ANALISIS SECOND ORDER DENGAN PENDEKATAN WarpPLS …repository.ub.ac.id/179287/1/Armita Dwi...

ANALISIS SECOND ORDER DENGAN PENDEKATANWarpPLS PADA MODEL INDEKS PEMBANGUNAN

MASYARAKAT KOTA MALANG

SKRIPSI

Oleh:ARMITA DWI FAIRUZ

155090500111013

PROGRAM STUDI SARJANA STATISTIKAJURUSAN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAMUNIVERSITAS BRAWIJAYA

MALANG2019

i

ANALISIS SECOND ORDER DENGAN PENDEKATAN

WarpPLS PADA MODEL INDEKS PEMBANGUNAN


SKRIPSI

Oleh:

ARMITA DWI FAIRUZ

155090500111013

PROGRAM STUDI SARJANA STATISTIKA

JURUSAN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS BRAWIJAYA

MALANG

2019

ii

LEMBAR PENGESAHAN




Oleh:

Armita Dwi Fairuz

15509050011013

Setelah dipertahankan di depan Majelis Penguji

Pada tanggal 17 Juli 2019

dan dinyatakan memenuhi syarat untuk memperoleh gelar

Sarjana Statistika dalam bidang Statistika

Dosen Pembimbing

Dr. Solimun, MS

196112151987031002

Mengetahui,

Ketua Jurusan Statistika

Fakultas MIPA

Universitas Brawijaya

Rahma Fitriani, S.Si., M.Sc., Ph.D

NIP. 197603281999032001

iii

LEMBAR PERNYATAAN

Saya yang bertanda tangan di bawah ini:

Nama : Armita Dwi Fairuz

NIM : 155090500111013

Jurusan : Statistika

Skripsi Berjudul :




Dengan ini menyatakan bahwa:

1. Isi dari skripsi yang saya buat adalah benar-benar karya

sendiri dan tidak menjiplak karya orang lain, selain nama-

nama yang termaktub di isi dan tertulis di daftar pustaka

dalam skripsi ini.

2. Apabila di kemudian hari ternyata skripsi yang saya tulis

terbukti hasil jiplakan, maka saya akan bersedia menanggung

risiko.

Demikian pernyataan ini saya buat dengan segala

kesadaran.

Malang, 17 Juli 2019

yang menyatakan,

Armita Dwi Fairuz

NIM. 155090500111013

iv




ABSTRAK

Analisis WarpPLS merupakan pengembangan dari analisis Partial

Least Square (PLS). Analisis second order dengan pendekatan

WarpPLS bermanfaat sebagai theoritical utility, yaitu pengembangan

sub-dimensi yang lebih spesifik untuk menjelaskan karakter sebuah

variabel laten yang bersifat umum. Tujuan penelitian ini adalah untuk:

(1) mengetahui seberapa tepat item dan indikator yang digunakan pada

data penelitian dalam menjelaskan karakter variabel laten; (2)

mengetahui pengaruh Indeks Pembangunan Masyarakat (IPMas) dan

Indeks Modal Sosial (IMS) terhadap Indeks Kepuasan Layanan

Infrastruktur (IKLI). Penelitian ini menggunakan analisis second

order dengan pendekatan WarpPLS menggunakan data sekunder yang

diperoleh dari Barenlitbang Kota Malang dengan tiga variabel yaitu

IPMas, IMS dan IKLI. Hasil penelitian menunjukkan bahwa seluruh

item dan indikator penelitian dapat digunakan sebagai alat ukur

masing-masing variabel laten. Selain itu, terdapat pengaruh positif

variabel IMS terhadap variabel IPMas, variabel IKLI terhadap

variabel IPMas, dan variable IKLI terhadap variabel IPMas melalui

variabel IMS. Berdasarkan pengaruh hubungan tersebut diketahui

bahwa pengaruh variabel IKLI terhadap variabel IPMas lebih besar

jika dimediasi oleh variabel IMS.

Kata Kunci: Analisis Second Order, WarpPLS, Partial Least Square.

v

SECOND ORDER ANALYSIS WITH THE WarpPLS

APPROACH TO THE COMMUNITY DEVELOPMENT

INDEX MODEL OF MALANG CITY

ABSTRACT

WarpPLS analysis is a development of Partial Least Square (PLS)

analysis. Second order analysis with the WarpPLS approach is useful

as a theoretical utility, namely the development of sub-dimensions that

are more specific to explain the character of a general latent variable.

The purpose of this study is to: (1) find out how precisely the items

and indicators used in the research data in explaining the character of

latent variables; (2) knowing the effect of the Community

Development Index (IPMas) and the Social Capital Index (IMS) on

the Infrastructure Service Satisfaction Index (IKLI). This study uses a

second order analysis with the WarpPLS approach using secondary

data obtained from the Barenlitbang Malang City with three variables,

namely IPMas, IMS and IKLI. The results of the study indicate that

all items and indicators of the study can be used as a measure of each

latent variable. In addition, there is a positive effect of the IMS

variable on the IPMas variable, the IKLI variable on the IPMas

variable, and the IKLI variable on the IPMas variable through the IMS

variable. Based on the influence of the relationship it is known that the

effect of the IKLI variable on the IPMas variable is greater if it is

mediated by the IMS variable.

Keywords: Second Order Analysis, WarpPLS, Partial Least Square.

KATA PENGANTAR

vi

Alhamdulillah puji syukur yang tiada terhingga kepada Allah SWT

atas rahmat dan karunia-Nya, sehingga skripsi yang berjudul “Analisis

Second Order dengan Pendekatan WarpPLS pada Model Indeks

Pebangunan Kota Malang” dapat terselesaikan. Kelancaran dalam

penyusunan skripsi ini tidak lepas dari berbagai bantuan, dukungan

dan doa berbagai pihak. Oleh karena itu, secara khusus penulis

sampaikan terima kasih kepada:

1) Dr. Ir. Solimun, MS selaku dosen pembimbing atas dukungan,

waktu dan bimbingan yang telah diberikan.

2) Nurjannah, S.Si., M.Phil., Ph.D selaku dosen penguji II atas

bimbingan, saran dan masukan yang telah diberikan.

3) Rahma Fitriani, S.Si, M.Sc, Ph.D selaku dosen penguji I dan

Ketua Jurusan Statistika FMIPA Universitas Brawijaya.

4) Papa, Mama, Rania dan Isma serta seluruh keluarga besar atas

kasih sayang, doa dan dukungan yang tak pernah putus.

5) Bapak dan Ibu dosen KKU.PSBM atas pengalaman dan

bimbingan yang diberikan.

6) Teman-teman P-UB yang senantiasa menyemangati,

mengingatkan dan membersamai dalam kebaikan.

7) Teman-teman KKU.PSBM khususnya Batch 4 (Agatha, Trias,

Chacha, Puput, Hanny, Putri, Bella, Lyshe, Isam, Iqbal dan Briga)

atas semua bentuk dukungan dan kenangan susah-senang selama

proses penyusunan skripsi dari awal hingga akhir.

8) Debby, Ariz, Novan, Wafi, Azzam, Alsa, Hanna dan Abam yang

telah mendukung, membersamai dan mewarnai masa-masa akhir

beramanah di kampus, semoga Allah ridho.

9) Keluarga besar Kontrakan As-Syifa khususnya mbak-mbak

panutan dan teman-teman yang selalu menyenangkan sejak maba

(Mbak Safda, Mbak Indri, Mbak Marwa, Mbak Rania, Mbak

Mayla, Dije, Fiqah, Ocha, Anggun dan Devy).

vii

10) Agatha Purenda Shafirra dan Fathimah Yasmin, dua orang

‘perceivers’ yang selalu menjadi bagian dari supporting system

terbaik, semoga selalu Allah temani dalam setiap urusan.

11) Teman-teman Statistika 2015 yang selalu mendukung dan

memberikan semangat selama masa kuliah hingga proses

penyusunan skripsi.

Skripsi ini masih jauh dari kesempurnaan, oleh karena itu

masukkan dan kritikan sangat penulis harapkan. Semoga skripsi ini

bermanfaat bagi semua pihak.

Juli 2019

Penulis

viii

DAFTAR ISI

Hal

HALAMAN JUDUL ........................................................................... i

LEMBAR PENGESAHAN ............................................................... ii

LEMBAR PERNYATAAN ............................................................. iii

ABSTRAK ........................................................................................ iv

ABSTRACT ....................................................................................... v

KATA PENGANTAR ....................................................................... vi

DAFTAR ISI ................................................................................... vii

DAFTAR TABEL .......................................................................... viii

DAFTAR GAMBAR ........................................................................ ix

DAFTAR LAMPIRAN ...................................................................... x

BAB I. PENDAHULUAN .............................................................. 1

1.1. Latar Belakang .............................................................. 1

1.2. Rumusan Masalah ......................................................... 3

1.3. Batasan Masalah ........................................................... 3

1.4. Tujuan Penelitian .......................................................... 3

1.5. Manfaat Masalah .......................................................... 3

BAB II. TINJAUAN PUSTAKA ...................................................... 5

2.1. Pemodelan Persamaan Struktural (SEM) ..................... 5

2.2. Model Sistem Persamaan untuk Variabel Laten ........... 6

2.3. Pendekatan WarpPLS pada SEM ................................. 7

2.4. Metode WarpPLS ......................................................... 7

2.5. Analisis Second Order .................................................. 8

2.6. Model Pengukuran pada Persamaan Struktural ............ 9

2.6.1. Model Indikator Reflektif ................................... 9

2.6.2. Model Indikator Formatif .................................. 10

2.6.3. Perbandingan Model Indikator Reflektif dan

Formatif ............................................................. 11

2.7. Langkah-langkah Analisis WarpPLS ......................... 12

2.7.1. Merancang Model Struktural (Inner Model) ..... 12

2.7.2. Merancang Model Pengukuran (Outer Model) . 12

2.7.3. Mengkontruksi Diagram Jalur ........................... 12

2.7.4. Konversi Diagram Jalur ke Sistem Persamaan . 14

2.7.5. Estimasi Parameter ............................................ 20

2.7.6. Evaluasi Godness of Fit .................................... 24

ix

2.7.7. Pengujian Hipotesis ........................................... 26

2.8. Pengukuran Variabel .................................................. 29

2.9. Kajian Teoritis Variabel Penelitian ............................ 29

2.9.1. Indeks Pembangunan Masyarakat (IPMas) ....... 29

2.9.2. Indeks Kepuasan Layanan Infrstruktur (IKLI) .. 30

2.9.3. Indeks Modal Sosial (IMS) ............................... 31

BAB III. METODE PENELITIAN .................................................. 33

3.1. Sumber Data ............................................................... 33

3.2. Variabel Penelitian ..................................................... 33

3.3. Metode Analisis .......................................................... 39

3.4. Diagram Alir Penelitian .............................................. 40

BAB IV. HASIL DAN PEMBAHASAN ......................................... 43

4.1. Uji Linieritas ............................................................... 43

4.2. Evaluasi Model Pengukuran (Outer Model) ............... 43

4.2.1. Evaluasi Model Pengukuran pada Model First

Order ............................................................... 44

4.2.2. Evaluasi Model Pengukuran pada Model

Second Order ..................................................... 49

4.2.3. Diagram Jalur dan Persamaan Model

Pengukuran ........................................................ 51

4.3. Evaluasi Model Struktural (Inner Model) ................... 54

4.3.1. Evaluasi Goodness of Fit Model ....................... 54

4.3.2. Pengujian Hipotesis ........................................... 55

4.4. Hubungan Antar Variabel Penelitian ......................... 56

4.4.1. Pengaruh Langsung ........................................... 56

4.4.2. Pengaruh Tidak Langsung: IMS Sebagai

Mediasi .............................................................. 57

BAB V. PENUTUP .......................................................................... 59

5.1. Kesimpulan ................................................................. 59

5.2. Saran ........................................................................... 59

DAFTAR PUSTAKA....................................................................... 61

LAMPIRAN ..................................................................................... 62

DAFTAR TABEL

x

Hal

Tabel 2.1. Deskripsi Analisis SEM, PLS, GSCA dan WarpPLS ....... 6

Tabel 2.2. Perbandingan Model Indikator Reflektif dan

Model Indikator Formatif ................................................. 11

Tabel 2.3. Model Fit and Quality Indices......................................... 26

