan, 2004). Editing dilakukan untuk memeriksa ketepatan, kelengkapan data dan konsistensi jawaban. Apabila data belum lengkap ataupun ada kesalahan, data dilengkapi dengan mewawancarai ulang responden.
b. Coding
Coding adalah pemberian/pembuatan kode-kode pada tiap data yang termasuk dalam kategori yang sama. Kode dibuat dalam bentuk angka-angka sebagai petunjuk atau identitas suatu data yang akan dianalisis (Hasan, 2004). Data yang telah terkumpul dan dikoreksi ketepatan dan kelengkapannya kemudian diberi kode oleh peneliti secara manual sebelum diolah dengan komputer.
c. Entry
Entry adalah memasukkan data ke dalam program komputer yang akan digunakan untuk analisis data. Data yang dimasukkan adalah data yang telah diedit dan dicoding.
d. Cleaning Data
Pemeriksaan semua data yang telah dimasukkan ke dalam komputer guna menghindari terjadinya kesalahan dalam pemasukan data. Salah satu cara yang dilakukan adalah dengan melihat distribusi frekuensi dari variabel-variabel dan menilai kelogisannya.
4.8. Analisis Data
Data pada penelitian ini adalah data numerik dan kategori. Analisis data dilakukan untuk mencapai tujuan penelitian. Analisis data dilakukan dalam 3 tahap analisis, yaitu analisis univariat, bivariat dan analisis multivariat.
4.8.1. Analisis Univariat
Analisis ini dilakukan untuk menjelaskan karakteristik masing-masing variabel yang diteliti. Analisis data pada seluruh variabel dengan menentukan distribusi frekuensi, rerata, standar deviasi dan proporsi. Data yang berhasil dikumpulkan, diolah dan dianalisis dengan menggunakan program komputer. Data disajikan dalam bentuk tabel.
4.8.2. Analisis Bivariat
Analisis bivariat dilakukan untuk mengetahui hubungan antara variabel, yaitu variabel independen dan variabel dependen dalam penelitian ini. Apabila data variabel independen adalah kategori (2 kelompok atau > 2 kelompok) digunakan analisis uji beda rata-rata yaitu Uji T independen atau Analisis of Variance (ANOVA) (Hasan, 2004). Kemaknaan perhitungan statistik ditetapkan dengan batas kemaknaan (α)
sebesar 0.05. Bila p value > 0.05, maka Ho gagal ditolak, artinya tidak ada hubungan antara kedua variabel yang diuji.
4.8.3. Analisis Multivariat
Suatu penelitian membutuhkan analisis data dan interpretasinya yang bertujuan untuk menjawab pertanyaan-pertanyaan peneliti dalam rangka mengungkap fenomena tertentu. Analisis data merupakan proses penyederhanaan data ke dalam bentuk yang lebih mudah dibaca dan diinterpretasikan. Metode yang dipilih untuk menganalisis data harus sesuai dengan pola penelitian dan variabel yang akan diteliti.
Dalam penelitian tahap kuantitatif ini peneliti mendapatkan data kualitatif yang akan diukur dengan suatu skala sehingga hasilnya berbentuk angka. Selanjutnya angka atau skor tersebut diolah dengan metode statistik. Pengukuran metode ini adalah untuk mempermudah proses analisis data.
Penelitian ini bertujuan membuktikan dan menganalisis hubungan variabel eksogen terhadap variabel endogen. Hubungan tersebut sangat
kompleks dimana terdapat variabel bebas, variabel antara dan variabel terikat. Variabel-variabel tersebut merupakan variabel laten (unobserved observed/latent variable) dan dibentuk oleh beberapa indikator (observed variabel/manifest variabel). Teknik statistik yang digunakan adalah analisis Structural Equation Modelling (SEM), yang dioperasikan melalui program Amos (Analysis Moment Structure).
Dalam sebuah model SEM, sebuah variabel laten dapat berfungsi sebagai variabel eksogen atau variabel endogen. Variabel eksogen adalah variabel independen yang mempengaruhi variabel dependen. Pada model SEM, variabel eksogen ditunjukkan dengan adanya anak panah yang berasal dari variabel tersebut menuju ke variabel endogen. Variabel endogen adalah variabel dependen yang dipengaruhi oleh variabel independen (eksogen) (Santoso, 2007). Variabel pada penelitian ini yaitu hubungan antara variabel adherensi pengobatan dengan kualitas hidup, variabel eksogen adalah adherensi pengobatan dan variabel endogen adalah kualitas hidup.
