Interprestasi ICMD
METODE PENELITIAN
D. Teknik Analisis
Teknik analisis data yang digunakan dalam penelitian ini yaitu teknik analisis data kuantitatif. Teknik analisis data kuantitatif adalah metode analisis data yang
50 menggunakan perhitungan angka-angka dalam mengambil suatu keputusan di dalam memecahkan masalah.
Pada pengujian hipotesisnya penelitian ini menggunakan path analisis. Path analisis atau analisis jalur merupakan teori yang dikembangkan oleh seorang ahli biologi Sewall Wright pada awal abad 20 tepatnya pada tahun 1934. Model ini diharapkan memberikan alat bagi para ilmuan untuk dapat menganalisis hubungan kausalitas sebab-akibat (Imam Ghozali, 2008:3).
Analisis jalur merupakan pengembangan dari model regresi yang digunakan untuk menguji kesesuaian (fit) dari matrik korelasi dari dua atau lebih model yang dibandingkan oleh si peneliti. Model biasanya digambarkan dengan lingkaran dan anak panah yang menunjukkan hubungan kausalitas. Regresi dilakukan untuk setiap variabel dalam model. Nilai regresi yang diprediksi oleh model dibandingkan dengan matrik korelasi hasil observasi variabel dan nilai goodness-of-fit dihitung. Model terbaik dipilih berdasarkan nilai goodness-of-fit (Imam Ghozali, 2008:21).
Analisis jalur atau Path merupakan suatu bentuk terapan dari analisis multi regresi2 yang membantu memudahkan pengujian hipotesis dari hubungan-hubungan antar variabel yang cukup rumit (Ivan Aries Setiawan dan Ferdiansyah Ritonga, 2011:2).
analisis jalur adalah teknik untuk menganalisis hubungan sebab akibat yang terjadi pada regresi berganda apabila variabel bebasnya (eksogen) mempengaruhi variabel tergantung tidak hanya secara langsung namun juga secara tidak langsung (Jonathan Sarwono, 2007:1).
51 Analisis jalur merupakan pengembangan lebih lanjut dari analisis regresi berganda dan bivariat. Analisis jalur ingin menguji persamaan regresi yang melibatkan beberapa variabel eksogen dan endogen sekaligus sehingga memungkinkan pengujian terhadap variabel mediating/intervening atau variabel antara. Disamping itu analisis jalur juga dapat mengukur hubungan langsung antar variabel dalam model maupun hubungan tidak langsung antar variabel dalam model. Hubungan langsung antar variabel eksogen dapat dilihat dari koefisien beta. Sedangkan hubungan tidak langsung adalah seberapa besar pengaruh variabel eksogen terhadap variabel endogen melalui variabel intervening. Pengaruh total dapat diperoleh dengan menjumlahkan hubungan langsung dan tidak langsung (Imam Ghozali, 2008:93).
Bila dilihat dari kerangka berfikir penelitian ini, maka dapat diperoleh dua substruktur linier sebagai berikut:
Sub Struktur 1 :
Perumusan persamaan matematisnya akan didapat model sebagai berikut: Y = ρYX1+ ρYX2 + ρYX3+ ε1
Keterangan : X1 X2 X3 Y e 1 Gambar. 3.1
52 Y = ROE (return on equity)
X1 = DER (debt to equity ratio) X2 = NPM (net profit margin) X3 = TATO (total asset turnover) ε1 = Residual error
Sub Struktur 2 :
Perumusan persamaan matematisnya adalah sebagai berikut: Z = ρZX1 + ρZX2 + ρZX3 + ρZY + ε2
Keterangan :
Z = PER ( price earning ratio) X 1 = DER (debt to equity ratio) X2 = NPM (net profit margin)
X3 = TATO (total asset turnover) Y = ROE (return on equity) ε 2 = Residual error
Menurut Hair et. Al (1998) adanya 7 (tujuh) langkah dalam tahapan permodelan dan analisis persamaan structural (Imam Ghozali, 2008:61). yaitu: Langkah Pertama (1) : Pengembangan Model Berdasarkan Teori
X1 Y Z X2 X3 e 2 Gambar.3.2
53 Model persamaan structural didasarkan pada hubungan kausalitas, dimana perubahan satu variabel diasumsikan akan berakibat pada perubahan variabel lainnya. Hubungan kausalitas dapat berarti hubungan yang ketat seperti yang ditemukan dalam proses fisik seperti reaksi kimia atau dapat juga hubungan yang kurang ketat seperti dalam riset prilaku yaitu alasan seseorang membeli produk tertentu. Kuatnya hubungan kausalitas antara dua variabel yang diasumsikan oleh peneliti bukan terletak pada metode analisis yang dia pilih tetapi terletak pada justifikasi (pembenaran) secara teoritis untuk mendukung analisis. Jadi jelas bahwa hubungan antar variabel dalam model merupakan deduksi dari teori. Langkah kedua dan ketiga (2 dan 3) : Menyusun Diagram Jalur dan Persamaan Struktural
Langkah berikutnya adalah menyusun hubungan kausalitas dengan diagram jalur dan menyusun persamaan strukturalnya. Ada dua hal yang perlu dilakukan yaitu menyususn model structural yaitu menghubungkan antar konstruk laten baik endogen maupun eksogen dan menyususn measurement model yaitu menghubungkan konstruk laten endogen atau eksogen dengan variabel indicator
atau manifest.
