IV. HASIL DAN PEMBAHASAN
4.2 Hasil Analisis dengan Metode Structural Equation Modelling
Hasil analisis dari metode Structural Equation Modelling (SEM) hanya dapat digunakan jika pengujian memenuhi syarat kesesuaian. Untuk mendapatkan hasil serta mengetahui apakah model telah memenuhi syarat kesesuaian ada beberapa tahapan yang harus dilakukan.
4.2.1 Spesifikasi Model
SEM dimulai dengan menspesifikasikan model penelitian yang akan diestimasi. Spesifikasi model penelitian merepresentasikan permasalahan yang diteliti. Hoyle (1998) mengatakan bahwa analisis tidak akan dimulai sampai peneliti menspesifikasikan sebuah model yang menunjukkan hubungan (hipotesis) di antara variabel-variabel yang akan dianalisis. Untuk penelitian ini, hipotesis yang diuji adalah:
H10 : Nilai tukar berhubungan negatif terhadap indeks harga saham sektor pertambangan.
H20 : Suku bunga berhubungan negatif terhadap indeks harga saham sektor pertambangan.
H30 : Inflasi berhubungan negatif terhadap indeks harga saham sektor pertambangan.
H40 : Jumlah uang beredar berhubungan positif terhadap indeks harga saham sektor pertambangan.
H50 : Nilai tukar memiliki pengaruh terhadap suku bunga.
H60 : Suku bunga memiliki pengaruh terhadap jumlah uang beredar. H70 : Suku bunga memiliki pengaruh terhadap inflasi.
Hubungan-hubungan tersebut bisa digambarkan dengan persamaan linier sebagai berikut:
y = b1x1 + b2x2 + b3x3 + b4x4+ ε1
x2 = b5x1 + ε1
x3 = b6x2 + ε1
x3 = b7x2 + ε1
Dimana:
y = Indeks harga saham sektor pertambangan x1 = Nilai tukar
x2 = Suku bunga x3 = Inflasi
Langkah selanjutnya dari spesifikasi model adalah membuat path diagram dari hipotesis-hipotesis diatas. Hubungan antara masing-masing variabel dalam bentuk path diagram dapat dilihat pada Gambar 3.
Gambar 3. Path Diagram
Karakteristik dasar penggunaan SEM harus menggunakan dua variabel yakni variabel observed (laten) dan unobserved. Karena pada path analysis
semua variabel merupakan variabel laten, maka error term yang dilambangkan dengan simbol e berfungsi sebagai variabel unobserve. Analisis terhadap path diagram akan menghasilkan nilai-nilai untuk masing-masing parameter, error term, dan residu.
4.2.2 Identifikasi
Sebelum dilakukan tahap estimasi untuk mencari solusi dari persamaan simultan yang mewakili model yang dispesifikasi, terlebih dahulu dilakukan pemeriksaan identifikasi dari persamaan simultan. Identifikasi menjelaskan apakah informasi yang disediakan oleh data empiris (varian dan kovarian variabel-variabel yang terobservasi) secara aktual mencukupi untuk memberikan solusi terhadap persamaan-persamaan yang berisi parameter-parameter model. Terdapat tiga kemungkinan status dari identifikasi model (Wijanto 2008):
a. Under Identified adalah model dengan jumlah parameter yang diestimasi lebih besar dari jumlah data yang diketahui (data tersebut merupakan varian dan kovarian dari variabel-variabel teramati). Under identified model pada SEM terjadi ketika degree of freedom (df) < 0.
b. Just identified adalah model dengan jumlah parameter yang sama dengan data diketahui. (df = 0)
c. Over identified adalah model dengan jumlah parameter yang diestimasi lebih kecil dari jumlah data yang diketahui (df > 0).
Dalam penelitian ini jumlah data yang diketahui adalah 106 data, dengan jumlah parameter adalah 11. Sehingga dapat disimpulkan bahwa model over identified.
