BAB V KESIMPULAN DAN SARAN
3 Tabulasi Jawaban Responden
4.1.3.1. Penjelasan Responden atas Variabel Kebijakan Insentif Pajak
Kebijakan insentif pajak adalah fasilitas yang diberikan oleh pemerintah berupa pengecualian dan pengurangan dasar pengenaan pajak serta diskresi administrasi pemenuhan hak dan kewajiban perpajakan, dengan tujuan tidak hanya agar investor tertarik untuk menanamkan modalnya, tetapi juga alat untuk mempengaruhi kegiatan usaha. Indikator dari variabel kebijakan insentif pajak adalah pengecualian dari pengenaan pajak, pengurangan dasar pengenaan pajak, dan diskresi atau kemudahan dalam pemenuhan hak dan kewajiban perpajakan.
8 13 57 24 0 0 10 20 30 40 50 60 SLTA Diploma S1 S-2 S3
Penjelasan responden atas butir-butir pernyataan dari variabel kebijakan insentif pajak, dirangkum dalam tabel 4.1
Tabel 4.1. Penjelasan responden atas pernyataan variabel kebijakan insentif pajak Kebijakan SS S RR TS STS Insentif Pajak f % F % F % f % F % Pertanyaan 1 4 3,92 33 32,35 37 36,27 26 25,50 2 1,96 Pertanyaan 2 4 3,92 20 19,61 44 43,14 31 30,39 3 2,94 Pertanyaan 3 5 4,90 17 16,67 37 36,27 40 39,21 3 2,94 Pertanyaan 4 5 4,90 28 27,45 38 37,25 27 26,47 4 3,92 Pertanyaan 5 3 2,94 34 33,33 36 35,29 26 25,49 3 2,94 Pertanyaan 6 4 3,92 36 35,29 36 35,29 23 22,55 3 2,94 Pertanyaan 7 5 4,90 31 30,39 39 38,23 24 23,53 3 2,94 Pertanyaan 8 5 4,90 31 30,39 37 36,27 25 24,51 4 3,92 Pertanyaan 9 4 3,92 33 32,35 37 36,27 25 24,51 3 2,94
Sumber : Jawaban kuisioner penelitian (data diolah)
Pernyataan responden atas kuisioner yang disampaikan untuk butir/variabel kebijakan insentif pajak :
1. Pernyataan “sangat setuju” atas pertanyaan nomor 3, 4, 7, dan 8, mendapatkan frekuensi jawaban terbanyak yaitu 4,90% dari total responden.
2. Pernyataan “setuju” atas pertanyaan nomor 6, mendapatkan frekuensi jawaban terbanyak yaitu 35,29% dari total responden.
3. Pernyataan “ragu – ragu” atas pertanyaan nomor 7 mendapatkan frekuensi jawaban terbanyak yaitu 38,23% dari total responden.
4. Pernyataan “tidak setuju” atas pertanyaan nomor 3 mendapatkan frekuensi jawaban terbanyak yaitu 39,21% dari total responden.
5. Pernyataan “sangat tidak setuju” atas pertanyaan nomor 4 dan 8, mendapatkan frekuensi jawaban terbanyak yaitu 3,92% dari total responden.
4.1.3.2. Penjelasan Responden atas Variabel Investasi Sosial
Investasi sosial adalah bentuk kegiatan atau pengeluaran yang dilakukan oleh perusahaan kepada lingkungan sosial sekitarnya (social environment) yang digunakan sebagai strategi untuk menguatkan pencapaian tujuan perusahaan tersebut. Penjelasan responden atas butir-butir pernyataan dari variabel investasi sosial, dirangkum dalam tabel 4.2
Tabel 4.2. Penjelasan responden atas pernyataan variabel investasi sosial
Investasi SS S RR TS STS Sosial F % F % F % F % F % Pertanyaan 1 5 4,90 31 30,39 39 38,23 24 23,53 3 2,94 Pertanyaan 2 6 5,88 32 31,37 38 37,25 24 23,53 2 1,96 Pertanyaan 3 4 3,92 33 32,53 38 37,25 24 23,53 3 2,94 Pertanyaan 4 5 4,90 32 31,37 39 38,23 23 22,55 3 2,94 Pertanyaan 5 5 4,90 31 30,39 38 37,25 24 23,53 4 3,92 Pertanyaan 6 6 5,88 32 31,37 37 36,27 24 23,53 3 2,94 Pertanyaan 7 7 6,86 28 27,45 39 38,23 25 24,51 3 2,94 Pertanyaan 8 5 4,90 30 29,41 38 37,25 27 26,47 2 1,96 Pertanyaan 9 7 6,86 30 29,41 37 36,27 25 24,51 3 2,94 Pertanyaan 10 7 6,86 32 31,37 38 37,25 22 21,57 3 2,94 Pertanyaan 11 8 7,84 31 30,39 36 35,29 24 23,53 3 2,94 Pertanyaan 12 6 5,88 30 29,41 38 37,25 26 25,50 2 1,96 Pertanyaan 13 5 4,90 32 31,37 36 35,29 25 24,51 4 3,92
Sumber : Jawaban kuisioner penelitian (data diolah)
Pernyataan responden atas kuisioner yang disampaikan untuk butir/variabel investasi sosial :
1. Pernyataan “sangat setuju” atas pertanyaan nomor 11, mendapatkan frekuensi jawaban terbanyak yaitu 7,84% dari total responden.
