Teknik Analisis Data - METODOLOGI PENELITIAN

METODOLOGI PENELITIAN

D. Teknik Analisis Data

Analisis data merupakan kegiatan setelah data dari seluruh rsponden atau sumber data lain terkumpul. Kegiatan analisis data adalah mengelompokan data berdasarkan variabel dan jenis responden, mentabulasi data berdasarkan variabel yang diteliti, melakukan perhitungan untuk menjawab rumusan masalah, dan melakukan perhitungan untuk menguji hipotesis yang telah diajukan. (Sugiono, 2014: 238)

Dari pengertian tersebut menyimpulkan dalam menganalisis data upaya yang harus dilakukan untuk memperoleh data responden adalah upaya mencari data dengan turun langsung kelapangan, selanjutnya mengolah data secara sistematis, dan terakhir mengambil kesimpulan dari penelitian.

Pengumpulan data di lapangan tentu berkaitan dengan teknik penggalian data, dan berkaitan pula dengan sumber dan sejenisnya. Dalam penelitian ini, peneliti akan menggunakan metode data kuantitatif dimana data yang digunakan dalam penelitian ini menganalisis pengaruh antara variabel kepatuhan Syariah, kualitas pelayanan, dan citra perusahaan terhadap loyalitas nasabah pada Bank Pembiayaan Rakyat Syariah Amanah Ummah Kas UIKA. Pengujian kualitas data dalam peneltian ini menggunakan program computer Softwere Statistical Pacage for the Social Science (SPSS).

Selanjutnya metode penelitian yang digunakan dalam penelitian ini

menggunakan Partial Least Square (PLS) untuk menganalisis data yang diperoleh.

Pengukuran variabel dalam penelitian ini menggunakan pengukuran skala likert. Skala likert adalah sekala pengukuran yang dikembangkan oleh likert (1932). Skala likert mempunyai empat atau lebih butir-butir pertanyaan yang dikombinasikan sehingga membentuk sebuah skor/nilai yang merepresentasikan sifat individu. Sehingga skala likert dapat digunakan untuk mengukur sikap, pendapat dan persepsi seseorang atau sekelompok tentang fenomena sosial. Dengan skala likert, maka variabel yang akan diukur dijabarkan menjadi indikator variabel. Kemudian indikator tersebut dijadikan sebagai titik tolak untuk menyusun item item instrumen yang dapat berupa pernyataan atau Pertanyaan (Umar,2010:137)

Selanjutnya Skala liker dapat mengukur jawaban dari nasabah dari sangat positif sampai sangat negatif dengan alternatif jawaban sebagai berikut:

Setelah data terkumpul selanjutnya data tersebut akan dianalisis dengan menggunakan softwere Stastictical Package for the social Science (SPSS), setelah dilakukan pengujian menggunakan SPSS lalu selanjutnya dilakukan pengujian menggunakan PLS dan Uji hipotesis

Berikut metode yang digunakan dalam menganalisis data:

1. Uji Kualitas Data a. Uji Validitas

Sekaran (2003) mengemukakan bahwa uji validitas menggambarkan bagaimana kuesioner (pertanyaan atau item) sungguh-sungguh mampu mengukur apa yang ingin diukur, berdasarkan teori-teori dan ahli. Sehingga dapat dikatakan semakin tinggi validitas suatu test maka alat test tersebut semakin tepat mengenai sasaranya.

Sebuah instrument dikatakan valid jika mampu mengukur yang diinginkan oleh peneliti, serta dengan ketentuan bahwa sebuah item kuesioner dinyatakan valid apabila r hitung ˃ r tabel Ghozali (2009) dalam Hermanto & Cahyadi (2015)

Pada penerapan uji validitas ini menggunakan bantuan perangkat lunak SPSS.

b. Uji Reliabilitas

Reliabilitas yaitu untuk mengetahui apakah alat ukur yang digunakan tepat untuk mengukur konsep yang hendak diukur dalam menunjukan pada sejauh mana suatu hasil pengukuran relatif konsisten apabila pengukuran dilakukan berulang kali. (Siti Nurhasanah, 2016: 91).

Untuk mengatahui data tersebut reliabel atau tidaknya adalah terletak pada konsistensi atau tidak berubah.

