METODE PENELITIAN
K. Uji Kesesuaian dan Uji Statistik 1.Asumsi-asumsi SEM 1.Asumsi-asumsi SEM
a. Ukuran sampel
Menurut Ferdinand (2002:48) ukuran sampel tergantung pada jumlah parameter yang diestimasi. Pedomannya adalah 5 – 10 kali jumlah parameter yang diestimasi. Dalam penelitian ini terdapat 17 indikator, sehingga jumlah sampel yang bisa digunakan antara 85-170 sampel. Tetapi dengan adanya jumlah sampel minimum yaitu 100, maka penulis mengambil 150 responden sebagai sampel.
b. Normalitas
Evaluasi normalitas dilakukan dengan menggunakan kriteria critical ratio skewness value sebesar ± 1.96 pada tingkat signifikansi 5%. Data dapat disimpulkan memiliki distribusi normal bila nilai critical ratio skewness value di bawah harga mutlak 1.96.
c. Outliers
Outliers adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariat yaitu muncul karena kombinasi kharakteristik unik yang dimilikinya dan terlihat jauh berbeda dari observasi lainnya (Ferdinand, 2002:52). Uji terhadap outliers dilakukan dengan menggunakan kriteria jarak mahalanobis pada tingkat p < 0.005 dan dievaluasi menggunakan χ2
pada derajat bebas sebesar jumlah variabel indikator yang digunakan. Dalam penelitian ini terdapat 17 indikator, maka semua kasus yang memiliki mahalanobis distance yang lebih besar dari χ2 (17, 0.005) = 35.72 adalah outliers. Apabila terdapat data yang outliers, maka data tersebut dapat dikeluarkan dari permodelan.
d. Multikolinearitas dan Singularitas
Multikolinearitas adalah adanya hubungan linier yang sempurna diantara beberapa atau semua variabel yang menjelaskan dari model regresi. Ferdinand (2002:54) menjelaskan bahwa multikolinearitas dapat dideteksi dari determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil (sama dengan nol) memberi indikasi multikolinearitas atau singularitas. Solusinya adalah dengan mengeluarkan variabel yang menyebabkan singularitas dan menciptakan composite variables untuk analisis selanjutnya.
2. Uji Kesesuaian
Dalam analisis SEM digunakan beberapa fit index untuk mengukur “kebenaran” model yang diajukannya. Berikut ini beberapa indeks kesesuaian dan cut-off valuenya untuk digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak.
a. χ2 - Chi-Square Statistic
Menurut Ferdinand (2002:55) alat uji paling fundamental untuk mengukur overall fit adalah likelihood ratio Chi-square statistic. Model yang diuji akan dipandang baik atau memuaskan bila nilai chi-squarenya rendah. Semakin kecil nilai χ2 semakin baik model itu dan diterima berdasarkan probabilitas dengan cut-off value lebih dari 0.05.
b. RMSEA – TheRoot Mean Square Error of Approximation
Menurut Baumgartner & Homburg (dalam Ferdinand, 2002:56) RMSEA adalah sebuah indeks yang dapat digunakan untuk mengkompensasi chi-square statistic dalam sampel yang besar. Nilai RMSEA yang kurang dari atau sama dengan 0.08 merupakan indeks yang dapat diterima untuk menunjukkan sebuah close fit dari model itu berdasarkan degrees of freedom.
c. GFI – Goodness of Fit Index
GFI adalah sebuah ukuran non-statistikal yang mempunyai rentang nilai antara 0 (poor fit) sampai dengan 1.0 (perfect fit). Nilai yang tinggi dalam indeks ini menunjukkan sebuah “better fit” (Ferdinand, 2002:57). Nilai GFI yang dapat diterima adalah lebih dari atau sama dengan 0.90.
d. AGFI – Adjusted Goodness-of-Fit Index
Menurut Ferdinand (2002:58) GFI maupun AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians dalam sebuah matriks kovarians sampel.
Dimana: ! " #$ %&'()* +)' ,( '-',./+ ,01,,+ -2 21,, -'
Nilai AGFI yang dapat diterima adalah lebih dari atau sama dengan 0.90.
e. CMIN/DF
CMIN/DF Digunakan sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model. CMIN/DF adalah statistic chi-square, χ2 dibagi DFnya sehingga disebut χ2-relatif (Ferdinand, 2002:58). Nilai CMIN/DF yang dapat diterima adalah kurang dari atau sama dengan 2.
f. TLI – Tucker Lewis Index
Menurut Baumgartner & Homburg (dalam Ferdinand, 2002:59) TLI adalah sebuah alternatif incremental fit index yang
membandingkan sebuah model yang diuji terhadap sebuah baseline model.
Indeks ini diperoleh dengan rumus:
34
5 5
5
Dimana:
C = diskrepansi dari model yang dievaluasi d = degrees of freedomnya
Cb dan db = diskrepansi dan degrees of freedom dari baseline model yang dijadikan pembanding.
Nilai TLI yang dapat diterima adalah lebih dari atau sama dengan 0.95.
g. CFI – Comparative Fit Index
Menurut Tanaka (dalam Hullen dalam Ferdinand, 2002:60) keunggulan dari indeks ini adalah besarannya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model.
5 67 55
Dimana:
C = diskrepansi dari model yang dievaluasi d = degrees of freedomnya
Cb dan db = diskrepansi dan degrees of freedom dari baseline model yang dijadikan pembanding
Nilai CFI yang dapat diterima adalah lebih dari atau sama dengan 0.95.
Tabel III.2 Goodness-of-fit Indices
Goodness of Fit Index Cut-off Value χ2- Chi-Square Diharapkan kecil > 0.05 Significance Probability 0.05 RMSEA 0.08 GFI 0.90 AGFI 0.90 CMIN/DF 2.00 TLI 0.95 CFI 0.95
Sumber: Ferdinand, Augusty. 2002. Structural Equation Modeling dalam Penelitian Manajemen. Semarang: Undip, hal.61
Jika dalam penelitian ini kriteria Goodness of Fit belum terpenuhi, maka dilakukan perlakuan seperti memberikan hubungan kovarian antar error hingga semua kriteria Goodness of Fit terpenuhi.
3. Interpretasi dan Modifikasi Model
Langkah terakhir adalah menginterpretasikan model dan memodifikasi model bagi model-model yang tidak memenuhi syarat pengujian yang dilakukan. Menurut Tabachnick dan Fidell (dalam Ferdinand, 2002:64) setelah model diestimasi, residual dari kovarians
haruslah kecil atau mendekati nol dan distribusi frekwensi dari kovarians residual harus bersifat simetrik.
Ferdinand (2002:64-65) menyatakan bahwa batas keamanan untuk jumlah residual adalah 5%. Bila jumlah residual lebih besar dari 5% dari semua residual kovarians yang dihasilkan oleh model, maka modifikasi perlu dipertimbangkan. Modifikasi dapat dilakukan dengan menguji standardized residual yang dihasilkan oleh model itu.
Setelah diperoleh model yang memenuhi goodness-of-fit-indices, maka uji hipotesis dapat dilakukan dengan uji kausalitas. Pengujian hipotesis dilakukan dengan menentukan tingkat signifikansi dan melihat nilai critical ratio (C.R). Penelitian ini menggunakan tingkat signifikansi sebesar 0.05. Jika nilai C.R lebih besar atau sama dengan 1.96, maka hipotesis dapat diterima. Secara matematis dapat dinyatakan sebagai berikut: H1, H2, H3, H4 diterima bila nilai C.R 1.96 dan 0.05.
BAB IV
