JENIS-JENIS TES ANALISIS VARIAN (skripsi dan tesis)

1. Anova satu arah biasa dikenal/one way anova

Uji statistik ini untuk menguji perbedaan rata-rata lebih dari dua sampel dimana dalam melakukan analisis hanya bisa satu arah yaitu hanya bisa menguji antar kelompok yang satu.

2. Anova dua arah tanpa interaksi/anova two way without interaction

Uji statistik ini untuk menguji perbedaa interaksi antara kelompok dan perlakuan. maksdunya bisa membandingkan antar kelompok atau antar perlakuan.

3. Anova dua arah dengan interaksi/anova two way with interaction

Uji statistik ini merupakan anova dua arah dengan interaksi yaitu ketika adanya kolom [perlakuan] dan blok [baris] diulang.

PENGERTIAN MASALAH DALAM PENELITIAN (skripsi dan tesis)

Stonner (1982) mengemukakan bahwa masalah-masalah dapat diketahui atau dicari apabila terdapat penyimpangan antara pengalaman dengan kenyataan, antara apa yang direncanakan dengan kenyataan, adanya pengaduan, dan kompetisi. Menurut Suryabrata (1994 : 60) masalah merupakan kesenjangan antara harapan (das sollen) dengan kenyataan (das sein), antara kebutuhan dengan yang tersedia, antara yang seharusnya (what should  be) dengan yang ada (what it is) (Suryabrata, 1994: 60). Penelitian dimaksudkan untuk menutup kesenjangan (what can be).

Ukuran Sampel (skripsi dan tesis)

 Pada dasarnya tidak ada aturan baku mengenai pengambilan ukuran dari sampel selama sampel sudah mewakili karakteristik dari populasi. Namun dalam penelitian yang bersifat psikologi seperti pada penelitian pendidikan, Semakin besar jumlah akan menghasilkan data yang lebih stabil. Selain dari karakteristik peneliti juga harus mempertimbangkan jumlah data yang dibutuhkan untuk keperluan analisis Statistik.

Sebagai contoh jika penelitian yang dilakukan bertujuan untuk membandingkan dua bua grouph dengan satu variabel pembanding, analisis yang dilakukan untuk data yang terdistribusi normal adalah untuk distribusi t mengharuskan minimal jumlah data terdiri dari 30 data karena kurang dari itu tidak menghasilkan analisis yang baik dan tidak lebih dari 60 data.

Beberapa ahli memberikan gambaran mengenai jumlah sampel yang berbeda-beda namun pertimbangan jenis dan bidang penelitian sebaiknya dijadikan acuan untuk memilih ukuran sampel.

Sebagai gambaran pendapat beberapa ahli mengenai jumlah sampel Gay dan Diehl (1992) pada kajian penelitian untuk kelas bisnis dan manajemen memberikan sara ukuran sampel minimal

a.       Penelitian deskriptif, jumlah sampel minimum adalah 10% dari populasi Penelitian korelasi, jumlah sampel minimum adalah 30 subjek

b.      Penelitian kausal perbandingan, jumlah sampel minimum adalah 30 subjek per group

c.       Penelitian eksperimental, jumlah sampel minimum adalah 15 subjek per group

Frankel dan Wallen (1993) pada kajian penelitian evaluasi pendidikan menyarankan Penelitian deskriptif jumlah sampel minimum adalah 100 sampel Penelitian jumlah sampel minimum adalah 50 sampel Penelitian kausal-perbandingan sebanyak 30 sampel untuk setiap group Penelitian eksperimental sebanyak 30 atau 15 per group

Roscoe, Ukuran sampel penelitian dibedakan menjadi 4 (empat), yaitu :

a.       Ukuran sampel lebih dari 30 dan kurang dari 500 adalah tepat untuk kebanyakan penelitian

b.      Jika sampel dipecah ke dalam subsampel (pria/wanita, junior/senior, dan sebagainya), ukuran sampel minimum 30 untuk tiap kategori adalah tepat

c.       Dalam penelitian mutivariate (termasuk analisis regresi berganda), ukuran sampel sebaiknya 10x lebih besar dari jumlah variabel dalam penelitian

d.      Untuk penelitian eksperimental sederhana dengan kontrol eskperimen yang ketat, penelitian yang sukses adalah mungkin dengan ukuran sampel kecil antara 10 sampai dengan 20

Isaac dan Michael memberikan gambaran mengenai metode pengambilan sampel disesuaikan dengan taraf signifikansi dari penelitian yakni 1%, 5%, dan 10%. 