Langkah keempat (4) : Memilih Jenis Input Matrik dan Estimasi Model
Model persamaan structural berbeda dari tekhnik analisis multivariate lainnya. SEM hanya menggunakan data input berupa matriks varian/kovarian atau matriks korelasi. Data mentah observasi indiviu dapat dimasukkan dalam program AMOS, tetapi program AMOS akan merubah dahulu data mentah menjadi matriks
54 kovarian atau matriks korelasi. Analisis terhadap data outlier harus dilakuakan sebelum matriks kovarian atau korelasi dihitung.
Teknik estimasi model persamaan structural pada awalnya dilakukan dengan
ordinary least square (OLS) regression, tetapi teknik ini telah digantikan oleh
Maximum Likedhood Estimation (ML) yang lebih efisien dan unbiased jika asumsi normalitas multivariate dipenuhi.
Langkah kelima (5) : Menilai Identifikasi Model Struktural
Selama proses estimasi berlangsung dengan program computer, sering didapat hasil estimasi yang tidak logis atau meaningless dan hal ini berkaitan dengan masalah identifikasi model structural. Problem identifikasi adalah ketidak mampuan proposed model untuk menghasilkan unique estimate.
Cara mendeteksi ada tidaknya problem identifikasi adalah dengan melihat hasil estimasi yang meliputi : (1) adanya nilai standar error yang besar untuk satu atau lebih koefisien, (2) ketidakmampuan program untuk invert information matrix, (3) nilai estimasi yang tidak mungkin misalkan error variance yang
negative, (4) adanya nilai korelasi yang tinggi (.0.90) antar koefisisen estimasi. Langkah keenam (6) : Menilai Kriteria Goodnes-fit
Salah satu tujuan dari analisis jalur (path analysis) adalah menentukan apakah model masuk akal/fit. Suatu model penelitian dikatakan baik apabila memiliki model yang fit pula. Tingkat kesuaian model menurut Imam Ghozali (2008) adalah sebagai berikut:
55
Absolute Fit Measures mengukur model fit secara keseluruhan (baik model structural maupun model pengukuran secara bersama).
a. Likelihood-Ratio Chi-Square Statistic
Ukuran fundamental dari overall fit adalah likedlihood ratio chi-square (χ2
). Nilai chi- square yang tinggi relative terhadap degree of freedom menunjukkan bahwa matriks kovarian atau korelasi yang diobsevasikan dengan yang diprediksi berbeda secara nyata dan ini menghasilkan probabilitas (ρ) lebih kecil dari tingkat signifikansi (α). Sebaliknya nilai chi-square akan menghasilkan nilai probabilitas (ρ) yang lebih besar dari tingkat signifikansi (α) dan ini menunjukkan bahwa input matrik kovarian antara prediksi dengan observasi sesungguhnya tidak berbeda secara signifikan. Dalam hal ini peneliti harus mencari nilai chi-square dimana ρ ≥ 0.05 atau tidak signifikan karena mengharapkan bahwa model yang diusulkan cocok atau fit dengan data observasi.
b. CMIN/DF
Adalah nilai chi-square dibagi dengan degree of freedom. Beberapa pengarang menganjurkan menggunakan ratio ukuran ini untuk mengukur fit. Menurut Wheaton et. Al (1977) nilai ratio 5 (lima) atau kurang dari 5 (lima) merupakan nilai reasonable.
Peneliti lainnya seperti Byrne (1988) mengusulkan nilai ratio ini < 2 merupakan nilai ukuran fit.
