METODOLOGI PENELITIAN
3.4 Teknik Analisa Data Dan Uji Hipotesa
Model yang digunakan untuk menganalisa data penelitian ini adalah structure Equation Modeling ( SEM ) adalah sekumpulan teknik – teknik statistika yang memungkinkan pengukuran sebuah rangkaian hubungan yang relatif rumit secara simultan. Hubungan yang rumit tersebut dibangun antara satu atau beberapa variabel dependen dengan satu atau beberapa variabel independen. Masing – masing variabel dependen dan independen dapat berbentuk konstruk yang dibangun dari beberapa variabel dependen ( Ferdinand, 2000 ).
Penelitian ini menggunakan dua macam teknik analisa :
1. Measurement Model atau analisa faktor konfirmatori ( Confirmatory Factor analysis ) yang digunakan untuk mengkonfirmasi apakah variabel – variabel indikator yang digunakan dapat mengkonfirmasi sebuah konstruk.
2. Causal Model, struktur model adalah yang mrnggambarkan hubungan – hubungan yang dihipotesiskan antar konstruk, yang menjelaskan sebuah kausalitas, termasuk didalamnya kausalitas berjenjang.
Sebuah SEM yang lengappada dasarnya terdiri dari measurement model dan causal atau struktur model. Measurement model atau model
pengukuran ditunjukkan untuk mrngkonfirmasi dimensi – dimensi yang dikembangkan pada sebuah konstruk. Struktural model adalah model mengenai struktur hubungan yang membentuk atau menjelaskan kausalitas antara konstruk, ( Ferdinand, 2000 ). Menurut Hair, Anderson, Tatham dan Black ( 1998 ) dan Ferdinand ( 2000 ) ada tujuh langkah yang harus dilakukan apabila menggunakan Structural Equation Modelling ( SEM ). 1). Pengembangan Kerangka Teoritis
Dalam langka pengembangan kerangka pikir teoritis seorang peneliti harus melakukan serangkaina eksplorasi ilmiah melalui telaah pustaka yang intensif guna mendapatkan justifikasi atas kerangka pikir teoritis yang dikembangkannya. SEM digunakan bukan untuk menghasilkan sebuah model, tetapi digunakan untuk mengkonfirmasi kerangka pikir teoritis tersebut melalui data emperik.
2). Pengembangan Diagram Jalu
Pada langkah kedua, kerangka pikir teoritis yang dibangun pada tahap pertama akan digambarkan dalam sebuah path diagram yang akan mempermudah untuk melihat hubungan – hubungan kausalitas yang akan diuji. Dalam permodelan SEM, peneliti biasanya bekerja dengan konstruk, yaitu konsep – konsep yang memiliki pijakan teoritis yang cukup untuk menjelaskan berbagai bentuk hubungan.
Didalam menggambarkan diagram jalu, hubungan antar konstruk dinyatakan dalam anak panah. Anak panah lurus menunjukkan sebuah hubungan kausal yang langsung antara konstruk satu dengan yang lain.
Sedngakan garis – garis lengkung antar konstruk dengan anak panah pada setiap ujungnya menunjukkan korelasi anatr konstruk.
Konstruk – konstruk yang dibangun dalam diagram alur dapat dibedakan menjadi dua, yaitu :
● Konstruk Eksogen ( Exogenous Constructs ), dikenal juga sebagai Source Variables atau Independent Variables yang tidak diprediksi dengan variabel lain dalam tabel. Konstruk eksogen adalah konstruk yang dituju oleh garis denagn satu ujung panah.
● Konstruk endogen ( Endigenous Constructs ), adalah konstruk yang diprediksi oleh satu atu bebrapa konstruk. Konstruk endogen dapat memprediksi satu atau beberapa konstruk endogen lainnya, tetapi konstruk endogen hanya dapat berhubungan kasual dengan konstruk eksogen.
3). Konvensi Diagram Jalur Kedalam Persamaan
Persamaan yang didapat dari diagram jalur yang dikonversi terdiri dari :
Persamaan struktural, yang dirumuskan untuk menyatakan
hubungan kausalitas atntar berbagai konstruk.
Variabel Endogen = Variabel Eksogen + Variabel Eksogen + Error
Persamaan spesifikasi model pengukuran, pada spesifikasi ini
peneliti menentukan variabel yang mengukur suatu konstruk dan menentukan serangkaian matriks yang menunjukan suatu korelasi yang dihipotesakan antar konstruk atau variabel.
