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 :

1. Apakah model pengukuran konstruk yang diusulkan sesuai atau fit dengan data?
2. 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!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian, aplikasi software statistik ataupun olahdata.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

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 :

1. Tujuan : menganalisis pola hubungan kausal antarvariabel dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung di antara variabel
2. Variabel : variabel penyebab disebut variabel eksogen dan variabel akibat disebut variabel endogen
3. Masalah Penelitian :
   • Apakah variabel eksogen berpengaruh terhadap variabel endogen
   • Berapa besar pengaruh langsung dan tidak langsung, maupun bersama variabel eksogen terhadap variabel endogen
4. Skala Pengukuran : sekurang-kurangnya interval
5. 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.

1. 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).

2. Gambar diagram jalur dari model yang dihipotesiskan. Hal ini berguna dalam memandu proses perhitungan koefisien jalur yang melibatkan satu atau lebih variabel bebas sekaligus.

3. Buka file SPSS dan masukan variabel ke dalam menu Data View lalu definisikan tiap-tiap variabel tersebut dalam menu Variables Views.

4. 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

5. 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

6. 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!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

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 :

1. 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)

2. 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 :

3. 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.

4. 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

5. 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. 

6. 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!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Pada artikel sebelumnya kita sudah mengupas terkait dengan Regresi. Kita pandang bahwa regresi adalah konsep yang berkaitan dengan pola hubungan antar variabel yang asimetris, dalam artian bersifat rekursif atau satu mempengaruhi yang lainnya. Dalam penelitian umum sangat mudah dalam mengindentifikasi apakah suatu penelitian menggunakan konsep dasar regresi, yaitu dengan adanya kata “pengaruh”. Jika penelitian itu merupakan penelitian kuantitatif kita yakin bahwa penelitian tersebut berkaitan erat dengan konsep dasar regresi dalam penyelesaiannya.

Sekalipun kita berbiacara terkait dengan faktor analisis, path analisis dan structural equation modeling (SEM), secara prinsip pemahaman peneliti terhadap regresi haruslah excellent. Dikarenakan konsep regresi adalah konsep dasar dalam membangun pemahaman kepada pola analisis yang lebih kompleks.

Pada kesempatan kali ini, kita akan sedikit mengurai penerapan regresi dengan bantuan SPSS. Analisis regresi linear klasik dan analisis regresi dengan variabel dummy (X-Dummy), memiliki proses tahapan yang sama dalam pengaplikasian dengan SPSS, yang membedakan adalah dalam penguraian variabel dan interpretasi hasil akhir dari output yang dihasilkan oleh SPSS. Adapun tahapan penggunaan SPSS dalam analisis Regresi adalah sebagai berikut :

1. Buka software SPSS lalu definisikan variabel penelitian kita pada jendela Variabel View, setelahnya masukan data kedalam software SPSS melalui jendela Data View. Dalam tampilan SPSS akan terlihat seperti gambar berikut : 

2. Pilih menu Analyze lalu klik Regression lalu pilih Linear lalu klik, maka akan muncul jendela SPSS seperti gambar di bawah ini, yang berisikan menu-menu kelengkapan analisis regresi. 

3. Masukan variabel-variabel pada sisi sebelah kanan ke dalam kolom pendefinisian variabel yaitu variabel dependent dan variabel independent guna menghasilkan model regresi yang kita inginkan. Lalu klik OK.  

4. Maka SPSS akan memproses pembentukan model dan akan muncul tampilan output SPSS seperti gambar di bawah ini. 

5. Dari output SPSS terlihat ada 3 bagian utama yang menjadi perhatian utama dari peneliti. Pertama, Model Summary secara sederhana menggambarkan kebaikan variabel X dalam menjelaskan variabel Y. Kedua, uji ANOVA untuk memastikan bahwa model linier berlaku atas variabel Y (goodnes of fit). Dan ketiga, Coefficients merupakan uji parsial dari variabel X atas variabel Y.

Dengan menggunakan software SPSS mempermudah proses pemodelan variabel X atas variabel Y dalam sebuah model regresi. Yang perlu diperhatikan dalam melakukan analisis regresi adalah pemilihan variabel yang tepat sesuai fungsinya (X atau Y) yang berlandaskan teori yang sahih. Sampai jumpa pada pembahasan artikel selanjutnya. SELAMAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Dalam penelitian survey yang kaitannya dengan penggunaan instrumen berupa kuesioner atau angket, sudah umum dan mengenal dengan istilah validitas dan reliabilitas atas instrumen yang digunakan dalam penelitian. Validitas umum dikaitkan dengan presisi dari instrumen yang dipakai dalam penelitian dan Reliabilitas umum dikaitkan dengan konsistensi intrumen dalam menghasilkan jawaban dalam penelitian berulang. Pada artikel sebelumnya telah dibahas secara dengan jelas konsepsi, metode dan rumus dalam perhitungan nilai dari validitas  dan reliabilitas.

