BAB IV

HASIL DAN PEMBAHASAN

4.1 Analisis Deskriptif Klaster Industri Rotan Trangsan

4.1.1 Gambaran umum Desa Trangsan

Desa Trangsan adalah salahsatu desa yang termasuk dalam wilayah

administratif kecamatan Gatak,Sukoharjo, Jawa tengah Indonesia. Dari pusat

Kecamatan Gatak Desa Trangsan dapat ditempuh dalam waktu 10 menit

berkendara dengan jarak ± 1 km sedangkan dari pusat kabupaten Sukoharjo

berjarak ± 10km. Walaupun berada di pedesaan, namun lokasi desa dilalui kereta

api dan terdapat stasiun kereta api yang menghubungkannya dengan beberapa

kota besar seperti Surabaya, Semarang, Yogyakarta, Bandung, dan Jakarta. Desa

Trangsan dapat dijangkau dari beberapa rute diantaranya melalui jalan alternatif

Solo-Jogja serta melalui jalan utama Kartasura. Desa Trangsan berbatasan

langsung dengan Desa Winoranggan, Lawang, Klaseman, Wironanggan, Luwang,

Klaseman, Mayang, Trosemi dan Blimbing. Adapun batas-batas desa Trangsan

adalah sebagai berikut:

a. Sebelah utara Berbatasan dengan desa mayang dan Kecamatan kartasura

b. Sebelah selatan Berbatasan dengan desa Luwang

c. Sebelah Timur Berbatasan dengan Kecamatan Baki

d. Sebelah Barat Berbatasan dengan desa Wironangan dan Klaseman

 Wilayah administrasi Desa Trangsan dapat dilihat lebih jelas pada gambar

4.1 berikut :

Gambar 4.1

Peta Desa Trangsan Kecamatan Gatak Kabupaten Sukoharjo

Sumber : Dokumentasi pribadi

Desa Trangsan merupakan desa dengan wilayah terluas di Kecamatan Gatak

Sukoharjo dengan luas sebesar 240 ha dari total 1.947 ha luas keseluruhan

Kecamatan Gatak. Secara administratif Desa trangsan dibagi menjadi 4

Kebayanan/dusun yaitu Dukuh, Jamur,Kramat dan Gesingan. Di Desa Trangsan

terdapat 10 RW dan 37 RT (Kecamatan Gatak Dalam Angka, 2018). Desa

Trangsan terkenal dengan sentra kerajinan rotan terbesar di Kabupaten Sukoharjo

yang sekaligus merupakan sentra industri pengolahan rotan terbesar kedua di

Indonesia. Pertumbuhan industri rotan telah mendorong pertumbuhan industri di

daerah sekitar desa Trangsan.

 Berdasarkan data monografi desa tahun 2019, jumlah kepala keluarga di

Desa Trangsan sebanyak 2164 KK yang terdiri dari 6747 jiwa. Adapun komposisi

penduduk menurut jenis kelamin di Desa Trangsan ditampilkan pada tabel 4.1

berikut :

Tabel 4.1

Komposisi Penduduk Desa Trangsan Menurut Jenis Kelamin

Jenis Kelamin Jumlah (orang) Persentase (%)

Laki-Laki 3362 49,83
Perempuan 3385 50,17
Jumlah 6747 100,00
Sumber : Data Monografi Desa Trangsan, 2019

Dari Tabel 4.1 dapat diketahui bahwa secara umum komposisi penduduk

Desa Trangsan memiliki kecendrungan seimbang antara laki-laki dan perempuan

meskipun jumlah penduduk perempuan lebih banyak dibandingkan dengan

penduduk laki-laki dengan persentase 50.17%. Selanjutnya komposisi penduduk

di Desa Trangsan berdasarkan usia ditampilkan pada tabel 4.2 berikut :

Tabel 4.2

Komposisi Penduduk Desa Trangsan Menurut Usia

Usia Jumlah (orang) Persentase (%)

0-5 tahun 785 11,63
5-15 tahun 703 10,42
16-55 tahun 4232 62,72
>55 tahun 1027 15,22
Jumlah 6747 100,00
Sumber : Data Monografi Desa Trangsan, 2019

Berdasarkan data pada Tabel 4.2, dapat disimpulkan bahwa sebagian besar

penduduk di Desa Trangsan berada pada usia produktif (16-55 tahun) sebanyak

4.232 orang (62,72%) dari total penduduk desa Trangsan. Sedangkan komposisi
penduduk pada usia tidak produktif sebesar 15,22%. Selanjutnya Tabel 4.3 berikut

menampilkan ragam mata pencaharian penduduk Desa Trangsan.

Tabel 4.3

Komposisi Mata Pencaharian Penduduk Desa Trangsan

No Mata Pencaharian Jumlah (orang) Persentase (%)

1 Petani Pemilik Lahan 365 13,58
2 Petani Penggarap lahan 103 3,83
3 Buruh tani 564 20,99
4 Pengusaha sedang/besar 250 9,30
5 Pengrajin/ Industri kecil 225 8,37
6 Buruh industri 150 5,58
7 Buruh bangunan 250 9,30
8 Pedagang 315 11,72
9 Pengangkutan 250 9,30
10 PNS 120 4,47
11 TNI 20 0,74
12 Pensiunan PNS/TNI 37 1,38
14 Lain-lain 38 1,41
Jumlah 2687 100,00
Sumber : Data Monografi Desa Trangsan, 2019

Berdasarkan data pada Tabel 4.3 diketahui bahwa komposisi sumber mata

pencaharian sebagian besar penduduk desa Trangsan berasal dari sektor pertanian

yaitu sebanyak 38,41% (pemilik lahan, penggarap lahan, buruh tani) diikuti

dengan sektor industri mikro, kecil, menengah maupun besar sebanyak 17,68%.