4). Memilih Matriks Input dan Estimasi Model
SEM menggunakan input data yang hanya menggunakan matriks varian atau kovarians atau matriks korelasi yang keseluruhan estimasi yang dilakukan. Matriks kovarians digunakan karena SEM memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi yang berbeda atau sampel yang berbeda, yang tidak dapat disajikan oleh korelasi. Disarankan agar menggunakan varians atau kovarians pada saat pengujian teori sebab lebih memenuhi asumsi – asumsi metodologi yang mana standart error yang dilaporkan akan menunjukkan angka yang lebih akurat dibanding dengan menggunakan matriks korelasi.
Untuk ukuran sampel yang sesuai dengan SEM adalah 100 – 200, dengan ukuran sampel minimum adalah sebanyak 5 – 10 observasi untuk setiap parameter yang diestimasi.
Pengujian model yang digunakan dengan menggunakan model two-step Approach, model two-step Approach digunakan untuk mengatasi masalah sampel data yang kecil jika dibandingkan dengan jumlah butir instrumentasi yang digunakan ( Hartline & Ferrel, 1996 ), dan keakuratan reabilitas indikator – indikator terbaik dapat dicapai
dalam two-step Approach ini. Two-step Approach bertujuan untuk
menghindari interaksi antar model pengukuran dan model struktural pada one-step Approach ( Hair et.al., 1998 ).
Yang digunakan dalam two-step Approach to SEM adalah : estimasi terhadap measurement model dan estimasi terhadap structural
model ( Anderson dan Gerbang, 1998 ) cara yang digunakan dalam menganalisis SEM dengan two-step Approach adalah sebagai berikut :
1. Menjumlahkan skala butir –butir setiap konstruk menjadi sebuah
indikator Summed – Scale bagi setiap konstruk. Jika terdapat skala yang berbeda setiap indikator tersebut distandardisasi ( Z – Scores ) dengan mean = 0, deviasi standart = 1, yang tujuannya adalah untuk mengeliminasi pengaruh – pengaruh skala yang berbeda – beda tersebut ( Hair et.al., 1998 ).
2. Menetapkan error ( ε ) dan lamda ( λ ) terms, error terms dapat dihitung dengan rumus 0,1 kali σ2 dan lamda terms dengan rumus 0.95 kali σ ( Andrson dan Gerbing, 1988 ). Perhitungan Constructs reliability telah dijelaskan pada bagian sebelumnya dan deviasi standar ( σ ) dapat dihitung dengan bantuan program aplikasi statistika SPSS. Setelah error ( ε ) dan lamda ( λ ) terms diketahui , skor – skor tersebut dimasukkan sebagai parameter fix pada analisis model pengukuran SEM.
5). Menilai Problem Identifikasi
Pada program komputer yang digunakan untuk estimasi model kausal, salah satu masalah yang dihadapi adalah problem identifikasi. Problem identifikasiini pada prinsipnya adalah problem mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik. Problem identifikasi dapat muncul melalui gejala berikut ( Ferdinand, 2000 ).
Standart error untuk satu atau beberapa koefisien adalah sangat besar.
Program tidak mampu menghasilkan matriks informasi yang
harusnya disajikan.
Muncul angka – angka yang aneh seperti adanya varians error yang negatif.
Munculnya korelasi yang sangat tinggi antar koefisien dari estimasi yang didapat ( misalnya ± 0,9 ).
Apabila setiap kali estimasi dilakukan muncul adanya problem identifikasi, maka sebaiknya model dipertimbangkan ulang dengan mengembangkan lebih banyak konstruk.
6). Evaluasi Kriteria Goodness – of – fit
Pada tahap melakukan pengujian terhadap kesesaian model melalui telaah terhadap berbagai kriteria Goodness - of – fit. Berikut ini adalah beberapa indeks kesesuaian dan cut – off value-nya untuk digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak.
X2 – Chi – Square statistik. Model yang dugunakan akan dipandang baik atau memuaskan bila nilai chi – squarenya rendah. Semakin kecil nilai X2 semakin baik mode tersebut ( karena dalam uji beda chi – square, X2 = 0 berarti benar – benar tidak ada perbedaan, Ho diterima ) dan diterima berdasarkan probabilitas dengan cut – off value sebesar p>0,05 atau p>0,01 ( Hulland et.al.,1996 pada Ferdinand, 2000 ).
sebuah indeks yang dapat digunakan untuk mengkompensasi chi – square statistik dalam sampel yang besar ( Baumgarner & Homberg, 1996 pada Ferdinand, 2000 ). Nilai RMSEA menunjukkan goodness – off – fit yang dapat diharapkan bila model diestimasi dalam populasi dimana nilai yang lebih kecil atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya model untuk menunjukkan sebuah close – fit dari model ini
berdasarkan degree of freedom ( Browne dan Cudeck, 1993 pada
Ferdinand, 2000 ).
