3.1. Jenis Penelitian dan Gambaran Populasi Penelitian
Mengingat begitu banyaknya jumlah multilevel beserta distributor maka penulis membatasi populasi penelitian. Jenis penelitian yang dipilih oleh penulis adalah survei terhadap para distributor dari Multilevel High-Desert dan Amway Surabaya.
3.2. Teknik Penarikan Sam pel
Sampel adalah sebagian dari individu yang menjadi obyek penelitian.
Penulis membatasi responden dengan menyebarkan kuesioner secara random (acak) kepada 250 orang distributor aktif dari High Dessert dan Amway Surabaya dengan menggunakan rumus :
( Za/2) . P ( 1 - P )
N=
/ e Keterangan :
Z a / 2 = distribusi normal standar p = peluang sukses
e = tingkat kesalahan
3.3. Metode dan Prosedur Pengumpulan Data a. Studi kepustakaan
Studi ini dilakukan dengan tujuan memberikan landasan bagi perumusan hipotesis, penyusunan daftar pertanyaan dan pembahasan teoritis. Bahan- bahan untuk keperluan diatas didapat dari buku-buku, majalah, dan informasi dari orang lain yang memiliki pengalaman berkaitan dengan masalah yang dibahas dalam penyusunan skripsi.
b. Studi Lapangan
Merupakan studi yang dimaksudkan untuk mendapatkan data-data yang berhubungan dengan penelitian yang sedang dilakukan, meliputi :
19
i. Kuesioner yang telah dibuat
ii. Melakukan uji coba terhadap kuesioner yang telah dibuat untuk mengetahui apakah kuesioner tersebut mudah dimengerti dan dijawab oleh responden.
iii. Setelah uji coba dan responden mengerti serta dapat menjawab pertanyaan-pertanyaan yang ada maka kuesioner disebar pada responden.
3.4. Definisi Operational
Untuk memperjelas mengenai definisi konsep pada penelitian yang dilakukan maka penulis memandang perlu untuk memberikan penjelasan mengenai pengukuran konsep, yaitu pengukuran fakta-fakta yang memotivasi seseorang bergabung dalam bisnis multilevel marketing dan bertahan di dalamnya.
I. Variabel Independen XI ^Motivasi
XI-1 = Bergabung untuk memperoleh penghasilan XI-2 = Bergabung untuk mengembangkan kepribadian XI-3 = Bergabung karena ingin mendapat penghargaan XI-4 = Bergabung untuk mendukung visi sosial
Xl-5 = Bergabung karena ingin jam kerja& lingkungan fleksibel XI-6 = Bergabung karena hubungan kerj a / relationship yang erat XI-7 = Bertahan karena penghasilan yang diperoleh
XI-8 = Bertahan karena ingin mengembangkan kepribadian XI-9 = Bertahan karena ingin mendapat penghargaan XI-10 = Bertahan karena visi sosialnya
XI-11 = Bertahan karena jam kerj a & lingkungan fleksibel XI-12 = Bertahan karena hubungan kerja / relationship yang erat X2 = Net Working Opportunity
X3 = Fasilitas Akses
II. Variabel Dependen
Y = Prestasi Distributor
3.5.Teknik Analisis Data
Teknik analisa data yang digunakan ada 3, yaitu : 1. Analisa deskriptif dengan menggunakan skala likert
Analisa deskriptif ini digunakan dengan tujuan untuk menyajikan suatu data statistik deskriptif seperti rata-rata (mean), median, modus, varians, standar deviasi.
Pengertian mean menurut Maholtra (2002:477) adalah rata-rata yang diperoleh dari membagi total nilai seluruh elemen dengan jumlah elemen.
Rumusnya ditulis sebagai berikut:
n
x = ^—
n Keterangan :
X - Mean atau rata-rata jawaban responden Xi = Nilai dari elemen X ke-i
n = Jumlah elemen / = l,2,3,...,n
Modus adalah nilai yang paling sering muncul. Modus ini merupakan ukuran pemusatan untuk data nominal dan suatu titik referensi bersama-sama dengan median dan rata-rata hitungnya (mean) untuk meemriksa sebaran dan bentuk distribusi.
