Pada kesempatan kali ini kita akan sharing pengalaman kita di lapangan, survey lapangan atau sebar kuesioner, yang berbeda dengan sharing pada kesempatan sebelumnya. Survey lapangan atau sebar kuesioner kali ini, hendak menggali informasi atau perspektif dari warga Jakarta atau warga sekitar Jakarta yang beraktifitas di Jakarta serta sebagai pengguna Smart Card (misal : etoll, indomaret card, kartu absensi (karyawan atau pelajar) dan sejenisnya), tepatnya informasi atau perspektif dalam hal mengevaluasi kegunaan dan penggunaan Smart Card beserta kontinuitas dari warga dalam hal penggunaannya di kemudian hari. Sekali lagi bahwa persiapan fisik maupun pengetahuan terhadap medan lapangan yang akan dijadikan sasaran pengambilan data haruslah diperhatikan. Karena banyak hal-hal yang tidak bisa kita prediksikan dapat terjadi dan menjadi tantangan tersendiri di lapangan.
Objek dari survey lapangan atau sebar kuesioner lapangan kali ini dalam kategori cukup mudah. Target spesifik yang menjadi kriteria dari responden adalah warga Jakarta atau warga sekitar Jakarta yang beraktifitas di Jakarta serta sebagai pengguna Smart Card. Tantangan yang dihadapi adalah faktor U dari calon responden yang harapkan. Hal ini dikarenakan survey lapangan yang dilakukan mencakup semua rentang usia yaitu 15 tahun s.d > 50 tahun.
Crew lapangan yang diturunkan pada survey lapangan kali ini sebanyak 3 orang. Crew yang well educated, bermental OK, PeDe, memiliki komunikasi yang baik dan behave yang menyenangkan bagi responden. Karena yang kita temui dilapangan mulai dari usia muda dan usia sangat tua (sepuh). So, right person is a must.
Proses survey yang sangat challenging yang tim kita temui di lapangan, wellplanning dan well strategy dalam melakukan survey lapangan kali ini sangat diperlukan sekali, sekali lagi cost and time effective dalam penelitian. Calon responden yang kita hadapi adalah responden memiliki kecenderungan untuk menolak cukup tinggi dikarenakan frame bermanfaatnya research dan faktor U menjadi tantangan tersendiri di lapangan. Sehingga perlu pemahaman akan spot-spot yang tepat tempat berkumpulnya calon responden yang masuk dalam kriteria yang telah ditetapkan. (misal : perkantoran, sekolah, stasiun dsb).
Saran kita kepada para peneliti, lebih pada aspek perencanaan time line research yang harus well planning dan well organized. Networking atau Offering Benefits (souvenir) mungkin bisa jadi instrumen yang dapat mempermudah dan mempercepat dalam proses pengambilan data lapangan.
Sharing singkat ini, semoga bermanfaat dalam membantu rekan-rekan peneliti dalam membangun frame awal sebelum melakukan survey di lapangan. Kami akan share banyak pengalaman kami di lapangan pada kesempatan yang lain. SEMANGAT MENELITI!!!
Pada kesempatan kali ini kita akan sharing pengalaman kita di lapangan, survey lapangan atau sebar kuesioner, yang berbeda dengan sharing pada kesempatan sebelumnya. Survey lapangan atau sebar kuesioner kali ini, hendak menggali informasi atau perspektif dari pengelola sekolah dasar baik negeri maupun swasta di Kota Jakarta, tepatnya informasi atau perspektif para pengelola sekolah dasar baik negeri maupun swasta dalam hal kelengkapan sarana prasarana, estetika serta pengelolaan limbah yang ada dan dihasilkan oleh sekolah. Sekali lagi bahwa persiapan fisik maupun pengetahuan terhadap medan lapangan yang akan dijadikan sasaran pengambilan data haruslah diperhatikan. Karena banyak hal-hal yang tidak bisa kita prediksikan dapat terjadi dan menjadi tantangan tersendiri di lapangan.
Objek dari survey lapangan atau sebar kuesioner lapangan kali ini dalam kategori gampang-gampang susah. Target spesifik yang menjadi kriteria dari responden adalah pengelola sekolah baik itu guru, staff maupun pejabat sekolah. Meskipun relatif tidak ada kendala yang berarti yang tim kita temui di lapangan, selain karena institusi pendidikan dasar cukup banyak juga kelengkapan riset yang sudah dipersiapkan dengan baik (kelengkapan surat pengantar riset/ijin riset).
Crew lapangan yang diturunkan pada survey lapangan kali ini sebanyak 2 orang. Rata-rata tenaga yang kita pakai berusia antara 20 s.d 25 tahun. Selain muda semangatnya pun OK untuk menjaga kualitas hasil survey yang kita lakukan. Selain itu, crew yang well educated (rata-rata sedang menempuh perkuliahan) memberikan nilai plus tersendiri, selain dari pola bahasa dalam komunikasi yang baik, yang terpenting behave yang menyenangkan bagi responden kita.
Proses survey yang sangat challenging yang tim kita temui di lapangan, wellplanning dan well strategy dalam melakukan survey lapangan kali ini sangat diperlukan sekali, sekali lagi cost and time effective dalam penelitian. Calon responden yang kita hadapi adalah responden memiliki kecenderungan untuk menolak sangat tinggi dikarenakan frame bermanfaatnya research menjadi tantangan tersendiri di lapangan. Benefit first. Prosedural, karena yang kita datangi merupakan institusi pemerintahan kelengkapan permohonan perijinan perlu dipersiapkan oleh tim lapangan untuk mempermudah proses komunikasi dan legalitas. Biaya dan Waktu, yang kita temui di lapangan dikarenakan birokrasi oleh karena ada jeda waktu tunggu yang lumayan untuk memperoleh kepastian “bisa ikut berpartisipasi” dan atau “tidak bisa ikut berpartisipasi”, otomatis menjadi estimasi budget tambahan yang harus dipersiapkan. Effort Tim Lapangan, jarak tempuh, kondisi serta situasi alam yang menjadi tantangan tersendiri bagi tim lapangan, diperlukan tim tangguh di lapangan.
Saran kita berdasarkan pengalaman di lapangan diperlukan extra time untuk melakukan penelitian dengan kriteria responden dari institusi pemerintah sekalipun sekolah (SD). Rencana time line research yang harus well planning dan well organized. Networking atau Offering Benefits mungkin bisa jadi instrumen yang dapat mempermudah dan mempercepat dalam proses pengambilan data lapangan.