2. Pernyataan “setuju” atas pertanyaan nomor 3, mendapatkan frekuensi jawaban terbanyak yaitu 32,53% dari total responden.
3. Pernyataan “ragu – ragu” atas pertanyaan nomor 1, 4, dan 7 mendapatkan frekuensi jawaban terbanyak yaitu 38,23% dari total responden.
4. Pernyataan “tidak setuju” atas pertanyaan nomor 6 mendapatkan frekuensi jawaban terbanyak yaitu 26,47% dari total responden.
5. Pernyataan “sangat tidak setuju” atas pertanyaan nomor 5 dan 13, mendapatkan frekuensi jawaban terbanyak yaitu 3,92% dari total responden.
4.1.3.3. Penjelasan Responden atas Variabel Produktivitas
Produktivitas adalah perbandingan antara keluaran atau output tertentu dengan sumber daya yang digunakan sebagai masukan sistem produksi. Penjelasan responden atas butir-butir pernyataan dari variabel produktivitas, dirangkum dalam tabel 4.3
Tabel 4.3 Penjelasan responden atas pernyataan variabel produktivitas
Produktivitas SS S RR TS STS f % f % F % f % f % Pertanyaan 1 7 6,86 29 28,43 39 38,23 23 22,55 4 3,92 Pertanyaan 2 7 6,86 30 29,41 39 38,23 23 22,55 3 2,94 Pertanyaan 3 5 4,90 31 30,39 38 37,25 24 23,53 4 3,92 Pertanyaan 4 5 4,90 31 30,39 38 37,25 25 24,51 3 2,94 Pertanyaan 5 7 6,86 29 28,43 38 37,25 24 23,53 4 3,92 Pertanyaan 6 7 6,86 26 25,50 41 40,19 24 23,53 4 3,92 Pertanyaan 7 7 6,86 29 28,43 38 37,25 24 23,53 4 3,92 Pertanyaan 8 6 5,88 27 26,47 40 39,21 25 24,51 4 3,92 Pertanyaan 9 6 5,88 30 29,41 37 36,27 25 24,51 4 3,92
Pernyataan responden atas kuisioner yang disampaikan untuk butir/variabel produktivitas :
1. Pernyataan “sangat setuju” atas pertanyaan nomor 1, 2, 5, 6, dan 7
mendapatkan frekuensi jawaban terbanyak yaitu 6,86% dari total responden. 2. Pernyataan “setuju” atas pertanyaan nomor 3 dan 4 mendapatkan frekuensi
jawaban terbanyak yaitu 30,39% dari total responden.
3. Pernyataan “ragu – ragu” atas pertanyaan nomor 6 mendapatkan frekuensi jawaban terbanyak yaitu 40,19% dari total responden.
4. Pernyataan “tidak setuju” atas pertanyaan nomor 4, 8, dan 9 mendapatkan frekuensi jawaban terbanyak yaitu 24,51% dari total responden.
5. Pernyataan “sangat tidak setuju” atas pertanyaan nomor 1, 3, 5, 6, 7, 8 dan 9 mendapatkan frekuensi jawaban terbanyak yaitu 3,92% dari total responden.
4.1.4. Uji Validitas
Uji validitas digunakan untuk mengetahui kelayakan butir-butir dalam daftar suatu pertanyaan dalam mendefinisikan suatu variabel. Suatu instrumen yang valid atau sahih harus mempunyai tingkat validitas yang baik. Menurut Ghozali (2006) uji validitas digunakan untuk mengukur sah tidaknya suatu kuesioner. Suatu kuesioner dikatakan valid jika pertanyaan pada kuesioner mampu untuk mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut.
Validitas menunjuk kepada sejauh mana alat pengukur itu dapat melakukan fungsinya mengukur dengan cermat dan tepat sesuai yang diharapkan. Suatu skala pengukuran disebut valid bila ia melakukan apa yang seharusnya dilakukan dan mengukur apa yang seharusnya diukur. Bila skala pengukuran tidak valid maka ia tidak bermanfaat bagi peneliti karena setelah mengukur atau
melakukan apa yang seharusnya dilakukan (Kuncoro, 2009). Pengujian validitas dilakukan untuk mengetahui tingkat validitas suatu alat ukur, semakin tinggi tingkat validitasnya maka alat ukur tersebut semakin mengenal sasarannya, atau semakin menunjukkan apa yang seharusnya diukur. Uji validitas instrumen dilakukan dengan cara membandingkan nilai Correlated Item-Total Correlation (r hitung) > 0,30 dan nilainya positif, maka butir pertanyaan pada setiap variabel penelitian dinyatakan valid (Ghozali, 2005). Uji validitas dapat dilihat dari nilai
Corrected Item Total Corelation, jika > 0,30 maka variabel tersebut dikatakan valid.
