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 para pengusaha di Jakarta, tepatnya informasi atau perspektif para pengusaha di Jakarta dalam hal pajak dan kepatuhan pajak. 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 dilapangan.
Objek dari survey lapangan atau sebar kuesioner lapangan kali ini dalam kategori gampang-gampang susah. Target spesifik yang menjadi kriteria dari responden adalah subjek pajak non-karyawan dalam hal ini pengusaha yang memiliki domisili di Jakarta dan memiliki NPWP. Target yang kita tetapkan sesuai kriteria yang disepakati adalah para pengusaha di pasar-pasar tradisional atau modern dan pengusaha di mall serta yang lainnya yang memenuhi kriteria yang ditetapkan.
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 sangat tinggi dikarenakan issue yang melatarbelakangi survey lapangan ini sedikit “menakutkan” (framing PAJAK). 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 (misal : pendapatan atau pengeluaran, karena sensitif terhadap taksiran PAJAK).
Easyness dari proses survey ini adalah jumlah populasi kriteria responden yang sangat banyak, sehingga memudahkan tim lapangan dalam memperoleh target sampel. 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!!!
Sharing pengalaman terkait proses pengambilan data lapangan atau sebar kuesioner dengan instrumen kuesioner. Bagi peneliti yang hendak collecting data lapangan dengan menggunakan instrumen kuesioner dengan cara turun langsung ke lapangan, bisa jadi tulisan ini dapat menginspirasi teknik atau strategi yang pas agar pengambilan data lapangan yang dilakukan cost and time effective.
Sesuai dengan artikel yang pernah kita tuliskan terkait dengan teknik penggunaan intrumen kuesioner baik itu dengan pertanyaan tertutup dan pertanyaan terbuka, bab persiapan diri baik itu 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 dilapangan.
Proses sebar kuesioner kali ini dilakukan di RSGM UNPAD, tujuan dilakukannya pengambilan data lapangan adalah dalam rangka mengetahui kepuasan pengunjung atas layanan dari RSGM UNPAD. Tipe kuesioner yang digunakan adalah semi tertutup, yaitu kuesioner dengan pertanyaan tertutup mendominasi dan digunakan jawaban dengan skala likert sehingga data yang diperoleh berskala ordinal.
Proses sebar kuesioner dilakukan dengan memastikan bahwa ijin untuk melakukan pengambilan data di RSGM UNPAD sudah diperoleh sehingga dalam prosesnya tidak menjadikannya kendala ketika dilapangan. Ijin dikeluarkan oleh institusi ditujukan kepada pihak berwenang di RSGM UNPAD.
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.
Perlu planning dan strategi yang terukur dalam melakukan survey lapangan di RSGM UNPAD. Calon responden yang kita hadapi adalah responden yang memiliki kecenderungan menolak sangat tinggi dikarenakan kondisi calon responden sedang dan akan berobat. Situasinya sangat cepat berubah karena kita berpacu dengan kenyamanan dan mood responden.
Selain itu, survey lapangan yang dilakukan kali ini memiliki tantangan tersendiri dari segi waktu, diperlukan tim yang sangat tangguh. Survey dilakukan pada pasien yang berkunjung pada layanan eksklusif RSGM UNPAD, sehingga bisa dipastikan tingkat visiting juga sangat tidak terlalu ramai. Jadi, disarankan untuk para peneliti yang memiliki kemiripan target responden dengan apa yang kita dapatkan, untuk mempelajari data histori kunjungan dan ini sangat bermanfaat dalam mengatur ritme dan keefektitan pelaksanaan survey serta menjaga semangat crew di 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 artikel sebelumnya kita sudah membahas konsep umum dari analisis komponen utama (AKU) atau principal component analysis (PCA). Tujuan utama dari analisis AKU atau PCA sendiri adalah untuk mereduksi data dalam arti bahwa ada peringkasan sejumlah besar variabel hanya menjadikannya beberapa (2 atau 3) komponen utama yang dapat mensarikan variasi pada sejumlah besar variabel tersebut sebesar 80% s.d 90%-nya. Cara ini sangat praktis bagi peneliti yang memiliki tantangan dengan banyaknya variabel yang ditelitinya.
Selain itu, AKU atau PCA juga dapat difungsikan sebagai salah satu solusi ketika terjadi masalah multikolinearitas pada model regresi yang terbentuk. Dengan menggunakan komponen utama yang dihasilkan dari analisis AKU atau PCA bisa dipastikan bahwa komponen utama yang terbentuk bebas dari masalah multikolinearitas sehingga sangat solutif bagi model regresi dengan masalah multikolinearitas. Keunikan lain adalah dalam hal penamaan baru bagi komponen utama yang terbentuk dengan melihat karakteristik variabel dominan yang menyusunnya (lihat nilai loading faktornya).
Pada kesempatan kali ini kita coba uraikan pengaplikasiannya pada data dengan bantuan software SPSS, yang akan diuraikan pada bagian berikut ini.
Pastikan variabel yang kita miliki memenuhi kriteria analisis AKU atau PCA yaitu sejumlah variabel yang banyak yang menyulitkan peneliti atau hendak menanggulagi masalah multikolinearitas pada model regresi.
Buka software SPSS lalu masukan data penelitian yang kita punya pada jendela Data View dan definisikan variabel yang kita punya di jendela Variable View.
Pastikan aturan yang sudah dikemukakan pada artikel sebelumnya dilakukan. Apabila satuan dari data kita berbeda lakukan standarisasi terlebih dahulu pada data yang kita punya.
Setelahnya klik pada menu Analyse, pilih menu Data Reduction dan Factor lalu klik, maka akan muncul jendela seperti gambar berikut.
Setelah itu pada menu Extraction, pilih Method pada Principal Components dan pada display centang tambahan untuk menampilkan Scree Plot, seperti tampak pada gambar berikut.
Pada menu Scores centang pada pilihan Save as variables dan pilih metode yang digunakan dalam proses menghasilkan nilai Score. Pemunculan nilai scores ini diperlukan jika hendak dilakukan analisis lanjutan terhadap data Scores yang dihasilkan.
Jika sudah yakin dengan berbagai pilihan perlakuan pada data dalam proses analisis, setelah semua variabel dimasukan ke dalam kolom Variables, lalu klik OK dan SPSS akan memproses data.
Hasil dari analisis AKU atau PCA yang diproses oleh SPSS seperti ditunjukkan pada gambar berikut. Penjelasan pada output SPSS disesuaikan dengan penjelasan pada artikel sebelumnya. Yang penting untuk diperhatikan adalah penentuan jumlah komponen utama dan besar keragaman yang dapat dijelaskan oleh komponen utama.
Ouput 1. Komponen Utama Terbentuk (Variance Explained & Scree Plot)
Output 2. Nilai Loading Komponen Utama (Component Matrix)
Selain bentuk output SPSS di atas, pada jendela Data View terdapat variabel baru yaitu skor dari komponen utama yang terbentuk. Nilai skor inilah yang nantinya menjadi data variabel baru yang dapat langsung diinterpretasikan maupun dilakukan pengujian lanjutan terhadap data variabel terbentuk.
Output 3. Score Komponen Utama (Fac1 & Fac2)
Analisis komponen utama (AKU) atau Principal Component Analysis (PCA) merupakan jenis analisis yang sederhana pada rumpun analisis multivariat interdependensi. Sesuai dengan fungsinya, AKU atau PCA berguna dalam meringkas data dalam artian komponen utama yang dihasilkan merupakan suatu kombinasi linear dari variabel-variabel asli penyusunnya dengan tetap mempertahankan maksimum varians awal. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!
Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian, aplikasi software statistik ataupun olahdata.
Pada bahasan regresi spasial baik konsepsi maupun penggunaan software pendukung yaitu GWR4, kita bertemu dengan istilah koordinat atau titik koordinat yang menunjukkan posisi wilayah (spasial) dari data yang kita miliki. Sebagai orang awam mungkin mengira dengan memiliki pengetahuan yang sedikit tentang geografi titik koordinat dapat dengan mudah diperoleh. Pada kenyataanya perlu ilmu dan keahlian khusus untuk dapat memperoleh koordinat tersebut. Selain itu untuk mencocokan titik koordinat yang sudah didapat pun diperlukan perlakuan agar titik koordinat tersebut cocok untuk diaplikasikan pada software yang kita miliki (misal : GWR4 untuk kebutuhan pengolahan data).