Sharing singkat ini, semoga bermanfaat dalam membantu rekan-rekan peneliti dalam membangun frame awal sebelum melakukan survey di lapangan. Kami akan share banyak pengalaman kami di lapangan pada kesempatan yang lain. SEMANGAT MENELITI!!!
Pada kesempatan kali ini kita akan sharing pengalaman kita di lapangan, survey lapangan atau sebar kuesioner, yang berbeda dengan sharing pada kesempatan sebelumnya. Survey lapangan atau sebar kuesioner kali ini, hendak menggali informasi atau perspektif dari pejabat atau staff keuangan SKPD Jakarta Barat terkait dengan SAP (Standar Akuntansi Pemerintahan) dalam menghasilkan kualitas laporan keuangan pemerintahan yang baik. Sekali lagi bahwa persiapan fisik maupun pengetahuan terhadap medan lapangan yang akan dijadikan sasaran pengambilan data haruslah diperhatikan. Karena banyak hal-hal yang tidak bisa kita prediksikan dapat terjadi dan menjadi tantangan tersendiri di lapangan.
Objek dari survey lapangan atau sebar kuesioner lapangan kali ini dalam kategori sangat menantang. Target spesifik yang menjadi kriteria dari responden adalah pejabat atau staff keuangan dari 48 SKPD yang ada dipemerintahan Jakarta Barat. Kategori sangat menantang di sini, karena merupakan organisasi pemerintah sehingga prosedural birokrasi sangat diperhatikan dan yang didapati sangat rumit.
Crew lapangan yang diturunkan pada survey lapangan kali ini sebanyak 2 orang. Rata-rata tenaga yang kita pakai berusia antara 20 s.d 25 tahun. Selain muda semangatnya pun OK untuk menjaga kualitas hasil survey yang kita lakukan. Selain itu, crew yang well educated (rata-rata sedang menempuh perkuliahan) memberikan nilai plus tersendiri, selain dari pola bahasa dalam komunikasi yang baik, yang terpenting behave yang menyenangkan bagi responden kita.
Proses survey yang sangat challenging yang tim kita temui di lapangan, wellplanning dan well strategy dalam melakukan survey lapangan kali ini sangat diperlukan sekali, sekali lagi cost and time effective dalam penelitian. Calon responden yang kita hadapi adalah responden memiliki kecenderungan untuk menolak sangat tinggi dikarenakan frame bermanfaatnya research menjadi tantangan tersendiri di lapangan. Benefit first. Prosedural, karena yang kita datangi merupakan institusi pemerintahan kelengkapan permohonan perijinan perlu dipersiapkan oleh tim lapangan untuk mempermudah proses komunikasi dan legalitas. Biaya dan Waktu, yang kita temui di lapangan dikarenakan birokrasi oleh karena ada jeda waktu tunggu yang lumayan untuk memperoleh kepastian “bisa ikut berpartisipasi” dan atau “tidak bisa ikut berpartisipasi”, otomatis menjadi estimasi budget tambahan yang harus dipersiapkan. Effort Tim Lapangan, jarak tempuh, kondisi serta situasi alam yang menjadi tantangan tersendiri bagi tim lapangan, diperlukan tim tangguh di lapangan.
Saran kita berdasarkan pengalaman di lapangan diperlukan extra time untuk melakukan penelitian dengan kriteria responden dari institusi pemerintahan. Rencana time line research yang harus well planning dan well organized. Networking atau Offering Benefits mungkin bisa jadi instrumen yang dapat mempermudah dan mempercepat dalam proses pengambilan data lapangan.
Khusus untuk wilayah atau area Jakarta bagi peneliti yang hendak untuk collect data sendiri, mendapatkan surat pengantar riset dari pihak pemerintah tidak lagi mencari di Kesbangpol akan tetapi dengan adanya pelayanan terpadu maka peneliti hendaknya memproses pendaftaran untuk mendapatkan rilis surat ijin riset di PTSP. Yang harus diperhatikan adalah kelengkapan riset yang harus peneliti bawa sebelumnya diantaranya adalah proposal riset dll.
Sharing singkat ini, semoga bermanfaat dalam membantu rekan-rekan peneliti dalam membangun frame awal sebelum melakukan survey di lapangan. Kami akan share banyak pengalaman kami di lapangan pada kesempatan yang lain. SEMANGAT MENELITI!!!
Pada kesempatan kali ini kita akan sharing pengalaman kita di lapangan, survey lapangan atau sebar kuesioner, yang berbeda dengan sharing pada kesempatan sebelumnya. Survey lapangan atau sebar kuesioner kali ini, hendak menggali informasi atau perspektif dari warga masyarakat di sekitar pembangunan MRT Jakarta dengan radius 5 km s.d 7 km, guna mendapatkan informasi terkait kebiasaan dan pilihan moda transportasi yang digunakan warga Jakarta untuk menuju tempat aktivitasnya (Misal : kerja, sekolah, dagang atau kuliah). Sekali lagi bahwa persiapan fisik maupun pengetahuan terhadap medan lapangan yang akan dijadikan sasaran pengambilan data haruslah diperhatikan. Karena banyak hal-hal yang tidak bisa kita prediksikan dapat terjadi dan menjadi tantangan tersendiri di lapangan.
Objek dari survey lapangan atau sebar kuesioner lapangan kali ini dalam kategori gampang-gampang susah. Target spesifik yang menjadi kriteria dari responden adalah warga masyarakat yang mewakili sebuah keluarga di wilayah Jakarta, yang memiliki keseharian aktivitas di ibu kota Jakarta, baik itu yang beraktivitas dengan menggunakan pribadi maupun dengan menggunakan kendaraan umum. Kriteria objek yang cukup mudah pada perkiraan awal karena seperti kita tahu bahwa warga masyarakat biasanya welcome dengan riset, apalagi dilakukan kaitannya dengan pendidikan. Pada realitanya didapati pula kesulitan tertentu, di antaranya adalah faktor kesediaan responden dan waktu yang tepat dalam bertemu dengan calon responden. Sehingga diperlukan effort ekstra tidak hanya proses komunikasi yang diharuskan baik, akan tetapi extra time agar didapatkan waktu pas untuk bertemu target responden (week end dan waktu sore hingga malam hari).
Crew lapangan yang diturunkan pada survey lapangan kali ini sebanyak 4 orang. Rata-rata tenaga yang kita pakai berusia antara 20 s.d 25 tahun. Selain muda semangatnya pun OK untuk menjaga kualitas hasil survey yang kita lakukan. Selain itu, crew yang well educated (rata-rata sedang menempuh perkuliahan) memberikan nilai plus tersendiri, selain dari pola bahasa dalam komunikasi yang baik, yang terpenting behave yang menyenangkan bagi responden kita.
