BAB II TINJAUAN PUSTAKA
3.4 Teknik Analisis dan Uji Hipotesis
Teknik analisis dalam penelitian ini dengan menggunakan model persamaan struktur (Structural Equation Modeling/SEM). Pengujian dengan teknik ini dipilih dengan pertimbangan bahwa (1) SEM memiliki kemampuan menggabungkan model pengukuran (Measurement model) dengan model struktur (structural model) secara simultan dan efisien bila dibandingkan dengan teknik-teknik multivariate lainnya (Hair et al, 1998), (2) Model pengukuran ditujukan untuk dapat mengkonfirmasikan dimensi-dimensi yang dikembangkan pada sebuah faktor, sedangkan model struktural berkenaan dengan model hubungan yang membentuk atau menjelaskan kausalitas antara faktor (Ferdinand, 2002), (3) Adanya variabel intervening yaitu pemanfaatan teknologi informasi.
3.4.1 Asumsi-asumsi Structural Equation Modeling
3.4.1.1 Uji Validitas dan Reliabilitas
Koefisien Cronbach’s Alpha dihitung untuk mengestimasi reliabilitas setiap skala (variabel atau indikator observasian). Sementara itu item to total correlation digunakan untuk memperbaiki ukuran-ukuran dan mengeliminasi item-item yang kehadirannya akan memperkecil koefisien
Proses eleminasi diperlakukan pada item to total correlation pada indikator yang nilainya < 0,50 (Purwanto, 2003). Dan variabel yang memiliki reliabilitas sangat baik dikarenakan nilai cronbach’s alpha yang dihasilkan lebih dari 0,70.
3.4.1.2 Uji Multivariate Outliers
Evaluasi terhadap multivariate outliers perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariat, tetapi observasi itu dapat menjadi outlier bila dikombinasikan.
Multivariate outliers diuji menggunakan uji Mahalanobis Distance pada tingkat p < 0,001. Jarak Mahalanobis Distance itu dievaluasi dengan menggunakan χ2
pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian itu. (Hair, 1995 dalam Ferdinand, 2002;102-103)
Mahalanobis Distance yang lebih besar dari χ2
(jumlah variabel ; 0,001) maka sampel data dapat dikategorikan sebagai multivariate outlier. (Hair, 1995 dalam Ferdinand, 2002;106).
3.4.1.3 Uji Normalitas
Uji normalitas ini digunakan untuk mengetahui apakah data yang diteliti berdistribusi normal atau tidak. Uji normalitas dilakukan adalah
multivariate. Pemeriksaan dilakukan dengan meliohat nilai z-score pada setiap indikator, asumsi normalitas diterima jika -2,58 ≤ z-score ≤ 2,58
sedangkan asumsi normalitas yang ditolak jika nilai z-score berada diluar interval tersebut. (Ferdinand, 2002)
3.4.1.4 Multicoliniearity atau Singularity
Mutikoliniearitas dapat dideteksi dari determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil mengindikasikan adanya problem multikolinearitas atau singularitas. (Ferdinand, 2002;109)
Menurut definisi dan rumus koefisien korelasi diatas menunjukkan bahwa semakin tinggi korelasi (mendekati ±1) maka semakin tinggi kovarians-nya, dan semakin rendah determinasi kovarians-nya.
3.4.2 Tahapan dalam Prosedur SEM
Prosedur SEM secara umum akan mengandung tahap-tahap sebagai berikut (Bollen dan Long, 1993 dalam Wijanto, 2008;34) :
1. Spesifikasi Model
Tahap ini berkaitan dengan pembentukan model awal persamaan struktural, sebelum melakukan estimasi. Model awal ini diformulasikan berdasarkan suatu teori atau penelitian sebelumnya.
2. Identifikasi
Tahap ini berkaitan dengan pengkajian tentang kemungkinan diperolehnya nilai yang unik untuk setiap parameter yang ada di dalam model dan kemungkinan persamaan simultan tidak ada solusinya.
3. Estimasi
Tahap ini berkaitan dengan estimasi terhadap model untuk menghasilkan nilai-nilai parameter dengan menggunakan salah satu metode estimasi yang tersedia. Pemilihan metode estimasi yang digunakan seringkali ditentukan berdasarkan karakteristik dari variabel-variabel yang dianalisis.
4. Uji Kecocokan
Tahap ini berkaitan dengan pengujian kecocokan antara model dengan data. Beberapa kriteria ukuran kecocokan atau Goodness Of Fit (GOF) dapat bdigunakan untuk melaksanakan langkah ini.
3.4.2.1 Spesifikasi Model
SEM dimulai dengan menspesifikasikan model penelitian yang diestimasi. Spesifikasi model penelitian yang merepresentasikan permasalahan yang diteliti adalah penting dalam SEM. (Hoyle 1998, dalam Wijanto, 2008: 35) mengatakan bahwa analisis tidak akan dimulai sampai peneliti menspesifikasikan sebuah model yang menunjukkan hubungan diantara variabel-variabel yang akan dianalisis.