Pada kesempatan kali ini, kita akan bahas penggunaan software SPSS dalam menghasilkan nilai validitas dan reliabilitas dalam kaitannya dengan instrumen yang memiliki skor yang dihasilkan oleh skala Likert (ordinal). Rumus dasar yang digunakan untuk menghitung validitas adalah dengan menggunakan rumus Product Momen Pearson atau nilai korelasi pearson dan reliabilitas menggunakan rumus dari Alpha Cronbach.

Ada perbedaan penggunaan korelasi dengan tipe jawaban kuesioner atau angket dengan hasil biner (dikotomi) berupa benar (1) atau salah (0). Tidak bisa menggunakan rumus Product Moment Pearson atau korelasi pearson tetapi menggunakan rumus korelasi point biserial, salah satunya yang sering digunakan.

Akan tetapi dalam kesempatan ini kita akan membahas formulasi atau perhitungan validitas dan reliabilitas default dari SPSS dengan dasar perhitungan dengan korelasi pearson. Langkah-langkah perhitungannya adalah sebagai berikut :

1. Rekap jawaban yang dihasilkan dari lapangan ke dalam form data entry yang sudah dipersipakan, untuk kemudahan gunakan microsoft excel.  

2. Buka software SPSS lalu definisikan variabel penelitian kita pada jendela Variabel View, setelahnya masukan data kedalam software SPSS melalui jendela Data View. Dalam tampilan SPSS akan terlihat seperti gambar berikut : 

3. Pilih menu Analyze lalu klik Scale lalu pilih Reliability Analysis lalu klik, maka akan muncul jendela SPSS seperti gambar di bawah ini, yang berisikan menu-menu kelengkapan analisis reliabilitas. 

4. Masukan data item pertanyaan pada sisi sebelah kanan ke dalam kolom pendefinisian variabel yaitu Items. Sebagai catatan pengujian item kuisioner dapat dilakukan serentak per variabel penelitian ataupun per dimensi dalam variabel penelitian. Yang perlu diperhatikan adalah ketelitian atas konsep hasil yang diinginkan oleh peneliti. 

5. Untuk menguji Items pada variabel, pada menu Model tetap pada uji Alpha (Cronbach’s Alpha) pengujian yang umum digunakan oleh peneliti, meskipun dapat digunakan uji yang lain dengan melakukan scroll pada menu Model. Lalu klik pada menu Statistics, lalu pada menu Descriptives For, centang semua pilihan yang ada. Lalu klik Continue dan kembali pada menu awal lalu klik OK. 

6. Maka SPSS akan memproses perhitungan koefisien Validitas dan Reliabilitas dan akan muncul tampilan output SPSS seperti gambar di bawah ini. 

7. Ada 2 (dua) bagian penting pada output SPSS di atas, yaitu besaran koefisien korelasi yang mengukur validitas yaitu Corrected Item Total Correlation dan Cronbach’s Alpha yang berfungsi dalam menentukan reliable atau tidaknya item kuisioner yang diujikan.

Dengan menggunakan software SPSS mempermudah proses perhitungan validitas dan reliabilitas dari data kuisioner yang kita dapatkan. Seperti disampaikan sebelumnya, SPSS memberikan kemudahan bagi peneliti, akan tetapi kehati hatian dalam pemilihan jenis uji korelasi yang tepat tetap harus diperhatikan. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com :

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Pola atau derajat hubungan antara 2 (dua) variabel yang setara atau hubungan simetris dalam statistik biasa disebut dengan istilah korelasi atau asosiasi. Perlu diperhatikan oleh peneliti, terutama oleh peneliti pemula yang melakukan proses analisis data secara mandiri, sebelum memastikan jenis korelasi yang diambil bagi proses analisa data yang dimilikinya. Hal utama yang perlu diperhatikan adalah skala pengukuran yang menempel pada data yang diperolehnya dalam penelitian. Skala ukur pada data seperti sudah dibahas pada artikel sebelumnya, memiliki 4 (empat) jenis diantaranya nominal, ordinal, interval dan rasio. Sedikitnya ada 3 (tiga) jenis korelasi yang nantinya akan terbentuk dengan merujuk pada jenis skala ukur tersebut diantaranya yang sering atau umum digunakan adalah pearson, rank spearman, poin biserial dan koefisien kontingensi.