Standar deviasi adalah akar kuadrat positif dari varians. Standar deviasi meningkatkan kemampuan interpretasi dengan cara menghilangkan kuadrat varians dan dan menyatakan deviasi dalam bentuk unit aslinya.
I(A>J)
2DS = y\^
Keterangan :
DS = standar deviasi
x = mean atau rata - rata jawaban responden xi = nilai dari elemen x ke-i
2. Uji Validitas dan Reliabilitas
Uji validitas digunakan untuk menguji kesyahihan (validitas) atau ketepatan alat ukur (kuesioner), apakah dapat memperoleh informasi sesuai dengan yang diharapkan oleh penulis. Kesyahihan atau ketepatan uji dilakukan dengan mengkorelasikan masing - masing skor variabel dengan jumlah skor variabel, bila variabel mempunyai hubungan signifikan dengan totalnya maka variabel tersebut dikatakan valid. Sedangkan bila ada salah satu variabel yang tidak mempunyai hubungan dengan totalnya, maka variabel tersebut dikatakan tidak valid dan harus dikeluarkan dari iem pertanyaan kuesioner.
Formula atau ramus yang digunakan pada uji validitas, berdasarkan korelasi antara skor variabel dengan jumlah skor variabel sebagai berikut:
dimana:
X = Skor pertanyaan ke-n Y = Skor total
N = Jumlah subyek penelitian
Sedangkan uji reliabilitas adalah alat uji kehandalan, seberapa jauh alat uji tersebut dapat memberikan informasi yang relatif tetap atau konsisten bila digunakan berulang-ulang kali. Penulis menggunakan alat uji belah dua (split- half) yang didasarkan pada ramus Spearman Brown, sebagai berikut:
r = l L T i l i
" 1 + 'u dimana:
rxx- = Koefisien reliabilitas dari Spearman-Brown ri2 = Koefisien korelasi antar dua belahan
3. Analisa Faktor
Analisa faktor bertujuan untuk mendapatkan sejumlah kecil faktor (komponen utama) yang memiliki sifat mampu menerangkan semaksimal mungkin keragaman data. Analisis faktor menggambarkan korelasi dari beberapa variabel dalam sejumlah kecil faktor. Variabel-variabel ini dapat dikelompokkan menjadi beberapa faktor, dimana variabel-variabel dalam satu faktor mempunyai korelasi yang tinggi sedangkan korelasi dengan variabel-variabel pada faktor lain relatif kecil. Faktor-faktor tersebut saling independent dan tiap-tiap faktor dapat diinterpretasikan.
Langkah-langkah dalam analisis faktor adalah sebagai berikut:
Pertama adalah menghitung korelasi antara semua variabel dalam analisis. Karena salah satu tujuan dari analisis faktor adalah untuk memperoleh faktor yang dapat menjelaskan korelasi tersebut, maka variabel harus berkorelasi satu sama lain.
Jika korelasi antara variabel adalah kecil maka kemungkinan besar variabel- variabel tersebut terletak dalam variabel yang berbeda. Analisis faktor layak digunakan jika separoh lebih korelasi antar variabel lebih besar dari 0,3 pada nilai absolutnya. Dengan menggunakan Barlett test dapat di uji hipotesis bahwa matrik korelasi adalah matrik identitas.
H0: Matriks korelasi adalah matrik identitas Hj: Matriks korelasi bukan matriks identitas
tes ini membutuhkan asumsi bahwa data berasal dari distribusi normal multivariat.
H0 ditolak jika level signifikan kecil, lebih kecil dari 0,05 yang berartibahwa matriks korelasi bukan matriks identitas. Jika level signifikan lebih besar dari 0,05 yang berarti bahwa matriks korelasi adalah matriks identitas, maka penggunaan model analisis faktor perlu dipertimbangkan kembali. Hal lain yang perlu diperhatikan adalah bahwa matriks korelasi bukan matriks singular (determinannya nol). Jika matriks korelasi adalah matriks singular, maka variabel yang mempunyai korelasi yang besar dapat diwakili oleh salah satu variabel saja.
