METODE PENELITIAN
4.3 Informan, Populasi, Sampel .1 Informan .1 Informan
4.4.2 Pengumpulan Data Untuk Analisa Kualitatif
Teknik pengumpulan data untuk keperluan analisis kualitatif untuk penelitian ini adalah indept interview. Wawancara/indept interview adalah kondisi tanya jawab antara pewawancara dengan informan dengan tujuan memperoleh informasi yang relevan dengan pokok persoalan penelitian (Sudjarwo dan Basrowi, 2009). Wawancara dilakukan dengan menggunakan alat bantu tape recorder sebagai salah satu sarana tambahan. Data yang diperoleh melalui wawancara adalah pandangan masyarakat (pelaksana yayasan/lembaga yang berkaitan dengan lansia, akademisi, kader posyandu, keluarga dan lansia) yang berkaitan dengan pemberdayaan masyarakat, transfer intergenerasi dan kualitas penduduk lansia sebagai sumber daya manusia.
175 4.5 Definisi Operasional
Tabel 4.3
Penjabaran Variabel, Indikator dan Definisi Operasional
berperan sebagai
sumber daya
176 4.6 Teknik Analisis
Untuk menganalisis permasalahan-permasalahan dilakukan pendekatan kualitatif dan kuantitatif sebagai berikut :
1. Untuk menjawab permasalahan 1-3 yaitu pandangan masyarakat tentang pemberdayaan masyarakat, transfer intergenerasi serta kualitas pada penduduk lansia dilakukan dengan pendekatan kualitatif dengan model fenomenologi, langkah - langkah analisa data adalah sebagai berikut (Saryono dan Anggraeni MD, 2011) :
a. Membuat dan mengatur data yang sudah dikumpulkan
Tahap ini mentranskripsikan yaitu memindahkan hasil wawancara yang masih dalam bentuk pernyataan lisan ke dalam bentuk tulisan. Seluruh data penelitian dari wawancara kemudian diatur berdasarkan kriteria sehingga memudahkan dianalisa.
b. Membaca dengan teliti data yang sudah diatur
Data yang sudah terkumpul dibaca dengan teliti secara berulang-ulang dengan tujuan apakah semua data yang dikumpulkan sudah cukup tersedia untuk dianalisa.
c. Horisonalisasi
Merupakan suatu proses memilah-milah data yang penting dan tidak penting. Dari wawancara yang dianggap penting dan relevan kemudian dipisahkan dan diolah serta menyisihkan dengan yang tidak penting.
d. Unit makna
Tahap ini memilih ungkapan-ungkapan informan yang memberi makna untuk mengungkapkan hal yang ingin diteliti.
e. Deskripsi Tekstural yang disertai pernyataan informan yang orisinal.
Memilih pernyataan-pernyataan subjek penelitian dan ditulis sebagai bukti wawancara yang dijadikan unit makna.
177 f. Deskripsi struktural
Deskripsi struktural merupakan imajinasi, pemikiran dan menanggapi ungkapan informan sehingga ungkapannya dianggap sebagai data yang penting dan mendukung penelitian.
g. Makna
Tahap ini membaca kembali hasil deskripsi struktural yang berupa imajinasi dan pemikiran lalu diambil makna.
2. Untuk menjawab permasalahan 4-6 dilakukan pendekatan kuantitatif dengan menggunakan Analisis Faktor Konfirmatori (Confirmatory Factor Analysis/CFA) dilakukan dengan program Analysis of Moment Structure (AMOS). Analisis untuk menguji indikator yang membentuk variabel laten telah valid sebagai ukuran konstruk laten (Ghazali 2013). Tahap ini mendapatkan model pemberdayaan masyarakat, transfer intergenerasi dan kualitas penduduk lansia.
3. Untuk menjawab permasalahan 7-9 yaitu hubungan variabel eksogen terhadap endogen dilakukan pendekatan kuantitatif. Variabel dalam penelitian ini adalah pemberdayaan masyarakat dan transfer intergenerasi sebagai variabel eksogen sedangkan kualitas penduduk lansia sebagai sumber daya manusia adalah variabel endogen. Variabel-variabel tersebut adalah variabel laten (unobserved variable) yang dibentuk dari beberapa indikator (observed variable). Analisis yang digunakan untuk pembuktian hipotesis dalam penelitian ini adalah menggunakan model persamaan struktural atau Structural Equation Modeling (SEM) yang dioperasikan melalui program AMOS. Penggunaan perangkat lunak ini dipandang sangat tepat untuk analisis karena kemampuannya dalam hal: (a) memperkirakan koefisien yang tidak diketahui dari persamaan linear struktural; (b) mengakomodasi model yang meliputi variabel laten; (c) mengakomodasi kesalahan pengukuran pada variabel dependen dan independen; dan (d)
178 mengakomodasi peringatan timbal balik, simultan dan saling ketergantungan.