Prinsip analisis SEM adalah analisis statistik dengan pendekatan terintegrasi antara analisis faktor, model struktural dan analisis jalur (path analysis). Alasan menggunakan analisis SEM adalah dengan alat ini dapat dijelaskan tata hitung antar variabel dan hubungan variabel yang perlu diperhitungkan karena dianggap penting. Analisis ini memungkinkan dilakukannya analisis terhadap serangkaian hubungan secara simultan sehingga memberikan hasil yang efisien secara statistik. Selain itu, dengan analisis ini peneliti dapat melakukan tiga kegiatan secara
serempak yaitu pemeriksaan validitas dan reliabilitas instrumen (setara analisis faktor konfirmatori), pengujian model hubungan antar variabel laten (analisis jalur) dan membuat model yang bermanfaat untuk prediksi (setara dengan model struktural atau analisis regresi (Wibowo, 2006).
Pada penelitian ini analisis SEM digunakan untuk menganalisis data yang diperoleh, karena dari model yang disusun terdapat keterkaitan hubungan antara sejumlah variabel yang dapat diestimasi secara simultan (bersamaan). Selain itu variabel dependen pada satu hubungan yang ada, akan menjadi variabel independen pada hubungan selanjutnya. Model pengukuran menentukan relasi di antara variabel laten, yaitu menentukan variabel yang secara langsung maupun tidak langsung mempengaruhi perubahan nilai pada variabel laten lainnya dalam model. Pada model persamaan struktural harus sudah dapat dibedakan antara variabel bebas/variabel eksogen dan variabel tergantung/variabel endogen (Wibowo, 2006; Santoso, 2007).
Keunggulan aplikasi SEM dalam suatu penelitian adalah karena kemampuannya untuk menampilkan sebuah model komprehensif bersamaan kemampuannya untuk mengkonfirmasi dimensi-dimensi dari sebuah konsep atau faktor serta kemampuannya untuk mengukur pengaruh hubungan yang secara teoritis ada. Biasanya SEM dipandang sebagai kombinasi antara analisis faktor dan analisis regresi dan diaplikasikan secara terpisah dalam analisis faktor (Confirmatory Factor Analysis) atau hanya analisis regresi (Ferdinand, 2002).
Ada beberapa tahapan pokok yang akan dilalui untuk menggunakan SEM dalam sebuah kegiatan penelitian (Hair, 2006: Wibowo, 2006; Ferdinand, 2002):
1). Membuat Sebuah Model SEM (Model Specification) Berbasis Teori
Pada tahap ini model dibuat berdasarkan teori tertentu baik dalam bentuk equation (persamaan matematis) maupun dalam bentuk diagram (gambar). Diagram akan menggambarkan model pengukuran dan model struktural.
2). Menyiapkan Disain Penelitian dan Pengumpulan Data
Setelah model dibuat, sebelum model diuji, akan dilakukan pengujian asumsi-asumsi yang seharusnya dipenuhi dalam SEM, perlakuan terhadap missing data (jika ada), mengumpulkan data, dan sebagainya.
3). Model Identifikasi
Setelah model dibuat dan disain sudah ditentukan, pada model dilakukan uji identifikasi, apakah model dapat dianalisis lebih lanjut. Penghitungan besar degree of freedom menjadi bagian yang penting dalam tahap ini.
4). Menguji Model (Model Testing dan Model Estimation)
Setelah model dibuat dan dapat diidentifikasi, tahapan dilanjutkan dengan menguji measurement model dan kemudian menguji struktural model. Dari pengujian measurement model akan didapat keeratan hubungan antara indikator dengan konstruknya. Jika measurement model dianggap valid, pengujian dilanjutkan pada struktural model untuk memperoleh sejumlah korelasi yang menunjukkan hubungan antar konstruk.
Dalam melakukan melakukan pemodelan SEM terdapat beberapa asumsi yang harus dipenuhi (Hair, 2006; Wibowo, 2006; Santoso, 2007): a) Ukuran sampel. Pada pemodelan ini untuk bisa dianalisis, diperlukan
kurang lebih 5-10 observasi untuk setiap estimated parameter.
b) Normalitas dan linieritas. Sebaran data yang dianalisis harus memenuhi asumsi sebaran normal dan hubungan antar estimated parameter bersifat linier.
c) Outlier. Observasi yang muncul dengan nilai ekstrem seringkali ada dalam setiap set data, dan ini bisa mengganggu pada saat analisis data.
d) Multicolinierity dan singularity. Variabel yang saling berhubungan dalam data itu sendiri akan menyebabkan hasil yang bias. Sebaiknya pada data tidak ada multicolinierity dan singularity. Bila hal ini ada, sebaiknya data tersebut dikeluarkan.