Meskipun relatif tidak ada kendala yang berarti di lapangan yang tim kita temui, planning dan strategi yang terukur dalam melakukan survey lapangan tetap perlu diperhatikan. Perlu pendekatan kepada para tokoh masyarakat (RT dan RW setempat) agar penerimaan warga terhadap tim lapangan kita tidak terkendala. Dan hal ini memudahkan tim kita dilapangan dalam mendapatkan responden, sehingga berpengaruh pada proses pengambilan data di lapangan yang relatif lebih cepat.
Tools lain yang kita gunakan dalam mendapatkan target sampel adalah gimmick atau souvenir survey, hal sangat sepele tapi sangat bermanfaat dalam proses persuasif kepada calon responden. Meskipun perlu ada budget tambahan dalam RAB peneliti, akan tetapi hal ini worthed untuk dilakukan dalam mempercepat proses survey lapangan.
Sharing singkat ini, semoga bermanfaat dalam membantu rekan-rekan peneliti dalam membangun frame awal sebelum melakukan survey dilapangan. Kami akan share banyak pengalaman kami di lapangan pada kesempatan yang lain. SEMANGAT MENELITI!!!
Kita akan sedikit review kembali pembahasan kita terkait SEM dan SEM PLS, yang banyak sekali didapati kebingungan penggunaannya pada sebagian peneliti atau data master yang masuk melalui beberapa pertanyaan kepada kita. Bahwa peneliti tidak perlu memaksakan data yang dimiliki untuk memilih SEM sebagai final tools untuk menghasilkan model struktural atas data yang dimiliki, sedangkan data tersebut memiliki banyak kelemahan dalam pemenuhan asumsi model SEM.
Tidak sedikit akhirnya peneliti atau data master melakukan manipulasi data (terutama pada penelitian sosial-angket) hanya agar diperoleh output model SEM dengan LISREL (salah satunya). Perlu dipahami bahwa ada alternatif lain bagi peneliti atau data master dalam menghasilkan model struktural atas data yang dimiliki ketika asumsi-asumsi model SEM tidak terpenuhi yaitu dengan SEM-PLS, hal ini agar peneliti atau data master tetap dapat menjaga keaslian hasil dari penelitian yang dilakukan.
Lebih dalam terkait dengan SEM dan SEM-PLS kita akan uraikan pada bagian berikut.
Pengertian PLS
Dalam sebuah penelitian sering kali peneliti dihadapkan pada kondisi di mana ukuran sampel cukup besar, tetapi memiliki landasan teori yang lemah dalam hubungan di antara variable yang dihipotesiskan. Namun tidak jarang pula ditemukan hubungan di antara variable yang sangat kompleks, tetapi ukuran sampel data kecil. Partial Least Square (PLS) adalah salah satu metode alternative Structural Equation Modeling (SEM) yang dapat digunakan untuk mengatasi permasalahan tersebut.
Terdapat dua pendekatan dalam Structural Equation Modeling (SEM), yaitu SEM berbasis covariance (Covariance Based-SEM, CB-SEM) dan SEM dengan pendekatan variance (VB-SEM) dengan teknik Partial Least Squares (PLS-SEM). PLS-PM kini telah menjadi alat analisis yang popular dengan banyaknya jurnal internasional atau penelitian ilmiah yang menggunakan metode ini. Partial Least Square disingkat PLS merupakan jenis analisis SEM yang berbasis komponen dengan sifat konstruk formatif. PLS pertama kali digunakan untuk mengolah data di bidang economertrics sebagai alternative teknik SEM dengan dasar teori yang lemah. PLS hanya berfungsi sebagai alat analisis prediktor, bukan uji model.
Semula PLS lebih banyak digunakan untuk studi bidang analytical, physical dan clinical chemistry. Disain PLS dimaksudkan untuk mengatasi keterbatasan analisis regresi dengan teknik OLS (Ordinary Least Square) ketika karakteristik datanya mengalami masalah, seperti : (1). ukuran data kecil, (2). adanya missing value, (3). bentuk sebaran data tidak normal, dan (4). adanya gejala multikolinearitas. OLS regression biasanya menghasilkan data yang tidak stabil apabila jumlah data yang terkumpul (sampel) sedikit, atau adanya missing values maupun multikolinearitas antar prediktor karena kondisi seperti ini dapat meningkatkan standard error dari koefisien yang diukur (Field, 2000 dalam Mustafa dan Wijaya, 2012:11).
PLS yang pada awalnya diberi nama NIPALS (Non-linear Iterative Partial Least Squares) juga dapat disebut sebagai teknik prediction-oriented. Pendekatan PLS secara khusus berguna juga untuk memprediksi variable dependen dengan melibatkan sejumlah besar variable independen. PLS selain digunakan untuk keperluan confirmatory factor analysis (CFA), tetapi dapat juga digunakan untuk exploratory factor analysis (EFA) ketika dasar teori konstruk atau model masih lemah. Pendekatan PLS bersifat asymptotic distribution free (ADF), artinya data yang dianalisis tidak memiliki pola distribusi tertentu, dapat berupa nominal, kategori, ordinal, interval dan rasio.
Pendekatan PLS lebih cocok digunakan untuk analisis yang bersifat prediktif dengan dasar teori yang lemah dan data tidak memenuhi asumsi SEM yang berbasis kovarian. Dengan teknik PLS, diasumsikan bahwa semua ukuran variance berguna untuk dijelaskan. Karena pendekatan mengestimasi variable laten diangap kombinasi linear dari indikator, masalah indereminacy dapat dihindarkan dan memberikan definisi yang pasti dari komponen skor. Teknik PLS menggunakan iterasi algoritma yang terdiri dari serial PLS yang dianggap sebagai model alternative dari Covariance Based SEM (CB-SEM). Pada CB-SEM metode yang dipakai adalah Maximum Likelihood (ML) berorientasi pada teori dan menekankan transisi dari analisis exploratory ke confirmatory. PLS dimaksudkan untuk causal-predictive analysis dalam kondisi kompleksitas tinggi dan didukung teori yang lemah.
Seperti penjelasan di muka, metode PLS juga disebut teknik prediction-oriented. Pendekatan PLS secara khusus berguna untuk meprediksi variable dependen dengan melibatkan banyak variable independen. CB-SEM hanya mampu memprediksi model dengan kompleksitas rendah sampai menengah dengan sedikit indikator.
