Model Kontribusi Aset Pengetahuan

111 Gambar 29 Diagram Jalur Analisis Korelasi Kanonikal Pembentukan model kontribusi aset pengetahuan yang dimiliki koperasi susu terhadap proses konversi pengetahuan sesuai dengan model yang dikemukakan Nonaka atau dikenal dengan model SECI, dapat didasarkan dari hasil muatan-silang kanonikal canonical cross-loading. Muatan-silang kanonikal menyatakan korelasi variabel dalam suatu variat terhadap variat kanonikal lainnya Hair et al, 1998. Dibanding aset pengetahuan lainnya, aset pengetahuan konseptual memiliki korelasi yang lebih besar terhadap proses sosialisasi dan eksternalisasi. Aset pengetahuan rutin memiliki korelasi lebih besar terhadap proses ekternalisasi. Aset pengetahuan rutin ini merupakan pengetahuan tacit yang sudah menyatu dan menjadi aturan dalam praktek berkesinambungan, pola pikir atau tindakan tertentu dikuatkan dan dilakukan bersama sehingga menjadi budaya organisasi. Aset pengetahuan eksperiensial memiliki korelasi lebih besar terhadap proses internalisasi dan kombinasi. Aset pengetahuan eksperiensial merupakan pengetahuan tacit yang dibangun melalui kebersamaan, pengalaman bersama dalam organisasi atau pengalaman bekerjasama di antara karyawan, pelanggan, pemasok atau organisasi afiliasi. Dibanding aset pengetahuan lainnya, pengetahuan sistemik terbukti memiliki korelasi paling lemah terhadap proses konversi pengetahuan. Aset pengetahuan sistemik merupakan aset pengetahuan yang bersifat pengetahuan eksplisit yang tersistemisasi dan terkemas, seperti teknologi yang dirumuskan -0,742 -1,358 0,965 1,452 0,486 0,690 0,483 0,421 0,422 0,664 -0,254 1,409 0,118 -0,557 0,030 0,889 0,743 0,548 1 Rutin Ekspriensial Sistemik Konseptual Internalisasi Sosialisasi Kombinasi Eksternalisasi 2 1 2 112 eksplisit, spesifikasi produk, manual atau informasi terdokumentasi tentang pelanggan dan pemasok, termasuk juga proteksi, hak kekayaan intelektual secara legal Nonaka et al. 2000. Hasil selengkapnya ditampilkan pada Gambar 30. Gambar 30 Model Kontribusi Aset Pengetahuan terhadap Proses SECI pada Koperasi Susu di Indonesia Dengan demikian, berhasil dibuktikan bahwa aset pengetahuan berkontribusi penting untuk memfasilitasi terjadinya proses konversi pengetahuan pada koperasi susu sesuai teori dengan kerangka teori Nonaka et al. 2000. Tahap selanjutnya dilakukan integrasi terhadap kerangka pemikiran Soo el al. 2000a mengenai proses penciptaan pengetahuan pada perusahaan. Untuk mengkonfirmasi adaptasi teori yang disusun sebagai model penciptaan pengetahuan pada koperasi susu, maka dilakukan pemodelan menggunakan Structural Equation modeling SEM. Dipilih SEM untuk melakukan pemodelan agar dapat diketahui interdepensi antar variabel yang telah didefinisikan. 