Upload
others
View
10
Download
0
Embed Size (px)
Citation preview
3. METODOLOGI PENELITIAN
3.1. Jenis Penelitian dan Gambaran Populasi Penelitian
Mengingat begitu banyaknya jumlah multilevel beserta distributor maka
penulis membatasi populasi penelitian. Jenis penelitian yang dipilih oleh penulis
adalah survei terhadap para distributor dari Multilevel High-Desert dan Amway
Surabaya.
3.2. Teknik Penarikan Sam pel
Sampel adalah sebagian dari individu yang menjadi obyek penelitian.
Penulis membatasi responden dengan menyebarkan kuesioner secara random
(acak) kepada 250 orang distributor aktif dari High Dessert dan Amway Surabaya
dengan menggunakan rumus :
( Z a / 2 ) . P ( 1 - P ) N =
/ e
Keterangan :
Z a / 2 = distribusi normal standar
p = peluang sukses
e = tingkat kesalahan
3.3. Metode dan Prosedur Pengumpulan Data
a. Studi kepustakaan
Studi ini dilakukan dengan tujuan memberikan landasan bagi perumusan
hipotesis, penyusunan daftar pertanyaan dan pembahasan teoritis. Bahan-
bahan untuk keperluan diatas didapat dari buku-buku, majalah, dan informasi
dari orang lain yang memiliki pengalaman berkaitan dengan masalah yang
dibahas dalam penyusunan skripsi.
b. Studi Lapangan
Merupakan studi yang dimaksudkan untuk mendapatkan data-data yang
berhubungan dengan penelitian yang sedang dilakukan, meliputi :
19
20
i. Kuesioner yang telah dibuat
ii. Melakukan uji coba terhadap kuesioner yang telah dibuat untuk
mengetahui apakah kuesioner tersebut mudah dimengerti dan dijawab oleh
responden.
iii. Setelah uji coba dan responden mengerti serta dapat menjawab
pertanyaan-pertanyaan yang ada maka kuesioner disebar pada responden.
3.4. Definisi Operational
Untuk memperjelas mengenai definisi konsep pada penelitian yang dilakukan
maka penulis memandang perlu untuk memberikan penjelasan mengenai
pengukuran konsep, yaitu pengukuran fakta-fakta yang memotivasi seseorang
bergabung dalam bisnis multilevel marketing dan bertahan di dalamnya.
I. Variabel Independen
XI ^Motivasi
XI-1 = Bergabung untuk memperoleh penghasilan
XI-2 = Bergabung untuk mengembangkan kepribadian
XI-3 = Bergabung karena ingin mendapat penghargaan
XI-4 = Bergabung untuk mendukung visi sosial
Xl-5 = Bergabung karena ingin jam kerja& lingkungan fleksibel
XI-6 = Bergabung karena hubungan kerj a / relationship yang erat
XI-7 = Bertahan karena penghasilan yang diperoleh
XI-8 = Bertahan karena ingin mengembangkan kepribadian
XI-9 = Bertahan karena ingin mendapat penghargaan
XI-10 = Bertahan karena visi sosialnya
XI-11 = Bertahan karena jam kerj a & lingkungan fleksibel
XI-12 = Bertahan karena hubungan kerja / relationship yang erat
X2 = Net Working Opportunity
X3 = Fasilitas Akses
II. Variabel Dependen
Y = Prestasi Distributor
21
3.5.Teknik Analisis Data
Teknik analisa data yang digunakan ada 3, yaitu :
1. Analisa deskriptif dengan menggunakan skala likert
Analisa deskriptif ini digunakan dengan tujuan untuk menyajikan suatu
data statistik deskriptif seperti rata-rata (mean), median, modus, varians, standar
deviasi.
Pengertian mean menurut Maholtra (2002:477) adalah rata-rata yang
diperoleh dari membagi total nilai seluruh elemen dengan jumlah elemen.