Tabel 4.4. Hasil Uji Validitas Instrumen Variabel Kebijakan Insentif Pajak
Butir Pertanyaan ∑X ∑X² ∑XY Keterangan
Pertanyaan 1 317 1067 9176 0,8369 Valid Pertanyaan 2 297 943 8664 0,8883 Valid Pertanyaan 3 287 893 8410 0,8677 Valid Pertanyaan 4 309 1027 9032 0,8787 Valid Pertanyaan 5 314 1050 9144 0,8897 Valid Pertanyaan 6 321 1095 9341 0,8934 Valid Pertanyaan 7 317 1071 9216 0,8664 Valid Pertanyaan 8 314 1058 9166 0,8761 Valid Pertanyaan 9 416 1064 9180 0,8592 Valid
Sumber : Jawaban kuisioner
Berdasarkan Tabel 4.4 diperoleh hasil pengujian instrumen variabel kebijakan insentif pajak secara keseluruhan memiliki nilai Corrected Item Total Corelation yang lebih besar dari 0,30. Dengan demikian dapat disimpulkan bahwa seluruh instrumen pernyataan dari variabel yang digunakan adalah valid dan instrumen ini dapat digunakan dalam penelitian.
Tabel 4.5. Hasil Uji Validitas Instrumen Variabel Investasi Sosial
Butir Pertanyaan ∑X ∑X² ∑XY Keterangan
Pertanyaan 1 317 1071 13799 0,8911 Valid Pertanyaan 2 322 1102 14036 0,9255 Valid Pertanyaan 3 317 1069 13813 0,9153 Valid Pertanyaan 4 319 1083 13897 0,9097 Valid Pertanyaan 5 315 1063 13768 0,9161 Valid Pertanyaan 6 320 1094 13963 0,9093 Valid Pertanyaan 7 317 1077 13886 0,9421 Valid Pertanyaan 8 315 1057 13751 0,9317 Valid Pertanyaan 9 319 1091 13960 0,9278 Valid Pertanyaan 10 324 1120 14156 0,9341 Valid Pertanyaan 11 323 1119 14117 0,9092 Valid Pertanyaan 12 318 1078 13874 0,9200 Valid Pertanyaan 13 315 1065 13773 0,9107 Valid
Sumber : Jawaban kuisioner
Berdasarkan Tabel 4.5 diperoleh hasil pengujian instrumen variabel investasi sosial secara keseluruhan memiliki nilai Corrected Item Total Corelation
lebih besar dari 0,30. Dapat disimpulkan bahwa seluruh instrumen pernyataan dari variabel yang digunakan valid dan dapat digunakan dalam penelitian.
penelitian ( data diolah )
Tabel 4.6 Hasil Uji Validitas Instrumen Variabel Produktivitas
Butir Pertanyaan ∑X ∑X² ∑XY Keterangan
Pertanyaan 1 318 1086 9519 0,8544 Valid Pertanyaan 2 321 1101 9623 0,8993 Valid Pertanyaan 3 315 1063 9459 0,9068 Valid Pertanyaan 4 316 1066 9478 0,9110 Valid Pertanyaan 5 317 1081 9544 0,9181 Valid Pertanyaan 6 314 1060 9429 0,8885 Valid Pertanyaan 7 317 1081 9535 0,9063 Valid Pertanyaan 8 312 1046 9397 0,9286 Valid Pertanyaan 9 315 1067 9475 0,9084 Valid Sumber : Jawaban kuisioner penelitian ( data diolah )
Berdasarkan Tabel 4.6 diperoleh hasil pengujian instrumen variabel investasi sosial secara keseluruhan memiliki nilai Corrected Item Total Corelation yang lebih besar dari 0,30. Dengan demikian dapat disimpulkan bahwa seluruh instrumen pernyataan dari variabel yang digunakan adalah valid dan instrumen ini dapat digunakan dalam penelitian.
4.1.5. Uji Reliabilitas
Untuk mendapatkan instrument yang reliabel, maka dilakukan uji reliabilitas. Menurut Arikunto (2007), reliabilitas menunjukkan pada suatu pengertian bahwa sesuatu intrumen cukup dapat dipercaya untuk digunakan sebagai alat pengumpulan data karena instrument tersebut sudah baik. Pengujian dilakukan untuk mengetahui konsistensi hasil dari sebuah jawaban tentang tanggapan responden.