Pengukuran Variansi Kelompok (Konsultasi Skripsi, SKRIPSI, Statistik, Statistika, Jogja,)

1.         rentang Data

rentang data range dapat diketahui dengan jalan mengurangi data yang terbesar dengan data terkecil yang ada paka kelompk itu

2.         varians

salah satu teknik statistika yang digunakan untuk menjelaskan homogenitas kelompok adalah dengan varians. varians merupakan jumlah kuadrat semua deviasi nilai-nilai individual terhadap rata-rata kelompok. akar varians disebut standardeviasi atau simpangan baku.

  

(Sugiyono, 2003)

PENGUKURAN GEJALA PUSAT (Statistik, Statistika, Konsultasi Skripsi, SKRIPSI, Jogja)

1.       Modus (mode)

Modus merupakan teknik penjelasan kelompok yang di dasarkan atas nilai populer (yang sedang menjadi mode) atau yang sering muncul dalam kelompok tersebut.

2.       Median

Median adalah salah satu teknik penjelasan kelompok yang di dasarkan atas nilai tengah dari kelompok data yang telah disusun urutannya dari yang terkecil sampai dengan yang terbesar, atau sebaliknya dari yang terbesar sampai dengan yang terkecil.

3.       Mean

Mean merupakan teknik penjelasan kelompok yang didasarkan atas nilai rata-rata dari kelompok tersebut. Rata-rata(mean) ini di dapatkan dengan menjumlahkan data seluruh individu dalam kelompok itu.  Kemudian dibagi jumlah individu yang ada pada kelompok tersebut. Halaman ini dapat dirumuskan seperti rumus d bawah ini:

Me = ∑X₁

           n

(Sugiyono, 2003)

Jenis-Jenis Variabel Penelitian (Konsultasi Skripsi, SKRIPSI, Statistika, Statistik, variabel )

1.       Variabel independen

Variabel ini disebut sebagai variabel stimulus, input, pediktor dan antecendent. Dalam bahasa indonesia disesbut sebagai variabel bebas. Variabel bebas adalah variabel yang menjadi sebab timbulnya atau berubahnya variabel dependen (variabel terkait). Jadi variabel independen adalah variabel yang mempengaruhi

2.       Variabel dependen

Sering disebut sebagai sebagai variabel respon, Output, kriteria, konsekuen. Dalam bahasa indonesia sering disebutsebagai variabel terikat. Variabel terikat merupakan variabel yang dipengaruhi atau yang menjadi akibat karena adanya variabel bebas.

3.       Variabel moderator

Adalah variabel yang mempengaruhi (memperkuat atau memperlemah) hubungan antara variabel independen dan variabel dependen. Variabel ini disebut sebagai variabel independen ke dua

4.       Variabel intervening

Adalah variabel yang secara teoritis mempengaruhi (memperkuat atau meperlemah) hubungan antara variabel independen dan variabel dependen tetapi tidak terukur

5.       Variabel kontrol

Merupakan variabel yang dikendalikan atau dibuat konstan sehingga tidak akan mempengaruhi variabel utama yang diteliti. Variabel kontrol ini ditetapkan oleh peneliti, bila peneliti akan melakukan penelitian utama dengan menggunakan metode eksperimen yang bersifat membuat perbandingan.

(Sugiyono, 2003)

Pengolahan Data Statistik "Structural Equation Modeling (SEM)" (2)

Seperti telah dijelaskan pada bab 1 bahwa pada dasarnya model persamaan structural terdiri dari 2 bagian yaitu :(a)bagian pengukuran yang menghubungkan observed variabel dengan latent variabel lewat confirmatory faktor model dan (b) bagian struktur yang menghubungkan antar latent variabel lewat persamaan regresi simultan.Bab ini akan membahas pengertian dasar observed variabel,latent variabel dan bagaimana membangun persamaan strukturalnya.

Observed Variabel (Manifest)dan Unobserved Variabel (latent)

Variabel penelitian adalah konsep abstrak yang dapat diukur.Konsep abstrak itu antara lain kepuasan kerja,komitmen,motivasi.Konsep abstrak yang langsung dapat diukur disebut observed variabel atau manifest.Sebagai contoh: inflasi dapat langsung diukur dengan indek angka konsumen,kinerja perusahaan dapat diukur langsung dengan laba atau ROA.Namun demikian ada konsep abstrak yang tidak dapat diukur langsung atau unobserved variabel (sering juga disebut latent atau konstruk)sebagai missal kepuasan kerja.Variabel ini diukur dengan seperangkat pertanyaan yang intinya mengukur seberapa puas seseorang terhadap pekerjaanya.Responden diminta untuk menjawab pertanyaan (sering disebut indicator atau manifest)dengan tipe jawaban skala Likert yaitu dengan 5 katagori jawaban sangat tidak setuju,tidak setuju,netral,setuju,dan sangat setuju.Didalam konvensi SEM variabel observed digambarkan dengan kotak dan latent variabel digambarkan dengan bulat oval atau elips.

