Apa itu populasi dan sampel`
Populasi pada umumnya berarti seluruh objek yang diteliti, unit yang dianalisis, atau seluruh sampel. Sedangkan Sampel : bagian dari populasi yang akan diteliti.
Mengapa kita meneliti berbasis sampel ?
Agar akurat, seharusnya penelitian berbasis populasi, namun penelitian berbasis populasi sangat membutuhkan waktu yang panjang (banyak), biaya yang tinggi dan energi yang cukup besar. Melihat kondisi ini maka timbulah suatu konsep yang disebut "parsimoni". Konsep parsimoni menyatakan : jika hasil penelitian bisa objektif (sudah cukup) dengan sampel maka untuk apa meneliti dengan populasi.
ini berarti penggunaan sampel dalam riset tidak masalah sepanjang hasil dari sampel bisa digunakan untuk memprediksi perilaku populasi. Nah masalah utama yang kemudian timbul adalah berapa besar sampel yang memenuhi kriteria bahwa suatu sampel yang kita ambil sanggup untuk memprediksi populasi. Ini masalah penentuan "sampel minimal". sedangkan setelah ditentukan sampel minimal maka masalah kedua adalah tehnik samplingnya apa ? (tenik sampling = tehnik mengambil sampel, sejumlah sampel yang kita telah tentukan)
Masalah # 1: Berapa sampel yang harus kita ambil ?
Jawaban atas masalah #1 adalah berapa sampel minimal yang digunakan sebagai dasar. Sampel minimal adalah jumlah sampel "paling minimum" yang harus kita gunakan. Jika kita telah dapat menentukan jumlah sampel minimum maka kita dapat dengan mudah menentukan jumlah sampel yang akan kita gunakan, dengan rumus sederhana : "Diatas jumlah sampel minimal". jadi jika sampel minimal 100 maka bisa kita tambahkan 10 % dari sampel minimal sehingga dengan sampel minimal 100, sampel yang kita gunakan adalah 110.
Terus apa dasar menentukan sampel minimal ?
jawab :
Sampel mimimal dapat ditentukan dengan 3 pendekatan utama yaitu :
1.Gunakan Penelitian terdahulu
2.Gunakan Rumus /Gunakan Tabel dari Slovin
3.Argumen “sampel besar
Penelitian terdahulu : kita cari penelitian dengan objek yang sama dengan kita, kemudian kita cari berapa sampel yang digunakan. Jumlah ini menjadi sampel minimal kita. Contoh : jika Penelitian Maramis (2010) menggunakan sampel 100 maka pada penelitian kita bisa tambahkan 10 % sehingga sampel kita menjadi 110.
Gunakan rumus / tabel dari slovin :
1.n = Za2 .p.q / d2 ( populasi infinity / tidak terbatas)
2. n = Za2 .p.q / d2. (N-1) + Za2 .p.q ( populasi finity / terbatas)
keterangan n = jumlah sampel N = jumlah populasi , p = proporsi populasi q = 1-p.z = harga kurva normal yang tergantung dari nilai alfa = sama dengan luas nilai t alfa / 2
Atau Pendapat Hair (1999), ferdinan (2006), Ghozali (2007) : jumlah sampel minimal adalah 5 x variabel bebas / indicator.
Untuk model SEM, minimal 100 atau 200 (catatan : untuk model SEM dengan sampel < 100 maka gunakan pogram PLS (partial least square) jangan pake amos atau lisrel.
Masalah # 2: Tehnik sampling apa yang paling tepat ?
Setelah kita menentukan " jumlah sampel yang akan kita gunakan (sample size)" maka pertanyaan selanjutnya adalah "tehnik sampling apa yang akan kita gunakan". tehnik sampling adalah tehnik yang digunakan untuk mengambil sampel sebesar yang telah kita tentukan.
Penting diperhatikan : untuk tehnik sampling harus disesuaikan dengan karakteristik sampelnya.