Tabel 3.1. Struktur Data Penelitian .................................................. 33

Tabel 3.2. Variabel Indeks Modal Sosial (Y1) ................................. 34

Tabel 3.3. Variabel Indeks Pembangunan Masyarakat (Y2) ............ 34

Tabel 3.4. Variabel Indeks Kepuasan Layanan Infrastruktur (X) .... 35

Tabel 4.1. Hasil Uji Linieritas .......................................................... 43

Tabel 4.2. Evaluasi Model Formatif First Order Variabel IKLI ..... 44

Tabel 4.3. Evaluasi Model Formatif Second Order Variabel IKLI .. 47

Tabel 4.4. Evaluasi Model Reflektif First Order Variabel IMS ...... 49

Tabel 4.5. Evaluasi Model Reflektif Second Order Variabel IMS .. 50

Tabel 4.6. Evaluasi Model Formatif First Order Variabel IPMas ... 52

Tabel 4.7. Evaluasi Model Reflektif Second Order Variabel

IPMas ............................................................................... 53

Tabel 4.8. Model Fit and Quality Indices......................................... 55

Tabel 4.9. Nilai Koefisien Jalur Inner Model ................................... 56

Tabel 4.10. Perbandingan Jenis Pengaruh ........................................ 57

DAFTAR GAMBAR

xi

Hal

Gambar 2.1. Tipe Second-Order Construct ....................................... 9

Gambar 2.2. Diagram Jalur Penelitian ............................................. 12

Gambar 2.3. Konstruk Diagram Model Formatif-Formatif .............. 16

Gambar 2.4. Konstruk Diagram Model Reflektif-Reflektif .............. 17

Gambar 2.5. Konstruk Diagram Model Formatif-Reflektif .............. 18

Gambar 2.6. Konstruk Diagram Model Struktural ........................... 19

Gambar 3.1. Diagram Alir Penelitian ............................................... 40

Gambar 4.1. Diagram Jalur Outer Model Variabel IKLI ................. 48

Gambar 4.2. Diagram Jalur Outer Model Variabel IMS .................. 51 Gambar 4.3. Diagram Jalur Outer Model Variabel IPMas ............... 54

Gambar 4.2. Diagram Jalur Model Struktural .................................. 56

DAFTAR LAMPIRAN

xii

Hal

Lampiran 1. Data Penelitian ............................................................. 63

Lampiran 2. Source Code Uji Linieritas dengan metode RESET .... 64

Lampiran 3. Hasil Uji Linieritas dengan RRT ................................. 65

Lampiran 4. Nilai Loading dan Cross Loading ................................ 66

Lampiran 5. Nilai Indicator Weight ................................................. 70

Lampiran 6. Model Fit and Quality Indices ..................................... 73

Lampiran 7. Koefisien Jalur dan Diagram Jalur ............................... 74

Lampiran 8. Koefisien Pengaruh Tidak Langsung ........................... 75

1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Badan Perencanaan, Penelitian dan Pengembangan

(barenlitbang) Kota Malang merupakan salah satu lembaga

pemerintahan daerah yang memiliki tugas pokok berupa pelaksanaan

pemerintahan di bidang perencanaan, penelitian dan pengembangan

sesuai dengan peraturan perundang-undangan. Penyusunan RPJMD

(Rencana Pembangunan Jangka Menengah Daerah) menjadi salah satu

program kerja penting Barenlitbang Kota Malang. RPJMD merupakan

dokumen perencanaan pembangunan daerah untuk jangka waktu lima

tahun. Tujuan RPJMD adalah untuk menciptakan masyarakat yang

makmur, berbudaya dan terdidik berdasarkan nilai-nilai spiritual yang

agamis, toleran dan setara, meningkatkan kualitas pelayanan publik

yang adil, terukur dan akunTabel, mengembangkan potensi daerah

berwawasan lingkungan yang berkesinambungan, adil, memperkuat

ekonomi, meningkatkan kualitas pendidikan, serta meningkatkan

kualitas kesehatan masyarakat Kota Malang baik fisik maupun mental

untuk menjadi masyarakat yang produktif.

Pembangunan merupakan proses transformasi jangka panjang

untuk mencapai kemakmuran dan kesejahteraan manusia. Dalam

konteks ini, pembangunan lebih banyak bernuansa ekonomi dengan

penekanan pada pertumbuhan ekonomi yang lebih tinggi. Sebaliknya,

nuansa sosial seperti sikap percaya, toleransi, kelompok dan jejaring

antar manusia cenderung masih terabaikan. Pada tahun 2011, sebuah

organisasi kerjasama ekonomi, OECD (Organization for Economic

Co-operation and Development) menempatkan modal sosial sebagai

salah satu indikator input untuk mencapai tujuan pembangunan.

Kohesi sosial sangat penting bagi masyarakat untuk mencapai

kesejahteraan ekonomi dan pembangunan berkelanjutan.

Pembangunan juga erat kaitannya dengan infrastruktur.

Familoni (2004) menjelaskan bahwa infrastruktur dibedakan menjadi

infrastruktur ekonomi dan sosial. Infrastruktur eknonomi memegang

perana penting dalam mendorong kinerja pertumbuhan ekonomi di

berbagai negara, sementara infrastruktur sosial meliputi infrastruktur

pendidikan dan kesehatan. Pertumbuhan ekonomi erat kaitannya

dengan modal manusia (human capital). Dalam hal ini, modal manusia

dapat diartikan sama dengan modal sosial merujuk pada OECD (2011)

bahwa modal sosial terbentuk dari hubungan sosial antar manusia.

2

Penelitian ini berfokus untuk mengetahui pengaruh Indeks

Pembangunan Masyarakat (IPMas) dan Indeks Modal Sosial (IMS)

terhadap Indeks Kepuasan Layanan Infrastruktur (IKLI) Kota Malang.

Variabel yang digunakan dalam penelitian ini tidak dapat diukur

secara langsung sehingga disebut variabel laten, dimana masing-

masing variabel laten diukur oleh beberapa indikator. Dalam

penelitian ini, setiap indikator memiliki alat ukur yang disebut butir

atau item. Struktur yang terdiri dari variabel, indikator dan item

tersebut disebut dengan second-order construct, sehingga menjadi

dasar dalam penelitian ini untuk menggunakan analisis second-order.

Becker dkk. (2012) melakukan penelitian analisis PLS-SEM

second-order dengan tipe model reflektif-formatif dan menggunakan

software SmartPLS. Afthanorhan (2014) juga melakukan penelitian

yang sama, yaitu menggunakan model tipe reflektif-formatif pada

analisis second order permodelan PLS-SEM dengan software

SmartPLS.

Salah satu metode statistika yang dapat digunakan untuk

menganalisis model struktural dengan model hubungan antar variabel

laten bersifat rekursif maupun tidak rekursif adalah analisis WarpPLS.

WarpPLS merupakan pengembangan dari analisis Partial Least

Square (Solimun dkk., 2017). Partial Least Square (PLS) disebut juga

dengan Structural Equation Modelling (SEM) berbasis varian.

Analisis SEM berbasis varian (PLS) memiliki kelebihan daripada

metode SEM berbasis kovarian, yaitu mampu mengatasi masalah

jumlah sampel yang kecil dan data yang tidak berdistribusi normal dan

dalam perancangan model tidak harus berlandaskan teori, sehingga

keterbaruan ide dapat lebih mudah digali.

Penelitian ini berbeda dengan penelitian terdahulu karena

mengaplikasikan tiga dari empat tipe model second order sekaligus,

yaitu reflektif-reflektif, formatif-reflektif dan formatif-formatif. Selain

itu, pada penelitian terdahulu analisis second order lebih banyak

menggunakan metode PLS dengan software SmartPLS.

Oleh karena itu, dalam penelitian ini digunakan analisis second-

order dengan pendekatan WarpPLS pada model Indeks Pembangunan

Masyarakat Kota Malang.

3

1.2. Rumusan Masalah Berdasarkan latar belakang yang telah dipaparkan, dapat

dirumuskan masalah dalam penelitian ini adalah sebagai berikut:

1) Apakah dimensi indikator dan item (second order) yang digunakan dapat menjelaskan karakter variabel Indeks Kepuasan Layanan

Infrastruktur (IKLI), Indeks Modal Sosial (IMS) dan Indeks

Pembangunan Masayarakat (IPMas)? 2) Apa saja indikator dan item yang paling kuat dalam membentuk dan

mencerminkan indikator maupun variabel laten? 3) Bagaimana pengaruh IKLI dan IMS terhadap IPMas?

1.3. Tujuan Penelitian

Tujuan yang ingin dicapai dalam penelitian ini adalah:

1) Mengkonfirmasi bahwa indikator dan item (second order) yang

digunakan dapat menjelaskan karakter variabel Indeks Kepuasan

Layanan Infrastruktur (IKLI), Indeks Modal Sosial (IMS) dan

Indeks Pembangunan Masayarakat (IPMas)

2) Mengetahui indikator dan item yang paling kuat dalam membenuk dan mencerminkan variabel.

3) Menganalisis pengaruh IKLI dan IMS terhadap IPMas.

1.4. Manfaat Penelitian Manfaat dari penelitian tugas akhir ini adalah:

1) Memahami penerapan analisis second order dengan pendekatan WarpPLS.

2) Menentukan indikator dan item yang dapat mengukur dan menjelaskan karakteristik IKLI, IMS dan IPMas.

3) Sebagai masukan bagi pihak Barenlitbang Kota Malang untuk mendapatkan hasil IPMas terbaik.

1.5. Batasan Masalah

Batasan masalah pada penelitian ini adalah:

1) Data yang digunakan adalah data IKLI, IMS dan IPMas Barenlitbang Kota Malang Tahun 2018.

2) Algoritma resampling yang digunakan adalah bootstrap.. 3) Algoritma inner model yang digunakan adalah Warp.

5

BAB II

TINJAUAN PUSTAKA

2.1. Pemodelan Persamaan Struktural (SEM)

Pemodelan statistika yang melibatkan hubungan antar variabel

dan model indikator secara bersama-sama disebut model persamaan

struktural atau Structural Equation Model (SEM) (Solimun dkk.,

2017). SEM merupakan teknik analisis multivariat yang

dikembangkan guna menutupi keterbatasan yang dimiliki oleh model-

model analisis sebelumnya yang telah digunakan secara luas dalam

penelitian statistik. Model-model yang dimaksud diantaranya adalah

analisis regresi, analisis jalur, dan analisis faktor konfirmatori (Hox

dan Bechger, 1998).