5). Respesifikasi Model
Jika model SEM tidak layak berdasarkan uji kelayakan maka kita perlu melakukan respesifikasi model. Respesifikasi model adalah perubahan model SEM menjadi model yang baik (Widarjono, 2010). Respesifikasi model bisa dilakukan dengan berbagai cara.
4.8. Perincian Langkah-langkah Pemodelan SEM (Hair, 2006; Wibowo, 2006; Santoso, 2007)
a). Pengembangan Model Berbasis Konsep dan Teori.
Prinsip pengembangan model berbasis konsep dan teori adalah menganalisis hubungan kausal antar variabel eksogen dan endogen, sekaligus memeriksa validitas dan reliabilitas instrumen penelitian. Langkah awal di dalam SEM adalah pengembangan model hipotetik, yaitu pengembangan model berdasarkan teori atau konsep atau dikenal sebagai pembuatan model dengan pendekatan konfirmatori. Setelah model terbentuk kemudian dikonfirmasi berdasarkan data empirik melalui SEM (Wibowo, 2006). Konseptualisasi model mengharuskan dua hal yang harus dilakukan. Pertama hubungan yang dihipotesiskan antara variabel laten harus ditentukan. Tahap pengembangan model ini berfokus pada model struktural dan harus mempresentasikan kerangka teoritis yang diuji. Disini variabel eksogen, endogen harus jelas dibedakan. Peran teori dan hasil penelitian sebelumnya sangat berperan dalam tahap ini.
b. Mengembangkan Diagram Jalur
Mengembangkan diagram jalur bermanfaat untuk menunjukkan alur hubungan kausal antar variabel eksogen dan endogen. Untuk melihat alur hubungan kausal dibuat beberapa model kemudian diuji menggunakan SEM untuk mendapatkan model yang paling tepat. Kemudian ditentukan variabel bebas dan variabel tergantungnya, kemudian dibuat arah panah sesuai dengan arah kausalitas. Bila model pengukuran ini dimasukkan ke dalam jalur, maka diperoleh diagram jalur model struktural dan model pengukuran secara terintegrasi. Didalam pemodelan SEM, peneliti biasanya bekerja dengan construct atau factor, yaitu konsep yang memiliki pijakan teoritis yang cukup untuk menjelaskan berbagai bentuk hubungan. Konstruk-konstruk dibangun, dibedakan dalam dua kelompok, yaitu:
a. Konstruk Eksogen (Exogenous Construct) b. Konstruk Endogenous (Endogenous Construct)
PGT HN SKP KPCYN1 e1 1 e2 1 e3 1 T DKN KDP DKGKLG Adherensi II 1 e4 1 e5 1 e6 1 Adherensi I 1 Kualitas Hidup KSHTN EMS LKGN AKTVTS 1 e7 1 e8 1 e9 1 e10 1 e11 1
Gambar 4.2. Model Struktural Adherensi Pengobatan dengan Kualitas Hidup (Model dikembangkan untuk disertasi)
c. Konversi Diagram Jalur ke dalam Model Struktural.
Untuk jelasnya adalah mengkonversi diagram jalur ke dalam model matematika. Setelah teori model teoritis dikembangkan dan digambarkan dalam sebuah diagram alur, peneliti dapat mulai mengkonversi spesifikasi model tersebut ke dalam rangkaian persamaan. Persamaan yang dibangun akan terdiri dari persamaan structural equation modelling.
1). Persamaan Struktural (Struktural Equation)
Persamaan ini dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk. Persamaan struktural pada dasarnya dibangun dengan pedoman berikut ini:
Variabel endogen=variabel eksogen+variabel endogen+error Keterangan: Pgthn=pengetahuan Skp=sikap Kpcyn=kepercayaan Tdkn=tindakan Kdp=komunikasi dokter-pasien Dkgklg=dukunngan keluarga Kshtn=kesehatan Ems=emosi Lkgn=lingkungan Aktvts=aktivitas
Model struktural dalam penelitian digunakan untuk menggambarkan model kausalitas dengan hubungan berjenjang antara variabel Adherensi dan Kualitas hidup. Dengan demikian persamaan strukturalnya adalah:
Kualitas hidup=
ß1 Adherensi Pengobatan I + ß2 Adherensi Pengobatan II + δ1
ß = regression weight
δ = disturbance term
2). Persamaan Spesifikasi Model Pengukuran (Measurement model) Pada spesifikasi ini, peneliti menentukan variabel mana dan mengukur konstruk mana, serta menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesis antar konstruk atau variabel. Komponen-komponen ukuran mengidentifikasikan variabel laten dan komponen-komponen struktural untuk mengevaluasi hipotesis hubungan kausal antara variabel laten pada model kausal dan menunjukkan sebuah pengujian seluruh hipotesis dari model sebagai satu atau keseluruhan.