56 GFI dikembangkan oleh Joreskog dan Sorborn (1984) yaitu ukuran non- statistik yang nilainya berkisar dari nilai 0 (poor fit) sampai 1.0 (perfect fit). Nilai GFI yang tinggi menunjukkan nilai fit yang lebih baik dan beberapa nilai GFI yang dapat diterima sebagai nilai yang layak sebelum ada standarnya, tetapi banyak peneliti menganjurkan nilai diatas 90% sebagai ukuran good fit.
d. Root Mean Square Error of Approximation (RMSEA)
RMSEA merupakan ukuran yang mencoba memperbaiki kecenderungan statistic chi-square menolak model dengan jumlah sampel yang besar. Nilai RMSEA antara 0.05 sampai 0.08 merupakan ukuran yang dapat diterima. Hasil uji empiris RMSEA cocok untuk menguji model konfirmatori atau competing model
strategi dengan jumlah sampel yang besar.
2. Incremental Fit Measures
Incremental fit measures membandingkan proposed model dengan
baseline model yang sering disebut dengan null model. Null model
merupakan model realistic dimana model-model yang lain harus diatasnya. a. Ajusted Goodness-of-Fit (AGFI)
AGFI merupakan perkembangan dari GFI yang disesuaikan dengan ratio degree of freedom untuk proposed model dengan degree of freedom untuk null model. Nilai yang direkomendasikan adalah ≥ 0.90.
57 TLI atau dikenal dengan nonnormed fit index (NNFI). Ukuran ini menggabungkan ukuran parsimony kedalam index komparasi antara proposed model dan null model dan nilai TLI berkisar dari 0 sampai dengan 1.0. Nilai TLI yang direkomendasikan adalah ≥ 0.90.
c. Normed Fit Index (NFI)
NFI merupakan ukuran perbandinagn antara proposed model dan
null model. Nilai NFI akan bervariasi dari 0 sampai 1. Seperti halnya TLI tidak ada nilai absolute yang dapat digunakan sebagai standar, tetapi umumnya direkomendasikan ≥ 0.90.
3. Parsimonious Fit Measures
Ukuran ini menghubungkan goodness-of-fit model dengan sejumlah koefisien estimasi yang diperlukan untuk mencapai level fit. Tujuan dasarnya adalah untuk mendiagnose apakah model fit telah tercapai dengan “overfitting” data yang memiliki banyak koefisien. Prosedur ini mirip dengan “adjustment” terhadap nilai R2 didalam multiple regression. Namun, karena tidak ada uji statistik yang tersedia maka penggunaannya hanya terbatas untuk membandingkan model.
a. Parsimonious Normal Fit Index (PNFI)
PNFI merupakan modifikasi dari NFI. PNFI memasukan jumlah degree of freedom yang digunakan untuk mencapai level fit. Semakin tinggi nilai PNFI semakin baik. Kegunan utama dari PNFI adalah untuk membandingakn model dengan degree of
58
freedom yang berbeda. Digunakan untuk membandingkan model
alternative sehingga tidak ada nilai yang direkomendasikan sebagai nilai fit yang diterima.
b. Parsimonious Goodness-of-fit Index ( PGFI)
PGFI merupakan modifikasi dari GFI atas dasar parsimony estimed model. Nilai PGFI berkisar antara 0 sampai 1.0 dengan nilai semakin tinggi semakin menunjukkan model lebih parsimony.
59 Tabel. 3.1
Sandar Penilaian Kesesuaian (Fit)
Laporan Statistik Nilai yang Direkomendasikan Imam Ghozali (2008)
Cut of value Keterangan
Absolut Fit
Probabilitas �2 Tidak Signifikan (p>0.05)
Model yang diusulkan cocok / fit dengan data observasi
�2/df ≤5 -Ukuran yang reasonable
<2 -Ukuran yang Fit
RMSEA
<0.1 -good fit
<0.05 -very good fit
<0.01 -outstanding fit
0.05 ≤ �≥ 0.08 -reasonable fit
GFI > 0.90 good fit
Incremental Fit
AGFI ≥ 0.90 good fit
TLI ≥ 0.90 good fit
NFI ≥ 0.90 good fit
Parsimonious Fit
PNFI 0 - 1.0 lebih besar lebih baik
PGFI 0 - 1.0 lebih besar lebih baik
60 Langkah ketujuh (7) : Interprestasi dan Modifikasi Model
Ketika model telah dinyatakan diterima, maka peneliti dapat mempertimbangkan dilakukannya modifikasi model untuk memperbaiki penjelasan teoritis atau goodness-of-fit. Modifikasi dari model awal harus dilakukan setelah dikaji banyak pertimbangan. Jika model dimodifikasi, maka model tersebut harus di cross-validated (diestimasi dengan data terpisah) sebelum model modifikasi diterima.
E. Operasional Variabel Penelitian