Metode Analisis Kuantitatif

Senin, 13 Februari 2012 | I'm free
di 00.23 |

11.      A.

variabel intervening adalah variabel yang secara teoritis mempengaruhi hubungan antara variabel independen dengan variabel dependen menjadi hubungan yang tidak langsung dan tidak dapat diamati dan diukur. Variabel ini merupakan variabel penyela / antara variabel independen dengan variabel dependen, sehingga variabel independen tidak langsung mempengaruhi berubahnya atau timbulnya variabel dependen.

Dari definisi ini, intervening (mediator) dikatakan memberikan pengaruh di antara independent variable (IV) and a dependent variable (DV). Dapat merubah hasil, persamaannya adalah mediator variabel / variabel perantara, sulit untukj diantisipasi, dll. Dimananakah posisinya ?? yaitu di tengah.

Perhatikan penjelasan berikut (cth variabel diambil dari buku Prof. Sugiyono, 2007) :

Penghasilan (IV)   —>        gaya hidup (M)         —>      harapan hidup (Y)

Dari gambar anak panah dapat diketahui bahwa :

1.      Penghasilan mempengaruhi gaya hidup.

2.      Gaya hidup mempengaruhi harapan hidup

3.      Karena adanya variabel gaya hidup ini maka hubungan yang terjadi antara penghasilan (X) ke harapan hidup (M) menjadi hubungan yang tidak langsung karena diperantarai gaya hidup (Y)

PERBEDAAN VARIABEL MEDIATOR DENGAN MODERATOR

Ditinjau dari definisinya, variabel mediasi (intervening) dan moderator sama-sama mempengaruhi hubungan independen terhadap dependen, lalu dimana perbedaannya ??

Untuk menjelaskan hal ini saya kembali mengambil contoh dalam buku Prof. Sugiyono (2007:40-41) mengenai variabel dan paradigma hubungan.

Perhatikan dua model di atas ..ada dua perbedaan mendasar yaitu :

1. Variabel mediator berada dalam satu jalur hubungan, moderator di luar
2. Variabel mediator dipengaruhi IV dan mempengaruhi DV, moderator lebih banyak tidak
3. dan…ciri khas variabel mediator (terutama dalam penelitian sosial/keperilakuan) adalah mudah berubah, misal  mood, emosi, rasa puas, benci, sedih, dll. Sedangkan moderator lebih susah berubah seperti kepribadian, usia, masa kerja, budaya, dll.

Apa yang bisa disimpulkan dari model di atas :

1. Pertama, stressor (penyebab stres) berakibat terhadap stres yang dirasakan. Stessor ditempatkan sebagai penyebab (independen), dan stres yang dirasakan ditempatkan sebagai mediator (M).
2. Kedua, pada hubungan antara stressor dan stress yang dirasakan ini akan sangat dipengaruhi oleh salah satunya tipe kepribadian (misal tipe A). Mengapa demikian ??

Dalam kaitannya dengan pengalaman stres tersebut, beberapa ahli menyatakan bahwa kepribadian tipe A lebih mudah terkena stres. Hal ini dikarenakan pola perilaku tipe A cenderung lebih agresif dan ambisius. Sikap permusuhan individu tipe A juga lebih mudah muncul, dan mereka merasakan sangat pentingnya waktu. Pada umumnya, kepribadian tipe A ini tipe orang yang tidak sabar, sangat kompetitif, serta pikiran mereka dipenuhi oleh masalah-masalah pekerjaan.

Dengan demikian, meski sumber stressnya sama..stres yang dirasakan oleh setiap orang akan berbeda tergantung kepada tipe kepribadian yang dimilikinya.

Lalu, stres yang dirasakan ini akan mempengaruhi perilaku pegawai (yang dalam hal ini dikonsepkan sebagai kinerja). Hubungan ini kembali dinaik turunkan oleh variabel moderator tipe kepribadian. Tipe kepribadian A yang dicirikan pribadi yang terburu-buru, berorientasi pada angka, meski dipercaya lebih mudah terserang stress namun bukti empiris membuktikan mereka memiliki kinerja lebih tinggi dibanding tipe kepribadian B.