Secara umum dapat disimpulkan bahwa sumber mata pencarian penduduk Desa

Trangsan didominasi oleh sektor swasta.

Tingkat pendidikan di Desa Trangsan dapat dikatakan cukup baik dimana

48,16% dari penduduk telah enyelesaikan pendidikan formal setara SMP yang

merupakan kriteria pendidikan wajib belajar 9 tahun yang diterapkan pemerintah.

Komposisi tingkat pendidikan penduduk Desa Trangsan ditampilkan pada Tabel

4.4 beikut :

Tabel 4.4

Tingkat Pendidikan Penduduk Desa Trangsan

No Tingkat Pendidikan Jumlah (orang) Persentase (%)

1 Belum Sekolah 867 13,11
2 Tidak Tamat 790 11,95
3 SD Sederajat 1770 26,77
4 SMP Sederajat 1760 26,62
5 SMA Sederajat 585 8,85
6 Akademi Sederajat (Diploma) 464 7,02
Universitas Sederajat
7 (Sarjana/Pascasarjana) 375 5,67
Jumlah 6611 100,00
Sumber : Data Monografi Desa Trangsan, 2019

4.1.2 Klaster Rotan Trangsan

Berdasarkan hasil wawancara dengan Bapak Mujiman (Kepala Desa

sekaligus ketua klaster industri Rotan Trangsan), industri rotan di Desa Trangsan

muncul pada awal tahun 1900-an yang semua membuat produk-produk anyaman

sederhana dari bambu maupun rotan. Pada mulanya hasil kerajinan anyaman ini

hanya dipasarkan secara lokal di area Sukoharjo dengan jangkauan terjauh di

regional Jawa Tengah. Berjalannya waktu permintaan akan rotan ternyata

mengalami peningkatan. Pada tahun 1985, kerjasama antara Pemerintah Indonesia

dengan Jerman terkait pengembangan ekonomi regional melalui Deutsche

Gesellischaft fur Technische Zusammenarbeit – Regional Economic

Development (GTZ RED) menjadi awal mula rotan Trangsan memasuki pasar

ekspor. Saat itu, para pengrajin diberikan pelatihan intensif selama 4 bulan full
untuk menghasilkan produk rotan yang memenuhi standar pasar ekspor. Akhirnya

sejak tahun 1987 untuk pertama kalinya hasil pengolahan rotan di Desa Trangsan

dijual untuk memenuhi permintaan luar negeri (ekspor).

Industri rotan Trangsan pernah mengalami masa jaya pada era 1990-2000an.

Jumlah pengrajin dan pengusaha di sektor industri rotan Trangsan kala itu

mencapai 500orang dan mampu menyerap hingga 8000 tenaga kerja serta

mengekspor 300 sampai 400 kontainer setiap bulannya. Namun masa jaya

tersebut mengalami penurunan drastis saat terjadi krisis global yang puncaknya

pada tahun 2008 banyak pelaku usaha rotan bangkrut dan alih profesi sampai

hanya menyisakan 98 pengrajin dan pengusaha saja. Keterpurukan akibat krisis

global ini diperparah dengan adanya masalah lain seperti Ketidaktersediaan bahan

baku (jika adapun harganya mahal) karena petani rotan lebih suka mengirimkan

bahan mentah ke luar negeri tanpa regulasi yang membatasi, terbatasnya modal

dan akses pendanaan, ketersediaan SDM terampil yang berkurang karena banyak

yang memutuskan alih profesi setelah krisis, desain produk yang monoton yang

menyebabkan kehilangan akses pasar. Hal ini akhirnya mendorong beberapa

pelaku industri rotan yang masih bertahan saat itu untuk melakukan audiensi

dengan pemerintah guna mencari solusi atas permasalahan yang dialami.

Berawal dari proses audiensi tersebut, pada tanggal 24 Desember 2009

terbentuklah Forum Rembuk Klaster Rotan Trangsan yang melibatkan Pemerintah

Kabupaten Sukoharjo, FEDEP Sukoharjo, Bank Indonesia Wilayah Solo,

Universitas (UNS dan UMS), Asmindo, AMKRI, Pupuk Indonesia dan beberapa

perusahaan eksportir di Trangsan serta beberapa pengrajin. Tujuan dari

pengembangan Klaster Industri Rotan Trangsan adalah mengembangkan kawasan

Trangsan secara terpadu sebagai kawasan industri kerajinan rotan/handicraft

(industry district), kawasan wisata (tourism district), dan kawasan budaya

(cultural district) yang maju sebagai salah satu unggulan daerah. Klaster rotan

didirikan dengan beberapa pertimbangan seperti: usaha sudah berjalan (pernah

mengalami kejayaan), sudah terjadi linkage yang cukup baik antara hulu dan hilir,

cakupan wilayah usaha dan dampak ekonomi yang cukup besar (serapan tenaga

kerja dan pendapatan). Klaster Rotan Trangsan ini dalam pengelolaannya

dilakukan oleh sebuah tim kelompok kerja (Pokja) klaster rotan yang diketuai

oleh Mujiman dengan pembinaan langsung oleh Pemerintah Kabupaten

Sukoharjo. Pengelola Forum Rembug Klaster Rotan Trangsan ini ditetapkan

dengan surat keputusan ketua Forum Pengembangan Ekonomi Kerakyatan/Forum

for Economic Development and Employment Promotion (FEDEP) Kabupaten

Sukoharjo.