Karakteristik sampel ada 2 yaitu :
1. Sampel dari populasi yang terbatas (finite)
2. Sampel dari populasi yang tidak terbatas (infinite)
hubungan karakteristik ini adalah pada jenis tehnik sampling yang kita gunakan :
1. Gunakan tehnik Random sampling (untuk populasi yang terbatas), (pilih salah satu tehnik dibawah ini ) :
•simple random sampling,
•systematic random sampling,
•stratified random sampling,
• cluster / area random sampling
•multistage random sampling
2. Gunakan tehnik NON Random sampling (untuk populasi yang tidak terbatas), (pilih salah satu tehnik dibawah ini ) :
•acidental sampling / judgment sampling,
•quota sampling,
• snowball sampling
Thursday, May 17, 2012
Riset dengan SEM (structural equation modeling)
Apa itu SEM ?
SEM merupakan suatu perluasan (extension) dari beberapa tehnik multivariate, khususnya regresi berganda dan analisis faktor. (Hair, dkk, 1992 : 426). Defenisi yang relatif sama adalah bahwa SEM : “tidak lebih “ dan “tidak kurang” dari path analytical model dengan “latent variables”. SEM = Path Anaysis + latent variables (Confirmatory factor analysis) (Mueller, 1996:129).
Jadi SEM dapat didefenisikan sebagai tehnik analisis multivariate yang menganalisis hubungan yang melibatkan variabel intervening.
Logika yang mendasari Pemodelan dengan SEM
Pertanyaan yang sering muncul adalah mengapa kita menggunakan SEM ? regresi aja udah cukup ! salah satu kelebihan SEM adalah melibatkan variabel intervening (variabel antara). Konsep intervening tidak sama dengan variabel moderating (walaupun ada beberapa tulisan yang menggunakan kedua istilah ini bergantian atau memiliki makna yang sama). Variabel intervening tidak sama dengan moderating. Variabel moderating biasanya disebut variabel kontrol, yaitu variabel yang "disisipkan" dalam model untuk melihat dampak variabel itu dalam suatu hubungan antara variabel Y dan X. jadi sifat variabel moderating ini tidak kuat (tidak ditunjang teori dan penelitian terdahulu yang kuat). Variabel moderating hanya berfungsi sebagai "variabel kontrol" atas suatu model hubungan. Sehingga untuk menganalisis peranan atau fungsi kontrol dari variabel moderating, biasanya digunakan analisis regresi berganda saja atau 2 or 3 SLS (stage least square). Sedangkan variabel intervening adalah variabel yang relatif stabil dalam suatu model karena telah didukung oleh teori dan penelitian terdahulu yang kuat. Dalam model SEM, kontribusi variabel intervning dapat dilihat pada koefisien "indirect effect" atau pengaruh tidak langsung, yang nantinya akan dibandingkan dengan "direct effect" untuk melihat posisi variabel intervening apakah menguatkan atau melemahkan hubungan dalam model tersebut.
Disamping itu, filosopi dasar dari model SEM adalah setiap model SEM didasari pada logika model : IPO ( input-proses-output). artinya : variabel endogeneousnya adalah input, variabel endogeneous intervening adalah proses dan endogeneous dependent adalah outputnya. contoh : pengaruh kualitas layanan terhadap loyalitas. model ini belum sempurna karena kualitas layanan secara proses harus pertama tama mempengaruhi "kepuasan" baru ke loyalitas.
Kekurangan SEM
SEM mengsyaratkan jumlah sampel yang cukup besar 100-200 (minimal), jika sampel dibawah 100 maka disarankan menggunakan software PLS (partial least square). beda PLS dan SEM adalah PLS menggunakan asumsi distribusi data yang tidak normal sedangkan SEM dengan asumsi distribusi data yang normal.
