3.3. Teknik Analisis Data dan Uji Hipotesis 3.4.1 Teknik Analisis Data
3.3.2. Pengujian Hipotesis
3.4.2.1. Evaluasi Kriteria Goodnes of Fit 1. X2
Alat uji paling fundamental untuk mengukur overall fit adalah
Likelihood Ratio Chi-Square Statistic. Chi-Square ini bersifat sangat sensitif terhadap besarnya sampel yang digunakan. Karenanya bila jumlah sampel cukup besar (lebih dari 200), statistik Chi-Square ini harus didampingi oleh alat uji lain. Model yang uji akan dipandang baik atau memuaskan bila nilai Chi-Square-nya rendah. Semakin kecil nilai X
-Chi Square Statistic
2
semakin baik model itu. Karena tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai dengan data atau yang fit terhadap data, maka yang dibutuhkan justru sebuah nilai X2 yang kecil dan tidak signifikan.
X2
2. RMSEA-The Root Mean Square Error Of Approximation
bersifat sangat sensitif terhadap besarnya sampel yaitu terhadap sampel yang terlalu kecil maupun yang terlalu besar. Penggunaan
Chi-Square hanya sesuai bila ukuran sampel antara 100 dan 200. Bila ukuran sampel ada di luar rentang itu, uji signifikan akan menjadi kurang reliabel. Oleh karena itu pengujian ini perlu dilengkapi dengan alat uji yang lain.
RMSEA adalah sebuah indeks yang dapat digunakan mengkompensasi Chi-Square Statistic dalam sampel yang besar. Nilai RMSEA menunjukkan Goodness-Of-Fit yang dapat
diharapkan bila model diestimasi dalam populasi nilai RMSEA yang lebih kecil atau sama dengan 0.08 merupakan indeks untuk dapat
diterimanya model yang menunjukkan sebuah close fit dari model
itu berdasarkan Degrgess Of Freedom.
3. GFI-Goodness of Fit Index
GFI adalah analog dari R2
4. AGFI-Adjusted Goodness of Fit Index
dalam regresi berganda. Indeks kesesuaian ini akan menghitung proporsi tertimbang dari varian dalam matrix kovarians sampel yang dijelaskan oleh matrix kovarians populasi yang terestimasi. GFI adalah sebuah ukuran non-statistikal yang mempunyai rentang nilai antara 0 (Poor Fit) samapi
dengan 1.0 (Perfect Fit). Nilai yang tinggi dalam indeks ini
menunjukkan sebuah ‘better fit’.
AGFI = GFI/DF tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0.90. GFI maupun AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians dalam sebuah matriks kovarians sampel. Nilai sebesar 0,95 dapat diinterpretasikan sebagai tingkatan yang baik (Good Overal Model Fit) sedangkan besaran nilai antara 0,90-0,95 menunjukkan tingkatan cukup (Adequate fit).
5. TLI-Tucker Lewis Index
TLI adalah sebuah alternatif incremental fit indeks yang membandingkan sebuah model yang diuji terhadap sebuah baseline
model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan ≥ 0,95 dan nilai yang sangat mendekati 1 menunjukkan A Very Good Fit.
6. CMIN/DF sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model. Dalam hal ini CMIN/DF tidak lain adalah statistik Chi-Square, X2 dibagi DF-nya sehingga disebut X2 relatif. Nilai X2 relatif kurang dari 2,0 atau bahkan kadang kurang dari 3,0 adalah indikasi dari acceptable fit antara model dan data. Nilai X2
7. CFI-Comparative Fit Index
relatif yang tinggi menandakan adanya perbedaan yang signifikan antara matriks kovarians yang diobservasi dan yang diestimasi.
Besaran indeks ini adalah pada rentang nilai sebesar 0-1, dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi (A Very Good Fit). Nilai yang direkomendasikan adalah CFI > 0,95. Keunggulan dari indeksi ini besarannya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model. Indeks CFI adalah identik dengan
Relative Noncentrality Indeks (RNI).
3.4.2.2 Evaluasi Normalitas
Sebaran data harus dianalisis untuk mengetahui apakah asumsi normalitas dipenuhi, sehingga data dapat diolah lebih lanjut pada path diagram. Untuk menguji normalitas distribusi data yang digunakan dalam analisis, peneliti dapat menggunakan uji statistic. Uji yang paling mudah
adalah dengan mengamati skewness value dari data yang digunakan, yang biasanya disajikan dalam statistic. Nilai statistic untuk menguji normalitas itu disebut z-value yang dihasilkan melalui rumus berikut ini :
Nilai – z =
N Skewness
6
Dimana nilai N adalah ukuran sampel.
Bila nilai-z lebih besar dari nilai kritis, maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikansi yang 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%).