Pada kesempatan ini kita akan sama-sama belajar tentang koordinat tersebut, titik koordinat dapat diperoleh salah satunya dengan alat yang dinamakan dengan GPS atau kepanjangan dari Global Positioning System (Sistem Pencari Posisi Global). Untuk smartphone zaman now sudah banyak menggunakan teknologi GPS ini, tapi mungkin masalahnya apakah smartphone ini dapat menghasilkan data yang betul-betul kita kehendaki. Data yang kita kehendaki bagi pengalikasian dalam regresi spasial adalah dalam bentuk format lintang (latitude) dan bujur (longitude), nah dengan alat khusus GPS ini format titik koordinat dalam bentuk lintang (latitude) dan bujur (longitude) ini dapat diperoleh.
Global Positioning System (GPS)
GPS, singkatan dari Global Positioning System (Sistem Pencari Posisi Global), adalah suatu jaringan satelit yang secara terus menerus memancarkan sinyal radio dengan frekuensi yang sangat rendah. Alat penerima GPS secara pasif menerima sinyal ini, dengan syarat bahwa pandangan ke langit tidak boleh terhalang, sehingga biasanya alat ini hanya bekerja di ruang terbuka. Satelit GPS bekerja pada referensi waktu yang sangat teliti dan memancarkan data yang menunjukkan lokasi dan waktu pada saat itu. Operasi dari seluruh satelit GPS yang ada disinkronisasi sehingga memancarkan sinyal yang sama. Alat penerima GPS akan bekerja jika ia menerima sinyal dari sedikitnya 4 buah satelit GPS, sehingga posisinya dalam tiga dimensi bisa dihitung. Pada saat ini sedikitnya ada 24 satelit GPS yang beroperasi setiap waktu dan dilengkapi dengan beberapa cadangan. Satelit tersebut dioperasikan oleh Departemen Pertahanan Amerika Serikat, mengorbit selama 12 jam (dua orbit per hari) pada ketinggian sekitar 11.500 mile dan bergerak dengan kecepatan 2000 mil per jam. Ada stasiun penerima di bumi yang menghitung lintasan orbit setiap satelit dengan teliti.
Gambar 1. Contoh Gambar GPS
Sebetulnya GPS adalah suatu sistem yang dapat membantu kita mengetahui posisi koordinat dimana kita berada. Sedangkan untuk menerima sinyal yang dipancarkan oleh GPS, kita membutuhkan suatu alat yang dapat membaca sinyal tersebut. Yang biasa kita sebut sebagai GPS, yang sebenarnya merupakan alat penerima. Karena alat ini dapat memberikan nilai koordinat dimana ia digunakan maka keberadaan GPS merupakan terobosan besar bagi SIG.
Konversi Titik Koordinat Hasil GPS
Koordinat adalah suatu titik yang didapatkan dari hasil perpotongan dari garis lintang (latitude) dengan garis bujur (longitude) sehingga akan menunjukan lokasi pada suatu daerah. Umumnya koordinat dibedakan menjadi koordinat Geographic dan Universal Transver Mercator (UTM). Pada Koordinat Geogprahic dibedakan menjadi tiga berdasarkan satuannya yaitu :
Degree, Decimal (DD,DDDD) Contoh : S 3.56734 E 104.67235
Degree, Minute (DD,MM,MMMM) Contoh : S 3⁰ 43,5423’ E 104 33,6445’
Degree, Minute, Second (DD,MM,SS,SS) Contoh : S 3⁰ 43’ 45,22” E 104 33’ 33,25”
Pada Bujur (Longitude) (X) merupakan garis yang perpindahannya secara vertical dan pada Lintang (Lattitude) (Y) merupakan garis yang mempunyai perpindahan secara horizontal, perpotongan antara garis bujur dan garis lintang akan membentuk suatu titik pertemuan yang biasa disebut dengan titik koordinat.
Gambar 2. Longitude (X) dan Lattitude (Y)
Koordinat umumnya dituliskan dengan format DMS (Degree–Minute–Second), terkadang juga dituliskan dengan format decimal (cat: jika berada dibelahan bumi Utara dan Timur maka bernilai positif dalam hal ini untuk nilai Lintang atau Latitude dan Bujur atau Longitude).
1. Untuk konversi DMS to Decimal, sebagai berikut :
>>> Misalkan Koordinat Site A : 80 11’ 16.00’’ S dan 1140 55’ 54.00’’ E <<<
Untuk konversi lintang/latitude, sebagai berikut :
Karena berada di belahan South/Selatan (Negative Earth), maka hasil akhirnya bernilai negatif. Hal yang sama untuk konversi Lintang/Longitude, di mana hasil akhirnya 144.931667 (bernilai positif, karena berada di belahan East/Timur (Positive Earth)).
2. Untuk konversi Decimal to DMS, sebagai berikut :
>>> Misalkan Koordinat Site A : -8.187778 dan 114.931667 <<<
Untuk konversi lintang/ latitude (-8.187778) , sebagai berikut :
> Nilai D/Degree diambil dari Nilai Integer bernilai positif, yaitu 8
> Nilai M/Minute diambil dari Nilai Integer ((Pecahan Nilai Degree) * 60)
= int (0.187778 * 60) = int (11.26668) = 11 , hasil akhirnya
> Nilai S/Second diambil dari ((Pecahan Nilai Minute * 60)
= (0.26668 * 60) = 16.0008 = 16.00 , hasil akhirnya dengan pembulatan
Pada proses pengaplikasiannya pada software Geographically Weighted Regression (GWR4) penggunaan koordinat untuk mengidentifikasi wilayah digunakan model Desimal. Yang perlu diperhatikan adalah kehati-hatian dalam penggunaan GPS, jika terkendala dalam memperoleh titik koordinat lokasi secara mandiri, sekarang banyak penyedia jasa dalam mencari koordinat-koordinat wilayah tersebut. Hanya saja akan menjadi cost tambahan dalam proses penelitian yang dilakukan. SEMANGAT MEMAHAMI !!!
Pada bahasan analisis regresi spasial sedikit banyak kita mengenal tahapan untuk menemukan model yang terbaik dengan asumsi bahwa terdapat bias kewilayahan atau spasial pada model regresi umum, sehingga digunakan model regresi dengan pembobotan berdasarkan kewilayahan atau spasial. Beberapa software yang dapat membantu peneliti dalam memproses data hasil penelitian yang terboboti wilayah seperti disebutkan pada artikel sebelumnya adalah OpenGeoDa dan GWR.
Pada kesempatan kali ini kita akan sedikit mengenalkan lingkungan dari software GWR4 atau Geographically Weighted Regression versi 4.0. Perlu dingatkan bahwa pembahasan ruang lingkup pada software GWR4 masih berkaitan dengan tahapan dalam proses analisa pada data terboboti wilayah, jadi ada baiknya bangun kepahaman terlebih dahulu tentang konsepsi regresi spasial yang sudah diuraikan pada artikel sebelumnya.
Berikut beberapa tampilan dari tahapan proses pemodelan dalam software GWR4 :
Pastikan dalam komputer atau laptop anda sudah terinstall dengan baik sofware GWR4, dimana terdapat icon seperti gambar berikut :
Jalankan software GWR4 dengan cara double click pada icon tersebut sehingga muncul tampilan seperti gambar berikut. Dimana tampilan tersebut memperlihatkan menu-menu dari software GWR4 yang dapat dengan mudah memandu peneliti dalam proses pengolahan data yang dimiliki. Dari gambar terlihat bahwa ada 5 tahapan yang diperlukan dalam proses pembentukan model regresi terboboti wilayah.
Default pada STEP 1 : Data, pada bagian ini sesuai dengan tahapan merujuk pada manual book merupakan tahapan “start your session by giving it a title then open your data file” yaitu pemberian judul pada analisis yang akan dilakukan dan penginputan data kedalam software GWR4. Seperti ditunjukkan pada gambar berikut. Untuk mengecek data sudah terinputkan dengan benar, klik “View Data”.
