Metode Pengumpulan Data Metode Analisis Data

3.5. Metode Pengumpulan Data

Data yang digunakan dalam penelitian ini adalah data primer. Data primer didapatkan menggunakan instrumen kuesioner. Kuesioner disebarkan kepada perangkat desa di DIY yang terpilih sebagai sampel penelitian. Kemudian responden diminta untuk mengisi kuesioner yang telah disediakan dan langsung dikembalikan kepada peneliti. Di dalam kuesioner terdapat daftar pernyataan- pernyataan dan setiap responden diminta untuk memberikan penilaian sesuai dengan petunjuk di dalam kuesioner. Dalam skala likert, jawaban yang dikumpulkan berupa pernyataan positif atau negatif. Untuk setiap pernyataan akan diberi bobot sebagai berikut. Tabel 3. 8. Skala Likert Pernyataan positif menurut sugiyono 2010 No Pernyataan Skor pernyataan positif 1 Sangat SetujuSangat SeringSangat Baik 5 2 Setuju Sering Baik 4 3 Ragu-Ragu Kadang Cukup 3 4 Tidak Setuju Hampir Tidak Pernah Kurang Baik 2 5 Sangat Tidak Setuju Tidak Pernah Sangat Tidak Baik 1 `Setelah dilakukan pengukuran dengan menggunakan skala likert, kemudian dilakukan tabulasi atas tanggapan responden untuk setiap variabel. Dari hasil tabulasi tersebut dimasukan dalam garis kontinum yang pengukurannya ditentukan dengan cara berikut. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI Gambar 3. 1.Garis Kontinum menurut Sugiyono 2009 Keterangan: Nilai Indek Minimum = Jumlah responden dikali 1 Nilai Indek Maksimum = Jumlah responden dikali 5 Jarak IntervalRentang = Nilai Indek Maksimum - Nilai Indek Minimum 5 Y = Total skor yang diperoleh, yaitu dari jumlah responden yang menjawab S.Setuju dikali 5 + jumlah responden yang menjawab Setuju dikali 4 + jumlah responden yang menjawab Ragu-ragu dikali 3 + jumlah responden yang menjawab T.Setuju dikali 2 + jumlah responden yang menjawab S.T.Setuju dikali 1 jumlah item pertanyaan.