Dalam lingkup olahdata atau analisis statistik, korelasi dianggap rumpun analisis yang sangat mudah dilakukan setelah analisis deskriptif. Analisis yang relatif sederhana dan mudah secara interpretasi, akan tetapi diperlukan kehati-hatian ketika tahap awal penentuan jenis korelasi yang akan dilakukan terhadap data yang dimiliki. Selain itu, korelasi juga dapat dijadikan sebagai indikasi awal dalam mengevaluasi atau memprediksi variabel yang berpengaruh dalam pola kausalitas pada analisis yang lebih kompleks (semisal : regresi, path analisis ataupun SEM).

Berikut disajikan tahapan dalam melakukan uji korelasi dengan SPSS :

1. Buka software SPSS lalu definisikan variabel penelitian kita pada jendela Variabel View, setelahnya masukan data kedalam software SPSS melalui jendela Data View. Dalam tampilan SPSS akan terlihat seperti gambar berikut : 

2. Pilih menu Analyze lalu klik Correlate lalu pilih Bivariate lalu klik, maka akan muncul jendela SPSS seperti gambar di bawah ini, yang berisikan menu-menu kelengkapan analisis korelasi. 

3. Masukan variabel-variabel pada sisi sebelah kanan ke dalam kolom pendefinisian variabel yaitu Variables. 

5. Untuk menentukan uji korelasi pada variabel, pilih jenis dari uji korelasi pada menu Correlation Coefficients. Ada 3 (tiga) pilihan jenis pengujian yaitu Pearson (skala interval-rasio), Kendal’s Tau dan Spearman (skala ordinal). Setelah pasti dengan pilihan jenis uji korelasi pada pasangan variabel lalu klik OK.
6. Maka SPSS akan memproses perhitungan koefisien korelasi dan akan muncul tampilan output SPSS seperti gambar di bawah ini. 

6. Ada 2 (dua) bagian penting pada output SPSS di atas, yaitu besaran koefisien korelasi yang mengukur tingkat/derajat hubungan antar variabel yang diujikan dan Sig. yang berfungsi dalam menentukan berarti atau tidaknya nilai koefisien korelasi yang dihasilkan secara statistik.

Dengan menggunakan software SPSS mempermudah proses perhitungan tingkat/derajat hubungan antar 2 variabel yang diujikan. Seperti disampaikan sebelumnya, SPSS memberikan kemudahan bagi peneliti, akan tetapi kehati hatian dalam pemilihan jenis uji korelasi yang tepat tetap harus diperhatikan. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 0813 2170 9749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Pada artikel sebelumnya kita telah membahas konsepsi regresi dengan data kualitatif pada variabel bebas atau X-dummy. Perlakuan regresi dengan variabel bebas dummy tidak jauh berbeda dengan perlakuan regresi dengan variabel bebas semua dalam nilai kuantitatif dengan skala ukur interval atau rasio. Perbedaan hanya dari pemecahan variabel kualitatif ke dalam beberapa variabel disesuaikan dengan jumlah kategori yang dimiliki oleh variabel tersebut. Berbeda dengan konsepsi yang dibahas ketika X-dummy, pada kesempatan kali kita akan membahas konsepsi variabel jika variabel tak bebas bersifat kualitatif atau kategori, Y-dummy.

Variabel Tak Bebas Dummy

Misal kita ingin mempelajari partisipasi tenaga kerja laki-laki dewasa sebagai fungsi dari tingkat pengangguran, tingkat upah rata-rata pendapatan keluarga, pendidikan dan seterustnya. Sekarang seseorang bisa termasuk dalam tenaga kerja atau tidak. Jadi, variabel tak bebas, partisipasi tenaga kerja, hanya dapat mengambil dua nilai : 1 jika seseorang termasuk tenaga kerja dan 0 jika ia tidak.

Ciri unik dari contoh di atas adalah bahwa variabel tak bebas adalah jenis yang memperoleh jawaban ya atau tidak; yaitu bersifat dikotomi (0 dan 1). Model linear yang menyatakan Y yang bersifat dikotomi sebagai fungsi linear dari variabel yang menjelaskan X disebut model probabilitas linear (LPM) karena harapan bersyarat (ekspektasi) dari Y untuk X tertentu, dapat diinterpretasikan sebagai probabilitas (peluang) bersyarat yang kejadiannya akan terjadi (Y = 1) untuk X tertentu, jika dinotasikan maka Pr (Y = 1 | X).

