METODE PENELITIAN
C. Definisi Operasional dan Pengukuran Variabel
2. Pengujian Statistik
Pengujian statistik diawali dengan pengujian validitas dan reliablitas data penelitian. Hal ini bertujuan untuk mengetahui ketepatan dan keandalan data, sehingga data tersebut dapat diuji dengan menggunakan metode statistik apapun jenisnya. Dengan demikian, hasil yang diperoleh mempu menggambarkan fenomena yang diukur. Berikut ini adalah pemilihan metode statistik yang digunakan untuk pengujian hipotesis.
a. Uji validitas
Uji validitas bertujuan untuk mengetahui ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya (Sekaran, 2006). Dalam penelitian ini teknik analisis yang
commit to user
digunakan adalah Confirmatory Faktor Analysis (CFA) dengan menggunakan software SPSS for windows versi 11,5 dimana setiap item pertanyaan harus mempunyai factor loading > 0,40.
b. Uji Reliabilitas
Uji reliabilitas digunakan untuk mengetahui konsistensi alat ukur, apakah alat ukur yang digunakan dapat diandalkan dan tetap konsisten jika pengukuran tersebut diulang (Priyatno, 2008). Dalam penelitian ini uji realiabilitas diuji dengan menggunakan software SPSS for windows versi 11,5. Instrumen dapat dikatakan reliabel bila nilai cronbach alpha > 0,6 (Hair et.al.,1998). Sedangkan Sekaran (2003) membagi tingkat reliabilitas dengan kriteria sebagai berikut :
1) Nilai Cronbach’s Alpha antara 0,8-1,0 dikategorikan reliabilitas baik.
2) Nilai Cronbach’s Alpha antara 0,6-0,799 dikategorikan reliabilitas moderat.
3) Nilai Cronbach’s Alpha ≤ 0,6 dikategorikan reliabilitas kurang baik.
c. Analisis Structural Equation Model (SEM)
Analisis Structural Equation Model bertujuan untuk mengestimasi beberapa persamaan regresi terpisah tetapi masing-masing mempunyai hubungan simultan atau bersama-sama (Hair
commit to user
Pada prinsipnya model struktural bertujuan untuk menguji hubungan sebab akibat antar variabel, sehingga jika salah satu variabel diubah maka terjadi perubahan pada variabel lain. Dalam studi ini, data diolah dengan menggunakan software Analysis of
Moment Structure atau AMOS versi 18.0.
Analisis Structural Equation Model memungkinkan perhitungan estimasi seperangkat persamaan regresi yang simultan, berganda dan saling berhubungan. Karakteristik penggunaan model ini adalah sebagai berikut: (1) untuk mengestimasi hubungan dependen ganda yang saling berkaitan, (2) kemampuannya untuk memunculkan konsep yang tidak teramati dalam hubungan serta dalam menentukan kesalahan pengukuran dalam proses estimasi, dan (3) kemampuannya untuk mengakomodasi seperangkat hubungan antara variabel independen dan variabel dependen serta mengungkapkan variabel laten (Hair et.al., 1998).
1) Evaluasi Asumsi SEM
a) Asumsi Kecukupan Sampel
Sampel yang harus dipenuhi dalam permodelan ini berjumlah 100 hingga 200 sampel atau 5 kali estimated
parameter yang digunakan (Hair et al, 1998).
b) Asumsi Normalitas
Dalam analisis multivariate, asumsi normalitas yang paling fundamental karena merupakan bentuk distribusi
commit to user
data pada variabel matriks tunggal yang menghasilkan distribusi normal (Hair et. al., 1998). Jika asumsi normalitas tidak dipenuhi dan penyimpangan data normalitas tersebut besar maka akan menghasilkan hasil uji statistik yang bias.
Uji normalitas dilakukan dengan menggunakan nilai
critical ratio (cr) skewness yang menggambarkan
penyimpangan distribusi simetris dan kurtosis atau tingkat kecuraman secara berturut-turut. Nilai statistik untuk menguji normalitas disebut z value (critical ratio / cr) dari ukuran skewness dan kurtosis distribusi data. Bila nilai
critical ratio (cr) lebih besar dari nilai kritis maka dapat
diduga bahwa distribusi data tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikansi 1% yaitu sebesar 2,58.
Curran et. al., (dalam Ghozali dan Fuad, 2005) membagi distribusi data menjadi tiga bagian:
1) Normal, apabila cr skewness < 2 dan nilai cr kurtosis <7.
2) Moderately non normal, apabila nilai cr skewness berkisar antara 2 sampai 3 dan nilai cr kurtosis berkisar antara 7 sampai 21.
3) Extremely non normal, apabila nilai cr skewness > 3 dan nilai cr kurtosis > 21
commit to user c) Asumsi Outliers
Outlier merupakan observasi yang muncul dengan
nilai ekstrim yang memiliki karakteristik unik, sangat berbeda dari observasi lain, muncul dalam bentuk nilai ekstrim, baik variabel tunggal/ kombinasi (Hair et at, 1998). Umumnya perlakuan terhadap outlier adalah dengan mengeluarkannya dari data dan tidak diikutsertakan dalam perhitungan barikutnya. Bila tidak terdapat alasan khusus untuk mengeluarkan outlier, maka observasi dapat diikutsertakan dalam analisis selanjutnya.