Menurut Santoso (2011) SEM adalah teknik statistik multivariat

yang merupakan kombinasi dari analisis faktor dan analisis regresi

(korelasi) dan bertujuan untuk menguji hubungan antar variabel yang

ada pada sebuah model, baik antara indikator dengan variabel laten

maupun hubungan antar variabel laten. Sementara, Ghozali (2014)

mendeskripsikan SEM sebagai suatu teknik analisis multivariat

generasi kedua yang menggabungkan antara analisis faktor dan

analisis jalur sehingga memungkinkan peneliti untuk menguji dan

mengestimasi secara simultan hubungan antara variabel eksogen dan

endogen dengan banyak indikator.

Dengan demikian SEM adalah salah satu teknik analisis

multivariat yang digunakan untuk menganalisis hubungan antar

variabel yang lebih kompleks dibandingkan dengan analisis regresi

berganda dan analisis faktor.

Terdapat dua pendekatan dalam analisis SEM yaitu berbasis

kovarian dan berbasis komponen atau varian. Penggunaan SEM

berbasis varian dipengaruhi oleh beberapa syarat seperti distribusi

normal multivariat, jumlah sampel yang besar, dan dalam membentuk

variabel laten indikatornya bersifat reflektif.

Analisis SEM berbasis varian memandang teori mempunyai

peranan yang sangat penting dalam membangun hubungan kausalitas

model struktural dan tujuannya hanya ingin mengkonfirmasi apakah

model berdasarkan teori tidak berbeda dengan model empirisnya.

Berbeda dengan SEM berbasis kovarian, SEM berbasis varian seperti

Partial Least Square (PLS) dan Generalized Structured Component

Analysis (GSCA) tidak membutuhkan asumsi. SEM berbasis varian

6

dapat digunakan jika data tidak dapat dianalisis dengan SEM berbasis

kovarian (Ghozali, 2008).

2.2. Model Sistem Persamaan untuk Variabel Laten

Sampai saat ini, terdapat beberapa analisis Permodelan

Persamaan Struktural atau Structural Equation Modelling (SEM) yang

aplikasinya berkembang di Indonesia, antara lain SEM dengan

software AMOS/LISREL, PLS software dengan SmartPLS, GSCA

dengan software GesCA dan WarpPLS dengan software WarpPLS.

Pemilihan metode analisis kelompok ini utamanya tergantung dari dua

hal, yaitu model indikator (outer model) dan model hubungan antar

variabel laten (inner model).

Deskripsi mengenai metode analisis dan software yang

digunakan dijelaskan pada Tabel 2.1 (Solimun dkk., 2017).

Tabel 2.1 Deskripsi Analisis SEM, PLS, GSCA dan WarpPLS

No Outer

Model Inner Model

Metode

Analisis

Software (Paket

Program)

1 Reflektif

Kausalitas

satu arah

(memenuhi

salah satu

sifat model

rekursif

SEM AMOS & LISREL

PLS SmartPLS

GSCA GeSCA (online)

WarpPLS WarpPLS

2 Reflektif Tidak

rekursif

SEM AMOS & LISREL

GSCA GeSCA (online)

WarpPLS WarpPLS

3

Formatif

dan

Reflektif

Kausalitas

satu arah

(memenuhi

rekursif)

PLS SmartPLS

GSCA GeSCA (online)

WarpPLS WarpPLS

4

Formatif

dan

Reflektif

Tidak

rekursif

GSCA GeSCA (online)

WarpPLS WarpPLS

7

Pada penelitian ini, metode analisis yang digunakan adalah WarpPLS

yang diaplikasikan pada software dengan nama yang sama.

2.3. Pendekatan WarpPLS (Partial Least Square) pada SEM

Analisis WarpPLS adalah pengembangan dari analisis Partial

Least Square (PLS) yang pertama kali dikembangkan oleh Herman.

Model PLS dikembangkan sebagai alternatif ketika perancangan

model memiliki teori yang lemah atau belum ditemukan dan terdapat

indikator yang tidak dapat diukur dengan pengukuran reflektif. PLS

merupakan metode yang powerful karena asumsi pada model PLS

tidak terlalu diperlukan, dan ukuran sampel yang diperlukan bisa besar

ataupun kecil. PLS selain dapat digunakan untuk pengujian hipotesis

juga dapat digunakan untuk membangun hubungan yang belum ada

landasan teori dan juga digunakan untuk pengujian proporsi.

Analisis WarpPLS juga berlaku seperti pada analisis PLS.

Bilamana model struktural yang dianalisis memenuhi model reflektif

atau memenuhi model formatif, maka analisis yang dapat diterapkan

salah satunya adalah model PLS (Partial Least Square) (Solimun dkk.,

2017). Model struktural pada WarpPLS terdiri dari dua hal, yaitu:

1) Outer model adalah data variabel laten yang bersumber dari indikatornya.

2) Inner model adalah model hubungan antar variabel laten yang bersifat rekursif dan tidak rekursif.

2.4. Metode WarpPLS

Metode resampling merupakan sebuah pendekatan

nonparametrik sehingga tepat digunakan dalam analisis SEM-PLS

untuk memperoleh nilai signifikansi statistik tanpa harus memenuhi

asumsi-asumsi yang ketat (Kock, 2013 dan Hair dkk., 2011).

WarpPLS menyediakan tiga pilihan algoritma metode

resampling, yaitu:

1) Bootstrapping, yaitu metode resampling dengan algoritma menciptakan jumlah subsampel (resampel) dengan metode yang

dikenal sebagai pengambilan sampel dengan penggantian

(resampling with replacement) dan merupakan pilihan terbaik

untuk ukuran sampel besar (>100) dengan data yang terdistribusi

merata.

2) Jackknifing, metode yang menciptakan jumlah resample sama dengan ukuran sampel orisinil dimana setiap resample mempunyai

8

satu baris yang dibuang. Algoritma ini merupakan pilihan yang

baik untuk menangani masalah adanya outlier.

3) Blindfolding, metode dengan algoritma resampling yang memiliki karakter di antara jackknifing dan bootstraping. Jika jumlah

resample mendekati ukuran sampel awal, khususnya untuk sampel

kecil dan berisi outlier, hasil blindfolding akan sama dengan

jackknifing. Sebaliknya, untuk ukuran sampel yang besar dengan

data terdistribusi merata, hasil blindfolding akan sama dengan

bootstraping.

Metode resampling yang akan digunakan pada penelitian ini

adalah bootstrap karena ukuran sampel yang digunakan lebih dari

seratus.

2.5. Analisis Second-Order

Pada beberapa model penelitian, variabel laten konstruk dapat

terdiri atas berbagai dimensi atau komponen sehingga disebut

konstruk multidimensi, dimana setiap dimensi atau indikator diukur

dengan beberapa indikator atau item. Konstruk seperti ini biasa disebut

sebagai second order construct (Sholihin dan Ratmono, 2013).

Analisis second order construct juga disebut sebagai higher-order

model atau hierarchical component model (HCM) (Hair dkk., 2013).

Edwards (2001) menyatakan bahwa high order component

bermanfaat sebagai theoretical utility, dalam hal ini konstruk yang

bersifat lebih umum dapat lebih didukung oleh dimensi spesifik yang

membentuknya (kasus formative) atau dimensi spesifik yang

merefleksikannya (kasus reflective), sehingga dapat ditelusuri secara

lebih mendetail melalui pengembangan sub-dimensi yang lebih

spesifik untuk menjelaskan karakter sebuah konstruk yang bersifat

umum.

Mengutip dari Becker, dkk. (2012), terdapat empat tipe second-

order construct, yaitu reflective first order dan reflective second order,

reflective first order dan formative second order, formative first order

dan reflective second order, formative first order dan formative second

order seperti pada Gambar 2.1.

9

Gambar 2.1. Tipe Second-Order Construct

2.6. Model Pengukuran pada Persamaan Struktural

Perumusan model pengukuran tergantung pada arah hubungan

antara item dengan indikator dan indikator dengan variabel laten.

Dalam hal pemodelan persamaan struktural dikenal dua model

pengukuran, yaitu model pengukuran reflektif dan pengukuran

formatif.

2.6.1. Model Indikator Reflektif

Menurut Solimun dkk (2017), model indikator reflektif adalah

model dengan variabel sikap atau perilaku yang tercermin, terlihat dan

terefleksi. Model ini dikembangkan berdasarkan pada classical test

theory yang mengasumsikan bahwa variasi nilai variabel laten

merupakan fungsi dari true score. Jadi variabel laten seolah-olah

X13

X22

X31

X33

X32

Reflektif – Reflektif, Tipe 1

X23

X21

X12

X11 1

FO1

FO2

FO3

SO X23

Formatif – Reflektif, Tipe 2

1

1

1

FO1

FO2

FO3

SO

X33

X32

X31

X22

X21

X13

X12

X11

X21

X23

X12

X13 FO1

FO2

FO3

SO

Reflektif – Formatif, Tipe 3

X33

X32

X31

X22

X11 1

X32

X31

X22

X13

X12

Formatif – Formatif, Tipe 4

X33

X23

X21

X11 1

1

1

FO1

FO2

FO3

SO

10

(seperti) mempengaruhi indikator atau seolah-olah arah kausalitas dari

variabel ke indikator. Model reflektif sering juga disebut confirmatory

factor model di mana data variabel laten berupa skor faktor dan

diperoleh menggunakan analisis faktor.

Ciri-ciri model indikator reflektif menurut Solimun dkk. (2017),

yaitu:

1) Arah kausalitas seolah-olah (seperti) dari variabel laten (Fi) ke indikator (Xi).

2) Antar indikator diasumsikan saling berkorelasi (harus memiliki faktor bersama atau common factors).

3) Menghilangkan satu indikator tidak akan merubah makna dan arti variabel laten.

4) Kesalahan pengukuran (error) pada setiap (tingkat) indikator dilambangkan dengan εi.

Salah satu contoh model indikator reflektif adalah variabel yang

berkaitan dengan sikap (attitude) dan niat membeli (purchase

intention) (Jarvis et al., 2003). Sikap biasanya dipandang sebagai

respon dalam bentuk favorable (menguntungkan) atau unfavorable

(tidak menguntungkan) terhadap suatu obyek dan biasanya diukur

dengan skala multi item dalam bentuk semantik diferensial seperti

good-bad, like-dislike, dan favorable-unfavorable. Sedangkan niat

membeli umumnya diukur dengan ukuran subyektif seperti howlikely-

unlikely, probable-improbable, dan atau possible-impossible.

2.6.2. Model Indikator Formatif

Asal usul model formatif dapat ditelusuri kembali berdasarkan

definisi operasional. Dari definisi operasional, dapat ditarik

kesimpulan model indikator mana yang tepat digunakan antara model

indikator formatif atau reflektif. Pada model formatif variabel

komposit seolah-olah dipengaruhi (ditentukan) oleh indikatornya. Jadi

arah hubungan kausalitas seolah-olah dari indikator ke variabel laten

(Jaya dan Sumertajaya, 2008). Ciri-ciri model indikator formatif

adalah:

1) Arah hubungan kausalitas seolah-olah (seperti) dari indikator ke

variabel laten.

2) Antar indikator diasumsikan tidak berkorelasi.