Pada STEP 2 : Model, pada bagian ini sesuai dengan tahapan merujuk pada manual book merupakan tahapan “specify one regrssion type and the variable setting needed for GWR modelling” yaitu berupa pemilihan model regresi yang akan di bangun berdasarkan jenis dari distribusi datanya (Gaussian, Poisson dan Logistic). Selain itu pada STEP 2, didefinisikan juga variabel-variabel yang akan disertakan dalam proses analisis pembentukan model. Seperti ditunjukkan pada gambar berikut. Pastikan data koordinat (X_Lon,Y_Lat) dari lokasi (spasial) penelitian sudah tersedia.
Pada STEP 3 : Kernel, pada bagian ini sesuai dengan tahapan merujuk pada manual book merupakan tahapan “choose a geographical kernel type and its bandwidth size. Automated optimisation of bandwidth size is also available” yaitu berupa pemilihan fungsi pembobot Kernel, baik itu dengan fixed maupun adaptive. Selain itu pada STEP 3, ditentukan juga bandwidth baik itu default search maupun definitive nilai yang dimiliki. Dan terakhir pada STEP 3, dilakukan pemilihan kriteria dalam pengujian fit model GWR. Seperti ditunjukkan pada gambar berikut.
Pada STEP 4 : Output, pada bagian ini sesuai dengan tahapan merujuk pada manual book merupakan tahapan “specify filenames for the files storing the modelling result” yaitu berupa pemilihan lokasi dalam menyimpan output hasil proses modeling dengan sofware GWR4. Seperti ditunjukkan pada gambar berikut.
Pada STEP 5 : Execute, pada bagian ini sesuai dengan tahapan merujuk pada manual book merupakan tahapan “execute the session to compare necessary calculations and read the results” yaitu untuk memulai proses estimasi model GWR. Klik tombol “execute this session”, selanjutnya GWR4 akan melakukan proses estimasi. Seperti ditunjukkan pada gambar berikut.
Dari proses di STEP : 5, tunggu beberapa saat sampai GWR4 memuncul-kan informasi dengan teks “Program terminated” pada kotak hasil. Kita dapat melihat hasil estimasi pada kotak hasil dan juga melihat nilai estimasi koefisien variabel bebas pada model GWR dengan mengklik tombol “View the parameter estimates”. Hasil tersebut juga dapat dibuka pada file output yang kita set pada tab STEP 4.
Pada kesempatan selanjutnya kita akan coba ulas pemrosesan dengan menggunakan data yang diperoleh dari lapangann dengan menggunakan software Geographically Weighted Regression (GWR4), untuk menguatkan pemahaman terhadap penggunaan software GWR4 serta pemahaman perbedaan hasil antara model regresi umum tanpa mempertimbangkan faktor kewilayahan (spasial) dengan model hasil GWR4 dengan mempertimbangkan faktor kewilayahan (spasial). SEMANGAT MEMAHAMI !!!
Pembahasan kita sekarang menginjak lebih banyak pada pembahasan tentang analisis dalam rumpun multivariat. Pada bahasan sebelumnya kita sudah banyak membahas tentang regresi, analisis faktor, path analysis dan struktural equation modeling (SEM). Analisis tersbut merupakan rumpun dari analisis multivariat. Pada bahasan kali ini kita akan sedikit banyak mengupas analisis lain dalam multivariat yaitu principal component analysis. Sekilas mirip dengan analisis faktor eksploratori atau pun analisis faktor konfirmatori, akan tetapi analisis komponen utama (AKU) atau principal component analysis (PCA) dalam aplikasinya lebih sederhana dibandingkan dengan analisis faktor.
Pada bahasan sebelumnya, pada pengujian asumsi regresi linear klasik bab multikolinearitas sedikit dibahas dalam hal perbaikan model regresi jika terdapat masalah multikolinearitas. Fungsi dari principal component analysis (PCA) adalah dengan merangkum banyak variabel bebas (X) yang memiliki indikasi saling berkorelasi ataupun saling mempengaruhi menjadi satu atau lebih variabel baru yang memuat kombinasi dari variabel-variabel bebas (X) sebelumnya, yang akan memungkinkan menghilangkan masalah multikolinearitas ketika dibentuk suatu model regresi (regresi komponen utama).
Pada kesempatan kali ini kita akan sedikit banyak menguraikan analisis principal component analysis (PCA) dari segi konsepsi dan bagaimana menghasilkan komponen yang optimal dari sekelompok banyak variabel.
Principal Component Analysis (PCA)
Pada dasarnya analisis komponen utama (PCA) bertujuan menerangkan struktur varians-kovarians melalui kombinasi linear dari variabel-variabel. Secara umum analisis komponen utama bertujuan untuk mereduksi data dan menginterpretasikannya. Meskipun dari dari p buah variabel asal dapat diturunkan menjadi p buah komponen utama untuk menerangkan keragaman total sistem (p buah variabel), namun seringkali keragaman total itu dapat diterangkan secara memuaskan oleh sejumlah kecil komponen utama, misal, oleh k buah komponen utama, dimana k < p (k lebih kecil dari pada p). Dalam hal ini, k buah komponen utama dapat menggantikan p buah variabel asal.
Analisis komponen utama sering kali dilakukan tidak saja merupakan akhir dari suatu pengolahan data tetapi juga merupakan tahap (langkah) antara dalam kebanyakan penelitian yang bersifat lebih besar (luas). Sebagai misal dalam analisis regresi komponen utama (principal component regression), maka analisis komponen utama akan merupakan tahap antara karena komponen utama dipergunakan sebagai input dalam membangun analisis regresi, demikian pula dalam analisis kluster, komponen utama dipergunakan sebagai input untuk melakukan pengelompokan.
Konsep Dasar Principal Component Analysis (PCA)
Komponen utama pertama adalah kombinasi linear terbobot dari variabel asal yang dapat menerangkan keragaman terbesar.
Komponen utama kedua adalah kombinasi linear terboboti dari variabel asal yang tidak berkorelasi dengan komponen utama pertama, serta memaksimumkan sisa keragaman data setelah diterangkan oleh komponen utama pertama.
Dan seterusnya.
Sebagai catatan dalam penggunaan principal component analysis (PCA), pertama, apabila satuan dari variabel (X) yang digunakan dalam membangun komponen utama tidak sama, maka variabel perlu ditransformasikan terlebih dahulu kedalam angka baku (Z). Kedua, ada dua jenis bentuk input dalam pemrosesan pembentukan komponen utama yaitu matriks varians-kovarians dan matriks korelasi, matriks varians-kovarians digunakan jika satuan dari variabel sama dan matriks korelasi digunkan jika satuan dari variabel tidak sama dan variabel di transformasikan ke dalam bentuk angka baku (Z). Ketiga, penentuan dalam penggunaan jenis matriks sebagai input dari perhitungan komponen utama (S atau R) menentukan dalam formulasi yang digunakan dalam rangka menghitung besarnya bagian atau persentase keragaman total yang mampu diterangkan oleh komponen utama ke-j dan formulasi yang digunakan untuk mengukur keeratan hubungan (korelasi) antara variabel asal dengan komponen utama yang tebentuk. Keempat, perhitungan nilai skor komponen utama diperoleh dari hasil perkalian nilai variabel (X) dengan nilai vektor eigen yang dihasilkan dari proses perhitungan (bukan dari hasil perkalian faktor loading dengan nilai variabel X-nya).
Kriteria Dalam Principal Componen Analysis (PCA)
Biasanya dalam principal component analysis (PCA), dari p buah komponen utama yang ada dipilih k buah komponen utama saja yang telah mampu menerangkan keragaman data cukup tinggi, katakanlah sekitar 80% s.d 90% dengan kriteria k < p. Misal, apabila p berukuran besar, sedangkan diketahui bahwa sekitar 80% s.d 90% keragaman total telah mampu diterangkan satu, dua atau tiga komponen utama pertama, maka komponen-komponen utama tersebut telah dapat menggantikan p buah variabel asal tanpa mengurangi informasi yang banyak.