6.2 Model Penciptaan Pengetahuan 6.2.1 Uji Kecocokan Keseluruhan Model Overall Model Fit SEM Pada penelitian ini telah dilakukan uji kecocokan model pada lima model yang ditampilkan pada Tabel 8 berikut ini. Model 1 merupakan model yang dihipotesiskan yang terdiri atas 3 variabel endogen dan 4 variabel eksogen, sedangkan model 2 adalah model 1 dengan menambah hubungan antara variabel eksogen akusisi pengetahuan dengan variabel endogen konversi pengetahuan dan hubungan variabel endogen konversi pengetahuan dengan variabel endogen inovasi. Model 3 merupakan modifikasi model 2 dengan menghilangkan hubungan langsung variabel eksogen daya serap dengan variabel endogen Konseptual Eksperiensial Rutin Sistemik Eksternalisasi Kombinasi Sosialisasi Internalisasi 113 kapabilitas pemecahan masalah dan pengambilan keputusan. Pada model 4, dicoba disederhanakan dengan mengeluarkan variabel endogen kinerja dari model yang diuji. Model 5 merupakan modifikasi Model 4 dengan mengubah variabel daya serap menjadi variabel endogen. Dari ke lima model yang diuji dapat dikatakan bahwa kelima model tersebut cukup memenuhi ukuran kecocokan dari masing masing kelompok ukuran kecocokan. Seperti yang disampaikan Hair et al. 1998 untuk membandingkan lebih dari satu model, perlu diperhatikan nilai ukuran model yang satu relatif terhadap yang lain. Dalam keadaan di mana seluruh model menunjukkan kecocokan yang cukup baik, maka disarankan mempertimbangkan sesuai kelompok pengukuran. Evaluasi berdasarkan ukuran kecocokan masing-masing kelompok untuk kelima model dapat dilihat pada Tabel 8. Pengelompokan tersebut adalah: 1. Kelompok absolute fit kecocokan absolut, menunjukkan bahwa Model 5 yang paling mendekati ukuran kecocokan kelompok tersebut. 2. Kelompok incremental fit kecocokan inkremental menunjukkan bahwa Model 5 yang dapat memenuhi persyaratan. 3. Kelompok parsimonious fit kecocokan parsimoni menunjukkan bahwa Model 5 sebagai model yang mempunyai parsimoni atau kehematan paling tinggi dibanding Model 1, 2,3 dan 4. Berdasarkan hasil ketiga kelompok uji kecocokan keseluruhan model, dapat disimpulkan bahwa Model 5 adalah model yang memiliki derajat kecocokan yang lebih tinggi dibanding Model 1, 2, 3 dan 4. Disamping mempertimbangkan hasil uji kecocokan keseluruhan model, pemilihan model haruslah mempertimbangkan dukungan teori yang memadai Hair et al. 1998. Dengan mempertimbangkan kedua hal di atas, maka dipilih Model 5, sebagai model yang mampu menggambarkan hubungan antar faktor-faktor yang berperan dalam penciptaan pengetahuan yang menghasilkan inovasi pada Koperasi Susu di Indonesia. Tahap selanjutnya dilakukan uji kecocokan model pengukuran measurement model fit dan uji kecocokan model struktural structural model fit Model 5 tersebut. Perbandingan Hasil Pengujian Model ditampilkan pada Tabel 8. 114 Tabel 8 Perbandingan Hasil Pengujian Model No Ukuran Ketentuan Nilai yang Diperoleh Model 1 Model 2 Model 3 Model 4 Model 5 Absolute Fit Measures 1 2 Semakin kecil semakin baik 1 409,97 p=0,00 404,34 p=0,00 427,05 p=0,00 368,23 p=0,00 363,36 p=0,00 2 SNCP Semakin kecil semakin baik 2 2,63 2,49 2,68 2,31 2,26 3 GFI semakin tinggi semakin baik 0 poor fit – 1 perfect fit 3 0,71 0,71 0,70 0,72 0,72 4 RMR – 1, RMR ≤ 0,05 good fit 4 0,14 0,13 0,14 0,11 0,11 5 RMSEA 0,05 RMSEA ≤ 0,08, good fit 0,08 RMSEA ≤ 0,10, marginal fit RMSEA 0,10, poor fit 5 0,14 0,13 0,14 0,14 0,13 6 ECVI Semakin kecil semakin baik 6 5,02 4,79 4,95 4,41 4,36 Incremental Fit Measures 7 NNFI –1, semakin tinggi semakin baik 7 NNFI ≥ 0,90 good fit 0,55 0,60 0,59 0,76 0,76 8 CFI –1, semakin tinggi semakin