3) Menghilangkan satu indikator berakibat merubah makna dari

konstruk.

4) Kesalahan pengukuran diletakkan pada tingkat variabel laten (εi).

11

Secara umum ada yang berpandangan bahwa variabel laten yang

model indikatornya formatif dibentuk dari indikator-indikator yang

datanya bersifat kuantitas, misal kesejahteraan masyarakat dengan

indikator pendapatan perkapita, lama pendidikan, dan usia harapan

hidup, dimana semua indikator datanya berupa kuantitas dan bukan

persepsi (Solimun, 2010).

2.6.3. Perbandingan Model Indikator Reflektif dan Formatif

Penjelasan mengenai model indikator reflektif dan model indikator

formatif secara sederhana dapat disimpulkan ke dalam bentuk

perbandingan yang ditunjukkan pada Tabel 2.2.

Tabel 2.2. Perbandingan Model Indikator Reflektif dan Model

Indikator Formatif.

Karakteristik Analisis faktor:

Reflektif

Analisis komponen

utama: Formatif

Model

matematika

− Faktor terkandung

di dalam variabel

asal

− Variabel asal

merupakan fungsi

dari faktor

− Komponen utama

merupakan

kombinasi linier

dari variabel asal

− Komponen utama

merupakan fungsi

dari variabel asal

Variabel asal

Harus memiliki faktor

bersama (common

factor)

Tidak memiliki atau

memiliki faktor

bersama

Metode

pendugaan

loading /

weight

Konsep nilai eigen

dan vektor eigen

− PCA solution

− MLE

Metode

pengukuran

Berupa “faktor” yang

direfleksikan oleh

indicator

Berupa “variabel”

yang dibentuk oleh

indicator

12

2.7. Langkah-langkah Analisis WarpPLS

Untuk melakukan pemodelan struktural dengan pendekatan

WarpPLS, perlu dilakukan langkah-langkah yang dijelaskan berikut.

2.7.1. Merancang Model Struktural (Inner model)

Langkah pertama yaitu melakukan perancangan inner model.

Inner model merupakan model yang menggambarkan hubungan yang

ada di antara variabel laten berdasarkan path substantive theory. Inner

model biasa disebut sebagai inner relation atau structural model.

Perancangan inner model didasarkan pada rumusan masalah atau

hipotesis penelitian. Kelebihan dari analisis PLS/WarpPLS

dibandingkan dengan SEM adalah perancangan model tidak hanya

bisa berbasiskan teori, melainkan sebagai berikut (Solimun dkk.,

2017).

1) Norma finalitas (kitab suci) 2) Aksioma 3) Teorema/teori/dalil 4) Hasil penelitian empiris 5) Adopsi teori dan hasil penelitian empiris tentang hubungan

antar variabel dari bidang ilmu yang lain 6) Norma tidak final, misal peraturan pemerintah, undang-undang,

SOP, dan lain sebagainya. 7) Kondisi empiris 8) Expert judgement 9) Intuisi/logika

2.7.2. Merancang Model Pengkuran (Outer Model)

Outer model adalah model yang menggambarkan hubungan

antara variabel laten dengan indikatornya. Outer model biasa disebut

sebagai outer relation atau measurement model. Merancang outer

model bertujuan untuk menentukan apakah sifat indikator masing-

masing variabel bersifat reflektif atau formatif. Pengukuran yang tidak

sesuai dalam membangun sebuah model hubungan akan memperoleh

hasil analisis yang tidak tepat (Solimun dkk., 2017).

2.7.3. Mengkonstruksi Diagram Jalur

Perancangan inner model dan outer model perlu dinyatakan

dalam bentuk jalur untuk lebih mudah dipahami. Adapun bentuk jalur

13

pada penelitian ini menggunakan analisis WarpPLS sebagaimana

ditunjukkan pada Gambar 2.2.

Y2.3

Y2.2

Y2.1

Y2.1.6Y2.1.5Y2.1.4Y2.1.3Y2.1.2Y2.1.1

Y2.2.5

Y2.2.4

Y2.2.3

Y2.2.1

Y2.2.2

Y2.3.3Y2.3.2Y2.3.1

ε15ε14ε13ε12ε11

ε20

ε19

ε17

ε16

ε18

ε23ε22ε21

r5

r6

βy2.1

βy3.1

βy1

βy3

βy2

βy1.2 βy1.3 βy1.4 βy1.5 βy1.6

βy2.2

βy2.3

βy2.4

βy2.5

βy3.2βy3.3

ζ2

X2.14

X4.15

X5.14

X5

X4

X3

X2

X1.1

X2...

X2.1

X3.15

X3...

X3.1

X4...

X4.1

X5...

X5.1

e2

e3

e4

e5

βx1.1

βx3.1

βx4.1

βx5.1

βx1

βx5

βx2

βx3

βx4

βx2.14

βx3...

βx3.15

βx4...

βx4.15

βx5...

βx5.14

X

Y1

Y2

Y1.3Y1.2

Y1.1.2 Y1.2.1Y1.1.1 Y1.1.5Y1.1.4Y1.1.3 Y1.2.1 Y1.3.2Y1.3.1

ε1 ε9ε8ε7ε6ε5ε4ε3ε2

ε10

r3r2

r4

λy1.1 λy1.2 λy1.3 λy1.4 λy1.5

λy2.1 λy2.2

λy3.1 λy3.2

βy1.1

λy2 λy3λy1

ζ1

Y1.1

X1

X1.13X1..r1

e1

βx2.1

βx2...

βx1... βx1.13

Y1

Gambar 2.2. Diagram Jalur Penelitian

Keterangan:

X : variabel laten eksogen

Yg : variabel laten endogen ke-g

Xi : indikator ke-i variabel eksogen

Yg.k : indikator ke-k variabel endogen ke-g

λ : koefisien loading

β : koefisien weight

Xi.j : item ke-j dari indikator ke-i variabel eksogen

Yg.k.l : item ke-l dari indikator ke-k variabel endogen ke-g

: galat model struktural ke-h

: galat pengukuran pada variabel manifes untuk variabel laten

eksogen

l : galat pengukuran ke-l pada item dari variabel laten endogen

ie : galat pengukuran ke-i pada indikator dari variabel eksogen

kr : galat pengukuran ke-k pada indikator variabel endogen

g : banyak variabel endogen

m : banyak item pada variabel eksogen, i=1,2,...,m

γ2

γ1 α

14

n : banyak indikator pada variabel eksogen, j=1,2,..., n

o : banyak item pada variabel endogen, l=1,2,...,o

p : banyak indikator pada variabel endogen, k=1,2,...,p

2.7.4. Konversi Diagram Jalur ke Sistem Persamaan

Setelah mengkonstruksi diagram jalur, perlu dilakukan konversi

ke sistem persamaan. Persamaan yang akan didapatkan berasal dari

outer model dan inner model.

1) Outer Model

Outer model adalah spesifikasi hubungan antara variabel laten

dengan indikator, juga sebagai pendefinisian karakteristik variabel

laten dengan indikatornya. Terdapat dua tipe model yaitu model

reflektif dan formatif. Model reflektif berbasis pada Analisis Faktor,

sedangkan model formatif berbasis pada Analisis Komponen Utama.

Penelitian ini menggunakan analisis second-order dengan tiga

variabel laten. Berdasarkan Gambar 2.2 diketahui terdapat dua model

utama yaitu model first order dan model second order, di mana

masing-masing model terdiri dari hubungan reflektif dan hubungan

formatif.

Model reflektif first order menggambarkan hubungan item yang

dicerminkan oleh indikator, sementara model formatif first order

menggambarkan hubungan item yang membentuk indikator. Model

pengukuran reflektif first order dapat ditulis seperti pada persamaan

(2.1) dan (2.2).

.. i ji j x i j

x X = + (2.1)

. .. . .g k lg k l y g k l

y Y = + (2.2)

Keterangan:

.i jx : koefisien loading item ke-j dari indikator variabel eksogen ke-i

. .g k ly : koefisien loading item ke-l dari indikator ke-k pada variabel

endogen ke-g

xi.j : item ke-j dari indikator ke-i variabel eksogen

yg.k.l : item ke-l dari indikator ke-k pada variabel endogen ke-g

Xi : indikator ke-i dari variabel laten eksogen

Yg.k : indikator ke-k dari variabel laten endogen ke-g

j : galat pengukuran ke-j pada item dari variabel laten eksogen

l : galat pengukuran ke-l pada item dari variabel laten endogen

15

m : banyak item pada indikator ke-i dari variabel eksogen, j= 1,2,...,m

n : banyak indikator pada variabel eksogen, i=1,2,..., n

o : banyak item pada indikator ke-k dari variabel endogen ke-g,

l=1,2,...,o

p : banyak indikator pada variabel endogen ke-g, k=1,2,...,p


Model pengukuran formatif first order dapat ditulis seperti pada

persamaan (2.3) dan (2.4).

. .i ji x i j iX x e= + (2.3)

. .. . .g k lg k y g k l k

Y y e= + (2.4)

Keterangan:

.i jx : koefisien weight dari item terhadap indikator X

. .g k ly : koefisien weight dari variabel laten endogen terhadap indikator

(matriks loading)

xi.j : item ke-j dari indikator ke-i variabel eksogen

yg.k.l : item ke-l dari indikator ke-k pada variabel endogen ke-g



ei : galat pengukuran ke-i pada indikator dari variabel eksogen

ek : galat pengukuran ke-k pada indikator dari variabel endogen

m : banyak item pada indikator ke-i dari variabel eksogen,

j= 1,2,...,m


o : banyak item pada indikator ke-k dari variabel endogen ke-g,

l=1,2,...,o

p : banyak indikator pada variabel endogen ke-g, k=1,2,...,p


Sementara itu, model reflektif second order menggambarkan

hubungan indikator yang dicerminkan oleh variabel laten, sementara

model formatif second order menggambarkan hubungan indikator

yang membentuk variabel laten. Model pengukuran reflektif second

order dapat ditulis seperti pada persamaan (2.5) dan (2.6).

ii x iX X e= + (2.5)

.. g kg k y g k

Y Y r= + (2.6)

Keterangan:

16

ix : koefisien loading indikator ke-i dari variabel eksogen

.g ky : koefisien loading indikator ke-k dari variabel endogen ke-g

X : variabel eksogen

Yg : variabel endogen ke-g



ei : galat pengukuran ke-i pada indikator dari variabel laten eksogen

rk : galat pengukuran ke-k pada indikator dari variabel laten endogen




Model pengukuran formatif second order dapat ditulis seperti

pada persamaan (2.7) dan (2.8).

ix i

X X = + (2.7)

. .g kg y g k g

Y Y = + (2.8)

Keterangan:

ix : koefisien weight dari item terhadap indikator X

ky : koefisien weight dari variabel laten endogen terhadap indikator

(matriks loading)

X : variabel laten eksogen

Yg : variabel laten endogen ke-g



δ : galat pengukuran pada variabel laten eksogen

ζg : galat pengukuran ke-g pada variabel laten endogen




Berdasarkan diagram jalur pada Gambar 2.2, terdapat tiga tipe

model pengukuran yaitu formatif first order - formatif second order

(formatif - formatif), reflektif first order - reflektif second order

(reflektif - reflektif) dan formatif first order - reflektif second order

(formatif - reflektif).

a. Formatif - Formatif Model pengukuran formatif first order - formatif second order

berdasarkan Gambar 2.2 ditunjukkan pada Gambar 2.3.