Dengan memisalkan P = probabilitas bahwa Y = 1 (yaitu kejadian tadi terjadi) dan 1 – P = probabilitas bahwa Y = 0 (yaitu kejadian tadi tidak terjadi), maka variabel Y mempunyai distribusi dimana Y = 0 maka probabilitasnya adalah 1 – P dan Y = 1 maka probabilitasnya adalah P.

Perlu diperhatikan oleh peneliti uraian konsep dan notasi tersebut penting dalam formulasi model secara matematis dan teknik dalam pengumpulan serta pencatatan data yang akan digunakan dalam analisa suatu model regresi dengan variabel tak bebas (Y) sebagai variabel kualitatif atau kategori.

Penaksiran OLS Model Probabilitas Linear (LPM)

Model regresi dengan variabel tak bebas (Y) bersifat dikotomi (0 dan 1), parameternya dapat ditaksir dengan prosedur kuadrat terkecil biasa (OLS). Akan tetapi akan menghadapi beberapa masalah khusus diantarannya :

1. Ketidaknormalan faktor gangguan u_i (disturbance). Meskipun OLS tidak memerlukan gangguan u_i untuk didistribusikan secara normal, kita mengasumsikan bahwa faktor gangguan tadi didistribusikan secara demikian (normal) untuk maksud pengambilan keputusan (inferensi) yang bersifat statistik yaitu pengujian hipotesis. Tetapi asumsi normalitas untuk gangguan u_i tidak dapat dipertahankan lagi untuk model LPM, seperti Y, faktor gangguan u_i hanya menghasilkan dua angka yaitu 0 dan 1.
2. Varians heteroskedastik dari gangguan. Dalam model LPM, homoskedastik dari gangguan u_i yang dihasilkan model dengan OLS, tidak dapat dipertahankan lagi. Pembuktian secara matematis menunjukkan bahwa varians gangguan u_{i ­}adalah heteroskedastik, secara sederhana, karena varian dari model LPM tergantung pada harapan bersyarat dari Y, yang tentu saja, tergantung pada nilai yang diambil oleh X. Jadi varian gangguan u_i tergantung pada X dan jadi tidak homoskedastik. (baca artikel “Asumsi Non Heteroskedastisitas Dalam Regresi).
3. Tidak terpenuhinya 0 ≤ E(Y|X) ≤ 1. Karena E(Y|X) yang merupakan nilai taksiran (ekspektasi) dari Y, dalam model probabilitas linear (LPM) mengukur probabilitas (peluang) bersyarat dari kejadian Y yang terjadi dengan syarat X, maka harus perlu terletak antara 0 dan 1. Meskipun merupakan suatu pernyataan apriori, tidak ada jaminan bahwa nilai taksiran dari Y, penaksir dari E(Y|X), akan memenuhi kriteria 0 ≤ E(Y|X) ≤ 1 dan ini merupakan masalah dalam penaksiran OLS dari LPM.

Perbaikan Kelemahan OLS Model Probabilitas Linear (LPM) :

Seperti telah diutarakan di atas, bahwa menggunakan metode OLS dalam penaksiran model regresi dengan variabel tak bebas (Y) kualitatif atau dokotomi bukan tanpa masalah, berikut beberapa usaha dalam menanggulangi kelemahan metode OLS yang diterapkan pada model LPM.

1. Tidak terpenuhinya asumsi normalitas mungkin tidak sekritis seperti yang terlihat karena kita tahu taksiran titik OLS masih tetap tak bias. Lebih jauh lagi, dengan meningkatnya ukuran sampel sampai tak terbatas, dapat ditunjukkan bahwa penaksir OLS cenderung untuk pada umumnya didistribusikan secara normal. Oleh karena itu, dalam sampel besar penarikan kesimpulan secara statistik (pengujian hipotesis) dari LPM akan mengikuti prosedur OLS yang biasa di bawah asumsi normalitas. (baca juga artikel “Asumsi Normalitas Dalam Regresi).
2. Kita ketahui bahwa dengan adanya heteroskedastisitas penaksir OLS meskipun tidak bias, tidak efisien yaitu taksiran yang dihasilkan tidak mempunyai varians minimum. Karena varians u_i tergantung pada nilai yang diharapkan dari Y bersyarat atas nilai X, Var u_i = P(1-P), satu cara untuk memcahkan masalah heteroskedastisitas adalah dengan mentransformasikan data dengan membagi kedua sisi model regresi dengan akar kuadrat dari Var u_i. Dimana nilai P sendiri diperoleh dari nilai taksiran model regresi dengan variabel tak bebas (Y) kualitatif, dengan tidak memandang terlebih dahulu permasalahan heteroskedastisitas.
3. Ada dua cara untuk mendapatkan apakah Y yang ditaksir terdapat antara 0 dan 1. Prosedur pertama adalah dengan menaksir LPM yang ditaksir terletak antara 0 dan 1. Jika beberapa di antaranya lebih kecil dari 0 (minus), maka Y taksiran diasumsikan bernilai 0; jika taksiran Y lebih besar dari 1, maka Y diasumsikan bernilai 1. Prosedur kedua, dengan memikirkan suatu teknik penaksiran yang akan menjamin bahwa probabilitas bersyarat yang ditaksir Y akan terletak antara 0 dan 1. Beberapa metode itu tersedia salah satu diantaranya adalah model LOGIT.