Hingga saat ini, Forum Rembuk Klaster Industri Rotan Trangsan masih

berjalan aktif, dengan melakukan kegiatan rapat rutin dua bulanan. Adapun

struktur organisasi Forum Rembuk Klaster Industri Rotan Trangsan adalah

sebagai berikut :

Gambar 4.2

Struktur Organisasi Forum Rembuk Klaster Industri Rotan Trangsan

 Sumber : Dokumentasi Pribadi

4.2 Analisis Demografi

Responden dari penelitian ini adalah pengrajin pelaku usaha industri

mikro,kecil dan menengah (UMKM) di klaster rotan Trangsan . Kuesioner

penelitian ini dibuat sebanyak 101 eksemplar yang berisi pertanyaan terbuka dan

pertanyaan tertutup sebanyak 26 butir pertanyaan. Kuisioner ini menggambarkan

5 informasi yaitu informasi umum desponden, informasi bisnis, pandangan bisnis

dalam lingkup operasional, pandangan tentang kelembagaan dan tata kelola

pemerintahan lokal, serta pandangan terhadap pertumbuhan ekonomi dalam

masyarakat. Pengumpulan data dilakukan secara langsung di lapangan dengan

mendatangi satu persatu responden. Untuk memastikan validitas jawaban

responden, pengisian kuisioner didampingi enumerator dan peneliti. Selain

menggunakan instrumen kuisioner, peneliti juga melakukan wawancara

mendalam dengan bapak Mujiman yang merupakan kepala desa trangsan yang

sekaligus ketua forum rembuk klaster rotan trangsan dan Bapak Suparji selaku

ketua Koperasi Manunggal Jaya.

Pengumpulan data dilakukan selama 10 hari mulai tanggal 21 Mei 2019

sampai 30 Mei 2019. Penentuan responden beracuan pada daftar nama pelaku

industri mebel rotan di klaster Trangsan yang berasal dari database yang dimiliki

pengurus klaster. Persebaran pelaku industri rotan tersebar di 5 RW dari total 10

RW yang ada di Desa Trangsan. Dari total 197 pelaku industri yang ada didaftar,

dipilih 101 responden yang ditentukan secara acak berlapis (stratified random

sampling). Penentuan responden dipilih secara acak proporsional berdasarkan

sebarannya di 5 RW. Demografi responden yang dibahas pada bagian ini

mencakup usia, tingkat pendidikan, posisi dalam bisnis, lama menjalankan bisnis,

jumlah karyawan, pendapatan, serta kepemilikan izin usaha.

4.2.1 Usia

Data hasil kuesioner penelitian menunjukkan bahwa dari 101 orang

responden, 1 orang memiliki usia dibawah 25 tahun, 10 orang responden berusia

25-35 tahun, 18 orang responden berusia 35-45 tahun dan 39 orang responden

memiliki rentang usia 45-55 tahun, 24 orang memiliki rentang usia 55-65 tahun

dan 9 orang memiliki usia lebih dari 65 tahun. Berdasarkan data ini, diketahui

bahwa responden yang mendominasi penelitian ini berada pada rentang usia 45
hingga 55 tahun. Berdasarkan data tersebut, secara umum dapat disimpulkan

bahwa sebagian besar responden berada pada rentang usia produktif di Indonesia

yaitu 15 sampai 64 tahun. Diagram yang menunjukkan persentase persebaran usia

responden dapat dilihat pada Gambar 4.3.

Gambar 4.3

Data Persebaran Usia Responden

Sumber : Data primer, diolah

4.2.2 Tingkat Pendidikan

Mayoritas responden memiliki tingkat pendidikan terakhir SMA sederajat

yaitu sebanyak 41 orang. Selanjutnya 25 orang responden berpendidikan terakhir

SMP sederajat, dan 24 orang responden memiliki tingkat pendidikan SD sederajat.

Terdapat 4 orang responden yang tidak menempuh pendidikan formal, sedangkan

7 orang responden memiliki tingkat pendidikan tinggi dengan rincian 4 orang

responden merupakan lulusan diploma maupun 3 orang responden berpendidikan

terakhir sarjana (S1). Dari 101 responden tidak ada yang menempuh pendidikan

sampai jenjang pasca sarjana. Berdasarkan data penelitian, diketahui bahwa

responden dalam penelitian ini cukup terdidik karena telah menyelesaikan standar

pendidikan formal 9 tahun. Diagram yang menunjukkan persentase tingkat

pendidikan dapat dilihat pada Gambar 4.4.

Gambar 4.4

Data Jenjang Pendidikan Responden

Sumber : Data primer, diolah

4.2.3 Status dalam bisnis

Sebanyak 83 orang responden dalam penelitian ini merupakan pemilik

bisnis dengan bentuk organisasi usaha berupa kepemilikan tunggal (termasuk

dalam kategori ini adalah supplier yang mengerjakan pesanan dari perusahaan

besar tetapi juga memiliki modal, akses pasar sendiri dan menjualkan produknya

ke pihak lain juga). Selanjutnya 16 orang lainnya adalah pelaku usaha yang

menjadi supplier atau subkon dari perusahaan eksportir besar. Berbeda seperti

supplier sebagai pemilik bisnis, supplier pada kategori ini adalah pengrajin yang

hanya mengerjakan produk untuk sebuah perusahaan saja dan tidak

menjualkannya ke pihak lain, walaupun proses pengerjaannya tetap dilakukan

secara mandiri. Supplier ini sebagian besar mendapat sokongan bahan baku dari

perusahaan besarnya. Kemudian terdapat 2 orang yang bekerja sebagai karyawan

tetapi yang mengerti proses bisnis secara utuh. Berdasarkan data kuisioner, posisi

responden dalam bisnis sudah sesuai dengan sasaran penelitian yang memperkuat

hasil penelitian. Diagram persentase status responden dalam bisnis dapat dilihat

pada Gambar 4.5 berikut ini :

Gambar 4.5
Diagram Status dalam Bisnis

Sumber : Data primer, diolah

4.2.4 Lama bisnis

Lama bisnis berjalan merupakan salahsatu indikator yang dapat digunakan

untuk mengukur ketahanan bisnis. Berdasarkan data yang diperoleh dari

kuisioner, 39 responden sudah menjalankan bisnisnya selama rentang waktu 10

sampai 20 tahun yang mendominasi penelitian ini. Selanjutnya 34 orang

responden telah menjalankan bisnisnya dalam rentang 20 sampai 30 tahun,

kemudian 16 orang responden telah menjalankan bisnisnya selama lebih dari 30

tahun. Hanya 12 orang responden yang baru menjalankan bisnis kurang dari 10

tahun. Berdasarkan data ini dapat dikatakan bahwa pelaku usaha di Klaster
Industri Trangsan memiliki ketahanan yang baik karena sudah melewati beberapa

fase perkembangan mulai dari industri rotan di Trangsan mengalami puncak

kejayaan pada tahun 1990 sampai tahun 2000an sampai mengalami masa terpuruk

pada tahun 2006 sampai 2008 dan mulai rebound kembali sejak tahun 2014.

Diagram persentase usia bisnis industri di klaster industri rotan Trangsan

ditampilkan pada gambar 4.6 berikut :

Gambar 4.6
Diagram Usia Bisnis

Sumber : Data primer, diolah

4.2.5 Jumlah karyawan

Salahsatu indikator untuk mengukur kualitas pengembangan ekonomi lokal

adalah kesempatan atau peluang kerja yang tersedia di daerah tersebut.

Berdasarkan data dari kuisioner sebanyak 75 responden sudah memiliki karyawan

yang membantu dalam proses produksi dengan rentang jumlah 1-5 karyawan.

Selanjutnya 16 responden memiliki karyawan pada rentan 6-10 orang. Kemudian

9 responden memiliki karyawan dengan dengan rentang antara 11-50 orang dan

hanya 1 responden yang memiliki karyawan lebih dari 50 orang. Berdasarkan data

ini, dapat disimpulkan bahwa serapan tenaga kerja dari Industri rotan yang ada di
klaster Trangsan sangat baik. Jika dihitung jumlah tenaga kerja yang terserap

berdasarkan rentang batas tengah dengan jumlah penduduk desa Trangsan

berdasarkan usia produktif industri rotan dengan skala UMKM sudah mampu

menyerap tenaga kerja sebesar 13,18%. Secara lebih jelas jumlah tenaga kerja

yang dimiliki oleh responden ditampilkan diagram pada Gambar 4.7 berikut ini :

Gambar 4.7

Data Jumlah Karyawan

Sumber : Data primer, diolah

4.2.6 Pendapatan

Pendapatan (dalam penelitian ini pendapatan yang dimaksud adalah pendapatan

hasil usaha atau omzet) merupakan salahsatu kriteria yang digunakan untuk

mengklasifikasikan jenis usaha berdasarkan Undang-Undang Nomor 20 tahun

2008 terkait Usaha Mikro, Kecil dan Menengah. Dalam konteks managemen

pendapatan yang terkait dengan finansial merupakan indikator yang paling lazim

digunakan untuk mengukur kinerja perusahaan. Sedangkan secara makro

pendapatan merupakan variabel yang sering digunakan untuk mengukur

pertumbuhan ekonomi. Secara umum responden dalam penelitian ini merupakan

pelaku usaha mikro dengan pendapatan 0 – 300juta rupiah per tahun sebanyak 91

orang. Sedangkan 7 orang responden merupakan pelaku industri kecil dan hanya

ada 3 responden yang sudah masuk kriteria menengah. Berdasarkan data tersebut,

maka semua responden memenuhi kriteria responden penelitian ini berdasarkan

kualifikasi usaha yaitu UMKM. Data pendapatan responden secara lebih jelas

ditampilkan diagram pada Gambar 4.8 berikut ini :

Gambar 4.8

Data Pendapatan Rerata per Tahun

Sumber : Data primer, diolah

4.2.7 Kepemilikan izin dan legalitas usaha

Lalalalallalalalala belum kepikiran bikin kata-katanya ~~

Gambar 4.9

Data Kepemilikan Izin dan Legalitas Usaha

4.3 Analisis Model

Metode analisis dan pengolahan data dalam penelitian ini menggunakan

pendekatan Structural Equation Modeling (SEM) berbasis Partial Least Square

(PLS) dengan alat bantu analisis yang digunakan adalah program WarpPLS versi

6.0. Menurut Hair dkk (2003) dalam Mahfud (2013) terdapat lima kriteria yang

dapat dijadikan acuan dalam menggunakan SEM-PLS yang disebut rule of thumb.

Adapun kelima hal tersebut tujuan penelitian, spesifikasi model pengukuran,

model struktural, karakteristik data dan algoritma dan evaluasi model.

4.3.1 Konseptualisasi Model

Konseptualisasi model merupakan langkah awal dalam analisis PLS-SEM.

Seperti telah dijelaskan pada Bab 3 penelitian ini merupakan penelitian

eksploratoris untuk mengembangkan model yang sudah ada. Pengembangan dan

pengukuran konstruk dilakukan dengan mengembangkan dan mendefinisikan

konstruk secara konseptual yaitu dengan melakukan literature review dari hasil

penelitian terdahulu, jurnal ilmiah, maupun buku referensi untuk menentukan

domain konstruk dan menentukan indikator yang merepresentasikan konstruk.

Model konseptual yang dihasilkan digambarkan dalam bentuk kerangka

pemikiran teoritis yang telah dijelaskan di Bab 2.

4.3.2 Metode Analisis Algoritma

Tahapan selanjutnya yaitu menentukan metode analisis algoritma yang

akan digunakan. PLS SEM memiliki tiga pilihan algoritma yaitu factorial,

centroid, dan path atau structural weighting. Dalam penelitian ini algoritma yang

digunakan untuk menganalisis Outer model adalah algoritma PLS Regression

sedangkan algoritma Inner Model yang digunakan adalah warp3.

4.3.3 Metode Resampling

Dalam PLS SEM menggunakan WarpPLS versi 6.0 terdapat tiga metode

yang digunakan untuk resampling, yaitu bootstrapping, jackknifing dan Stable

(Kock, 2018). Metode bootstrapping merupakan metode resampling yang

menggunakan seluruh sampel asli, metode jackknifing hanya menggunakan

subsampel dari sampel asli yang dikelompokkan ke dalam grup, sedangkan

metode Stable2 dan Stable3 telah dikembangkan sebagai alternatif dari metode

Stable1. Berbeda dengan metode Stable1, metode Stable2 dan Stable3 bergantung

pada aplikasi langsung dari rumus smoothing eksponensial (Kock, 2014b dan

Kock, 2018b) dalam (Kock, 2019) sehingga dapat lebih mudah

diimplementasikan dan diuji oleh para peneliti metodologis. Beberapa eksperimen

Monte Carlo menunjukkan bahwa metode Stable2 dan Stable3 menghasilkan

perkiraan kesalahan standar aktual yang konsisten dengan yang diperoleh melalui

bootstrap, dalam banyak kasus menghasilkan perkiraan kesalahan standar aktual

yang lebih tepat (Kock, 2014b; 2018b; Kock & Hadaya, 2018). Berdasarkan hal

tersebut, dalam penelitian ini metode resampling yang digunakan adalah Stable3.

4.3.4 Pembentukan Diagram Jalur

Pembentukan diagram jalur ini sesuai dengan hipotesis dan model penelitian yang

telah diajukan, yaitu sesuai dengan Gambar 2.6. Menurut Kock (2011),

pembentukan diagram jalur dengan konstruk second order dengan WarpPLS dapat

dilakukan dengan 2 langkah, sebagai berikut:

1. Membuat model null yang terdiri dari konstruk fisrt order dan indikator-

indikatornya yang dimodelkan untuk menghitung skor pada variabel laten

berdasarkan indikator-indikatornya. Yang termasuk konstruk first order

yaitu kapasitas institusi (INS), partisipasi (PART), akuntabilitas (ACC),

transparansi (TRANS), inovasi (INOV), proaktif (ACTIVE), pengambil

risiko (RISK), modal kapital (CAPT), tenaga kerja (LABOUR) dan

teknologi (TECH). Pembentukan model null secara lebih detail dapat

dilihat pada Gambar 4.10 berikut ini.

Gambar 4.10
Pembentukan Model null
 Sumber : Tampilan olahdata WarpPLS 6.0

2. Membuat model baru yang terdiri dari variabel eksogen dan variabel

endogen. Variabel eksogen merupakan konstruk second order yaitu

Kapasitas Institusi (INS), Tata Kelola Pemerintahan (GOV), Budaya

Kewirausahaan (ENT) dan Karakteristik Sumberdaya (RES) yang

memiliki indikator berupa konstruk first order yang telah dilakukan

perhitungan pada model null. Konstruk first order yang dijadikan sebagai

indikator pada konstruk kapasitas institusi (INS) adalah kinerja institusi

(IP), kemampuan adaptasi (IA) dan stabilitas institusi (FS), tata kelola

pemerintahan (GOV) dijelaskan melalui konstruk first order transparansi

(TG), partisipasi (PG), dan akuntabilitas (AG). Konstruk first order yang

dijadikan sebagai indikator pada konstruk Budaya Kewirausahaan (ENT)

adalah inovasi (EI), proaktif (EP), pengambil risiko (ER). Sedangkan

konstruk Karakteristik Sumberdaya (RES) dijelaskan dengan indikator

konstruk first order modal kapital (CAP), tenaga kerja (LAB) dan

teknologi (TECH). Variabel endogen dalam diagram jalur adalah kinerja

bisnis (BPERF), dan kinerja pengembangan ekonomi lokal (LED).

Selanjutnya variabel eksogen dan endogen dihubungkan sesuai dengan

model penelitian yang telah dijelaskan pada Bab 2 (Gambar 2.6).

 Pembentukan path diagram yang digunakan dalam penelitian dapat dilihat

pada Gambar 4.11.

Gambar 4.11
Pembentukan Model null

Sumber : Tampilan olahdata WarpPLS 6.0

Model persamaan regresi dari rancangan model pada Gambar 4.11 dapat

dilihat pada Tabel 4.5.

Tabel 4.5.
Persamaan regresi dari model penelitian

Variabel Persamaan regresi

GOV A1*INS+A2*ENT+ɛ1
BPER B1*ENT+ B2*RES+B3*GOV+ɛ2
LED C1*GOV+ C2*ENT+ C3*RES+ C4*BPER+ɛ3

Variabel ε1, ε2, dan ε3 melambangkan variabel yang tidak termasuk dalam

penelitian. Sementara itu, nilai A1, B1, B2, B3, C1, C2, C3, dan C4 akan

diketahui dari nilai path coefficient pada evaluasi model struktural. Hasil

persamaan regresi dijelaskan pada subbab 4.3.9.

4.3.5 Evaluasi Outer Model dan Measurement Model

Evaluasi outer model atau measurement model dilakukan untuk menilai validitas

dan reliabitias model. Dengan mengetahui korelasinya, maka sebuah model dapat

diketahui validitas dan reliabilitasnya. Evaluasi outer model dalam penelitian ini

dilakukan melalui dua tahap, yaitu evaluasi pada konstruk fisrt order yaitu

konstruk yang dibentuk oleh indikator-indikatornya dan evaluasi pada konstruk

second order yaitu konstruk yang dibentuk oleh konstruk fisrt order yang menjadi

dimensinya.

4.3.5.1 Evaluasi Konstruk First Order

Evaluasi konstruk first order dalam penelitian ini digunakan untuk

menguji validitas dan reliabilitas konstruk unidimensional. Evaluasi

konstruk first order dilakukan dengan menguji model null yang telah

dibuat, dapat dilihat pada Gambar 4.10. Outer model dengan indikator

reflektif dievaluasi melalui validitas konvergen (convergent validity) dari

indikator pembentuk konstruk sedangkan indikator formatif dievaluasi

berdasarkan indicator weight.

4.3.5.2 Validasi Konvergen (Convergent Validity)

Validitas konvergen bertujuan untuk mengetahui validitas setiap hubungan

antara indikator dengan konstruk atau variabel latennya. Validitas

konvergen dari model pengukuran dengan refleksif indikator dinilai

berdasarkan korelasi antara skor item atau component score dengan skor

variabel laten atau construct score yang diestimasi dengan program PLS.

Terdapat dua kriteria untuk menilai apakah outer model memenuhi syarat

validitas konvergen untuk konstruk reflektif yaitu (1) nilai loading harus
diatas 0,70 dan (2) nilai P signifikan (<0,05) (Hair dkk, 2013) dalam

(Mahfud, 2013). Selain itu, kriteria validitas diskriminan juga dapat dilihat

dari hasil cross loading pada matriks output combine loading and cross

loading jika sebuah indikator memiliki nilai loading terbesar diantara

cross loading-nya maka hal tersebut mengindikasikan bahwa indikator

tersebut valid. Namun untuk beberapa kasus (terutama untuk kuisioner

yang baru dikembangkan) syarat nilai loading tidak terpenuhi, sehingga

loading antara 0,40-0,70 harus tetap dipertimbangkan untuk dipertahankan

jika hasilnya tetap signifikan. Berdasarkan hasil pengujian data didapatkan

hasil untuk semua indikator reflektif memiliki hasil signifikan (P value

<0,05) walaupun tidak semua loading nilainya diatas 0,70. Selain itu,

semua loading untuk masing-masing indikator memiliki nilai yang lebih

besar dibanding nilai cross loading-nya yang dapat menjelaskan bahwa

indikator pada kuisioner valid dan memenuhi uji validitas konvergen.

Adapun hasil pengujian outer model first order untuk masing-masing

indikator reflektif pada penelitian ini secara lebih rinci ditampilkan pada

Tabel 4.6 sebagai berikut :

 Tabel 4.6.
Combine Loading dan Cross-Loading Indikator Reflektif
VARIABEL LATEN KODE IP IA FS EI EP ER BP LED Type (a SE P value
IP1 0,666 -0,101 -0,27 -0,039 0,021 -0,02 -0,096 0,003 Reflect 0,083 <0,001
IP2 0,531 0,238 -0,017 0,33 -0,203 -0,06 0,051 0,045 Reflect 0,086 <0,001
Kinerja Institusi
IP3 0,763 -0,05 0,207 -0,108 0,181 -0,041 0,032 -0,04 Reflect 0,081 <0,001
IP4 0,747 -0,028 0,041 -0,089 -0,06 0,103 0,016 0,006 Reflect 0,081 <0,001
IA1 0,124 0,848 0,016 0,132 -0,014 -0,025 -0,082 0,091 Reflect 0,079 <0,001
Kemampuan
IA2 -0,087 0,824 -0,137 0,005 0,082 -0,033 0,024 -0,015 Reflect 0,08 <0,001
Adaptasi
IA3 -0,047 0,703 0,142 -0,166 -0,079 0,07 0,071 -0,092 Reflect 0,082 <0,001
FS2 0,343 0,018 0,805 -0,133 0,315 -0,107 -0,091 -0,154 Reflect 0,08 <0,001
Stabilitas Institusi
FS3 -0,343 -0,018 0,805 0,133 -0,315 0,107 0,091 0,154 Reflect 0,08 <0,001
EI1 0,031 0,375 -0,128 0,677 -0,028 0,101 -0,06 0,026 Reflect 0,083 <0,001
Inovatif EI2 -0,052 -0,147 -0,056 0,892 -0,023 0,055 0,007 0,057 Reflect 0,078 <0,001
EI3 0,031 -0,152 0,17 0,807 0,049 -0,146 0,042 -0,085 Reflect 0,08 <0,001
EP1 0,139 -0,211 0,11 0,294 0,826 -0,138 0,092 -0,073 Reflect 0,08 <0,001
Proaktif EP2 -0,088 0,141 -0,099 0,011 0,805 -0,064 -0,051 0,23 Reflect 0,08 <0,001
EP3 -0,074 0,101 -0,019 -0,42 0,597 0,277 -0,058 -0,209 Reflect 0,085 <0,001
ER1 -0,201 -0,006 -0,022 -0,031 0,148 0,883 -0,006 -0,133 Reflect 0,078 <0,001
Risk Taking ER2 0,181 0,017 -0,011 0,043 -0,188 0,902 0,09 -0,011 Reflect 0,078 <0,001
ER3 0,015 -0,01 0,032 -0,013 0,042 0,923 -0,083 0,138 Reflect 0,078 <0,001
BP1 0,175 -0,206 0,065 -0,007 0,069 -0,098 0,83 -0,089 Reflect 0,08 <0,001
BP2 0,316 -0,344 -0,121 -0,012 0,209 -0,077 0,691 -0,229 Reflect 0,083 <0,001
Kinerja Bisnis
BP3 -0,013 0,189 0,055 0,099 -0,251 0,041 0,795 0,11 Reflect 0,08 <0,001
BP4 -0,186 0,108 0,017 -0,035 -0,106 0,067 0,833 0,192 Reflect 0,079 <0,001
VARIABEL LATEN KODE IP IA FS EI EP ER BP LED Type (a SE P value
BP5 -0,292 0,248 -0,042 -0,053 0,127 0,067 0,681 -0,023 Reflect 0,083 <0,001
LED1 0,1 0,085 -0,07 0,201 -0,175 -0,181 0,009 0,759 Reflect 0,081 <0,001
LED2 -0,12 0,121 0,03 0,064 -0,18 -0,029 -0,001 0,804 Reflect 0,08 <0,001
Kinerja
LED3 -0,247 0,114 0,441 0,152 0,04 -0,178 0,149 0,632 Reflect 0,084 <0,001
Pengembangan
LED4 0,083 0,129 -0,147 -0,113 0,066 0,148 -0,268 0,624 Reflect 0,084 <0,001
Ekonomi Lokal
LED5 0,046 -0,19 -0,158 -0,157 0,168 0,191 0,011 0,711 Reflect 0,082 <0,001
LED6 0,159 -0,309 -0,08 -0,205 0,16 0,079 0,101 0,579 Reflect 0,085 <0,001
Sumber : Hasil olahdata WarpPLS Versi 6.0

Keterangan :

IP = Kinerja Institusi EP = Proaktif

IA = Adaptability ER = Risk Taking
FS = Stabilitas Institusi BP = Kinerja bisnis
EI = Kemampuan Inovasi LED = Pengembangan Ekonomi Lokal
4.3.5.3 Indikator Weight

Berbeda dengan variabel laten refletif, untuk mengukur kelayakan variabel

laten formatif digunakan dua kriteria yaitu (1) bobot (weight) harus

signifikan (Pvalue < 0,05) dan (2) nilai VIF kurang dari 3,3 (Kock, 2013)

dalam (Mahfud, 2013). Namun menurut Hair dkk (2013) dalam Mahfud

(2013) jika loading bernilai diatas 0,50 meskipun indikator weight tidak

signifikan, indikator tersebut tetap bisa dipertahankan. Jika outer loading

dibawah 0,50 maka harus dilihat signifikansi dari loading tersebut. Jika

loading dibawah 0,50 namun signifikan perlu dipertimbangkan

relevansinya dengan teori dan pengaruhnya dengan hasil loading indikator

lainnya. Namun jika loading-nya kurang dari 0,50 dan tidak signifikan

maka indikator tersebut bisa dihapus. Adapun hasil pengujian outer model

first order untuk masing-masing indikator formatif pada penelitian ini

menunjukkan bahwa dari 32 indikator formatif yang ada hanya 2 indikator

memiliki nilai weight <0,50 dan tidak signifikan sehingga harus dihapus.

Sedangkan 30 indikator lainnya signifikan (Pvalue < 0,05) sehingga dapat

dipertahankan walaupun nilai weight-nya kurang dari 0,50. Secara lebih

rinci hasil perhitungan nilai weight pada indikator formatif ditampilkan

pada Tabel 4.7 (Interasi pertama) dan Tabel 4.8 (Iterasi kedua setelah

indikator yang tidak signifikan dieliminasi) berikut :

 Tabel 4.7.
Indikator Weight untuk Indikator Formatif (Iterasi pertama)
VARIABEL Type P
LATEN KODE CAP LAB TECH TG PG AG (a SE value VIF
K1 0,06 0 0 0 0 0 Formati 0,098 0,27 1,083
K2 0,236 0 0 0 0 0 Formati 0,093 0,007 5,996
K3 0,247 0 0 0 0 0 Formati 0,093 0,005 4,565
K4 0,188 0 0 0 0 0 Formati 0,095 0,025 2,523
Kapital
K5 0,168 0 0 0 0 0 Formati 0,095 0,04 1,355
K6 0,229 0 0 0 0 0 Formati 0,094 0,008 7,567
K7 0,226 0 0 0 0 0 Formati 0,094 0,009 7,35
K8 0,091 0 0 0 0 0 Formati 0,097 0,176 1,322
L1 0 0,366 0 0 0 0 Formati 0,09 <0,001 1,147
Tenaga Kerja L2 0 0,477 0 0 0 0 Formati 0,087 <0,001 1,493
L3 0 0,451 0 0 0 0 Formati 0,088 <0,001 1,406
T1 0 0 0,2 0 0 0 Formati 0,094 0,018 1,143
T2 0 0 0,405 0 0 0 Formati 0,089 <0,001 1,422
Teknologi
T3 0 0 0,428 0 0 0 Formati 0,089 <0,001 1,559
T4 0 0 0,374 0 0 0 Formati 0,09 <0,001 1,358
TG1 0 0 0 0,305 0 0 Formati 0,092 <0,001 2,884
TG2 0 0 0 0,33 0 0 Formati 0,091 <0,001 3,574
Transparansi
TG3 0 0 0 0,319 0 0 Formati 0,091 <0,001 2,44
TG5 0 0 0 0,259 0 0 Formati 0,093 0,003 1,711
PG1 0 0 0 0 0,319 0 Formati 0,091 <0,001 1,337
Partisipasi
PG2 0 0 0 0 0,382 0 Formati 0,09 <0,001 1,544
 VARIABEL Type P
LATEN KODE CAP LAB TECH TG PG AG (a SE value VIF
PG3 0 0 0 0 0,352 0 Formati 0,09 <0,001 1,417
PG4 0 0 0 0 0,334 0 Formati 0,091 <0,001 1,302
AG1 0 0 0 0 0 0,343 Formati 0,091 <0,001 1,27
AG2 0 0 0 0 0 0,332 Formati 0,091 <0,001 1,251
Akuntabilitas AG3 0 0 0 0 0 0,356 Formati 0,09 <0,001 1,289
AG4 0 0 0 0 0 0,297 Formati 0,092 <0,001 1,171
AG5 0 0 0 0 0 0,223 Formati 0,094 0,009 1,071
Sumber : Hasil olahdata WarpPLS Versi 6.0

Keterangan :

INS = Kapasitas Institusi CAPT = Modal Kapital

PART = Partisipasi LABOUR = Tenaga Kerja
ACC = Akuntabilitas TECH = Teknologi
TRANS = Transparansi