GFI ( Goodness Of Fit Index ), adalah ukuran non statistikal yang
mempunyai rentang nilai antara 0 ( poor fit ) nilai yang lebih tinggi dalam indeks ini menunjukkan sebuah “ better fit “.
AGFI ( adjusted Goodness Of Fit Index ) adalah analog dari R2 dalam regresi berganda ( Tanaka dan Huba, 1989 pada Ferdinand, 2000 ). Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar 0,95 dapat diinterpretasikan sebagai tingkatan yang good overall model fit ( baik ) sedangkan besaran nilai antara 0,90 – 0,95 menunjukkan tingkatan yang cukup – adequate fit ( Hulland et.al., 1996 pada Ferdinand, 2000 ).
CMIN/DF adalah The Minimum sample Discrepancy Function yang
dibagi dengan Degree Of Fredom. CMIN/DF tidak lain adalah statistik chi – square, X2 dibagi dengan DF-nya disebut dengan X2 relatif. Bila
nilai X2 relatif kuran dari 2,0 atau 3,0 adalah indikasi dari acceptable fit antara model dan data ( Arbuckle, 1997 pada Ferdinand, 2000 ).
TLI ( Tucker Lewis Index ). Merepakan Incremental indeks yang membandingkan sebuah model yang diuji terhadap sebuah baseline model, dimana nilai yang direkomendasika sebagai acuan untuk diterimannya sebuah model adalah ≥ 0,95 dan nilai yang mendekati 1 menunjukkan very good fit ( Arbuckle, 1997 pada Ferdinand, 2000 ).
Uji Realibilitas, setelah kesesuaian uji model ( model fit ), evaluasi lain yang harus dilakukan adalah penilaian unidisionslitas dan realibilitas. Unidimensionslitas adalah sebuah asumsi yang digunakan dalam menghitung realibilitas dari model yang menunjukkan bahwa dalam sebuah model satu dimensi, indikator – indikator yang digunakan memiliki derajat kesesuaian yang baik. ( Ferdinand, 2000 ). Pendekatan yang dianjurkan dalam menilai sebuah model pengukuran ( measurement model ) adalah :
a) Compose Reliability, adalah ukuran mengenai konsistensi internal dari indikator – indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing – masing itu mengidentifikasikan sebuah konstruk laten yang umum. Rumus dari composite reliability adalah sebagai berikut :
[ ∑ standardize Loading ]2 Constructs Reliability =
{ ∑ Standardize Loading }2 + ∑εj
b) Variance Extracted, menunjukkan jumlah varians yang dari indikator – indikator yang diektstraksi oleh konstruk laten yang dikembangkan. Nilai Variance extracted yang tinggi menunjukkan bahwa indikator – indikator itu telah mewakili secara baik konstruk laten yang dikembangkan. Nilai
variance extracted ini direkomendasikan pada tingkat paling sedikit 0,50 ( Ferdinand, 2000 ). Variance extracted dapat diperoleh melalui rumus :
[ ∑ standardize Loading ]2 Variance Extracted =
{ ∑ Standardize Loading }2 + ∑εj
7). Interpretasi dan Modifikasi Model
Tahap ketujuh atau yang terakhir adalah menginterpretasikan model dan memodifikasikan bagi model – model yang tidak memenuhi syarat pengujian yang dilakukan. Pedoman untuk mempertimbangkan perlu tidaknya modifikasi sebuah model dengan melihat jimlah residual yang dihasilkan oleh model. Bats keamanan untuk jumlah residual adalah 5%. Bila jumlah residual lebih besat dari 2% dari semua residual kovarians yang dihasilkan oleh model, maka modifikasi perlu untuk dikembangkan. Bila ditemukan bahwa nilai residual yang dihasilkan model cukup besar (yaitu > 2,58 ) maka cara lain dalam memodifikasi adalah dengan mempertimbangkan menambah sebuah alur baru terhadap model yang diestimasi tersebut. Nilai residual value yang lebih besar atau sama dengan 2,58 diinterpretasikan sebagai signifikan secara statistik pada tingkat 5%.
4.1. Gambaran Umum Subyek Penelitian