Outlier dapat dievaluasi dengan nilai mahalanobis distance square dengan nilai degree of freedom sejumlah
variabel pada tingkat p < 0,001. Dalam hal ini variabel yang dimaksudkan adalah jumlah item pengukuran pada model.
2) Evaluasi atas Kriteria Goodnes of Fit
Dalam analisis SEM, tidak ada alat uji statistik tunggaluntuk menguji hipotesis mengenai model. Tetapi terdapat fit indeks yang digunakan untuk mengukur derajat kesesuaian antara model yang disajikan dan data yang disajikan, adapun fit indeks yang digunakan meliputi:
commit to user a) Chi-Square
Tujuan analisis ini adalah mengembangkan dan menguji sebuah model yang sesuai dengan data. Data pengujian dengan nilai X2 yang rendah dan menghasilkan tingkat signifikan yang lebih besar dari 0,05 akan mengindikasikan tidak adanya perbedaan yang signifikan antara matriks kovarians yang diestimasi.
Chi-square sangat sensitif terhadap sampel yang terlalu kecil
maupun terlalu besar.
b) Goodness of Fit Indices (GFI)
GFI menggambarkan tingkat kesesuaian model secara keseluruhan yang dihitung dari residual kuadratdari model yang diprediksi dibandingkan data yang sebenarnya. Nilai GFI mempunyai rentang nilai antara 0 sampai dengan 1, dimana 0 menunjukkan poor
fit dan 1 menunjukkan perfect fit. Nilai yag mendekati 1
mengisyaratkan model yang diuji memiliki kesesuaian yang baik. Nilai yang diharapkan adalah sama atau lebih besar dari 0,9.
c) Root Mean Square Error of Approximation (RMSEA) RMSEA adalah ukuran yang mencoba memperbaiki kecenderungan statistik chi-square
commit to user
RMSEA ≤ 0,08 mengindikasikan indeks yang baik untuk menerima kesesuaian sebuah model.
d) Adjusted Goodness of Fit Indeks (AGFI)
Indeks ini merupakan pengembangan dari GFI yang telah disesuaikan degan rasio dari degree of
freedom model yang diajukan dengan degree of freedom
dari null model (model konstruk tunggal dengan semua indikator pengukuran konstruk). Nilai yang direkomendasikan adalah AGFI ≥ 0,90. Semakin besar nilai AGFI, maka semakin baik kesesuaian yang dimiliki model.
e) Trucker Lewis Index (TLI)
TLI digunakan untuk mengatasi permasalahan yang timbul akibat kompleksitas model. TLI merupakan indeks kesesuaian incremental yang membandingkan model yang diuji dengan null model. Nilai penerimaan yang direkomendasikan adalah nilai TLI ≥ 0,95. TLI merupakan indeks kesesuaian yang kurang dipegaruhi oleh ukuran sampel.
f) Comparative Fit Index (CFI)
CFI adalah indeks kesesuaian incremental yang membandingkan model yang diuji dengan null model. Besaran indeks ini dalam rentang 0 sampai dengan 1, dan
commit to user
nilai yang mendekati 1 mengindikasikan model memiliki tingkat kesesuaian model yang baik. Nilai penerimaan yang direkomendasikan adalah CFI ≥ 0,90. Indeks ini sangat dianjurkan untuk dipakai karena indeks ini relatif tidak sensitif terhadap besarnya sampel dan kurang dipengaruhi oleh kerumitan model.
g) Normed Fit Index (NFI)
Indeks ini juga merupakan indeks kesesuaian
incremental dan dapat dijadikan alternatif untuk
menentukan model fit. Nilai yang direkondasikan ≥ 0,90. h) Normed Chi Square (CMIN/DF)
CMIN/DF adalah ukuran yang diperoleh dari nilai chi square dibagi dengan degreeof freedom. Indeks ini merupakan indeks kesesuaian parsimonius yang mengukur hubungan goodnes of fit model dan jumah-jumlah koefisien estimasi yang diharapkan untuk mencapai tingkat kesesuaia. Nilai yang direkomendasikan untuk menerima kesesuaian model adalah CMIN/DF < 2,0/5,0.
commit to user Tabel III.1
Ringkasan Indeks Goodnes-of-Fit
Goodnes-of-Fit Index Control of value Keterangan
Chi square Diharapkan kecil Baik
Probabilitas ≥ 0,05 Baik GFI ≥ 0,90 Baik RMSEA ≤ 0,08 Baik AGFI ≥ 0,90 Baik TLI ≥ 0,95 Baik CFI ≥ 0,90 Baik
CMIN/DF < 2,00 atau 5,00 Baik
Sumber : Ferdinand (2002)