Rumusnya ditulis sebagai berikut: n
x = ̂ — n
Keterangan :
X - Mean atau rata-rata jawaban responden
Xi = Nilai dari elemen X ke-i
n = Jumlah elemen
/ = l,2,3,...,n
Modus adalah nilai yang paling sering muncul. Modus ini merupakan
ukuran pemusatan untuk data nominal dan suatu titik referensi bersama-sama
dengan median dan rata-rata hitungnya (mean) untuk meemriksa sebaran dan
bentuk distribusi.
Standar deviasi adalah akar kuadrat positif dari varians. Standar deviasi
meningkatkan kemampuan interpretasi dengan cara menghilangkan kuadrat
varians dan dan menyatakan deviasi dalam bentuk unit aslinya.
I(A>J)2
DS = y\^
Keterangan :
DS = standar deviasi
x = mean atau rata - rata jawaban responden
xi = nilai dari elemen x ke-i
22
2. Uji Validitas dan Reliabilitas
Uji validitas digunakan untuk menguji kesyahihan (validitas) atau
ketepatan alat ukur (kuesioner), apakah dapat memperoleh informasi sesuai
dengan yang diharapkan oleh penulis. Kesyahihan atau ketepatan uji dilakukan
dengan mengkorelasikan masing - masing skor variabel dengan jumlah skor
variabel, bila variabel mempunyai hubungan signifikan dengan totalnya maka
variabel tersebut dikatakan valid. Sedangkan bila ada salah satu variabel yang
tidak mempunyai hubungan dengan totalnya, maka variabel tersebut dikatakan
tidak valid dan harus dikeluarkan dari iem pertanyaan kuesioner.
Formula atau ramus yang digunakan pada uji validitas, berdasarkan
korelasi antara skor variabel dengan jumlah skor variabel sebagai berikut:
dimana:
X = Skor pertanyaan ke-n
Y = Skor total
N = Jumlah subyek penelitian
Sedangkan uji reliabilitas adalah alat uji kehandalan, seberapa jauh alat uji
tersebut dapat memberikan informasi yang relatif tetap atau konsisten bila
digunakan berulang-ulang kali. Penulis menggunakan alat uji belah dua (split-
half) yang didasarkan pada ramus Spearman Brown, sebagai berikut:
r = l L T i l i " 1 + 'u
dimana:
rxx- = Koefisien reliabilitas dari Spearman-Brown
ri2 = Koefisien korelasi antar dua belahan
23
3. Analisa Faktor
Analisa faktor bertujuan untuk mendapatkan sejumlah kecil faktor
(komponen utama) yang memiliki sifat mampu menerangkan semaksimal
mungkin keragaman data. Analisis faktor menggambarkan korelasi dari beberapa
variabel dalam sejumlah kecil faktor. Variabel-variabel ini dapat dikelompokkan
menjadi beberapa faktor, dimana variabel-variabel dalam satu faktor mempunyai
korelasi yang tinggi sedangkan korelasi dengan variabel-variabel pada faktor lain
relatif kecil. Faktor-faktor tersebut saling independent dan tiap-tiap faktor dapat
diinterpretasikan.
Langkah-langkah dalam analisis faktor adalah sebagai berikut:
Pertama adalah menghitung korelasi antara semua variabel dalam analisis. Karena
salah satu tujuan dari analisis faktor adalah untuk memperoleh faktor yang dapat
menjelaskan korelasi tersebut, maka variabel harus berkorelasi satu sama lain.
Jika korelasi antara variabel adalah kecil maka kemungkinan besar variabel-
variabel tersebut terletak dalam variabel yang berbeda. Analisis faktor layak
digunakan jika separoh lebih korelasi antar variabel lebih besar dari 0,3 pada nilai
absolutnya. Dengan menggunakan Barlett test dapat di uji hipotesis bahwa matrik
korelasi adalah matrik identitas.
H0: Matriks korelasi adalah matrik identitas
Hj: Matriks korelasi bukan matriks identitas
tes ini membutuhkan asumsi bahwa data berasal dari distribusi normal multivariat.
H0 ditolak jika level signifikan kecil, lebih kecil dari 0,05 yang berartibahwa
matriks korelasi bukan matriks identitas. Jika level signifikan lebih besar dari 0,05
yang berarti bahwa matriks korelasi adalah matriks identitas, maka penggunaan
model analisis faktor perlu dipertimbangkan kembali. Hal lain yang perlu
diperhatikan adalah bahwa matriks korelasi bukan matriks singular
(determinannya nol). Jika matriks korelasi adalah matriks singular, maka variabel
yang mempunyai korelasi yang besar dapat diwakili oleh salah satu variabel saja.
