1. Metode dan Penentuan Ukuran Sampel
Metode sampling adalah cara pengumpulan data yang hanya mengambil sebagian elemen populasi atau karakteristik yang ada dalam populasi dan kesimpulan yang diperoleh dapat digeneralisasi pada populasi. Metode sampling terbagi menjadi dua yaitu probability
sampling dan nonprobability sampling (Hasan, 2003). Probability sampling adalah cara pengambilan sampel dengan semua objek atau
elemen populasi memiliki kesempatan yang sama untuk menjadi sampel, sedangkan nonprobability sampling terdiri dari sampling kuota, sampling pertimbangan, dan sampling seadanya (Hasan 2003).
Ada banyak cara untuk menentukan ukuran sampel atau banyaknya jumlah sampel yang akan diambil. Dalam analisis regresi penentuan ukuran sampel dilihat dari tingkat variasi atau keragaman populasi. Jika populasi memiliki varians yang kecil maka dapat digunakan sampel kecil yaitu kurang dari 30. sedangkan untuk populasi yang tingkat keragamannya cukup tinggi digunakan sampel besar yaitu lebih dari sama dengan 30 (Sudarmato, 2005). Pada
20 metode Structural Equation Modeling (SEM) ukuran sampel minimum adalah sebanyak lima observasi untuk setiap estimated
parameter dimana ukuran contoh yang sesuai adalah antara 100-200
responden (Ferdinand, 2002).
2. Validitas dan Reliabilitas Instrumen
Uji validitas digunakan untuk mengukur apakah instrumen penelitian (alat pengukur) yang digunakan dapat mengukur apa yang akan diukur. Menurut Umar (2003), uji validitas menunjukkan sejauh mana alat pengukur tersebut mengukur hal yang diukur. Rumus dari korelasi adalah sebagai berikut:
Keterangan :
r = Angka korelasi n = Jumlah responden
X = Skor masing-masing pertanyaan dari setiap responden Y = Skor total semua pernyataan dari tiap responden
Reliabilitas adalah suatu nilai yang menunjukkan konsistensi suatu alat pengukur di dalam mengukur gejala yang sama (Umar, 2003). Reliabilitas menunjukkan suatu hasil pengukuran relatif konstan walaupun pengukuran dilakukan lebih dari satu kali. Teknik uji reliabilias yang digunakan yaitu teknik Alpha Cronbach. Rumus reliabilitas ialah :
( )
1 2 ...(2) 1 2 1 11 ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ − ∑ = − σσb k k r Keterangan : r11 = reliabilitas instrumen k = banyak butir pertanyaan ∑σb2 = jumlah ragam butir ∑σ12 = ragam total ) 1 ...( ... ... ... ... ... )) ) ( ( ) ( ) ( ) ( 2 2 2 2 ∑ ∑∑ ∑ ∑ ( ∑ ∑ = X n r − − − Y Y n X Y X XY n21 Nilai alpha cronbach dapat dihitung dengn bantuan software SPSS data editor versi 17.00. Setelah itu, reliabilitas suatu konstruk variabel dikatakan baik jika memiliki nilai alpha cronbach > 0.60 (Santosa, 2005).
3. Analisis Regresi Linier
Menurut Hasan (2003) regresi merupakan suatu alat ukur yang juga digunakan untuk mengukur ada atau tidaknya korelasi antar variabel. Istilah regresi yang berarti ramalan atau taksiran pertama kali diperkenalkan oleh Sir Francis Galton pada tahun 1877. Regresi linier adalah regresi yang variabel bebasnya (variabel X) berpangkat paling tinggi satu. Analisis regresi digunakan untuk menentukan bentuk dari hubungan antarvariabel. Tujuan utama dalam penggunaan analisis regresi adalah untuk meramalkan atau memperkirakan nilai dari satu variabel dalam hubungannya dengan variabel lain yang diketahui melalui persamaan regresinya. Untuk regresi linier sederhana, yaitu regresi linier yang hanya melibatkan dua variabel (variabel X dan Y).
Regresi linier berganda adalah regresi dimana variabel terikatnya (Y) dihubungkan atau diijelaskan oleh lebih dari satu variabel bebas namun masih menunjukkan diagram hubungan yang linier. Penambahan variabel bebas ini diharapkan dapat lebih menjelaskan karakteristik hubungan yang ada walaupun masih saja ada variabel yang terabaikan (Hasan, 2003).