Asumsi yang harus dipenuhi dalam model SEM adalah :
a. Ukuran Sampel. Untuk bisa dianalisis diperlukan kurang lebih 5-10 kali jumlah variabel indikator yang digunakan.
b. Normalitas dan linearitas. Sebaran data yang dianalisis harus memenuhi asumsi sebaran normal dan hubungan antara estimated parameter bersifat linear.
c. Outlier. Observasi yang muncul dengan nilai ekstrem seringkali ada dalam data bisa menganggu dalam analisis.
d. Multicolinerity dan singularity. Variabel yang saling berhubungan akan menyebabkan bias, sebaiknya tidak ada multicolinerity dan singularity, jika ada maka data dikeluarkan.
Langkah yang dilakukan dalam model SEM adalah : (1) Mengembangan Model Berbasis Konsep dan Teori
Mengembangkan model yang memiliki justifikasi teori yang kuat.
Pengujian kausalitas secara empiris didasarkan pada teori untuk mengkonfirmasi model teoritis melalui data empiris. Model SEM merupakan confirmatory technique yaitu teknik untuk menguji teori baru atau teori yang sudah dikembangkan yang akan diuji lagi secara empiris.
(2) Pengembangan Jalur Diagram
Model yang telah dibangun digambarkan dalam sebuah diagram jalur (path diagram). Diagram jalur tersebut mempermudah dalam melihat hubungan-hubungan kausalitas yang akan diuji. Digambarkan hubungan kausalitas dalam sebuah diagram jalur, dan kemudian program mengkonversinya ke dalam jalur, dan selanjutnya program mengkonversi gambar menjadi persamaan yang mana persamaan tersebut menjadi estimasi.
179 Gambar 4.2
Diagram Jalur Penelitian
180 Keterangan :
X1 : Pemberdayaan
Masyarakat
X.1.1 : pemberian informasi X.1.2 : bantuan keuangan X.1.3 : pelayanan kesehatan
X.1.4 : menyediakan lapangan pekerjaan X.1.5 : dukungan kelembagaan
X.1.6 : dukungan sarana prasarana X2 : Transfer Intergenerasi
X.2.1 : dukungan emosional X.2.2 : dukungan instrumental X.2.3 : dukungan informatif X.2.4 : dukungan penilaian
Y : Kualitas Penduduk Lansia Sebagai Sumber Daya Manusia Y1 : status kesehatan
Y2 : aktivitas pekerjaan Y3 : hubungan sosial
Y4 : pemenuhan kebutuhan ekonomi Y5 : berdayaguna
Y6 : ketrampilan
(3) Konservasi Diagram Jalur ke Dalam Persamaan
Persamaan yang diperoleh dari diagram jalur adalah yang dikonversi dari:
(a) persamaan struktural, yang dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk. Persamaan struktural dibangun dengan berpedoman pada rumus: Variabel Endogen = Variabel Eksogen + Variabel Endogen + Error; (b) Persamaan spesifikasi model pengukuran yang ditentukan oleh variabel yang mengukur konstruk dan menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesiskan antar konstruk atau variabel.
Adapun persamaan struktural yang menjadi model estimasi dalam penelitian ini adalah :
1. Persamaan untuk melihat pengaruh pemberdayaan masyarakat terhadap kualitas lansia sebagai sumber daya manusia :
y = α0 + α1X1 + e1
Keterangan:
y = Kualitas Penduduk Lansia Sebagai Sumber Daya Manusia
181 α0 = Konstanta
α1 = Koefisien dari Variabel X1 X1 = Pemberdayaan Masyarakat e1 = error term
2. Persamaan untuk melihat pengaruh transfer intergenerasi terhadap kualitas lansia sebagai sumber daya manusia:
y = α0 + α1X2 + e2 Keterangan:
y = Kualitas Penduduk Lansia Sebagai Sumber Daya Manusia α0 = Konstanta
α2 = Koefisien dari Variabel X2 X2 = Transfer Intergenerasi e2 = error term
3. Persamaan untuk melihat pengaruh pemberdayaan masyarakat dan transfer intergenerasi terhadap kualitas lansia sebagai sumber daya manusia :
Y = α1x1+ α2x2 + e3
Keterangan:
Y = Kualitas Penduduk Lansia Sebagai Sumber Daya Manusia α1,α2= Koefisien dari variabel x1 danx2
x1 = Pemberdayaan Masyarakat x2 = Transfer Intergenerasi e3 = error term
(4) Memilih Matriks Input dan Estimasi Model
Model SEM menggunakan data masukan (input) berupa matriks varian/kovarian atau matriks korelasi. Data mentah observasi dimasukkan ke dalam program AMOS, dan selanjutnya program ini mengubah terlebih dahulu data mentah menjadi matriks kovarian atau matriks korelasi. Matriks kovarian memiliki kelebihan dibandingkan matriks korelasi dalam memberikan validitas perbandingan antara polulasi yang berbeda atau sampel yang berbeda yang tidak dapat disajikan oleh korelasi. Matriks kovarian pada umumnya lebih banyak digunakan dalam penelitian mengenai hubungan karena standar kesalahan yang
182 dilaporkan dari berbagai penelitian pada umumnya menunjukkan angka yang kurang akurat apabila matriks korelasi digunakan sebagai masukan.