17

X2.14

X4.15

X5.14

X

X5

X4

X3

X2

X1

X1.13X1..X1.1

X2...

X2.1

X3.15

X3...

X3.1

X4...

X4.1

X5...

X5.1

e2

e1

e3

e4

e5

ßx1.1

ßx2.1

ßx2...

ßx3.1

ßx4.1

ßx5.1

ßx1

ßx5

ßx2

ßx3

ßx4

ßx1... ßx1.13

ßx2.14

ßx3...

ßx3.15

ßx4...

ßx4.15

ßx5...

ßx5.14

Gambar 2.3 Konstruk Diagram Model Formatif-Formatif

Pada Gambar 2.3, hubungan formatif first order ditunjukkan

oleh item X1.1, X1..., X1.13, X2.1 hingga X5.14 dengan indikator X1 hingga

X5, sementara hubungan formatif second order ditunjukkan oleh

indikator X1 hingga X5 dengan variabel . Berdasarkan Gambar 2.3,

model pengukuran formatif first order mengikuti persamaan (2.3)

sehingga didapatkan model seperti yang ditunjukkan pada persamaan

(2.9), sedangkan model pengukuran formatif second order mengikuti

persamaan (2.7) sehingga didapatkan model seperti yang ditunjukkan

pada persamaan (2.10).

𝑋1 = 𝛽𝑥1.1𝑋1.1 + 𝛽𝑥1.2𝑋1.2+. . +𝛽𝑥1.13𝑋1.13 + 𝑒1

𝑋2 = 𝛽𝑥2.1𝑋2.1 + 𝛽𝑥2.2𝑋2.2+. . . +𝛽𝑥2.14𝑋2.14 + 𝑒2

𝑋3 = 𝛽𝑥3.1𝑋3.1 + 𝛽𝑥3.2𝑋3.2 + ⋯ + 𝛽𝑥3.15𝑋3.15 + 𝑒3

𝑋4 = 𝛽𝑥4.1𝑋4.1 + 𝛽𝑥4.2𝑋4.2 + ⋯ + 𝛽𝑥4.15𝑋4.15 + 𝑒4

𝑋5 = 𝛽𝑥5.1𝑋5.1 + 𝛽𝑥5.2𝑋5.2+. . . +𝛽𝑥5.14𝑋5.14 + 𝑒5 (2.9)

𝑋 = 𝛽𝑥1𝑋1 + 𝛽𝑥2𝑋2+. . . +𝛽𝑥5𝑋5 + 𝛿1 (2.10)

Formatif

second order

Formatif first

order

18

b. Reflektif - Reflektif

Model pengukuran formatif first order - formatif second order

berdasarkan Gambar 2.2 ditunjukkan pada Gambar 2.4.

Y1.3Y1.2

Y1.1.2 Y1.2.1Y1.1.1 Y1.1.5Y1.1.4Y1.1.3 Y1.2.1 Y1.3.2Y1.3.1

ε1 ε9ε8ε7ε6ε5ε4ε3ε2

r3r2

λy1.1 λy1.2 λy1.3 λy1.4 λy1.5

λy2.1 λy2.2

λy3.1 λy3.2

λy2 λy3

Y1

λy1

ζ1

Y1.1

r1

Gambar 2.4 Konstruk Diagram Model Reflektif-Reflektif

Pada Gambar 2.4, hubungan reflektif first order ditunjukkan

oleh item Y1.1, Y1.2 hingga Y3.2 dengan indikator Y1, Y2 dan Y3,

sementara hubungan reflektif second order ditunjukkan oleh indikator

Y1, Y2 dan Y3 dengan variabel η1. Berdasarkan Gambar 2.3, model pengukuran reflektif first order mengikuti persamaan (2.2) sehingga

didapatkan model seperti yang ditunjukkan pada persamaan (2.11),

sedangkan model pengukuran reflektif second order mengikuti



𝑌1.1.1 = 𝜆𝑦1.1𝑌1.1 + ε1

𝑌1.1.2 = 𝜆𝑦1.2𝑌1.1 + ε2

𝑌1.1.3 = 𝜆𝑦1.3𝑌1.1 + ε3

𝑌1.1.4 = 𝜆𝑦1.4𝑌1.1 + ε4

𝑌1.1.5 = 𝜆𝑦1.5𝑌1.1 + ε5

𝑌1.2.1 = 𝜆𝑦2.1𝑌1.2 + ε6

𝑌1.2.2 = 𝜆𝑦2.2𝑌1.2 + ε7

𝑌1.3.1 = 𝜆𝑦3.1𝑌1.3 + ε8

𝑌1.3.2 = 𝜆𝑦3.2𝑌1.3 + ε9 (2.11)

𝑌1.1 = 𝜆𝑦1𝑌1 + 𝑟1

𝑌1.2 = 𝜆𝑦2𝑌1 + 𝑟2

𝑌1.3 = 𝜆𝑦3𝑌1 + 𝑟3 (2.12)

Reflektif

first order

Reflektif

second order

19

c. Formatif – Reflektif Model pengukuran formatif first order - reflektif second

order berdasarkan Gambar 2.2 ditunjukkan pada Gambar 2.5.

Y2.3

Y2.2

Y2.1

Y2.1.6Y2.1.5Y2.1.4Y2.1.3Y2.1.2Y2.1.1

Y2.2.5

Y2.2.4

Y2.2.3

Y2.2.1

Y2.2.2

Y2.3.3Y2.3.2Y2.3.1

ε15ε14ε13ε12ε11

ε20

ε19

ε17

ε16

ε18

ε23ε22ε21

r5

r6

βy2.1

βy3.1

βy1

βy3

βy2

βy1.2 βy1.3 βy1.4 βy1.5 βy1.6

βy2.2

βy2.3

βy2.4

βy2.5

βy3.2βy3.3

Y2

ε10

r4

βy1.1

Gambar 2.5 Konstruk Diagram Model Formatif-Reflektif

Pada Gambar 3.5, hubungan formatif first order ditunjukkan

oleh item Y4.1, Y4.2, Y4.3 hingga Y6.3 dengan indikator Y4, Y5 dan Y6,

sementara hubungan reflektif second order ditunjukkan oleh indikator

Y4, Y5 dan Y6 dengan variabel η2. Berdasarkan Gambar 2.5, model pengukuran formatif first order mengikuti persamaan (2.4) sehingga

didapatkan model seperti yang ditunjukkan pada persamaan (2.13),

sedangkan model pengukuran reflektif second order mengikuti



𝑌2.1 = 𝛽𝑦1.1𝑌2.1.1 + 𝛽𝑦1.2𝑌2.1..2+. . . +𝛽𝑦1.6𝑌2.1.6 + 𝑟4

𝑌2.2 = 𝛽𝑦2.1𝑌2.2.1 + 𝛽𝑦2.2𝑌2.2.2+. . . +𝛽𝑦2.5𝑌2.2.5 + 𝑟5

𝑌2.3 = 𝛽𝑦2.3.1𝑌6.1 + 𝛽𝑦3.2𝑌2.3.2 + 𝛽𝑦3.3𝑌2.3.3 + 𝑟6 (2.13)

𝑌2 = 𝛽𝑦1𝑌2.1 + 𝛽𝑦2𝑌2.2 + 𝛽𝑦3𝑌2.3 + 𝜁2 (2.14)

Formatif

first order

Reflektif

second order

20

2) Inner model

Inner model adalah spesifikasi hubungan antar variabel laten

(model struktural) atau biasa disebut dengan inner relation yang

menggambarkan hubungan antar variabel laten berdasarkan teori

substansif penelitian. Model persamaan inner model dapat ditulis

seperti pada persamaan (2.15).

Y Y X = + + (2.15)

Keterangan :

: koefisien jalur yang menghubungkan variabel laten endogen

dengan endogen : koefisien jalur yang menghubungkan variabel laten eksogen

dengan endogen

Y : vektor variabel laten endogen

X : vektor variabel laten eksogen

: vektor galat inner model

Berdasarkan Gambar 2.2, model struktural yang digunakan

dalam penelitian ini ditunjukkan pada Gambar 2.6.

Y1

Y2

ζ2

X

ζ1

Gambar 2.6 Konstruk Diagram Model Struktural

Mengikuti persamaan (2.15), berdasarkan Gambar 2.6

didapatkan dua persamaan model struktural yang akan digunakan pada

penelitian ini yang ditunjukkan pada persamaan (2.16).

𝑌1 = 𝛼1𝑋+𝜁1

𝑌2 = 𝛾1𝑌1 + 𝛼2𝑋 + 𝜁2 (2.16)

2.7.5. Estimasi Parameter

Analisis WarpPLS merupakan pengembangan analisis PLS.

Oleh karena itu pada pendekatan WarpPLS juga berlaku seperti pada

PLS. Menurut Solimun (2010), pendugaan parameter di dalam PLS

meliputi tiga tahapan yaitu:

α1 γ1

α2

21

1) Weight estimate, yaitu pendugaan outer weight. Digunakan untuk menghitung nilai variabel laten.

2) Path estimate, yaitu pendugaan koefisien jalur yang menghubungkan antar variabel laten dan antara variabel laten

dengan variabel manifesnya (loading).

3) Means estimate, yaitu pendugaan parameter berdasarkan resampling dengan tujuan untuk pengujian hipotesis parameter.

Metode pendugaan parameter di dalam PLS adalah metode

kuadrat terkecil. Proses perhitungan dilakukan dengan cara iterasi,

PLS menggunakan proses iterasi tiga tahap sehingga pada setiap

iterasi menghasilkan nilai pendugaan.

Pada tahap pertama, nilai penduga setiap variabel laten

diperoleh melalui dua cara, yaitu outside approximation dan inside

approximation. Untuk memperoleh outside approximation weight

digunakan penduga inner model, sedangkan untuk memperoleh inside

approximation weight digunakan penduga outer model. Proses iterasi

akan berhenti ketika tercapai kondisi konvergen yaitu apabila

persentase perubahan setiap bobot aproksimasi outside relatif terhadap

proses iterasi sebelumnya kurang dari 0,001 (Solimun, 2010).

Terdapat 4 langkah dalam pendugaan parameter tahap pertama

berdasarkan algoritma PLS (Chinn, 2000), yaitu:

langkah 1: menghitung inner weight dengan pendekatan centroid

vji = {sign cor(Yj; Yi), jika Yj dan Yi berdekatan

0, lainnya

langkah 2: Inside approximation :

j ji iiZ v Y= (2.17)

langkah 3: Outer weight

j j jk k j ky w Z e= + pada model reflektif (2.18)

j jj k k jkZ w y d= + pada model formatif (2.19)

langkah 4: Outside approximation

j jj k kk

Y w y= (2.20) Keterangan:

jY : variabel laten outside approximation

jZ : variabel laten inside approximation

22

jky : variabel manifes

d : residual validitas

e : residual outer v : inner weight

w : koefisien weight

j : 1,2,3,...,Q untuk banyak variabel laten

i : 1,2,3,....,T untuk banyak variabel laten tetangga

jk : 1,2,3,...,R untuk banyak hubungan variabel manifes tanpa j

n : 1,2,3,....,N untuk banyak pengamatan Setelah skor variabel laten di estimasi pada tahap satu, maka

tahap kedua adalah mengestimasi hubungan jalur dengan ordinary

least square. Jika estimasi pada tahap dua menghasilkan nilai yang

berarti maka parameter mean untuk indikator dan variabel laten

diestimasi pada tahap ketiga. Pendugaan pada tahap ketiga dilakukan

dengan cara mean setiap indikator dihitung terlebih dahulu dengan

menggunakan data asli, kemudian menggunakan bobot yang didapat

dari tahap satu, mean untuk setiap variabel laten dihitung. Dengan

nilai mean untuk setiap variabel laten dan koefisien path dari tahap

kedua, maka parameter untuk setiap variabel dependent dihitung

sebagai perbedaan antara mean yang baru saja dihitung dengan

systematic part accounted oleh variabel laten eksogen yang

mempengaruhinya (Solimun, 2010).