Selanjutnya untuk menentukan variabel mana yang berkontribusi besar pada tiap komponen utama yang terbentuk, ditentukan berdasarkan nilai keeratan hubungan (nilai loading) yang dihasilkan antara variabel asal dengan komponen utama. Besar kontribusi untuk masing-masing variabel penelitian dalam komponen utama ditentukan dengan semakin tinggi nilai loading yang dihasilkan, berdasarkan kriteria korelasi di mana nilai korelasi lebih besar atau sama dengan 0.500 memiliki hubungan yang kuat dan sebaliknya untuk nilai korelasi lebih kecil dari 0.500 memiliki hubungan yang lemah.
Penentuan Banyak Komponen Utama
Penentuan banyaknya komponen utama yang akan di ekstrak dapat ditentukan beberapa cara diantaranya:
Kriteria eigen value, ditentukan dengan memilih komponen utama yang memiliki nilai eigen lebih besar atau sama dengan satu (1). Komponen utama dengan nilai eigen kurang dari satu (1) dikeluarkan dari analisis.
Kriteria apriori. Dalam hal ini peneliti sudah menetapkan terlebih dahulu berapa banyak komponen utama yang akan diekstrak.
Kriteria persentase varians. Banyaknya komponen utama yang akan diekstrak ditentukan oleh persentase kumulatif varians (bahasan sebelumnya)
Scree test. Dilakukan dengan membuat plot eigen value terhadap komponen utama berdasarkan urutan perolehannya. Kurva yang diperoleh menjadi dasar penetapan banyaknya komponen utama yang akan diekstrak. Banyak komponen utama ditentukan apabila kurva menjadi datar dengan melihat pada sumbu komponen utama.
Dengan mengetahui dan memahami fungsi dari principal componen analysis (PCA), para peneliti, khususnya peneliti pemula dapat dengan mudah mengaplikasikannya pada teori dan data lapangan yang dimilikinya. Principal componen analysis (PCA) juga bermanfaat dalam regrouping variabel-variabel dengan melakukan penamaan ulang pada komponen utama yang terbentuk, dengan melihat karakteristik dominan variabel yang menyusunya. SEMANGAT MENCOBA!!!
Pada artikel sebelumnya kita sudah banyak membahas pola hubungan antar variabel yang asimetris salah satu diantaranya adalah analisis regresi linear baik itu dalam konsep linear sederhana ataupun multivariat (lebih dari satu variabel bebas). Dalam analisis regresi linear, kita sudah membahas pula beberapa asumsi regresi linear klasik yang berguna dalam memastikan bahwa model yang dihasilkan oleh data “baik”, baik itu dari segi penaksiran parameter yang dihasilkan (nilai beta) dan proporsionalnya selang kepercayaan dalam pengujian hipotesis (uji F dan t). Regresi Spasial!
Pada kesempatan kali ini kita akan sedikit membahas analisis regresi dari perspektif kewilayahan (spasial). Pada bahasan pengujian heteroskedastisitas pada model regresi, sudah sedikit dibahas adanya pengaruh heteroskedastisitas pada model regresi yang dihasilkan, yaitu adanya keberagaman varians dari faktor gangguan yang akan mengganggu pada hasil penaksiran yang dihasilkan oleh model regresi. Salah satu faktor yang memungkinkan yang dapat menyebabkan heteroskedastisitas pada model adalah faktor kewilayahan atau spasial. Sehingga perlakuan pada data yang akan dibentuk menjadi sebuah model regresi terdapat penyesuaian diantaranya pada pembahasan sebelumnya (artikel : Asumsi Non Heteroskedastisitas Pada Model Regresi), pada poin pertama, dengan menggunakan nilai koefisien regresi b yang dihasilkan dari kuadrat terkecil tertimbang/terboboti (weighted least square-WLS)
Data Spasial
Data spasial merupakan data yang memuat informasi tentang atribut dan informasi lokasi. Sedangkan data bukan spasial hanya memuat informasi tentang atribut saja. Sebagai ilustrasi, data produk yang dihasilkan oleh suatu perusahaan berdasarkan banyaknya karyawan merupakan contoh data bukan spasial. Banyaknya orang yang bertahan dari suatu penyakit di berbagai daerah di suatu negara merupakan contoh data spasial (Fortheringham et al, 2002).
Data spasial merupakan sebuah data yang berorientasi geografis, memiliki sistem koordinat tertentu sebagai dasar referensinya dan mempunyai dua bagian penting yang membuatnya berbeda dari data lain, yaitu informasi lokasi (spatial) dan deskriptif (attribute) yang dijelaskan sebagai berikut :
Informasi lokasi (spatial) berkaitan dengan suatu koordinat geografi yaitu lintang (latitude) dan bujur (longitude)
Informasi deskriptif (attribute) atau informasi non-spasial, suatu lokasi yang memiliki beberapa keterangan seperti populasi atau jenis vegetasi. (Fikri, dkk, 2009)
Data spasial secara sederhana dapat diartikan sebagai data yang memiliki referensi keruangan (geografi). Setiap bagian dari data tersebut selain memberikan gambaran tentang suatu fenomena, juga dapat memberikan informasi mengenai lokasi dan juga persebaran dari fenomena tersebut dalam suatu ruang (wilayah). Apabila dikaitkan dengan cara penyajian data, maka peta merupakan bentuk/cara penyajian data spasial yang paling tepat.
Analisis terhadap data spasial memerlukan perhatian lebih dibandingkan dengan analisis terhadap data bukan spasial. Kondisi dari suatu lokasi pengamatan akan berbeda dengan lokasi pengamatan yang lain. Meskipun demikian, kondisi disuatu lokasi pengamatan akan memiliki hubungan yang erat dengan lokasi pengamatan lain yang berdekatan.
Hal tersebut sesuai dengan hukum I Tobler yang dikemukakan oleh Tobler (Tobler’s first law of geography) dalam Schanbenberger dan Gotway (2005), yaitu “Everything is related to everything else, but near thing are more related than distant thing.” Yang berarti “Segala sesuatu saling berhubungan satu dengan yang lainya, tetapi sesuatu yang dekat lebih mempunyai pengaruh daripada sesuatu yang jauh.”
Hubungan tersebut dinamakan efek spasial. Efek spasial di sini terkait dengan perbedaan karakteristik lingkungan dan geografis antar lokasi pengamatan sehingga masing-masing pengamatan kemungkinan memiliki variasi yang berbeda atau terdapat perbedaan pengaruh variabel prediktor terhadap variabel respon untuk setiap lokasi pengamatan. Efek spasial ini kemudian disebut sebagai keragaman spasial atau heterogenitas spasial.
Oleh karena itu, diperlukan sebuah metode statistika yang diharapkan dapat mengantisipasi heterogenitas spasial. Metode statistika tersebut yaitu metode regresi terboboti geografis atau Geographically Weighted Regression (GWR).
Geographically Weighted Regression (GWR)
Model regresi terbboboti geografi (RTG) atau Geographically Weighted Regression (GWR) pertama kali diperkenalkan oleh Fotheringham pada tahun 1967. Model GWR adalah pengembangan dari model regresi linear klasik atau ordinary linear regression (OLR). Model GWR adalah model regresi yang dikembangkan untuk memodelkan data dengan variabel respon yang bersifat kontinu dan mempertimbangkan aspek spasial atau lokasi.
Pendekatan yang dilakukan dalam GWR adalah pendekatan titik. Setiap nilai parameter ditaksir pada setiap titik lokasi pengamatan, sehingga setiap titik lokasi pengamatan mempunyai nilai parameter yang berbeda-beda.
Penaksiran Keofisien Regresi GWR
Penaksiran regresi pada Geographically Weighted Regression (GWR) dilakukan dengan menggunakan metode kuadrat terkecil terboboti atau Weighted Least Square (WLS), yaitu metode kuadrat terkecil dengan memberikan pembobotan yang berbeda pada setiap titik lokasi pengamatan. Pembobotan tersebut berupa matriks diagonal dimana elemen-elemen diagonalnya merupakan sebuah fungsi pembobot dari titik lokasi pengamatan.