Hasil uji reliabilitas dapat dilihat dari nilai cronbach alpha, reliabilitas yang baik adalah yang mendekati satu. Reliabilitas adalah alat yang mengukur suatu kuesioner yang merupakan indikator dari variabel. Menurut Ghozali (2006) pengukuran reliabilitas dapat dilakukan dengan dua cara, yaitu :
1. Repeated Measure (pengukuran ulang)
Dilakukan dengan cara memberikan kuesioner (pertanyaan) yang sama pada waktu yang berbeda dan dilihat apakah responden konsisten dengan jawabannya. 2. One Shot (pengukuran sekali saja)
Dilakukan dengan cara sekali saja kuesioner diberikan kepada responden dan kemudian hasilnya dibandingkan dengan pernyataan lain atau mengukur korelasi antar jawabannya.
Penelitian ini menggunakan pengukuran reliabilitas one shot atau pengukuran sekali saja dan untuk pengujian reliabilitasnya digunakan uji statistic
Cronbach Alpha. Suatu konstruk atau variabel dikatakan reliabel jika memberikan nilai Cronbach Alpha > 0,60 (Ghozali,2006). Pengujian reliabilitas kuisioner dilakukan dengan penghitungan secara manual, menggunakan program Microsoft excel. Hasil penghitungan nilai Cronbach Alpha disajikan dalam tabel 4.7 berikut:
Tabel 4.7. Hasil Uji Reliabilitas Instrumen
Variabel n ∑σ² σ²t Kesimpulan
Kebijakan insentif pajak 9 7,5917 76,087 0,9091 Reliabel Investasi social 13 11,4445 125,51 0,9178 Reliabel
Produktivitas 9 8,2521 60,4536 0,872 Reliabel
Sumber : Jawaban kuisioner
4.1.6 Analisis Structural Equation Modeling (SEM)
penelitian ( data diolah )
Evaluasi terhadap ketetapan model pada dasarnya telah dilakukan ketika model diestimasi oleh program Amos Versi 21. Evaluasi lengkap terhadap model ini dilakukan dengan mempertimbangkan pemenuhan terhadap asumsi dalam
Struktural Equation Modeling (SEM) seperti pada uraian berikut ini.
4.1.6.1. Model Bersifat Aditif
Dalam penggunaan SEM, asumsi model harus bersifat aditif yang dibuktikan melalui kajian teori dan temuan penelitian sebelumnya yang digunakan sebagai rujukan dalam penelitian. Kajian teoritis dan empiris membuktikan bahwa semua hubungan yang dirancang melalui hubungan hipotetik telah bersifat aditif, dengan demikian asumsi hubungan bersifat aditif telah dipenuhi.
4.1.6.2 Evaluasi Pemenuhan Asumsi Normalitas Data Evaluasi Atas Outliers
Normalitas univariat dan multivariat terhadap data yang digunakan dalam analisis ini diuji dengan menggunakan Amos Versi 21. Hasil analisis dapat dilihat dalam Lampiran tentang assessment normality. Acuan yang dirujuk untuk menyatakan asumsi normalitas data yaitu nilai pada kolom C.R (critical ratio).
Tabel 4.8. Normalitas Data Nilai critical ratio
Variable min max skew c.r. Kurtosis c.r.
P1 1,000 5,000 -,086 -,355 -,429 -,884 P2 1,000 5,000 -,067 -,277 -,508 -1,047 P3 1,000 5,000 -,083 -,344 -,570 -1,175 IS1 1,000 5,000 -,086 -,354 -,485 -1,000 IS2 1,000 5,000 -,211 -,869 -,371 -,766 IS3 1,000 5,000 -,053 -,220 -,680 -1,402 IS4 1,000 5,000 -,045 -,185 -,551 -1,137 KIP3 1,000 5,000 -,099 -,410 -,656 -1,352 KIP2 1,000 5,000 -,206 -,851 -,543 -1,119 KIP1 1,000 5,000 ,258 1,065 -,433 -,892
Sumber : Output Amos Versi 21
Kriteria yang digunakan adalah jika skor C.R yang terdapat dalam tabel 4.8 bernilai -2,8<CR<2,8 maka terbukti bahwa distribusi data normal. Penelitian ini secara total menggunakan 102 data observasi, sehingga dengan demikian dapat dikatakan asumsi normalitas dapat dipenuhi.
