Partial Least Square (PLS)

BAB I
PENDAHULUAN
1.1 LATAR BELAKANG
Partial Least Square (PLS) merupakan salah satu metode alternatif estimasi model untuk mengelola Structural Equation Modelling (SEM). Desain PLS dibuat untuk
mengatasi keterbatasan metode SEM. Pada metode SEM mengharuskan data berukuran besar, tidak ada missing values, harus berdistribusi normal, dan tidak boleh memiliki
multikolinieritas, sedangkan pada PLS menggunakan pendekatan distribution free dimana data dapat berdistribusi tertentu. Selain itu PLS juga dapat digunakan pada jumlah
sampel yang kecil.
Beberapa penelitian sebelumnya dengan menggunakan metode PLS diantaranya adalah analisis pengaruh peran pemerintah dan orientasi kepemimpinan terhadap
komitmen organisasi, motivasi, inovasi dan lingkungan kerja serta dampaknya pada kinerja koperasi pada Provinsi Bangka Belitung yang dilakukan oleh Fransiska (2012).
Hasil dari penelitian tersebut menyimpulkan bahwa peran pemerintah dan orientasi kepemimpinan berpengaruh signifikan terhadap organisasi, motivasi, inovasi dan lingkungan
kerja.
Structural Equation Modelling (SEM) merupakan sebuah metode yang terbentuk karena adanya masalah pengukuran suatu variabel dimana terdapat suatu variabel yang
tidak dapat diukur secara langsung . Variabel variabel yang tidak dapat terukur tersebut dinamakan sebagai variabel laten dimana membutuhkan sebuah variabel manifes
sebagai indikator atau alat ukur variabel laten tersebut. Dalam perkembangannya, SEM menjadi metode yang populer karena dapat diaplikasikan pada beberapa analisis,
seperti analisis causal modelling, confirmatiory analysis, second order factor analysis, analisis regression models, analisiscovariance structure models, dan analisis correlation
structure models.
Terdapat beberapa metode estimasi pada metode SEM, yaitu Instrument Variable (IV) ,Two Stage Least Square (TSLS), Unweighted Least Square (ULS), Generalize Least
Square(GLS), Maximum Likelihood (ML), Weighted Least Square (WLS), dan Diagonally Weighted Least Square (DWLS). Akan tetapi semua metode estimasi SEM tersebut
memiliki kekurangan, yaitu membutuhkan sampel yang berjumlah besar dan data yang harus berdistribusi normal. Oleh karena itu, dikembangkan sebuah metode alternatif
untuk mengestimasi SEM yang bertujuan untuk mengatasi kekurangan pada metode - metode lain, yaitu metode Partial Least Square (PLS).
1.2 TUJUAN
Tujuan dari praktikum ini adalah agar mahasiswa dapat mengetahui aplikasi pls(partial least square) dan penggunaanya serta aplikasinya.
BAB II
TINJAUAN PUSTAKA
2.1 Pengertian Analisis PLS
Partial Least Square/(PLS) adalah suatu metode yang berbasis keluarga regresi yang dikenalkan oleh Herman O.A Wold untuk penciptaan dan pembangunan
model dan metode untuk ilmu-ilmu sosial dengan pendekatan yang berorientasi pada prediksi. PLS memiliki asumsi data penelitian bebas distribusi, artinya data penelitian tidak
mengacuh pada < > salah satu distribusi tertentu (misalnya distribusi normal). PLS merupakan metode alternatif dari (SEM) yang dapat digunakan untuk mengatasi
permasalahan hubungan diantara variable yang kompleks namun ukuran sampel datanya kecil (30 sampai 100), mengingat SEM memiliki ukuran sampel data minimal 100
(Hair /et.al./, 2010).
PLS digunakan untuk mengetahui kompleksitas hubungan suatu konstrak dan konstrak yang lain, serta hubungan suatu konstrak dan indikator-indikatornya. PLS
didefinisikan oleh dua persamaan, yaitu inner model dan outer model. Inner model menentukan spesifikasi hubungan antara konstrak dan indikator-indikatornya.Konstrak
terbagi menjadi dua yaitu konstrak eksogen dan konstrak endogen. Konstrak eksogen merupakan konstrak penyebab, konstrak yang tidak dipengaruhi oleh konstrak lainnya.
Konstrak eksogen memberikan efek kepada konstrak lainnya, sedangkan konstrak endogen merupakan konstrak yang dijelaskan oleh konstrak eksogen. Konstrak endogen
adalah efek dari konstrak eksogen (Yamin dan Kurniawan, 2009).
2.2 Kelebihan dan Kelemahan Analisis PLS
PLS dapat digunakan untuk mengetahui kompleksitas hubungan suatu konstrak dan konstrak yang lain, serta hubungan suatu konstrak dan indikator-indikatornya. PLS
didefinisikan oleh dua persamaan, yaitu inner mode dan outer model. Inner model menentukan spesifikasi hubungan antara konstrak dan konstrak lain, sedangkan outer
model menentukan spesifikasi hubungan antara konstrak dan indikator-indikatornya. PLS dapat bekerja untuk model hubungan konstrak dan indikator-indikatornya yang bersifat
reflektif dan formatif, sedangkan SEM hanya bekerja pada model hubungan yang bersifat reflektif saja. Metode PLS mempunyai keunggulan tersendiri diantaranya: data tidak
harus berdistribusi normal multivariate (indikator dengan skala kategori, ordinal, interval sampai rasio dapat digunakan pada model yang sama) dan ukuran sampel tidak harus
besar (Gahazali,2006).
Distribusi data tidak diketahui sehingga tidak bias menilai signifikansi statistik. Kelemahan bisa diatasi dengan menggunakan metode resampling (Bootstrap).
2.3 Jenis Indikator dalam Penelitian Analisis PLS
Model Indikator Refleksif sering disebut juga principal factor model dimana covariance pengukuran indikator dipengaruhi oleh konstruk laten atau
mencerminkan variasi dari konstruk laten. Pada Model Refleksif konstruk unidimensional digambarkan dengan bentuk elips dengan beberapa anak panah dari konstruk ke
indikator, model ini menghipotesiskan bahwa perubahan pada konstruk laten akan mempengaruhi perubahan pada indikator. Model Indikator Refleksif harus memiliki internal
konsistensi oleh karena semua ukuran indikator diasumsikan semuanya valid indikator yang mengukur suatu konstruk, sehingga dua ukuran indikator yang sama reliabilitasnya
dapat saling dipertukarkan. Walaupun reliabilitas (cronbach alpha) suatu konstruk akan rendah jika hanya ada sedikit indikator, tetapi validitas konstruk tidak akan berubah jika
satu indikator dihilangkan (Leardi,2009).
Model Formatif tidak mengasumsikan bahwa indikator dipengaruhi oleh konstruk tetapi mengasumsikan semua indikator mempengaruhi single konstruk. Arah
hubungan kausalitas mengalir dari indikator ke konstruk laten dan indikator sebagai grup secara bersama-sama menentukan konsep atau makna empiris dari konstruk laten.
Oleh karena diasumsikan bahwa indikator mempengaruhi konstruk laten maka ada kemungkinan antar indikator saling berkorelasi, tetapi model formatif tidak mengasumsikan
perlunya korelasi antar indikator atau secara konsisten bahwa model formatif berasumsi tidak adanya hubungan korelasi antar indikator, karenanya ukuran internal konsistensi
reliabilitas (cronbach alpha) tidak diperlukan untuk menguji reliabilitas konstruk formatif. Kausalitas hubungan antar indikator tidak menjadi rendah nilai validitasnya hanya
karena memiliki internal konsistensi yang rendah (cronbach alpha), untuk menilai validitas konstruk perlu dilihat variabel lain yang mempengaruhi konstruk laten. Jadi untuk
menguji validitas dari konstruk laten, peneliti harus menekankan pada nomological dan atau criterion-related validity. Implikasi lain dari Model Formatif adalah dengan
menghilangkan satu indikator dapat menghilangkan bagian yang unik dari konstruk laten dan merubah makna dari konstruk (Vinzi, 2010).
2.4 Langkah langkah Analisis PLS