4.2.3 Estimasi
Setelah mengetahui bahwa identifikasi dari model adalah over identified, maka tahapan selanjutnya melakukan estimasi untuk memperoleh nilai dari parameter-parameter yang ada di dalam model. Rumusan yang digunakan untuk mengestimasi model adalah membandingkan jumlah unsur-unsur non redundant dengan jumlah parameter. Untuk mengetahui jumlah unsur-unsur non redundant digunakan perhitungan berikut:
Dimana :
p = Jumlah variabel terikat
q = Jumlah variabel bebas
e = Error term
s = Unsur-unsur non redundant
Jumlah parameter yang diestimasi (t) pada model penelitian ini adalah 11, yaitu b1 sampai dengan b7 ditambah error term. Sedangkan jumlah p yaitu variabel-variabel y adalah 4, sedangkan q yaitu variabel-variabel x adalah 7 sehingga unsur-unsur non redundant (s) adalah:
½ (4+7) (4+7+1) = 66
Dengan demikian t < s, sehingga model diestimasikan over identified.
Kondisi tersebut memberikan indikasi bahwa model dapat dianalisis menggunakan model persamaan struktural. Penelitian ini menggunakan
maximum likehood estimator (MLE). Dengan MLE tahap estimasi akan menghasilkan solusi yang berisi nilai akhir dari parameter-parameter yang diestimasi.
4.2.4 Uji Kecocokan
Pada tahapan uji kecocokan, akan diperiksa tingkat kecocokan antara data dengan model, validitas dan realibilitas model pengukuran, dan signifikansi koefisien-koefisien dari model struktural. Untuk menentukan derajat prediksi model keseluruhan (model struktural dan pengukuran) terhadap matrik korelasi dan kovarian dilakukan pengukuran kecocokan absolut (chi square, non centrality parameter, goodness of fit index, dan root mean square approximation).
Chi square digunakan untuk menguji seberapa dekat kecocokan antara matrik kovarian sampel S dengan matrik kovarian model (�). Hasil pengujian kecocokan dengan melihat nilai chi square, derajat kebebasan dan probabilitas terhadap model dalam penelitian ini terdapat pada Tabel 2.
Tabel 2. Nilai Chi Square, Degree of Freedom, dan Probabilitas
Model CMIN DF P CMIN/DF
Default model 4,598 4 ,331 1,150
Saturated model ,000 0
Independence model 147,082 10 ,000 14,708
Pada Tabel 2 dijelaskan masing-masing nilai untuk model default, model saturated, maupun model independence. Model default adalah model yang sekarang sedang diuji. Model saturated adalah hasil pengujian pada kondisi just identified, yakni derajat kebebasan atau df (degree of freedom) adalah 0. Model independence adalah hasil pengujian pada kondisi di mana setiap variabel indikator dianggap tidak berhubungan dengan variabel latennya.
CMIN menunjukkan nilai chi square, yang pada default model bernilai 4,598. Seperti yang dinyatakan oleh Mustafa (2012), sebuah model dikatakan baik jika memiliki nilai chi square mendekati nol atau sekecil mungkin.
Dasar uji chi square sendiri adalah membandingkan perbedaan frekuensi hasil observasi (O) dengan frekuensi yang diharapkan (E). Rumus dasar dari uji chi square adalah :
�
2=
( 0− )2... (4) Dimana:
x2 : Nilai chi square
fe : Frekuensi yang diharapkan
fo : Frekuensi yang diperoleh/diamati
Derajat kebebasan atau DF (Degree of Freedom) adalah banyaknya kebebasan untuk memberi nilai kepada variabel. Kebebasan akan berkurang jika pemberian nilai kepada variabel diberi syarat. Makin banyak syarat semakin kecil derajat kebebasan.