Instrumen yang reliabel adalah instrumen yang bila digunakan beberapakali untuk mengukur objek yang sama, akan menghasilkan data yang sama. (Sugiono, 2014: 203)

Suatu Konstruk atau variabel dikatakan reliable jika membeikan nilai Cronbach Alpha ˃0,70 (Ghozali,2016:47)

Dalam penelitian memerlukan data yang valid dan reliable. Karena urgensi ini, maka kuesioner sebelum digunakan sebagai data penelitian primer, terlebih dahulu diuji cobakan ke sempel uji coba penelitian. Uji

coba ini dilakukan untuk memperoleh bukti sejauh mana ketepatan dan kecermatan alat ukur dalam melakukan fungsi ukuranya.

2. Statistik Deskriptif

Statistik Deskriptif merupakan statistik yang digunakan untuk menganalisis data dengan cara mendeskripsikan aau menggambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku umum atau generalisasi (sugiyono, 2012).

Statistik deskriptif berkenaan dengan deskripsi data, misalnya dari menghitung rata-rata dan varian dari data mentah, mendeskripsikan menggunakan tabel-tabel atau grafik sehingga data mentah lebih mudah dibaca dan lebih bermakna.

Data penelitian yang diambil dari jawaban-jawaban responden atas pertanyaan yang telah dibuat dari kuesioner dan diperoleh dengan cara dikelompokan dan ditabulasikan kemudian diberi penjelasan.

3. Model Partial Least Square (PLS)

Menurut Wold, PLS adalah metode analisis yang powerfull sebab tidak didasarkan pada banyak asumsi atau syarat, seperti uji normalitas atau multikolinearitas. Metode tersebut memiliki keunggulan tersendiri diantaranya data tidaklah harus berdistribusi normal multivariate. Bahkan indikator dengan skala data kategoti, ordinal interval sampai rasio dapat digunakan. Berikut keunggulan dari PLS (Hartono, 2015:165/)

a. Mampu memodelkan banyak variabel dependen dan variabel independen (model kompleks)

b. Mampu mengelola masalah multikolinearitas antara variabel independen

c. Hasil tetap kokoh (robust) walaupun terdapat data yang tidak normal dan hilang (missing velue)

d. Menghasilkan variabel laten independen secara langsung berbasis cross product yang melibatkan variabel laten sebagai kekuatan prediksi

e. Dapat digunakan pada konstruk reflektif dan formatif f. Dapat digunakan pada sempel kecil

g. Tidak mensyaratkan data berdistribusi normal

h. Dapat duganakan pada data dengan tipe skala berbeda, yaitu nominal, ordinus dan kontinus.

Secara Umum, PLS-SEM memiliki statistika power seperti keunggulan diatas dan menunjukan konvergensi yang lebih tinggi dibandingkan dengan Cb-SEM

Terdapat beberapa kriteria perbandingan sederhana antara penggunaan VSEM (PLS-SEM) dengan CbSEM (AMOS dan LISREL) dapat dilihat pada table berikut:

Tabel 3.3

Perbedaan Penggunaan VSEM dengan CbSEM

Kriteria VbSEM CbSEM

Tujuan Analisis Orientasi Prediksi Analisis Eksploraor

Taksiran parameter dan konfirmator

Asumsi Non parametrik, tidak

mengikuti pola distribusi tertentu

Parametik, mengikuti pola distribusi normal multivariate

Pendekatan Variance atau Component based (VbSEM)

Covariance based (Cb-SEM)

Jumlah Sampel 20-100 kasus, semakin besar jumlah sampel model semakin baik

200-800 kasus

50 Hubungan

Indikator-Konstruk laten

Relatif maupun formatif Relatif

Kebutuhan Tepri Fleksibel, optimal pada prediksi dan akurasi model

Asumsi dan dasar teori kuat, pengembangan model berorientasi akurasi parameter

Identiviskasi Model Model rekurasif Model rekurasi Sumber: (Narimawati, et all., 2020)

Selanjutnya Model PLS Pengujian Struktural dilakukan dengan bantuan softwere smart PLS. Langkah-langkah yang harus dilakukan dalam partial least square (PLS) adalah sebagai berikut:

a. Perancang Model Struktural (Inner Model)