Tabel 4.8.
Indikator Weight untuk Indikator Formatif (Iterasi kedua)
VARIABEL Type P
LATEN KODE CAP LAB TECH TG PG AG (a SE value VIF
K2 0,251 0 0 0 0 0 Formati 0,093 0,004 5,992
K3 0,258 0 0 0 0 0 Formati 0,093 0,003 4,428
K4 0,205 0 0 0 0 0 Formati 0,094 0,016 2,463
Kapital
K5 0,174 0 0 0 0 0 Formati 0,095 0,035 1,334
K6 0,229 0 0 0 0 0 Formati 0,094 0,008 7,49
K7 0,223 0 0 0 0 0 Formati 0,094 0,009 6,952
L1 0 0,366 0 0 0 0 Formati 0,09 <0,001 1,147
Tenaga Kerja L2 0 0,477 0 0 0 0 Formati 0,087 <0,001 1,493
L3 0 0,451 0 0 0 0 Formati 0,088 <0,001 1,406
T1 0 0 0,2 0 0 0 Formati 0,094 0,018 1,143
T2 0 0 0,405 0 0 0 Formati 0,089 <0,001 1,422
Teknologi
T3 0 0 0,428 0 0 0 Formati 0,089 <0,001 1,559
T4 0 0 0,374 0 0 0 Formati 0,09 <0,001 1,358
TG1 0 0 0 0,305 0 0 Formati 0,092 <0,001 2,884
TG2 0 0 0 0,33 0 0 Formati 0,091 <0,001 3,574
Transparansi
TG3 0 0 0 0,319 0 0 Formati 0,091 <0,001 2,44
TG5 0 0 0 0,259 0 0 Formati 0,093 0,003 1,711

PG1 0 0 0 0 0,319 0 Formati 0,091 <0,001 1,337

PG2 0 0 0 0 0,382 0 Formati 0,09 <0,001 1,544
Partisipasi PG3 0 0 0 0 0,352 0 Formati 0,09 <0,001 1,417
PG4 0 0 0 0 0,334 0 Formati 0,091 <0,001 1,302
AG1 0 0 0 0 0 0,343 Formati 0,091 <0,001 1,27
Akuntabilitas
AG2 0 0 0 0 0 0,332 Formati 0,091 <0,001 1,251
 VARIABEL Type P
LATEN KODE CAP LAB TECH TG PG AG (a SE value VIF
AG3 0 0 0 0 0 0,356 Formati 0,09 <0,001 1,289
AG4 0 0 0 0 0 0,297 Formati 0,092 <0,001 1,171
AG5 0 0 0 0 0 0,223 Formati 0,094 0,009 1,071
Sumber : Hasil olahdata WarpPLS Versi 6.0

Keterangan :

INS = Kapasitas Institusi CAPT = Modal Kapital

PART = Partisipasi LABOUR = Tenaga Kerja
ACC = Akuntabilitas TECH = Teknologi
TRANS = Transparansi
4.3.5.4 Koefisien Korelasi

Selain dengan melihat nilai cross loading dan indikator weight, untuk

mengevaluasi validitas diskriminan dapat dilihat dengan metode lain, yaitu

dengan melihat akar kuadrat dari average variance extracted (AVE) untuk setiap

konstruk atau variabel laten. Model memiliki validitas diskriminan yang lebih

baik apabila akar kuadrat AVE untuk masing-masing konstruk lebih besar dari

korelasi antara dua konstruk di dalam model. Menurut Ghozali (2014), AVE yang

baik disyaratkan memiliki nilai lebih besar dari 0,50.Dalam penelitian ini semua

konstruk menunjukkan nilai AVE yang lebih besar dari 0,50 dengan nilai terkecil

0,637 untuk konstruk Akuntabilitas (AG) dan terbesar 0,903 untuk konstruk risk

taking (ER). Hal ini sudah memenuhi persyaratan sesuai dengan batas nilai

minimum AVE yang ditentukan yaitu 0,50. Korelasi antar konstruk dengan nilai

akar kuadrat AVE untuk masing-masing konstruk disajikan pada Tabel 4.8.

VARIABEL
IP IA FS EI EP ER CAP LAB T
LATEN
IP 0,683 0,596 0,362 0,161 0,21 0,242 0,11 0,169
IA 0,596 0,794 0,369 0,174 0,183 0,164 0,015 0,134
FS 0,362 0,369 0,805 0,17 0,208 0,288 0,113 0,118
EI 0,161 0,174 0,17 0,797 0,566 0,318 -0,022 -0,152
EP 0,21 0,183 0,208 0,566 0,75 0,249 0,035 -0,066
ER 0,242 0,164 0,288 0,318 0,249 0,903 0,147 0,067
CAP 0,11 0,015 0,113 -0,022 0,035 0,147 0,74 0,254
LAB 0,169 0,134 0,118 -0,152 -0,066 0,067 0,254 0,768
TECH 0,287 0,116 0,135 0,276 0,246 0,214 0,156 0,03
TG 0,484 0,373 0,386 0,264 0,138 0,298 0,269 0,052
PG 0,517 0,515 0,269 0,178 0,127 0,094 -0,005 0,061
AG 0,557 0,53 0,376 0,26 0,275 0,195 0,054 -0,115
BP 0,22 -0,021 0,025 0,331 0,38 0,3 0,333 0,095
LED 0,255 0,149 0,191 0,246 0,303 0,27 0,334 0,159
4.3.5.5 Reliabilitas

4.3.5.6 Evaluasi Konstruk second order

4.3.6 Evaluasi Structural Model

4.3.6.1 Koefisien Determinasi

4.3.6.2 Koefisien Jalur

4.3.6.3 Ukuran efek Cohen (f2)

4.3.6.4 Relevansi Prediktif (Q2)

4.3.7 Indeks Kualitas

4.3.8 Pengujian Hipotesis

4.3.9 Persamaan Regresi

4.1 Pembahasan