1.

Analisis data dan pemodelan persamaan struktural dengan menggunakan software PLS, adalah sebagai berikut (Ghazali,2006):
Merancang Model Struktural (Inner Model)
Inner Model atau Model Struktural menggambarkan hubungan antar variabel laten berdasarkan pada substantive theory. Perancangan Model Struktural hubungan antar
variabel laten didasarkan pada rumusan masalah atau hipotesis penelitian.

2.

Merancang Model Pengukuran (Outer Model) Outer Model atau Model Pengukuran mendefinisikan bagaimana setiap blok indikator berhubungan dengan variabel latennya.
Perancangan Model Pengukuran menentukan sifat indikator dari masing-masing variabel laten, apakah refleksif atau formatif, berdasarkan definisi operasional variabel.
3. Konversi Diagram Jalur ke Sistem Persamaan
a. Model persamaan dasar dari Inner Model dapat ditulis sebagai berikut : = 0 + + + j = i ji i + i jb b + j
b. Model persamaan dasar Outer Model dapat ditulis sebagai berikut: X = x + x Y = y + y
4. Estimasi: Weight, Koefisien Jalur, dan Loading Metode pendugaan parameter (estimasi) di dalam PLS adalah metode kuadrat terkecil (least square methods). Proses perhitungan
dilakukan dengan cara iterasi, dimana iterasi akan berhenti jika telah tercapai kondisi kenvergen. Pendugaan parameter di dalam PLS meliputi 3 hal, yaitu:
a. Weight estimate yang digunakan untuk menghitung data variabel laten.
b. Path estimate yang menghubungkan antar variabel laten dan estimasi loading antara variabel laten dengan indikatornya.
c. Means dan parameter lokasi (nilai konstanta regresi, intersep) untuk indikator dan variabel laten.
5. Evaluasi Goodness of Fit Goodness of Fit Model diukur menggunakan R2 variabel laten dependen dengan interpretasi yang sama dengan regresi. Q2 predictive relevance untuk
model struktural mengukur seberapa baik nilai observasi dihasilkan oleh model dan juga estimasi parameternya. Q2 = 1 ( 1 - R12 ) ( 1 R22 ) (1 Rp2)
Besaran memiliki nilai dengan rentang 0 <>2 pada analisis jalur (path analysis).
6. Pengujian Hipotesis (Resampling Bootstraping) . Pengujian Hipotesis (, , dan ) dilakukan dengan metode resampling Bootstrap yang dikembangkan oleh Geisser & Stone.
Statistik uji yang digunakan adalah statistik t atau uji t. Penerapan metode resampling, memungkinkan berlakunya data terdistribusi bebas (distribution free) tidak memerlukan
asumsi distribusi normal, serta tidak memerlukan sampel yang besar (direkomendasikan sampel minimum 30). Pengujian dilakukan dengan t-test, bilamana diperoleh p-value
<>
2.5 Penelitian Manajemen Agroindustri Menggunakan Analisis PLS
udul jurnal: Model Pendugaan Kandungan Air, Lemak dan Asam Lemak Bebas Pada Tiga Provenan Biji Jarak Pagar (Jatropha Curcas L.) Menggunakan Spektroskopi Inframerah Dekat Dengan Metode
Partial Least Square (PLS)
Tahun
: Jurnal Littri 19(4), Desember 2013. Hlm. 203 - 211 ISSN 0853-8212
Penulis : Lady C. E. Ch. Lengkey, I Wayan Budiastra, Kudang B. Seminar, Dan Bambang S. Purwoko
Jurnal ini permasalahan yang dibahas adalah mengetahui kandungan air, lemak, dan asam lemak yang terdapat dalam 3 provenan biji jarak pagar. Tujuan
penelitian adalah mengembangkan metode pendugaan komposisi kimia beberapa provenan jarak pagar berdasarkan spektroskopi NIR menggunakan kalibrasi PLS. Pengujian
dilakukan menggunakan tiga provenan jarak pagar yaitu IP-3A, IP-3M, dan IP-3P masing-masing 85 sampel. Spektrum reflektansi diukur menggunakan alat NIR Flex Solids
Petri pada panjang gelombang 10002500 nm. Sekitar jumlah sampel digunakan untuk mengembangkan persamaan kalibrasi dan sampel untuk validasi. Pra perlakuan
data spektrum dilakukan dengan jumlah normalisasi antara 0-1, turunan pertama Savitzky-Golay 9 titik dan gabungan keduanya.
Bahan yang digunakan dalam penelitian ini adalah tepung biji jarak pagar dengan 3 provenan yang berbeda, yaitu provenan IP-3P berasal dari kebun percobaan
Balai Penelitian Tanaman Industri dan Penyegar (Balittri) di Pakuwon, Sukabumi, Jawa Barat; rovenan IP-3M berasal dari kebun induk Balai Penelitian Tanaman Pemanis dan
Serat (Balittas) di Muktiharjo, Pati, Jawa Tengah; dan provenan IP-3A berasal dari kebun induk Balittas di Serat. Desa Asembagus, Kabupaten Situbondo, Jawa Timur.
Metode yang digunakan antara lain Kadar air dianalisis menggunakan metode oven ALB menggunakan modifikasi metode titrasi, dan kandunganlemak
menggunakan metode ekstraksi soxhle. Setiap pengukuran dilakukan sebanyak dua kali pada setiap sampel dan perhitungan didasarkan pada rata-rata pengukuran. Instrumen
NIR yang digunakan dalam penelitian ini adalah NIRFlex Solids Petri N-500. Tepung jarak pagar disinari inframerah dekat (NIR) dengan rentang panjang gelombang 1000
4000/cm dengan interval 4/cm atau 1000-2500 nm dengan interval 1 nm. Spektrum yang diperoleh dari hasil pengukuran reflektansi NIR kemudian ditransformasikan menjadi
