METODE PENELITIAN
4.5 Metode Analisis Data
4.5.1 Tahapan pemodelan dengan analisis persamaan struktural (SEM)
Penelitian ini menggunakan SEM (Structural Equation Model) yang didasarkan pada evaluasi atas adanya hubungan saling ketergantungan. Ferdinand (2002 : 34) mengajukan tahapan pemodelan dan analisis persamaan struktural menjadi tujuh langkah sebagai berikut.
41
Tahap awal yang dilakukan adalah perumusan atau formulasi model. Dalam tahap ini dirumuskan hipotesis yang berkaitan dengan pola keterkaitan antar variabel disesuaikan dengan teori. Konseptualisasi model mengharuskan dua hal yang harus dilakukan :
a) Hubungan yang dihipotesiskan antara variabel laten harus ditentukan. Tahap pengembangan model ini berfokus pada model struktural dan harus mempresentasikan kerangka teoritis yang diuji. Disini, variabel eksogen, endogen dan intervening harus dapat dibedakan dengan jelas. Karena variabel endogen tidak secara sempurna dipengaruhi oleh variabel yang dihipotesiskan (masih terdapat kemungkinan variabel endogen tersebut dipengaruhi oleh variabel selain yang dihipotesiskan), maka error term (residual) juga dihipotesiskan mempengaruhi variabel endogen dalam suatu model. Setelah itu, memutuskan arah (positif atau negatif) dan jumlah hubungan antara variabel-variabel eksogen dan antara variabel-variabel eksogen dan variabel-variabel endogen. Disini, peran teori dan hasil penelitian sebelumnya sangat berperan.
b) Pengukuran model dan menghubungkannya dengan operasionalisasi variabel laten, sehingga dikenal beberapa indikator (manifest variable) yang digunakan untuk mengukur variabel laten (unobserved variabel) tersebut. Variabel manifest dalam AMOS biasanya menggunakan refflective indicators (juga disebut sebagai effect indicators). Indikator reflektif berarti bahwa konstruk laten dianggap ”mempengaruhi” variabel observed. 2) Menyusun diagram jalur
Pada langkah kedua, model teoritis yang telah dibangun pada langkah pertama akan digambarkan pada path diagram. Path diagram tersebut akan mempermudah untuk melihat hubungan-hubungan kausalitas konstruk yang akan diuji. Berdasarkan kajian teori dan kerangka teoritis yang ada kemudian dibuat gambar diagram jalur hubungan kausalitas antar konstruk beserta indikatornya yang dapat dilihat pada Gambar 4.2 pada halaman 43.
3) Menyusun persamaan struktural
Selanjutnya adalah mengubah diagram jalur ke dalam persamaan struktural dan model pengukuran. Pada langkah ketiga ini, model yang dinyatakan dalam dua kategori dasar yaitu sebagai berikut.
a) Persamaan-persamaan struktural (structural equations)
Persamaan ini dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk. Persamaan struktural dari model diagram jalur penelitian ini dinyatakan sebagai berikut.
Y1 = γ1X1 + γ2X2 + ɛij ... (3)
Y2 = γ3X1 + γ4X2 + β Y1 + ɛij ... (4) Dimana :
γ (gamma) = hubungan langsung variabel eksogen terhadap variabel endogen β (beta) = hubungan langsung variabel endogen terhadap variabel endogen ɛ (epsilon) = measurement error
X1 = perceived ease of use X2 = perceived usefulness Y1 = attitude toward using Y2 = actual usage
43
Gambar 4.2 Model Diagram Jalur Hubungan Perceived Ease of Use, Perceived Usefulness, Attitude Toward Using, dan Actual Usage Internet Banking
b) Persamaan spesifikasi model pengukuran (measurement model)
Persamaan spesifikasi ini untuk menentukan variabel mana yang mengukur konstruk serta menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesakan antar konstruk atau variabel.