Misalkan pembobot untuk setiap titik lokasi pengamatan (ui, vj) adalah Wij, maka koefisien regrei pada titik lokasi pengamatan (ui,vj) ditaksir dengan menambahkan pembobot Wij pada persamaan regresi dan meminimumkan jumlah kuadrat error-nya.
(perhitungan manual penaksir regresi linear dapat diaplikasikan dengan menggunakan matriks –lebih dari 2 variabel bebas, dengan adanya pembobotan spasial maka fungsi matriks awal digabung dengan matriks bobot spasial-Wij)
Pembobot Model GWR
Peran pembobot dalam GWR merupakan aspek penting. Pembobot tersebut bergantung pada jarak antar titik lokasi pengamatan. Seperti penjelasan sebelumnya, pembobot tersebut berupa berupa matriks diagonal dimana elemen-elemen diagonalnya merupakan sebuah fungsi pembobotan dari setiap titik lokasi pengamatan. Fungsi dari matriks pembobot adalah untuk menentukan atau menaksir parameter yang berbeda pada setiap titik lokasi pengamatan.
Matriks pembobot pada GWR merupakan matriks pembobot berbasis pada kedekatan titik lokasi pengamatan ke-i dengan titik lokasi pengamatan lainnya. Pengamatan terdekat ke titik lokasi pengamatan ke-i umumnya diasumsikan memiliki pengaruh paling besar terhadap penaksiran parameter di titik lokasi pengamatan ke-i. Oleh karena itu, matriks pembobot W (ui,vj) akan semakin besar seperti jarak yang semakin dekat.
Terdapat beberapa cara yang dapat digunakan untuk menentukan nilai pembobot. Pertama, yang paling sederhana adalah dengan memberikan bobot sebesar 1 untuk setiap titik lokasi pengamatan i dan j. Sehingga, model yang dihasilkan apabila menggunakan fungsi pembobot ini adalah model regresi linear klasik (OLR). Kedua, pembobot dalam GWR juga dapat ditentukan dengan menggunakan fungsi invers jarak yang melibatkan dij (jarak euclidean antara titik lokasi pengamatan ke-i dengan titik pengamatan ke-j dan b (bandwidth) yang dianalogikan sebagai radius (b) suatu lingkaran, sehingga sebuah titik lokasi pengamatan yang berada dalam radius lingkaran masih dianggap berpengaruh dalam membentuk parameter di titik lokasi pengamatan ke-i. Fungsi invers jarak akan memberikan bobot = 1, jika titik lokasi ke-j berada di dalam radius b. Sedangkan jika titik lokasi ke-j berada di luar radius b dari titik lokasi ke-i, maka fungsi invers jarak akan memiliki bobot = 0. Ketiga, matriks pembobot W (ui,vj) dapat ditentukan dengan menggunakan fungsi Kernel. Fungsi Kernel memberikan pembobotan sesuai bandwidth optimum yang nilainya bergantung pada kondisi data. Terdapat dua jenis fungsi Kernel dalam GWR, yaitu fungsi Kernel tetap atau fixed Kernel dan fungsi Kernel adaptif atau adaptif Kernel (Wheeler dan Antonio, 2010).
Fungsi Kernel Tetap : memiliki bandwidth yang sama pada setiap titik lokasi pengamatan. Diantaranya : fungsi Kernel Gaussian dan fungsi Kernel Bi-square.
Fungsi Kernel adaptif : memiliki bandwidth yang berbeda untuk setiap lokasi pengamatan. Hal ini disebabkan kemampuan fungsi Kernel adaptif yang dapat disesuaikan dengan kondisi titik-titik pengamatan. Bila titik-titik lokasi pengamatan tersebar secara padat disekitar lokasi pengamatan ke-i maka bandwidth yang diperoleh relatif sempit. Sebaliknya jika titik-titik lokasi pengamatan memiliki jarak yang relatif jauh dari titik lokasi ke-i maka bandwidth yang diperoleh akan semakin luas (Dwinata,2012). Diantaranya : fungsi Kernel Gaussian dan fungsi Kernel Bi-square.
Bandwidth pada GWR
Dalam fungsi Kernel di atas, terdapat parameter bandwitdh yang nilainya tidak diketahui. Sehingga perlu dilakukan penaksiran terhadap parameter bandwidth tersebut. Bandwidth dapat dianalogikan sebagai radius (b) suatu lingkaran, sehingga sebuah titik lokasi pengamatan yang berada dalam radius (b) lingkaran masih dianggap berpengaruh dalam membentuk parameter di titik lokasi pengamatan ke-i. Pemilihan bandwidth optimum dalam GWR merupakan hal yang penting karena akan mempengaruhi ketepatan model terhadap data.
Nilai bandwidth yang sangat kecil akan mengakibatkan penaksiran parameter di lokasi pengamatan ke-i semakin bergantung pada titik lokasi pengamatan lain yang memiliki jarak terdekat dengan lokasi pengamatan ke-i, sehingga varians yang dihasilkan akan semakin besar. Sebaliknya, jika nilai bandwidth sangat besar makan akan mengakibatkan bias semakin besar, sehingga model yang diperoleh terlalu halus (Dwinata, 2012).
Metode yang digunakan untuk menentukan bandwidth optimum salah satunya adalah metode validasi silang atau cross validation (CV). Nilai bandwidth optimum diperoleh ketika CV minimum (Fotheringham, 2002).
Langkah-langkah analisis
Adapun langkah-langkah analisis yang dilakukan dengan menggunakan Geographically Weighted Regression (GWR) adalah :
Mendeskripsikan variabel respon (Y) dan variabel-variabel prediktor (X) yang akan dilibatkan dalam pembentukan model regresi
Menganalisis model regresi linear klasik atau Ordinary Linear Regression (OLR) dengan langkah-langkah sebagai berikut :
Melakukan uji asumsi residual atau asumsi regresi linear klasik (normalitas, multikolinearitas, heteroskedastisitas, autokorelasi)
Menaksir parameter model regresi linear klasik dengan metode kuadrat terkecil atau Ordinary Least Square (OLS)
Melakukan uji keberartian model regresi linear berganda (uji F dan uji t)
Menganalisis model Geographically Weighted Regression (GWR) dengan langkah-langkah sebagai berikut :
Menentukan koordinat longitude-latitude tiap titik wilayah pengamatan
Menentukan bandwidth salah satunya berdasarkan kriteria CV minimum
Menghitung matriks pembobot (Wij) tiap titik wilayah pengamatan dengan fungsi Kernel
Menaksir parameter GWR dengan menggunakan bandwidth optimum
Membandingkan jumlah kuadrat residual atau residual sum of square dan koefisien determinasi R2 model dari OLS dan model GWR dengan pembobot fixed Kernel dan GWR dengan pembobot adaptive Kernel.
Menginterpretasi dan menyimpulkan hasil yang diperoleh.
Dari uraian secara konsep, terlihat begitu kompleks perhitungan regresi dengan menggunakan Geographically Weighted Regression (GWR). Yang perlu diperhatikan oleh peneliti dan data analis adalah dari tahapan atau proses perhitungan dari Geographically Weighted Regression (GWR) itu sendiri agar tidak menimbulkan kebingungan. Pemahaman terhadap detail dari komponen penyusun uji Geographically Weighted Regression (GWR) dapat dipahami secara bertahap sesuai dengan urutan tahapan analisis dengan mempertimbangkan peran dan fungsi komponen tersebut dalam analisi Geographically Weighted Regression (GWR).
Keterbatasan dari peneliti atau data analis dalam meng-olahdata hasil pengumpulan data dari lapangan mungkin akan ditemui. Akan tetapi kini sudah tersedia banyak software pendukung yang dapat digunakan peneliti atau data analis untuk memudahkan dalam men-generate model dari Geographically Weighted Regression (GWR). Beberapa diantaranya adalah software GWR, OpenJump, OpenGeoDa atau karena biasanya analisis Geographically Weighted Regression (GWR) bersinggungan dengan proses mapping atau pemetaan, bagi peneliti atau data analis dapat menggunakan pula software dalam rumpun ArcGis, ArcView untuk menghasilkan peta tematik sesuai dengan kasus yang sedang diteliti.
