BAB 4 ANALISIS DAN BAHASAN
4.1.
Analisis Statistika Analisis statistika dilakukan dengan tujuan untuk memperoleh kesimpulan
dari penelitian. Terdapat beberapa analisis statistika yang dilakukan pada penelitian ini, yaitu analisis deskriptif, analisis validitas, analisis relibailitas, uji R2, pembentukan model SEM dan uji signifikansi.
4.1.1. Analisis Deskriptif Deskripsi data merupakan alat statistika yang menjelaskan tentang karakteristik suatu data yang digunakan untuk penelitian. Terdapat beberapa komponen dalam analisis deskriptif misalnya mean dan standar deviasi. Adapun analisis deskriptif data dari variabel yang digunakan ditunjukkan pada table berikut : Tabel 4.1 Analisis Deskriptif Variabel Manifes PDRB (juta rupiah)
Mean
Standar Deviasi
Max
Min
20.835,731
18.598,182
117.702
4.843
629,258
12,157
651,65
602,47
Melek Huruf (%)
94,177
6,109
100
75,84
Angkatan Kerja (%)
97,170
3,566
100
87,61
Pertanian (ton)
84.135,423
88.811,761
318.117
104
Perikanan (ton)
11.578,542
15.764,688
93.464
204
119.596,551
197.408,475
95.495,5
9
Pengeluaran (ribu rupiah)
Perkebunan (ton)
69
70
Pada Tabel 4.1 menunjukkan bahwa selama periode 2009 variabel PDRB pada kabupaten-kabupaten di Pulau Kalimantan memiliki rata - rata sebesar 20.835.731.000 rupiah dengan standar deviasi 18.598.182.000 rupiah. Nilai PDRB tertinggi (max) terdapat pada Kabupaten Kutai Timur sebesar 117.702.000.000 rupiah dan nilai PDRB terendah (min) terdapat pada Kabupaten Melawi sebesar 4.843.000.000 rupiah. Variabel pengeluaran per kapita memiliki rata - rata sebesar 629.258 rupiah dengan standar deviasi sebesar 12.157 rupiah. Kabupaten yang memiliki pengeluaran per kapita tertinggi adalah Kabupaten Kota Balikpapan sebesar 651.650 rupiah, dan kabupaten yang memiliki pengeluaran per kapita terendah adalah
Kabupaten
Bengkayan sebesar 602.470 rupiah. Variabel melek huruf memiliki rata - rata sebesar 94,177% dengan standar deviasi sebesar 6,109. Terdapat beberapa kabupaten yang memiliki persentase melek huruf tertinggi sebesar 100% seperti Kabupaten Samarinda, Palangkaraya, Murung Raya, Katingan san Seruyan. Sedangkan kabupaten yang memiliki persentase melek huruf terendah adalah Kabupaten Ketapang yakni sebesar 75,84%. Variabel angkatan kerja memiliki nilai rata - rata sebesar 97.17% dengan standar deviasi sebesar 3,566%. Terdapat beberapa kabupaten yang memiliki persentase angkatan kerja tertinggi sebesar 100%, yaitu Kabupaten Banjar, Barito Kuala, Tapin, Hulu Sungai Tengah, Balangan, Landak, Pontianak, Sintang, Sekadau, Melawi, Kubu Raya, Kotawaringin Timur, Kapuas, Barito Selatan, Barito Utara, Lemandau, Seruyan, Pulau Pisang, Gunung Mas, dan Murung Raya. Sedangkan kabupaten yang memiliki persentase angkatan kerja terendah adalah Kabupaten Kota Banjarmasin yakni sebesar 87,61%.
