BAB III METODE PENELITIAN
D. Metode Analisis
Analisis jalur (Path Analysis) dikembangkan oleh Sewall Wright pada tahun 1934. Analisis jalur digunakan apabila secara teori yakin berhadapan dengan masalah yang berhubungan sebab akibat. Tujuannya adalah menerangkan akibat langsung dan tidak langsung seperangkat variabel, sebagai variabel penyebab terhadap variabel lainnya yang merupakan variabel akibat. (Riduwan, 2008:1)
Analisis jalur merupakan pengembangan dari model regresi yang digunakan untuk kesesuaian (fit) dari matrik korelasi dari dua atau lebih model yang dibandingkan oleh si peneliti. Model biasanya digambarkan dengan lingkaran dan anak panah yang menunjukkan hubungan kausalitas. Regresi dilakukan untuk setiap variabel dalam model. Nilai regresi yang diprediksi oleh model dibandingkan dengan matrik korelasi hasil observasi variabel dan nilai goodness of-fit dihitung. Model terbaik dipilih berdasarkan nilai goodness of fit. (Ghozali, 2008:21)
Analisis jalur merupakan pengembangan lebih lanjut dari analisis regresi berganda dan bivariate. Analisis jalur ingin menguji persamaan
59
regresi yang melibatkan beberapa variabel eksogen dan endogen sekaligus sehingga memungkinkan pengujian terhadap variabel mediating/intervening
atau variabel antara. Disamping itu analisis jalur juga dapat mengukur hubungan langsung antar variabel dalam model maupun hubungan tidak langsung antar variabel dalam model. Hubungan langsung antara variabel eksogen terhadap variabel dapat dilihat pada koefisien beta. Hubungan tidak langsung adalah seberapa besar pengaruh variabel eksogen terhadap variabel endogen melalui variabel intervening. Pengaruh total dapat diperoleh dengan menjumlahkan hubungan langsung dan tidak langsung. (Ghozali, 2008:93).
Analisis jalur digunakan untuk melukiskan dan menguji model hubungan antar variabel yang berbentuk sebab akibat. Dengan demikian dalam model hubungan antar variabel tersebut, terdapat variabel independen yang dalam hal ini disebut variabel eksogen (Exogenous), dan variabel dependen yang disebut variabel endogen (Endogenous). Melalui analisis jalur ini akan dapat ditemukan jalur mana yang paling tepat dan singkat suatu variabel independen menuju variabel dependen yang terakhir. (Sugiyono, 2009:297)
Dilihat dari paradigma penelitian, maka dapat diperoleh 3 (tiga) substruktur linier sebagai berikut:
60 X1 X2 X3 Y1 e 1 Substruktur I : Gambar 3.1
Hubungan Kausal X1, X2, X3 terhadap Y1
Bila dirumuskan kedalam persamaan matematis akan didapat model sebagai berikut:
Y1 = Y1X1 + Y1X2 + Y1X3 +
ε
1Keterangan :
Y1 = Kebijakan Dividen Kas X3 = Return On Equity
X1 = Struktur Kepemilikan Saham
ε
1 = Residual ErrorX2 = Free cash Flow
Substruktur II :
Gambar 3.2
Hubungan Kausal X1, X2, X3, X4, dan Y1 terhadap Y2
Bila dirumuskan kedalam persamaan matematis akan didapat model sebagai berikut: X1 X2 X3 Y1 e2 Y2
61 X1 X3 Y1 Z e3 Y2 Y2 = Y2X1 + Y2X2 + Y2X3 + Y2Y1 +
ε
2 Keterangan :Y1 = Kebijakan deviden kas X2 = Free Cash Flow
Y2 = Biaya Keagenan X3 = Profitabilitas
X1 = Struktur kepemilikan saham
ε
2 = Residual ErrorSubstruktur III :
Gambar 3.3
Hubungan Kausal X1, X3, Y1 dan Y2 terhadap Z
Bila dirumuskan kedalam persamaan matematis akan didapat model sebagai berikut:
Z = ZX1 + ZY1 + ZX3 + ZY2 +
ε
3Keterangan :
Z = Nilai perusahaan X1 = Struktur kepemilikan saham
Y1 = Kebijakan deviden kas X3 = Profitabilitas
62
Hair et.al (1998) dalam Ghozali (2008:61) mengajukan tahapan pemodelan dan analisis persamaan struktural menjadi 7 (tujuh) langkah yaitu:
Langkah 1: Pengembangan Model Berdasar Teori
Model persamaan struktural didasarkan pada hubungan kausalitas, dimana perubahan satu variabel diasumsikan akan berakibat pada perubahan variabel lainnya. Hubungan kausalitas dapat berarti hubungan yang ketat seperti ditemukan dalam proses fisik seperti dalam riset perilaku yaitu alasan seseorang membeli produk tertentu. Kuatnya hubungan kausalitas antara dua variabel yang diasumsikan oleh peneliti bukan terletak pada metode analisis yang dia pilih, tetapi terletak pada justifikasi (pembenaran) secara teoritis untuk mendukung analisis. Jadi jelas bahwa hubungan antar variabel dalam model merupakan dedukasi dari teori.
