BAB III METODOLOGI PENELITIAN
3.5 Teknik Analisis Data
Penelitian ini membutuhkan suatu analisis data dan intepretasinya yang akan digunakan untuk menjawab pertanyaan-pertanyaan penelitian untuk mengungkap fenomena sosial tertentu. Sehingga analisis data adalah proses penyederhanaan data ke dalam bentuk yang lebih mudah dibaca dan diinterpretasikan. Model yang akan digunakan dalam penelitian ini adala model kausalitas atau hubungan pengaruh untuk menguji hipotesis yang diajukan, maka teknik analisis yang digunakan adalah SEM (Structural Equation Modelling).
X15
X16 Kinerja
Perusahaan
Alasan penggunaan SEM (Structural Equation Modelling) adalah karena teknik multivariat ini yang menggabungkan aspek dari regresi berganda (meneliti hubungan ketergantungan) dan analisis faktor untuk mengestimasi rangkaian hubungan ketergantungan yang saling berhubungan secara simultan (Hair et.al. 2006). Pemodelan penelitian melalui SEM memungkinkan seseorang peneliti dapat menjawab pertanyaan penelitian yang bersifat regresif maupun dimensional. Pada saat seorang peneliti menghadapi pertanyaan penelitian berupa identifikasi dimensi-dimensi sebuah konsep atau konstruk dan pada saat yang sama peneliti ingin mengukur pengaruh atas tingkat hubungan antar faktor yang telah diidentifikasikan dimensi-dimensinya itu, SEM merupakan alternatif alat yang digunakan untuk penelitian ini. Oleh karena itu dapat dikatakan bahwa pada dasarnya, SEM adalah kombinasi antara analisis faktor dan analisis regresi berganda (Ferdinand, 2005).
Menurut Ferdinand (2005) untuk membuat pemodelan SEM yang lengkap perlu dilakukan langkah-langkah berukut:
1. Pengembangan Model Teoritis
Langkah pertama yang harus dilakukan adalah mengembangkan sebuah model penelitian dengan dukungan teori yang kuat melalui berbagai telaah pustaka dan sumber-sumber ilmiah yang berhubungan dengan model yang sedang dikembangkan. Tanpa dasar teoritis yang kuat, maka SEM tidak dapat digunakan.
2. Pengembangan Diagram Alur (Path Diagram)
Model teoritis yang telah dibangun pada langkah pertama akan digambarkan dalam sebuah diagram alur. Diagram alur tersebut akan mempermudah peneliti
untuk melihat hubungan-hubungan kausalitas yang akan diuji. Dalam SEM yang dioperasikan dengan komputer melalui software AMOS 18, hubungan kausalitas digambarkan dalam sebuah diagram alur. Untuk menggambarkan diagram alur
(path diagram), hubungan antar variabel akan digambar dengan anak panah. Anak
panah yang lurus menggambarkan sebuah hubungan kausal yang langsung antara satu variabel dengan variabel yang lainnya. Sedangkan garis-garis lengkung antara konstruk dengan anak panah pada setiap ujung menggambarkan sebuah korelasi antar konstruk. Konstruk dalam diagram alur dapat dibedakan dalam dua kelompok konstruk yaitu (Santoso, 2007:6-7):
a. Konstruk eksogen (Exogenous construct)
Konstruk 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 dependen
b. Konstruk endogen (Endogenous construct)
Konstruk endogen adalah variabel dependen yang dipengaruhi oleh variabel independen (eksogen). Pada model SEM, variabel endogen ditunjukkan dengan adanya anak panah yang menuju variabel tersebut
Gambar 3.6
Diagram Alur (Path Diagram)
Sumber: Dikembangkan untuk penelitian ini, 2011
Keterangan:
e = error; z = error disturbance
3. Mengubah Diagram Alur ke dalam Persamaan
Sebuah model penelitian dikembangkan dan digambarkan pada path diagram, langkah berikutnya adalah melakukan konversi spesifikasi model kedalam rangkaian persamaan. Persamaan yang dibangun terdiri dari:
Persamaan-persamaan struktural (Structural Equation)