Kaiser-Meyer-Olkin (KMO) mengukur kecukupan sampling, merupakan
perbandingan antara koefisien korelasi dari observasi dengan koefisien korelasi
parsial. Nilai KMO yang kecil merupakan indikasi bahwa penggunaan analisis
faktor harus dipertimbangkan kembali, karena korelasi antara variabel tidak dapat
24
diterangkan oleh variabel lain. Kaiser (1974) menetapkan karakteristik
pengukuran bahwa nilai KMO sebesar 0,90 adalah sangat bagus, 0,80 bagus, 0,70
cukup, 0,60 kurang, 0,50 jelek dan dibawah 0,50 tidak dapat diterima.
Langkah kedua adalah menganalisis factor extraction dan menentukan
banyaknya faktor yang akan digunakan. Komponen utama pertama menerangkan
proporsi keragaman data terbesar. Komponen utama kedua menerangkan proporsi
keragaman data terbesar kedua setelah komponen utama pertama, dan tidak
berkolerasi dengan yang pertama.
Langkah ketiga adalah rotasi faktor, untuk memudahkan interpretasi
faktor. Meskipun faktor matriks yang diperoleh menerangkan hubungan antara
faktor dan masing-masing variabel, biasanya sulit untuk mengidentifikasi arti dari
faktor berdasarkan matriks ini. Sering kali suatu variabel nampaknya tidak
mempunyai korelasi dengan faktor manapun. Sedangkan tujuan dari analisis
faktor adalah untuk memperoleh faktor yang berisi variabel-variabel yang
mempunyai korelasi yang tinggi satu sama lain, maka rotasi analisis faktor
bertujuan untuk merotasi matriks loading sehingga mudah diinterpretasikan.
Metode rotasi yang digunakan adalah metode rotasi tegak lurus varimaks
sehingga menghasilkan matriks loading baru. Metode ini digunakan jika model
faktor mengasumsikan bahwa faktor kesamaannya (common factor) bersifat
independent. Dengan merotasi matriks loading maka setiap variabel asal akan
mempunyai korelasi yang tinggi dengan faktor tertentu saja dan tidak dengan
faktor lainnya, sehingga faktor-faktor tersebut saling independent. Dengan
demikian setiap faktor akan lebih mudah diinterpretasikan.
4. Analisis Regresi
Korelasi adalah hubungan antara dua variabel, sedangkan analisis regresi
adalah untuk menaksir atau meramalkan denagn terlebih dahulu mencari pola
hubungan yang dapat digambarkan secara matematis antara dua variabel atau
lebih.
Variabel yang digunakan ada dua macam :
a. Variabel Independent ( X )
25
yaitu variabel yang mempengaruhi atau bebas karena dikendalikan oleh yang
melakukan eksperimen.
b. Variabel Dependent ( Y)
yaitu variabel yang nilainya dipengaruhi oleh X.
Secara matematis hubungan antara variabel independent dengan variabel
dependent dinyatakan dalam bentuk :
Y-fW Y=f(X,,X2,...,Xn)
dimana:
X = Variabel Independent
Y = Variabel Dependent yang merupakan fungsi dari variabel X
Dalam persamaan regresi jika hanya mengandung satu variabel
independent disebut Regresi Linear Sederhana dan jika dalam model regresi
tersebut mengandung lebih dari satu variabel independent disebut Regresi Linear
Berganda.