Istilah LOGIT mungkin familiar bagi sebagian peneliti, LOGIT merupakan suatu model regresi yang dibangun dengan bantuan transformasi logistik pada model yang dibangun. Seperti disebutkan pada pemaparan di atas, fungsi LOGIT ini sangat bermanfaat dalam memastikan nilai taksiran Y dari model regresi dengan variabel tak bebas (Y) bersifat katogori, berada antara 0 dan 1. Pada pembahasan selanjutnya kita akan sedikit menguraikan secara jelas model regresi LOGIT.

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 0813 2170 9749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Pada artikel sebelunya kita sudah membahas dan menguraikan model persamaan regresi linier klasik dengan variabel yang memiliki skala pengukuran interval atau rasio yang umum digunakan. Sehingga dalam formulasinya tidak terlalu membutuhkan perlakuan khusus, selain hanya pemenuhan uji asumsi klasik untuk memastikan bahwa model yang dihasilkan adalah model penaksir yang baik bagi data yang dimiliki. Dummy!

Lainnya halnya dengan model regresi yang akan sedikit diuraikan pada kesempatan ini, yaitu regresi dengan variabel dummy, dummy pada variabel bebas X (variabel independen). Maksudnya adalah membahas peranan variabel yang menjelaskan yang bersifat kualitatif dalam analisis regresi. Akan ditunjukkan bahwa pengenalan variabel kualitatif, seringkali disebut variabel dummy, membuat model regresi linear suatu alat yang sangat fleksibel yaitu mampu untuk menangani banyak masalah menarik yang dijumpai dalam studi empiris.

Sifat Dasar Variabel Dummy

Dalam analisis regresi seringkali terjadi bahwa variabel tak bebas dipengaruhi, tidak hanya oleh variabel yang dapat segera dinyatakan secara kualitatif pada skala yang didefinisikan dengan baik (misalnya : pendapatan, hasil, harga, biaya dan temperatur) tapi juga dengan variabel yang pada dasarnya bersifat kualitatif (misalnya : jenis kelamin, ras, warna, kulit, agama, kebangsaan, dll).

Oleh karena variabel yang menjelaskan seperti itu biasanya menunjukkan adanya atau tidak adanya “kualitas” atau ciri-ciri, satu metode untuk “membuatnya kuantitatif” dari atribut seperti itu adalah dengan membentuk variabel buatan yang mengambil nilai 1 atau 0, 0 menunjukkan ketidakhadiran ciri tadi dan 1 menunjukkan adanya ciri tadi. Sebagai contoh, 1 mungkin menunjukkan bahwa seseorang adalah laki-laki dan 0 menunjukkan perempuan, atau 1 menunjukkan bahwa seseorang merupakan lulusan perguruan tinggi dan 0 bukan lulusan perguruan tinggi dan seterusnya. Variabel yang mengambil nilai seperti 0 dan 1 disebut variabel dummy. Nama lainnya adalah variabel indikator, variabel binary, variabel bersifat kategori, variabel kualitatif dan variabel dichotomous.

Variabel dummy dapat digunakan dalam model regresi semudah variabel kuantitatif. Pada kenyataanya, suatu model regresi mungkin berisi variabel yang menjelaskan yang secara eksklusif bersifat dummy atau pada dasarnya kualitatif. Model regresi dengan variabel dummy memungkinkan kita untuk mengetahui apakah jenis kelamin menyebabkan perbedaan dalam gai pengajar di penguruan tinggi, dengan mengasumsikan bahwa semua variabel lain seperti umur, gelar dan tahun pengalaman dijaga konstan.

