METODE PENELITIAN
2. Human Capital
3.4 Metode Pengumpulan Data
Metode pengumpulan data yang digunakan dalam penelitian ini adalah studi dokumentasi. Ini dilakukan dengan mengumpulkan, mencatat dan
menghitung data-data yang berhubungan dengan penelitian. 3.5 Teknik Analisis dan Uji Hipotesis
3.5.1 Teknik Analisis
Model yang digunakan dalam menganalisis penelitian ini adalah Structural Equation Modelling (SEM). Merupakan teknik statistik yang memungkinkan pengujian sebuah rangkaian hubungan yang relatif rumit. Model pengukuran Human Capital,Structural Capital, dan Relational Capital terhadap Intellectual Capital Statement menggunakan Confirmatory factor analyses. Penaksiran masing-masing variabel bebas untuk mengevaluasi variabel terikatnya dengan menggunakan koefisien jalur.
Adapun beberapa istilah yang sering digunakan dalam analisis SEM adalah sebagai berikut:
Variabel laten atau konstruk atau unobserved variabel merupakan variabel yang tidak dapat diukaur secara langsungkecuali diukur dengan satu atau lebih variabel manifes. Variabel laten dilambangkan dengan elips atau bulat oval.
Variabel manifes atau observed variabel atau indikator merupakan variabel yang dapat diukur secara langsung dan digunakan untuk menjelaskan atau mengukur variabel laten. Variabel manifes dilambangkan dengan kotak.
sedangkan variabel manifes yang membentuk konstruk endogen diberi simbol y2.
Variabel eksogen adalah variabel independen yang diduga mempengaruhi variabel dependen. Pada model SEM variabel eksogen ditunjukkan dengan adanya anak panah yang berasal dari variabel tersebut menuju variabel endogen.
Variabel endogen tidak mungkin dapat diprediksikan dengan sempurna,oleh karena itu terdapat struktural error term yang ditulis dengan karakter Greek “zeta” untuk mencapai konsistensi estimasi parameter. Error term diasumsikan tidak berkorelasi dengan konstruk eksogen model.
Namun demikian struktur error term dapat dikorelasikan dengan struktur error term yang lain dalam model.
3.5.2 Outliers
Outlier adalah obsevasi yang muncul dengan nilai-nilai eksterim baik secara univariat maupun multivariate yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainya. Dapat diadakan treatment khusus pada outliers ini asal diketahui munculnya outlier itu. Outliers pada dasarnya dapat muncul dalam empat kategori.
Pertama, Outlier muncul karena kesalahan prosedur seperti kesalahan dalam memasukkan data atau kesalahan dalam mengkoding data. Misalnya 8 diketik 80 sehingga jauh berbeda dengan nilai-nilai lainnya dalam rentang jawaban
responden antara 1-10 jika hal semacam ini lolos maka akan menjadi sebuah nilai ekstrim.
Kedua, outlier dapat muncul karena keadaan yang benar-benar khusus yang memungkinkan profil datanya lain daripada yang lain daripada tetapi peneliti mempunyai penjelasan mengenai penyebab munculnya nilai ekstrim itu. Ketiga, outlier dapat muncul karena adanya sesuatu alasan tetapi peneliti tidak
dapat mengetahui apa penyebabnya atau tidak ada penjelasan mengenai nilai ekstrim itu.
Keempat, outlier dapat muncul dalam range nilai yang ada, tetapi bila dikombinasi dengan varibel lainnya, kombinasinya menjadi tidak lazim atau sangat ekstrim. Inilah yang disebut multivariate outlier.
3.5.3 Evaluasi atas outliers
Menagamati atas z-score variabel: ketentuan diantara +_ 3,0 non outlier Multivariate outlier diukur dengan kriteria jarak mahalanobis pada tingkat p < 0,001.Jarak diuji dengan Chi-Square (X2) pada df (degrees of Freedom) sebesar jumlah variabel bebasnya. Ketentuan : Mahalanobis > dari nilai X2 adalah multivariate outlier.
3.5.4 Uji Hipotesis
Pengaruh langsung [koefisien jalur] diamati dari bobot regresi terstandar, dengan pengujian signifikansi pembanding nilai CR [Critical Ratio] atau p [probability] yang sama dengan nilai t hitung. Apabila t hitung lebih besar daripada t table berarti pengujian hipotesis kausal berarti signifikan.
3.5.5 Uji Validitas
Uji validitas adalah untuk mengetahui tingkat kevalidan dari instrumen (kuesioner) yang digunakan dalam pengumpulan data. Uji validitas ini dilakukan untuk mengetahui apakah item-item yang tersaji dalam kuesioner benar-benar mampu mengungkapkan dengan pasti apa yang akan diteliti. Uji validitas ini diperoleh dengan cara mengkorelasi setiap skor indikator dengan total skor indikator variabel, kemudian hasil korelasi dibandingkan dengan nilai kritis pada taraf siginifikan 0,05.
Suatu instrumen dikatakan valid apabila mampu mengukur apa yang diinginkan dan tinggi rendahnya validitas instrumen menunjukkan sejauh mana data yang terkumpul tidak menyimpang dari gambaran tentang variabel yang dimaksud.