Persamaan ini dirumuskan untuk menyatakan bahwa hubungan kausalitas antarberbagai konstruk. Persamaan struktural dibangun dengan pedoman sebagai berikut:
Tabel 3.2
Model Persamaan Struktural
Inovasi (INV) = β1 Manajemen Pengetahuan + β2 Pembelajaran Organisasional + β3 Orientasi Pasar + z1
Kinerja Perusahaan (KP) = β4 Inovasi + z2
Persamaan spesifikasi model pengukuran (Measurement Model) Pada spesifikasi ini ditentukan variabel mana mengukur konstruk yang mana, serta menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesiskan antar konstruk atau variabel. Adapun model pengukuran
(measurement model) pada penelitian ini ditunjukkan oleh Tabel 3.3 berikut ini:
Tabel 3.3
Model Pengukuran (Measurement Model)
Konsep Eksogen Konsep Endogen
X1 = λ1 Manajemen Pengetahuan + e1 X12 = λ12 Inovasi + e12 X2 = λ2 Manajemen Pengetahuan + e2 X13 = λ13 Inovasi + e13 X3 = λ3 Manajemen Pengetahuan + e3 X14 = λ14 Inovasi + e14
X4 = λ4 Pembelajaran Organisasional + e4 X15 = λ15 Kinerja Perusahaan + e15 X5 = λ5 Pembelajaran Organisasional + e5 X16 = λ16 Kinerja Perusahaan + e16 X6 = λ6 Pembelajaran Organisasional + e6 X17= λ17 Kinerja Perusahaan + e17 X7 = λ7 Pembelajaran Organisasional + e7
X8 = λ8 Pembelajaran Organisasional + e8 X9 = λ9 Orientasi Pasar + e9
X10 = λ10 Orientasi Pasar + e10 X11 = λ11 Orientasi Pasar + e11
4. Memilih Matriks Input dan Estimasi Model
SEM hanya menggunakan matriks varians atau matriks korelasi sebagai
data input untuk keseluruhan estimasi yang dilakukan. Pada langkah keempat ini matrik kovarians digunakan karena SEM mempunyai keunggulan dalam menyajikan perbandingan yang valid antar populasi yang berbeda atau sampel yang berbeda. Untuk ukuran sampel memegang peranan yang sangat penting dalam estimasi dan interpretasi hasil-hasil SEM. Menurut Hair et al., (2006) ukuran sampel yang sesuai untuk SEM adalah antara 100-200, sedangkan untuk ukuran sampel minimum adalah sebanyak 5-10 dikalikan dengan observasi tiap-tiap estimasi parameter.
Bila estimasi parameternya sejumlah 17 indikator dikalikan faktor pengali 5, maka jumlah sampel minimumnya adalah 85. Setelah model dikembangkan dan input
data dipilih, kemudian peneliti memilih program komputer yang dapat digunakan untuk megestimasi modelnya dengan menggunakan software AMOS 18.
5. Meneliti Munculnya Masalah Identifikasi
Problem identifikasi adalah kondisi model yang sedang dikembangkan dalam penelitian tidak mampu menghasilkan estimasi yang unik. Problem identifikasi dapat ditemui apabila terdapat gejala-gejala seperti:
Standard error untuk satu atau beberapa koefisien adalah sangat besar
Program tidak mampu menghasilkan matriks informasi yang seharusnya disajikan
Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat
6. Evaluasi Kriteria Goodness of Fit
Pada tahap ini dilakukan pengujian terhadap berbagai kriteria goodness of
fit. Hal pertama yang dilakukan adalah bahwa data yang digunakan harus
memenuhi asumsi-asumsi SEM, yaitu:
Ukuran sampel
Ukuran sampel yang sesuai untuk SEM adalah antara 100-200, sedangkan untuk ukuran sampel minimum adalah sebanyak 5-10 dikalikan dengan observasi tiap-tiap estimasi parameter.
Normalitas dan Linearitas
Sebaran data harus dianalisis untuk melihat apakah memenuhi asumsi normalitas. Pengujian normalitas melalui gambar histogram data dan untuk menguji linieritas melalui scatterplot dari data melalui pemilihan pasangan data dan dilihat pola penyebaran untuk menduga ada tidaknya linearitas.
Outliers
Outliers adalah observasi dengan nilai-nilai esktrim baik secara univariat maupun
multivariat yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi lainnya.