Kaiser-Meyer-Olkin (KMO) mengukur kecukupan sampling, merupakan perbandingan antara koefisien korelasi dari observasi dengan koefisien korelasi parsial. Nilai KMO yang kecil merupakan indikasi bahwa penggunaan analisis faktor harus dipertimbangkan kembali, karena korelasi antara variabel tidak dapat
diterangkan oleh variabel lain. Kaiser (1974) menetapkan karakteristik pengukuran bahwa nilai KMO sebesar 0,90 adalah sangat bagus, 0,80 bagus, 0,70 cukup, 0,60 kurang, 0,50 jelek dan dibawah 0,50 tidak dapat diterima.
Langkah kedua adalah menganalisis factor extraction dan menentukan banyaknya faktor yang akan digunakan. Komponen utama pertama menerangkan proporsi keragaman data terbesar. Komponen utama kedua menerangkan proporsi keragaman data terbesar kedua setelah komponen utama pertama, dan tidak berkolerasi dengan yang pertama.
Langkah ketiga adalah rotasi faktor, untuk memudahkan interpretasi faktor. Meskipun faktor matriks yang diperoleh menerangkan hubungan antara faktor dan masing-masing variabel, biasanya sulit untuk mengidentifikasi arti dari faktor berdasarkan matriks ini. Sering kali suatu variabel nampaknya tidak mempunyai korelasi dengan faktor manapun. Sedangkan tujuan dari analisis faktor adalah untuk memperoleh faktor yang berisi variabel-variabel yang mempunyai korelasi yang tinggi satu sama lain, maka rotasi analisis faktor bertujuan untuk merotasi matriks loading sehingga mudah diinterpretasikan.
Metode rotasi yang digunakan adalah metode rotasi tegak lurus varimaks sehingga menghasilkan matriks loading baru. Metode ini digunakan jika model faktor mengasumsikan bahwa faktor kesamaannya (common factor) bersifat independent. Dengan merotasi matriks loading maka setiap variabel asal akan mempunyai korelasi yang tinggi dengan faktor tertentu saja dan tidak dengan faktor lainnya, sehingga faktor-faktor tersebut saling independent. Dengan demikian setiap faktor akan lebih mudah diinterpretasikan.
4. Analisis Regresi
Korelasi adalah hubungan antara dua variabel, sedangkan analisis regresi adalah untuk menaksir atau meramalkan denagn terlebih dahulu mencari pola hubungan yang dapat digambarkan secara matematis antara dua variabel atau lebih.
Variabel yang digunakan ada dua macam : a. Variabel Independent ( X )
yaitu variabel yang mempengaruhi atau bebas karena dikendalikan oleh yang melakukan eksperimen.
b. Variabel Dependent ( Y)
yaitu variabel yang nilainya dipengaruhi oleh X.
Secara matematis hubungan antara variabel independent dengan variabel dependent dinyatakan dalam bentuk :
Y-fW
Y=f(X,,X2,...,Xn) dimana:
X = Variabel Independent
Y = Variabel Dependent yang merupakan fungsi dari variabel X
Dalam persamaan regresi jika hanya mengandung satu variabel independent disebut Regresi Linear Sederhana dan jika dalam model regresi tersebut mengandung lebih dari satu variabel independent disebut Regresi Linear Berganda.