 Model persamaan structural ini memiliki keunggulan dibandingkan dengan metode statistic multivariate yang lain karena dalam laten variabel dimasukkan kesalahan pengukuran dalam model.Dalam teori statistic dijelaskan bahwa koefisien regresi sesunguhnya terdiri dari dua elemen yaitu “true” atau koefisien structural antara variabel dependen dan independen dan yang kedua adalah realibilitas dari variabel predictor.  Realibilitas adalah tingkat dimana variabel independen dianggap bebas dari kesalahan (error free).jadi dalam metode statistic multivariate dianggap bahwa tidak ada kesalahan dalam pengukuran variabel.Namun demikian dalam teori kita tahu bahwa tidak mungkin mengukur konsep secara sempurna pasti selalu ada kesalahan pengukuran.sebagai misal jika ditanyakan secara langsung terhadap responden berapa income mereka maka kita tahu ada responden yang menjawab benar karena jujur ,tetapi ada yang menaikkan(overstate)dan ada yang menurunkan (under state)sehingga jawabannya ada kesalahan pengukuran.Perhatikan pada gambar di atas ,konstruk latent kepuasan kerja diukur dengan indicator x1 dengan kesalahan pengukuran error (e1)

Konvensi dan Penulisan dan Pengambaran Variabel

Dalam model persamaan structural,variabel kunci yang menjadi perhatian adala variabel latent atau latent construct yaitu konsep abstrak psikologi seperti sikap,intelegence.Kita dapat mengamati perilaku variabel laten secara tidak langsung dan tidak sempurna yaitu melalui pengaruhnya terhadap inikator atau variabel manifest.

Konstruk Laten

Ada dua jenis laten variabel yaitu laten variabel exogen(independen) dan endogen (dependen).Konstruk exogen digambarkan dalam huruf Greek dengan karakter “ksi” (      ) dan konstruk endogen dengan simbul karakter “eta” (    ).Kedua jenis konstruk ini dibedakan atas dasar apakah mereka berkedudukan sebagai variabel dependen atau bukan dependen di dalam suatu model persamaan .Konstruk eksogen adalah variabel independen,sedangkan konstruk endogen  adalah semua variabel dependen.Dalam bentuk grafis kontruk endogen menjadi target paling tidak satu anak panah

(------------------à )   atau hubungan regresi,sedangkan konstruk eksogen menjadi target garis dengan dua anak panah ( <------------------ span="">à) atau hubungan menjadi korelasi/kovarian.

                                                                                                       

Model  Struktural

Di dalam SEM,model structural meliputi hubungan antara konstruk laten dan hubungan ini dianggap linear,walaupun pengembangan lebih lanjut memungkinkan memasukkan persamaan non linear,Secara grafis garis dengan satu kepala anak panah mengambarkan hubungan regresi dan garis dengan dua kepala anak panah menggambarkan hubungan korelasi atau kovarian.

Parameter yang menggambarkan hubungan regresi antar konstruk laten pada umumnya ditulis dalam Greek “gamma” (       ) untuk regresi “beta” ( β32) untuk regresi satu konstruk endogen ke konstruk endogen lainnya,Kontruk eksogen di dalam SEM dapat dikorelasikan atau dikovarite satu sama lain dan parameter yang menghubungkan korelasi ini  ditulis dalam karakter Greek “phi” (      )yang menggambarkan kovarian atau korelasi.

Kesalahan Struktural  (Structural Error)

Peneliti umumnya tahu bahwa tidak mungkin memprediksi secara sempurna (perfect) konstruk dependen,oleh karena itu model SEM memasukkan structural error term yang ditulis dalam karakter Greek “zeta” (         ).Untuk mencapai konsistensi estimasi parameter,error term ini diasumsikan tidak berkorelasi dengan konstruk eksogen dalam model.Namun demikian  structural  error term dapat dikorelasikan dengan struktur error trem yang lain dalam model.

Variabel Manifet atau Indikator

Penenliti  SEM menggunakan variabel manifest atau indicator  untuk membentuk kontruk laten.Variabel manifest ini diwujudkan dalam pertanyaan skala Likert.Variabel manifest  untuk membentuk konstruk laten eksogen diberi simbul  X1  sedangkan variabel manifest yang membentuk konstruk laten endogen diberi simbul  Y2

Model Pengukuran (Measurement Model)

Pengguna SEM mengakui  bahwa pengukuran mereka tidak sempurna dan hal ini dimasukkan dalam model.Jadi model persamman structural memasukkan kesalahan pengukuran dalam modeling.Dalam kaitannya dengan faktor  analytic measurement model,kesalahan pengukuran yang berhubungan dengan pengukuran X diberi label karakter Greek “delta” ( δ1) sedangkan kesalahan pengukuran yang dihubungkan dengan pengukuran Y diberi simbul karakter Greek “epsilon” (ε 3 ).