Langkah 2 dan 3: Menyusun Diagram Jalur dan Persamaan Struktural Langkah berikutnya adalah menyusun hubungan kausalitas dengan diagram jalur dan menyusun persamaan strukturalnya. Ada dua hal yang perlu dilakukan yaitu menyusun model struktural yaitu menghubungkan antar model konstruk laten baik endogen maupun eksogen dan menyusun
measurement model yaitu menghubungkan konstrak laten endogen atau eksogen dengan variabel indikator atau manifest.
Langkah 4: Memilih Jenis Input Matrik dan Estimasi Model yang Diusulkan Model persamaan struktural berbeda dari teknik analisis multivariate lainnya, SEM hanya menggunakan data input berupa matrik varian/kovarian
63
atau matrik korelasi. Data mentah observasi individu dapat dimasukkan dalam program AMOS, tetapi program AMOS akan merubah dahulu data mentah menjadi matrik kovarian atau matrik korelasi. Analisis terhadap data outlier harus dilakukan sebelum matrik kovarian atau korelasi dihitung. Teknik estimasi model persamaan struktural pada awalnya dilakukan dengan ordinary least square (OLS) regression, tetapi teknik ini mulai digantikan oleh Maximum Likelihood Estimation (ML) yang lebih efisien dan unbiased jika asumsi normalitas multivariate dipenuhi. Teknik ML sekarang digunakan oleh banyak program komputer. Namun demikian teknik ML sangat sensitif terhadap non-normalitas data sehingga diciptakan teknik estimasi lain seperti weight least square (WLS), generalized least square (GLS) dan asymptotivally distribution free (ADF).
Langkah 5 : Menilai Identifikasi Model Struktural
Selama proses estimasi berlangsung dengan program komputer, sering didapat hasil estimasi yang tidak logis atau meaningless dan hal ini berkaitan dengan masalah identifikasi model struktural. Problem identifikasi adalah ketidakmampuan proposed model untuk menghasilkan unique estimate. Cara melihat ada tidaknya problem identifikasi adalah dengan melihat hasil estimasi yang meliputi: (1) adanya nilai standar error yang besar untuk satu atau lebih koefisien, (2) ketidakmampuan program untuk
64 error variance yang negatif , (4) adanya nilai korelasi yang tinggi ( > 0,90) antar koefisien estimasi.
Langkah 6 : Menilai Kriteria Goodness-of-Fit
Salah satu tujuan dari Analisis Jalur adalah menentukan apakah model
planusible (masuk akal) atau fit. Suatu model penelitian dikatakan baik, apabila memiliki model fit yang baik pula. Tingkat kesesuaian model dalam buku Ghozali (2008) terdiri dari:
1. Absolute Fit Measure
Absolute fit measure mengukur model fit secara keseluruhan (baik model strultural maupun model pengukuran secara bersamaan).
a. LikeliHood-Ratio Chi-Square Statistic
Ukuran fundamental dari overall fit adalah likeliHood-ratio chi- square ( 2
χ ). Nilai chi-square yang tinggi relatif terhadap degree of freedom menunjukkan bahwa matrik kovarian atau korelasi yang diobservasi dengan yang diprediksi berbeda secara nyata dan ini menghasilkan probabilitas (p) akan menghasilkan nilai probabilitas (p) yang lebih besar dari tingkat signifikansi (
α
) dan ini menunjukkan bahwa input matrik kovarian antara prediksi dengan observasi sesungguhnya tidak berbeda secara signifikan. Dalam hal ini peneliti harus mencari nilai chi-square yang tidak signifikan (p ≥ 0.05) karena mengharapkan bahwa model yang diusulkan cocok atau fit dengan data observasi65
b. CMIN/DF
Adalah nilai chi-square dibagi dengan degree of freedom. Beberapa pengarang menganjurkan menggunakan rasio ukuran ini untuk mengukur fit. Menurut Wheaton et. Al (1977) dalam Imam Ghozali (2008) nilai rasio 5 (lima) atau kurang dari lima merupakan ukuran yang
reasonable. Peneliti lainnya seperti Byrne (1988) mengusulkan nilai ratio ini < 2 merupakan ukuran fit.
c. Goodness of Fit Index (GFI)
Goodness of Fit Index (GFI) dikembangkan oleh Joreskog dan Sorbon (1984) yaitu ukuran non-statistik yang nilainya berkisar antar 0 (poor fit) sampai 1 (perfect fit). Nilai GFI tinggi menunjukkan fit yang lebih baik dan berapa nilai GFI dapat diterima sebagai nilai yang layak belum ada standarnya, tetapi banyak peneliti menganjurkan nilai di atas 90% sebagai ukuran good fit.
d. Root Mean Square Erorrs of Approximation (RMSEA)
Root mean square error of approximination (RMSEA) merupakan ukuran yang mencoba memperbaiki kecenderungan statistic chi-square
menolak model dengan jumlah sampel yang besar. Nilai RMSEA antara 0,05 sampai 0,08 merupakan ukuran yang dapat diterima. Hasil uji empiris RMSEA cocok untuk menguji model konfitmatori atau competing model strategy dengan jumlah sampel besar.