Pada kesempatan selanjutnya kita coba akan ulas secara singkat software pendukung dalam analisis Geographically Weighted Regression (GWR). SEMANGAT MEMAHAMI !!!
Pada artikel sebelumnya kita sudah membahas secara konseptual alat statistik yang berkaitan dengan pola hubungan baik itu simetris maupun asimetris. Korelasi, Regresi dan Path Analisis serta Structural Equation Modeling (SEM) secara konsep sudah kita bahas beserta aplikasinya dengan menggunakan SPSS maupun LISREL atau SmartPLS. Semoga sedikit banyak membantu para peneliti dalam memahami tools statistik yang, saya kira, banyak digunakan peneliti pemula dalam penerapan pada kasus dan data yang dimiliki, khususnya pada Korelasi dan Regresi. Analisis Faktor Konfrimatori (CFA)!
Pada kesempatan kali ini kita akan coba menguraikan sedikit konsep tentang analisis faktor confirmatori atau lebih sering diketahui sebagai CFA. Bagi pemerhati atau pengguna SEM mungkin tidak asing lagi dengan CFA, karena model CFA masuk dalam analisi SEM. SEM sendiri menggabungkan beberapa konsep alat statistik diantaranya Korelasi, Regresi, Path Analisi dan Analisis Faktor Confirmatori. Maka di dalam SEM dikenal dengan model pengukuran (CFA) dan model struktural (Korelasi, Regresi dan Path Analisis).
Analisis faktor confirmatori (CFA) sendiri dikenal sebagai alat statistik yang berguna dalam menemukan bentuk konstruk dari kumpulan variabel manifesnya, atau menguji suatu variabel atas asumsi manifes yang membangunnya. Sehingga analisis confirmatori sangat cocok untuk mengujikan suatu teori variabel atas manifes atau indikator-indikator yang membangunnya, dimana variabel tersebut diasumsikan hanya dapat diukur dengan indikator-indikator tersebut.
Analisis Faktor Confirmatori : Model Pengukuran
Dalam proses penelitian kuantitatif yang sering dilakukan oleh para peneliti dalam disiplin ilmu sosial, tahap tersulit setelah berhasil memformulasikan kerangka pemikiran adalah tahap pengukuran atau operasionalisasi variabel penelitian. Tahap ini dalam proses penelitian berfungsi sebagai mata rantai yang menghubungkan antara pola fikir deduktif ke arah pola fikir induktif. Melalui operasionalisasi variabel, hipotesis penelitian ditransformasikan menjadi data. Data dianalisis dan hipotesis diuji.
Dengan demikian dalam penelitian berbasis pendekatan kuantitatif tahapan pengukuran variabel merupakan hal yang sangat menentukan berhasil atau tidaknya suatu penelitian menjelaskan suatu fenomena. Kekeliruan dalam merumuskan operasional variabel, maka hasilnya adalah garbage in, garbage out. Karena itu, persoalan kualitas pengukuran yaitu reliabilitas dan validitas alat ukur yang digunakan muncul sebagai suatu hal yang amat krusial dalam penelitian berbasis pendekatan kuantitatif.
Dilihat dari sifat variabel yang diteliti, ada perbedaan antara penelitian ilmu sosial dengan ilmu eksakta. Dalam penelitian ilmu eksakta, variabel yang diteliti pada umumnya bersifat unidimensional dan dapat diobservasi langsung. Sedangkan dalam penelitian ilmu sosial, variabel yang diteliti pada umumnya bersifat multidimensional dan tidak dapat diobservasi langsung. Karena sifat seperti itu, maka pengukuran terhadap variabel-variabel yang diteliti seringkali tidak dapat dilakukan secara langsung, tetapi diukur melalui indikator-indikator sebagai manifest dari konsep atau variabel yang hendak diukur.
Sebagai misal : konsep efektivitas organisasi, kepuasan kerja, kinerja pemasaran, kompetensi, prestasi kerja, kepemimpinan, keunggulan bersaing, motivasi kerja adalah konsep yang tidak dapat diukur secara langsung. Karena itu, konsep seperti itu disebut faktor, konstruk atau variabel laten atau unobservable variables, sedangkan indikator-indikator dari konsep yang hendak di ukur disebut sebagai variabel manifest, variabel yang dapat diukur langsung atau observable variables (Shumacker dan Lomax, 1996; Hair, Anderson, Tatham & Black, 1998).
Sebagaimana telah diketahui, dalam metode analisis statistik data multivariat seperti multiple regresi atau analisis jalur, data yang dianalisis merupakan data dari indikator-indikator atau data dari variabel manifestnya (observed variables) tanpa melibatkan variabel latennya dan tanpa melibatkan unsur kekeliruan atau kesalahan pengukuran terhadap variabel-variabel yang diamati. Hanya dengan melalui uji coba instrumen, kemungkinan kesalahan pengukuran dicoba dieliminasi dengan cara melihat reliabilitas dan validitas melalui penggunaan berbagai teknik uji reliabilitas dan validitas standar seperti product moment pearson, split-halt spearman brown, koefisien K-R dari kurder-richardson, hoyt maupun koefisien Cronbach’s Alpha.
Setelah memenuhi syarat validitas dan reliabilitas data kemudian dianalisis, hipotesis diuji dan masalah kemungkinan timbulnya kekeliruan pengukuran dianggap selesai atau diasumsikan “error free”. Padahal, diyakini oleh para pakar bahwa, “all constructs have some measurement error, even with the best indicators variables”. (hair, anderson, tatham dan black, 1998 : 511).
Dengan demikian jika semua construk tidak dapat bebas dari kekeliruan pengukuran meskipun dengan indikator terbaik, maka persoalannya sekarang adalah diperlukan suatu metode analisis yang poweful menganalisis dan menguji kesesuaian model konstruk atau model pengukuran yang diusulkan. Metode analisis yang mampu memfasilitasi kerja tersebut adalah analisis faktor konfirmatori (confirmatory factor analysis – CFA). Menurut Kerlinger (1990 : 1000) “karena kekuatan, keluwesan, dan kedekatanya dengan hakekat maksud dan tujuan ilmiah, analisis faktor dapat disebut sebagai ratu metode analisis”.
Analisis faktor konfirmatori (CFA), sebagaimana dijelaskan Tabachnick dan Fidell (1996:637) adalah “.. sophisticated techniques used in the advanced stages of the research process to test a theory about latent process”. Menurut Bachrudin dan Tobing (2003 : 6), “analisis faktor konfirmatori bertujuan untuk mengevaluasi pola-pola hubungan antara beberapa konstruk. Setiap konstruk dibangun oleh indikator-indikator. Model analisis konfirmatori biasanya tidak diasumsikan arah hubungan antar konstruk, tetapi hanya adanya hubungan korelatif antar konstruk”. Dan menurut Ferdinand (2002 : 127-128), “analisis faktor konfirmatori berangkat dari adanya teori dasar yang digunakan dalam sebuah penelitian. Kajian terhadap teori menghantarkan peneliti untuk mengenali kembali konsep-konsep lama menjadi dasar membangun teori dasar … dan mengembangkan konsep dan teori yang lebih sempurna ….”.
Jadi, CFA adalah analisis faktor yang digunakan dengan tujuan untuk menguji atau mengkonfirmasikan secara empiris model pengukuran (measurement model) sebuah atau beberapa konstruk. Model pengukuran atau disebut juga model deskriptif (Ferdinand, 2002 : 14) adalah operasionalisasi variabel laten atau konstruk menjadi satu atau beberapa indikator atau beberapa variabel manifes yang dirumuskan menurut kajian teori tertentu. Dengan demikian, CFA tidak dimaksudkan untuk menghasilkan model, melainkan menguji model pengukuran yang dikembangkan atas dasar kajian teori tertentu (Maruyama, 1998 : 139 – 140).