Model Struktural dengan Variabel Observed (Analisis Jalur atau Path Analysis)

Anilis Jalur merupakan regresi simultan dengan Variabel observed atau terukur secara langsung seperti income ,Gaji,Pendidikan ,Saving,

Berikut ini contoh model structural analisis jalur dengan notasi Lisrel.

Penjelasan Gambar

1.        Terdapat dua variabel exogen yaitu ξ 1 dan ξ 2 dan dua variabel endogen yaitu η 1 dan η 2

2.        Antar variabel exogen harus dikovariankan dengan saling menghubungkan kedua variabel ini dengan dua anak panah (hubungan kovarian atau korelasi)dengan simbul phi (     )

3.        Semua variabel endogen harus diberi error atau nila residual regression dengan symbol zeta (      )

4.        Koefisien regresi antara variabel exogendengan variabel endogen diberi symbol gama (  y ) dengan cara member notasi dari variabel endogen ke exogen :

Dari ξ 1 ke η 1 =y 1.1

Dari ξ 2 ke η 2 = y 1.2

Dari ξ 1 ke η 2 = y 2.1

Dari ξ 2 ke η 2 = y 2.2

5.                  Koefisien regresi antara variabel endogen dengan lainnya diberi symbol beta ( β )dengan cara memberi notasi sebagai berikut:

Dari η 1 ke  η 2 = β2.1

6   Gambar model  Analisis Jalur di atas dapat ditulis dengan persamaan matematis sebagai berikut :

 η1 = y 1. 1  1 +y 1.2  2+  1……………………………………………………..(2.1)

η2  =y 2.1   1  + y 2.2  2 + 1η1 +  2…………………………………………….(2.2)

Model strukturat dengan Variabel Laten

Model  strukturat dengan Variabel laten terdiri dari dua bagian yaitu bagian model pengukuran (measurement model)  yaitu hubungan dari indicator ke variabel laten dan model structural yaitu hubungan dari indicator ke variabel laten dan model structural yaitu hubungan antara variabel laten.

                                                                                        

Penjelasan gambar

1.        Terdapat dua variabel exogen laten yaitu ξ 1 (ksi 1) dan ξ 2 ( ksi 2) masing-masing variabel in diukur dengan indicator atau manifest.Simbul manifest untuk variabel exigent adalah X dan nilai errornya disebut delta ( δ)

2.        Terdapat dua variabel endogen laten yaitu η 1 (eta 1) dan η2 (eta2) masing-masing variabelini dapt diukur dengan indikatornya atau manifest.Simbul manifest untuk variabel endogen adalah Y dan nilai errornya disebut epsilon (ε)

3.        Antar variabel laten exogen harus dikovariankan dengan saling menghubungkan kedua variabel laten ini dengan dua anak panah (hubungan kovarian atau korelasi) dengan symbol phi(    ).

4.        Semua variabel laten endogen harus diberi error atau nilai residual regression dengan symbol zeta (   ).

5.        Koefisiensi regresi  antar variabel laten exogen dengan variabel laten endogen diberi symbol gama (y) dengan cara memberi notasi dari variabel laten endogen ke variabel laten exogen:

Dari ξ1 ke η 2 =y1.1

Dari ξ2 ke η 1 = y1.2

Dari ξ1 ke η 2 = y 2.1

Dari ξ 2 ke η 2 =y2.2

6.        Koefisien regresi antara variabel laten endogen dengan variabel laten endogen lainnya diberi symbol beta (β) dengan member notasi sebagai berikut:

Dari η1 ke η2 =β2.1

7.        Ada dua model pengukuran (measurement model)yaitu model pengukuran variabel laten exogen dan model pengukuran variabel laten endogen.Model pengukuran adalah hubungan indicator atau manifest degan konstruk latinnya.Berdasarkan gambar 2.3 di atas terdapat dua model pengukuran variabel laten exogen ξ1 danξ2,serta dua model pengukuran variabel laten endogen η1 dan η2.Nilai faktor loading dari indicator ke konstruk laten disebut lambda (λ).Berikut ini cara menuliskan persamaan matematik model pengukuran:

Varibel Laten     1                                Variabel laten     2

X1= λ1.1   1+δ1                                    X4=λ4.2   2+δ4

X2=λ2.1    1+δ2                                    X5=λ5.2   2+δ5

X3=λ3.1    1+δ3                                    X6=λ6.2    2+δ6

Variabel Laten η1                                Variabel Laten η2

Y1=λ1.1   η1+ε1                                    Y4=λ4.2 η2+ε4

Y2=λ2.1   η1+ε2                                    Y5=λ5.2 η2+ε5

Y3=λ3.1   η1+ε3                                    Y6=λ6.2 η2+ε6

8.        Model persamaan structural adalah model hubungan antar variabel laten dengan persamaan sebagai berikut:

η1=y1.1    1+y1.2    2+  1…………………………………………..(2.3)

η2=y2.1    1+ y2.2     2+β2.1η1+   2……………………………(2.4)

       

      

             

Pengolahan Data Statistik "Structural Equation Modeling (SEM)" (1)

Structural equation modeling(SEM)merupakan gabungan dari dua metode statistic yang terpisah yaitu analisis faktor(factor analysis)yang dikembangkan di ilmu psikologi dan psikometri serta persamaan simultan (simultaneous equation modeling)yang dikembangkan di ekonometrika.

Analisis faktor pertama kali diperkenalkan oleh Galton(1869) dan Pearson (Pearson dan Lee,1904).Penelitian Spearman (1904)merupakan pengembangan model analisis faktor umum.Dalam penelitiannya berkaitan dengan struktur kemampuan mental,Spearman menyatakan bahwa uji interkorelasi antar kemampuan mental dapat menentukan faktor kemampuan umum dan faktor-faktor kemampuan khusus.Penelitian ini menghasilkan persamaan structural dalam bentuk sebagai berikut:

ρij=λiλj………………………………………………………………………………………(1.1)

Dimana ρij merupakan korelasi populasi antara skor tes I dan tes j sedangkan λi dan λj merupakan penimbang (loading)yangberhubungan dengan tes I dan tes j pada faktor umum.

Penelitian Spearman dan lainnya (Thomson,1956; Vernon,1961)terkenal dengan British school of faktor analysis.Namun demikian tahun 1930an perhatian bergeser pada penelitian L.L Thurstone dan kawan-kawan di University of Chicago.

Menurut Thurstone sebetulnya tidak hanya da satu faktor umum kemampuan yang diikuti dengan faktor khusus seperti dipostulatkan oleh Spearman,tetapi ada beberapa kelompok faktor umum yang disebut  primary mental abilities.

Pada tahun 1950-an dan 1960-an analisis faktor mendapatkan popularitas di kalangan para peneliti dan dikembangkan lebih lanjut oleh beberapa peneliti seperti Joreskog(1976) dan Joreskog dan Lawley(1971)yangmengunakan pendekatan atas adasar maksimum likelihood(ML).pedekatan maksimum likelihoodini memungkinkan para peneliti menguji hipotesis bahwa ada sejumlah faktor yang dapat menggambarkan interkorelasi antar variabel.Dengan konsep meminimumkan fungsi maksimum likelihood maka didapatkan likelihood ratio chi-square test  untuk menguji hipotesis bahwa model yang dihipotesiskan cocok atau sesuai dengan (fit) dengan data.Pengembangan lebih lanjut menghasilkan metodologi analisis konfirmatori faktor (Confirmatory faktor analysis) yang memungkinkan pengujian hipotesis berkaitan dengan jumlah faktor dan pola loadingnya.Analisis faktor yang bersifat eksploratori dan komfirmatori sampai saat ini merupakan metodologi analisis kuantitatif yang popular di bidang ilmu penelitian ilmu social.

Model persamaan structural merupakan gabungan dari analisis faktor dan analisis jalur (path analysis) menjadi satu metode statistic komprehensif.Analisis jalur sebagai cikal bakal persamaan structural bermula dari penelitian Sewwl Wright(1918,1921,1934,1960) di bidang biometrika.Kontribusi utama Wright adalah mampu menunjukkan bahwa korelasi antar variabel dapat dihubungkan dengan parimeter dari suatu model yang digambarkan dengan diagram jalur (path diagram ).Wright juga menyatakan bahwa model persamaan yang dihasilkan dapat digunakan untuk mengestimasi pengaruh langsung,pengaruh tidak langsung dan pengaruh total.Aplikasi pertama kali dari analisis jalur oleh Wright secara statistic ekivalen dengan analisis faktor yang dikembangkan oleh Spearman.