71
Variabel hasil pertanian memiliki nilai rata - rata sebesar 84.135,423 ton dengan standar deviasi sebesar 88.811,761 ton. Kabupaten yang memiliki hasil pertanian tertinggi adalah Kabupaten Kapuas yakni sebesar 318.117 ton. Sedangkan kabupaten yang memiliki hasil pertanian tersendah adalah Kabupaten Tarakan yakni sebesar 104 ton. Variabel hasil perikanan memiliki nilai rata - rata sebesar 115.78,542 ton dengan standar deviasi 15.764,688 ton. Kabupaten yang memiliki hasil perikanan tertinggi adalah Kabupaten Kutan yakni sebesar 93.464 ton. Sedangkan kabupaten yang memiliki hasil pertanian terendah adalah Kabupaten Malinau yakni sebesar 204 ton. Variabel hasil perkebunan memiliki nilai rata - rata sebesar 119.596,551 ton dengan standar deviasi sebesar 197.408,475 ton. Kabupaten yang memiliki hasil perkebunan tertinggi adalah kabupaten Kutai Timur, yakni sebesar 954.955,5 ton. Sedangkan kabupaten yang memiliki hasil perkebunan terendah adalah Kabupaten Bontang, yakni sebesar 9 ton.
4.1.2. Analisis Validitas Analisis validitas bertujuan untuk mengevaluasi validitas dari variabel manifes pada outer model. Dalam metode PLS, uji validitas dapat dilakukan dengan dua cara yaitu convergent validity dan discriminant validty. Sebuah variabel manifes atau indikator dapat dikatakan memenuhi convergent validity apabila memiliki loading factor lebih besar (>) dari 0,5.
72
Tabel 4.2. Tabel Faktor Loading Estimate SDA -> Perikanan
0,62
SDA -> Perkebunan
0,79
SDA -> Pertanian
-0,38
SDM -> Angkatan Kerja
-0,61
SDM -> Melek Huruf
0,86
EKONOMI -> Pengeluaran
0,76
EKONOMI -> PDRB
0,80
Dari Tabel 4.2, dapat dilihat bahwa indikator hasil pertanian dan indikator angkatan kerja memiliki loading lebih kecil dari 0,50. Hal ini menunjukkan bahwa indikator tersebut tidak memenuhi convergent validity. Dalam pengukuran discriminant validity, dapat dilihat pada cross loading antara variabel manifes (indikator) dengan variabel latennya. Variabel manifes dapat dikatakan memenuhi discriminant validty apabila memiliki korelasi tertinggi terhadap variabel latennya. Tabel 4.3. Tabel Cross Loadings SDA
SDM
Ekonomi
Perikanan
0,620
0,240
0,280
Perkebunan
0,791
-0,036
0,265
Pertanian
-0,375
-0,124
-0,210
Angkatan Kerja
-0,302
-0,610
-0,397
Melek Huruf
0,031
0,859
0,616
Pengeluaran
0,078
0,750
0,763
PDRB
0,556
0,352
0,804
73
Pada Tabel 4.3, dapat terlihat bahwa korelasi antara variabel manifes hasil perikanan memiliki korelasi paling tinggi dengan variabel laten SDA. Hal ini juga sama dengan variabel manifes hasil perkebunan, kedua variabel ini memiliki korelasi yang sangat kuat terhadap variabel laten SDA. Akan tetapi pada variabel manifest hasil pertanian, terjadi korelasi negatif antara variabel manifest hasil pertanian terhadap SDA. Selain itu variabel manifest hasil pertanian memiliki korelasi lemah terhadap variabel laten SDA, dan memiliki korelasi yang paling kuat terhadap variabel laten SDM. Maka variabel manifes hasil pertanian dapat dikatakan tidak memenuhi discriminant validity. Korelasi tertinggi pada variabel manifes melek huruf adalah terdapat pada korelasinya dengan variabel laten SDM. Akan tetapi pada variabel manifes angkatan kerja, terjadi korelasi negatif antara variabel manifes angkatan kerja dan SDM. Selain itu variabel manifes angkatan kerja memiliki korelasi lemah terhadap variabel laten SDM, dan memiliki korelasi yang paling kuat terhadap variabel laten SDA. Maka variabel manifes angkatan kerja dapat dikatakan tidak memenuhi discriminant validity. Pada