VB-SEM (PLS-SEM ) vs. CB-SEM (AMOS dan LISREL)
Analisis SEM secara umum dapat dibedakan menjadi Variance Based SEM (VB SEM) dan Covariace Based SEM (CBSEM). Pendekatan PLS-SEM didasarkan pada pergeseran analisis dari pengukuran estimasi parameter model menjadi pengukuran prediksi model yang relevan. PLS-SEM menggunakan algoritma iteratif yang terdiri atas beberapa analisis dengan metode kuadrat terkecil biasa (Ordinary Least Squares). Oleh karena itu, dalam PLS-SEM persoalan identifikasi tidak penting. PLS-SEM justru mampu menangani masalah yang biasanya muncul dalam analisis SEM berbasis kovarian. Pertama, solusi model yang tidak dapat diterima (inadmissible solution) seperti munculnya nilai standardized loading factor > 1 atau varian bernilai 0 atau negatif. Kedua, faktor indeterminacy yaitu faktor yang tidak dapat ditentukan seperti nilai amatan untuk variable laten tidak dapat diproses. Karena PLS memiliki karakteristik algoritma interatif yang khas, maka PLS dapat diterapkan dalam model pengukuran reflektif maupun formatif. Sedangkan analisis CB-SEM hanya menganalisis model pengukuran reflektif (Yamin dan Kurniawan, 2011:15).
Dengan demikian, PLS-SEM dapat dikatakan sebagai komplementari atau pelengkap CB SEM (AMOS dan LISREL) bukannya sebagai pesaing. Terdapat 10 kriteria perbandingan sederhana antara penggunaan VBSEM (PLS–SEM) dengan CBSEM (AMOS dan LISREL) dapat dilihat pada Table 1.1.
Dengan berbekal informasi di atas, diharapakan dapat memperjelas bagi peneliti atau data master dalam menerapkan data pada model struktural yang hendak di bentuknya, SEM atau SEM-PLS. Diharapkan juga bahwa peneliti atau data master tidak memaksakan model SEM pada data sedangkan pemenuhan asumsi pada pemodelan SEM sangat lah kurang (banyak kasus dengan memanipulasi data – terutama pada penelitian sosial). Dari informasi di atas jelaslah bahwa dengan penggunaan SEM-PLS sangat tepat untuk peneliti atau data master yang memiliki data yang memiliki banyak kekurangan dalam pemenuhan asumsi model SEM. Hal ini guna memperoleh hasil maksimal dari pemodelan SEM yang dilakukan dan secara prinsip SEM-PLS merupakan alat yang sama dalam pencarian jawaban atas pemodelan struktural suatu teori atas data yang dimiliki. SEMANGAT MEMAHAMI!!!
Banyak pertanyaan yang masuk kepada kita terkait dengan uji kebaikan model dari model SEM PLS dan output yang dihasilkan oleh software SmartPLS. Pada prinsipnya secara umum ada kesamaan ketika mengevaluasi model SEM antara SEM-PLS dengan SEM. Secara kasat mata peneliti atau data master dapat melihat langsung nilai loading faktor dan nilai statistik t yang muncul langsung pada diagram model untuk menentukan apakah terdapat pengaruh variabel manifest terhadap latenya serta variabel endogen terhadap eksogen berarti ataukah tidak (signifikansi).
Karena memang basis pengolahannya yang berbeda (Baca Artikel : SmartPLS) dimana SEM menggunakan matriks kovarians atau korelasi sebagai basis pengolahannya sedangkan SEM PLS menggunakan matriks varians sebagai basis pengolahannya sehingga memungkinkan menghasilkan evaluasi yang berbeda terhadap output hasilnya. Selain itu, pada SEM PLS dapat digunakan jumlah sampel yang kecil dibandingkan pada SEM, sehingga SEM PLS sering disebut juga non parametrik pada analisis struktural dan SEM merupakan parametrik pada analisis struktural sehingga memungkinkan menghasilkan evaluasi yang berbeda terhadap output hasilnya pula.
Yang sedikit mencolok yang membedakan pengujian kebaikan model antara SEM dengan SEM PLS adalah terletak dari jumlah pengujian. Dimana pengujian pada SEM PLS lebih sedikit dibandingkan dengan pengujian pada SEM. (Baca Artikel : Uji Kebaikan Model SEM).
Pada kesempatan kali ini kita akan coba uraikan secara singkat penujian kebaikan model SEM PLS berdasarkan teori dan output yang dihasilkan oleh software SmartPLS, sebagai berikut.
Model hubungan variable laten dalam SEM PLS terdiri dari tiga jenis ukuran, yaitu : (1). Inner model yang menspesifikasikan hubungan antar variable laten berdasarkan substantive theory, (2). Outer model yang menspesifikasi hubungan antar variable laten dengan indikator atau variable manifest-ntya (disebut measurement model). Outer model sering disebut outer relation yang mendefinisikan bagaimana setiap blok indicator berhubungan dengan variable laten yang dibentuknya. (3). Weight relation, yaitu estimasi nilai dari variable latent.
Individual Item Reliability : pemeriksaan individual item reliability, dapat dilihat dari nilai standardized loading factor. Standardized loading factor menggambarkan besarnya korelasi antara setiap item pengukuran (indikator) dengan konstruknya. Nilai loading factor > 0.7 dikatakan ideal, artinya indicator tersebut dikatakan valid mengukur konstruknya. Dalam pengalaman empiris penelitian, nilai loading factor > 0.5 masih dapat diterima. Dengan demikian, nilai loading factor < 0.5 harus dikeluarkan dari model (di-drop). Nilai kuadrat dari nilai loading factor disebut communalities. Nilai ini menunjukkan persentasi konstruk mampu menerangkan variasi yang ada dalam indikator.
Internal Consistency atau Construct Reliability : kita melihat internal consistency reliability dari nilai Cronbach’s Alpha dan Composite Reliability (CR). Composite Reliability (CR) lebih baik dalam mengukur internal consistency dibandingkan Cronbach’s Alpha dalam SEM karena CR tidak mengasumsikan kesamaan bobot dari setiap indikator. Cronbach’s Alpha cenderung menaksir lebih rendah construct reliability dibandingkan Composite Reliability (CR). Interpretasi Composite Reliability (CR) sama dengan Cronbach’s Alpha. Nilai batas > 0.7 dapat diterima, dan nilai > 0.8 sangat memuaskan.