Tabel 4.9. Normalitas Data Nilai Outlier
Observation number Mahalanobis d- squared p1 p2 32 24,990 ,005 ,422 29 23,166 ,010 ,277 4 21,441 ,018 ,285 98 21,228 ,020 ,140 64 20,882 ,022 ,074 24 20,300 ,027 ,055
Observation number Mahalanobis d- squared p1 p2 56 18,426 ,048 ,222 87 18,027 ,055 ,193 50 17,065 ,073 ,327 2 16,884 ,077 ,259 25 16,738 ,080 ,196 26 16,652 ,082 ,134 23 16,411 ,088 ,116 21 16,394 ,089 ,068 79 15,981 ,100 ,084 5 15,832 ,105 ,065 62 15,413 ,118 ,088 100 15,360 ,119 ,058 31 15,340 ,120 ,034 45 15,102 ,128 ,034 60 14,912 ,135 ,031 78 14,440 ,154 ,060 63 14,120 ,168 ,080 86 14,009 ,173 ,065 33 13,969 ,174 ,044 97 13,684 ,188 ,058 96 13,657 ,189 ,038 58 13,501 ,197 ,036 65 13,426 ,201 ,027 1 13,264 ,209 ,027 39 12,971 ,225 ,041 20 12,783 ,236 ,045 93 12,756 ,238 ,030 34 12,605 ,247 ,030 47 11,917 ,291 ,145 101 11,825 ,297 ,130 90 11,750 ,302 ,111 43 11,620 ,311 ,111 7 11,542 ,317 ,096 16 11,474 ,322 ,080 6 11,459 ,323 ,056
Observation number Mahalanobis d- squared p1 p2 15 11,455 ,323 ,037 3 11,151 ,346 ,068 30 11,114 ,349 ,051 76 10,850 ,369 ,082 37 10,758 ,377 ,075 77 10,597 ,390 ,086 74 10,316 ,413 ,141 94 9,836 ,455 ,338 57 9,478 ,487 ,517 48 9,470 ,488 ,444 55 9,097 ,523 ,642 69 8,838 ,548 ,748 88 8,721 ,559 ,758 41 8,590 ,571 ,776 89 8,386 ,591 ,834 42 8,310 ,599 ,822 71 8,111 ,618 ,870 59 7,962 ,633 ,891 44 7,928 ,636 ,864 84 7,842 ,644 ,859 66 7,829 ,646 ,816 14 7,659 ,662 ,854 36 7,447 ,683 ,903 102 7,369 ,690 ,896
Sumber : Output Amos Versi 21
Evaluasi atas outliers dimaksudkan untuk mengetahui sebaran data yang jauh dari titik normal (data pencilan). Semakin jauh jarak sebuah data dengan titik pusat (centroid), semakin ada kemungkinan data masuk dalam kategori outliers, atau data yang sangat berbeda dengan data lainnya. Untuk itu data pada tabel 4.9 yang menunjukkan urutan besar Mahalanobis Distance harus tersusun dari urutan yang terbesar sampai terkecil. Kriteria yang digunakan sebuah data termasuk outliers
adalah jika data mempunyai angka p1 (probability1) dan p2 (probability2) kurang dari 0.05 atau p1 dan p2 < 0,05 (Santoso, 2007). Data hasil outliner ada pada lampiran. Jika normalitas data terpenuhi maka langkah selanjutnya adalah menguji apakah indikator setiap variabel sebagai faktor yang layak untuk mewakili dalam analisis selanjutnya. Untuk mengetahuinya digunakan analisis
Confirmatory Factor Analysis (CFA).
4.1.6.3. Confirmatory Factor Analysis (CFA)
CFA adalah bentuk khusus dari analisis faktor. CFA digunakan untuk menilai hubungan sejumlah variabel yang bersifat independent dengan yang lain. Analisis faktor merupakan teknik untuk mengkombinasikan pertanyaan atau variabel yang dapat menciptakan faktor baru serta mengkombinasikan sasaran untuk menciptakan kelompok baru secara berturut-turut.
Ada dua jenis pengujian dalam tahap ini yaitu: Confirmatory Factor Analysis (CFA) yaitu measurement model dan structual equation model (SEM). CFA measurement model diarahkan untuk menyelidiki unidimensionalitas dari indikator - indikator yang menjelaskan sebuah faktor atau sebuah variabel laten dalam penelitian.
Seperti halnya dalam CFA, pengujian SEM juga dilakukan dengan dua cara yaitu uji kesesuaian model dan uji signifikansi kausalitas melalui uji koefisien regresi. Langkah analisis untuk menguji model penelitian dilakukan melalui tiga tahap yaitu pertama: menguji model konseptual. Jika hasil pengujian terhadap model konseptuap ini kurang memuaskan maka dilanjutkan dengan tahap kedua
yaitu dengan memberikan perlakukan modifikasi terhadap model yang dikembangkan setelah meperhatikan indeks modifikasi dan dukungan (justifikasi)
dari teori yang ada. Selanjutnya, jika pada tahap kedua masih diperoleh hasil yang kurang memuaskan, maka ditempuh tahap ketiga dengan cara menghilangkan atau menghapus (drop) variabel yang memiliki nilai C.R (Critical Rasio) lebih kecil dari 1.96, karena variabel ini dipandang tidak berdimensi sama dengan variabel lainnya untuk menjelaskan sebuah variabel laten (Ferdinand, 2002). Loading factor atau lamda value (λ) ini digunakan untuk menilai kecocokan, kesesuaian atau unidimensionalitas dari indikator-indikator yang membentuk dimensi atau variabel. Untuk menguji CFA dari setiap variabel terhadap model keseluruhan memuaskan atau tidak adalah berpedoman dengan kepada kriteria goodness of fit. 4.1.6.3.1 CFA Variabel Kebijakan Insentif Pajak
Variabel kebijakan insentif pajak memiliki 3 (tiga) indikator yang akan diuji seperti tampak pada gambar 4.4, yaitu : Pengecualian dari pengenaan pajak
(KIP1), Pengurangan dasar pengenaan pajak (KIP2), dan Diskresi administrasi pemenuhan hak dan kewajiban (KIP3).
