BAB II TINJAUAN PUSTAKA
D. Metode Analisis Data
Analisis data yang digunakan dalm penelitian ini yaitu dengan menggunakan metode persamaan struktur (Stuctural Equation Modeling) dengan bantuan aplikasi program AMOS versi 18. Karena penelitian ini menggunakan lebih dari satu indikator untuk mewakili satu variabel yang memiliki hubungan kompleks antara variabel-variabelnya, maka tidak dapat menggunakan analisis regresi berganda.
Tahapan dalam menganalisis masalah penelitian ini adalah sebagai berikut:
1. Identifikasi Variabel
Penelitian ini menggunakan variabel diantaranya adalah sebagai berikut: a. Variabel Laten
Dalam SEM, variabel kunci yang menjadi perhatian adalah variabel laten (Wijayanto, 2008: 10). Variabel laten ini hanya dapat diamati secara tidak langsung dan tidak sempurna melalui efeknya pada variabel teramati. Variabel ini dibedakan menjadi dua:
1) Variabel Eksogen 2) Variabel Endogen
2. Structural Equation Modelling (SEM)
SEM adalah generasi kedua teknik analisis multivariate (Bagozzi dan Fornell, 1982 dalam Bahagia, 2007) yang memungkinkan peneliti menguji hubungan anatara variabel yang kompleks untuk memperoleh
Bollen (1989) dalam Bahagia (2007) SEM juga dapat menguji secara bersama-sama:
a. Model Structural, yaitu hubungan (nilai loading) antara variabel laten.
b. Model Measurement, yaitu hubungan (nilai loading) antara indikator dengan variabel lainnya.
Hair et.al (1998) dalam Ghozali (2008) mengungkapkan tahapan permodelan dan analisis persamaan struktural menjadi 7 (tujuh) langkah yaitu:
a. 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 atau hubungan yang kurang ketat. Kuatnya hubungan kausalitas antara dua variabel yang diasumsikan terletak pada justifikasi (pembenaran) secara teoritis untuk mendukung analisis.
b. 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 yaitu menghubungkan konstruk laten endogen atau eksogen dengan variabel indikator atau manifest.
Ketika measurementmodel telah terspesifikasi, maka peneliti harus menentukan reabilitas dari indikator. Reabilitas indikator dapat dilakukan dengan dua cara (a) diestimasi secara empiris (b) dispesifikasi.
Disamping menyusun model juga dapat dilakukan spesifikasi korelasi antara konstruk eksogen atau antara konstruk endogen sehingga dapat menggambarkan “Share” pengaruh antar konstruk. c. Langkah 4: Memilih jenis input matrik dan estimasi model yang
diusulkan.
Model persamaan struktural berbeda dari teknis analisis multivariate lainnya, SEM hanya menggunakan data input berupa matrik varian/ kovarian atau matrik korelasi. Data mentah observasi individu dapat dimasukan 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.
Pemilihan jenis input matrik dan model dapat dilakukan dengan melihat pada hal-hal sebagai berikut:
1) Ukuran sampel
Besarnya ukuran sampel memiliki peran penting dalam interpretasi hasil SEM. Ukuran sampel memberikan dasar untuk mengestimasi sampling eror. Dengan model estimasi
menggunakan Heywood Casedengan menggunakan < 100 atau < 150 banyaknya jumlah sample.
2) Estimasi model
Dalam langkah ini memungkinkan kita untuk menggambarkan sifat dan jumlah parameter yang diestimasi.
d. Langkah 5: Menilai identifikasi model struktural.
Menilai apakah model just-identified, overidentified atau underidentified dapat dilakukan dengan menghitung jumlah data kovarian dan varian dibandingkan dengan jumlah parameter yang akan diestimasi.
e. Langkah 6: Menilai Kriteria Goodness-of-Fit.
Langkah yang harus dilakukan sebelum menilai kelayakan dari model struktural adalah menilai apakah data yang akan diolah memenuhi asumsi model persamaan struktural. Ada tiga asumsi dasar seperti halnya pada teknik multivariate yang lain yang harus dipenuhi untuk dapat menggunakan model persamaan struktural, yaitu:
1) Observasi data independen.
2) Responden diambil secara random. 3) Memiliki hubungan linear.