Tujuan dan manfaat analisis regresi :
1. Mendapatkan pola hubungan secara matematis antara variabel X dan Y 2. Mengetahui besarnya perubahan variabel X terhadap Y
3. Memprediksi Y jika nilai X diketahui
Dalam regresi berganda ada beberapa asumsi yang harus dipenuhi, antara lain:
1. Kesalahan atau error saling bebas 2. Error variannya sama
3. Error berdistribusi normal
4. Antar variabel bebas tidak boleh ada hubungan
Bila asumsi keempat tidak terpenuhi maka dapat dideteksi atau dilihat dari nilai VIF ( Variance Inflation Factor):
VIF < 10 artinya tidak ada multikolinearitas
10 < VIF < 20 artinya ada multikolinearitas yang tidak serius VIF > 20 artinya ada multikolinearitas yang serius
Sedangkan teknik analisis yang digunakan untuk mengukur hubungan yang mungkin ada antara dua variabel yaitu korelasi. Koefisian korelasi digunakan untuk mengukur kuatnya hubungan antara dua variabel yaitu koefisien korelasi antara variabel X dan Y. Apabila perhitungan didasarkan sampel, maka ditulis dengan rumus :
Y,XiYi-n~XY
r - . i=1
^Xf-nX
2TYi
2-nY
2VU=/ A / w J
Pada hakekatnya nilai r dapat bervariasi dari -1 sampai dengan +1 dengan ketentuan sebagai berikut:
a. Bila r = 0 atau mendekati 0, berarti hubungan antara variabel independen dengan variabel dependent sangat Iemah aatau tidak terdapat hubungan sama sekali.
b. Bila r = 1 atau mendekati 1, berarti terdapat hubungan positif antara variabel independen dengan variabel dependen yang sangat kuat.
c. Bila r = -1 atau mendekati -1, berarti terdapat hubungan negatif antara variabel independen dengan variabel dependen yang sangat kuat.
Regresi Linier Berganda merupakan perluasan dari regresi linier sederhana, yang bertujuan untuk mencari pola hubungan yang dapat digambarkan secara matematis antara satu variabel respon dengan beberapa variabel prediktor secara serentak. Pola hubungan secara umum dapat ditulis dalam persamaan sebagai berikut:
Yi = b0 + biXu + b2X2l +... + bkXk
Masalah utama dalam analisis regresi adalah menaksir parameter atau koefisien regresi dan menyelidiki tingkat signifikansi dalam model secara serentak, kemudian menyelidiki secara individu.
Metode kuadrat terkecil digunakan dengan tujuan untuk meminimumkan varians sehingga didapatkan penaksiran yang tak bias. Dalam persamaan regresi linear berganda, khususnya bila variabel prediktor lebih dari dua, akan lebih mudah apabila dengan menggunakan pendekatan matrik (Gujarati, 1998 : 93)
Jika sumber variasi tersebut disusun dalam bentuk tabel analisis varians, maka bentuknya sebagai berikut:
Tabel 3.4.1.
Anova untuk Regresi Linear Berganda
Sumber Variasi Regresi
Residual Total
Jumlah Kuadrat SSReg
SSRes SST
Derajat Bebas k
n-k-1 n-1
Sedangkan untuk mengetahui apakah nilai-nilai dari parameter yang diperoleh signifikan atau tidak, maka diperlukan uji hipotesa. Adapun langkah- langkah yang ditempuh uji koefisien regresi adalah sebagi berikut:
> Pengujian koefisien regresi secara serentak
Untuk menguji secara serentak (overall) dari seluruh parameter regresi X terhadap Y dengan hipotesa:
Ho:p, = p2=... = p\
Hi: paling sedikit ada satu Pi # 0 , i = 1, 2,..., k
digunakan Frasio = MSReg / MSRes = ( SSReg / k ) / ( SSRes / n-k-1 ). Jika Ho benar dan asumsi dipenuhi, maka Frasi0 ~ F( kin.k.i >. Sehingga pada suatu tingkat signifikan tertentu Frasi0 dapat dibandingkan dengan suatu nilai F dalam distribusi F( k,n-k-i) yaitu F(k,n-k-i.a> Jiak pada tingkat signifikan a , Fr8Sio < F(k,n- k-i,a ) maka terima Ho , berarti semua koefisien regresi tidak memberikan iuran yang berarti terhadap harga Y, dalam hal ini akan menghasilkan Y = p0
Sebaliknya, jika Frasi0 > F^n-k-u) maka tolak Ho, berarti paling tidak ada satu Pi yang tidak sama dengan nol, sehingga perlu dilakukan pengujian secara individu.