Gambar 4.4. CFA Kebijakan Insentif Pajak (output Amos V.21)
Berdasarkan output AMOS diketahui bahwa seluruh indikator pembentuk konstruk first order kebijakan insentif pajak, memiliki nilai loading factor
signifikan, seluruh nilai loading factor melebihi angka 0,5. Jika seluruh indikator pembentuk konstruk sudah signifikan maka dapat digunakan dalam analisis data.
4.1.6.3.2 CFA Variabel Investasi Sosial
Variabel investasi sosial memiliki 4 (empat) indikator yang akan diuji seperti tampak pada gambar 4.5, yaitu : Pemberian beasiswa dan biaya Litbang (IS1), Pelatihan teknologi ramah lingkungan (IS2), Pendampingan kegiatan masyarakat (IS3), dan Perbaikan sarana umum (IS4).
Gambar 4.5. CFA Investasi Sosial (output Amos V.21)
Berdasarkan output AMOS diketahui bahwa seluruh indikator pembentuk konstruk first order investasi sosial, memiliki nilai loading factor signifikan, dimana seluruh nilai loading factor melebihi angka 0,5. Jika seluruh indikator pembentuk konstruk sudah signifikan maka dapat digunakan dalam analisis data.
4.1.6.3.3 CFA Variabel Produktivitas
Variabel produktivitas memiliki 3 (tiga) indikator yang akan diuji seperti tampak pada gambar 4.6, yaitu : Efisiensi (P1), Efektifitas (P2), dan Kualitas (P3)
Gambar 4.6. CFA Produktivitas (output Amos V.21)
Berdasarkan output AMOS diketahui bahwa seluruh indikator pembentuk konstruk first order produktivitas, memiliki nilai loading factor signifikan, dimana seluruh nilai loading factor melebihi angka 0,5. Jika seluruh indikator pembentuk konstruk sudah signifikan maka dapat digunakan dalam analisis data.
4.1.6.4. Pengujian Kesesuaian Model (Goodness of Fit Model)
Hasil olah data (output) dengan program Amos versi 21, dengan variabel eksogen kebijakan insentif pajak, variabel endogen 1 (intervening) investasi, dan variabel endogen 2 produktivitas adalah seperti ditunjukkan pada gambar 4.7 berikut ini.
Gambar 4.7. Output data penelitian (output Amos V.21)
Pengujian kesesuaian model penelitian digunakan untuk menguji tingkat goodness of fit dari model penelitian. Ukuran GFI pada dasarnya merupakan ukuran kemampuan suatu model menerangkan keragaman data. Nilai GFI berkisar antara 0 – 1. Sebenarnya, tidak ada kriteria standar tentang batas nilai GFI yang baik. Bisa disimpulkan, model yang baik adalah model yang memiliki nilai GFI mendekati 1. Dalam prakteknya, banyak peneliti yang menggunakan batas minimal 0,9. Pada tabel 4.10 disajikan hasil analisa AMOS v. 21:
Tabel 4.10. Hasil Pengujian Kelayakan Model Penelitian Untuk Analisis SEM
Goodness of Fit Indeks
Cut of Value Hasil Analisis
Evaluasi Model Min fit function of chi-
square p>0,05 2,689 (P =0.000) Fit Chisquare ≤ 2 45.713 Marginal fit Non Centrality Parameter (NCP)
Penyimpangan sample cov matrix dan fitted kecil<Chisquare
28,713 Fit
Root Mean Square Error of Approx
(RMSEA)
Browne dan Cudeck (1993) < 0,08 0.129 Marginal Fit Expected Cross validation Index (ECVI)
<ECVI for saturated model (3,42) <ECVI for independence model (9.06)
1,205 Fit
Model AIC Model AIC >Saturated AIC
<Independence AIC
121,713 Fit
Model CAIC Model CAIC < <Saturated CAIC <Independence CAIC
259,462 Fit
Normed Fit Index (NFI)
>0,90 0.974 Fit
Parsimoni Normed Fit Index (PNFI)
0,60 – 0,90 0.368 Marginal
Fit Parsimoni
Comparative Fit Index (PCFI)
0,60 – 0,90 0.371 Marginal
Fit
PRATIO 0,60 – 0,90 0.378 Marginal
Fit Comparative Fit Index
(CFI)
>0,90 (Bentler (2000)
0.983 Fit
Incremental Fit Index (IFI)
>0,90 Byrne (1998)
0.984 Fit
Relative Fit Index (RFI)
0 – 1 0.931 Fit
Goodness of Fit Index (GFI)
> 0,90 0.923 Fit
Adjusted Goodness of Fit Index (AGFI)
>0,90 0.750 Marginal
Fit Parsimony Goodness
of Fit Index (PGFI)
0 – 1,0 0.285 Marginal
Fit Sumber : output Amos V.21
Berdasarkan hasil Penilaian Model Fit diketahui bahwa seluruh analisis model telah memiliki syarat yang baik sebagai suatu model SEM. Untuk melihat hubungan antara masing-masing variabel dilakukan dengan analisis jalur (path analysis) dari masing-masing variabel baik hubungan yang bersifat langsung (direct) maupun hubungan tidak langsung (indirect).