4) Memilih jenis input matrik dan estimasi model yang diusulkan
Model persamaan struktural berbeda dari teknik analisis multivariat lainnya. SEM hanya menggunakan data input berupa matrik/kovarian atau matrik korelasi (Ferdinand, 2002 : 46), sedangkan teknik estimasi model yang digunakan adalah Maximum Likelihood Estimation (ML) dengan program AMOS. Ferdinand (2002 : 47) menyebutkan bila ukuran
EOU (X1) X1.5 e5 1 1 X1.4 e4 1 X1.3 e3 1 X1.2 e2 1 X1.1 e1 1 USE (X2) X2.6 e12 1 1 X2.5 e11 1 X2.4 e10 1 X2.3 e9 1 X2.2 e8 1 X2.1 e7 1 ATT (Y1) Y1.1 e13 1 1 Y1.2 e14 1 Y1.3 e16 1 Y1.4 e16 1 Y1.5 e17 1 ASU (Y2) Y2.1 e18 1 1 Y2.2 e19 1 Y2.3 e20 1 Y2.4 e21 1 Y2.5 e22 1 Y2.6 e23 1 e26 e27 e25 e24 X1.6 e6 1 ɣ 2 ɣ 4 β ɣ 3 ɣ 1
sampel adalah kecil (100-200) dan asumsi normalitas dipenuhi maka teknik estimasi yang digunakan adalah Maximum Likelihood Estimation (ML).
5) Menilai identifikasi model struktural.
Problem identifikasi adalah ketidakmampuan proposed model untuk menghasilkan unique estimated. Ferdinand (2002 : 49) menyebutkan cara untuk melihat ada tidaknya problem identifikasi adalah dengan melihat hasil estimasi yang meliputi sebagai berikut.
a) Standar error untuk satu atau beberapa koefisien sangatlah besar.
b) Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan. c) Nilai estimasi yang tidak mungkin misalnya error variance yang negatif.
d) Adanya nilai korelasi yang tinggi (> 0,90) antar koefisien estimasi.
Hal yang dapat dilakukan untuk mengatasi masalah identifikasi adalah menetapkan lebih banyak konstrain dalam model (menghapus path dari path diagram) sampai masalah yang ada hilang.
6) Evaluasi kriteria goodness of fit
Menurut Ferdinand (2002 : 51) ada beberapa asumsi SEM yang harus dipenuhi dalam prosedur pengumpulan dan pengolahan data yaitu sebagai berikut.
a) Ukuran sampel
Ukuran sampel yang harus dipenuhi dalam pemodelan ini adalah minimum berjumlah 100 dan selanjutnya menggunakan perbandingan lima observasi untuk setiap estimated parameter.
b) Outliers
Outliers adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariat yaitu yang muncul karena kombinasi karakteristik yang unik yang dimilikinya dan terlihat sangat jauh berbeda dengan observasi-observasi lainnya.
45
Ferdinand (2002 : 52) menyebutkan outliers pada dasarnya dapat muncul dalam empat kategori:
1) Outliers muncul karena kesalahan prosedur seperti kesalahan dalam memasukkan data atau kesalahan dalam mengkoding data.
2) Outliers muncul karena keadaan yang benar-benar khusus yang memungkinkan profil data lain daripada yang lain, tetapi peneliti memiliki penjelasan mengenai apa penyebab munculnya nilai ekstrim tersebut.
3) Outliers muncul karena adanya suatu alasan tetapi peneliti tidak dapat mengetahui apa penyebabnya atau tidak ada penjelasan mengenai sebab-sebab munculnya nilai ekstrim tersebut.