Tahapan Regresi Linear dengan Variabel Moderating

Variabel moderating adalah variabel yang memperkuat atau memperlemah hubungan antara satu variabel dengan variabel lain. Sebagai contoh: seorang suami menyayangi istrinya. Dengan hadirnya seorang anak, maka rasa sayang tersebut bertambah. Berarti variabel anak merupakan moderating antara rasa saya suami terhadap istri. Contoh lain: kompensasi memperkuat pengaruh antara kepuasan kerja terhadap kinerja. Artinya kepuasan kerja berpengaruh terhadap kinerja, dan adanya kompensasi yang tinggi maka pengaruh antara kepuasan kerja terhadap kinerja menjadi lebih meningkat. Dalam hal ini, kompensasi bisa saja berpengaruh terhadap kinerja bisa saja tidak.

Metode analisis regresi linear dengan variabel moderating:

1. Multiple Regression Analysis (MRA)

Metode ini dilakukan dengan menambahkan variabel perkalian antara variabel bebas dengan variabel moderatingnya, sehingga persamaan umumnya adalah sebagai berikut: Y = a + b1 X1 + b2 X2 + b3 X1 X2 dengan Y adalah kinerja, X1 adalah kepuasan kerja, X2 kompensasi dan X1 X2 adalah perkalian antara kepuasan kerja dengan kompensasi. Hipotesis moderating diterima jika variabel X1 X2 mempunyai pengaruh signifikan terhadap Y, tidak tergantung apakah X1 dan X2 mempunyai pengaruh terhadap Y atau tidak. Model ini biasanya menyalahi asumsi multikolinearitas atau adanya korelasi yang tinggi antara variabel bebas dalam model regresi, sehingga menyalahi asumsi klasik. Hampir tidak ada model MRA yang terbebas dari masalah multikolinearitas, sehingga sebenarnya model ini tidak disarankan untuk dipergunakan.

2. Absolut residual

Model ini mirip dengan MRA, tetapi variabel moderating didekati dengan selisih mutlak (absolut residual) antara variabel bebas dengan variabel moderatingnya. Penerimaan hipotesis juga sama, dan model ini masih riskan terhadap gangguan multikolinearitas meskipun risiko itu lebih kecil dari pada dengan metode MRA

3. Residual

Model ini menggunakan konsep lack of fit yaitu hipotesis moderating diterima terjadi jika terdapat ketidakcocokan dari deviasi hubungan linear antara variabel independen. Langkahnya adalah dengan meregresikan antara kepuasan kerja terhadap kompensasi dan dihitung nilai residualnya. Pada program SPSS dengan klik Save pada regreesion, lalu klik pada usntandardized residual. Nilai residual kemudian diambil nilai absolutnya lalu diregresikan antara kinerja terhadap absolut residual. Hipotesis moderating diterima jika nilai t hitung adalah negatif dan signifikan. Model ini terbebas dari gangguan multikolinearitas karena hanya menggunakan satu variabel bebas.

Pertanyaan-pertanyaan yang sering muncul:

1.      Ada model regresi moderating dengan MRA tetapi output memenuhi uji multikolinearitas?

Hampir tidak ada model moderating dengan MRA yang terbebas dari gangguan multikolinearitas. Banyak output pada skripsi yang dimanipulasi agar tampaknya memenuhi asumsi multikolinearitas padahal sebenarnya tidak. Hal ini banyak terjadi di mana (maaf) dosen tidak terlalu menguasai statistik secara baik. Penulis sendiri belum pernah melihat tabulasi data yang memenuhi model moderating dengan metode MRA.