Model pengukuran dalam penelitian ini dapat diartikan sebagai suatu proses permodelan yang digunakan untuk melakukan konfirmasi pada dimensi-dimensi yang digunakan Adherensi dan Kualitas hidup. Persamaan untuk measurement model untuk konstruk eksogen adherensi pengobatan adalah sebagai berikut:
a). Model Adherensi I X1 = λ1Adherensi Pengobatan + δ1 X2 = λ2Adherensi Pengobatan + δ2 X3 = λ3Adherensi Pengobatan + δ3 b). Model Adherensi II X4 = λ1Adherensi Pengobatan + δ4 X5 = λ2Adherensi Pengobatan + δ5 X6 = λ3Adherensi Pengobatan + δ6
Persamaan untuk measurement model untuk konstruk endogen Kualitas hidup adalah sebagai berikut:
X7 = λ1Kualitas Hidup + ε1 X8 = λ2Kualitas Hidup + ε2 X9 = λ3Kualitas Hidup + ε3 X10 = λ4Kualitas Hidup + ε4
d. Memilih Matrix Input
Data input untuk SEM dapat berupa matriks korelasi atau matrik kovarians. Input data berupa matriks kovarians, bila tujuan analisis adalah pengujian suatu model yang telah mendapatkan justifikasi teori, sedangkan input data matriks korelasi dapat digunakan bila tujuan analisis
ingin mendapatkan penjelasan mengenai pola hubungan kausal antar variabel laten.
e. Menilai Masalah Identifikasi
Permasalahan yang sering muncul di dalam model struktural adalah pendugaan parameter, bisa tidak teridentifikasi atau kurang teridentifikasi, yang menyebabkan proses pendugaan parameter tidak memperoleh solusi. Gejala yang muncul akibat adanya masalah identifikasi antara lain:
1). Terdapat standard error yang terlalu besar dari penduga parameter 2). Ketidak mampuan program menyajikan matriks informasi yang seharusnya disajikan.
3). Pendugaan parameter tidak dapat diperoleh.
4). Muncul angka yang aneh seperti varians error yang negatif 5). Terjadi korelasi tinggi (> 0.9) antar koefisien hasil dugaan 6). Evaluasi Goodness of fit.
Untuk mendapatkan model hasil analisis yang valid diperlukan beberapa asumsi yaitu asumsi yang berkaitan dengan model dan asumsi pendugaan parameter dan pengujian hipotesis.
Kesesuaian model dievaluasi melalui telaah beberapa kriteria goodness of fit. Tindakan pertama adalah mengevaluasi apakah data yang digunakan memenuhi asumsi-asumsi SEM yaitu ukuran sampel, normalitas, outliers dan multicolinearity dan singularity. Setelah itu melakukan uji kesesuaian dan uji statistik. Beberapa indeks kesesuaian
dan cut off valuenya (batas penilaiannya) yang digunakan untuk menguji apakah sebuah model diterima atau ditolak yaitu:
a). X2 X
-Chi Square Statistic
2
-Chi Square Statistic merupakan alat uji paling fundamental untuk mengukur overal fit. Chi Square ini bersifat sangat sensitif terhadap besarnya sampel yang digunakan. Karena itu bila jumlah sampel adalah cukup besar yaitu lebih dari 200 sampel, maka statistik chi square ini harus didampingi alat uji lainnya. Model yang diuji dipandang baik atau memuaskan apabila nilai chi squarenya rendah. Semakin kecil nilai X2 semakin baik model itu dan diterima berdasarkan probabilitas dengan cut off value sebesar p > 0.05 atau p > 0.10
b). RMSEA (The Roat Mean Square Error of Approximation)
Merupakan sebuah indeks yang dapat digunakan untuk mengkompensasi chi square statistic dalam sampel yang besar. Nilai RMSEA menunjukkan nilai goodness of fit yang dapat diharapkan bila model diestimasi dalam populasi. Nilai RMSEA yang kecil atau sama dengan 0.08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model tsb berdasarkan degrees of freedom.
c). GFI (Goodness of Fit Index)
Indeks kesesuaian (fit indeks) ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang dijelaskan oleh matriks kovarians populasi yang diestimasikan. Merupakan ukuran non statistikal yang mempunyai rentang antara 0 (poor fit) sampai dengan 1 (perfect fit/sempurna). Nilai yang tinggi dalam indeks ini menunjukkan sebuah model yang lebih baik.