Terdapat beberapa estimasi parameter outer model dan inner

model pada pemodelan menggunakan WarpPLS. Algoritma analisis

outer model pada dasarnya adalah proses perhitungan data variabel

laten yang bersumber dari data indikator. Terdapat 5 algoritma outer

model pada WarpPLS (Solimun dkk., 2017) yaitu:

1) PLS Regression, yaitu inner model tidak mempengaruhi outer model.

2) PLS Mode M, yaitu inner model mempengaruhi outer model. 3) PLS Mode A, untuk model indikator reflektif. 4) PLS Mode B, untuk model indikator formaif. 5) Robust Path Analysis, yaitu data variabel laten berupa rata-rata

skor indikator.

Penelitian ini menggunakan algoritma outer model PLS

Regression. Sedangkan algoritma analisis pada inner model adalah

metode dan proses perhitungan koefisien jalur, atau koefisien

23

pengaruh antara variabel laten. Terdapat dua algoritma inner model,

yaitu:

1) Linier, model hubungan antar variabel laten memenuhi asumsi linier.

2) Warp, model hubungan antar variabel laten tidak memenuhi asumsi linier.

Untuk menentukan algoritma inner model yang akan digunakan,

maka diperlukan uji linieritas. Metode Regression Specification Error

Test (RESET) dapat digunakan untuk melakukan uji linieritas. Dalam

pendekatannya Ramsey RESET menggunakan Ordinary Least Square

(OLS) untuk meminimumkan jumlah dari error yang dikuadratkan

dari setiap observasi (Gujarati, 2004).

Langkah-langkah uji linieritas menggunakan metode RESET adalah

sebagai berikut:

1) Persamaan regresi pertama yaitu: 𝑌𝑖= 𝛽0+ 𝛽1𝑋1𝑖+ . . . . . + 𝛽𝑝𝑋𝑝𝑖+ 𝜀1 (2.21)

Pendugaan parameter dengan pendekatan Ordinary Least Square

(OLS) kemudian diperoleh pendugaan sebagai berikut.

�̂�𝑖=�̂�0 + �̂�1𝑋1𝑖+ . . . . + �̂�𝑝𝑋𝑝𝑖

Kemudian melakukan perhitungan 𝑅12 yang pertama dengan

persamaan (2.22).

2

2 11 2

1

( )1

( )

n

iii

n

i ii

Y YR

Y Y

=

=

−= −

−

(2.22)

2) Lalu dilakukan OLS untuk Persamaan regresi kedua yaitu:

𝑌𝑖= 𝛼0+ 𝛼1𝑋1𝑖+ . . .+ 𝛼𝑝𝑋𝑝𝑖+ 𝛼𝑝+1�̂�𝑖2 + 𝛼𝑝+2�̂�𝑖

3+ 𝜀1 (2.23)

�̂�𝑖= �̂�0+ �̂�1𝑋1𝑖+ . . .+ �̂�𝑝𝑋𝑝𝑖+ �̂�𝑝+1�̂�𝑖2 + �̂�𝑝+2�̂�𝑖

3 (2.24)

Kemudian melakukan perhitungan 𝑅12 lagi untuk menghasilkan

nilai 𝑅12.

3) Pengujian bentuk hubungan variabel prediktor dan variabel respon linier atau nonlinier.

Hipotesis yang digunakan untuk uji RESET:

𝐻0: 𝛼𝑝+1= 𝛼𝑝+2= 0 vs

𝐻0: minimal ada satu 𝛼𝑗≠ 0, 𝑗 = 𝑝 + 1, 𝑝 + 2

dengan statistik uji mengikuti sebaran F seperti pada persamaan

(2.25).

24

( )2 22 1

2

2

/ 2

(1 ) / ( 2)

R RF

R n p

−=

− − + (2.25)

Keputusan untuk menolak H0 jika Statistik Uji F > (1 ;2; ( 2))F T p− − +

atau p-value < 0,05 yang berarti hubungan antara variabel prediktor

dan variabel respon adalah nonlinier.

2.7.6. Evaluasi Goodness of Fit

Dasar evaluasi model PLS adalah pengukuran prediksi yang

mempunyai sifat nonparametrik. Terdapat dua evaluasi model yaitu

outer model dan inner model.

1) Outer Model Outer model berkaitan tentang pengujian validitas dan reliabilitas

instrumen penelitian. Hasil dari validitas konvergen dan diskriminan

pada indikatornya digunakan untuk mengevaluasi model pengukuran

indikator reflektif, sedangkan composite reliability untuk semua

indikator. Substantive content digunakan untuk mengevaluasi outer

model dengan indikator formatif, yaitu dengan membandingkan

besarnya relatif weight serta melihat signifikan dan ukuran weight

tersebut (Solimun, 2017).

a. Validitas Konvergen Validitas konvergen dapat dilihat dari koefisien korelasi antara

skor indikator reflektif dengan skor variabel laten (Solimun, dkk.,

2017). Pada variabel laten yang memiliki indikator antara tiga

sampai tujuh, kriteria yang sering digunakan pada nilai loading

adalah sebesar 0,5 sampai 0,6 dan nilai tersebut dapat dikatakan

valid.

b. Validitas Diskriminan Validitas diskriminan dari model pengukuran reflektif dapat

dihitung berdasarkan nilai cross loading dan nilai loading. Jika nilai

loading variabel laten dengan setiap indikatornya lebih besar dari

pada cross loading pada variabel laten lainnya, maka variabel laten

tersebut dapat dikatakan memprediksi indikatornya lebih baik

daripada variabel laten lainnya dan memenuhi validitas diskriminan.

Selain itu, validitas diskriminan juga dapat dihitung dengan

membandingkan nilai square root of average variance extracted

(AVE). Metode ini untuk melihat validitas diskriminan keseluruhan

indikator. Fornell dan Lacker dalam Ghozali (2008) mengatakan

bahwa apabila nilai AVE lebih tinggi dari pada nilai korelasi di

25

antara variabel laten, maka validitas diskriminan dapat dianggap

tercapai. Direkomendasikan nilai AVE lebih besar dari 0,5. Rumus

hitung AVE ditunjukkan pada persamaan (2.26).

2

2 21

i

i i

AVE

=

+ −

(2.26)

dimana 𝜆𝑖2 adalah komponen loading factor dan

21 var( )i i − =

merupakan error pengukuran indikator ke-i.

c. Composite Reliability Composite reliability adalah indeks yang menunjukkan sejauh

mana suatu alat pengukur dapat dipercaya untuk diandalkan.

Reliabilitas menunjukkan konsistensi alat pengukur pada gejala

yang sama. Nilai reliabilitas komposit (ρc) pada peubah laten

merupakan nilai yang mengukur kestabilan dan kekonsistenan dari

pengukuran reliabilitas gabungan. Perhitungan reliabilitas komposit

dapat dilakukan dengan rumus yang ditunjukkan pada persamaan

(2.27). 2

2

( )

( ) var( )

i

i i

c

=+

(2.27)

Keterangan:

i : nilai loading factor indikator ke-i

i : error pengukuran indikator ke-i

Kuesioner dapat dikatakan memiliki reliabilitas komposit yang

baik apabila nilai reliabilitas ≥ 0,7 meskipun bukan standar yang

absolut (Solimun dkk.., 2017).

2) Inner Model Goodness of Fit Model merupakan indeks dan ukuran kebaikan

hubungan antar variabel laten. Goodness of Fit Model digunakan

untuk mengevaluasi model struktural. Untuk mengetahui nilai

Goodness of Fit Model salah satunya dengan melihat persentase

varians yang dijelaskan yaitu dengan melihat R2 untuk konstruk laten

dependen.

Evaluasi Goodness of Fit Model pada WarpPLS menggunakan

Model Fit and Quality Indices seperti yang ditunjukkan pada Tabel

2.3. Kriteria yang digunakan bersifat rule of thumb, sehingga

selayaknya tidak berlaku secara kaku dan mutlak. Apabila terdapat

satu atau dua indikator Model Fit and Quality Indices yang terpenuhi

model masih dapat digunakan.

26

Tabel 2.3. Model Fit and Quality Indices

No Model fit and quality indices Kriteria Fit

1 Average Path coefficient (APC) Diterima jika p < 0.05

2 Average R-squared (ARS) Diterima jika p < 0.05

3 Average adjusted R-squared Diterima jika p < 0.05

4 Average block VIF (AVIF) Diterima jika ≤ 5

5 Average full collinearity VIF Diterima jika ≤ 5

6 Tenenhaus GoF (GoF) Kecil > 0.1,

Sedang > 0.25,

Besar > 0.36

7 Symphson’s paradox ratio Diterima jika ≥ 0.7

8 R squared contribution ratio Diterima jika ≥ 0.9

9 Statistical suppression ratio Diterima jika ≥ 0.7

10 Nonlinier bivariate causality

direction ratio (NLBCDR) Diterima jika ≥ 07

2.7.7. Pengujian Hipotesis

Pada WarpPLS pengujian hipotesis dilakukan menggunakan

algoritma resampling, dimulai dari pendugaan parameter, perhitungan

varians dan p-values. Algoritma resampling yang digunakan dalam

penelitian ini adalah bootstrap.

Resampling bootstrap merupakan metode untuk

memperkirakan parameter masing-masing sampel bootstrap B buah yang merupakan sampel acak berukuran n dan diambil dengan pengembalian. Resampling dilakukan sebanyak B kali dengan

jumlah B disyaratkan cukup besar agar estimasi parameter yang

diperoleh konvergen. Misalkan F)

sebuah distribusi empiris dengan

peluang observasi terpilih menjadi sampel bootstrap sebesar 1/ n

untuk setiap nilai amatan ix , 1, 2,...,i n= .

Efron dan Tibshirani (1993) mendefinisikan sampel bootstrap

sebagai sampel acak berukuran n yang diambil dari F)

. Sampel

27

bootstrap dapat dituliskan sebagai ( )1 2* *, *,..., *nx x x x=%

atau dapat

dituliskan seperti persamaan 2.28.

1 2* ( *, *,..., *)nF x x x x→ =)

% (2.28)

Notasi bintang menunjukkan bahwa *x%

merupakan hasil dari

proses acak atau resample yang diambil dari satu set data asli.

Sementara itu, 1 2*, *,..., *nx x x merupakan observasi dalam sampel

bootstrap yang diperoleh secara acak dengan pengembalian data set

asli 1 2, ,..., nx x x .

Pada data berpasangan, pengambilan sampel bootstrap

dilakukan secara berpasangan. Pengamatan yang diambil secara acak

berupa nomer observasi dari data berpasangan. Sampel bootstrap

untuk data berpasangan dapat ditulis sebagai berikut.

