46 Pengumpulan data primer berupa pendapat pakar dilakukan pada bulan
April sampai dengan bulan Juni 2009. Pakar yang diwawancari meliputi para ketua koperasi, anggota koperasi yang unit usaha sapi perahnya telah berbadan
hukum dan ilmuwan.
3.3 Metode Analisis Data
Data hasil survei lapang dan survei pakar diolah sesuai dengan rancangan metode analisis yang telah direncanakan. Metode analisis data dalam penelitian
ini adalah: 1. Metode analisis korelasi kanonikal untuk menganalisis kontribusi aset-aset
pengetahuan dalam proses konversi pengetahuan organisasi yang mendorong inovasi pada Koperasi Susu di Indonesia.
2. Metode analisis Structural Equation Modeling SEM untuk menganalisis hubungan antar variabel penciptaan pengetahuan pada koperasi susu sebagai
model konfirmatori. 3. Sistem Pakar untuk mengembangkan Sistem Knowledge Management
Scorecard KM-Scorecard yang mendorong terjadinya inovasi pada Koperasi Susu di Indonesia.
3.4 Korelasi Kanonikal
Analisis korelasi kanonikal merupakan model statistika multivariat yang memungkinkan identifikasi dan kuantifikasi hubungan antara dua himpunan
variabel Hair et al.,1998. Karena titik perhatian analisis ini adalah korelasi hubungan maka kedua himpunan tidak perlu dibedakan menjadi kelompok
variabel tidak bebas dan variabel bebas. Pemberian label Y dan X kepada kedua variat kanonikal hanya untuk membedakan kedua himpunan variabel. Fokus
analisis korelasi kanonikal terletak pada korelasi antara kombinasi linier satu set variabel dengan kombinasi linier set variabel yang lain. Langkah pertama adalah
mencari kombinasi linier yang memiliki korelasi terbesar. Selanjutnya, akan dicari pasangan kombinasi linier dengan nilai korelasi terbesar di antara semua pasangan
lain yang tidak berkorelasi. Proses terjadi secara berulang, hingga korelasi maksimum teridentifikasi. Pasangan kombinasi linier disebut sebagai variat
kanonikal sedangkan hubungan di antara pasangan tersebut disebut korelasi kanonikal.
47 Jenis data dalam variat kanonikal yang digunakan dalam analisis korelasi
kanonikal dapat bersifat metrik maupun nonmetrik. Bentuk umum fungsi kanonikal adalah sebagai berikut:
Y
1
+ Y
2
+ Y
3
. . . Y
q
= X
1
+ X
2
+ X
3
. . . X
p
metrik, nonmetrik metrik, nonmetrik Secara umum, jika terdapat sejumlah p variabel bebas X
1
, X
2
, . . . , X
p
dan q variabel tidak bebas Y
1
, Y
2
, . . . ,Y
q
maka banyak pasangan variat adalah minimum p dan q. Jadi hubungan linier mungkin yang terbentuk adalah:
U
1
= a
11
X
1
+ a
12
X
2
+ . . . a
1p
X
p
U
2
= a
21
X
1
+ a
22
X
2
+ . . . a2
p
X
p
. .
U
r
= a
r1
X
1
+ a
r2
X
2
+ . . . a
rp
X
p
dan V
1
= b
11
Y
1
+ b
12
Y
2
+ . . . b
1q
Y
q
V
2
= b
21
Y
1
+ b
22
Y
2
+ . . . b
2q
Y
q
. .
V
r
= b
r1
Y
1
+ b
r2
Y
2
+ . . . b
rq
Y
q
. di mana r adalah nilai minimum p dan q. Hubungan ini dipilih sedemikian
sehingga korelasi antara U
1
dan V
1
menjadi korelasi maksimum; korelasi U
2
dan V
2
juga maksimum di antara variabel-variabel yang tidak berhubungan dengan U
1
dan V
1
; korelasi U
1
, V
1
, U
2
, dan V
2
, dan seterusnya. Setiap pasang variabel kanonikal U
1
, V
1
, U
2
, V
2
, . . . , U
r
, V
r
merepresentasikan ‘dimensi’ bebas
dalam hubungan antara dua himpunan variabel X
1
, X
2
, . . . , X
p
dan Y
1
, Y
2
, . . . ,Y
q
. Pasangan pertama U
1
, V
1
mempunyai korelasi tertinggi karenanya merupakan korelasi penting; pasangan kedua U
2
, V
2
mempunyai korelasi tertinggi kedua karenanya menjadi korelasi terpenting kedua; dan seterusnya.