2.      Bagaimana model regresi moderating dengan dua buah variabel bebas?

Model dengan MRA menjadi Y = a + b1 X1 + b2 X2 + b3 X3 + b4 X1 X2 + b5 X1 X3 + b6 X2 X3 + bb X1 X2 X3 di mana X3 adalah variabel moderating (he he…jadi panjang banget kan). Hipotesis diterima jika X1 X2 X3 signifikan, tetapi hampir pasti model ini menyalahi asumsi multikolinearitas. Sebaiknya digunakan model residual dengan lack of fit.

3.      Bagaimana merancang model regresi dengan moderating pada penelitian?

Model moderating ditentukan dengan tinjauan teoretis, sehingga analisis dengan moderating hanya mengkonfirmasi saja teori tersebut apakah cocok dengan model empiris. Tidak boleh menggunakan alat statistik moderating untuk mengidentifikasikan bahwa variabel itu merupakan variabel moderating.

Regresi Linear dengan Variabel Intervening

Variabel intervening adalah variabel antara atau variabel mediating. Model regresi dengan variabel intervening merupakan hubungan bertingkat sehingga jika dengan analisis regresi harus menggunakan analisis jalur (path analysis) atau disarankan menggunakan metode structural equation modelling (SEM). Metode SEM akan dibahas belakangan dengan menggunakan Program AMOS atau LISREL

Regresi dengan variabel intervening dipergunakan untuk melihat pengaruh tidak langsung antara satu variabel terhadap variabel yang lain. Sebagai contoh: Gaya Evaluasi Atasan (GEA) mempunyai pengaruh terhadap Kinerja Manajerial (KM) melalui Tekanan Kerja (TK). GEA mempunyai pengaruh langsung terhadap KM tetapi juga bisa mempunyai pengaruh tidak langsung terhadap KM melalui TK. GEA diinterpretasikan mempunyai pengaruh tidak langsung terhadap KM melalui TK jika pengaruh GEA terhadap TK signifikan dan pengaruh TK terhadap KM juga signifikan. Dalam suatu kasus bisa saja variabel mempunyai pengaruh langsung terhadap suatu variabel dan pengaruh tidak langsung terhadap variabel tersebut melalui variabel yang lain.

B.

REGRESI DENGAN EFEK MEDIASI

Desain penelitian :

Variabel Dependen      : Depresi 

Variabel Independen   : Kepercayaan Diri

Variabel Mediasi          : Pengalaman Menekan / Tekanan

 Hipotesis : Kepercayaan diri berperan dalam penurunan depresi dengan diperantarai oleh penurunan pengalaman menekan.

Ouput analisis akan keluar seperti dibawah ini.

Run MATRIX procedure:

 VARIABLES In SIMPLE MEDIATION MODEL

 Y        Depresi

 X        Percaya_

 M        Tekanan

DESCRIPTIVES STATISTICS And PEARSON CORRELATIONS

              Mean        SD   Depresi  Percaya_   Tekanan

Depresi    70.0566   18.7891    1.0000    -.0329     .2695

Percaya_  144.8679   13.6257    -.0329    1.0000    -.2984

Tekanan   104.4198   16.1864     .2695    -.2984    1.0000

SAMPLE SIZE       212

DIRECT And TOTAL EFFECTS

            Coeff      s.e.         t  Sig(two)

b(YX)      -.0453     .0951    -.4768     .6340   peranan X terhadap Y

b(MX)      -.3545     .0782   -4.5306     .0000   peranan X terhadap M

b(YM.X)     .3309     .0809    4.0898     .0001   peranan M terhadap Y dengan mengendalikan X

b(YX.M)     .0719     .0961     .7486     .4550   peranan X terhadap Y dengan

mengendalikan M

INDIRECT EFFECT And SIGNIFICANCE USING NORMAL DISTRIBUTION

           Value      s.e.  LL 95 CI  UL 95 CI         Z  Sig(two)

Effect    -.1173     .0392    -.1940    -.0406   -2.9959     .0027   Peranan X ke Y melalui M 

Hasil analisis akan mengeluarkan informasi mengenai deskrpsi statistik serta hubungan antar variabel. Deskripsi statistik berisi mengenai rerata dan devasi standarnya, sedangkan hubungan antar variabel adalah sebagai berikut.

Tabel hasil analisis di atas menunjukkan bahwa peranan rasa percaya diri terhadap penurunan depresi dapat melalui pengalaman menekan. Dengan kata lain tekanan yang dialami oleh individu merupakan perantara hubungan antara kepercayaan diri dan depresi. Dalam menurunkan depresi, kepercayaan diri menurunkan pengalaman menekan terlebih dahulu sebelum menurunkan depresi b=-0.1173 (p<0,05)

2.      ANALISA DATA

A.    Desain Penelitian

Penlitian ini bertujuan untuk menguji peranan kualitas pelayanan (X) terhadap loyalitas pelanggan (Y). Hubungan keduanya dimediatori oleh kepuasan pelanggan (Mod). Artinya pelayanan meningkatkan kepuasan pelanggan terlebih dahulu baru kemudian meningkatkan loyalitasnya.  

Di sisi lain, empati juga berperan dalam hubungan ketiga variabel tersebut. Empati menentukan apakah pelayanan meningkatkan kepuasan ataukah tidak. Asumsinya hanya dengan empati, pelayanan yang berkualitas akan meningkatkan kepuasan pelanggan. Empati juga menjadi moderator peranan kepuasan terhadap loyalitas. Konsumen puas, tapi kalau tidak dibarengi dengan empati terhadap pelanggan mereka tidak akan loyal. Orang pasti tidak akan kembali ke toko kita kalau penjaga toko tidak ramah. Meskipun dia puas dengan harga dan pelayanan, bisa jadi dia beralih ke toko lainnya. 

Jadi, selengkapnya variabel kita adalah sebagai berikut

Variabel Dependen   :  Loyalitas

Variabel Independen  :  Kualitas Pelayanan

Variabel Mediator  :  Kepuasan

Variabel Moderator  :  Empati 

B.     Gambar Model

Konsep ini direfleksikan pada gambar di atas. Panah dari empati ke arah panah hubungan pelayanan-kepuasan serta kepuasan-loyalitas menunjukkan bahwa empati menjadi moderator hubungan tersebut.

C.    Mengaplikasikan Gambar di AMOS

Variabel moderator secara statistik diwujudkan dalam bentuk variabel yang merupakan perkalian antara prediktor dan moderatornya. Misalnya peranan pelayanan yang dimoderatori oleh empati, maka kita membuat variabel baru yang merupakan perkalian kedua variabel tersebut

Dalam contoh ini perkalian antara pelayanan dan empati saya namakan EM_PEL, sedangkan perkalian antara kepuasan dan empati saya namakan EM_PUAS. Tentunya kita siapkan variabel ini di SPSS sebelum di bawa ke AMOS.

 Gambar hasil analisis di program AMOS dapat dilihat pada gambar di bawah ini.

D.    Membaca Output

1.  Estimasi Parameter

Berikut ini hasil analisis melalui program AMOS. Ada dua bagian yang kita bahas yaitu nilai estimasi tiap parameter dan nilai ketepatan model. 

Hipotesis 1. Loyalitas menjadi moderator peranan tingkat pelayanan terhadap kepuasan pelanggan. Kontribusi loyalitas dalam meningkatkan kepuasan pelanggan akan besar jika pelayanan tersebut dibarengi dengan empati.

Hasil analisis menunjukkan nilai estimasi yang signifikan (b=-0.24; p<0.05).

Dengan demikian hipotesis 1 terbukti.

Hipotesis 2. Loyalitas menjadi moderator peranan kepuasan pelanggan terhadap loyalitasnya.  Hasil analisis menunjukkan nilai estimasi yang signifikan (b=-0.007). Dengan demikian hipotesis 2 terbukti.