( )1 2* *, *, , *nF x x x→ =x)

K% % %

(2.29)

Dari persamaan (2.29), 1 2*, *, , *nx x xK% % %

adalah data berpasangan

yang terpilih menjadi dalam sampel bootstrap.

Pada program WarpPLS default dari jumlah resampling adalah

100, namun dapat diganti sesuai dengan yang diperlukan (Ghozali,

2014). Metode bootstrap dapat digunakan untuk berbagai hal, salah

satunya adalah menentukan nilai t statistik seperti yang dilakukan

dalam model SEM Partial Least Square. Solimun dkk (2017)

menyebutkan bahwa statistik uji hipotesis yang digunakan dalam

evaluasi model WarpPLS adalah statistik t atau uji t yang didapatkan

dari algoritma PLS dengan teknik bootstrap, dengan hipotesis statistik

sebagai berikut.

1) Hipotesis statistik untuk outer model

0 1: 0 vs : 0i iH H =

2) Hipotesis statistik untuk inner model Pengaruh variabel laten eksogen terhadap endogen

0 1: 0 vs : 0i iH H =

Pengaruh variabel laten endogen terhadap endogen

0 1: 0 vs : 0i iH H =

Terdapat dua macam statistik uji t yang digunakan yaitu staistik

uj t outer model dan statistik uji t inner model.

28

1) Statistik uji t outer model ditunjukkan pada persamaan (2.30). ˆ

ˆ( )

tSE

= (2.30)

2) Statistik uji inner model dibagi menjadi dua yaitu statistik uji untuk pengaruh variabel laten eksogen terhadap endogen dan

pengaruh variabel laten eksogen terhadap endogen sebagaimana

yang ditunjukkan pada persamaan (2.31) dan (2.32).

Pengaruh variabel laten eksogen terhadap endogen

ˆ

ˆ( )

tSE

= (2.31)

Pengaruh variabel laten endogen terhadap endogen ˆ

ˆ( )

tSE

= (2.32)

Apabila didapatkan p-value ≤ 0,10 (alpha 10%) maka dikatakan

weakly significant, jika p-value ≤ 0,05 (alpha 5%) maka dikatakan

significant, dan jika p-value ≤ 0,01 (alpha 1%) maka dikatakan highly

significant.

Langkah-langkah metode bootstrap untuk menduga standard

error (SE) adalah sebagai berikut (Efron dan Tibshirani, 1993).

1) Menentukan banyaknya B sebagai besaran resampling sehingga

diperoleh sampel bootstrap 1 2* , * , , *Bx x xK yang diperoleh dari

pengambilan secara acak dan dengan pengembalian sebanyak nelemen dari sampel data asli.

2) Menghitung replikasi bootstrap untuk setiap sampel bootstrap. Pada setiap sampel bootstrap diterapkan fungsi yang sama dengan

fungsi yang diterapkan pada sampel asli. Jika pada sampel asli

pendugaan parameter dilakukan dengan OLS, maka pada sampel

bootstrap pendugaan parameter juga dilakukan dengan OLS.

( ) ( )* *bb s = x)

, dimana 1,2,...,b B=

( )*bs x merupakan hasil dari penerapan fungsi yang sama yang diterapkan pada set sampel data asli terhadap set sampel

bootstrap.

3) Mengestimasi standard error dengan menggunakan standar

deviasi untuk bootstrap yang direplikasi sebanyak B kali.

29

( ) ( )

( )1

* * .

1

B

bB

b

seB

=

− =

−

) )

) (2.33)

dimana

( )( )

1

** .

B

b

b

B

=

=

))

(2.34)

Keterangan :

Bse)

: standard error bootstrap

( )* b)

: penduga parameter pada proses bootstrap ke-b

( )* .)

: rata-rata penduga parameter proses bootstrap

B : besaran resampling

Pada outer model, hasil pengujian signifikan berarti bahwa

variabel manifes dapat digunakan sebagai instrumen pengukur

variabel laten. Sedangkan pada inner model hasil pengujian signifikan

berarti terdapat pengaruh yang bermakna antara variabel laten satu

dengan variabel laten lainnya.

2.8. Pengukuran Variabel

Variabel adalah karakteristik, sifat atau atribut dari suatu obyek

penelitian yang relevan dengan permasalahan yang akan dilakukan

pengukuran dan harus memliki suatu nilai yang bervariasi antar obyek

yang satu dengan obyek lainnya (Solimun dkk., 2017).

Ditinjau berdasarkan jenis pengukuran, variabel dibagi menjadi

dua (Solimun, 2010), yaitu variabel manifes (observable) dan variabel

laten (unobservable). Variabel manifes merupakan variabel yang

dapat diukur secara langsung sedangkan variabel laten merupakan

variabel yang tidak dapat diukur secara langsung sehingga diperlukan

konstruk yang lebih spesifik.

Dalam jenis hubungan antar variabel, Solimun dkk. (2017)

menyebutkan terdapat dua jenis variabel yaitu variabel moderasi dan

variabel mediasi. Variabel moderasi adalah variabel yang bersifat

memperkuat atau memperlemah pengaruh variabel prediktor terhadap

variabel respon, sementara variabel mediasi adalah variabel yang

bersifat menjadi perantara dari hubungan variabel penjelas dengan

variabel respon.

30

2.9. Kajian Teoritis Variabel Penelitian

2.9.1. Indeks Pembangunan Masyarakat (IPMas)

Menteri PPN/Kepala Bappenas, Bambang Brodjonegoro

menegaskan pentingnya penghargaan pada keberagaman.

Menurutnya, masyarakat Indonesia perlu terus menghargai

keberagaman dan perbedaan, mengukuhkan solidaritas sosial dan daya

rekat di antara sesama, membangun harmoni sosial dengan

memberikan pengakuan terhadap keunikan dan identitas khusus yang

melekat pada setiap kelompok berbeda. Pembangunan, khususnya

bidang kebudayaan harus tetap memberi ruang yang cukup bagi

tumbuhnya nilai-nilai lokal, pengakuan atas keunikan lokalitas, dan

keragaman budaya daerah, yang menemukan saluran artikulasi

melalui otonomi dan desentralisasi.

Progres dari pembangunan masyarakat tersebut salah satunya

dituangkan dalam Indeks Pembangunan Masyarakat (IPMas). Berikut

ini adalah indikator dari Indeks Pembangunan Masyarakat (Solihin

dan Ratmono, 2013).

1) Indeks Gotong-royong Indeks ini digunakan untuk mengukur modal sosial, yang terdiri

atas kepercayaan, tolong-menolong, aksi kolektif, dan jejaring

sosial.

2) Indeks Toleransi Indeks ini digunakan untuk mengukur kohesi sosial, yang terdiri

dari toleransi antar suku dan toleransi antar agama.

3) Indeks Rasa Aman Indeks ini digunakan untuk mengukur rasa aman yang dirasakan

masyarakat.

2.9.2. Indeks Kepuasan Layanan Infrastruktur (IKLI)

Indeks Kepuasan Layanan Infrastruktur (IKLI) merupakan,

ukuran yang digunakan untuk mengetahui tingkat kepuasan

masyarakat atas pembangunan infrastruktur oleh Pemerintah Pusat

dan Pemerintah Daerah. IKLI diharapkan menjadi suatu alat yang

menghasilkan gambaran mengetahui perspektif masyarakat secara

obyektif, komprehensif dan kredibel, baik dalam aspek pembangunan

fisik maupun aspek manfaat.

Berikut ini adalah tujuan yang ingin dicapai dengan adanya

pengukuran IKLI.

31

1) Mengetahui secara obyektif persepsi masyarakat terhadap kinerja pembangunan infrastruktur.

2) Membangun sebuah model indikator pencapaian sasaran pembangunan infrastruktur. Hasil pengukuran dan analisisnya

akan menjadi masukan bagi pemerintah dalam menetapkan

kebijakan dan menyusun program/kegiatan tahun selanjutnya.

Sasaran dari kegiatan ini adalah tersusunnya formula

perhitungan Indeks Kepuasan Layanan Infrastruktur (IKLI).

Perhitungan nilai indeks tersebut secara obyektif merupakan bahan

masukan dalam perencanaan dan perumusan kebijakan pembangunan

infrastruktur di Kota Malang.

Manfaat yang dapat diperoleh dari perhitungan IKLI antara lain:

1) Mengetahui ekspektasi dan persepsi masyarakat terhadap pembangunan infrastruktur di Kota Malang.

2) Mengetahui kebutuhan, keinginan, persyaratan dan harapan masyarakat terhadap pembangunan infrastruktur di Kota Malang.

3) Sebagai bahan penyusunan rencana dan strategi perbaikan kinerja secara menyeluruh pada tahun berikutnya.

4) Media komunikasi dan komitmen pemerintah kota untuk meningkatkan kualitas pelayanan infrastruktur kepada

masyarakat.

Berikut ini adalah layanan sektor infrastruktur dasar di Kota Malang

yang akan dinilai.

1) Penyediaan jalan dan jembatan yang berkualitas. 2) Penyediaan transportasi (darat). 3) Penyediaan infrastruktur air bersih. 4) Penyediaan infrastruktur perumahan. 5) Penyediaan infrastruktur ruang publik.

2.9.3. Indeks Modal Sosial (IMS)

Teori modal sosial pertama kali diperkenalkan secara sistematis

oleh Bourdieu pada tahun 1972 dan Coleman pada tahun 1988

(Hauberer, 2011). Definisi mendasar yang diperkenalkan adalah

modal sosial merupakan sumber daya yang melekat dalam hubungan

sosial. Individu yang terlibat dalam hubungan sosial dapat

memanfaatkan sumber daya tersebut untuk kepentingan pribadi

maupun kelompok. Hasbullah (2006) merangkum definisi dari

beberapa tokoh dengan memaparkan bahwa jati diri modal sosial yang

sebenarnya adalah nilai-nilai dan norma yang dipedomani sebagai

32

acuan bersikap, bertindak dan bertingkah laku, serta berhubungan

dengan pihak lain yang mengikat kepada proses perubahan dan upaya

masyarakat untuk mencapai suatu tujuan. Nilai dan unsur tersebut

terwujud dalam sikap partisipatif, sikap saling memperhatikan, saling

memberi dan menerima, saling percaya, kemauan masyarakat atau

kelompok tersebut untuk secara terus menerus proaktif baik dalam

mempertahankan nilai, membentuk jaringan-jaringan kerja sama

maupun dengan penciptaan kreasi dan ide-ide baru, yang

keseluruhannya diperkuat oleh nilai-nilai dan norma yang

mendukungnya.

Kerangka teori modal sosial yang paling lengkap diajukan oleh

Lin (1999), dimana model modal sosial Lin terbagi dalam tiga

kelompok, yaitu ketidaksetaraan, pembentukan modal sosial dan

dampak modal sosial. Lin menjelaskan adanya ketidaksetaraan

individu dalam mengakses modal sosial yang disebabkan karena

perbedaan aset bersama dan posisi individu dalam struktur sosial. Aset

bersama mencakup partisipasi ekonomi, teknologi, sosial-politik dan

budaya. Termasuk pula sikap percaya, nilai-nilai, dan norma yang

dipedomani sebagai acuan bersikap, bertindak dan bertingkah laku

dalam suatu hubungan sosial yang berlaku secara umum dalam suatu

komunitas.