Sesuai dengan pendapat di atas, maka masalah penelitian dalam kerangka CFA berkisar pada dua pertanyaan berikut :
Apakah model pengukuran konstruk yang diusulkan sesuai atau fit dengan data?
Dilihat dari indikator atau variabel-variabel manifesnya, karakteristik dominan apa yang membentuk kosntruk tersebut?
Untuk menjawab kedua pertanyaan di atas, di dalam CFA jawaban pertanyaan pertama, diuji dengan menggunakan uji kesesuaian model (overall model fit test) dan pertanyaan kedua, diuji dengan menggunakan statistik t (t student). Untuk melihat indikator atau variabel manifes mana yang dominan membentuk suatu konstruk, ditentukan oleh besar kecilnya koefisien bobot faktor (lambda-λ). Menurut beberapa pakar, batas minimal koefisien bobot faktor (lambda-λ) yang dianggap layak dalam penelitian yang bersifat konfirmatori adalah tidak kurang dari 0.5 (Hair, Anderson, Tatham dan Black, 1998; Ghozali, 2004).
Koefisien bobot faktor pada dasarnya menunjukkan keeratan hubungan atau korelasi antara variabel laten dengan variabel manifesnya (Maruyama, 1998; Bachrudin & Tobing, 2003). Berdasarkan koefisien bobot faktor, selanjutnya dapat diidentifikasi reliabilitas dari model pengukuran yang diusulkan. Sebagaimana diketahui, reliabilitas menunjukkan kemantapan dan kekonsistenan dari indikator-indikator untuk mendefinisikan secara unidimensional sebuah konstruk yang diukur (Kerlinger, 1990). Dalam format CFA, reliabilitas diindikasikan oleh dua ukuran yaitu Construct Reliability dan Variance Extracted.
Koefisien construct reliability dan variance extracted memiliki nilai antara 0 dan 1. Semakin tinggi koefisien contruct reliability dan variance extracted, megindikasikan semakin reliable model pengukuran yang dikembangkan. Menurut para pakar seperti Hair, Anderson, Tatham dan Black (1998, 612) maupun Bacharudin dan Tobing (2003,48) sependapat bahwa suatu instrumen penelitian diindikasikan memiliki reliabilitas yang memadai apabila koefisien construct realiability dan variance extracted tidak kurang dari 0.5.
Gambar di atas menunjukkan sebuah model pengukuran dimana terdapat 2 kontruk dengan 3 variabel manifest untuk kontruk PS dan 4 variabel manifest untuk konstruk BP. Nilai faktor loading berada di tengah garis arah menuju variabel manifest. Sedangkan, nilai yang berada di belakang variabel manifest merupakan standar error dari masing-masing variabel manifest.
Dengan mengetahui dan memahami fungsi dari analisis faktor konfirmatori, para peneliti, khususnya peneliti pemula dapat dengan mudah mengaplikasikannya pada teori dan data lapangan yang dimilikinya. SEMANGAT MENCOBA!!!
Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian, aplikasi software statistik ataupun olahdata.
Dalam artikel sebelumnya kita sudah membahas praktek analisis regresi dengan munggunakan SPSS, pada kesempatan kali ini kita akan sedikit bahas penggunaan SPSS dalam analisis path atau analisis jalur. Secara prinsip analisis jalur serupa dengan analisis regresi pada umumnya. Hanya saja dalam analisis jalur pola hubungan antar variabel ditambahkan dengan adanya efek moderating dari satu variabel untuk menyebabkan variabel lainnya. Karena sebab ini lah, dalam analisis jalur dikenal 2 (dua) macam pengaruh yang disebabkan oleh variabel bebas (X) yaitu pengaruh langsung dan pengaruh tidak langsung. Sebelum kita menguraikan analisis path pada SPSS, ada baiknya kita mengenal lebih terkait apa itu analisis path dan asumsi apa saja yang ada didalamnya.
Metode analisis jalur atau disebut juga the causal model for directly observed variables. Dikembangkan pertama kali kira-kira pada tahun 1920-an oleh seorang ahli genetika bernama Sewall Wright. Tujuan utama dari analisis jalur dijelaskan oleh Bohrnstedt sebagai : “a technique for estimating the effect’s a set of independent variables has on a dependent variables from a set of observed correlation, given a set of hypothesized causal asymmetric relation among the variables.”
Beberapa karakteristik utama analisis jalur adalah sebagai berikut :
Tujuan : menganalisis pola hubungan kausal antarvariabel dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung di antara variabel
Variabel : variabel penyebab disebut variabel eksogen dan variabel akibat disebut variabel endogen
Masalah Penelitian :
Apakah variabel eksogen berpengaruh terhadap variabel endogen
Berapa besar pengaruh langsung dan tidak langsung, maupun bersama variabel eksogen terhadap variabel endogen
Skala Pengukuran : sekurang-kurangnya interval
Asumsi :
Data berdistribusi normal
Hubungan antar variabel linier
Tidak ada arah kausalitas yang berbalik (non reciprocal causation) tetapi bersifat rekursif
Model yang hendak diuji dibangun atas kerangka teoritis yang mampu menjelaskan hubungan kausalitas antar variabel penelitian
Variabel yang diteliti dapat diobeservasi langsung
Jadi secara sederhana, analisis jalur adalah metode analisis data multivariat dengan tujuan untuk mengetahui pengaruh langsung dan pengaruh tidak langsung beberapa variabel eksogen (penyebab) terhadap variabel endogen (akibat) dengan pola rekursif dan semua variabel dapat diobservasi secara langsung. Rekursif artinya hubungan antar variabel adalah satu arah, tidak ada hubungan yang bersifat resiprokal. Jika dinyatakan A menyebabkan B, maka B tidak dapat menyebabkan A. Semua variabel dapat di observasi langsung artinya variabel yang dianalisis adalah variabel manifes. Karena sifatnya seperti itu maka analisis jalur, seperti dikemukakan sebelumya, disebut juga the casual models for directly observed variables.
Berikut proses perhitungan analisis jalur dengan menggunakan SPSS.
Persiapkan data yang akan analisis dengan menggunakan analisis jalur. Pastikan data yang dimiliki sudah memenuhi asumsi yang disyaratkan untuk analisis jalur. (catatan : data ordinal hasil kuesioner harus dikonversikan dengan metode MSI, untuk memperoleh data interval).
Gambar diagram jalur dari model yang dihipotesiskan. Hal ini berguna dalam memandu proses perhitungan koefisien jalur yang melibatkan satu atau lebih variabel bebas sekaligus.
Buka file SPSS dan masukan variabel ke dalam menu Data View lalu definisikan tiap-tiap variabel tersebut dalam menu Variables Views.
Setelah semua data variabel dimasukan ke dalam SPSS, lalu klik menu Analyze pilih Regression lalu definisikan variabel sesuai dengan model jalur yang sudah di gambarkan pada poin 2. Apabila terdapat 2 persamaan regresi dalam pembentukan diagram jalur (poin 2) maka proses regresi dilakukan sebanyak 2 kali. Kemudian klik OK.
Gambar 1. Model Persamaan Pertama
Gambar 2. Model Persamaan Kedua
Setelah klik OK maka akan dihasilkan output SPSS sesuai dengan apa yang kita biasa lakukan dengan analisis Regresi biasanya. Terdapat 3 bagian utama dalam analisis regresi yaitu model summary, ANOVA dan Coefficients. Untuk menidentifikasi besar pengaruh dari variabel eksogen terhadap endogen maka yang kita lihat adalah besaran R-Square. Dan yang membedakan dengan regresi adalah pada menu Coefficients dimana pada regresi dipilih nilai B (beta), sedangkan dalam analisis jalur digunakan nilai B Standardized. Nilai inilah yang menunjukkan besar pengaruh dari variabel eksogen terhadap endogen.
Gambar 1. Output model persamaan pertama
Gambar 2. Output model persamaan kedua
Setelah semua nilai B Standardized berdasarkan persamaan regresi dalam diagram jalur (poin 2) didapatkan. Tahapan selanjutnya adalah menghitung nilai pengaruh langsung dan pengaruh tidak langsung dari variabel eksogen terhadap endogen, sesuai dengan tujuan penggunaan analisis jalur.