SEM membutuhkan banyak jurnal karena semakin banyak hipotesis maka semakin banyak jurnal yang dibutuhkan
Variabel unobserved vs Observed
SEM sebaiknya digunakan untuk variabel variabel yang berbasis data pada "persepsi" seperti MSDM atau marketing atau sumber data primer dengan kuestionare (namun minimal skala data intervel). Variabel unobserved adalah variabel yang pengukurannya menggunakan indikator (lebih dari 1 indikator), namun untuk SEM sebaiknya indikator > 3. Variabel unobserved biasanya disebut : latent variabel. Untuk variabel observed sebaiknya menggunakan model path analysis (sama dengan model SEM, hanya tidak menggunakan indikator pada variabelnya). Variabel observed biasanya disebut : manifest atau proxy, biasanya digunakan pada penelitian yang menggunakan sumber data sekunder dengan skala data rasio.
Measurement and path model
Measurement Model
1.The part of the model that relates indicators to latent factors
2.The measurement model is the factor analytic part of SEM
Path model
1.This is the part of the model that relates variable or factors to one another (prediction)
2. If no factors are in the model then only path model exists between indicators
Measurement model atau model pengukuran adalah model yang menguji apakah indikator yang digunakan untuk mengukur suatu variabel, signifikan atau tidak, jika tidak maka indikator ini harus dibuat dahulu sebelum model SEM dianalisis lebih lanjut.
Path model atau model jalur adalah model yang menguji hipotesis (jumlah jalur pada model jalur sama dengan jumlah hipotesis yang kita rumuskan sebelumnya.
Koefisien yang dibahas di SEM
koefisien yang biasanya dibahas adalah :
1. koefisien regresinya
2. probabilitas
3. direct efect
4. Indirect effect
5. Fit model
Fit Model
Fit model adalah rasio atau koefisien yang digunakan untuk menguji apakah model SEM yang dibentuk dapat digunakan untuk estimasi ( jika untuk uji hipotesis aja maka melihat probabilitasnyanya aja sudah cukup). ada banyak sekali koefisien untuk digunakan dalam pengujian model fit, namun yang penting adalah :
CHI-SQUARE (syarat : probabilitas > 5 %)
RMSEA ( syarat : < 0.08)
GFI ( syarat : > 0.9)
AGFI (syarat : > 0.9)
CMIN/DF ( syarat : < 2)
TLI ( syarat: > 0.95)
CFI (syarat: > 0.95)
Model awal dan Model revisi
bagaimana jika model awal tidak memenuhi fit model ?
jawab :
Buat model revisinya yaitu :
1. menghilangkan hubungan yang tidak signifikan dalam model
2. melakukan korelasi antara varianse atau antar variabel
SEM merupakan suatu perluasan (extension) dari beberapa tehnik multivariate, khususnya regresi berganda dan analisis faktor. (Hair, dkk, 1992 : 426). Defenisi yang relatif sama adalah bahwa SEM : “tidak lebih “ dan “tidak kurang” dari path analytical model dengan “latent variables”. SEM = Path Anaysis + latent variables (Confirmatory factor analysis) (Mueller, 1996:129).
Jadi SEM dapat didefenisikan sebagai tehnik analisis multivariate yang menganalisis hubungan yang melibatkan variabel intervening.
Logika yang mendasari Pemodelan dengan SEM
Pertanyaan yang sering muncul adalah mengapa kita menggunakan SEM ? regresi aja udah cukup ! salah satu kelebihan SEM adalah melibatkan variabel intervening (variabel antara). Konsep intervening tidak sama dengan variabel moderating (walaupun ada beberapa tulisan yang menggunakan kedua istilah ini bergantian atau memiliki makna yang sama). Variabel intervening tidak sama dengan moderating. Variabel moderating biasanya disebut variabel kontrol, yaitu variabel yang "disisipkan" dalam model untuk melihat dampak variabel itu dalam suatu hubungan antara variabel Y dan X. jadi sifat variabel moderating ini tidak kuat (tidak ditunjang teori dan penelitian terdahulu yang kuat). Variabel moderating hanya berfungsi sebagai "variabel kontrol" atas suatu model hubungan. Sehingga untuk menganalisis peranan atau fungsi kontrol dari variabel moderating, biasanya digunakan analisis regresi berganda saja atau 2 or 3 SLS (stage least square). Sedangkan variabel intervening adalah variabel yang relatif stabil dalam suatu model karena telah didukung oleh teori dan penelitian terdahulu yang kuat. Dalam model SEM, kontribusi variabel intervning dapat dilihat pada koefisien "indirect effect" atau pengaruh tidak langsung, yang nantinya akan dibandingkan dengan "direct effect" untuk melihat posisi variabel intervening apakah menguatkan atau melemahkan hubungan dalam model tersebut.