variabel manifes PDRB, korelasi tertinggi adalah terdapat pada hubungannya dengan variabel laten pertumbuhan ekonomi, hal yang sama juga terjadi pada variabel manifes pengeluaran perkapita. Hal ini menunjukkan bahwa variabel laten memprediksi variabel manifes pada blok mereka lebih baik dibandingkan dengan indikator pada blok lainnya. Jadi, secara keseluruhan variabel laten pertumbuhan ekonomi memiliki discriminant validity yang tinggi. Karena tidak memenuhi convergent validity dan discriminant validity, maka dilakukan modifikasi model dengan menghapus variabel manifes hasil pertanian dan
74
variabel manifes angkatan kerja. Setelah dilakukan modifikasi model maka dilakukan pengujian convergent validity dan discriminant validity kembali. Tabel 4.4. Tabel Factor Loadings setelah respesifikasi Estimate SDA -> Perikanan
0,86
SDA -> Perkebunan
0,71
SDM -> Melek Huruf
1,00
EKONOMI -> Pengeluaran
0,83
EKONOMI -> PDRB
0,73
Dari Tabel 4.4, dapat dilihat bahwa factor loadings pada setiap variabel manifes memiliki loading lebih besar dari 0,50. Hal tersebut menunjukkan bahwa semua variabel manifes tersebut sudah memenuhi convergent validity. Tabel 4.5. Tabel Cross Loadings setelah respesifikasi SDA
SDM
Ekonomi
Perikanan
0,859
0,129
0,279
Perkebunan
0,705
-0,070
0,201
Melek Huruf
0,056
1,000
0,662
Pengeluaran
0,081
0,754
0,832
PDRB
0,444
0,234
0,731
Dari Tabel di 4.5, dapat dilihat bahwa variabel manifes hasil perikanan memiliki korelasi tertinggi terhadap variabel laten SDA. Hal ini juga sama dengan variabel manifes hasil perkebunan, kedua variabel ini memiliki korelasi yang sangat kuat terhadap variabel laten SDA dan memiliki korelasi yang lemah terhadap variabel laten SDM dan pertumbuhan ekonomi. Hal ini menunjukkan bahwa variabel manifes hasil perikanan dan hasil perkebunan memenuhi convergent validty.
75
Pada variabel manifes melek huruf, korelasi tertinggi tedapat pada hubungannya dengan variabel laten SDM. Hal ini menunjukkan bahwa variabel manifes melek huruf memenuhi convergent validity. Pada variabel manifes pengeluaran perkapita dan PDRB, korelasi tertinggi terdapat pada hubungannya dengan variabel laten pertumbuhan ekonomi, hal ini menunjukkan bahwa variabel alten perngeluaran perkapita dan PDRB memenuhi convergent validity. Semua variabel manifes memiliki korelasi tertinggi terhadap varibel latennya. Hal ini menunjukkan bahwa semua variabel manifes tersebut sudah memenuhi convergent validity.
4.1.3. Analisis Reliabilitas Analisis reliabilitas bertujuan untuk mendapatkan variabel laten yang reliable. Dalam menguji reliabilitas dalam model PLS dapat menggunakan composite reliability. Variabel laten memiliki dapat dikatakan memiliki realibilitas yang baik apabila nilai composite reliability lebih besar dari 0,6. Tabel 4.6. Tabel Composite Reliability Composite Reliability SDA
0,76
EKONOMI
0,76
Pada Table 4.6 menunjukkan bahwa semua variabel laten SDA dan pertumbuhan ekonomi memiliki composite reliability > 0,6, sehingga dapat disimpulkan bahwa ketiga variabel laten tersebut memiliki reliabilitas yang baik.
76
4.1.4. Uji R-squared (R2) Uji R-squared (R2) bertujuan untuk menentukan seberapa baik inner model (model struktural) yang dibentuk. Menurut Ghozali (2011 : 27), apabila nilai R2 sebesar 0,67; 0,33; 0,19 untuk variabel laten endogen dalam inner model, maka mengindikasikan bahwa model “baik”, “ moderat”, dan “lemah”. Penelitian ini memiliki nilai R-squared (R2) = 0,51. Hal ini menunjukkan bahwa penelitian ini memiliki inner model yang baik.