g. Uji Kecocokan Chi-Square
Uji kecocokan ini mengukur seberapa dekat antara implied covariance matrix
(matriks kovarians hasil prediksi) dan sample covariance matrix (matriks kovarians dari sampel data). Dalam prakteknya, P-value diharapkan bernilai lebih besar sama dengan 0,05 agar H0 dapat diterima yang menyatakan bahwa model adalah baik. Pengujian Chi-square sangat sensitif terhadap ukuran data. Yamin dan Kurniawan (2009) menganjurkan untuk ukuran sample yang besar (lebih dari 200), uji ini cenderung untuk menolak H0. Namun sebaliknya untuk ukuran sampel yang kecil (kurang dari 100), uji ini cenderung untuk menerima H0. Oleh karena itu, ukuran sampel data penelitian yang disarankan untuk diuji dalam uji Chi-square adalah sampel data berkisar antara 100 – 200.
h. Goodnees-Of-Fit Index (GFI)
Ukuran GFI pada dasarnya merupakan ukuran kemampuan suatu model menerangkan keragaman data. Nilia GFI berkisar antara 0 – 1. Sebenarnya, tidak ada kriteria standar batas nilai GFI yang baik. Namun bisa disimpulkan, model yang baik adalah model yang memiliki nilai GFI mendekati 1. Dalam prakteknya, banyak peneliti yang menggunakan batas minimal 0,9.
i. Root Mean Square Error Of Approximation (RMSEA)
RMSEA merupakan ukuran rata-rata perbedaan per degree of freedom yang diharapkan dalam populasi. Nilai RMSEA < 0,08 adalah good fit, sedangkan Nilai RMSEA < 0,05 adalah Marginal Fit.
j. Expected Cross-Validation Index (ECVI)
Ukuran ECVI merupakan nilai pendekatan uji kecocokan suatu model apabila diterapkan pada data lain (validasi silang). Nilainya didasarkan pada perbandingan antarmodel. Semakin kecil nilai, semakin baik.
k. Non-Centrality Parameter (NCP)
NCP dinyatakan dalam bentuk spesifikasi ulang Chi-square. Penilaian didasarkan atas perbandingan dengan model lain. Semakin kecil nilai, semakin baik.
Ukuran kecocokan incremental (incremental/relative fit measures),
yaitu ukuran kecocokan model secara relatif, digunakan untuk perbandingan model yang diusulkan dengan model dasar yang digunakan oleh peneliti. Uji kecocokan tersebut meliputi :
f. Adjusted Goodness-Of-Fit Index (AGFI)
Ukuran AGFI merupakan modifikasi dari GFI dengan mengakomodasi degree of freedom model dengan model lain yang dibandingkan. AGFI > 0,9 adalah
good fit, sedangkan 0,8 > AGFI > 0,9 adalah marginal fit.
g. Tucker-Lewis Index (TLI)
Ukuran TLI disebut juga dengan nonnormed fit index (NNFI). Ukuran ini merupakan ukuran untuk pembandingan antarmodel yang mempertimbangkan
banyaknya koefisien di dalam model. TLI> 0,9 adalah good fit, sedangkan 0,8 > TLI >0,9 adalah marginal fit.
h. Normed Fit Index (NFI)
Nilai NFI merupakan besarnya ketidakcocokan antara model target dan model dasar. Nilai NFI berkisar antara 0 – 1. NFI > 0,9 adalah good fit, sedangkan 0,8 > NFI > 0,9 adalah marginal fit.
i. Incremental Fit Index (IFI)
Nilai IFI berkisar antara 0 – 1. IFI >0,9 adalah good fit, sedangkan 0,8 >IFI > 0,9 adalah marginal fit. Comparative Fit Index (CFI) Nilai CFI berkisar antara 0 – 1. CFI > 0,9 adalah good fit, sedangkan 0,8 > CFI > 0,9 adalah marginal fit.
j. Relative Fit Index (RFI)
Nilai RFI berkisar antara 0 – 1. RFI > 0,9 adalah good fit, sedangkan 0,8 > RFI > 0,9 adalah marginal fit.