Multikolinearitas dan Singularitas
Mendeteksi kemunculan multikolinearitas dan singularitas dari determinan matriks kovarians. Nilai determinan matrik kovarians yang sangat kecil memberikan indikasi adanya problem multikolinearitas atau singularitas, sehingga hal yang perlu dilakukan adalah mengeluarkan variabel yang menyebabkan hal tersebut.
Setelah asumsi-asumsi SEM diketahui, maka langkah selanjutnya adalah menggunakan kriteria yang digunakan untuk mengevaluasi model dan pengaruh pengaruh yang ditampilkan dalam model. Beberapa indeks kesesuaian dan cut-off
valuenya yang digunakan dalam menguji apakah sebuah model dapat diterima
atau tidak adalah sebagai berikut:
a. Chi-Square (χ2)
Sebuah model dianggap baik atau memuaskan apabila memiliki nilai chi-square
yang rendah. Semakin kecil nilai chi-square semakin baik model tersebut dan dapat diterima berdasarkan probabilitas dengan cut off value sebesar p > 0,05 atau p > 0,10.
b. GFI (Goodness of Fit Index)
Merupakan pengukuran nonstatistikal yang memiliki nilai berkisar antara 0,00
(poor fit) sampai dengan 1,00 (perfect fit), sehingga nilai yang tinggi menandakan
c. AGFI (Adjusted Goodness of Fit Index)
Adalah tingkat penerimaan yang disarankan apabila AGFI memiliki nilai yang sama dengan atau lebih besar dari 0,90.
d. CMIN/ DF
Merupakan The Minimum Sample Discrepancy Function yang dibagi dengan
degree of freedom. CMIN/ DF tidak lain adalah statistik chi-square (χ2) dibagi
dengan DF disebut χ2 relatif. Bila nilai χ2 relatif kurang dari 2,00 atau 3,00 menunjukkan indikasi dari acceptable fit antara model dan data.
e. RMSEA (The Root Mean Square Error of Approximation)
Nilai RMSEA menunjukkan goodness of fit yang dapat diharapkan bila model diestimasikan dalam populasi. Nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya suatu model yang menunjukkan
close fit dari model tersebut berdasarkan degree of freedom.
f. Tucker Lewis Index (TLI)
Adalah sebuah alternatif incermental fit index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah ≥ 0,95.
g. CFI (Comparative Fit Index)
Rentang nilai sebesar CFI adalah 0,00 sampai dengan 1,00, dimana semakin mendekati 1,00 menunjukkan tingkat fit yang paling tinggi (a very good fit). Adapun nilai CFI yang direkomendasikan adalah ≥ 0,95.
Adapun indeks-indeks yang dapat digunakan untuk menguji kelayakan sebuah model penelitian dapat dilihat pada tabel berikut ini:
Tabel 3.4
Goodness of Fit Index
Goodness of Fit Index Cut-off Value
Chi-Square (χ2) Diharapkan kecil
Significancy Probability ≥ 0,05 RMSEA ≤ 0,08 GFI ≥ 0,90 AGFI ≥ 0,90 CMIN/DF ≤ 2,00 TLI ≥ 0,95 CFI ≥ 0,95 Sumber: Ferdinand, 2006
7. Interprestasi dan Modifikasi Model
Langkah ketujuh adalah menginterpretasikan model dan memodifikasikan
model bagi model-model yang tidak memenuhi syarat pengujian yang dilakukan. Hair et al., (2006) memberikan sebuah pedoman untuk mempertimbangkan perlu tidaknya modifikasi sebuah model yaitu dengan melihat jumlah residual yang dihasilkan oleh model. Batas keamanan untuk jumlah residual sebanyak 5%. Bila jumlah residual lebih besar dari 5% dari semua residual kovarians yang dihasilkan oleh model, maka sebuah modifikasi perlu dipertimbangkan. Bila ditemukan bahwa nilai residual yang dihasilkan oleh model itu cukup besar atau lebih dari 2,58, maka cara lain dalam memodifikasi adalah dengan mempertimbangkan untuk menambah sebuah alur baru terhadap model yang diestimasi itu, cut of
yang dihasilkan oleh model. Nilai residual value yang lebih besar atau sama dengan 2,58 diinteprestasikan sebagai signifikan secara statistik pada tingkat5%.