P menunjukkan nilai probabilitas atau level signifikan sebuah model. Menurut Wijanto (2008), sebuah penelitian diusahakan menghasilkan level signifikan lebih atau sama dengan 0,05. Model yang diuji menunjukkan level signifikan sebesar 0,331 (>0,05). Hal ini menandakan bahwa hipotesis nol
diterima dan matrik input yang diprediksi dengan yang sebenarnya (actual) tidak berbeda secara statistik.
CMIN/DF atau Normed chi-square menunjukkan penyimpangan matriks maupun model hipotesis [ (�)] terhadap matriks data sampel. Nilai CMIN/DF terhadap model adalah sebesar 1,150. Nilai yang direkomendasikan untuk menerima kesesuaian model adalah CMIN/DF yang lebih kecil atau sama dengan 2,00. Hal ini mengindikasikan model yang diteliti fit secara keseluruhan atau tidak ada perbedaan model secara teoritis dengan data empiris (lapangan).
Goodness of fit index (GFI) membandingkan model yang dihipotesis dengan tidak ada model sama sekali [ (0)]. GFI yang dihasilkan dari pengujian model terdapat pada Tabel 3.
Tabel 3. Nilai GFI dan AGFI
Model GFI AGFI
Default model ,983 ,937
Saturated model 1,000
Independence model ,746 ,618 Menurut Wijanto (2008) nilai GFI berkisar antara 0 (poor fit) sampai 1 (perfect fit). Nilai GFI ≥ 0,90 merupakan good fit (kecocokan yang baik).
AGFI adalah perluasan dari GFI yang disesuaikan dengan rasio antara
degree of freedom dari null/ independence/ baseline model dengan degree of freedom dari model yang dihipotesiskan atau diestimasi (Joreskog dan Sorbom, 1988). Seperti halnya GFI, nilai AGFI berkisar antara 0 sampai 1. Nilai AGFI ≥ 0,90 menunjukkan good fit.
Root mean square error of approximation atau RMSEA merupakan salah satu indeks yang informatif dalam SEM. Indeks ini pertama kali diusulkan oleh Steiger dan Lind (1980). Nilai RMSEA dari model penelitian ini terdapat pada Tabel 4.
Tabel 4. Nilai RMSEA
Model RMSEA
Default model ,038
Independence model ,361
Wijanto (2008) menyatakan nilai RMSEA dari default model yang ≤ 0,05 menandakan close fit, yaitu model menyerupai keadaan aktual. Untuk model dalam penelitian ini didapatkan nilai RMSEA default model sebesar 0,038
Selain ukuran kecocokan absolut ukuran lainnya yang perlu dilihat dari hasil pengujian adalah ukuran kecocokan inkremental. Ukuran ini membandingkan model yang diusulkan (default model) dengan model dasar (independence model). Ukuran kecocokan inkremental mengandung ukuran-ukuran yang mewakili sudut pandang comparative fit to base model. Dari berbagai ukuran kecocokan inkremental, ada beberapa ukuran-ukuran yang biasanya digunakan untuk mengevaluasi SEM.
Pengukuran indeks inkremental seperti nilai indeks NFI (Normed Fit Index) dan CFI (Comparative Fit Index) yang dikemukakan oleh Benler dan Bonet (1980), Tucker Lewis Index atau TLI yang diusulkan oleh Tucker dan Lewis (1973), relative fit index (RFI) dan incremental fit index (IFI) dari Bollen (1898) terdapat pada Tabel 5.
Tabel 5. Nilai NFI, RFI, IFI, TLI, dan CFI
Model NFI Delta1 RFI rho1 IFI Delta2 TLI rho2 CFI Default model ,969 ,922 ,996 ,989 ,996 Saturated model 1,000 1,000 1,000 Independence model ,000 ,000 ,000 ,000 ,000
NFI, RFI, IFI, TLI, dan CFI mensyaratkan nilai ≥ 0,90 sebagai good fit, yaitu model dikatakan baik dan sesuai dengan situasi aktual. Nilai pengukuran terhadap semua indeks tersebut berada atas nilai 0,90. Sehingga model yang dianalisis memenuhi kesesuaian.