Menurut Hasan (2003) dalam penggunaan regresi, terdapat asumsi dasar yang dapat menghasilkan estimatorlinear tak bias yang terbaik dari model regresi yang diperoleh dari metode kuadrat terkecil biasa. Dengan terpenuhinya asumsi tersebut, maka hasil yang diperoleh dapat lebih akurat dan mendekati atau sama dengan kenyataan. Asumsi-asumsi dasar tersebut dikenal sebagai asumsi klasik. Penyimpangan terhadap asumsi dasar akan menimbulkan beberapa masalah, seperti standar kesalahan untuk masing-masing koefisien yang diduga akan sangat besar, pengaruh masing-masing variabel bebas tidak dapat dideteksi, atau variasi dari koefisiennya
22 tidak minim lagi. Akibatnya, estimasi koefisiennya menjadi kurang akurat lagi yang pada akhirnya dapat menimbulkan interpretasi dan kesimpulan yang salah. Penyimpangan asumsi dasar tersebut terdiri atas: a) Heterokedastisitas, b) Autokorelasi, dan c) Multikolinieritas. a. Heteroskedastisitas
Heteroskedastisitas berarti variasi variabel tidak sama untuk semua pengamatan. Pada heteroskedastisitas, kesalahan yang terjadi tidak random tetapi menunjukkan hubungan yang sistematis sesuai dengan besarnya satu atau lebih variabel bebas. Misalnya, heteroskedastisitas akan muncul dalam bentuk residu yang semakin besar jika pengamatan semakin besar. Rata-rata residu akan semakin besar untuk pengamatan variabel bebas (X) yang semakin besar. Dengan adanya heteroskedastisitas maka:
1) Penaksir (estimator) yang diperoleh menjadi tidak efisien, hal itu disebabkan variansnya sudah tidak minim lagi.
2) Kesalahan baku koefisien regresi akan terpengaruh sehingga memberikan indikasi yang salah dan koefisien determinasi memperlihatkan daya penjelasan terlalu besar.
Untuk mengetahui adanya heteroskedastisitas dalam regresi dapat digunakan uji koefisien korelasi Spearmen, uji Park, dan uji Glesjer. (Hasan, 2003).
b. Autokorelasi
Hasan (2003) menyatakan bahwa autokorelasi berarti terdapatnya korelasi antaranggota sampel atau data pengamatan yang diurutkan berdasarkan waktu, sehingga munculnya suatu datum dipengaruhi oleh datum sebelumnya. Autokorelasi muncul pada regresi yang menggunakan data berkala (time series). Dengan adanya autokorelasi mengakibatkan hal berikut:
1) Varians sampel tidak dapat menggambarkan varians populasi 2) Model regresi yang dihasilkan tidak dapat dipergunakan untuk
23 3) Varians dari koefisiennya menjadi tidak minim lagi (tidak
efisien lagi), sehingga koefisien yang diestimasi kurang akurat 4) Uji t tidak berlaku, jika uji t tetap digunakan maka kesimpulan
yang diperoleh salah.
Adanya autokorelasi dalam regresi dapat diketahui dengan menggunakan beberapa cara, diantaranya adalah metode grafik dan uji Durbin-Watson.
c. Multikolinearitas
Uji asumsi mengenai multikolinearitas ini dimaksudkan untuk membuktikan atau menguji ada tidaknya hubungan linier antara variabel bebas satu dengan variabel bebas lainnya. Adanya hubungan linier antar variabel bebas akan menimbulkan kesulitan dalam memisahkan pengaruh masing-masing variabel bebas terhadap variabel tidak bebasnya. Uji asumsi multikolinieritas yaitu menguji apakah pada model regresi ditemukan adanya korelasi antar peubah bebas. Pendeteksian terjadinya suatu kolinier ganda dapat dilihat pada hasil VIF (Variance Inflation Factors). Nilai VIF ini diperoleh dari persamaan:
VIF= ………... (3) 1
dengan,
rj2 = koefisien determinasi dari regresi peubah bebas ke-j dengan semua peubah lainnya.