66
2. Incremental Fit Measures
Incremental fit measures membandingkan proposed model dengan
baseline model sering disebut dengan null model. Null model merupakan model realistic dimana model-model yang lain harus diatasnya.
a. Adjusted Goodness of Fit Indes (AGFI)
Adjusted Goodnbess of Fit Index (AGFI) merupakan pengembangan dari GFI yang disesuaikan dengan ratio degree of freedom
untuk propsed model dengan degree of freedom untuk null model. Nilai yang direkomendasikan adalah ≥ 0,90.
b. Tucker-Lewis Index (TLI)
Tucker-Lewis Index atau dikenal dengan nonnormed fit index
(NNFI). Pertama kali diusulkan sebagai alat untuk mengevaluasi analisis faktor, tetapi sekarang dikembangkan untuk SEM. Ukuran ini menggabungkan ukuran parsimony kedalam indek komparasi antara
proposed model dan null model dan nilai TLI berkisar dari 0 sampai 1.0. Nilai TLI yang direkomemdasikan adalah ≥ 0,90.
c. Normed Fit Index (NFI)
Normed Fit Index merupakan ukuran perbandingan antara
proposed model dan null model. Nilai NFI akan bervariasi dari 0 (no fit at all) sampai 1.0 (perfect fit). Seperti halnya TLI tidak ada nilai absolute yang dapat digunakan sebagai standar, tetapi umumnya direkomendasikan ≥
67
3. Parsimony Fit Measures
Ukuran ini menghubungkan goodness-of-fit model dengan sejumlah koefisien estimasi yang diperlukan untuk mencapai level fit. Tujuan dasarnya adalah untuk mendiagnosa apakah model fit telah tercapai dengan “overfitting” data yang memiliki banyak koefisien. Prosedur ini mirip dengan “adjustment” terhadap nilai R2 didalam multiple regression. Namun demikian karena tidak ada uji statistik yang tersedia maka penggunaannya hanya terbatas untuk membandingkan model.
a. Parsimony Goodness of Fit Index (PGFI)
Parsimonious goodness-of-fit index (PGFI) memodifikasi GFI atas dasar parsimony estimated model. Nilai PGFI berkisar antara 0 sampai 1.0 debngan nilai semakin tinggi menunjukkan model lebih parsimony.
b. Parsimony Normed Fit Index (PNFI)
Parsimonious normal fit index (PNFI) merupakan modifikasi dari NFI. PNFI memasukkan jumlah degree of freedom yang digunakan untuk mencapai level fit. Semakin tinggi nilai PNFI semakin baik. Kegunaan utama dari PNFI adalah untuk membandingkan model dengan degree of freedom yang berbeda. Digunakan untuk membandingkan model alternatif sehingga tidak ada nilai yang direkomendasikan sebagai nilai fit yang diterima. Namun demikian jika membandingkan dua model maka perbedaan PNFI 0,60 sampai 0,90 menunjukkan adanya perbedaan model yang signifikan.
68
Tabel 3.1
Standar Penilaian Kesesuaian (Fit) Laporan
Statistik
Nilai yang Direkomendasikan Imam Ghozali (2008)
Cut of value Keterangan
Absolut Fit Probabilitas 2
χ Tidak signifikan (p>0.05)
Model yang diusulkan cocok/ fit dengan data observasi
2
χ / df 5
< 2
-Ukuran yang reasonable -Ukuran fit RMSEA < 0.1 <0.05 <0.01 0.05 x 0.08 - good fit - very good fit - outstanding fit - reasonable fit
GFI > 0.9 good fit
Incremental Fit
AGFI 0.9 good fit
TLI 0.9 good fit
NFI 0.9 good fit
Parsimonious Fit
PNFI 0-1.0 Lebih besar lebih baik
PGFI 0-1.0 Lebih besar lebih baik
(Sumber : Imam Ghozali, 2008)
Langkah 7 : Interpretasi dan Modifikasi Model
Ketika model telah dinyatakan diterima, maka peneliti dapat mempertimbangkan dilakukannya modifikasi model untuk memperbaiki penjelasan teoritis atau goodness-of-fit. Modifikasi dari model awal harus dilakukan setelah dikaji banyak pertimbangan. Jika model dimodifikasi, maka model tersebut harus di cross-validated (diestimasi dengan data terpisah) sebelum model modifikasi diterima.
69