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
MASYARAKAT KOTA MALANG
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
ANALISIS SECOND ORDER DENGAN PENDEKATAN
WarpPLS PADA MODEL INDEKS PEMBANGUNAN
MASYARAKAT KOTA MALANG
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 :
ANALISIS SECOND ORDER DENGAN PENDEKATAN
WarpPLS PADA MODEL INDEKS PEMBANGUNAN
MASYARAKAT KOTA MALANG
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
ANALISIS SECOND ORDER DENGAN PENDEKATAN
WarpPLS PADA MODEL INDEKS PEMBANGUNAN
MASYARAKAT KOTA MALANG
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
g : banyak variabel endogen
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
Xi : indikator ke-i dari variabel laten eksogen
Yg.k : indikator ke-k dari variabel laten 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
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
g : banyak variabel endogen
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
Xi : indikator ke-i dari variabel laten eksogen
Yg.k : indikator ke-k dari variabel laten 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
n : banyak indikator pada variabel eksogen, i=1,2,..., n
p : banyak indikator pada variabel endogen, k=1,2,...,p
g : banyak variabel 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
Xi : indikator ke-i dari variabel laten eksogen
Yg.k : indikator ke-k dari variabel laten endogen ke-g
δ : galat pengukuran pada variabel laten eksogen
ζg : galat pengukuran ke-g pada variabel laten endogen
n : banyak indikator pada variabel eksogen, i=1,2,..., n
p : banyak indikator pada variabel endogen, k=1,2,...,p
g : banyak variabel 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
persamaan (2.6) sehingga didapatkan model seperti yang ditunjukkan
pada persamaan (2.12).
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
persamaan (2.6) sehingga didapatkan model seperti yang ditunjukkan
pada persamaan (2.14).
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
digunakan dalam penelitian ini dapat dilihat pada Tabel 3.3.
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)
Saling Menghormati dan Menghargai
antar Status Ekonomi (Y2.2.4)
Saling Menghormati dan Menghargai
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
digunakan dalam penelitian ini dapat dilihat pada Tabel 3.4.
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
Kebutuhan Masyarakat (X3.13)
Pembangunan Terminal Tipe C Sesuai
Kebutuhan Masyarakat (X3.14)
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
Aktivitas Masyarakat (X4.3)
Pemanfaatan
(utility)
(X4)
Jalan Penghubung antara Kota dengan
pusat Kegiatan Lokal Mempermudah
Aktivitas Masyarakat (X4.4)
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
Aktivitas Masyarakat (X4.7)
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