Nilai VIF yang lebih besar dari 10 menunjukkan bahwa peubah tersebut berkolinier ganda (Myers,1990 dalam Naliebrata,2007). Adanya kolinier ganda dalam model akan mengakibatkan (Jollite,1986 dalam Naliebrata,2007) :
1 -rj2
1. Penduga koefisien regresinya menjadi tidak nyata walaupun nilai rj -nya tinggi.
2. Nilai-nilai dengan koefisien regresi menjadi sangat sensitif terhadap perubahan data.
24 3. Dengan metode kuadrat terkecil, penduga koefisien regresi
mempunyai simpangan baku yang sangat besar. 4. Pengujian Hipotesis
Pengujian hipotesis pada analisis regresi dapat menggunakan beberapa cara, diantaranya adalah uji hipotesis serentak (uji F) dan uji hipotesis individu (uji t) (Hasan, 2003).
a) Pengujian hipotesis serentak (uji F)
Uji F digunakan untuk menguji kesesuaian model secara serentak apakah faktor-faktor X bersama-sama mempengaruhi Y. Langkah-langkah pengujiannya adalah sebagai berikut:
1. Menentukan formulasi hipotesis
H0 : b1 = b2 = 0 (semua faktor Xi tidak mempengaruhi Y) H1: b1 ≠ b2 ≠ 0 (sekurang-kurangnya ada satu Xi yang mempengaruhi Y)
2. Menentukan taraf nyata (α) dan nilai F tabel
Taraf nyata (α) dan nilai F tabel ditentukan dengan derajat bebas v1= k-1 dan v2 = n-k. Nilai F tabel = F α(v1,v2).
3. Menentukan kriteria pengujian H0 diterima apabila Fhitung ≤ Ftabel
H0 ditolak apabila Fhitung > Ftabel
4. Menentukan nilai uji statistik dengan tabel ANOVA
5. Membuat kesimpulan apakah menerima atau menolak H0.
Suatu faktor X akan mempengaruhi Y secara bersama-sama dapat dilihat dari nilai Fhitung. Jika Fhitung lebih besar dari Ftabel, maka minimal ada satu X yang mempengaruhi Y.
b) Pengujian hipotesis individual (uji t)
Uji t digunakan untuk menguji parameter koefisien regresi setiap peubah bebas secara parsial. Hal ini berarti bahwa uji t dapat mengetahui apakah peubah bebas secara individu memiliki pengaruh yang berarti terhadap peubah respon. Pengujiannya adalah:
25 H1 : bi ≠ 0 (ada pengaruh Xi terhadap Y)
Taraf nyata dari t tabel ditentukan dengan derajat bebas (db) = n -k. Dalam melihat pengaruh faktor X terhadap faktor Y digunkan uji t dengan rumus: thitung = ... (4) b Dimana: bi = slope faktor Xi a = slope konstanta SE = Standar Eror SE = ... (5) Yi = Y pada X ke i Y = Y hasil regresi n = jumlah sampel
Pengambilan keputusan untuk uji t adalah x mempengaruhi y jika nilai t hitung lebih besar dari t tabel atau nilai probabilitas hitung lebih kecil dari alpa.
thitung>ttabel atau Pvalue< alpha; tolak H0
thitung<ttabel atau Pvalue> alpha; terima H0
i - a SE
( )
( )
∑
∑
= = − − − n i n i Xi X n Yi Y 1 1 25. Model Persamaan Structural Equation Modelling (SEM)
Structural Equational Modelling (SEM) merupakan sebuah
teknik analisa statistika yang mengkombinasikan beberapa aspek yang terdapat pada analisa jalur dan analisa faktor konfimatori untuk mengestimasi beberapa persamaan secara simultan (Hisyam, 2003).
Menurut Hisyam (2003), variabel dalam SEM terdiri atas variabel observasi (indikator) dan variabel construct (laten). Variabel observasi adalah variabel yang dapat diamati dan diukur langsung,
26 sedangkan variabel laten adalah variabel yang tidak dapat diamati dan diukur langsung, tetapi dapat dibangun dan dibentuk oleh variabel lain yang dapat diukur. Variabel laten dibagi menjadi dua yaitu variabel laten eksogenus, diberi simbol ξ (ksi) dan variabel laten endogenus dengan simbolnya η (eta). Variabel indikator diberi simbol X dan Y. Pengaruh dari variabel laten terhadap variabel indikator disebut faktor
loading yang diberi simbol λ (lamda). Sedangkan koefisien pengaruh
peubah laten eksogenus terhadap peubah laten endogenus diberi simbol γ (gamma).
Dalam sebuah model SEM, sebuah peubah laten dapat berfungsi sebagai peubah eksogen atau peubah endogen. Peubah eksogen adalah peubah independen yang mempengaruhi peubah dependen. Pada model SEM, peubah eksogen ditunjukkan dengan adanya anak panah yang berasal dari peubah tersebut menuju peubah endogen. Sedangkan peubah endogen adalah peubah dependen yang dipengaruhi oleh peubah independen (eksogen). Pada model SEM, peubah eksogen ditunjukkan dengan adanya anak panah yang menuju peubah tersebut (Santoso, 2007).