Prosedur korelasi kanonikal mencakup 6 langkah yang bersifat sekuensial yaitu: 1 penetapan set variabel tak bebas dan variabel bebas serta relasinya
sesuai dengan perumusan masalah penelitian, 2 penetapan jumlah observasi dan jumlah sampel, 3 pemenuhan asumsi korelasi linier dan normalitas multivariat,
4 estimasi fungsi kanonikal dan seleksi, 5 interpretasi fungsi kanonikal dan variabel-variabel dan 6 validasi hasil. Tahap analisis kanonikal ditampilkan
pada Gambar 8.
48
Gambar 8 Tahap Analisis Korelasi Kanonikal
Masalah Penelitian Tentukan Tujuan:
o Menentukan hubungan antar variabel
o Memperoleh korelasi maksimal
o
Menjelaskan asal hubungan antar variabel
Menspesifikasikan variabel dependen
Menspesifikasikan variabel independen
Masalah Desain Penelitian Jumlah observasi per variabel
Keseluruhan ukuran sampel
Asumsi-asumsi Korelasi linier
Hubungan linier Kenormalan ragam
Pemilihan dan Estimasi Fungsi Kanonikal Menurunkan fungsi kanonikal
Memilih fungsi untuk interpretasi Signifikansi secara statistik
Besaran hubungan
Interpretasi Variabel dan Fungsi Kanonikal Berat kanonikal
Bobot kanonikal Bobot silang kanonikal
Validasi Hasil Sampel berganda
Analisis Sensitivitas Komposisi Ragam
49
3.5 Structural Equation Modeling
Structural Equation Modeling SEM atau Model Persamaan Struktural merupakan model yang memiliki berbagai nama, diantaranya adalah analisis
struktur kovarian covariance structure analysis, analisis variabel laten latent variable analysis, analisis faktor konfirmatori confirmatory factor analysis, dan
sering juga disebut sebagai analisis LISREL Linear Structural Relationship yang juga merupakan salah satu software statistik yang banyak digunakan untuk
mengolah data menjadi model SEM. Dihasilkan dari sebuah evolusi dari multiequation modeling yang dikembangkan dengan prinsip ekonometrik dan
digabungkan dengan prinsip-prinsip pengukuran dalam psikologi dan sosiologi, SEM telah dimunculkan sebagai sebuah alat integral antara manajerial dan riset
akademis, yang mungkin diharapkan menjadi sebuah teknik yang dapat digunakan dengan jangkauan yang luas dan diterapkan pada berbagai macam aplikasi Hair
et al. 1998. Lebih lanjut dijelaskan bahwa SEM merupakan metode analisis data untuk melihat pengaruh hubungan sebab akibat antara variabel bebas dengan
variabel terikat dalam rangka mencari penjelasan dari korelasi yang teramati dengan membuat hubungan sebab akibat antar variabel. Formulasi SEM dalam
bentuk persamaan adalah sebagai berikut: Y
1
= X
11
+ X
12
+ X
13
+ . . . + X
1n
Y
2
= X
21
+ X
22
+ X
23
+ . . . + X
2n
Y
3
= X
31
+ X
32
+ X
33
+ . . . + X
3n
. .
. Y
m
= X
m1
+ X
m2
+ X
m3
+ . . . + X
mn
metrik
metrik, non metrik Lebih lanjut dijelaskan bahwa SEM ini telah digunakan di berbagai bidang
studi, antara lain bidang manajemen, perilaku organisasi, pendidikan, pemasaran, psikologi, sosiologi, kesehatan, demografi, biologi dan bahkan genetika. Ada dua
hal alasan ketertarikan penggunaan penggunaan SEM dalam berbagai bidang tersebut, yaitu:
1. Memberikan metode yang mudah dipahami berkenaan dengan hubungan berganda secara simultan sambil memberikan efisiensi secara statistik.