Average Variance Extracted (AVE) : Ukuran lainnya dari covergent validity adalah nilai Average Variance Extracted (AVE). Nilai AVE menggambarkan besarnya varian atau keragaman variable manifest yang dapat dimiliki oleh konstruk laten. Dengan demikian, semakin besar varian atau keragaman variable manifest yang dapat dikandung oleh konstruk laten, maka semakin besar representasi variable manifest terhadap konstruk latennya. Fornell dan Larcker (1981) dalam Ghozali (2014:45) dan Yamin dan Kurniawan (2011:18) merokemndasikan penggunaan AVE untuk suatu criteria dalam menilai convergent validity. Nilai AVE minimal 0.5 menunjukkan ukuran convergent validity yang baik. Artinya, variable laten dapat menjelaskan rata-rata lebih dari setengah varian dari indikator-indikatornya. Nilai AVE diperoleh dari penjumlahan kuadrat loading factor dibagi dengan error. Ukuran AVE juga dapat digunakan untuk mengukur reliabilitas component score variable latent dan hasilnya lebih konservatif dibandingkan dengan composite reliability (CR). Jika semua indicator distandarkan, maka nilai AVE akan sama dengan rata-rata nilai block communalities.
> Discriminant Validity : discriminant validity dari model reflektif dievaluasi melalui cross loading, kemudian dibandingkan nilai AVE dengan kuadrat dari nilai korelasi antar konstruk (atau membandingkan akar kuadrat AVE dengan korelasi antar konstruknya). Ukuran cross loading adalah membandingkan korelasi indikator dengan konstruknya dan konstruk dari blok lainnya. Bila korelasi antara indicator dengan konstruknya lebih tinggi dari korelasi dengan konstruk blok lainnya, hal ini menunjukkan konstruk tersebut memprediksi ukuran pada blok mereka dengan lebih baik dari blok lainnya. Ukuran discriminant validity lainnya adalah bahwa nilai akar AVE harus lebih tinggi daripada korelasi antara konstruk dengan konstruk lainnya atau nilai AVE lebih tinggi dari kuadrat korelasi antara konstruk.
2. Evaluasi Model Pengukuran Formatif
Sedikitnya ada lima isu kritis untuk menentukan kualitas model formatif, yaitu :
Content specification, berhubungan dengan cakupan konstruk laten yang akan diukur. Artinya kalau mau meneliti, peneliti harus seringkali mendiskusikan dan menjamin dengan benar spesifikasi isi dari konstruk tersebut.
Specification indicator, harus jelas mengidentifikasi dan mendefinisikan indikator tersebut. Pendefinisian indicator harus melalui literature yang jelas serta telah mendiskusikan dengan para ahli dan divalidasi dengan beberapa pre-test.
Reliability indicator, berhubngan dengan skala kepentingan indicator yang membentuk konstruk. Dua rekomendasi untuk menilai reliability indicator adalah melihat tanda indikatornya sesuai dengan hipotesis dan weight indicator-nya minimal 0.2 atau signifikan.
Collinearity indicator, menyatakan antara indikator yang dibentuk tidak saling berhubungan (sangat tinggi) atau tidak terdapat masalah multikolinearitas dapat diukur dengan Variance Inflated Factor (VIF). Nilai VIF > 10 terindikasi ada masalah dengan multikolinearitas, dan
External validity, menjamin bahwa semua indikator yang dibentuk dimasukkan ke dalam model.
Evaluasi Inner Model (Model Struktural)
Setelah mengevaluasi model pengukuran konstruk/variabel, tahap selanjutnya adalah menevaluasi model struktural atau inner model.
Langkah pertama adalah mengevaluasi model struktural adalah melihat signifikansi hubungan antar konstruk/variabel. Hal ini dapat dilihat dari koeisien jalur (path coeficient) yang menggambarkan kekuatan kekuatan hubungan antar konstruk. Tanda atau arah dalam jalur (path coefficient) harus sesuai dengan teori yang dihipotesiskan, signifikansinya dapat dilihat pada t test atau CR (critical ratio) yang diperoleh dari proses bootstrapping (resampling method).
Langkah kedua adalah mengevaluasi nilai R2. Interpretasi nilai R2 sama dengan interpretasi R2 regresi linear, yaitu besarnya variability variabel endogen yang mampu dijelaskan oleh variabel eksogen. Menurut Chin (1998) dalam Yamin dan Kurniawan (2011:21) kriteria R2 terdiri dari tiga klasifikasi, yaitu : nilai R2 0.67, 0.33 dan 0.19 sebagai substansial, sedang (moderate) dan lemah (weak). Perubahan nilai R2 dapat digunakan untuk melihat apakah pengaruh variabel laten eksogen terhadap variabel laten endogen memiliki pengaruh yang substantif. Hal ini dapat diukur dengan effect size f2. Menurut Cohen (1988) dalam Yamin dan Kurniawan (2011:21) Effect Size f2 yang disarankan adalah 0.02, 0.15 dan 0.35 dengan variabel laten eksogen memiliki pengaruh kecil, moderat dan besar pada level struktural
Untuk memvalidasi model struktural secara keseluruhan digunakan Goodness of Fit (GoF). GoF indeks merupakan ukuran tunggal untuk memvalidasi performa gabungan antara model pengukuran dan model struktural. Nilai GoF ini diperoleh dari akar kuadrat dari average communalities index dikalikan dengan nilai rata-rata R2 model. Nilai GoF terbentang antara 0 sd 1 dengan interpretasi nilai-nilai : 0.1 (Gof kecil), 0,25 (GoF moderate), dan 0.36 (GoF besar).
Pengujian lain dalam pengukuran struktural adalah Q2predictive relevance yang berfungsi untuk memvalidasi model. Pengukuran ini cocok jika variabel latin endogen memiliki model pengukuran reflektif. Hasil Q2predictive relevance dikatakan baik jika nilainya > yang menunjukkan variabel laten eksogen baik (sesuai) sebagai variabel penjelas yang mampu memprediksi variabel endogennya.
Seperti analisis menggunakan CB-SEM, analisis dengan PLS-SEM juga menggunakan dua tahapan penting, yaitu measurement model dan structural model. Data dalam measurement model dievaluasi untuk menentukan validitas dan reliabilitasnya. Bagian dari measurement model terdiri dari : (1). Individual loading dari setiap item pertanyaan. (2). Internal Composite Reliability (ICR). (3). Average Variance Extracted (AVE), dan (4). Discriminant Validity.
Apabila data memenuhi syarat dalam measurement model, maka tahap selanjutnya adalah mengevaluasi structural model. Dalam structural model hipotesis diuji melalui signifikansi dari : (1). Path coefficient, (2). T-statistic, dan (3). r-squared value. SEMANGAT MEMAHAMI!!!
Mungkin banyak yang bertanya-tanya ketika kita sedang coba mempelajari dan memahami analisis regresi rumpun regresi dengan variabel dependen (Y) berupa kategori. Karena istilah tersebut sering sekali muncul dan merupakan salah satu nilai yang penting dalam interpretasi hasil analisis dari analisis regresi dalam rumpun analisis regresi logistik.
Selain itu, bagi para peneliti terutama dalam penelitian medis pun istilah odds atau odds rasio seringkali muncul karena berkaitan dengan pola perbandingan (efektivitas) dan ditemukan dalam penyelesaian kasus dengan menggunakan pendekatan tabel tabulasi silang (cross tabulasi).
Ada baiknya sebelum kita mempelajari lebih lanjut terkait alat analisis yang ada kaitannya dengan nilai odds dan odds rasio, kita coba untuk memahami pengertian dan pemaknaan dari nilai odds dan odds rasio tersebut. Pada kesempatan kali ini kita akan coba ulas dan pelajari bersama kedua nilai dan istilah tersebut.
Odds
Probabilitas (peluang) adalah pernyataan kuantitatif mengenai kemungkinan suatu kejadian akan terjadi. Ukuran probabilitas dikaitkan dengan suatu kejadian Y dan dinyatakan sebagai P(Y) yang bernilai 0 ≤ P(Y) ≤ 1. Odds suatu kejadian Y, dinyatakan sebagai O(Y), adalah rasio probabilitas antara 2 outcome suatu variabel biner, yaitu rasio antara probabilitas terjadinya suatu kejadian Y dengan probabilitas tidak terjadinya kejadian Y tersebut:
Jika peristiwa terjadinya suatu kejadian Y dinyatakan dengan nilai Y = 1 dan peristiwa tidak terjadinya kejadian Y dengan nilai Y = 0, maka odds kejadian Y adalah:
dan odds tidak terjadinya kejadian Y adalah:
Odds Rasio
Pada studi epidemiologi dengan prediktor biner sebagai variabel independen dan respons yang juga biner sebagai variabel dependen, ringkasan data dapat disajikan dalam bentuk tabel 2×2 berikut:
Tabel 1. Tabulasi Silang 2 x 2
Odds bersyarat Y, yaitu odds Y dengan syarat prediktor X ada ialah:
Sedangkan odds Y dengan syarat prediktor X tidak ada yaitu:
Rasio antara keduanya dinamakan rasio odds (odds ratio), sebagai estimasi untuk nilai rasio odds dalam populasi, yaitu:
Sedangkan, untuk prediktor kontinu, rasio odds dihitung sebagai rasio odds untuk dua keadaan dengan perubahan 1 satuan satuan variabel independen, dengan asumsi rasio ini konstan di sepanjang perubahan nilai variabel independen, yang ringkasan datanya disajikan pada tabel berikut:
Rasio odds untuk prediktor kontinu adalah:
Sebagai gambaran redaksi interpretasi nilai odds rasio yang diperoleh dari hasil perhitungan adalah sebagai berikut : “Odds rasio disini dihitung dengan membandingkan pola makan baik dengan pola makan buruk. Odds rasio untuk hasil diabetes dihitung dengan membandingkan peluang memiliki pola makan baik yang diabetes dengan memiliki pola makan buruk yang diabetes. Odds rasio berdasarkan output SPSS dapat yaitu 0.434. Artinya pola makan baik memiliki resiko untuk diabetes 0.434 kali dibandingkan dengan memiliki pola makan buruk. Hal ini mengindikasikan bahwa dengan pola makan baik akan mengurangi resiko untuk terkena diabetes”
Seperti yang telah kita ketahui bersama bahwa penggunaan odds dan odds rasio sangat berguna dalam membantu menginterpretasikan hasil dari beberapa alat analisis statistik. Beberapa diantaranya adalah penggunaannya pada analisis tabulasi silang dan analisis regresi logistik. Dimana odds dan odds rasio bermanfaat dalam menginterpretasikan besaran nilai peluang suatu kejadian atas kejadian yang lain. Sehingga membantu peneliti atau data master dalam memahami suatu kesimpulan dari analisis data yang telah dilakukan. SEMANGAT MEMAHAMI!!!
Pada kesempatan kali ini kita akan sharing pengalaman kita di lapangan, survey lapangan atau sebar kuesioner, yang berbeda dengan sharing pada kesempatan sebelumnya. Survey lapangan atau sebar kuesioner kali ini, hendak menggali informasi atau perspektif dari perokok Remaja Perempuan di Kota Tangerang, dalam hal perilakunya dalam merokok (faktor kebiasaan dan lingkungan). Sekali lagi bahwa persiapan fisik maupun pengetahuan terhadap medan lapangan yang akan dijadikan sasaran pengambilan data haruslah diperhatikan. Karena banyak hal-hal yang tidak bisa kita prediksikan dapat terjadi dan menjadi tantangan tersendiri di lapangan.
Objek dari survey lapangan atau sebar kuesioner lapangan kali ini dalam kategori gampang-gampang susah. Target spesifik yang menjadi kriteria dari responden adalah remaja perempuan dengan usia antara 17 s.d 21 tahun yang merokok dalam tiga kategori perokok ringan, sedang dan berat. Kriteria objek yang cukup sulit karena seperti kita tahu bahwa perempuan perokok di Indonesia tidak banyak terekspose dan merupakan sesuatu yang aneh (tabu) jika melihat perempuan merokok (khususnya remaja) sehingga didapati pula kesulitan tertentu. Oleh karena, pemilihan lokasi berkumpulnya calon responden yang memenuhi kriteria harus diprediksikan.
Crew lapangan yang diturunkan pada survey lapangan kali ini sebanyak 2 orang. Rata-rata tenaga yang kita pakai berusia antara 20 s.d 25 tahun. Selain muda semangatnya pun OK untuk menjaga kualitas hasil survey yang kita lakukan. Selain itu, crew yang well educated (rata-rata sedang menempuh perkuliahan) memberikan nilai plus tersendiri, selain dari pola bahasa dalam komunikasi yang baik, yang terpenting behave yang menyenangkan bagi responden kita.
Meskipun relatif tidak ada kendala yang berarti di lapangan yang tim kita temui, planning dan strategi yang terukur dalam melakukan survey lapangan tetap perlu diperhatikan. Calon responden yang kita hadapi adalah responden yang tetap memiliki kecenderungan untuk menolak dikarenakan issue yang melatarbelakangi survey lapangan ini, yaitu tentang Rokok (framing “abu-abu” terkait dengan personal image). Perlu penjelasan yang persuasif dan ringan agar dapat meyakinkan calon responden atas tujuan survey yang dilakukan tidak menyentuh hal-hal yang sensitif tentang private information yang sangat dijaga kerahasiaanya oleh responden.