Perkembangan lebih lanjut terjadi di bidang ekonometrika yang menggambarkan model matematik dari suatu fenomena ekonomi.Ekonometrika yang relevan dengan model structural dikembangkan oleh Haavelmo (1943) yang mengembangkan model interdependen antar variabel ekonomi dengan menggunakan system persamaan simultan sebagai berikut:

y=By + Ѓx +        ………………………………………………………………………..(1.2)

Dimana y adalah vector variabel endogenous(dependen),x adalah faktor variabel exogenous(independen),      adalah vector gangguan (error disturbance),sedangkan B dan Ѓ merupakan koefisien matrik.Persamaan ini merupakan inovasi di bidang ekonomaterik modeling.Pengembangan lebih lanjut dari persamaan ssimultan ini merupakan agenda dari Cowles Commission for research in economic yang berkumpul di University of Chicago tahun 1945.Kelompok ini mengembangkan persamaan simultan dengan metode estimasi maksimum likelihood.

Model persamaan structural yang akan dibahas dalam buku ini merupakan kombinasi dari kedua metode yang telah dibahas di atas yaitu model persamaan simultan diantaranya variabel latent.Pengabungan kedua metodologi ini ke dalam kerangka analisis yang koheren didasarkan atas sumbangan Joreskog (1973),Keesling (1972),dan Wiley (1973).Seperti yang dinyatakan oleh Joreskog (1973) model persamaan structural umum terdiri dari dua bagian : (a) bagian pengukuran,yang menghubungkan observed variabel ke latent variabel melalui model konfirmatori faktor,(b) bagian stuktural,yang menghubungkan antar latent variabel melelui system persamaan simultan.Estimasi terhadap parameter model menggunakan estimasi maksimum likelihood.Dalam hal tidak terdapat kesalahan pengukuran didalam observed variabel,maka model tersebut menjadi model persamaan simultan yang dikembangkan di ekonometrika.lebih jelasnya dapat dilihat pada gambar 1 di bawah ini.

  

Gambar 1

MODEL PERSAMAAN STRUKTURAL

Lima variabel yaitu partisipasi anggaran,locus of control,motivasi,komitmen organisasi dan kinerja manajerial semuanya adalah variabel latent atau konstruk yaitu variabel yang tidak dapat diukur secara langsung (unobserved).Dari persamaan structural ini ada dua variabel exogen (independent) yaitu partisipasi anggaran dan locus of control.Disebut exogen variabel karena variabel ini tidak dipengaruhi oleh variabel anteseden(sebelumnya),Ketiga variabel lainya yaitu motivasi ,komitmen organisasi dan kinerja manajerial  merupakan endogen (dependen) variabel karena variabel ini dipengaruhi oleh variabel sebelumnya.

 Terdapat dua variabel endogen yang memiliki variabel anteseden (variabel sebelumnya)dan variabel konsekuen (variabel sesudahnya)yaitu variabel motivasi dan komitmen organisasi.Variabel ini disebut variabel intervening atau variabel mediating.

Keberadaan variabel latent diukur oleh indicator-indikator atau variabel manifest.(pertanyaan dalam skala likert).Misalkan variabel latent partisipasi anggaran diukur oleh 3 indikator x1,x2,dan x3 dengan kesalahan pengukuran (error) masing-masing d1,d2,dan d3 pengujiannya dilakukan dengan confirmatory analysis factor.Secara persamaan matematik dapat ditulis:

PA= λnXn + δn……………………………………………………………………………………….(1.3)

Sedangkan persamaan structural digambarkan oleh hubungan  antar variabel latent yang ditandai dengan garis dengan garis satu anak panah yang menghubungkan kausalitas (regresi) dan garis dengan dua anak panah yang menggambarkan hubungan korelasi atau kovarian.

Dalam praktek pendekatan konvensional model persamaaan structural di dalam penelitian social maupun perilaku dapat dilihat pada gambar 2 berikut:

Gambar 2

Diagram Langkah Pendekatan Model Persamaan Struktural

 Pertama bila ada teorinya, maka teori harus diungkapkan lebih dahulu.Persamaan structural yang digambarkan oleh diagram jalur dipandang sebagai resprensentasi dari teori.Jadi hubungan antar variabel latent yang diwujudkan dalam diagram jalur merupakan perwujudan dari teori.Kemudian dapatkan sampel dan pengukurannya,setelah itu lakukan estimasi terhadap parameter model.Pada tahap ini pengukuran model dapat di estimasi lebih dahulu dan diikuti dengan model stuktural atau full model .Kemudian lakukan penilaian goodness fit dari model dan bila mana perlu diikuti dengan modifikasi model.Jika model telah memenuhi criteria fit,maka dilakukan diskusi atau pembahasan hasil.