Pengaruh langsung diperoleh dengan cara mengkuadratkan B Standardized dan dikali 100% jika ingin diperoleh % pengaruh langsung.
Pengaruh tidak langsung diperoleh dengan cara mengalikan B Standardized variabel ekogen pertama dengan korelasi antar variabel eksogen lalu dikalikan dengan B Standardized variabel eksogen kedua.
Pengaruh total variabel terhadap variabel endogen adalah dengan menjumlahkan seluruh pengaruh langsung dan tidak langsung yang sudah diperoleh.
Sebagai catatan pastikan R-Square menjadi acuan dalam sinkronisasi dari hasil penjumlahan pengaruh total dari variabel eksogen terhadap endogen. Pengaruh total tersebut sama dengan R-Square yang didapatkan dari model persamaan.
Dalam prakteknya ada beberapa persiapan dan pemahaman yang perlu dibangun oleh peneliti sebelum menerapkan data pada metode Path Analysis. Selain teori atas penelitian yang dapat dipertanggungjawabkan, proses pengujian pada model berupa pengujian asumsi regresi linier klasik yang memuat pengujian normalitas, multikolinieritas, heteroskedastisitas, autokorelasi dan linieritas yang menguatkan bahwa model yang dihasilkan merupakan model yang memiliki taksiran yang baik, masih berlaku pada path analysis. Jadi ada baiknya sebelum meyimpulkan hasil atas pengolahan pastikan semua asumsi atas model terpenuhi agar interpretasi hasil secara optimal dan yakin dapat dikemukakan. SEMANGAT MENCOBA!!!
Mungkin sudah menjadi bahasa umum istilah SWOT, Strenght – Weakness – Opportunity dan Theats. Dari sudut pandang pebisnis atau manajemen istilah SWOT sangatlah challenging, karena jika bisa mengetahui, merumuskan dan mencari pemecahan yang tepat, efektif dan efisien boleh jadi profitabilitas dan perkembangan usaha bukan hanya impian saja tapi secara riil akan didapatkan. Proses SWOT melibatkan penentuan tujuan yang spesifik dari usaha dan mengidentifikasi faktor internal dan eksternal yang mendukung dan yang tidak dalam mencapai tujuan tersebut. Teknik ini pertama dibuat oleh Albert Humphrey, yang memimpin proyek riset pada Universitas Stanford pada dasawarsa 1960-an dan 1970-an dengan menggunakan data dari perusahaan-perusahaan Fortune 500.
Dalam pengaplikasiannya, analisis SWOT mengkombinasikan antara finding dari pihak pelaku usaha, orang yang berkepentingan dengan usaha atau top management yang mengelola usaha dikombinasikan berdasarkan experienced pelanggan, customer atau penikmat dari usaha itu sendiri. Sehingga dalam SWOT dikenal dengan adanya matrik positioning kondisi usaha dan identifikasi strategi yang layak diterapkan dalam usaha atau lebih familiar dikenal dengan Diagram dan Matriks SWOT yang terdiri dari 4 kuadran 1) Strategi Agresif, 2) Strategi Diversifikasi, 3) Strategi Turn-Around dan 4). Strategi Defensif.
Dalam rumpun penelitian, analisis SWOT sering diidentifikasikan sebagai penelitian deskriptif kualitatif. Analisis SWOT secara matematis tidaklah begitu rumit dan mudah untuk dilakukan secara mandiri. Hal yang perlu diperhatikan secara benar oleh peneliti adalah penentuan indikator-indikator Strenght – Weakness – Opportunity dan Theats yang menjadi dasar evaluasi secara matematis. Oleh karenanya, dalam penentuan indikator-indikator tersebut diperlukan orang yang benar memahami kondisi usaha baik secara riil maupun secara teoritik.
Berikut beberapa tahapan dalam melakukan analisis SWOT diantaranya :
Identifikasikan indikator-indikator yang berdasarkan pengamatan sangat menentukan maju atau mundurnya suatu usaha, berdasarkan Strenght – Weakness – Opportunity dan Theats. Susun indikator-indikator tersebut sewajarnya (mis : 5 s.d 10 indikator) yang mencerminkan hal-hal yang sangat penting. Susunan dari indikator-indikator ini dikenal dengan istilah IFAS-Internal (Strenght dan Weakness) dan EFAS-Eksternal (Opportunity dan Threats)
Tentukan bobot dan rating untuk masing-masing indikator dalam IFAS dan EFAS. Menurut Rangkuti, menentukan besaran bobot dan rating pada setiap indikator dapat digunakan skala 1,2,3. Penilaian untuk setiap skala dapat dijelaskan sebagai berikut (a) 1 = jika indikator horizontal kurang penting dari pada indikator vertikal (b) 2 = jika indikator horizontal sama penting dengan indikator vertikal dan (c) 3 = jika indikator horizontal lebih penting daripada indikator vertikal. Dalam hal ini jumlah total skor bobot faktor untuk masing-masing IFAS dan EFAS tidak boleh lebih dari 1. Sehingga dapat gambarkan seperti gambar berikut :
Setelah mendapatkan bobot dan rating berdasarkan penilaian dari responden, maka setelahnya dapatkan nilai rating atas indikator-indikator dari pemilik usaha atau top management yang paham akan kondisi dan penilaian atas indikator-indikator dalam IFAS dan EFAS. Setelah itu kalikan antara bobot indikator dari responden dengan rating dari pemilik atau management untuk mendapatkan total skor pembobotan IFAS dan EFAS bagi perusahaan.
Setelah proses perhitungan untuk mendapatkan bobot indikator IFAS dan EFAS dilakukan, dengan mensinkronkan antara persepsi responden dan pemilik usaha, langkah selanjutnya adalah merumuskan alternatif strategi dalam bentuk penentuan koordinat dalam diagram analisis SWOT dan menyusun faktor-faktor strategis perusahaan dalam matriks SWOT. Penentuan koordinat dalam diagram analisis SWOT berfungsi untuk menentukan posisi strategi perusahaan apakah terletak di kuadran I, II, III atau IV. Hal ini berfungsi untuk mengidentifikasi apakah strategi perusahaan bersifat Agresif, Diversifikasi, Turn-Aroud atau Defensif. Berikut gambaran perhitungan koordinat dari strategi perusahaan berdasarkan pada hasil perhitungan bobot pada matriks IFAS dan EFAS.
Gambar 1. Titik Koordinat Diagram SWOT
Gambar 2. Diagram SWOT
Setelah mengetahui posisi koordinat dan kuadran mana posisi strategi perusahaan berdasarkan pada diagram analisis SWOT, maka langkah selanjutnya adalah dengan menyusun matriks SWOT, matriks ini berisikan uraian strategi perusahaan dalam menyikapi hasil perhitungan sebelumnya. Dengan adanya perhitungan tersebut diketahui posisi strategi perusahaan ada pada posisi mana, apakah SO (strenght–opportunity), WO (weakness–opportunity), ST (strenght–threats) atau WT (weakness–threats). Pada tahap ini dilakukan perumusan berdasarkan indikator-indikator yang telah disusun pada tahap awal yang mengindikasikan Strenght – Weakness – Opportunity dan Theats.
Dengan mengetahui posisi strategi perusahaan dan mengetahui dengan jelas perumusan tindakan yang seharusnya dilakukan berdasarkan pada kejelasan indikator acuan yang dijadikan sebagai evaluasi perusahaan, jika pun implementasi secara riil berjalan dengan baik maka profitabilitas dan kemajuan perusahaan akan dapat tercapai.
Yang perlu diperhatikan dalam melakukan analisis SWOT adalah ketepatan dalam pemilihan indikator-indikator dalam matriks IFAS dan EFAS, selain itu pemilihan responden yang tepat turut mendukung tercapainya strategi yang tepat bagi perusahaan. Sampai jumpa pada pembahasan artikel selanjutnya. SELAMAT MENCOBA!!!
Ouput 1. Komponen Utama Terbentuk (Variance Explained & Scree Plot)
Output 2. Nilai Loading Komponen Utama (Component Matrix)