Tools lain yang kita gunakan dalam mendapatkan target sampel tersebut adalah gimmick atau souvenir survey, hal sangat sepele tapi sangat bermanfaat dalam proses persuasif kepada calon responden. Meskipun perlu ada budget tambahan dalam RAB peneliti, akan tetapi hal ini worthed untuk dilakukan dalam mempercepat proses survey lapangan.
Sharing singkat ini, semoga bermanfaat dalam membantu rekan-rekan peneliti dalam membangun frame awal sebelum melakukan survey dilapangan. Kami akan share banyak pengalaman kami di lapangan pada kesempatan yang lain. SEMANGAT MENELITI!!!
Pada kesempatan sebelumnya kita sudah mengupas secara konsepsi analisis regresi ordinal atau analisis regresi dengan data variabel dependen (Y) merupakan kategori berjenjang (level atau tingkatan) lebih dari 2 kategori. Sedikit mereview pembahasan artikel kita tentang analisis regresi ordinal bahwa model yang dihasilkan nantinya akan ada sebanyak k-1 buah persamaan regresi logistik (regesi logistik biner). Sehingga untuk memahami persamaan regresi ordinal yang nantinya dihasilkan, para peneliti atau data master diharapkan memahami pula konsepsi dari analisis regresi logistik (data binner).
Hal lain yang perlu diperhatikan pula oleh para peneliti atau data master adalah adanya variabel kategori lainnya dalam model regresi yang dibentuk. Utamanya adalah variabel kategori (dummy) pada variabel independen (X) sehingga berlaku pula aturan pemodelan dengan melibatkan variabel X dummy (baca artikel : regresi variabel X dummy). Kenapa kita ulas demikian karena dalam penggunaannya, tidak jarang variabel-variabel independen dummy ikut dilibatkan dalam pemodelan dan pada aplikasi SPSS juga difasilitasi bentuk variabel independen kategori (dummy) dalam proses pemodelannya.
Agar lebih tergambar dan lebih jelas lagi dalam pengaplikasiannya, pada bagian berikut kita akan coba uraikan tahapan-tahapan penggunaan SPSS dalam menghasilkan model regresi ordinal.
1. Persiapkan data yang kita miliki dalam file excel seperti tampak pada gambar berikut. Pastikan variabel yang kita miliki merupakan variabel kategori untuk variabel Y-nya (lebih dari 2 kategori berjenjang), sesuai dengan judul yang kita akan ujikan pada kesempatan kali ini.
2. Buka software SPSS lalu definisikan variabel penelitian kita pada jendela Variabel View, setelahnya masukan data ke dalam software SPSS melalui jendela Data View. Dalam tampilan SPSS akan terlihat seperti gambar berikut :
Gambar 1. Data View Gambar 2. Variabel View
3. Pilih menu Analyze lalu klik Regression lalu pilih Ordinal lalu klik, maka akan muncul jendela SPSS seperti gambar di bawah ini, yang berisikan menu-menu kelengkapan analisis regresi dengan model ordinal. Masukan variabel-variabel pada sisi sebelah kanan ke dalam kolom pendefinisian variabel yaitu dependent (untuk variabbel Y dummy berjenjang), factors (untuk variabel X dummy) dan covariate (untuk variabel X dengan skala ukur interval/rasio) guna menghasilkan model regresi ordinal yang kita inginkan
4. Klik menu Option untuk mendefinisikan proses yang akan dilakukan oleh SPSS terhadap data dalam proses pemodelan regresi ordinal. Perlu diperhatikan perubahan pada menu option dilakukan harus disesuaikan dengan pemahaman peneliti terhadap teori yang mendasarinya, jika tidak peneliti dapat menggunakan settingan default pada SPSS. Setelah kita definisikan lalu klik Continue.
5. Klik menu Output, pada menu ini didefinisikan seluruh output yang diharapkan dari proses pemodelan regresi ordinal. Sama halnya dengan pada menu Option, perubahan pada menu output dapat dilakukan disesuaikan dengan pemahaman peneliti terhadap teori dan tujuan penggunaan model regresi ordinal yang mendasarinya, jika tidak peneliti dapat menggunakan settingan default pada SPSS. Lalu klik Continue.
6. Dan pada dua menu lainnya yaitu Location dan Scale digunakan dengan berdasarkan pemahaman peneliti terhadap teori yang mendasarinya, jika tidak peneliti dapat menggunakan settingan default pada SPSS.
7. Maka tampilan akhir jendela pemodelan regresi ordinal akan tampak seperti gambar berikut. Jika sudah yakin dengan semua kelengkapan analisis yang akan di terapkan pada data, lalu klik OK.
8. Maka SPSS akan memproses pembentukan model regresi ordinal dan akan muncul tampilan output SPSS seperti gambar di bawah ini.
Gambar 1. Output SPSS Goodness of Fit Model Gambar 2. Koefisien Regresi Ordinal
9. Selain itu dengan melihat pada SPSS Data Editor, kita dapat melihat nilai peluang dan kategori hasil prediksi yang dihasilkan dari model regresi ordinal yang dihasilkan. Seperti tampak pada gambar di bawah ini.
Dari tahapan pengujian data atas model regresi ordinal yang perlu dicermati oleh peneliti adalah hasil peluang kategori hasil prediksi yang dihasilkan oleh model. Peluang yang dihasilkan seperti telah dijelaskan pada artikel sebelumnya adalah untuk kepentingan pengelompokan salah satunya. Dan lainnya untuk diinterpretasikan secara langsung penggolongan unit data atas suatu kelompok yang diujikan (merujuk pada pengelompokan pada variabel Y). Pengelompokan yang dihasilkan salah satunya berguna dalam menghasilkan nilai rasio kemungkinan atau odds yang dapat sangat membantu peneliti dalam interpretasi perbandingan antar kategori (sama halnya dengan analisis regresi logit binner).
Sampai jumpa pada pembahasan artikel selanjutnya. SELAMAT MENCOBA!!!
Ada beberapa kriteria kebaikan model yang harus terpenuhi oleh model persamaan yang dihasilkan oleh rumpun analisis regresi logistik (biner, multinomial dan atau ordinal). Pada prinsipnya pemahaman dasar dapat diperoleh dari analisis regresi karena secara umum adalah sama yaitu menguji secara umum model persamaan regresi dan uji keberartian variabel secara parsial.
Beberapa teknik pengujian pada rumpun analisis regresi logistik (biner, multinomial dan atau ordinal) diantaranya uji rasio likelihood, uji wald, deviansi, uji hosmer-lemeshow dan kriteria informasi. Secara definisi dan pemahaman dalam penggunaannya kita akan coba uraikan secara singkat satu per satu pada uraian berikut.