3.6. Metode Analisis Data

Data kuesioner yang telah dikumpulkan dan ditabulasi dimasukkan ke software SmartPLS. Data tersebut diperiksa ulang untuk konsistensi sehingga dapat meminimalkan kesalahan dalam memasukkan dalam data. Data dianalisis menggunakan analisis statistik deskriptif dan inferensial. Analisis statistik deskriptif menampilkan data hasil penelitian dalam bentuk rerata skor. Analisis inferensial menggunakan teknik analisis PLS-SEM Partial Least Squares – Structural Equation Modeling dengan menggunakan perangkat lunak SmartPLS 3.0. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI Penelitian ini menggunakan model kausalitas atau hubungan pengaruh. Dengan demikian, untuk menguji hipotesis yang diajukan digunakan teknik analisis Partial Least Square - Stuctural Equation Modeling PLS-SEM yang dioperasikan melalui program SmartPLS 3.0 Professional. Gambar 3.2 di bawah ini menunjukkan model diagram jalur Partial Least Square. Gambar 3. 2. Model Diagram Jalur Partial Least Square Analisis PLS-SEM terdiri dari 2 sub model yaitu: inner model dan outer model. 3.6.1 Outer Model Outer model atau outer relation atau measurement model mendefinisikan bagaimana setiap blok indikator berhubungan dengan variabel latennya. Model ini menspesifikasi hubungan antar variabel laten dengan indikatornya atau dapat dikatakan bahwa outer model mendefinisikan hubungan setiap indikator dengan variabel latennya. Menurut Ghozali 2006, model persamaan dasar dari model pengukuran atau outer model dapat ditulis sebagai berikut: Untuk konstruk laten eksogen X : X = λ x ξ + untuk konstruk laten endogen Y: Y = λ y η + Sumber : Ghozali 2006 Tabel 3. 9. Keterangan simbol Simbol Nama Keterangan λ Lamda Bobot faktor Antara variabel laten dengan indikatornya ξ Ksi Variabel laten eksogen Epsilon Pengukuran eror indikator endogen η Eta Variabel laten endogen Delta Pengukuran eror indikator eksogen Gambar 3.2 menunjukkan bahwa ξ 1 dan ξ 2 merupakan variabel laten eksogen atau independen variabel, η 1 dan η 2 merupakan variabel laten endogen atau variaben dependen. Nilai koefisien dari persamaan akan menerangkan hubungan atau pengaruh antar variabel sesuai dengan paradigma penelitian. Pengujian dalam outer model yaitu: 3.6.1.1 Uji Validitas Pengujian validitas ada 2 yaitu validitas konvergen dan validitas diskriminan. Validitas konvergen diuji melalui parameter loading factor dan nilai Average Variance Extracted AVE. Pengukuran dapat dikategorikan memiliki validitas konvergen apabila nilai loading factor lebih dari 0,7 dan nilai AVE lebih dari 0,5 Ghozali, 2008. Validitas diskriminan ditentukan dengan melihat cross loading dari setiap variabel. Pengukuran dapat dikategorikan memiliki validitas diskriminan apabila memiliki nilai cross loading lebih dari 0,7. 3.6.1.2 Uji Reliabilitas Pengujian reliabilitas dapat dilihat berdasarkan nilai Cronbach’s alpha harus lebih dari 0,6 dan nilai composite reliability harus lebih dari 0,7 Jogiyanto, 2011. Nilai composite reliability menunjukkan ukuran nilai reliabilitas sesungguhnya dari suatu variabel sedangkan cronbach’s alpha menunjukkan ukuran nilai reliabilitas terrendah dari suatu variabel. 3.6.2 Inner Model Pengujian padal inner model atau model struktural dilakukan untuk menguji hubungan antar konstruk laten. Inner model meliputi inner relation, structural model dan substantive theory menggambarkan hubungan antara variabel laten berdasarkan pada teori substantive. Inner model diuji dengan melihat nilai R-square, Q-square dan path coefficient koefisien jalur untuk mendapatkan informasi seberapa besar variabel laten dependen dipengaruhi oleh variabel laten independen, serta uji signifikansi untuk menguji nilai signifikansi hubungan atau pengaruh antar variabel Ghozali, 2006. Pengujian dalam inner model yaitu: 3.6.2.1 R-square test Nilai R-square atau koefisien determinasi menunjukkan keragaman konstruk endogen yang mampu dijelaskan oleh konstruk- konstruk eksogen secara serentak. Nilai R-square digunakan untuk PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI mengukur tingkat variabilitas perubahan variabel independen terhadap variabel dependen. Parameter ini juga digunakan untuk mengukur kelayakan model prediksi dengan rentang 0 sampai 1. Semakin tinggi nilai R-square maka semakin besar pula pengaruh variabel laten eksogen terhadap variabel laten endogen. Nilai R- square dapat mendeteksi pengaruh langsung dari variabel eksogen tertentu terhadap variabel endogen. Perubahan nilai R-square f 2 digunakan untuk menilai pengaruh variabel independen tertentu terhadap variabel laten dependen secara substantive Ghozali, 2006. 3.6.2.2 Q-square test Q-square test dalam PLS digunakan untuk predictive relevancy dalam model konstruktif. Pada penilaian goodness of fit bisa diketahui melalui nilai Q 2 . Nilai Q 2 memiliki arti yang sama dengan koefisien determinasi R-Square pada analisis regresi, di mana semakin tinggi R-Square, maka model dapat dikatakan semakin fit dengan data. Q- square mengukur seberapa baik nilai observasi yang dihasilkan oleh model dan juga estimasi parameternya. Pendekatan ini menggunakan rumus sebagai berikut Hengky dan Ghozali, 2012 : Q 2 = 1 – 1 – R 1 2 1 - R 2 2 … 1 – R p 2 Keterangan: R 1 2 R 2 2 … R p 2 : R-square variabel endogen dalam model. Interpretasi Q 2 sama dengan koefisien determinasi total pada analisis jalur. mirip dengan R 2 pada regresi. Q 2 : koefisien determinasi total pada analisis jalur. 3.6.2.3 Koefisien jalur Koefisien jalur menunjukkan seberapa besar hubungan atau pengaruh konstruk laten yang dilakukan dengan prosedur bootstrapping. 52

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

Bab ini memaparkan hasil analisis yang dilakukan peneliti dan pembahasan hasil.

4.1. Identitas Responden

Responden dalam penelitian ini adalah perangkat desa di Daerah Istimewa Yogyakarta. Setiap desa dari 80 desa sampel penelitian diwakili oleh 2 orang responden. Sehingga jumlah responden yang diteliti sebanyak 160 orang. Pada masing-masing kantor desa diberikan 2 dua buah kuesioner, sehingga total penyebaran adalah 160 buah kuesioner. Pada tabel 4.1 berikut ini detail kuesioner yang dibagikan kepada responden : Tabel 4. 1. Tingkat pengembalian kuesioner Jumlah Presentase Jumlah kuesioner yang dibagikan 160 - Jumlah kuesioner yang tidak kembali 6 4 Jumlah kuesioner yang tidak lengkap 1 1 Jumlah kuesioner yang dapat digunakan 153 95 Sedangkan untuk identitas responden yang dikelompokkan berdasarkan umur dan pendidikan terakhir sebagai berikut: 4.1.1. Responden berdasarkan Umur. Data mengenai identitas responden berdasarkan kelompok Umur pada tabel 4.2 berikut ini: