METODE PENELITIAN
1. Kepemilikan Manajerial
3.5. Teknik Pengolahan dan Analisis Data 1.Statistik Deskriptif 1.Statistik Deskriptif
3.5.2. Pengujian Hipotesis
Pengujian hipotesis penelitian ini dilakukan dengan menggunakan model analisis jalur (path analysis) yang dioperasikan melalui program AMOS 22.0. Menurut Dachlan (2014:60) analisis jalur merupakan prosedur empiris untuk mengestimasi keeratan hubungan dependensi atas kausalitas antar variabel
variabel dalam model yang telah diajukan berdasarkan pertimbangan teoritis (fungsi ekspansi).
Dalam melakukan analisis data dengan menggunakan path analysis
diperlukan menilai seberapa fit model yang dibangun terhadap data yang dimiliki. Ukuran yang digunakan untuk menilai fit model disebut goodness of fit (GOF). Dari ukuran tersebut dapat diinterpetasikan seberapa baik model yang dibangun secara teoritis dapat merefleksikan realita dan juga untuk menentukan seberapa baik model yang dibangun (struktural mupun pengukuran) fit dengan data sampel (matriks kovarians sampel). Dachlan (2014:164-182) dalam bukunya mengungkapkan beberapa indeks kesesuaian dan cut off untuk menguji apakah sebuah model dapat diterima atau ditolak adalah:
1. Chi-Square Statistic (χ2
)
Statiktik chi-kuadrat menilai perbedaan antara matriks kovarians sampel dengan matriks kovarians yang dihasilkan oleh parameter-parameter model hasil estimasi yang dikenal sebagai matriks kovarians estimasi. Nilai χ2
berkisar dari 0 hingga tak hingga, χ2
= 0 berarti tidak ada perbedaan antara matriks kovarians sampel dengan matriks kovarians yang dihasilkan oleh parameter-parameter model hasil estimasi dan itu menunjukkan fit model yang sempurna. Semakin kecil statistik chi-kuadrat, semakin fit model tersebut.
2. Probability (p-value)
Nilai p-value yang diperoleh digunakan untuk menguji hipotesis 0 yang menyatakan bahwa “tidak ada perbedaan antara matriks kovarians sampel dan matriks kovarians hasil estimasi”. Model yang kita uji merupakan model fit ketika
hipotesis nol tersebut diterima sehingga hasil pengujian diharapkan tidak signifikan yang ditunjukkan dengan p-value yang besar, yaitu misalnya lebih besar dari 5% (p-value > 5%).
3. Goodness-of-fit Index (GFI)
Goodness-of-fit Index (GFI) adalah ukuran fit model yang menjelaskan jumlah varians dan kovarians dalam matriks kovarians sampel yang diprediksi oleh matriks kovarians hasil estimasi. Nilai GFI berkisar dari 0 hingga 1, model dengan GFI yang semakin mendekati 0 berarti model tersebut semakin tidak fit dan mendekati 1 semakin fit. Model yang tidak fit berarti nilai fungsi fit setelah model SEM diestimasi (Fk) tidak jauh berbeda dengan nilai fungsi fit bilamana semua parameter model berharga nol atau segala sesuatu dalam model tidak berelasi dengan yang lain (F0).
4. Adjusted Goodness-of-fit Index (AGFI)
Adjusted Goodness-of-fit Index (AGFI) merupakan indeks fit GFI yang derajat bebasnya disesuaikan (adjusted) terhadap banyaknya variabel. Nilai AGFI berkisar dari 0 (tidak fit) hingga 1 (fit sempurna), namun pada kenyataannya bisa saja di luar jangkauan tersebut. Tidak ada uji statistik yang berasosiasi dengan FFI maupun AGFI. Sebagai acuan, nilai GFI dan AGFI yang disarankan untuk model yang fit adalah lebih besar dari 0,90.
5. Comparative Fit Index (CFI)
Comparative Fit Index (CFI) merupakan indeks fit perbaikan dari Normed Fit Index (NFI). Sebagaiman diketahui bahwa NFI seringkali member hasil yang
bagi model yang tidak begitu kompleks. Oleh karena itu, CFI hadir dengan mempertimbangkan kompleksitas model, yaitu dengan cara menyertakan derajat bebas dalam perhitungan. Nilai indeks fit CFI berkisar dari 0 (tidak fit) hingga 1 (fit sempurna). Batas nilai indeks yang biasa digunakan untuk model yang fit adalah ≥ 0,90. Untuk ukuran sampel kecil, CFI lebih cocok digunakan daripada indeks fit lain karena relative tidak sensitif terhadap kompleksitas model.
6. Tucker Lewis Index (TLI)
Tucker Lewis Index (TLI) yang juga dikenal dengan Non Normed Fit Index (NNFI) digunakan secara matematis membandingkan model hipotesis yang diajukan dengan model nol. Nilai indeks TLI berkisar dari 0 (tidak fit) hingga 1 (fit sempurna). Batas nilai indeks yang biasa digunakan untuk model yang fit adalah ≥ 0,90. Namun demikian, karena bukan merupakan indeks fit yang dinormalkan, maka nilai TLI bisa lebih rendah dari 0 dan lebih besar dari 1. 7. The Minimum Sample Discrepancy Function (CMIN)
Sebagaimana diketahui bahwa indeks fit statistic chi-kuadrat (χ2) sangat sensitif terhadap ukuran sampel dan kompleksitas model yang ditunjukkan dengan derajat bebasnya. Untuk mengatasi hal tersebut salah satunya dengan cara membagi statistik chi-kuadrat dengan derajat bebasnya (degree of freedom/df), sehingga akan diperoleh nilai yang lebih rendah yang disebut normed chi-square
(NC) atau bisa disebut juga CMIN/DF. Batas penerimaan untuk nilai CMIN/DF ini adalah ≤ 3 (fit) dan ≥ 5 (tidak fit).
The Root Mean Square Error of Approximation (RMSEA) adalah indeks fit yang digunakan untuk memperbaiki indeks fit statistic chi-kuadrat (χ2
) yang cenderung menolak model yang mempunyai variabel observed yang banyak dan ukuran sampel yang besar. RMSEA mengestimasi jumlah error aproksimasi per derajat bebas model dan menyertakan ukuran sampel n dalam perhitungannya. Model yang fitnya bagus mempunyai RMSEA ≤ 0,05. Model yang tidak fit mempunyai RMSEA ≥ 0,10.
Berikut ini adalah ringkasan batas penerimaan (cut off) fit model dari indeks-indeks fit yang telah diuraikan sebelumnya:
Tabel 3.3.
Indeks fit model dan nilai batas penerimaannya
Indeks Fit Batas Penerimaan
Χ2
(CMIN) Nilai kecil
P- value ≥α= fit; α yang biasa dipakai adalah 5%, 1%, 10% GFI 0 = tidak fit; 1 = fit sempurna; ≥ 0,90 = fit
AGFI 0 = tidak fit; 1 = fit sempurna; ≥ 0,90 = fit CFI 0 = tidak fit; 1 = fit sempurna; ≥ 0,90 = fit TLI 0 = tidak fit; 1 = fit sempurna; ≥ 0,90 = fit CMIN/DF ≤ 3,0 = fit; >5,0 = tidak fit
RMSEA ≤0,05 = fit; >0,10 = tidak fit Sumber: Dachlan, 2014
Pengujian terhadap hipotesis yang diajukan diakukan dengan menganalisis
regression weight untuk melihat nilai signifikansi masing-masing variabel eksogen terhadap variabel endogen. Kriteria taraf signifikansi yang digunakan adalah 5% (α = 0,05) yang berarti tingkat kepercayaan 95%. Apabila nilai signifikansi > 0,05 (5%), maka H0 diterima dan H1 ditolak sedangkan jika nilai signifikansi ≤ 0,05 (5%), maka H0 ditolak dan H1 diterima. Kemudian untuk
melihat arah koefisien dan besar estimasi dilihat pada hasil standardized regression weight.