spektrum absorban. Selanjutnya, dilakukan pra perlakuan data untuk dianalisis lebih lanjut menggunakan PLS. Perlakuan data yang dilakukan pada penelitian ini adalah :
(1) Tanpa perlakuan data,
(2) Normalisasi antara 0-1 (n01),
(3) Turunan Pertama Savitzky-Golay 9 titik (dg1), dan
(4) Kombinasi n01 dan dg1.
Hasil penelitian menunjukkan spektroskopi NIR dapat menduga kadar air, lemak, dan asam lemak bebas . dapat menduga kadar air, lemak, dan asam lemak bebas .
Koefisien korelasi (r) antara komponen kimia metode acuan dengan dugaan NIR >0,83 menunjukkan ketepatan model cukup baik (r kadar air=0,96, r kadar lemak=0,92, dan r
ALB=0,89 ). Konsistensi model kalibrasi kadar air=94,85%, lemak=82,56%, dan ALB=87,80%. Koefisien keragaman dugaan (Prediction Coeficient Variability/PCV) ketiga
model <10% menunjukkan model yang dibangun cukup handal. Ratio of standard error prediction to deviation (RPD) menunjukkan metode spektroskopi NIR dapat digunakan
untuk menentukan kadar air (RPD=3,30) dan lemak (RPD=2,06). Sehingga Model-model yang dikembangkan tersebut secara umum layak digunakan untuk menentukan
kadar air dan lemak biji jarak pagar, tetapi belum optimal untuk penentuan kadar ALB biji jarak pagar.
2. Judul Jurnal: Analisis Interaksi Genotipe Lingkungan Menggunakan Partial Least Square Path Modeling
Tahun : Desember 2009. ISBN: 978-979-16353-3-2
Penulis : I Gede Nyoman Mindra Jaya
Dalam jurnal ini dilakukan penelitian mengenai percobaan multilokasi untuk mengkaji kemampuan relatif genotipe-genotipe pada berbagai Lokasi tanam dengan tujuan
menemukan genotipe-genotipe unggulan. Sebab nyatanya pengaruh interaksi genotipe lokasi (IGL) pada percobaan multilokasi yang sudah diteliti sebelumnya
menyulitkan dalam proses seleksi genotipe unggulan.
Dalam penelitian ini, peneliti menggunakan data hasil pemuliaan jagung hibrida dengan 9 genotipe harapan dan 3 genotipe komersial yang dicobakan pada 16
lokasi. Karakteristik agronomi yang diamati sesuai dengan kajian literatur adalah usia masak fisiologis (UMF), kadar air panen (KAP), berat tongkol panen (BTK), dan
hasil (HSL). Data yang digunakan dalam penelitian ini adalah data hasil percobaan multilokasi Jagung Hibrida yang dilakukan dari tanggal 23 Juli 2006 sampai 10 April
2007 yaitu pada musim hujan dan kemarau. Percobaan ini menggunakan 9 genotipe Jagung Hibrida Harapan dan 3 genotipe Jagung Hibrida Komersial. Penelitian ini
mengambil 16 lokasi tanam yang tersebar di 6 Propinsi di Indonesia. Percobaan multilokasi dilakukan dengan rancangan acak kelompok (RAK) dengan kelompok tersarang
pada lokasi.
Metode yang dilakukan yakni dengan pendakatan metode Partial Least Square (PLS)-AMMI. AMMI digunakan untuk mendapatkan matriks interaksi sebagai skor
laten interaksi sedangkan PLS digunakan untuk memodelkan matirks interaksi tersebut. PLS - AMMI digunakan dalam uji multilokasi memiliki keuntungan dalam
menjelaskan sumbangan dari komponen - komponen daya hasil dan faktor lokasi.
Hasil ini memberikan informasi bahwa jika kadar air panen di atas rata- rata maka daya hasil atau hasil produksi jagung relatif lebih sedikit. Ini mungkin terjadi karena
adanya proses pengeringan dimana daya hasil dihitung untuk kadar air 15%. IGL usia masak fisiologis yang memberikan efek tidak langsung melalui kadar air panen, dan
berat tongkol sebesar -0.090. Tanda negatif ini terjadi karena melalui kadar air panen yang memiliki efek negatif pada daya hasil. Selanjutnya, kadar air panen juga
memberikan efek tidak langsung terhadap IGL daya hasil melalui berat tongkol dengan besar efek tidak langsungnya adalah -0.209. Total efek dari ketiga IGL komponen daya
hasil secara berurutan adalah 0.241 dari IGL usia masak fisiologis, -0.413 dari IGL kadar air panen, dan 0.921 dari IGL berat tongkol. Dari model PLSPM ini juga dapat diketahui
keragaman dari IGL usia masak fisiologis, IGL kadar air panen, dan IGL berat tongkol panen dan IGL daya hasil yang dapat dijelaskan oleh model secara berurutan
adalah 0.886, 0.816, 0.763 dan 0.721 dengan keragaman total dihitung dari nilai Q2 adalah sebesar 0.999. Besarnya nilai-nilai ini menunjukkan bahwa model yang
dianalisis dapat menjelaskan keterkaitan antara IGL komponden daya hasil, pengaruhnya terhadap daya hasil dan mampu menjelaskan pengaruh kombinasi
kovariat genotipik lingkungan terhadap IGL Daya Hasil.
3. Judul Jurnal: The Causality Relationship between Management in Supply Chain Collaboration with the Prosperity of Corn Farmers in West Nusa Tenggara Indonesia
Tahun : 2013. Vol.5, No.19, ISSN 2222-1905
Penulis
: Tajidan, Budi Setiawan, M. Muslich Mustadjab and A. Wahib Muhaimin
Penelitian pada jurnal ini menjelaskan mengenai analisis faktor-faktor yang menentukan manajemen rantai pasokan dan kesejahteraan petani jagung. Data
dikumpulkan dengan menggunakan metode survei dengan mewawancarai 120 petani. Rantai pengambilan sampel ditentukan dengan menggunakan teknik snowballing dari

petani ke pedagang pengumpul dan konsumen. Penelitian ini dilakukan di Lombok Timur dalam wilayah administrasi Provinsi Nusa Tenggara Barat. Lokasi penelitian ditentukan
dengan menggunakan purposive sampling. Jumlah responden di setiap desa ditentukan dengan teknik random sampling proporsional dengan jumlah responden 120 petani
jagung; 75 petani desa Pringgabaya utara di Kabupaten Pringgabaya dan 45 petani dari desa Bebidas di Kabupaten Wanasaba.
Data dianalisis dengan SEM berdasarkan varians Partial Least Square menggunakan perangkat lunak Java Web Start 1.4.2_8. Urutan pemodelan persamaan struktural
dapat digunakan untuk tujuan estimasi dan pengujian hipotesis, kemudian melakukan validasi untuk model luar dan dalam. Model luar Validasi terdiri dari validasi diskriminan
dan keandalan komposit, yaitu rata-rata Variance Extracted (AVE)> 0,5, Cronbach Alphaand Composite Keandalan> 0,7. Model inner validasi koefisien penentu yang digunakan
R-square, Batu Geisser Uji Q-square dan t-test path statistik koefisien.
Sehingga dari hasil penelitian tersebut Hal ini juga disebutkan dijelaskan bahwa manajemen rantai pasokan yang lebih baik akan meningkatkan kesejahteraan petani.
Ini mungkin secara logis mengatakan bahwa peningkatan kolaborasi rantai pasokan secara langsung mempengaruhi kesejahteraan petani. Partisipasi petani dalam
menentukan tepat panen jadwal dalam rangka meningkatkan keunggulan kompetitif masih sangat rendah. Juga, ada sangat sedikit petani yang terlibat dalam kegiatan pascaproduksi. Oleh karena itu,keunggulan kompetitif perusahaan tidak memiliki pengaruh yang signifikan terhadap peningkatan kesejahteraan petani dan peningkatan kinerja
manajemen rantai pasokan. Pengaruh keunggulan kompetitif hanya terbatas pada pengaruh tidak langsung melalui kinerja organisasi.

DAFTAR PUSTAKA
Hair, J.F. 2010. Multivariate Data Analysis, 7th edition. Pearson Prentice Hall
Ghazali, G. 2006. Structural Equation Modelling: Metode Alternatif dengan Partial Least Square. Badan Penerbit Universitas Diponegoro. Semarang
Leardi, R. 2009. Application of Genetic Algorithm-PLS for Feature Selection in Spectral Data Sets. Journal of Chemometrics Volume 14
Sinkovics. R. R. 2009. The Use Of Partial Least Square Path Modeling In International Marketing. Journal Advaces in International Marketing. 20(2): 277-319.
Yamin,S. 2009. Structural Equation Modeling: Belajar Lebih Mudah Teknik Analisis Data Kuesioner dengan LISREL-PLS, Buku Seri Kedua. Salemba Infotek. Jakarta
Vinzi, VE. 2010. Handbook of Partial Least Squares: Concepts, Methodsand Applications. Germany

KALA LIKERT: PENGGUNAAN DAN ANALISIS DATANYA

Tatang M. Amirin, 31 Oktober 2010; 4 Januari 2011
Banyak orang yang bingung jika menggunakan Skala Likert [baca biasa likert, walau ada yang baca laikertkata Wikipedia], dan bahkan salah
larap. Skala Likert digunakan untuk membuat angket, tapi kadang-kadang salah isi yang disasar untuk dihimpun dengan Skala Likert tersebut.
Likert itu nama orang, lengkapnya Rensis Likert, pendidik dan ahli psikologi Amerika Serikat. Jadi, skala ini digagas oleh Rensis Likert,
sehingga disebut Skala Likert.
Kalau begitu mari kita mulai dengan memperjelas apa dan untuk apa Skala Likert itu.
Pengertian dan Kegunaan Skala Likert
Skala itu sendiri salah satu artinya, sekedar memudahkan, adalah ukuran-ukuran berjenjang. Skala penilaian, misalnya, merupakan skala
untuk menilai sesuatu yang pilihannya berjenjang, misalnya 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10. Skala Likert juga merupakan alat untuk mengukur
(mengumpulkan data dengan cara mengukur-menimbang) yang itemnya (butir-butir pertanyaannya) berisikan (memuat) pilihan yang
berjenjang.
Untuk apa sebenarnya Skala Likert itu? Skala Likert itu aslinya untuk mengukur kesetujuan dan ketidaksetujuan seseorang terhadap
sesuatu objek, yang jenjangnya bisa tersusun atas:
sangat setuju
setuju

netral antara setuju dan tidak

kurang setuju
sama sekali tidak setuju.
Pernyataan yang diajukan mengenai objek penskalaan harus mengandung isi yang akan dinilai responden, apakah setuju atau tidak setuju.
Contoh di bawah ini pernyataannya berbunyi Doktrin Bush merupakan kebijakan luar negeri yang efektif. Objek khasnya adalah
efektivitas (kefektivan) kebijakan. Responden diminta memilih satu dari lima pilihan jawaban yang dituliskan dalam angka 1-5, masingmasing menunjukkan sangat tidak setuju (1), tidak setuju (2), netral atau tidak berpendapat (3), setuju (4), sangat setuju (5).
The Bush Doctrine is an effective foreign policy [Doktrin Bush merupakan kebijakan luar negeri yang efektif].
Strongly Disagree12345Strongly Agree
[Sangat tidak setuju 12345Sangat setuju]
Based on the item, the respondent will choose a number from 1 to 5 using the criteria below [Dengan memperhatikan butir pernyataan,
responden (orang yang ditanyai) harus memilih angka 1 sampai dengan 5 dengan berdasarkan patokan berikut]:
1 strongly agree [sangat setuju]
2 somewhat agree [agak setuju]
3 neutral/no opinion [netral/tak berpendapat]
4 somewhat disagree [agak tidak setuju]
5 strongly disagree [sangat tidak setuju]
Apa artinya? Artinya setujukah responden bahwa kebijakan luar negeri Bush itu sebagai kebijakan yang efektif (memecahkan masalah luar
negeri AS)? Jadi, responden tinggal milih: setuju atau tidak setuju, atau tak memilih keduanya (netral saja, tidak berpendapat).

Salah Tafsir: Asal ada SetujuTidak Setuju

Tidak sedikit mahasiswa dan peneliti lain yang hanya melihat Skala Likert itu sebagai angket pilihan setujutidak setuju. Jadi, jika pilihan
jawabannya setuju-tidak setuju, maka itu namanya Skala Likert. Lalu, segala macam pernyataan dimintakan kepada responden untuk memilih
menjawab setuju atau tidak setuju. Ini contohnya:
Salat itu penting, karena salat itu merupakan tiang agama.

1. Sangat setuju (SS)

2. Setuju (S)
3. Setuju tidak, tidak setuju pun tidak, alias netral (N)
4. Tidak setuju (TS)
5. Sangat tidak setuju (STS)
Jelas isi pernyataan itu bukan sesuatu yang harus disetujui atau tidak disetujui. Itupengetahuan, pengetahuan agama, yang diajarkan oleh
para ustad dan kiyai. Jadinya itu soal murid tahu atau tidak tahu bahwa salat itu penting, dan pentingnya itu karena (dengan alasan)
merupakan tiang agama (ash-shalatu imaaduddin), bukan harus setuju atau tidak setuju.
Kedua, itu tidak bisa dijenjangkan kesetujuan-ketidaksetujuannya, karena tidak logis. Kalau misalnya setuju salat itu penting, apa
bedanya dengan sangat setuju. Jika jawabannya diubah jadi setujuagak setuju, makna dari agak setuju itu apa, tak jelas. Tentu tidak bisa
ditafsirkan bahwa jika agak setuju berarti menunjukkan menurut responden salat itu agak penting, dan jika setuju sekali berarti salat itu
sangat amat penting, dan sebaliknya.
Ketiga, ada dua isi yang harus disetujui atau tidak disetujui di dalam satu pernyataan itu, yaitu: (1) salat itu penting, dan (2) salat itu tiang
agama. Ini tidak boleh terjadi dalam penyusunan angket, sebab akan membingungkan. Salat mungkin bisa dianggap penting (setuju bahwa
penting), tapi alasannya sebagai tiang agama tidak setuju, setujunya karena ia rukun Islam kedua. Jadi, jawabannya apa? Setuju, atau tidak
setuju, atau netral saja?
Sebentar, biar jelas. Responden setuju bahwa solat itu penting, tapi tidak setuju kalau sebabnya karena ia tiang agama. Lantas yang harus
dipilih setuju atau tidak setuju (karena ia punya dua pilihan: setuju penting, tapi tidak setuju sebagai tiang agama).
Lain halnya dengan masalah hukum potong tangan bagi pencuri, misalnya (sekedar misal, lho), kan ada orang setuju, ada yang tidak setuju.
Jadi, pernyataannya bisa dirumuskan, misalnya, Orang yang mencuri harus dihukum potong tangan. Jawabannya (SS S N TS -STS).
Pernyataan pencuri harus dipotong tangan itu isinya hanya satu, tidak dua: (1) pencuri dan (2) potong tangan. Beda kan dengan contoh di
atas (1) solat itu penting, dan (2) solat itu tiang agamadigabung menjadi: Solat itu penting karena solat itu tiang agama.
Nah, karena berkaitan dengan setuju (S) dan tidak setuju (TS), maka bisa jadi ada orang yang netral (N) atau tidak berpendapat. Netral artinya
setuju ya tidak, tidak setuju pun tidak juga. Tidak memihak pada kesetujuan ataupun ketidaksetujuan. Ekstrimnya, tidak berpendapat.
Jadi, bisa ada yang agak setuju, tapi tidak setuju banget, ada juga yang agak setuju, tapi tidak setuju banget. Ya cuma seperti itu
gambarannya.
Contoh: Anggota DPR disuruh memilih apakah setuju Gubernur DIY itu dipilih. Pilihan jawabannya ekstrim: setuju atau tidak setuju. Jadi, hanya
ada tiga pilihan: S N TS. Jika S berarti setuju Gubernur DIY dipilih. Jika TS artinya tidak setuju melalui pemilihan. Yang tidak berani
menyatakan setuju atau tidak setuju, ya pilih N (netral). Jika ada 30% yang menyatakan S, 60% menyatakan TS, dan 10% N, maka hasilnya
berupa pernyataan bahwa sebagian besar anggota DPR tidak setuju Gubernur DIY dipilih. Hanya seperti itu. Jangan dicari reratanya, lucu!
Karena berkaitan dengan kesetujuan-ketidaksetujuan, maka yang dipertanyakan haruslah yang populer, yang sudah terkonsumsi
masyarakat, yang masyarakat (responden) tahu. Kalau tidak tahu bagaimana ia akan menyatakan setuju dan tidak setuju.
Ini contoh (sekedar contoh).
Pemerintahan SBY tidak mampu meningkatkan kesejahteraan masyarakat.
Semua orang Indonesia terlibat dalam pemerintahan SBY, terkena pemerintahan SBY, dan tahu (merasakan) seperti apa berada di bawah
pemerintahan SBY. Jadi, pasti bisa menjawab.
Pernyataan SBY patut mendapatkan Hadiah Nobel pun bisa untuk dimintakan persetujuan dan pertidaksetujuan responden, tetapi
respondennya tertentu, yang paham seluk beluk pemberian hadiah Nobel. Mbah Marijan (alm) dan embah-embah lain setara Mbah Marijan
mungkin tak tahu.
Coba tanyakan pada orang kebanyakan Indonesia: Setuju atau tidak jika demokrasi Indonesia diubah menjadi demokrasi-teokratis? Mbah
Maridjan (kalau masih hidup) lebih baik semedi daripada menjawab.
Nah, itulah sebabnya Skala Likert suka disebut (dan memang tergolong) skala sikap, skala tentang sikap, yaitu sikap setuju dan tidak setuju
terhadap sesuatu (yang bisa disetujui dan tidak disetujui).

Skala Likert ada kalanya menghilangkan tengah-tengah kutub setuju dan tidak setuju. Responden dipaksa untuk masuk ke blok setuju
atau tidak setuju. Ini contohnya.
Mahasiswa boleh tidak ikut kuliah, asal sungguh-sungguh belajar mandiri.
1. Sangat setuju
2. Setuju
3. Tidak setuju
4. Sangat tidak setuju
Pertanyaan dibuat demikian agar orang berpendapat, tidak bersikap netral atau tidak berpendapat.
Skala dalam Skala Likert
Berapa jenjang skala dibuat dalam Skal Likert? Itu amat tergantung pada kata-kata yang digunakan di dalam butir (item) Skala Likert. Kalau
digunakan model verbal (kata-kata) setujutidak setuju, maka paling tidak ada tiga, yaitu setujunetraltidak setuju. Perubahan lebih banyak
tentu akan mengikuti kutubnya (kutub setuju dan kutub tidak setuju). Jadi, jika ditambah, akan menjadi, misalnya: sangat setujusetuju
netraltidak setujusangat tidak setuju (ada 5 skala). Tentu bisa jadi tujuh jika ditambahi lagi dengan sangat setuju sekali dan sama sekali
tidak setuju. Atau tambahannya berupa agak setuju (sebelum setuju) dan agak tidak setuju (sebelum tidak setuju). Jika digabungkan,
maka jadi sembilan skala (jenjang).
1. Sangat setuju sekali
2. Sangat setuju
3. Setuju
4. Agak setuju
5. Netral
6. Agak tidak setuju
7. Tidak setuju
8. Sangat tidak setuju
9. Sama sekali tidak setuju
Bentuk Skala Likert
Skala Likert yang dikenal sebetulnya tidak disusun seperti angket yang pilihannya ke bawah seperti beberapa contoh di atas, melainkan
seperti ini.

LIKERT SCALES

Please circle the number that represents how you feel about the computer
software you have been using [Lingkarilah angka yang mencerminkan
penilaian Anda mengenai piranti lunak komputer yang telah Anda
pergunakan]

I am satisfied with it (memuaskan)Strongly disagree 1234567

Strongly agree
(Sangat tidak setuju)

(Sangat setuju)

It is simple to use (mudah digunakan)Strongly disagree 123456

7Strongly agree

It does everything I would expect to do (bisa untuk apa saja) Strongly

disagree 1234567Strongly agree

I dont notice any inconsistencies as I use it (tidak bikin kisruh) Strongly

disagree 1234567Strongly agree

It is very user friendly (dapat membantu siapa saja) Strongly disagree 12

34567Strongly agree

Responden ditanya tentang kepuasan mereka terhadap produk komputer. Responden diminta melingkari angka-angka yang berderet yang
menunjukkan sangat setuju (angka 7) atau sangat tidak setuju (angka 1) dengan pernyataan yang tertera sebelumnya . Di antara kutubkutub itu ada angka pilihan. Masing-masing menunjukkan derajat kestidaksetujuan atau kesetujuan. Semakin dekat ke angka 1 semakin dekat
dengan tidak setuju, dan sebaliknya. Ingat angka itu bukan skor!
Item (Butir Pertanyaan/Pernyataan) Serupa dan Tak serupa Skala Likert
Ada angket yang semodel dengan Skala Likert, seperti di bawah ini.
Seberapa sering Anda meminjam buku dari perpustakaan?
1. Tidak pernah
2. Jarang
3. Kadang-kadang
4. Sering
5. Sangat sering
Pertanyaan angket ini pun berjenjang, mirip dengan Skala Likert. Tentu itu bukan skala sikap. Itu angket biasa, angket deskriptif yang isinya
punya jenjang ( intensitas meminjam buku dari perpustakaan). Perhatikan jenjangnya. Ada tengah-tengahnya seperti netral dalam skala sikap.
Oleh sebab itulah angket (butir angket) seperti itu suka disebut juga sebagai mirip Skala Likert.
Pertanyaan angket berikut, kendati ada jenjang, bukan Skala Likert dan bukan mirip Skala Likert. Kuncinya terletak pada titik tengah pilihan
jawaban ( di sisi yang satu positif, di sisi yang lain negatif; di sisi yang satu tinggi di sisi yang lain rendah). Item tentang usia berikut tidak
bersifat seperti itu, hanya perjenjangan biasa, tidak ada kutub ekstrim dan tengah-tengahnya.
Usia Bapak/Ibu saat ini:
a. di atas 80 tahun
b. 61 70 tahun
c. 51 60 tahun
d. 41 50 tahun

e. 31 40 tahun
Menganalisis data Skala Likert
1. Analisis Frekuensi (Proporsi)
Nah, yang sering dilakukan kesalahan adalah pada saat menganalisis data dari Skala Likert. Ingat, Skala Likert berkait dengan setuju atau
tidak setuju terhadap sesuatu. Jadi, ada dua kemungkinan. Pertama, datanya data ordinal (berjenjang tanpa skor). Angka-angka hanya urutan
saja. Jadi, analisisnya hanya berupa frekuensi (banyaknya) atau proporsinya (persentase). Contoh (pilihan netral dalam angket ditiadakan)
dengan responden 100 orang:
Yang sangat setuju 30 orang (30%)
Yang setuju 50 orang (50%)
Yang tidak setuju 15 orang (15%)
Yang sangat tidak setuju 5 orang (5%).
Jika digabungkan menurut kutubnya, maka yang setuju (gabungan sangat setuju dan setuju) ada 80 orang (80%), dan yang tidak setuju
(gabungan sangat tidak setuju dan tidak setuju) ada 20 orang (20%).
2. Analisis Terbanyak (Mode)
Analisis lain adalah dengan menggunakan mode, yaitu yang terbanyak. Dengan contoh data di atas, maka jadinya Yang terbanyak (50%)
menyatakan setuju (Dari data yang sangat setuju 15%, setuju 50%, netral 20%, tidak setuju 10%, sangat tidak setuju 5%).
Skala Likert Sebagai Skala Penilaian
Skala Likert kerap digunakan sebagai skala penilaian karena memberi nilai terhadap sesuatu. Contohnya skala Likert mengenai produk
komputer di atas, komputer yang baik atau tidak. Terhadapnya bisa diberlakukan angka skor. Jadi, yang dianalisis skornya. Dalam contoh di
atas angka 7 sebagai skor tertinggi. Datanya bukan ordinal, melainkan interval.
Ingat! Pilihan ordinal setujuagak setujunetralkurang setujutidak setuju tak bisa diskor. Misalnya setuju diberi skor 5, agak setuju 4, netral 3,
kurang setuju 2, dan tidak setuju 1.
Kenapa?
Pertama, tidak logis, yang netral lebih tinggi skornya dari yang tidak setuju. Padahal yang netral itu sebenarnya tidak berpendapat. Kedua,
coba jika ada dua orang yang ditanya, yang satu menjawab setuju (skor 5), yang satu lagi menjawab tidak setuju (skor 1). Berapa reratanya?
[5 + 1] : 2 = 3. Skor 3 itu sama dengan netral. Lucu, kan?! Simpulannya kedua orang responden bersikap netral. Padahal realitanya yang satu
setuju, yang satu tidak. Nah, ini bisa terjadi juga dengan yang sangat setuju (skor 5) 20 orang, setuju (skor 4) 25 orang, netral (skor 3) 10
orang, tidak setuju (skor 2) 25 orang, dan sangat tidak setuju (skor 1) 20 orang. Berapa rerata skornya? Pasti 3 (netral). Jadi, semua orang
(diwakili 100 orang sampel) bersikap netral. Lucu, kan?!!! Padahal yang netral hanya 10 orang (10%)!!!
Skala Penilaian
Di atas dicontohkan Skala Likert untuk penilaian (menilai produk komputer). Sebenarnya tidak perlu menggunakan Skala Likert, cukup skala
penilaian (rating scale). Responden diminta menilai produk itu dengan membubuhkan nilai (skor) jika ada kolom kosong untuk menilai, atau
memilih skor tertentu yang sudah disediakan. Jadinya skornya bisa bergerak dari 0 sampai dengan 10 sebagai skor tertinggi.
Contohnya mengenai kepuasan konsumen terhadap layanan perpustakaan di bawah ini. Responden cukup diminta melingkari angka skor
sesuai dengan penilaiannya.
1. Kemudahan menemukan koleksi
2. Kenyamanan ruangan
3. Layanan petugas

1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10

Analisisnya bisa menggunakan dua macam, proporsi (persentase) dan mode (terbanyak menilai berapa), dan rerata atau means (rerata
skornya berapa), dan termasuk pengkateorian puas atau tidak puas.
Jelasnya:
Pertama, dihitung banyaknya responden yang memberi nilai pada skor tertentu secara keseluruhan (seluruh butir pernyataan). Lihat yang
terbanyak (mode) dari responden memilih pada skor berapa.
Kedua, hitung skor dari keseluruhan butir (responden yang menjawab dikalikan skor), lalu disusun reratanya. Rerata skor itu (bilangannya
tentu akan 0 10) termasuk kategori tinggi atau rendah. Sebelumnya tentu sudah disusun kategorisasinya. Jadi, jika rerata skornya misalnya
7,76, angka 7,76 itu termasuk kategori rendah, sedang, ataukah tinggi? Ingat, skor terendah berapa, dan skor tertinggi berapa! Jadi, 7,76 dari
rentangan skor 1 10 tentu termasuk tinggi (tapi tidak sangat tinggi, kan?!)
Contoh Lain Skala Likert
Ini contoh Skala Likert yang menggali taraf kepercayaan diri (rasa harga diri) karyawan.
Skala Self-Esteem Karyawan
Heres an example of a ten-item Likert Scale that attempts to estimate the level of self esteem a person has on the job. Notice that this
instrument has no center or neutral point the respondent has to declare whether he/she is in agreement or disagreement with the
item [Ini contoh Skala Likert yang terdiri atas 10 butir pernyataan yang berusaha mengukur taraf harga-diri seseorang dari pekerjaannya.
Perhatikan bahwa instrumen ini dhilangkan titik tengah atau netralnya, sehingga responden mau tidak mau harus memberikan pernyataan
tegas apakah ia setuju atau tidak setuju dengan isi butir pernyataan].
INSTRUCTIONS: Please rate how strongly you agree or disagree with each of the following statements by placing a check mark in the
appropriate box [Petunjuk: Berikan penilaian seberapa setuju atau tidak setuju Anda dengan isi pernyataan berikut dengan cara
membubuhkan tanda centang pada kotak kolom yang sesuai].

1. I feel
good
about my
work on
the
job. (Saya
merasa
pekerjaan
saya
dalam
menjalan
kan tugas
baik)

Strongly
disagreee
(Sama
sekalI
tidak
setuju)

Somewh
at
disagree
(agak
tidak
setuju)

Some
what
agree
(agak
setuju
)

Strongl
y
agree(S
angat
setuju)

2. On the
whole, I
get along
well with
others at
work. (Se
cara
umum,
dengan
temanteman
sepekerja
an saya
merasa
baik-baik
saja)

Strongly
disagreee
(Sama
sekali
tidak
setuju

Somewh
at
disagree
(agak
tidak
setuju)

Some
what
agree
(agak
setuju
)

Strongl
y
agree(S
angat
setuju)

3. I am
proud of
my ability
to cope

Strongly
disagreee
(Sama
sekali

Somewh
at
disagree
(agak

Some
what
agree
(agak

Strongl
y
agree(S
angat

with
difficultie
s at
work(Say
a merasa
bangga
dengan
kemampu
an saya
mengatas
i berabgai
masalah
pekerjaan
saya).

tidak
setuju

tidak
setuju)

setuju
)

setuju)

4. When I
feel
uncomfor
table at
work, I
know how
to handle
it(Jika
saya
merasa
tidak
nyaman
kerja,
saya tahu
bagaiman
a
mengatas
inya).

Strongly
disagreee
(Sama
sekali
tidak
setuju

Somewh
at
disagree
(agak
tidak
setuju)

Some
what
agree
(agak
setuju
)

Strongl
y
agree(S
angat
setuju)

5. I can
tell that
other
people at
work are
glad to
have me
there (Sa
ya bisa
tegaskan
bahwa
teman
kerja
saya
merasa
senang
mereka
bekerja
dengan
saya).

Strongly
disagreee
(Sama
sekali
tidak
setuju

Somewh
at
disagree
(agak
tidak
setuju)

Some
what
agree
(agak
setuju
)

Strongl
y
agree(S
angat
setuju)

Strongly
disagreee
(Sama
sekali
tidak
setuju

Somewh
at
disagree
(agak
tidak
setuju)

Some
what
agree
(agak
setuju
)

6. I know
Ill be
able to
cope with
work for
as long as
I
want (Say
a tahu
saya bisa
selesaika
n tugas
pekerjaan

Strongl
y
agree(S
angat
setuju)

saya asal
saya
mau) .

7. I am
proud of
my
relationsh
ip with
my
superviso
r at
work(Say
a merasa
bangga
tentang
hubunga
n saya
dengan
atasan
saya di
tempat
kerja).

Strongly
disagreee
(Sama
sekali
tidak
setuju

Somewh
at
disagree
(agak
tidak
setuju)

Some
what
agree
(agak
setuju
)

Strongl
y
agree(S
angat
setuju)

8. I am
confident
that I can
handle
my job
without
constant
assistanc
e (Saya
yakin
saya bias
selesaika
n tugas
pekerjaan
saya
tanpa
selalu
mendapa
t
bantuan).

Strongly
disagreee
(Sama
sekali
tidak
setuju

Somewh
at
disagree
(agak
tidak
setuju)

Some
what
agree
(agak
setuju
)

Strongl
y
agree(S
angat
setuju)

9. I feel
like I
make a
useful
contributi
on at
work (Say
a merasa
saya
punya
andil baik
terehada
p tempat
kerja
saya).

Strongly
disagreee
(Sama
sekali
tidak
setuju

Somewh
at
disagree
(agak
tidak
setuju)

Some
what
agree
(agak
setuju
)

Strongl
y
agree(S
angat
setuju)

10. I can
tell that
my
coworkers
respect

Strongly
disagreee
(Sama
sekali
tidak

Somewh
at
disagree
(agak
tidak

Some
what
agree
(agak
setuju

Strongl
y
agree(S
angat

me(Saya
bisa
tegaskan
bahwa
rekan
kerja
saya
menghar
gai saya).

setuju

setuju)

setuju)

Sumber:
Hall, Shane. 2010. How to Use the Likert Scale in Statistical Analysis. Online, diunduh 31 Oktober, 2010.
Markusic, Mayflor. 2009. Simplifying the Likert Scale. Online, diunduh 31 Oktober 2010.
Trochim, William M.K. 2006. Likert Scaling. Research Methods Knowledge Based. Diunduh 31 Oktober 2010