4) Outliers dapat muncul range nilai yang ada, tetapi bila dikombinasikan dengan variabel lainnya, kombinasinya menjadi tidak lazim atau sangat ekstrim, yang sering dikenal dengan multivariate outliers.
c) Multicollinearity
Multikolinearitas dapat dideteksi dari determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil memberi indikasi adanya problem multikolinearitas. Setelah asumsi SEM terpenuhi, langkah berikutnya adalah menguji kesesuaian dan uji statistik. Dalam analisis SEM tidak ada alat uji statistik tunggal untuk mengukur atau menguji hipotesis mengenai model (Ferdinand, 2002 : 54). Ada beberapa jenis fit index yang mengukur derajat kesesuaian antara model yang dihipotesakan dengan data yang disajikan, antara lain sebagai berikut.
a) χ2 – Chi square Statistik
Alat uji paling fundamental untuk mengukur overall fit adalah likelihood ratio Chi-square statistik. Chi-Chi-square ini bersifat sangat sensitif terhadap besarnya sampel yang
digunakan. Dasar pengambilan keputusan dalam uji Chi-square ini adalah sebagai berikut (Ferdinand, 2002 : 55).
1) Dengan membandingkan χ2 hitung dengan χ2 tabel Jika χ2 hitung ˂ χ2
tabel, maka matrik kovarian sampel tidak berbeda dengan matrik kovarians estimasi.
Jika χ2 hitung > χ2
tabel, maka matrik kovarian sampel berbeda dengan matrik kovarians estimasi.
2) Dengan melihat angka probabilitas (ρ) pada output AMOS
Jika ρ > 0,05 maka matrik kovarian sampel tidak berbeda dengan matrik kovarians estimasi.
Jika ρ ˂ 0,05 maka matrik kovarian sampel berbeda dengan matrik kovarians estimasi. b) GFI (Goodness of fit Index)
Secara teoritis, angka GFI berkisar antara 0 (poor fit) sampai 1,0 (perfect fit) dengan pedoman bahwa semakin kecil hasil GFI mendekati angka 1, akan semakin baik model tersebut dalam menjelaskan data yang ada. Menurut Ferdinand (2002 : 57) nilai GFI yang diharapkan adalah sebesar 0,90.
c) AGFI (Adjusted Goodness of Fit)
Adjusted goodness of fit merupakan pengembangan dari GFI yang disesuaikan dengan ratio degree of freedom untuk proposed model dengan degree of freedom untuk null model. Nilai yang direkomendasikan adalah sama atau 0,90.
d) CMIN/DF
Adalah nilai Chi-square dibagi dengan degree of freeedom. Ferdinand (2002 : 58) mengusulkan nilai rasio ini 2, merupakan ukuran fit.
47 e) TLI (Tucker Lewis Index)
Tucker lewis index atau dikenal dengan nonnormed fit index (NNFI), pertama kali diusulkan sebagai alat untuk mengevaluasi analisis faktor, tetapi sekarang dikembangklan untuk SEM. Ukuran ini menggabungkan ukuran parsimory ke dalam indeks komparasi antara proposed model dan null model dan nilai TLI berkisar dari 0 sampa 1,0. Nilai TLI yang direkomendasikan adalah 0,90 (Baumgartner dan Homburg ; Hair et al. ; dan Arbuckle dalam Ferdinand, 2002 : 60).
f) CFI (Comparative Fit Index)
Indeks ini pada dasarnya membandingkan angka NCP (Non Centrality Parameter) pada berbagai model. CFI mempunyai range value antara 0 sampai 1. Pada umumnya, nilai di atas 0,90 menunjukkan model sudah fit dengan data yang ada.
g) RMSEA (Root Mean Square Error of Approximation)
RSMEA adalah sebuah indeks yang dapat digunakan untuk mengompensasi Chi-square statistik dalam sampel yang besar. Nilai RSMEA 0,08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model berdasarkan degress of freedom (Ferdinand, 2002 : 61).
7) Interpretasi dan modifikasi model
Ketika model telah dinyatakan diterima, maka dapat dipertimbangkan dilakukannya modifikasi model untuk memperbaiki penjelasan teoritis atau goodness of fit. Jika model dimodifikasi, maka model tersebut harus di cross-validated (diestimasi dengan data terpisah) sebelum model modifikasi diterima.
4.5.2 Validitas dan Reliabilitas