4.1.5. Model SEM PLS Model yang diperoleh dari hasil penelitian adalah sebagai berikut: Perikanan 0,86 SDA
PDRB
0,71 Perkebunan
0,27
0,83
EKONOMI
0,65
Melek Huruf
1,0
SDM
0,73 Pengeluaran
Gambar 4.1 Model SEM PLS Dari Gambar 4.1, persamaan inner model yang diperoleh pada penelitian ini adalah sebagai berikut : EKONOMI = 0,27 SDA + 0,65 SDM Persamaan outer model yang diperoleh pada penelitian ini adalah sebagai berikut : Perikanan = 0,86 SDA Perkebunan = 0,71 SDA
77
Melek Huruf = 1 SDM PDRB = 0,83 EKONOMI Pengeluaran = 0,73 EKONOMI
4.1.6. Uji Hipotesis Untuk melihat signifikansi setiap variabel yang ada, maka dilakukan pengujian estimasi koefisien jalur melalui prosedur bootstrapping. Tabel 4.7. Tabel Path Coefficient Estimate
Std Error
T Statistk
SDA -> Perikanan
0,860
0,239
3,598
SDA -> Perkebunan
0,706
0,329
2,146
SDM -> Melek huruf
1,000
4,4 10-17
2,272 1016
EKONOMI -> Pengeluaran
0,833
0,103
8,087
EKONOMI -> PDRB
0,731
0,060
12,183
SDA -> EKONOMI
0,274
0,138
1,985
SDM -> EKONOMI
0,647
0,062
10,435
Hipotesis T-1 Ho
= Tidak ada pengaruh antara SDA terhadap pertumbuhan ekonomi di Pulau
Kalimantan H1
= Ada pengaruh antara SDA terhadap pertumbuhan ekonomi di
Pulau
Kalimantan Pada Tabel 4.7 menunjukkan bahwa model antara SDA terhadap pertumbuhan ekonomi memiliki T statistik 1,985. Nilai tersebut lebih kecil dari Tα, df dengan tingkat signifikansi 5% yaitu 1.960. Dengan demikian maka H1 diterima,
78
bahwa SDA memiliki pengaruh signifikan terhadap pertumbuhan ekonomi di Pulau Kalimantan. Hipotesis T-2 Ho
= Tidak ada pengaruh antara SDM terhadap pertumbuhan ekonomi di Pulau
Kalimantan H1
= Ada pengaruh antara SDM terhadap pertumbuhan ekonomi di Pulau
Kalimantan Pada Tabel 4.7 menunjukkan bahwa korelasi antara SDM terhadap pertumbuhan ekonomi memiliki T statistik 10,435. Nilai tersebut lebih besar dari Tα,df dengan tingkat signifikansi 5% yaitu 1,960. Dengan demikian maka H1 diterima, bahwa SDM memiliki pengaruh signifikan terhadap pertumbuhan ekonomi di Pulau Kalimantan.
4.2.
Program Aplikasi Aplikasi yang dikembangkan adalah aplikasi Partial Least Square yang
memiliki fungsi untuk menganalisis model SEM dengan estimasi PLS. Tampilan layar aplikasi disajikan dalam Gambar 4.2 hingga Gambar 4.6. Gambar 4.2 merupakan tampilan layar utama pada aplikasi Partial Least Square yang disebut layar Home. Pada layar Home memiliki beberapa fungsi, yaitu import rscript, import data, add latent variabel, add manifest variable, add structural relationships, add measurement relationships dan analyze.
79
Gambar 4.2 Tampilan Layar Home Langkah pertama, user dapat mengimport rscript dengan memilih Import Rscript, sehingga akan menampilkan layar Import pada Gambar 4.3.
Gambar 4.3 Tampilan Layar Import
80
Gambar 4.3 merupakan layar Import¸ user dapat memilih file Rscript yang akan digunakan. Kemudian user akan kembali ke Gambar 4.2. User selanjutnya memilih Import Data untuk memilih data yang akan digunakan dalam menganalisis. Setelah memilih data yang akan digunakan, maka aplikasi akan menampilkan layar tampilan View Data pada Gambar 4.4.
Gambar 4.4. Tampilan Layar View Data Langkah selanjutnya, user akan kembali ke tampilan layar Home. Untuk membentuk variabel laten, user dapat menginput varibel laten dengan memilih tombol Submit. User juga dapat membentuk variabel manifes dengan memilih Add Variable. Variabel manifes akan terbentuk secara automatis berdasarkan data yang sudah di-import.