Disamping itu SEM sangat sensitive terhadap karakteristik distribusi data khususnya distribusi yang melanggar normalitas multivariate atau adanya kurtosis yang tinggi (kemencengan
distribusi) dalam data. Untuk itu sebelum data diolah harus diuji dahulu ada tidaknya data outlier dan distribusi data harus normal multivariate.
Setelah asumsi SEM dipenuhi langkah berikutnya adalah melihat ada tidaknya offending estimateyaitu estimasi koefisien baik dalam model struktural maupun model pengukuran yang nilainya diatas batas yang dapat diterima. Contoh dari sering terjadi offending estimateadalah:
1) Varian error yang negatif atau non significant error variance untuk suatu konstruk.
2) Standardized coefficientyang mendekati 1.0. 3) Adanya standar error yang tinggi.
Jika terjadi offending estimate, maka peneliti harus menghilangkan hal ini terlebih dahulu sebelum melakukan penilaian kelayakan model. Setelah yakin tidak ada lagi offending estimate dalam model, maka peneliti siap melakukan penilaian overall model fit dengan berbagai kriteria penilaian model fit. Goodness of fit mengukur kesesuaian input observasi atau sesungguhnya (matrik kovarian atau korelasi) dengan prediksi dari model yang diajukan (proposed model). Ada tiga jenis ukuran Goodness-of-fit yaitu:
1) Absolut FitMeasures
a) Likelihood-Ratio Chi-Square Statistic
ukuran fundamental dari overall fit adalah likelihood-ratio chi-square (X2). Nilai chi-square yang tinggi relative terhadap degree of freedom menunjukan bahwa korelasi yang diobservasi dengan yang diprediksi berbeda secara nyata dan ini menghasilkan probabilitas (p) lebih kecil dari tingkat signifikasi (α) dan ini menunjukan 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 karena mengharapkan bahwa model yang diusulkan cocok atau fitdengan data observasi.
b) CMIN
Adalah menggambarakan perbedaan antara unrestricted sample covariance dan restricted covariance atau secara esensi menggambarkan likelihood ratio test statistic yang umumnya dinyatakan dalam chi-square (X2) statistic. Jadi nilai chi-square sangat sensitif terhadap besarnya sample. Ada kecenderungan nilai chi-square akan selalu signifikan. Oleh karena itu jika nilai chi- square signifikan, maka dianjurkan untuk mengabaikan dan melihat goodness fit lainnya.
c) CMIN/DF
Adalah nilai chi-square dibagi dengan degree of freedom. Beberapa pengarang menganjurkan menggunakan ratio ukuran ini untuk mengukur fit. Menurut Wheaton et.al (1977) dalam Ghozali (2007) nilai ratio 5 (lima) atau kurang dari lima merupakan ukuran yang reasonable. d) GFI
GFI (Goodness of fit index) dikembangkan oleh Joreskog dan Sorbon (1984) dalam Ghozali (2007) yaitu ukuran non- statistik yang nilainya berkisar dari 0 (poor fit) sampai 1.0 (perfect fit). Nilai GFI yang tinggi menunjukan fit yang lebih baik dan beberapa nilai GFI yang dapat diterima sebagai nilai yang layak belum ada standarnya, tetapi banyak peneliti manganjurkan nilai diatas 90% sebagai ukuran good fit.
e) RMSEA
Root Mean Square Error of Approximation (RMSEA) merupakan ukuran yang mencoba memperbaiki kecenderungan statistik chi- squaremenolak model dengan jumlah sample yang besar. Nilai RMSEA antara 0.05 sampai 0.08 merupakan ukuran yang dapat diterima. Hasil uji empiris RMSEA cocok untuk menguji model
konfirmatori atau competing model strategydengan jumlah sampel besar.