Metode Analisa Data: Multidimensional Scaling

Multidimensional scaling (MDS) adalah salah satu teknik penyekalaan yang sering digunakan untuk memposisikan sekelompok obyek secara relatif di dalam sebuah peta preseptual (grafik dengan 2 sumbu X-Y atau lebih dengan dimensi sumbu yang saling berlawanan seperti tinggi-rendah, pahit-manis dan sebaginya). Secara umum MDS dapat membantu untuk menentukan (1) dimensi yang paling sering digunakan oleh responden dalam menilai suatu obyek, (2) berapa jumlah dimensi yang digunakan dalam penilaian tersebut, (3) hubungan relatif dari masing-masing dimensi, (4) hubungan obyek yang diamati secara preseptual.
Semua obyek yang diamati memiliki dimensi obyektif dan dimensi preseptual. Sebagai contoh produk motor Honda Kharisma memiliki dimensi warna merah dan hitam, rem cakram, serta mesin 125 CC, hal ini adalah dimensi obyektif. Sedangkan di sisi lain konsumen juga dapat beranggapan bahwa motor Honda Kharisma memiliki body kurang langsing dan kurang lincah, mahal namun irit. Hal-hal tersebut dapat juga dinamakan dimensi preseptual atau dimensi subyektif. Dua produk dapat memiliki ciri fisik yang sama namun dapat dipandang secara lain karena merek yang berbeda dianggap mencerminkan kualitas yang berbeda.




Dimensi 1
A
F
E
B


IPDimensi 2
C
D

Gambar 2.1. Gambar Ilustrasi Peta Preseptual pada MDS
Perbedaan MDS dengan metode interdependen lainnya seperti analisis faktor dan analisis cluster, adalah bahwa analisis faktor mengelompokkan faktor-faktor yang memiliki korelasi yang tinggi. Analisis cluster didasarkan pada pengamatan sekelompok variabel dan menentukan profil tiap kelompok. Sedangkan pada MDS responden bebas mengambil kesimpulan ataupun berangapan tentang suatu produk sehingga tidak dapat ditentukan nilai penyimpangannya. (Hair, 1998).
Pemetaan preseptual dalam metode MDS sangat sesuai digunakan untuk :
1. Mengeksplorasi dan mengidentifikasi dimensi-dimensi tak dikenal yang dapat mempengaruhi tingkah laku atau anggapan responden terhadap suatu obyek.
2. Membandingkan dua atau lebih obyek secara langsung sekalipun basis persamaan atau nilai pembanding obyek-obyek tersebut tidak dapat didefinisikan.
Berikut ini adalah diagram algoritma pengambilan keputusan dalam metode Multidimensional scaling sampai dengan tahap 3. (Hair, 1998)
Desain Penelitian
· Jumlah Obyek yang diamati
· Metrik atau nonmetrik
Desain Penelitian
· Jumlah Obyek yang diamati
· Metrik atau nonmetrik
Jenis Evaluasi
Mencari similaritas, preferensi obyek atau keduanya
Asumsi-Asumsi
Dimensi evaluasi dapat bervariasi pada tiap responden, begitu juga urutannya
Menentukan Metode Pendekatan pada Peta Preseptual
· Komposisional , ditentukan secara spesifik oleh peneliti
· Dekomposisional, menggunakan anggapan umum
Tujuan Penelitian
Menentukan obyek pengamatan yang relevan (similaritas atau preferensi, obyek secara umum atau khusus)
Rumusan Permasalahan
Mengidentifikasi dimensi-dimensi yang digunakan untuk mengevaluasi obyek
Tahap 4
Tahap 1
Tahap 2
Tahap 3
Metode Dekomposisional : Metode MDS tradisional dengan cara memecah atribut khusus dari anggapan umum obyek
Kombinasi : Kombinasi Similaritas dan preferensi
Preferensi : Meranking obyek secara langsung
Similaritas : Mencari kesamaan antar obyek
Metode Komposisional
Membuat presepsi secara umum dari atribut-atribut yang ditentukan oleh peneliti, seperti corespondence analysis, Factor analysis, dan discriminant analysis.

