1
BAB 1 PENDAHULUAN
1.1 Latar Belakang Masalah
Dalam melakukan penelitian baik yang bergerak dalam bidang psikologi, sosial, manajemen, maupun eksakta selalu dihadapkan pada permasalahan dalam
menentukan model penelitian yang terbaik dan yang paling sesuai dengan data hasil penelitian. Analisis Regresi, Analisis Jalur Path Analysis, dan Analisis
Faktor adalah alat statistika yang sering digunakan dalam menganalisis hubungan sebab akibat dengan data yang mengandung variabel observasi.
Analisis Regresi, Analisis Jalur Path Analysis, dan Analisis Faktor masing-masing mempunyai kelemahan. Analisis regresi dalam pengolahannya
tidak melibatkan kekeliruan dalam pengukuran, Analisis Jalur Path Analysis tidak dapat menganalisis data yang mengandung variabel laten. Sedangkan
Analisis Faktor tidak dapat menganalisis hubungan sebab akibat antar variabel laten.
Untuk mengatasi kelemahan Analisis Regresi, Analisis Jalur Path Analysis, dan Analisis Faktor, maka digunakan teknik analisis multivariat
Structural Equation Modeling SEM yaitu suatu teknik statistika untuk mempelajari hubungan sebab akibat antar variabel yang di dalamnya memuat
variabel laten, di mana proses pengolahanya dapat melibatkan kekeliruan dalam pengukuran dari variabel indikator dan variabel laten.
Asumsi terpenting yang berkaitan dengan SEM dalam analisis struktur kovarian dan mean adalah data harus berskala kontinyu dan berdistribusi normal
secara multivariat. Ghozali, 2008:313. Data kontinyu adalah data yang dapat memiliki nilai apa saja dan tidak memiliki kategori-kategori yang berurutan. Pada
umumnya data penelitian adalah data ordinal, data ordinal adalah data yang memiliki kategori berurutan tidak kontinyu. Joreskog dan Sorbom 1993
menganjurkan untuk menggunakan metode estimasi WLS dalam analisis SEM pada data ordinal yang diperlakukan sebagai data kontinyu, padahal untuk
menggunakan metode WLS tersebut harus dipenuhi beberapa syarat yang sulit. Chou et al. 1991 dan Hu et al. 1992 berpandapat bahwa akan lebih masuk akal
jika memperlakukan variabel-variabel kategori sebagai variabel kontinyu dan menguji statistik dari pada menggunakan uji WLS. Beberapa penelitian SEM yang
berbasis skala Likert pada 15 tahun terakhir menunjukkan bahwa penelitian tersebut menggunakan metode estimasi Maksimum Likelihood ML bukan WLS.
Ghozali, 2005:38 Metode ML memerlukan asumsi sampel besar dan variabel-variabel
indikator berdistribusi normal multivariat. Bootstrap adalah metode berbasis komputer yang dikembangkan untuk mengestimasi berbagai kuantitas statistik,
metode bootstrap tidak memerlukan asumsi apapun. Bootstrap merupakan salah satu metode alternatif dalam SEM untuk memecahkan masalah non-normal
multivariat. Metode bootstrap pertama kali dikenalkan oleh Elfron 1979 dan 1982
dan kemudian dikembangkan oleh Kotz dan Johnson 1992. Istilah bootstrap
diambil dari “to pull oneself up by the bootstraps” yang memiliki makna bahwa sampel asli original sample akan menghasilkan tambahan berganda berikutnya.
Jadi bootstrap merupakan prosedur resampling pensampel-an kembali di mana sampel asli atau original diperlakukan sebagai populasi. Multiple sub-sample
dengan ukuran sampel sama dengan sampel asli kemudian diambil secara random, dengan replacement dari populasi. Ide utama dari bootstrap adalah peneliti dapat
menciptakan multiple sample dari original data base. Ghozali, 2008:314 Salah satu software yang mendukung estimasi Maksimum Likelihood ML
dan bootstrap untuk data yang non-normal adalah AMOS Analysis of Moment Structures. AMOS salah satu program pengolah data statistik untuk analisis
multivariat yang sangat sederhana. Dari uraian di atas, peneliti tergerak untuk mengkaji lebih lanjut dan
membahas tentang “Bootstrap dalam Structural Equation Modeling SEM untuk Mengatasi Asumsi Non-normal Multivariat”.
1.2 Permasalahan
Kategori