Suatu pengujian hipotesis nol bahwa tidak ada diskriminasi didasarkan pada jenis kelamin dapat dengan mudah dibuat dengan melakukan regesi dengan cara biasa dan mendapatkan apakah atas dasar pengujian t, yang ditaksir penting (signifikan) secara statistik. Model regresi dengan variabel dummy, meskipun lazim dalam bidang seperti sosiologi, psikologi, pendidikan, penelitian pasar, tidak lazim dalam ilmu ekonomi. Khususnya, dalam sebagian besar penelitian ekonomi model regresi berisi beberapa variabel yang menjelaskan yang bersifat kuantitatif dan beberapa yang bersifat kualitatif. Model regresi yang berisi suatu campuran variabel kuantitatif dan kualitatif disebut model analisis kovarians.

Hal Yang Harus Diperhatikan

Sebelum melakukan analisis regresi dengan variabel dummy, ada yang perlu diperhatikan yang merupakan ciri dari model regresi dengan variabel dummy :

1. Jika suatu variabel kualitatif mempunyai m kategori, maka kenalkan hanya m-1 variabel dummy. Misal, dalam contoh jenis kelamin mempunyai 2 kategori dan karenanya kita hanya mengenalkan hanya satu variabel dummy. Jika aturan ini tidak diikuti, maka kita akan terjatuh ke dalam jebakan variabel dummy yaitu situasi multikolinearitas sempurna.
2. Penetapan nilai 1 dan 0 untuk dua kategori, seperti pria dan wanita adalah tanpa suatu dasar (bersifat arbitrary) dalam arti bahwa kita dapat menetapkan D =1 untuk wanita dan D = 0 untuk pria atau pun sebaliknya. Jadi dalam menginterpretasikan hasil dari model dengan menggunakan variabel dummy penting untuk mengetahui bagai mana nilai 0 dan 1 ditetapkan.
3. Kelompok, kategori atau klasifikasi yang diberi nilai nol seringkali disebut sebagai kategori dasar, kontrol, perbandingan atau yang diabaikan merupakan dasar dalam arti bahwa perbandingan dibuat dalam kategori tadi. Sebagai misal, jika dalam model wanita merupakan kategori dasar, maka bahwa unsur intersep α₀ adalah unsur intersep untuk kategori dasar ini, dalam arti jika kita melakukan regresi D = 0, yaitu hanya untuk wanita saja, intersepnya akan α Juga diperhatikan bahwa kategori yang berlaku sebagai kategori dasar adalah masalah pilihan yang kadang-kadang ditentukan dengan pertimbangan yang bersifat apriori.
4. Koefisien α₁ yang diberikan untuk variabel dummy D dapat disebut koefisien intersep diferesnial karena koefisien tadi meyatakan berapa banyak nilai unsur intersep dari kategori yang mendapatkan nilai 1 berbeda dari koefisien intersep dari kategori dasar.

Regresi dengan variabel dummy pada variabel bebasnya (X-Dummy) memberikan kemenarikan tersendiri bagi peneliti yang ingin memasukan hal-hal yang sifatnya kualitatif pada model persamaan yang ingin dibentuknya. Selain karena kemenarikannya tersebut, tetap harus terdapat kehati-hatian dari peneliti untuk memasukan variabel kualitatif ke dalam model persamaannya. Selain untuk mengurangi faktor berlebihan pada model yang dibentuknya, juga faktor keefisienan dari model dengan memastikan bahwa hanya variabel yang benar-benar secara teori mendukung dalam hubungan kausalitas dalam pembentukan suatu model regresi. SEMANGAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 0813 2170 9749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Sudah menjadi bahasan atau pemahaman umum bahwa proses penelitian sering bersentuhan dengan istilah populasi dan sampel. Populasi adalah keseluruhan objek penelitian sedangkan sampel adalah representatif subjek penelitian yang diambil dari populasi. Penggunaan istilah populasi dan sampel menarik untuk dijadikan sebagai bahan diskusi yang hangat dan menantang ketika berbicara tentang polling atau quickcount, khususnya pada topik bahasan politik.

Dengan memahami definisi populasi dan sampel atas suatu penelitian akan memberikan keuntungan yang besar bagi peneliti khususnya dalam hal pembiayaan dan kesederhanaan proses penelitian. Penelitian yang baik adalah yang low cost dan simple akan tetapi pempunyai presisi yang sama ketika penelitian menggunakan scope yang besar atas sesuatu objek yang diteliti (populasi). Ada baiknya kita mengetahui benefit atau keuntungan apa saja yang akan kita dapatkan jika kita melakukan penelitian dengan mengambil sampel saja atas suatu populasi, tidak menjadikan keseluruhan anggota populasi sebagai subjek dari penelitian.