Selanjutnya, pembentukan modal sosial tergantung pada

besarnya akses terhadap sumber daya yang ditentukan oleh lokasi

jejaring dan sumber daya sosial yang dapat dimobilisasi. Dengan

demikian, semakin baik akses individu terhadap modal sosial, semakin

banyak sumber daya melekat yang dapat dimanfaatkan.

Modal sosial pada akhirnya diharapkan dapat meningkatkan

kesejahteraan manusia. Dampak modal sosial dapat dikelompokkan

berdasarkan jenis tindakan investasi modal sosial yang dilakukan,

yaitu dampak instrumental seperti kekayaan, otoritas, reputasi, dan

dampak ekspresif seperti kesehatan fisik dan mental serta keuasan

hidup.

33

BAB III

METODE PENELITIAN

3.1. Sumber Data

Data yang digunakan pada penelitian ini merupakan data

sekunder yang terdiri dari satu variabel eksogen dan dua variabel

endogen dengan sampel sebanyak 686. Masing-masing variabel laten

tersusun oleh indikator dan item. Data diperoleh dari penelitian Studi

Perencanaan Pembangunan Daerah Pertumbuhan Ekonomi dan Indeks

Gini serta penelitian Indikator Kinerja Daerah, Indeks Pembangunan

Manusia dan Angka Kemiskinan yang dilakukan oleh Badan

Perencanaan, Penelitian dan Pengembangan (Barenlitbang)

Pemerintah Kota Malang. Struktur data penelitian yang didapatkan

dari sumber data dapat dilihat pada Tabel 3.1.

Tabel 3.1. Struktur Data Penelitian

Respon-

den

Item

X1.1 X1.2 L X5.14 Y1.1.1 Y1.1.2 L Y2.3.3

1 X1.1.1 X1.1.2 L X1.5.14 Y1.1.1.1 Y2.1.1.2 L Y1.2.3.3

2 X2.1.1 X2.1.2 L X2.5.14 Y2.1.1.1 Y3.1.1.2 L Y2.2.3.3 3 X3.1.1 X3.1.2 L X3.5.14 Y3.1.1.1 Y4.1.1.2 L Y3.2.3.3

M M M O M M M O M

n Xn.1.1 Xn.1.2 L Xn.3.5.14 Yn.1.1.1 Yn.1.1.2 L Yn.2.3.3

Keterangan:

n : banyak objek penelitian

3.2. Variabel Penelitian

Terdapat tiga variabel yang digunakan dalam penelitian ini,

yaitu Indeks Modal Sosial (IMS), Indeks Pembangunan Masyarakat

(IPMas) dan Indeks Kepuasan Layanan Infrastruktur (IKLI). Ketiga

variabel tersebut bersifat laten atau tidak dapat diukur secara langsung

sehingga memerlukan konstruk yang lebih spesifik berupa indikator

dan item. Definisi dari masing-masing varibel dijelaskan dalam

subbab 2.9.

Variabel IMS beserta masing-masing indikator dan item yang

digunakan dalam penelitian ini dapat dilihat pada Tabel 3.2.

34

Tabel 3.2. Variabel Indeks Modal Sosial (Y1)

Indikator Item

Sikap Percaya dan

Toleransi (Y1.1)

Sikap Percaya (Y1.1.1)

Toleransi Agama (Y1.1.2)

Toleransi Sosial (Y1.1.3)

Toleransi Suku (Y1.1.4)

Toleransi Politik (Y1.1.5)

Aksi Bersama (Y1.2)

Resiprositas (Kerja Sama dan Usaha)

(Y1.2.1)

Aksi Bersama (Y1.2.2)

Kelompok dan

Jejaring (Y1.3)

Partisipasi dan Kelompok (Y1.3.1)

Jejaring (Y1.3.2)

Variabel IPMas beserta masing-masing indikator dan item yang


Tabel 3.3. Variabel Indeks Pembangunan Masyarakat (Y2)

Indikator Item

Indeks Gotong

Royong (Y2.1)

Saling Percaya (Y2.1.1)

Kemudahan Mendapatkan Pertolongan (Y2.1.2)

Kesediaan Membantu Warga (Y2.1.3)

Keaktifan Melakukan Kegiatan Sosial (Y2.1.4)

Hubungan Baik antar Tetangga (Y2.1.5)

Saling Bekerjasama (Y2.1.6)

Indeks Toleransi

(Y2.2)

Saling Menghormati dan Menghargai antar

Agama (Y2.2.1)

Saling Menghormati dan Menghargai antar

Suku (Y2.2.2)

35

Tabel 3.3. (Lanjutan)

Indikator Item

Indeks Toleransi

(Y2.2)

Saling Menghormati dan Menghargai

antar Status Sosial (Y2.2.3)


antar Status Ekonomi (Y2.2.4)


antar Partai Politik (Y2.2.5)

Indeks Rasa Aman

(Y2.3)

Keamanan Lingkungan Tempat Tinggal

(Y2.3.1)

Perasaan Aman di Jalan Umum (Y2.3.2)

Perasaan Aman di Tempat Ramai (Y2.3.3)

Variabel IKLI beserta masing-masing indikator dan item yang


Tabel 3.4. Indeks Kepuasan Layanan Infrastruktur (X)

Indikator Item

Ketersediaan Fisik

(Availability) (X1)

Ketersediaan Jalan antar Kecamatan di

Kota Malang (X1.1)

Ketersediaan Jalan antar Kota Malang

dengan Pusat Kegiatan Lokal (X1.2)

Ketersediaan Jalan antar Pusat Kegiatan

Lokal (X1.3)

Ketersediaan Jalan antar Pusat Pelayanan

dalam Kota (X1.4)

Ketersediaan Jalan antar Pusat Pelayanan

dengan Perumahan (X1.5)

Ketersediaan Jalan antar Pemukiman

(X1.6)

Ketersediaan Jembatan Penghubung

antar Wilayah (X1.7)

36

Tabel 3.4. Lanjutan

Indikator Item

Ketersediaan Fisik

(Availability) (X1)

Ketersediaan Angkutan Umum dalam

Kota (X1.8)

Ketersediaan Bis antar Kota/Kabupaten

(X1.9)

Ketersediaan Infrastruktur Penyedia Air

Bersih (X1.10)

Ketersediaan Infrastruktur Perumahan

(X1.11)

Ketersediaan Fasilitas Terminal Tipe C

(X1.12)

Ketersediaan Penerangan Jalan Umum

(X1.13)

Kualitas Fisik

(Quality) (X2)

Jalan antara Pusat Kota dengan

Kecamatan-kecamatan Baik (X2.1)

Jalan antar Kecamatan Baik (X2.2)

Jalan antara Kota dengan Pusat Kegiatan

Lokal Baik (X2.3)

Jalan antar Pusat Kegiatan Lokal Baik

(X2.4)

Jalan antar Pusat Pelayanan dalam Kota

Baik (X2..5)

Jalan antara Pusat Pelayanan dengan

Perumahan Baik (X2.6)

Jalan antar Pemukiman Baik (X2.7)

Jembatan Penghubung antar Wilayah

Baik (X2.8)

Angkutan Umum dalam Kota Layak

(X2.9)

Bis antar Kota Layak (X2.10)

Infrastruktur Penyedia Air Bersih dalam

Kondisi Baik (X2.11)

37

Tabel 3.4. Lanjutan

Indikator Item

Kualitas Fisik

(Quality) (X2)

Infrastruktur Perumahan Baik (X2.12)

Terminal Tipe C di Kota Baik (X2.13)

Penerangan Jalan dalam Kondisi Baik

(X2.14)

Kesesuaian

(Appropriateness)

(X3)

Pembanguan Jalan Penghubung Kota dan

Kecamatan Sesuai Kebutuhan Masyarakat

(X3.1)

Pembangunan Jalan antar Kecamatan

Sesuai Kebutuhan Masyarakat (X3.2)

Pembangunan Jalan antara Kota dengan

Pusat Kegiatan Lokal Sesuai Kebutuhan

Masyarakat (X3.3)

Pembangunan Jalan Penghubung Pusat

Kegiatan Lokal Sesuai Kebutuhan

Masyarakat (X3.4)

Pembangunan jalan penghubung pusat

pelayanan dalam kota sesuai kebutuhan

masyarakat (X3.5)

Pembangunan Jalan Penghubung Pusat

Pelayanan dengan Perumahan Sesuai

Kebutuhan Masyarakat (X3.6)

Pembangunan Jalan

Penghubung Pemukiman Sesuai Kebutuhan

Masyarakat (X3.7)

Pembangunan Jembatan Penghubung

Wilayah Terpisah Sungai Sesuai Kebutuhan

Masyarakat (X3.8)

Penyediaan Angkutan Umum dalam Kota

Sesuai Kebutuhan Masyarakat (X3.9)

Pembangunan Infrastruktur Penyedia Air

Bersih Sesuai Kebutuhan Masyarakat (X3.10)

38

Tabel 3.4. Lanjutan

Indikator Item

Kesesuaian

(Appropriateness)

(X3)

Pembangunan Infrastruktur Perumahan

Memadai (X3.11)

Pembangunan Trotoar Sesuai Kebutuhan

Masyarakat (X3.12)

Pembangunan Pedestrian Sesuai


Pembangunan Terminal Tipe C Sesuai


Penerangan Jalan Umum di Kota

Memenuhi Kebutuhan Masyarakat (X3.15)

Jalan Penghubung Pusat Kota dengan

Pusat Kabupaten/Kota Mempermudah

Aktivitas Masyarakat (X4.1)

Jalan Penghubung Antarara Kota dengan

Kecamatan Mempermudah Aktivitas

Masyarakat (X4.2)

Jalan Penghubung antar Mempermudah


Pemanfaatan

(utility)

(X4)

Jalan Penghubung antara Kota dengan

pusat Kegiatan Lokal Mempermudah


Jalan Penghubung antar Pusat Kegiatan

Lokal Mempermudah Aktivitas

Masyarakat (X4.5)

Jalan Penghubung antar Pusat Pelayanan

dalam Kota Mempermudah Aktivitas

Masyarakat (X4.6)

Jalan Penghubung antar Pusat Pelayanan

dengan Perumahan Mempermudah


Jalan Penghubung antar Pemukiman

Mempermudah Aktivitas Masyarakat (X4.8)

39

Tabel 3.4. Lanjutan

Indikator Item

Pemanfaatan

(utility)

(X4)

Jembatan Penghubung Wilayah yang

Terpisah Sungai Mempermudah Aktivitas

Masyarakat (X4.9)

Angkutan Umum dalam Kota

Mempermuah Aktivitas Masyarakat (X4.10)

Bis antar Kota Mempermudah Kegiatan

Masyarakat (X4.11)

Infrastruktur Penyediaan Air Bersih dapat

Memenuhi Kebutuhan Sehari-hari (X4.12)

Infrastruktur Perubahan yang Disediakan

Pemerintah Membantu Masyarakat (X4.13)

Ter

ANALISIS SECOND ORDER DENGAN PENDEKATAN WarpPLS …repository.ub.ac.id/179287/1/Armita Dwi...

Documents

Transcript of ANALISIS SECOND ORDER DENGAN PENDEKATAN WarpPLS …repository.ub.ac.id/179287/1/Armita Dwi...