 Catatan  : Karena koefisien ini bukan merupakan koefisien yang terstandarisasi, maka jangan melihat besar kecilnya nilai estimasi. Nilai estimasi tinggi tapi kalau standar error nya tinggi ya sama aja, tidak signifikan. 

Nilai C.R di atas menunjukkan nilai critical ratio yang didapatkan dari nilai estimasi yang dibagi oleh standar errornya (S.E).  Semakin tinggi nilai C.R semakin signifikan. Kalau ukuran sampel kita besar, maka biasanya nilai C.R di atas 1.96 akan menghasilkan nilai estimasi yang signifikan pada taraf 5%, sedangkan jika di atas 2.56 akan signifikan pada taraf 1%. Tapi kita tidak usah bingung, AMOS membantu kita melalui nilai p yang menunjukkan signifikan tidaknya.

Di bawah ini nilai estimasi yang terstandarisasi. Kalau yang unstandardized disimbolkan dengan (b) maka nilai ini disimbolkan dengan (ß). Nah kalau ini kita bisa membandingkan besarnya tidaknya. 

Hipotesis 3. Kepuasan menjadi mediator peranan pelayanan dalam meningkatkan loyalitas pelanggan. Pelayanan meningkatkan kepuasan pelanggan terlebih dahulu yang selanjutnya kepuasan tersebut meningkatkan loyalitas.

Peranan kepuasan sebagai mediator dapat dilihat pada bagian peranan tidak langsung (indirect effect). Cara bacanya adalah kolom memprediksi baris (kolom baris). Dengan prinsip ini kita mendapatkan peranan tidak langsung pelayanan terhadap loyalitas adalah b=0.098 atau ß=0.42. 

Dari Tabel di awal awal tadi kita melihat bahwa peranan langsung pelayanan terhadap loyalitas adalah ß=0.381, sedangkan peranan tidak langsungnya dari tabel di atas ini adalah ß=0.482. Dari sini kita tahu bahwa peranan langsungnya masih kalah dibanding dengan peranan tidak langsungnya. Jadi, pelayanan berperan terhadap loyalitas lebih pada peranan tidak langsung.

2.  Indeks Ketepatan Model

Banyak sekali jenis indeks ketepatan model di dalam SEM, kita pilih yang paling populer saja yaitu CMIN, goodness of fit index (GFI), comparative fit index  (CFI) dan RMSEA.

Hasil analisis menunjukkan nilai kai-kuadrat (CMIN) sebesar 0.583 (p>0.05). Nilai p di atas 0.05 kalau dalam uji t menunjukkan tidak ada beda yang signifikan. Nah dalam SEM juga demikian, nilai p di atas 0.05 menunjukkan tidak ada beda antara data yang kita pakai untuk menganalisis dengan model yang kita kembangkan. Dengan kata lain, model kita mewakili data kita.

Indeks lainnya juga memiliki nilai yang diharapkan, GFI dan CFI di atas 0.9 sedangkan RMSEA di bawah 0.08. RMSEA adalah nilai residu alias sampah atau pembuangan, jadi kita harapkan sesedikit mungkin varian-varian di dalam data yang kita buang, alias tidak dilibatkan dalam model. Dengan kesimpulan ini model ini benar-benar fit dengan data.

Indeks di bawah ini sangat penting untuk membandingkan antar model-model yang kita kembangkan. Misalnya dari variabel-variabel di atas, kita mengembangkan model-model yang berbeda. Nah kalau semua model itu fit, manakah yang paling baik?  Kita bisa melihat melalui akaike information criterion  (AIC)

Tabel di bawah ini menjadi pedoman untuk menentukan mana di antara dua model  yang dibandingkan yang paling menggambarkan model. Misalnya model A dan B, model B memiliki nilai AIC lebih tinggi dibanding model A, maka kesimpulannya sebagai berikut.