baik CFI ≥0,90 good fit 0,80 ≤ CFI 0,90 marginal fit 8 0,64 0,67 0,65 0,80 0,80 9 IFI –1, semakin tinggi semakin baik IFI ≥0,90 good fit 0,80 ≤ IFI 0,90 marginal fit 9 0,66 0,68 0,66 0,80 0,80 Parsimonious Fit Measures 10 PGFI –1, Semakin tinggi semakin baik 10 0,50 0,53 0,54 0,53 0,53 11 PNFI 0-1, Semakin tinggi semakin baik 11 0,45 0,49 0,48 0,60 0,60 12 Model CAIC Nilai positif lebih kecil menunjukkan parsimoni lebih baik 12 726,59 670,08 675,83 622,66 617,78 115 Keterangan : 1 Joreskog dan Sorbom 1989 2 McDonald dan Marsh 1990 3 Tanaka dan Huba 1985 4 Hu dan Bantler 1995 5 McCallum 1996 6 Browne dan Cudeck 1989 7 Bentler dan Bonnet 1980 8 Bentler 1980 9 Bollen 1989 10 Mulaik et al. 1989 11 James et al. 1982 12 Bozdogan 1987

6.2.2 Uji Kecocokan Model Pengukuran Measurement Model Fit Validitas dan Reliabilitas

Uji kecocokan model pengukuran dilakukan terhadap setiap konstrukmodel pengukuran yang menunjukkan hubungan antara sebuah variabel laten dangan beberapa variabel teramatiindikator secara terpisah melalui evaluasi terhadap validitas dan reliabilitas dari model pengukurannya. Validitas berhubungan dengan apakah suatu variabel mengukur apa yang seharusnya diukur. Menurut Sharma 1996, suatu variabel dikatakan mempunyai validitas yang baik terhadap konstruk atau variabel latennya, jika:  nilai uji-t loading factors muatan faktor lebih besar dari nilai kritis ≥ 1,96.  muatan faktor standarnya standardized loading factors ≥ 0,70 atau ≥ 0,50. Semua variabel indikator pada Model 5 mempunyai nilai uji-t lebih besar dari 1,96, jadi muatan faktor dari variabel-variabel yang ada dalam model adalah signifikan atau tidak sama dengan nol, kecuali muatan faktor standar dari X3 asset sistemik, semua muatan faktor standar lainnya 0,70. Dapat disimpulkan bahwa validitas semua variabel indikator terhadap variabel latennya adalah baik Tabel 9. 116 Tabel 9 Validitas Model Penciptaan Pengetahuan dalam Mendukung Inovasi pada Koperasi Susu di Indonesia Variabel Laten Indikator Muatan Faktor Standar t-hitung =0,05 Kesimpulan Validitas ASET X1 0,87 5,15 Baik X2 1,00 Baik X3 0,35 2,22 Baik X4 0,82 4,89 Baik AKUISISI X5 0,71 4,20 Baik X6 1,00 Baik DSERAP Y1 0,62 4,58 Baik Y2 1,00 Baik KONVERSI Y3 0,79 5,49 Baik Y4 1,00 Baik Y5 0,97 6,73 Baik Y6 0,72 5,04 Baik KPMPK Y7 0,85 6,42 Baik Y8 1,00 Baik Y9 0,98 7,44 Baik INOVASI Y10 0,96 15,93 Baik Y11 0,92 14,39 Baik Y12 1,00 Baik Keterangan: Indikator ini digunakan untuk mendefinisikan skala faktor laten dengan menetapkan nilai loading-nya sama dengan 1 . Reliabilitas adalah konsistensi suatu pengukuran. Reliabilitas tinggi menunjukkan bahwa indikator-indikator mempunyai konsistensi tinggi dalam mengukur konstruk latennya. Untuk mengukur reliabilitas dalam SEM digunakan construct reliability measure ukuran reliabilitas konstruk dan variance extracted measure ukuran ekstrak varian. Hair et al. 1998 menyatakan bahwa sebuah konstruk mempunyai reliabilitas yang baik jika: nilai Construct Reliability CR- nya ≥ 0,70 dan nilai Variance Extracted VE-nya ≥ 0,50. Hasil pengujian tingkat reliabilitas dapat disimpulkan bahwa model pengukuran measurement model penelitian ini sesuai dengan data, karena nilai reliabilitas konstruk tidak ada yang kurang dari 0,70. Kecuali ekstrak varian dari variabel aset pengetahuan, ekstrak varian variabel lainnya memenuhi kriteria, yaitu ≥ 0,50. Ekstrak varian mencerminkan jumlah varian keseluruhan dalam variabel-variabel teramati indikator yang dijelaskan oleh variabel laten Tabel 10. 