Tujuan dan manfaat analisis regresi :
1. Mendapatkan pola hubungan secara matematis antara variabel X dan Y
2. Mengetahui besarnya perubahan variabel X terhadap Y
3. Memprediksi Y jika nilai X diketahui
Dalam regresi berganda ada beberapa asumsi yang harus dipenuhi, antara lain:
1. Kesalahan atau error saling bebas
2. Error variannya sama
3. Error berdistribusi normal
4. Antar variabel bebas tidak boleh ada hubungan
Bila asumsi keempat tidak terpenuhi maka dapat dideteksi atau dilihat dari nilai
VIF ( Variance Inflation Factor):
26
VIF < 10 artinya tidak ada multikolinearitas
10 < VIF < 20 artinya ada multikolinearitas yang tidak serius
VIF > 20 artinya ada multikolinearitas yang serius
Sedangkan teknik analisis yang digunakan untuk mengukur hubungan
yang mungkin ada antara dua variabel yaitu korelasi. Koefisian korelasi
digunakan untuk mengukur kuatnya hubungan antara dua variabel yaitu koefisien
korelasi antara variabel X dan Y. Apabila perhitungan didasarkan sampel, maka
ditulis dengan rumus :
Y,XiYi-n~XY r - . i=1
^Xf-nX2 TYi2-nY2
VU=/ A /w J
Pada hakekatnya nilai r dapat bervariasi dari -1 sampai dengan +1 dengan
ketentuan sebagai berikut:
a. Bila r = 0 atau mendekati 0, berarti hubungan antara variabel independen
dengan variabel dependent sangat Iemah aatau tidak terdapat hubungan sama
sekali.
b. Bila r = 1 atau mendekati 1, berarti terdapat hubungan positif antara variabel
independen dengan variabel dependen yang sangat kuat.
c. Bila r = -1 atau mendekati -1, berarti terdapat hubungan negatif antara variabel
independen dengan variabel dependen yang sangat kuat.
Regresi Linier Berganda merupakan perluasan dari regresi linier
sederhana, yang bertujuan untuk mencari pola hubungan yang dapat digambarkan
secara matematis antara satu variabel respon dengan beberapa variabel prediktor
secara serentak. Pola hubungan secara umum dapat ditulis dalam persamaan
sebagai berikut:
Yi = b0 + biXu + b2X2l +... + bkXk
27
Masalah utama dalam analisis regresi adalah menaksir parameter atau
koefisien regresi dan menyelidiki tingkat signifikansi dalam model secara
serentak, kemudian menyelidiki secara individu.
Metode kuadrat terkecil digunakan dengan tujuan untuk meminimumkan
varians sehingga didapatkan penaksiran yang tak bias. Dalam persamaan regresi
linear berganda, khususnya bila variabel prediktor lebih dari dua, akan lebih
mudah apabila dengan menggunakan pendekatan matrik (Gujarati, 1998 : 93)
Jika sumber variasi tersebut disusun dalam bentuk tabel analisis varians,
maka bentuknya sebagai berikut:
Tabel 3.4.1.
Anova untuk Regresi Linear Berganda
Sumber Variasi
Regresi
Residual
Total
Jumlah Kuadrat
SSReg
SSRes
SST
Derajat Bebas
k
n-k-1
n-1
Sedangkan untuk mengetahui apakah nilai-nilai dari parameter yang
diperoleh signifikan atau tidak, maka diperlukan uji hipotesa. Adapun langkah-
langkah yang ditempuh uji koefisien regresi adalah sebagi berikut:
> Pengujian koefisien regresi secara serentak
Untuk menguji secara serentak (overall) dari seluruh parameter regresi
X terhadap Y dengan hipotesa:
Ho:p, = p2=... = p\
Hi: paling sedikit ada satu Pi # 0 , i = 1, 2,..., k
digunakan Frasio = MSReg / MSRes = ( SSReg / k ) / ( SSRes / n-k-1 ). Jika Ho
benar dan asumsi dipenuhi, maka Frasi0 ~ F( kin.k.i >. Sehingga pada suatu tingkat
signifikan tertentu Frasi0 dapat dibandingkan dengan suatu nilai F dalam
distribusi F( k,n-k-i) yaitu F(k,n-k-i.a> Jiak pada tingkat signifikan a , Fr8Sio < F(k,n-
k-i,a ) maka terima Ho , berarti semua koefisien regresi tidak memberikan iuran
yang berarti terhadap harga Y, dalam hal ini akan menghasilkan Y = p0
28
Sebaliknya, jika Frasi0 > F^n-k-u) maka tolak Ho, berarti paling tidak ada satu Pi
yang tidak sama dengan nol, sehingga perlu dilakukan pengujian secara
individu.