3.5.6 Uji Reliabilitas
Sedangkan uji reliabilitas dimaksudkan untuk mengetahui adanya konsistensi alat ukur dalam penggunaannya, atau dengan kata lain alat ukur tersebut mempunyai hasil yang konsisten apabila digunakan berkali-kali pada waktu yang berbeda. Menurut Arikunto (1998:145): “Untuk uji reliabilitas digunakan Teknik Alpha Cronbach, dimana suatu instrumen dapat dikatakan handal (reliabel) bila memiliki koefisien keandalan atau alpha sebesar 0,6 atau lebih.
3.5.7 Uji Normalitas
Untuk menguji normalitas distribusi data-data yang digunakan dalam analisis, peneliti dapat menggunakan uji-uji statistik. Uji yang paling mudah
adalah dengan mengamati skewness value dari data yang digunakan, yang biasanya disajikan dalam statistik diskriptif dari hampir semua program statistik. Nilai statistik untuk menguji normalitas itu disebut z-value yang dihasilkan melalui rumus berikut ini :
Bila nilai –z lebih besar dari nilai kritis, maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifiukasi yag dikehendaki. Misalnya, bila nilai yang dihitung lebih besar dari
2,58 berarti kita dapat menolak asumsi mengenai normalitas dari distribusi pada tingkat 0,01 (1%). Nilai kritis lainnya yang umum digunakan adalah nilai kritis sebesar 1,96 yang berarti bahwa asumsi normalitas ditolak pada tingkat signifikasi 0.05 (5%) Sumber (Augusty 2002: 95 )
3.5.8 Multicollinearity dan Singularity
Untuk melihat apakah pada data penelitian terdapat multikolinieritas dan singularitas dalam kombinasi-komninasi variabel, maka perlu mengamati determinan dari variable kovarian sampelnya. Determinan yang benar-benar kecil mengindikasikan adanya multikolinieritas dan singularitas, sehingga data tidak dapat digunakan untuk analisis yang sedang dilakukan. (Augusty 2002 : 108). .
3.5.9 Pengujian model dengan Two-Step Approach
Two-Step Approach to structural equation modelling [SEM] digunakan untuk menguji model yang diajukan pada gambar 3.6. Two-Step Approach digunakan untuk mengatasi masalah sampel data yang kecil jika dibandingkan
keakuratan reliabilitas indikator-indikator terbaik dapat dicapai dalam two-step approach ini. Cara yang dilakukan dalam menganalisis SEM dengan Two step approach adalah sebagai berikut:
a. Menjumlahkan skala butir-butir setiap konstrak menjadi sebuah indikator summed-scale bagi setiap konstrak. Jika terdapat skala yang berbeda setiap indikator tersebut distandardisasi [Z-scores] dengan mean = 0, deviasi standar = 1, yang tujuannya adalah untuk mengeliminasi pengaruh-pengaruh skala yang berbeda-beda tersebut [Hair et.al.,1998].
b. Menetapkan error [] dan lambda [] terms, error terms dapat dihitung dengan rumus 0,1 kali 2
dan lamda terms dengan rumus 0,95 kali [Anderson dan Gerbing,1988]. Perhitungan construct reliability [] telah dijelaskan pada bagian sebelumnya dan deviasi standar [] dapat dihitung dengan bantuan program aplikasi statistik SPSS. Setelah error [] dan lambda [] terms diketahui, skor-skor tersebut dimasukkan sebagai parameter fix pada analisis model pengukuran SEM.
3.5.10 Evaluasi Model
Hair et.al., 1998 menjelaskan bahwa pola “confirmatory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas hipotesis-hipotesis dengan pengujian fit antara model teoritis dan data empiris. Jika model teoritis menggambarkan “good fit” dengan data, maka model dianggap sebagai yang diperkuat. Sebaliknya, suatu model teotitis tidak diperkuat jika teori tersebut mempunyai suatu “poor fit” dengan data. Amos dapat menguji apakah model
“good fit” atau “poor fit”. Jadi, “good fit” model yang diuji sangat penting dalam penggunaan structural equation modelling.
Tabel 3.1. Goodness of Fit Indices
GOODNESS
OF FIT INDEX KETERANGAN CUT-OFF VALUE
X2 - Chi-square
Menguji apakah covariance populasi yang destimasi sama dengan cova-riance sample [apakah model sesuai dengan data].
Diharapkan Kecil, 1 s.d 5. atau paling baik diantara 1 dan 2.
Probability Uji signifikansi terhadap perbedaan matriks covariace data dan matriks covariance yang diestimasi.
Minimum 0,1 atau 0,2, atau 0,05
RMSEA Mengkompensasi kelemahan Chi-Square pada sample
besar. 0,08
GFI
Menghitung proporsi tertimbang varians dalam matrtiks sample yang dijelaskan oleh matriks covariance populasi yang diestimasi [analog dengan R2 dalam regresi berganda].
0,90
AGFI GFI yang disesuaikan terhadap DF. 0,90 CMIND/DF Kesesuaian antara data dan model 2,00
TLI Pembandingan antara model yang diuji terhadap
baseline model. 0,95
CFI Uji kelayakan model yang tidak sensitive terhadap
besarnya sample dan kerumitan model. 0,95 Sumber : Hair et.al., [1998]