Uji Rasio Likelihood
Misalkan dimiliki 2 model regresi logistik untuk dataset yang sama dengan model regresi kedua tersarang dalam model pertama. Maka model pertama dinamakan model lengkap (full model-model dengan semua parameter), sedangkan model kedua dinamakan model tereduksi (reduced model-model hanya konstanta atau sebagian parameter).
Uji statistik untuk memperbandingkan kedua model tersebut dapat dilakukan dengan uji rasio likelihood. Jika model pertama memiliki fungsi likehood −2 ln L1 dengan (p + k) parameter dan model kedua memiliki fungsi likehood −2 ln L2 dengan p parameter, maka statistik pengujinya adalah:
Dimana persamaan di atas berdistribusi khi-kuadrat dengan derajat bebas (p + k) – p = k. Seandainya hasil uji statistik tidak menunjukkan perbedaan antara model lengkap dengan model tereduksi, maka berdasarkan prinsip parsimoni yang dipilih adalah model tereduksi.
Uji Wald
Dengan uji rasio likelihood dapat diuji kemaknaan 1 ataupun beberapa prediktor (variabel bebas) sekaligus. Jika uji melibatkan dua atau lebih prediktor dan diperoleh hasil bermakna, tidak diketahui prediktor mana saja yang menyebabkan kemaknaan tersebut. Uji Wald menguji kemaknaan tiap prediktor satu demi satu, masing-masing terhadap hipotesis H0 : bj = 0.
Sebagian ahli Statistika menganggapnya sebagai pengujian ganda (multiple testings) yang memerlukan koreksi untuk kesalahan tipe I-nya, misalnya dengan metode Bonferroni.
Statistik penguji untuk uji Wald adalah:
Dimana persamaan di atas berdistribusi normal baku. Jika hendak digunakan koreksi Bonferroni, maka seandainya terdapat (p + 1) parameter dalam model (b0 ,b1, . . . ,bp ) dan akan digunakan tingkat signifikansi, maka batas kemaknaan yang seharusnya digunakan adalah:
Deviansi
Deviansi (deviance) merupakan ukuran kebaikan-suai (goodness of fit; GOF) yang lazim digunakan untuk model regresi logistik. Deviansi adalah rasio antara fungsi likelihood model peneliti dengan fungsi likelihood model jenuh:
Lc : Likelihood model peneliti, yaitu model yang menggunakan estimasi koefisien regresi b dan akan dihitung deviansinya. Lmax : Likelihood model jenuh
Model jenuh (saturated model) adalah model yang jumlah parameternya sama dengan ukuran sampel. Model jenuh akan menghasilkan prediksi nilai-nilai respons yang sempurna:
Deviansi memiliki rentang nilai yang berkisar dari nol sampai dengan positif tak berhingga. Jika model peneliti memiliki (p + 1) parameter, maka deviansinya dianggap berdistribusi khi-kuadrat dengan derajat bebas {(n – (p + 1)} = (n – p – 1). Uji hipotesis kebaikan-suai dengan statistik deviansi menguji hipotesis H0 : Model sesuai data vs H1 : Model tak-sesuai data.
Dalam kenyataannya, uji hipotesis kebaikan-suai dengan statistik deviansi ini dapat menggunakan individu anggota sampel ataupun kelompok pola kovariat sebagai unit analisis. Kelompok pola kovariat (covariate pattern group) adalah kelompok yang beranggotakan subjek yang memiliki himpunan nilai prediktor yang sama. Penggunaan unit analisis yang berbeda ini akan menghasilkan nilai statistik penguji yang berbeda (rumus perhitungannya memang berbeda) dengan derajat bebas yang berbeda pula.
Pada uji hipotesis yang menggunakan kelompok pola kovariat sebagai unit analisis, maka jika jumlah kelompok pola kovariat sama dengan k, statistik penguji dianggap berdistribusi khi-kuadrat dengan derajat bebas {k – (p + 1)} = (k – p – 1).
Statistik deviansi juga dapat digunakan pada uji rasio likelihood yang memperbandingkan dua model hirarkis, yaitu model pertama tersarang dalam model kedua. Jika model pertama memiliki statistik deviansi Dev1 (b) dengan jumlah parameter (p1 +1) dan model kedua memiliki statistik deviansi Dev2 (b) dengan jumlah parameter (p2 +1), maka statistik penguji rasio likelihood-nya adalah:
Dimana persamaan di atas yang berdistribusi khi-kuadrat dengan derajat bebas (p1 + p2).
Uji Hosmer-Lemeshow
Sebagian ahli menganggap uji kebaikan-suai 1 model dengan statistik deviansi kurang valid karena pada uji untuk 1 model statistik deviansi kurang mendekati distribusi khi-kuadrat. Perbaikannya adalah dengan uji Hosmer-Lemeshow, yang juga merupakan uji khi-kuadrat tetapi bukan terhadap kelompok-kelompok pola kovariat, melainkan kelompok kuantil. Kuantil yang lazim digunakan adalah desil, dengan membagi sampel menjadi 10 desil.
Kriteria Informasi
Kriteria informasi (informational criteria) adalah statistik untuk model yang estimasi parameternya diperoleh dengan memaksimumkan fungsi likelihood-nya, digunakan untuk memperbandingkan kebaikan-suai 2 model hirarkis (salah satu model tersarang dalam model lainnya) ataupun 2 model non-hirarkis. Dua kriteria informasi yang dibahas di sini yaitu AIC (Akaike’s Informational Criteria) dan BIC (Bayesian Informational Criteria).
Pada perbandingan 2 model dengan statistik AIC dan BIC tidak dikenal distribusi statistik penguji, sehingga nilai p-nya tak dapat dihitung. Model yang dipilih adalah model dengan nilai AIC dan BIC yang lebih kecil. Kriteria penilaian selisih relatif nilai AIC antara 2 model A dan B dengan asumsi AICA < AICB menurut Hilbe (2009) adalah:
Tabel 1. Kriteria Penggunaan Nilai AIC
Kriteria penilaian selisih absolut nilai BIC antara 2 model A dan B dengan asumsi BICA < BICB menurut Raftery (1986) adalah:
Tabel 2. Kriteria Penggunaan Nilai BIC
Untuk memperluas dan memperdalam pemahaman terhadap uji kebaikan dari rumpun model regresi logistik, lebih lanjut para peneliti atau data master bisa mempelajari melalui literatur yang lebih lengkap dan mengaplikasikan data riil pada software statistik rujukan (mis : SPSS) untuk mendapatkan gambaran riil angka pengujian yang diperoleh terhadap rumpun model regresi logistik yang dihasilkan dari data. SEMANGAT MEMPELAJARI!!!