Model ini menitik beratkan pada model struktur variabel laten, dimana antar variabel laten diasumsikan memiliki hubungan yang linier dan memiliki hubungan sebab kibat (Devi et al. 2015). Model persamaan dari inner model ini dapat disusun sebagai berikut:

𝜂=𝛽0+𝛽𝜂+Γ𝜉+𝜁 Dimana:

𝜂= vektor variabel laen endogen (dependen) 𝜉= vektor variabel eksogen (independen) 𝜁= vektor residual (unexplained variance)

b. Merancang Model Pengukuran (outer Model)

Model Pengukuran atau outer model menggambarkan hubungan antara blok indikator dengan variabel latenya (Hartono, 2015) pada tahap ini peneliti mendefinisikan menspesifikan hubungan antara konstruk laten dengan indikatornya apakah bersifat reflektif atau fomulatif. Persamaan untuk

model indikator refleksif SEM PLS (Alfa, Rachmatin, & Agustina, 2017) adalah Sebagai berikut:

X = λX𝜉+ ɛxY = λYη + ɛy Dimana=

X : indikator untuk variabel laten eksogen (ξ) Y : indikator untuk variabel laten endogen (η)

λx, λy : loading matrix yang (koefisien regresi sederhana yang menghubungkan variabel laten dengan indikatornya)

ɛx dan ɛy : tingkat kesalahan pengukuran (residual error) c. Evaluasi Model

Terdapat dua model yang dianalisis dalam PLS, yaitu evaluasi model pengukuran (outher model) dan model structural (inner model). Tahapan analisis model ini menggunakan smartPLS

1) Model Pengukuran

Evaluasi ini bertujuan untuk memastikan bahwa model pengukuran telah valid dan reliabel. Dalam evaluasi model pengukuran, terdapat tiga indikator yang harus dievaluasi yaitu Internal Consistency, Convergent Valdity, dan Discriminant Validity.

a) Indikator Internal Concistency adalah nilai Alpha Cronbach dan Composite Reliability dengan batas minimal keduanya 0.6 dan tidak melebihi 0.9 untuk menghindari semua variabel dan indikator mengukur fenomena yang sama. Sementara nilai Average Variance Extracted (AVE) yang diharapkan melebihi dari angka > 0,5.

b) Convergent Validity, dilihat Outer Loading dan AVE . Nilai Outer Loading yang signifikan adalah > 0.7. Sebagai catatan, indikator dengan Outer Loading<0.7 tidak dapat dipertahankan hanya jika penghapusan indikator tersebut tidak meningkatkan nilai Composite Reliability.

c) Discriminant Validity dilihat dari cross loading dan Fornell Larcker Criterion. Pada tabel Cross Loading, harus dipastikan bahwa Outer Loading setiap indikator pada suatu variabel laten harus lebih besar dari nilai Cross Loading terhadap variabel laten lain. Fornell-Larcker Criterion digunakan dengan cara membandingkan akar kuadrat AVE yang harus lebih besar dari nilai korelasi variabel-variabel laten. Jika semua kriteria evaluasi model pengukuran terpenuhi, maka tahapan selanjutnya adalah mengevaluasi model struktural.

2) Model Struktural

Evaluasi pada model ini fungsinya adalah melihat nilai signifikansi dari variabel laten dengan menggunakan Rsquare (R2).

Setelah mengetahui nilai R2, untuk melihat ukuran prediksi dari variabel laten endogen dengan indikator refleksif digunakan besaran Q-square (Q2) (Thomas, 2005). Dalam (Rozandy,dkk) menyebutkan Perhitungan Nilai Q-square dapat dihitung dengan Persamaan Q-square berikut: Q2 = 1 –(1 –(Rsquare)2). Dan akan mengeluarkan nilai R-Square dengan nilai 0,75 (kuat), 0,50 (moderat) dan 0,25 (lemah).

Dalam dokumen PENGARUH KEPATUHAN SYARIAH, KUALITAS PELAYANAN, DAN CITRA PERUSAHAAN TERHADAP LOYALITAS NASABAH. (Studi Kasus pada BPRS Amanah Ummah Kas UIKA Bogor) (Halaman 62-69)