2) Incremental Fit Measures
Incremental fit measure membandingkan proposed model dengan baseline modelsering disebut dengan null model. Nul model merupakan model realistis dimana model-model yang lain harus diatasnya.
a) AGFI
Merupakan pengembangan dari GFI yang disesuaikan dengan ratio degree of freedom untuk proposed model dengan degree of freedom untuk null model. Nilai yang direkomendasikan adalah ≥0,90.
b) TLI
Tucker-Lewis Index atau dikenal dengan nonnormed fit index (NNFI) pertama kali diusulkan sebagai alat untuk mengevaluasi analisis faktor, tetapi sekarang dikembangkan oleh SEM. Ukuran ini menggabungkan ukuran parsimony kedalam indek komparasi antara proposed model dengan null model dan nilai TLI berkisar dari 0 sampai 1.0. nilai TLI yang direkomendasikan adalah ≥ 0.90.
c) NFI
Normed Fit Index merupakan ukuran perbandingan antara proposed modeldan null model. Nilai NFI akan bervariasi
dari 0 (no fit all) sampai 1 (perfect fit). Seperti halnya TLI tidak ada nilai absolut yang dapat digunakan sebagai standar, tetapi umumnya direkomendasikan sama atau > 0.90.
3) Parsimonious 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 fittelah tercapai dengan “overfitting” data yang dimiliki banyak koefisien. Prosedur ini mirip dengan “adjustment” terhadap R2 dalam multiple regression. Namun demikian karena tidak ada uji statistik yang tersedia maka penggunaannya hanya terbatas untuk membandingkan model. a) PNFI
Parsimonious normal fit index merupakan modifikasi dari NFI. PNFI memasukan jumlah degree of freedom yang digunakan untuk mencapai level fit. Semakin tinggi 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. Namum demikian jika
sampai 0.90 menunjukan adanya perbedaan model yang signifikan.
b) PGFI
Parsimonious goodness-of-fit indexmemodifikasi GFI atas dasar parsimony estimated model. Nilai PGFI berkisar antara 0 sampai 0.1 dengan nilai semakin tinggi menunjukan model lebih baik untuk parsimony.
Tabel 3.1
Kriteria Uji Kesesuaian Model
Indikator Fit Nilai yang Direkomendasikan Evaluasi Model Absolute Fit
Chi-Square Mendekati 0 Marginal
CMIN ≤ 2.00 Good Fit
CMIN/DF ≤ 5.00 Good Fit
GFI ≥ 1 0 Perfect Fit Poor Fit RMSEA ≤ 0.08 < 0.05 Good Fit Close Fit AGFI ≥ 0.91 0.80 ≤ GFI < 0.90 Good Fit Marginal Fit Incremental Fit AGFI ≥ 0.90 0.80 ≤ GFI < 0.90 Good Fit Marginal Fit NNFI or Tucker
Lewis Index (TLI)
TLI ≥ 0.90 0.80 ≤ TLI < 0.90 Good Fit Marginal Fit NFI NFI ≥ 0.90 0.80 ≤ NFI < 0.90 Good Fit Marginal Fit Parsimonious Fit
PNFI 0 – 1 Lebih besar lebih
baik
PGFI 0 – 1 Lebih besar lebih
baik Sumber : diolah dari berbagai sumber
f. Langkah 7: Interpretasi dan modifikasi model.
Ketika model dinyatakan diterima, maka peneliti dapat mempertimbangkan dilakukannya modifikasi model untuk memperbaiki penjelasan teoritis atau goodness fit. Modifikasi dari model awal harus dilakukan setelah dikaji banyak pertimbangan. Jika model dimodifikasi, maka model tersebut hasrus di cross- validated (diestimasi dengan data terpisah) sebelum model modifikasi diterima.
Modifikasi model dapat dilakukan dengan membuat konstrain model dengan memberikan nilai positif kecil untuk error termtertentu atau menghapuskan data outlier, membuat transformasi data nonlinier, memastikan bahwa paling tidak ada 3 indikator per- variabel leten, mengumpulkan tambahan sampel, atau dapat juga mengganti model estimasi dari maximum likelihood menjadi generalized least squares (GLS) atau ordinary least squares (OLS). Selain itu juga dapat dengan menggunakan modification indices, nilai modification indices sama dengan terjadinya penurunan chi- square jika koefisien diestimasi. Nilai sama dengan atau > 3.84 menunjukan terjadi penurunan chi- squareyang singnifikan.
Tabel 3.2
Tahapan Structural Equation Modelling
No Tahapan
1 Pengembangan model berdasar teori 2 Menyusun diagram jalur
3 Menyusun persamaan structural
4 Memilih jenis input matrik dan estimasi model yang diusulkan
5 Menilai identifikasi model structural 6 Menilai Kriteria Goodness-of-Fit 7 Interpretasi dan modifikasi model Sumber : diolah dari berbagai sumber