Menurut buku yang ditulis oleh William G. Cochran (Sampling Method) paling tidak ada 4 benefit atau keuntungan ketika suatu proses penelitian menggunakan sampel bukan populasi.

Pertama : Reduce Cost (Mengurangi Biaya) 

“If data are secured from only a small fraction of the aggregate, expenditures are smaller than if complete census is attempted. With large populations, results accurate enough to be useful can be obtained from samples that represent only a small fraction of the population.“

Jadi pada intinya jika di peroleh sampel yang benar-benar representatif dari populasi yang di teliti maka hasil yang diperoleh dari penelitian sampel akan sama dengan hasil yang diperoleh jika kita meneliti seluruh populasi dan tentu saja biaya untuk memperoleh hasil yang sama itu lebih kecil dibandingkan kita meneliti seluruh populasi.

Kedua : Greater Speed (Lebih Cepat)

“The data can be collected and summarized more quickly with a sample than with a complete count. This is a vital consideration when the information is urgently needed.”

Sekali lagi jika sampel yang di peroleh dari populasi benar-benar representatif, hasil yang maksimal dari penelitian akan kita peroleh dengan waktu yang lebih cepat dibandingkan jika kita harus meneliti seluruh anggota dari populasi. Apalagi jika hasil dari penelitian tersebut sangat diperlukan dengan segera.

Ketiga : Greater Scope (Jangkauan Lebih Luas)

“In certain types of inquiry highly trained personnel or specialized equipment, limited in availability, must be used to obtain the data. A complete census is impracticable; the choice lies between obtaining the information by sampling or not at all. thus surveys that relay on sampling have more scope and flexibility regarding the types of information that can be obtained“

Jadi dengan adanya keterbatasan-keterbatasan baik itu pada orang yang terlatih (surveyor) dan alat yang khusus untuk pengambilan data serta tidak memungkinkan untuk dilakukan sensus, maka dengan menggunakan sampel akan lebih praktis dan fleksibel guna mendapatkan informasi tertentu yang dapat menjangkau keseluruhan dari populasi.

Keempat : Greater Accuracy (Akurasi Lebih Baik) 

“Because personnel of higher  quality can be employed and given intensive training and because more careful supervision of the field work and processing of results become feasible when the volume of work is reduced, a sample may produce more accurate results than the kind of complete enumeration that can be taken“

Jadi pada intinya dengan menggunakan sample yang representatif dengan berprinsip pada biaya (cost) yang jauh lebih sedikit tadi. Kita dapat memperkerjakan sekaligus melakukan pelatihan kepada para surveyor untuk mengarahkan mereka agar mendapatkan sampel dan informasi dari populasi secara tepat dan benar. Selain itu, dengan menggunakan sampel akurasi didapat karena kehati-hatian dalam proses supervisi kepada para suveyor yang dimiliki sehingga ketepatan pada hasil dapat diperoleh dikarenakan beban kerja untuk mendapatkan informasi yang diperlukan lebih sedikit jika kita menggunakan sampel dibandingkan dengan menggunakan populasi.

4 poin di atas, diharapkan dapat dijadikan sebagai referensi dan asumsi bagi para peneliti, untuk mejadikan sampel sebagai alat yang mempermudah dan mengefisienkan proses penelitian. Ada benefit tentunya ada prosedur yang harus dilewati sehingga proses sampling yang kita jalani dapat memberikan hasil yang optimal pada penelitian yang dilakukan.

Lebih lanjut yang betul-betul diperhatikan oleh peneleliti yang menggunakan sampel sebagai objek penelitiannya adalah penentuan kerangka sampling. Apa itu kerangka sampling atau sampling frame? Kerangka sampling atau sampling frame yaitu berupa daftar dari unit-unit hasil proses seleksi dari populasi yang nantinya dijadikan acuan untuk dilakukan proses sampling (pengambilan sampel) di lapangan. Kebutuhan kerangka sampling utamanya sangat membantu dalam proses pengambilan sampel acak untuk memenuhi asumsi penggunaan alat statistik setelah data didapatkan dari hasil proses sampling.

Bagaimana mendapatkan kerangka sampling atau sampling frame yang benar-benar baik? Secara konsepsi di atas kertas mungkin akan sangat mudah, dimulai dengan penentuan secara benar dari TARGET POPULASI dengan cara menyisihkan unit-unit populasi yang tidak masuk dalam kriteria objek dalam penelitian. Dan yang nantinya akan dijadikan sebagai panduan bagi peneliti untuk menerapkan kesimpulan pada populasi dan populasi itu adalah populasi yang menjadi target dari penelitian yang dilakukan.