3.4.2.2 Identifikasi
Sebelum kita melakukan tahap estimasi untuk mencari solusi dari persamaan simultan yang mewakili model yang dispesifikasikan, terlebih dahulu kita perlu memeriksa identifikasi dari persamaan simultan tersebut.
Secara garis besar ada 3 kategori identifikasi dalam persamaan simultan yaitu :
1. Under –Identified
Under-Identified model adalah model dengan jumlah parameter yang diestimasi lebih besar dari jumlah data yang diketahui (data tersebut merupakan variance dan covariance dari variabel-variabel teramati) (Wijanto, 2008;39). Dalam SEM, model dikatakan under-identified jika
degree of freedom adalah negatif. Jika terjadi under-identified, estimasi dan penelitian model juga tidak perlu dilakukan.
2. Just- Identified
Just-identified model adalah model dengan jumlah parameter yang diestimasi sama dengan data yang diketahui (Wijanto, 2008;39). Pada SEM, model yang just-identified mempunyai degree of freedom sebesar 0 dan dalam termologi SEM dinamakan dengan saturated. Pada model just-identified, karena sudah teridentifikasi, estimasi dan penilaian model tidak perlu dilakukan.
3. Over- Identified
Over- Identified model adalah model dengan jumlah parameter yang diestimasi lebih kecil dari jumlah data yang diketahui (Wijanto, 2008;39). Dalam SEM, model dikatakan over-identified, jika degree of freedom adalah positif. Jika terjadi over-identified, estimasi dan penilaian model bisa dilakukan.
3.4.2.3 Estimasi
Setelah kita mengetahui bahwa identifikasi dari model just-identified
atau over-identified, maka tahap berikutnya kita melakukan estimasi untuk memperoleh nilai dari parameter-parameter yang ada di dalam model. Seperti yang disebutkan sebelumnya, dalam melakukan estimasi kita berusaha memperoleh nilai parameter-parameter (B, I, Φ, Ψ, Λx, Θ, Λy dan Θε) sedemikian sehingga matrik kovarian yang diturunkan dari model (model implied covariance matrix) ∑ (0) sedekat mungkin atau sama dengan matrik kovarian populasi yang dari variabel-variabel teramati ∑. Dewasa ini, estimator yang paling banyak digunakan dalam SEM adalah
Maximum LikelihoodEstimator (MLE). (Wijanto;2008)
Sebelum kita melanjutkan ketahap berikutnya, yaitu uji kecocokan, sebaiknya kita memeriksa hasil estimasi terhadap kemungkinan adanya
offending estimates (nilai-nilai estimasi yang melebihi batas yang dapat diterima). Beberapa offending estimates yang sering ditemui adalah (Hair et al, 1998 dalam Wijanto, 2008;48) : (1) negatif error variance atau
nonsignificant error variances untuk konstruk-konstruk yang ada, (2)
standardized coefficient melebihi atau sangat dekat dengan 1, atau (3) standard error yang berhubungan dengan koefisien-koefisien yang diestimasi mempunyai nilai sangat besar.
Dalam hal negative error variances (juga dikenal sebagai Heywood
cases) terjadi, maka salah satu cara memperbaikinya adalah dengan menetapkan error variances tersebut ke nilai positif yang sangat kecil
misalnya 0,005 atau 0,01. Jika korelasi dalam solusi standar melebihi nilai 1 atau dua estimasi berkolerasi tinggi, maka kita perlu mempertimbangkan untuk mengeleminasi salah satu. Dalam banyak hal, keadaan diatas sebagai akibat dari model yang dibentuk tanpa justifikasi teori yang mencakupi atau modifikasi dilakukan hanya berdasarkan pertimbangan empiris (Hair et al, 1998 dalam Wijanto, 2008;48).
3.4.2.4 Uji Kecocokan
Tahap estimasi diatas menghasilkan solusi yang berisi nilai akhir dari parameter-parameter yang diestimasi. Dalam tahap ini, kita akan memeriksa tingkat kecocokan antara data dengan model, validitas dan reliabilitas model pengukuran, dan signifikansi koefisien-koefisien dari model struktural. Menurut Hair et al, (1998) dalam (Wijanto, 2008;49) evaluasi terhadap tingkat kecocokan data dengan model dilakukan melalui beberapa tahapan, yaitu :
1.Kecocokan keseluruhan model (overall model fit)
Tahap pertama dari uji kecocokan ini ditujukan untuk mengevaluasi secara umum derajat kecocokan atau Goodness of Fit
(GOF) antara data dengan model a. Chi-Square (χ2
) statistic. Model yang diuji dipandang baik atau memuaskan bila nilai chi-squarenya rendah. Semakin kecil nilai chi-square mengindikasikan semakin baik model yang dikembangkan.
b. The root mean square error of approximation (RMSEA). RSMEA adalah indeks yang digunakan untuk mengkompensasi Chi-Square statistic dalam sampel yang besar (Baumgartner dan Homburg 1996 dalam Ferdinand, 2002). Nilai RMSEA menunjukkan goodness-of-fit
yang dapat diharapkan bila model diestimasi dalampopulasi (Hair et al, 1998) dalam Wijanto, 2008;54). Nilai RMSEA ≤ 0,08 merupakan indeks untuk dapat diterimanya model.
