METODE PENELITIAN
D. Metode Analisis Data 1. Analisis Deskriptif
Statistik deskriptif adalah statistik yang digunakan untuk menganalisa data dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku untuk umum atau generalisasi (Sugiyono, 2004). Analisis deskriptif dalam penelitian ini bertujuan untuk mengidentifikasi profil responden yang
menjadi sampel dalam penelitian serta mendeskripsikan karakteristik responden berdasarkan pada jenis kelamin, usia, pendidikan terakhir, pekerjaan dan penghasilan per bulan.
2. Pengujian Statistik
Untuk mengetahui konsistensi dan akurasi data yang dikumpulkan melalui penggunaan instrumen penelitian maka diperlukan uji kualitas data.
Uji kualitas data yang dihasilkan dari penggunaan instrumen penelitian dapat dievaluasi melalui uji reabilitas dan uji validitas.
a. Uji Validitas
Validitas adalah ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya. Suatu instrumen pengukur dapat dikatakan mempunyai validitas yang tinggi apabila instrumen tersebut menjalankan fungsi ukurnya atau memberikan hasil ukur yang sesuai dengan maksud dilakukannya pengukuran tersebut (Ujianto dan Alwi, 2005). Teknik analisis yang digunakan dalam penelitian ini adalah Confirmatory Factor Analysis (CFA) dan diolah dengan menggunakan software SPSS. Setiap item pertanyaan harus mempunyai factor loading > 0,40.
b. Uji Reliabilitas
Uji reliabilitas digunakan untuk membuktikan bahwa pernyataan-pernyataan di dalam kuesioner konsisten atau tidak. Uji reliabilitas ini berkaitan dengan konsistensinya suatu data apabila dilakukan pengamatan berulang (Ujianto dan Alwi, 2005). Reliabilitas adalah indeks yang menunjukkan sejauh mana suatu alat pengukuran dapat dipercaya / dapat diandalkan dan sejauh mana hasil pengukuran dapat dipercaya atau dapat diandalkan dan sejauh mana hasil pengukuran tetap konsisten bila dilakukan pengukuran 2 kali atau lebih terhadap gejala yang sama. Untuk mengukur reliabilitas alat pengukuran yang digunakan adalah teknik analisis Cronbach Alpha. Kategori koefisien alpha dari suatu pengujian adalah sebagai berikut (Sekaran, 2000) :
1. 0.8 – 1.0 = reliabilitas baik
2. 0.6 – 0.799 = reliabilitas dapat diterima 3. < 0.6 = reliabilitas kurang baik c. Analisis Structural Equation Model (SEM)
Penelitian ini menggunakan Structural Equation Model (SEM) yang diolah dengan software Analisis of Moment Structure (AMOS).
Tujuan penggunaan SEM adalah untuk mengestimasi beberapa persamaan regresi yang terpisah, akan tetapi masing-masing mempunyai hubungan
simultan atau bersamaan. Pada analisis tersebut bisa ada beberapa variabel dependen dan variabel independen tersebut bisa menjadi variabel independen bagi variabel dependen yang lainnya.
Model struktural pada prinsipnya mempunyai tujuan untuk menguji hubungan antara sebab dan akibat dari variabel sehingga jika salah satu variabel diubah, maka terjadi perubahan pada variabel yang lain. Dalam penelitian ini, data diolah dengan menggunakan AMOS versi 18.
Analisis SEM dapat menghitung estimasi seperangkat persamaan regresi yang simultan, berganda dan saling berhubungan. Karakteristik penggunaan model ini yaitu: (1) dapat mengestimasi hubungan dependen ganda yang saling berkaitan, (2) dapat memunculkan konsep yang tidak teramati dalam hubungan serta dalam menentukan kesalahan pengukuran dalam proses estimasi, dan (3) dapat mengakomodasi seperangkat hubungan antara variabel independen dengan variabel dependen serta mengungkap variabel laten (Hair et al.,1998)
1) Evaluasi Asumsi SEM
a). Asumsi Kecukupan Sampel
Sampel yang harus dipenuhi dalam model SEM ini berjumlah minimal 5 kali jumlah parameter yang akan
diestimasi (Ferdinand, 2002). Namun apabila jumlah sampel yang terlalu banyak dan tidak memungkinkan untuk dilakukan penarikan sampel seluruhnya, maka peneliti akan menggunakan rekomendasi untuk menggunakan maksimun likelihood estimation yaitu penarikan sampel antara 100-200 sampel (Ferdinand, 2002).
b). Asumsi Normalitas
Dalam analisis multivariate, asumsi ini paling fundamental karena merupakan bentuk distribusi data pada variabel matriks tunggal yang menghasilkan distribusi normal (Hair et al., 1998:70). Jika asumsi ini tidak dipenuhi dan penyimpangan data normalitasya terlalu besar maka akan mengakibatkan hasil uji yang bias. Uji normalitas dapat digunakan dengan menggunakan nilai critical statistic ratio skewness yang menggambarkan penyimpangan distribusi simetris dan kurtosis atau tingkat kecuraman secara berturut – turut. Nilai statistik untuk menguji normalitas disebut z value (critical ratio / CR pada output AMOS 18) dari ukuran skewness dan kurtosis ditribusi data. Bila nilai CR lebih besar dari nilai critical value, maka diduga distribusi data tidak normal. Critical value dapat ditentukan berdasar tingkat
signifikansi 1% yaitu 2,58. Ghozali dan Fuad, (2008) membagi distribusi data menjadi tiga bagian:
1) Normal, apabila nilai z statistik (Critical Ratio atau CR) skewness <2 dan nilai CR kurtosis <7.