(5) Menilai Masalah Identifikasi
Pada saat proses estimasi berlangsung, sering diperoleh hasil estimasi yang tidak logis (meaningless) dan hasil ini berkaitan dengan masalah identifikasi model struktural. Masalah atau problem identifikasi adalah ketidakmampuan model yang ditampilkan (proposed model) untuk menghasilkan unique estimate.
Cara yang dilakukan untuk melihat ada tidaknya problem identifikasi adalah dengan melihat hasil estimasi yang meliputi: (a) adanya nilai standar kesalahan yang besar untuk salah satu atau lebih koefisien, (b) ketidak-mampuan program untuk menghasilkan matriks informasi, (c) nilai estimasi yang tidak mungkin, misalnya error variance yang negatif, (d) adanya nilai korelasi yang tinggi (r > 0.90) antar koefisien estimasi.
Jika ternyata diketahui ada problem identifikasi, ada tiga hal yang diperhatikan yaitu: (a) besarnya jumlah koefisien yang diestimasi relatif terhadap jumlah kovarian atau korelasi yang diindikasikan dengan nilai degree of freedom yang kecil, (b) digunakannya pengaruh timbal balik antar konstruk (model non rekursif), (c) kegagalan dalam menetapkan nilai tetap pada skala konstruk.
Apabila ketika estimasi dilakukan muncul masalah identifikasi, model dipertimbangkan ulang dengan mengembangkan lebih banyak konstruk.
(6) Evaluasi Kriteria Goodness-of-fit
Untuk tahapan ini dilakukan pengujian terhadap kesesuaian model melalui telaah terhadap berbagai kriteria Goodness-of-fit. Untuk itu tindakan pertama yang dilakukan adalah mengevaluasi apakah data yang digunakan dapat memenuhi asumi-asumsi SEM. Bila asumsi ini sudah dipenuhi, maka model dapat diuji melalui berbagai cara uji yang diuraikan di bawah ini.
Beberapa indeks kesesuaian dan cut-off value yang digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak adalah seperti berikut:
(a) Chi-Square (x2) Statistic dan Probabilitas
Alat uji fundamental untuk mengukur overall fit adalah likelihood ratio Chi-Square (x2) Statistic. Model dikategorikan baik jika mempunyai Chi-Square (x2) = 0 berarti tidak ada perbedaan. Tingkat signifikansi penerimaan yang direkomendasikan adalah apabila p ≥ 0,05 yang berarti matriks masukan sebenarnya dengan matriks keluaran yang diprediksi tidak berbeda secara statistik (Wijaya, T, 2009).
183 (b) RMSEA (The Roat Mean Square Error of Approximation)
Nilai RMSEA menunjukkan goodness of fit yang diharapkan bila model disetimasikan dalam populasi. Nilai ≤ 0,08 merupakan indeks untuk diterimanya model yang menunjukkan sebuah close fit dari model didasarkan degree of freedom.
(c) CMIN/DF
Ukuran yang diperoleh dari nilai chi square dibagi dengan degree of freedom.
Nilai yang direkomendasi adalah ≤ 2,00.
(d) GFI ( Goodness of fit index )
Indeks ini menunjukkan tingkat kesesuaian model secara keseluruhan, nilainya dari 0 sampai 1 dimana nilai yang terbaik mendekati 1atau ≥ 0,90.
(e) AGFI
Merupakan pengembangan dari GFI untuk diterima tidaknya model dengan nilai ≥ 0.90.
(f) Tucker-Lewis Index (TLI)
TLI adalah sebuah alternatif incremental fit index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah lebih besar atau sama dengan 0,90 dan nilai yang mendekati 1 menunjukkan a very good fit. TLI merupakan index fit yang kurang dipengaruhi oleh ukuran sampel.
(g) Comparative Fit Index (CFI)
CFI merupakan indeks kesesuaian incremental yang juga membandingkan model yang diuji dengan null model. Indeks ini dikatakan baik untuk mengukur kesesuaian sebuah model karena tidak dipengaruhi oleh ukuran sampel. Indeks yang mengindikasikan bahwa model yang diuji memiliki kesesuian yang baik adalah apabila CFI ≥ 0,90.
Secara ringkas Goodness of fit dapat dilihat pada Tabel 4.4.
184 Tabel 4.4
Kriteria Goodness of fit
Kriteria Indek Ukur Nilai Acuan Chi Square Sekecil mungkin
P value ≥ 0,05
CMIN ≤ 2,00
RMSEA ≤ 0,08
GFI Mendekati 1
AGFI Mendekati 1
TLI Mendekati 1
CFI Mendekati 1
(7) Interpretasi dan Modifikasi Model
Apabila model telah dinyatakan diterima, maka dapat dipertimbangkan melakukan modifikasi model untuk memperbaiki penjelasan teoritis atau goodness of fit. Modifikasi dari model harus dilakukan setelah dikaji melalui pertimbangan. Jika model dimodifikasi, maka model tersebut harus diestimasi dengan data (cross-validate) terpisah sebelum model dimodifikasi.