> Pengujian koefisien regresi sevara individu
Setelah dilakukan pengujian koefisien regresi secara serentak dan
ternyata tolak Ho yang berarti paling sedikit ada satu p; yang tidak sama
dengan nol maka perlu dilakukan pengujian secara individu. Hal ini
dimaksudkan untuk menentukan ada tidaknya pengaruh masing-masing
variabel X terhadap variabel Y dan untuk melihat kontribusi dari masing-
masing variabel bebasterhadap variabel respon. Adapun pengujian tersebut
menggunakan hipotesa:
Ho:p\=0
H , :p i*0 , i» l , 2 , . . . , k
digunakan statistik uji Thitung = b;/sd(b,) dimana bi nilai taksiran dari Pi dan
Sd(bi) merupakan standart deviasi dari b;. Jika Ho benar dan asumsi dipenuhi,
maka : Thilung ~ t(n-k-l.a). Sehingga pada suatu tingkat signifikan tertentu
Thitung dapat dibandingkan dengan suatu nilai t dalam distribusi t(n-k-l) yaitu t
(n-k-l,cc). Jika pada tingkat signifikan a, jThitungl < t(n-k-l,a) maka terima Ho
, berarti tidak ada pengaruh yang signifikan dari variabel X terhadap variabel
Y. Sebaliknya, jika |Thitungl >t(n-k-l,a) maka tolak Ho, berarti ada pengaruh
yang signifikan dari variabel X terhadap variabel Y. Jadi pada prinsipnya uji
terhadap pi secara individu merupakan pengujian terhadap koefisien regresi
parsial yaitu uji tentang model regresi Y pada suatu variabel X tertentu jika
variabel X yang lain dianggap konstan.
Koefisien determinasi (R2) merupakan rasio antara variasi regresi
terhadap variasi total, yaitu proporsi yang menya-takan berapa persen variasi
data (variasi di sekitar Y) yang diterangkan oleh model. Hal ini menunjukkan
bahwa variasi total Y sekitar rata-rata disebabkan karena data pengamatan
tidak terletak dalam persamaan regresi, jika variasi residualnya kecil dan
variasi regresinya mendekati variasi totalnya, maka persamaan regresi akan
29
lebih dekat dengan titik-titik data pengamatan. Besarnya R2 selalu berada
diantara nol dan satu (0<R2<1) dan dapat ditulis sebagai berikut:
R1 = ^ x l 0 0 % SST
Jadi koefisien determinasi (R2) berguna untuk :
1. Mengukur ketepatan atau kecocokan suatu garis regresi yang diterapkan
terhadap suatu kelompok data hasil observasi. Makin besar nilai R2 dikatakan
model regresi semakin tepat atau cocok, sebaliknya makin kecil nilai R2
dikatakan model regresi tidak tepat untuk mewakili data hasil observasi.
2. Mengukur proporsi atau prosentase dari jumlah variasi Y yang dapat
diterangkan oleh model regresi.
Korelasi parsial merupakan ukuran hubungan linier antara variabel Y dengan Xi
dan X2 dibuat tetap atau sebaliknya. Nilai koefisien korelasi parsial ryi^ artinya
korelasi Y dengan X, dikontrol dengan X2. (Gujarati, 1988, hal 102-104).
ryi-ry2f\2 ryh2 -
^(i-i}2Yi-ffi)
UjiF
Ho = Model tidak signifikan
Hi = Model signifikan
Jika Fhitung > Ftabei, maka Ho ditolak
Fhitung < Ftabei, maka Ho diterima
Sebagai contoh peneliti menggunakan uji F pada Analisis Regresi Prestasi
-1. Dengan uji Anova / uji F maka didapat nilai Fhitung adalah 3593.394. Jika
disamakan nilai signifikan = 95% nilai kritis untuk derajat kebebasan (k-1) = 3
dan (n-k) = 120, maka F0.05 = 2.60. Karena Fhitung = 3593.394 > Ftabei " 2.60
maka Ho ditolak dan Hi diterima.