117 Tabel 10 Reliabilitas Model Pengukuran Peran Penciptaan Pengetahuan dalam Mendukung Inovasi pada Koperasi Susu di Indonesia Variabel Laten Reliabilitas Konstruk Ekstrak Varian Kesimpulan Reliabilitas ASET 0,77 0,48 Cukup Baik AKUISISI 0,77 0,63 Baik DSERAP 0,77 0,64 Baik KONVERSI 0,85 0,58 Baik KPMPK 0,86 0,67 Baik INOVASI 0,95 0,87 Baik Variabel laten eksogen dan endogen yang dibentuk didasarkan analisis Faktor, yang masing-masing dikonfirmasi melalui model pengukurannya. Variabel indikator yang mempunyai nilai lamda paling besar ditetapkan sebagai skala pengukuran dan kemudian diberi nilai 1, serta ragam galatnya dianggap nol, sehingga muatan faktor pada indikator lainnya mengacu secara relatif terhadap indikator skala. Sebagai contoh, pada model pengukuran ASET indikator skalanya adalah X2 konseptual , maka X6,1 = 1,0. Penafsiran pada sub model ini mengandung persamaan- persamaan berikut: X1 = 0,87 ASET + 1 X2 = 1,00 ASET + 2 X3 = 0,35 ASET + 3 X4 = 0,82 ASET + 4 X5 = 0,62 DSERAP + 5 X6 = 1,00 DSERAP + 6 X7 = 0,71 AKUISISI + 7 X8 = 1,00AKUISISI + 8 Y1 = 0,79KONVERSI + 9 Y2 = 1,00KONVERSI + 10 Y3 = 0,97KONVERSI + 11 Y4 = 0,72KONVERSI + 12 Y5 = 0,85KPMPK + 13 Y6 = 1,00KPMPK + 14 Y7 = 0,98KPMPK + 15 Y8 = 0,96KPMPK + 16 118 Y9 = 0,92KPMPK + 17 Y10 = 1,00KPMPK + 18 Nilai X1 = 0,87 merupakan besaran muatan faktor, yang berarti 87 persen fluktuasi nilai variabel laten ASET menjelaskan fluktuasi indikator X1, atau 87 persen fluktuasi X2 menjelaskan fluktuasi X1, karena skala ASET adalah X2. Lamda X3 menunjukkan bahwa setiap perubahan satu satuan X3 dijelaskan 0,35 satuan variabel laten ASET dan X4 menunjukkan bahwa setiap perubahan satu satuan X4 dijelaskan oleh 0,82 satuan variabel laten ASET. Keterangan ini merupakan konfirmasi dari hubungan variabel laten ASET dengan keempat indikator pengamatannya. Semua hubungan bersifat searah karena koefisien lamda semuanya positif. Dalam hal ini dapat diartikan bahwa semakin tinggi peran aset pengetahuan terhadap proses penciptaan pengetahuan ditandai oleh meningkatnya penguasaan pengetahuan yang bersifat eksperiensial, konseptual, sistemik dan rutin. Demikian seterusnya pemaknaan untuk variabel laten yang lain Tabel 10. Hasil penggabungan model pengukuran dan model struktural digambarkan pada diagram lintasan pada Gambar 31. Pada Gambar 31 tersebut, nama-nama indikator ditempatkan di dalam bidang segi empat, sedangkan nama-nama variabel laten ditempatkan dalam bidang oval. Angka yang menyertai anak panah yang keluar dari faktor laten ke indikator menunjukkan nilai loading, sedangkan angka yang menyertai anak panah lain yang bukan berasal dari faktor laten yang menuju ke indikator menunjukkan ragam alat pengukuran. Selanjutnya, angka yang menyertai anak panah yang berasal dari suatu faktor laten dan menuju faktor laten lain menunjukkan besaran pengaruhnya.