2) Moderately non normal, apabila nilai CR skewness berkisar antara 2 sampai 3 dan nilai CR kurtosis berkisar antara 7 sampai 21.
3) Extremely non normal, apabila nilai CR skewness >3 dan nilai CR kurtosis >21.
c). Asumsi Outliers
Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk variabel tunggal maupun variabel kombinasi (Hair et al., 1998). Outliers dapat dievaluasi dengan nilai mahalanobis distance dengan nilai degree of freedom sejumlah variabel yang dipergunakan dalam penelitian pada tingkat p < 0,001.
Dalam hal ini variabel yang dimaksud adalah jumlah item pengukuran pada model. Dalam analisis multivariate adanya outliers dapat diuji dengan statistik Chi Square ( ) terhadap nilai mahalanobis distance squared pada tingkat signifikansi
0.001 dengan degree of freedom sejumlah konstruk yang digunakan dalam penelitian (Hair, et al., 1998).
2) Evaluasi atas Kriteria Goodnes of Fit
Setelah pengujian model pengukuran (measurement model) dilakukan, pengujian berikutnya adalah menguji goodness of fit yang mengukur derajat kesesuaian antara model yang dihipotesiskan dengan data yang disajikan. Pengujian goodness of fit model didasarkan pada kriteria sebagai berikut:
a) Chi-Square
Tujuan analisis Chi Square adalah untuk menguji apakah sebuah model sesuai dengan data. Chi Square sangat bersifat sensitif terhadap sampel yang terlalu kecil maupun yang terlalu besar. Oleh karena itu pengujian ini perlu dilengkapi dengan uji lainnya. Nilai Chi Square merupakan ukuran mengenai buruknya fit suatu model (Ghozali, 2005). Tingkat signifikansi penerimaan yang direkomendasikan adalah apabila p ≥ 0.05 (Hair et.al., 1998), yang berarti matriks input yang sebenarnya dengan matriks input yang diprediksi secara statistik tidak berbeda.
b) Goodness of Fit Indices (GFI)
Indeks ini menggambarkan tingkat kesesuaian model secara keseluruhan, yang dihitung dari residual kuadrat dari model yang diprediksi dibandingkan dengan data yang sebenarnya. Nilai yang lebih mendekati 1 mengindikasikan model yang diuji memiliki kesesuaian yang baik (Hair et.al., 1998). Nilai GFI yang lebih besar dari atau sama dengan 0.90 (GFI ≥ 0.090) dikatakan baik.
c) Root Mean Square Error of Approximation (RMSEA)
RMSEA merupakan ukuran yang mencoba memperbaiki kecenderungan statistik Chi-Square model dengan jumlah sampel yang besar. Menurut Hair et.al. (1998) nilai RMSEA yang lebih kecil dari atau sama dengan 0.08 (RMSEA ≤ 0.08), merupakan indeks yang baik untuk menerima kesesuaian sebuah model.
d) Adjusted Goodness of Fit Index ( AGFI)
Indeks ini merupakan pengembangan dari GFI, yaitu indeks GFI yang telah disesuaikan dengan rasio dari degree of freedom model yang diusulkan dengan degree of freedom dari null model. Menurut Hair et.al., (1998), nilai indeks penerimaan kesesuaian sebuah model yang direkomendasikan
adalah apabila nilai AGFI ≥ 0.90. Nilai indeks yang semakin mendekati 1, maka model tersebut memiliki kesesuaian yang semakin baik.
e) Trucker Lewis Index (TLI)
TLI adalah suatu incremental fit index yang membandingkan sebuah model yang diuji dengan null model.
Hair, et.al. (1998:657) merekomendasikan bahwa nilai TLI yang baik adalah TLI ≥ 0.90.
f) Comparative Fit Index (CFI)
CFI merupakan indeks kesesuaian incremental, yang juga membandingkan model yang diuji dengan null model. Nilai CFI berkisar 0–1 dengan nilai yang mendekati 1 mengindikasikan model yang diuji memiliki kesesuaian yang baik. Nilai penerimaan yang direkomendasikan adalah CFI >
0,90 (Ferdinand:2005). Indeks TLI dan CFI sangat dianjurkan untuk digunakan karena indeks-indeks ini relatif tidak sensitif terhadap besarnya sampel dan kurang dipengaruhi pula oleh kerumitan model (Ferdinand, 2005).
g) Normed Fit Index (NFI)
NFI merupakan ukuran perbandingan antara proposed model dan null model. Nilai NFI akan bervariasi dari 0 (no fit at all) sampai 1,0 (perfect fit). Nilai yang direkomendasikan adalah NFI ≥ 0.90 (Ghozali, 2008).
h) Normed Chi Square (CMIN/DF)
Normed Chi-Square adalah ukuran yang diperoleh dari nilai Chi-Squre dibagi dengan degree of freedom. Menurut Hair et. al., (1998:658), nilai yang direkomendasikan untuk menerima kesesuaian sebuah model adalah nilai CMIN/DF yang lebih kecil dari atau sama dengan 2.0/3.0 (CMIN/DF ≤ 2.0/3.0).
Indeks-indeks yang digunakan untuk menguji kelayakan sebuah model dapat diringkas dalam tabel III.1.
Tabel III.1
Indeks Goodnes-of-Fit Model
Kriteria Control of Value Keterangan
X2 Chi Square Diharapkan kecil Baik X2 Significance Probability ≥ 0,05 Baik
GFI ≥ 0,90 Baik
RMSEA ≤ 0,80 Baik
AGFI ≥ 0,90 Baik
TLI ≥ 0,95 Baik
CFI ≥ 0,90 Baik
CMIN/DF < 2,00 – 5,00 Baik
Sumber: Ferdinand (2002)