Dalam lingkup penelitian dengan cakupan zona yang luas (umumnya penelitian sosial) semacam polling atau quickcount, tahapan penentuan Target Populasi dan penyusunan Kerangka Sampling yang baik, akan sangat membantu pencapaian keuntungan-keuntungan penelitian yang telah diuraikan di atas. SEMANGAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 0813 2170 9749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Salah satu pengujian terhadap model regresi yang sudah dibahas pada artikel sebelumya adalah tentang autokorelasi pada model regresi. Autokorelasi pada model regresi salah satunya dapat menyebabkan selang taksiran penaksir (koefisien regresi) menjadi lebar, dalam artian presisi yang didapatkan dari hasil penaksiran menjadi berkurang dan itu merupakan suatu kelemahan bagi model. Adapun salah satu yang menyebabkan terjadinya sifat dasar masalah penelitian yang dihadapi yang kiranya sering dilakukan oleh banyak peneliti yaitu Manipulasi data. Dalam amalisis empiris, data kasar seringkali “dimanipulasi”.

Sebagai misal, dalam regresi deret waktu yang melibatkan data kuartal, data seperti itu biasaya diperoleh dari data bulanan dengan hanya menambahkan 3 observasi bulanan dan membagi jumlah tadi dengan 3. Pemerataan ini menghasilkan penghalusan (smothnees) ke dalam data dengan meratakan fluktuasi dalam data bulanan. Jadi, jika grafik yang memetakan data kuartal nampak jauh lebih halus daripada data bulanan, dan kehalusan ini mungkin dengan sendirinya mengakibatkan pola sistematis dalam gangguan, sehingga mengakibatkan autokorelasi.

Lalu bagaimanakah kita mengetahui dalam model regresi yang kita hasilkan mengandung autokorelasi? Dengan bantuan software SPSS dapat dengan mudah kita ketahui melalui hasil proses perhitungan, metode umum dan relative mudah untuk digunakan adalah dengan metode Durbin Watson dengan nilai d-nya. Pengujian nilai d yang dihasilkan melalui proses perhitungan didasarkan pada kriteria yang ditetapkan oleh Durbin dan Watson, didasarkan atas batas bawah dL dan batas atas dU sedemikian rupa sehingga jika d yang dihitung terletak diluar nilai kritis dL dan dU, suatu keputusan dapat dibuat mengenai adanya autokorelasi positif atau negatif.

Berikut kita perlihatkan tahapan untuk menguji autokorelasi pada model regresi dengan menggunakan SPSS.

1. Buka software SPSS lalu definisikan variabel penelitian kita pada jendela Variabel View, setelahnya masukan data kedalam software SPSS melalui jendela Data View. Dalam tampilan SPSS akan terlihat seperti gambar berikut : 

2. Pilih menu Analyze lalu klik Regression lalu pilih Linear lalu klik, maka akan muncul jendela SPSS seperti gambar di bawah ini, yang berisikan menu-menu kelengkapan analisis regresi. 

3. Masukan variabel-variabel pada sisi sebelah kanan ke dalam kolom pendefinisian variabel yaitu variabel dependent dan variabel independent guna menghasilkan model regresi yang kita inginkan. 

4. Untuk mendapatkan hasil pengujian autokorelasi pada model, maka klik menu Statistics, maka akan muncul tampilan jendela seperti gambar di bawah. Lalu klik pada menu Residuals pada Durbin-Watson dan klik Continue. 

5. Setelah masuk ke jendela utama analisis regresi, lalu klik OK. Maka SPSS akan memproses pembentukan model dan pengujian asumsi autokorelasi pada residual dan akan muncul tampilan output SPSS seperti gambar di bawah ini. 

6. Pada gambar output SPSS, kita mendapatkan nilai Durbin-Watson pada tabel Model Summary. Nilai d yang didapatkan dicocokan dengan kriteria nilai Durbin-Watson berdasarkan interval yang dijelaskan pada artikel sebelumnya.

Dengan menggunakan software SPSS mempermudah proses pembuktian pemenuhan asumsi non autokorelasi bagi model regresi yang dihasilkan. Pada bahasan selanjutkan kita akan jelaskan pula cara penggunaan software SPSS untuk pengujian asumsi regresi lainnya diantaranya linieritas. Sampai jumpa pada pembahasan artikel selanjutnya. SELAMAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 0813 2170 9749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-