> Pengujian koefisien regresi sevara individu
Setelah dilakukan pengujian koefisien regresi secara serentak dan ternyata tolak Ho yang berarti paling sedikit ada satu p; yang tidak sama dengan nol maka perlu dilakukan pengujian secara individu. Hal ini dimaksudkan untuk menentukan ada tidaknya pengaruh masing-masing variabel X terhadap variabel Y dan untuk melihat kontribusi dari masing- masing variabel bebasterhadap variabel respon. Adapun pengujian tersebut menggunakan hipotesa:
Ho:p\=0
H , : p i * 0 , i » l , 2 , . . . , k
digunakan statistik uji Thitung = b;/sd(b,) dimana bi nilai taksiran dari Pi dan Sd(bi) merupakan standart deviasi dari b;. Jika Ho benar dan asumsi dipenuhi, maka : Thilung ~ t(n-k-l.a). Sehingga pada suatu tingkat signifikan tertentu Thitung dapat dibandingkan dengan suatu nilai t dalam distribusi t(n-k-l) yaitu t (n-k-l,cc). Jika pada tingkat signifikan a, jThitungl < t(n-k-l,a) maka terima Ho , berarti tidak ada pengaruh yang signifikan dari variabel X terhadap variabel Y. Sebaliknya, jika |Thitungl >t(n-k-l,a) maka tolak Ho, berarti ada pengaruh yang signifikan dari variabel X terhadap variabel Y. Jadi pada prinsipnya uji terhadap pi secara individu merupakan pengujian terhadap koefisien regresi parsial yaitu uji tentang model regresi Y pada suatu variabel X tertentu jika variabel X yang lain dianggap konstan.
Koefisien determinasi (R2) merupakan rasio antara variasi regresi terhadap variasi total, yaitu proporsi yang menya-takan berapa persen variasi data (variasi di sekitar Y) yang diterangkan oleh model. Hal ini menunjukkan bahwa variasi total Y sekitar rata-rata disebabkan karena data pengamatan tidak terletak dalam persamaan regresi, jika variasi residualnya kecil dan variasi regresinya mendekati variasi totalnya, maka persamaan regresi akan
lebih dekat dengan titik-titik data pengamatan. Besarnya R2 selalu berada diantara nol dan satu (0<R2<1) dan dapat ditulis sebagai berikut:
R1 = ^ x l 0 0 % SST
Jadi koefisien determinasi (R2) berguna untuk :
1. Mengukur ketepatan atau kecocokan suatu garis regresi yang diterapkan terhadap suatu kelompok data hasil observasi. Makin besar nilai R2 dikatakan model regresi semakin tepat atau cocok, sebaliknya makin kecil nilai R2 dikatakan model regresi tidak tepat untuk mewakili data hasil observasi.
2. Mengukur proporsi atau prosentase dari jumlah variasi Y yang dapat diterangkan oleh model regresi.
Korelasi parsial merupakan ukuran hubungan linier antara variabel Y dengan Xi dan X2 dibuat tetap atau sebaliknya. Nilai koefisien korelasi parsial ryi^ artinya korelasi Y dengan X, dikontrol dengan X2. (Gujarati, 1988, hal 102-104).
ryi-ry2f\2
ryh2 -
^(i-i}2Yi-ffi)
UjiF
Ho = Model tidak signifikan Hi = Model signifikan
Jika Fhitung > Ftabei, maka Ho ditolak Fhitung < Ftabei, maka Ho diterima
Sebagai contoh peneliti menggunakan uji F pada Analisis Regresi Prestasi -1. Dengan uji Anova / uji F maka didapat nilai Fhitung adalah 3593.394. Jika disamakan nilai signifikan = 95% nilai kritis untuk derajat kebebasan (k-1) = 3 dan (n-k) = 120, maka F0.05 = 2.60. Karena Fhitung = 3593.394 > Ftabei " 2.60 maka Ho ditolak dan Hi diterima.