Ukuran kecocokan parsimoni (parsimonious/adjusted fit measures),
yaitu ukuran kecocokan yang mempertimbangkan banyaknya koefisien didalam model. Uji kecocokan tersebut meliputi:
a. Parsimonious Normed Fit Index (PNFI)
Nilai PNFI yang tinggi menunjukkan kecocokan yang lebih baik. PNFI hanya digunakan untuk perbandingan model alternatif.
b. Parsimonious Goodness-Of-Fit Index (PGFI)
Nilai PGFI merupakan modifikasi dari GFI, dimana nilai yang tinggi menunjukkan model lebih baik digunakan untuk perbandingan antarmodel.
c. Akaike Information Criterion (AIC)
Nilai positif lebih kecil menunjukkan parsimoni lebih baik digunakan untuk perbandingan antarmodel.
d. Consistent Akaike Information Criterion (CAIC)
Nilai positif lebih kecil menunjukkan parsimoni lebih baik digunakan untuk perbandingan antarmodel.
e. Criteria N (CN)
Estimasi ukuran sampel yang mencukupi untuk menghasilkan adequate model fit untuk Chi-squared. Nilai CN > 200 menunjukkan bahwa sebuah model cukup mewakili sampel data. Setelah evaluasi terhadap kecocokan keseluruhan model, langkah berikutnya adalah memeriksa kecocokan model pengukuran dilakukan terhadap masing-masing konstrak laten yang ada di dalam model. Pemeriksaan terhadap konstrak laten dilakukan terkait dengan pengukuran konstrak laten oleh variabel manifest (indikator). Dari evaluasi ini akan didapatkan ukuran kecocokan pengukuran yang baik apabila:
1. Nilai t-statistik muatan faktornya (faktor loading-nya) lebih besar dari 1,96 (t-tabel).
2. Standardized faktor loading (completely standardized solution) dengan nilai λ 0,5 .
4.1.6.5. Interpretasi dan Modifikasi Model
Langkah interpretasi dan modifikasi model adalah menginterpretasikan model dan modifikasi model bagi model-model yang tidak dapat memenuhi syarat pengujian yang dilakukan. Setelah model diestimasi, residualnya haruslah kecil atau
mendekati 0 dan distribusi frekuensi dari covarian residual harus bersifat simetrik (Tacbnnick dan Fidelc, 1997, Ferdinand, 2000).
Model yang baik seharusnya memiliki Nilai Standardized Residual Covariances yang kecil. Nilai Standardized Residual Covariances merupakan batas nilai yang diperkenankan berada diantara -2,58 sampai dengan 2,58. Hasil Standardized Residual Covariances penelitian dapat dilihat pada tabel 4.11 berikut :
Tabel 4.11. Standar Nilai Residual Model
P1 P2 P3 IS1 IS2 IS3 IS4 KIP3 KIP2 KIP1
P1 -,019 P2 -,180 ,012 P3 ,087 ,065 ,007 IS1 -,031 -,223 -,139 ,022 IS2 -,160 ,108 ,146 -,121 ,007 IS3 ,121 -,011 -,142 ,128 -,014 -,009 IS4 ,100 ,147 -,037 ,101 ,055 -,085 ,003 KIP3 ,325 -,058 -,146 ,185 -,038 -,014 -,194 -,015 KIP2 ,112 -,198 -,194 ,096 -,158 ,207 ,032 ,071 ,015 KIP1 ,061 -,201 -,009 ,080 -,216 ,257 ,153 ,229 ,083 ,068 Sumber : output Amos V.21
Berdasarkan tabel 4.11 di atas diketahui bahwa nilai Standardized Residual Covariances masih berada diantara -2,58 sampai dengan 2,58. Nilai terbesar pada tabel di atas sebesar 0,325 berada pada titik temu covariance antara KIP1 (kebijakan insentif pajak berupa pengecualian dari pengenaan pajak) dan P1 (Produktivitas berupa efisiensi). Berdasarkan hasil tersebut maka dapat disimpulkan bahwa modifikasi terhadap model dalam penelitian ini tidak perlu dilakukan.
4.1.6.6. Uji Kesahian Konvergen dan Uji Kausalitas
Uji kesahian konvergen diperoleh dari data pengukuran model setiap variabel (measurement model), uji ini dilakukan untuk menentukan kesahian setiap indikator yang diestimasi, dengan mengukur dimensi dari konsep yang diuji
dalam penelitian. Apabila indikator memiliki critical ratio lebih besar dari dua kali kesalahan (standard error), menunjukan bahwa indikator secara sahih telah mengukur apa yang seharusnya diukur pada model yang disajikan (Wijaya,2009). Validitas konvergen dapat dinilai dengan menentukan apakah setiap indikator yang diestimasi secara valid mengukur dimensi dari konsep yang diuji. Berdasarkan tabel 4.12, diketahui bahwa nilai nadir (critical ratio) untuk semua indikator yang ada lebih besar dari dua kali standar kesalahan (standard error)
sehingga semua butir pada penelitian ini sahih terhadap setiap variabel penelitian.