d) AGFI (Adjusted Goodness of Fit Index)
Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0.90.
e) CMIN/DF
Adalah the minimum sample discrepancy function yang dibagi dengan degree of freedomnya. Cmin/df merupakan statistic chi square, X2 dibagi dengan dfnya sehingga disebut X-relatif. Nilai X-relatif kurang dari 2.0 atau 3.0 adalah indikasi dari acceptable fit antara model dan data.
f) TLI (Tucker Lewis Index)
Merupakan incremental index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model, dimana nilai yang direkomendasikan sebagai acuan diterimanya sebuah model adalah > 0.95 dan nilai yang mendekati 1 menunjukkan a very good fit (sangat baik).
g) CFI (Comparative Fit Index)
Rentang nilai sebesar 0-1, dimana semakin mendekati 1 mengindikasikan tingkat fit yang paling tinggi. Nilai yang direkomendasikan adalah CFI > 0.95. Keunggulan indeks ini adalah bahwa indeks ini besarannya tidak dipengaruhi oleh ukuran sampel, sehingga sangat baik untuk mengukur tingkat penerimaan sebuah model.
Secara ringkas indeks-indeks yang dapat digunakan untuk menguji kelayakan sebuah model disajikan dalam tabel berikut ini:
Tabel 4.1. Tabel Penilaian Goodness of Fit Index Goodness of Fit Index Batas penilaian/Cut of value
X-Chi Square diharapkan kecil
Significancy Probability > 0.05 RMSEA < 0.08 GFI > 0.90 AGFI > 0.90 Cmin/df > TLI 1.96 > 0.95 CFI > 0.95 Sumber: Ferdinand, 2002
f). Interpretasi dan Modifikasi Model.
Bila model sudah baik, model dapat diinterpretasi, tetapi bila belum baik, perlu dilakukan modifikasi.
g) Respesifikasi model
Respesifikasi model bisa dilakukan dengan berbagai cara yaitu (Widarjono, 2010):
a). Melakukan korelasi antara variabel laten
b). Menambah variabel indikator baru dari variabel indikator yang ada kepada setiap variabel laten
c). Melakukan korelasi antara variabel indikator d). Melakukan korelasi antara variabel residual
Metode respesifikasi model untuk memperoleh model yang layak, tetap harus berlandaskan pada teori yang ada.
4.8.4. Validitas dan Reliabilitas
Validitas mempunyai arti seberapa besar ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya. Dengan kata lain, suatu tes atau instrumen pengukur dapat dikatakan mempunyai validitas yang tinggi apabila alat tersebut menjalankan fungsi ukurnya atau memberikan hasil ukur yang sesuai. Uji dilakukan dengan menggunakan analisis faktor konfirmatory (confirmatory factor analysis) pada masing-masing variabel laten. Apabila nilai loading factor pada indikator > 0.5 maka indikator dapat mengukur. Nilai loading factor antara ± 0.30 s.d 0.40 adalah minimal nilai yang dapat diterima, adapun nilai ≥ 0.50 umumnya
diperlukan sebagai syarat kebermaknaan secara praktis (Hair, 2006). Selain harus valid instrumen juga harus reliabel (dapat diandalkan). Uji reliabilitas dimaksudkan untuk mengukur tingkat konsistensi instrumen
yang digunakan. Dengan demikian instrumen ini dapat dipakai dengan aman karena dapat bekerja dengan baik pada waktu berbeda dan kondisi yang berbeda. Jadi reliabilitas menunjukkan seberapa besar pengukuran dapat memberikan hasil yang relatif tidak berbeda bila dilakukan pengukuran kembali terhadap subjek yang sama. Reliabilitas konstruk dinilai dengan menghitung indeks reliabilitas instrumen yang digunakan dari model SEM yang dianalisis. Rumus yang digunakan adalah sebagai berikut:
Construct Reliability = (ΣStandard Loading)2/ (ΣStandard Loading)2+ Σe Variance Extracted = (ΣStandard Loading
j
2) / (ΣStandard Loading2) + Σej
Keterangan:
Standard Loading diperoleh langsung dari standardized loading untuk tiap-tiap indikator
ej adalah measurement error dari tiap-tiap indikator
Nilai batas yang digunakan untuk menilai sebuah Contruct reliability adalah 0.7. Bila penelitian yang digunakan adalah eksploratory maka nilai di bawah 0.7 masih dapat diterima sepanjang disertai alasan-alasan empirik yang terlihat dalam proses eksploratori. Nilai batas Variance Extracted adalah 0.5 (Hair, 2006).