3.4.2.3 Evaluasi Outliers
Outliers merupakan observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi – observasi yang lain dan muncul dalam bentuk nilai ekstrim, baik untuk sebuah variabel tunggal maupun variabel – variabel kombinasi (hair, et. al : 1995). Adapun outliers dapat dievaluasi dengan dua cara, yaitu analisis terhadap univariate outliers dan analisis multivariate outliers
(Hair, et. al., 1995). a. Univariate Outliers
Deteksi terhadap adanya univariate outliers dapat dilakukan dengan
dengan cara mengkonservasikan nilai data penelitian ke dalam standar score atau yang biasa disebut z-score, yang mempunyai nilai rata – rata nol dengan deviasi sebesar 1,00 (Hair, et. al., 1995).
Pengujian univariate outliers dilakukan per konstruk variabel
dengan program SPSS 12.00, pada menu Descriptive Statistic
Summarise. Observasi data yang memiliki nilai Z-score ≥ 3.0 akan dikategorikan sebagai outliers.
b. Multivariate Outliers
Evaluasi terhadap Multivariate outliers perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate, tetapi observasi itu dapat menjadi outliers bila sudah saling kombinasikan.
Jarak Mahalanobis (The Mahalanobis Distence) untuk tiap
observasi dapat dihitung dan menunjukkan jarak sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional. Uji terhadap multivariate dilakukan dengan menggunakan kriteria jarak mahalanobis pada tingkat ρ < 0,001. Jarak mahalanobis itu
dapat dievaluasi dengan menggunakan nilai χ2 pada derajat
kebebasan sebesar jumlah item yang digunakan dalam penelitian dan apabila nilai jarak Mahalanobisnya lebih dari nilai χ2 table adalah
3.4.2.4. Evaluasi Mullticollinearity dan Singularity
Utuk melihat apakah pada data penelitian terhadap multikolineratitas
(Multicollinearity) atau singularitas (Singularity) dalam kombinasi – kombinasi variabel, maka yang perlu diamati adalah dterminan dari matriks kovarians sampelnya. Determinan yang kecil atau mendekati nol akan mengindikasikan adanya multikolinearitas atau singularitas sehingga data itu tidak dapat digunakan untuk penelitian (Ferdinand, 2002 :108).
3.4.2.5 Uji Reliabilitas
Reliabilitas adalah ukuran mengenai konsistensi internal dari indikator – indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing – masing indikator mengindikasikan sebuah konstruk / faktor laten yang umum. Dengan kata lain bagaimana hal – hal yang spesifik saling membantu dalam menjelaskan sebuah fenomena uang umum.
Composite Reliability diperoleh melalui rumus berikut (Ferdinand, 2002 : 62)
[Σ Standardize Loading]
Construct Reliability = 2
[[Σ Standardize Loading]2
1. Standar Loading diperoleh dari standardized loading untuk tiap – tiap indikator yang didapat dari hasil perhitungan komputer.
+ Σεj]
Keterangan :
2. Σεj adalah measurement error dari tiap indikator. Measurement error
Tingkat reliabilitas yang dapat diterima adalah 0.7, walaupun angka itu bukanlah sebuah ukuran yang ”mati”. Artinya bila penelitian yang dilakukan bersifat eksplorasi maka nilai dibawah 0.7-pun masih dapat diterima sepanjang disertai dengan alasan – alasan empiris yang terlihat dalam proses eksoprasi.
3.4.2.6 Uji Validitas
Uji validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya diukur. Karena indikator multidimensi, maka uji – uji validitas dari setiap latent variabel / construct akan diuji dengan melihat loading faktor dari hubungan antara obseverd variable dan latent variable. Cara menguji : Korelasikan masing – masing skor item pertanyaan dengan skor totalnya,
gunakan tingkat signifikan validitas ≤ 0,05. Tingkat signifikan itu
menunjukkan derajat kosistensi jawaban semua responden yang menjadi obyek penelitian.
3.4.2.7 Uji variance Extracted
Variance Extracted adalah ukuran yang menunjukkan varians dari indikator – indikator yang diekstraksi oleh konstuk latent yang dikembamgkan. Nilai variance extracted yang tinggi menunjukkan bahwa indikator – indikator itu telah mewakili secara baik konstruk latent yang dikembangkan. Nilai variance extracted ini direkomendasikan pada tingkat
paling sedikit 0,50. Variance diperoleh melalui rumus ini (Ferdinand, 2002 : 64) :
Σ [Standardize Loading2]
Variance Extracted =
[Σ [Standardize Loading2] + Σεj
1. Standar Loading diperoleh dari standardized loading untuk tiap – tiap indikator yang didapat dari hasil perhitungan computer.
] Keterangan :
50