81
Gambar 4.5. Tampilan Layar Add Variable Langkah selanjutnya, user dapat membentuk structural relationships dengan memilih tombol Add. Aplikasi akan menampilkan layar Add Structural Relationships pada Gambar 4.6.
82
Gambar 4.6. Tampilan Layar Add Structural Relationships Pada tampilan Add Structural Relationships, user dapat memilih hubungan antara variabel laten eksogen dan variabel laten endogen. Pemilihan variabel dilakukan dengan memilih tombol Add Variable, sedangkan pembentukan structural relationship dilakukan dengan memilih tombol Add Relationship.
83
Gambar 4.7 Tampilan Layar Add Measurement Relationships Setelah membentuk Structural relationships, user dapat membentuk measurement relationships dengan memilih tombol Add pada layar Home. Aplikasi akan membuka layar Add Measurement Relationships seperti pada Gambar 4.7. Pada tampilan Add Structural Relationships, user dapat memilih hubungan antara variabel laten dan variabel manifes. Pemilihan variabel dilakukan dengan memilih tombol Add Variable, sedangkan pembentukan structural relationship dilakukan dengan memilih tombol Add Relationship. Setelah membentuk measurement realitonsiphs, aplikasi akan membuk tampilan home dan user dapat memilih tombol Analyze untuk menganalisis data. Hasil output akan ditampilkan pada layar Output seperti pada Gambar 4.8.
84
Gambar 4.8. Tampilan Layar Output
85
4.3.
Evaluasi
Aplikasi yang dibuat telah dievaluasi dengan Delapan Aturan Emas (Eight Golden Rules), yaitu : 1.
Berusaha untuk konsisten Antarmuka yang dibentuk dibuat dengan ukuran font sejenis baik dan
menggunakan ukuran yang sama. Selain itu warna pada background aplikasi yang dibuat juga konsisten, yakni menggunakan warna abu muda. 2.
Universal Usability Memberikan fungsi Help sehingga pengguna pemula dapat menggunakan
aplikasi ini dan mengetahui pengetahuan dasar dari menu yang ada. Kemudian bagi user yang expert, disediakan fungsi – fungsi cepat sehingga user dapat menggunakan aplikasi dengan cepat. 3.
Memberikan umpan balik (feedback) yang informatif Pada aplikasi memberikan feedback kepada user seperti pada layar import
data. Apabila user memamsukkan data dengan format yang salah, maka aplikasi akan memberikan feedback bahwa yang informatif dan mudah dimengerti. 4.
Merancang dialog yang memberikan penutupan Aplikasi ini dirancang agar user harus melakukan tindakan secara berurutan.
User tidak dapat menambahkan variabel manifes sebelum mengimport data terlebih dahulu. Kemudian user juga tidak dapat analyze data apabila user belum membuat relasi. 5.
Pencegahan kesalahan yang sederhana Pada aplikasi ini juga memiliki pencegahan apabila user melakukan
kesalahan. Pencegahan sederhana terdapat pada layar Home. Apabila user belum membentuk structural relation atau measurement relation dan sudah melakukan
86
analyze data, maka aplikasi akan memunculkan layar peringatan untuk melakukan pengecekan terhadap structural relation atau measurement relation yang dibentuk. 6.
Memungkinkan pembalikan aksi (undo) Aplikasi ini memungkinkan user untuk membatalkan aksi dan kembali pada
kondisi sebelumnya. Contohnya pada layar structural relationship dan measurement
relationship.
Pada
saat
user
membentuk
relasi,
aplikasi
menyediakan tombol cancel untuk membalikkan relasi yang sudah dibentuk. 7.
Mendukung pusat kendali internal (internal locus of control) Aplikasi ini juga memungkinkan user untuk mengatur layar yang diinginkan.
Semua layar pada aplikasi ini dapat diubah ukurannya sesuai dengan keinginan user. 8.
Mengurangi beban ingatan jangka pendek Aplikasi yang dibentuk digunakan dengan fungsi yang mudah dimengerti
sehingga user tidak perlu mengingat fungsi – fungsi yang tersedia pada aplikasi yang dibentuk.