c. Goodness-of-Fit Index (GFI). Kriteria nilai GFI antara 0 (poor fit) sampai dengan (better fit). Nilai yang tinggi yaitu ≥ 0,90 dalam indeks ini menunjukkan sebuah better fit.
d. Adjusted Goodness-of-fit Index (AGFI). AGFI adalah perluasan dari GFI dimana nilai disesuaikan dengan rasio derajat kebebasan (degree of freedom). AGFI yang diterima jika nilainya lebih besar data sama dengan 0,90 (Wijanto, 2008;56).
e. The Minimum Sample Discrepancy Function dibagi dengan Degree of Freedom (CMIN/DF), indeks ini disebut juga dengan of freedom – nya. Nilai χ2
yang baik adalah kurang dari 2,0
f.Tucker Lewis Index (TLI), merupakan incremental index yang membandingkan sebuah model yang diuji dengan baseline model. Nilai yang direkomendasikan adalah ≥ 0,95 dan nilai yang mendekati 1 menunjukkan very good fit.
g. Comparative Fit Index (CFI), dengan besaran indeks antara 0 – 1. Semakin mendekati 1 menunjukkan tingkat fit yamg paling tinggi. Nilai yang direkomendasikan adalah CFI ≥ 0,95.
Bentuk ringkasan dari kesesuaian model seperti yang telah dijelaskan diatas adalah seperti tabel 3.1
Tabel 3.1 : Goodness-of-fit Indices
No Goodness‐of ‐fit indices Cut‐Off Value
1 Chi‐ Square Diharapkan kecil
2 Significane Probability 0,05 3 RMSEA 0,08 4 GFI 0,90 5 AGFI 0,90 6 CMIN/DF 2,00 7 TLI 0,95 8 CFI 0,95 Sumber : Wijanto (2008)
2.Kecocokan model pengukuran (measurement model fit)
Setelah kecocokan model dan data secara keseluruhan adalah baik, langkah berikutnya adalah evaluasi atau uji kecocokan model pengukuran. Evaluasi terhadap setiap konstruk atau model pengukuran (hubungan antara sebuah variabel laten dengan beberapa indikator) secara terpisah melalui :
a. Evaluasi terhadap validitas (validity) dari model pengukuran
Validitas berhubungan dengan apakah suatu variabel mengukur apa yang harus diukur, meskipun validitas tidak akan pernah dapat dibuktikan, tetapi dukungan kearah pembuktian tersebut dapat dikembangkan.
Menururt Ridgon dan Ferguson (1991) dalam Wijanto, (2008;64-66) suatu variabel dikatakan mempunyai validitas yang baik terhadap konstruk atau variabel laten lainnya, jika :
1. Nilai t muatan faktor (loading factors) lebih besar dari nilai kritis (atau ≥ 1,96 atau untuk praktisnya ≥ 2)
2. Muatan faktor standarnya (standardized loading factors) ≥ 0,70 atau ≥ 0,05 menurut Igbaria et,al (1997) dalam Wijanto (2008)
b. Evaluasi terhadap reliabilitas (reliability) dari model
pengukuran
Reliabilitas adalah ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah konstruk laten yang umum, dengan kata lain bagaimana hal-hal yang spesifik saling membantu dalam menjelaskan sebuah fenomena yang umum
Construct – reliability = (∑ std loading)2 (∑ Std loading)2 + εj
Keterangan :
(1) Standar loading diperoleh dari standardized loading untuk tiap-tiap indikator yang didapat dari hasil perhitungan komputer. (2) ∑ej adalah measurement error dari tiap indikator, yang diperoleh
Tingkat reliabilitas yang dapat diterima adalah 0,7 walaupun angka itu bukanlah sebuah ukuran yang “mati” artinya apabila penelitian yang dilakukan bersifat eksploratori maka nilai dibawah 0,7 pun masih dapat diterima sepanjang disertai dengan alasan-alasan empirik yang terlihat dalam proses eksplorasi.
Variance extracted adalah ukuran yang menunjukkan varians dari indikator-indikator yang diekstrksi 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. Variance extracted dapat diperoleh melalui rumus ini yaitu :
Variance – extracted = ∑ std loading2 ∑ Std loading2 + εj
Keterangan :
(1) Standar loading diperoleh dari standardized loading untuk tiap-tiap indikator yang didapat dari hasil perhitungan komputer (2) Ej adalah measurement error dari tiap indikator
(Ferdinand, 2002;55-58)
3. Kecocokan model struktural (structural model fit)
Evaluasi atau analisis terhadap model struktural mencakup pemeriksaan terhadap signifikansi koefisien-koefisien yang diestimasi. Metode SEM tidak saja menyediakan nilai koefisien-koefisien yang
diestimasi tetapi juga nilai t-hitung (c.r) untuk setiap koefisien, dengan menspesifikasikan tingkat signifikan (lazimnya α = 5%) maka setiap koefisien yang mewakili hubungan kausal yang dihipotesakan dapat diuji signifikansinya secara statistik (Wijanto, 2008;66-67).