Disamping itu, filosopi dasar dari model SEM adalah setiap model SEM didasari pada logika model : IPO ( input-proses-output). artinya : variabel endogeneousnya adalah input, variabel endogeneous intervening adalah proses dan endogeneous dependent adalah outputnya. contoh : pengaruh kualitas layanan terhadap loyalitas. model ini belum sempurna karena kualitas layanan secara proses harus pertama tama mempengaruhi "kepuasan" baru ke loyalitas.
Kekurangan SEM
SEM mengsyaratkan jumlah sampel yang cukup besar 100-200 (minimal), jika sampel dibawah 100 maka disarankan menggunakan software PLS (partial least square). beda PLS dan SEM adalah PLS menggunakan asumsi distribusi data yang tidak normal sedangkan SEM dengan asumsi distribusi data yang normal.
SEM membutuhkan banyak jurnal karena semakin banyak hipotesis maka semakin banyak jurnal yang dibutuhkan
Variabel unobserved vs Observed
SEM sebaiknya digunakan untuk variabel variabel yang berbasis data pada "persepsi" seperti MSDM atau marketing atau sumber data primer dengan kuestionare (namun minimal skala data intervel). Variabel unobserved adalah variabel yang pengukurannya menggunakan indikator (lebih dari 1 indikator), namun untuk SEM sebaiknya indikator > 3. Variabel unobserved biasanya disebut : latent variabel. Untuk variabel observed sebaiknya menggunakan model path analysis (sama dengan model SEM, hanya tidak menggunakan indikator pada variabelnya). Variabel observed biasanya disebut : manifest atau proxy, biasanya digunakan pada penelitian yang menggunakan sumber data sekunder dengan skala data rasio.
Measurement and path model
Measurement Model
1.The part of the model that relates indicators to latent factors
2.The measurement model is the factor analytic part of SEM
Path model
1.This is the part of the model that relates variable or factors to one another (prediction)
2. If no factors are in the model then only path model exists between indicators
Measurement model atau model pengukuran adalah model yang menguji apakah indikator yang digunakan untuk mengukur suatu variabel, signifikan atau tidak, jika tidak maka indikator ini harus dibuat dahulu sebelum model SEM dianalisis lebih lanjut.
Path model atau model jalur adalah model yang menguji hipotesis (jumlah jalur pada model jalur sama dengan jumlah hipotesis yang kita rumuskan sebelumnya.
Koefisien yang dibahas di SEM
koefisien yang biasanya dibahas adalah :
1. koefisien regresinya
2. probabilitas
3. direct efect
4. Indirect effect
5. Fit model
Fit Model
Fit model adalah rasio atau koefisien yang digunakan untuk menguji apakah model SEM yang dibentuk dapat digunakan untuk estimasi ( jika untuk uji hipotesis aja maka melihat probabilitasnyanya aja sudah cukup). ada banyak sekali koefisien untuk digunakan dalam pengujian model fit, namun yang penting adalah :
CHI-SQUARE (syarat : probabilitas > 5 %)
RMSEA ( syarat : < 0.08)
GFI ( syarat : > 0.9)
AGFI (syarat : > 0.9)
CMIN/DF ( syarat : < 2)
TLI ( syarat: > 0.95)
CFI (syarat: > 0.95)
Model awal dan Model revisi
bagaimana jika model awal tidak memenuhi fit model ?
jawab :
Buat model revisinya yaitu :
1. menghilangkan hubungan yang tidak signifikan dalam model
2. melakukan korelasi antara varianse atau antar variabel
Subscribe to:
Comments (Atom)