Langkah-Langkah Penentuan Tujuan Penelitian
Salah satu kesulitan paling umum dalam penentuan tujuan penelitian adalah pendefinisian spesifikasi standar untuk menilai atau mengevaluasi suatu obyek. Keutamaan peta preseptual adalah kemampuannya untuk menarik dimensi simpulan (obyektif maupun subyektif) tanpa harus mendefinisikan atribut obyek lebih dahulu. Oleh karena itu, perlu dilakukan tiga langkah dasar dalam penentuan tujuan penelitian, sebagai berikut :
a. Memilih obyek-obyek yang akan dievaluasi
Peneliti harus memastikan untuk mengikutsertakan segala hal yang relevan dalam evaluasi pembentukan presepsi responden, seperti produk atau layanan.
b. Menentukan basis penilaian obyek, similaritas atau preferensi
Langkah berikutnya setelah memilih obyek yang diamati, peneliti harus menentukan basis evaluasi, similaritas (kesamaan) atau preferensi (tingkatan). Kedua basis evaluasi tersebut dapat digunakan untuk membuat peta preseptual namun dengan intepretasi yang berbeda. Peta preseptual berbasis similaritas menampilkan atribut-atribut kesamaan obyek namun tidak secara langsung menampilkan urutan atau obyek yang menjadi pilihan utama responden. Sedangkan peta preseptual berbasis preferensi menampilkan urutan dan pilihan responden namun tidak menampilkan aspek-aspek kesamaan atribut obyek dikarenakan responden dapat mendasarkan penilaiannya pada dimensi yang benar-benar berbeda satu sama lain. Penggunaan basis similaritas atau preferensi harus diputuskan sejak awal, karena kedua hal tersebut secara mendasar mewakili hal yang berbeda.
c. Menentukan apakah analisis dilakukan pada suatu kelompok atau tingkat individu (agregate atau disagregate).
Peneliti dapat menentukan pembuatan peta preseptual mewakili masing masing individu secara terpisah pada metode disagrerat, sehingga dari peta presptual ini akan dapat dicari solusi untuk tiap-tiap orang. Melalui cara ini peneliti harus dapat mengidentifikasi elemen-elemen yang menjadi kesamaan pada tiap-tiap responden.
Sedangkan pada metode agregat, pendekatan paling sederhana adalah dengan mengambil nilai rata-rata dari keseluruhan skor obyek dan menghasilkan solusi tunggal pada seluruh obyek, untuk mengelompokkan responden dengan ciri sama, peneliti dapat menggunakan analisis kluster dan menggambarkan peta prespetual secara rata-rata.
d. Menentukan metode pendekatan yang akan digunakan, pendekatan berdasarkan penilaian obyek secara keseluruhan dan umum atau menggunakan pendekatan berdasarkan atribut dari masing-masing obyek yang diamati.
e. Menentukan siapa dan berapa responden yang akan dijadikan sasaran penelitian. Peneltitian hendaknya dilakukan pada responden yang setara dan bisa diperbandingkan atau memiliki satu karakter yang sama karena peta preseptual tidak dapat menggambarkan responden dengan karakteristik yang dipaksakan sama. Jumlah responden yang diamati minimal memenuhi level penerimaan terendah, terantung pada tingkat kepercayaan yang diunakan.
f. Metrik atau non metrik
Pada mulanya metode MDS menggunakan peta non metrik (secara ururtan) untuk menggambarkan peta preseptual, namun keterbatasan intreprestasi yang dapat digunakan menjadikan metode metrik (terukur) lebih banyak digunakan. Metode metrik dapat melakukan beberpa modoikasi dari data aslinya yaitu dengan menambahkan konstanta tertentu atau dengan melakukan rotasi.
g. Mencari kesamaan atau tingkat preferensi
Pengumpulan data harus ditentukan tujuannya, yaitu mencari kesamaan dan ketidak samaan atau mencari preferensi terhadap suatu obyek.
Basis preferensi memiliki dua pilihan prosedur yang dapat digunakan:
· Penentuan peringkat secara langsung
Setiap responden menentukan peringkat secara langsung pada obyek-obyek yang diamati, dengan cara ini masing-masing obyek harus diberikan penilaian yang unik (tidak boleh ada yang memiliki nilai sama).
· Perbandingan berpasangan
Setiap responden memberikan nilai terhadap pasngan obyek yang diamati sehingga dengan cara ini peneliti dapat menemukan informasi secara eksplisit dan lebih detail dari penentuan peringkat secara langsung. Namun tugas perhitungan akan menjadi berpuluh kali lipat lebih banyak, untuk 10 obyek yang diamati akan menjadi 90 pasang obyek.
h. Asumsi-asumsi yang digunakan.
asumsi yang digunakan di sini tidak pada metodologinya, namun lebih pada asumsi presepsi:
· Variasi dimensional
Setiap responden akan menerima memiliki dimensi presepsi suatu obyek yang berlainan sehingga jawaban akan beragam sekalipun ada keterbatasan jumlah dimensi yang diajukan peneliti.
· Variasi keutamaan
Responden memutuskan keutamaan dimensi suatu brand berdasarkan tingkatan kepentingan yang berbeda.
· Variasi batas waktu
Presepsi responden terhadap suatu obyek baik secara dimensional maupun tingkatan tidak akan selalu sama seiring berjalannya waktu, atau dapat berubah sewaktu-waktu.

Tahap Selanjutnya dari algortima pengambilan keputusan dengan metode multidimensional scaling adalah sebagai berikut : (Hair, 1998)