METODOLOGI PENELITIAN
3.5 Uji Asumsi SEM
3.5.2. Uji Realibilitas Instrumen Kuesioner
Realibilitas adalah ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing-masing indikator mampu mengidentifikasi sebuah konstruk / faktor variabel laten. Konsep ini realibilitas dapat dipahami dilakukan dengan menggunakan konsistensi internal metode cronbach coeeficiens alpha. Tingkat realibilitas yang dapat diterima adalah 0,7 walaupun angka itu bukanlah suatu ukuran yang “mati” artinya bila penelitian bersifat exploratory maka nilai dibawah 0,7 masih dapat diterima, sepanjang disertai dengan alasan-alasan yang empirik yang terlihat proses exploratory (Ferdinand, 2002 : 63)
3.5.3. Outlier
Outlier merupakan observes atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi yang muncul dalam bentuk nilai ekstrem, baik untuk sebuah variabel tunggal atau variabel kombinasi (Hair, et.al. : 1995). Adapun
outliers dapat dievaluasi dengan dua cara, yaitu outlier multivariate Outlier Multivariate.
3.5.4. Outlier Univariate
Deteksi terhadap adanya outlier univariate (masing-masing variabel) dapat dilakukan dengan menentukan nilai ambang batas yang akan dikategorikan sebagai outlier dengan cara mengkonversi nilai data penelitian ke dalam standar skor atau biasa disebut Z score, yang mempunyai nilai rata-rata nol dengan standard deviasi sebesar satu, maka perbandingan antara besaran nilai dengan mudah dapat dilakukan. Untuk sampel besar (diatas 80 observasi), pedoman 3 sampai 4 (Hair dkk, 1995). Oleh karena itu kasus-kasus atau observasi yang mempunyai ≥ 3,0 akan dikategorikan sebagai outliers.
3.5.5. Outlier Multivariate
Evaluasi terhadap outlier multivariate (antar variabel) perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outlier, tetapi observasi itu dapat menjadi outlier bila sudah saling dikombinasikan. Jarak mahalanobis (the mahalanabis distance) untuk tiap-tiap observasi dihitung dan menunjukkan jalan sebuah observasi dari rata-rasa semua variabel dalam sebuah ruang multimensional (Hair dkk, 1995 : Norusis, 1994 ; Abacnick & Fidell, 1996). Uji terhadap outlier multivariate dilakukan dengan menggunakan kriteria. Jarak mahalanobis itu dievaluasi dengan menggunakan X2 pada
derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian ini.
3.5.6. Uji Normalitas Univariate Dan Multivariate
Sebaran data yang harus dianalisis untuk mengetahui apakah asumsi normalitas terpenuhi, sehingga data dapat diolah dari path diagram. Uji normalitas perlu dilakukan baik untuk univariate dan multivariate. Untuk menguji normalitas distribusi data yang digunakan dalam analisis dengan menggunakan uji-uji statistik. Bila nilai Z lebih besar dari nilai kritis, maka dapat duga bahwa distribusi data adalah tidak normal dengan asumsi normalitas pada tingkat signifikasi ≥ 0,05.
3.5.7. Uji Kausalitas
Kausalitas permodelan yang tersusun secara struktural yang menggambarkan adanya hubungan yang hipotesis antar konstruk dan menjelaskan kualitas termasuk di dalamnya kausalitas berjenjang.
Hubungan kausalitas yang dihipotesiskan berdasarkan teori yang telah teruji dan sistematis. Deteksi kausalitas dapat diamati dari batas tingkat probabilitas yang lebih kecil 0,05 (≥ 0,05). Dalam sebuah model kausalitas, kebenaran adanya hubungan sebab akibat antara dua atau lebih variabel bukannya karena menggunakan SEM tetapi harus didasari oleh teori-teori yang mapan. Jadi SEM bukan digunakan
untuk menghasilkan kualitas tetapi digunakan untuk mengkonfirmasikan kausalitas.
Pengujian Hipotesis
Dalam analisis SEM tidak ada alat uji statistic tunggal untuk mengukur atau menguji hipotesis mengenai model. Beberapa indeks kesesuaian dan cut-off valuenya untuk digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak adalah :
1. Chi-Square Statistic
Chi-Square ini sangat bersifat sensitif terhadap besarnya sampel yang digunakan. Karena itu bila jumlah sampel adalah cukup besar yaitu lebih dari 200 sampel, maka statistik Chi-Square ini harus didampingi oleh alat uji lainnya (Hair et.al. 1995:105 ; Tabachnick & Fidell, 1996 : 84). Karena tujuan analisis ini adalah mengembangkan dan menguji sebuah model yang sesuai dengan data atau yang fit terhadap data, maka yang dibutuhkan justru sebuah nilai (X2) yang tidak signifikan yang menguji hipotesa nol bahwa matrik kovarian populasi tidak sama dengan kovarian sampel. Oleh karena itu X2 yang kecil dan tidak signifikanlah yang diharapkan agar hipotesa nol sulit ditolak.
2. RMSE (Root Mean Error of Approximation)
RMSE adalah sebuah indeks yang dapat digunakan untuk mengkompensasi Chi-Square statistik dalam sampel yang besar (Baumgartner & Homburg, 1996 : 65). Nilai RMSE yang lebih
kecil atau sama dengan 0,08 merupakan indek untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan Degress of Freedom (Broes Cudech, 1993 : 72) 3. GFI (Goodness of Fit Index)
Indek kesesuaian (Fit Indeks) ini akan menghitung proporsi tertimbang dari varian sampel yang dijelaskan oleh matrik kovarians populasi (Bentler, 1983 : 12; Tanaka & Huba, 1989 : 54) GF yang diharapkan adalah sebesar ≥ 0,90
4. AGFI (Adjustment Goodness of Fit Indeks)
(Tanaka & Huba, 1989 : 55), menyatakan bahwa AFGI adalah analog dari R2 dalam regresi berganda. Fit index ini dapat di adjustment terhadap degress of freedom yang tersedia untuk diterima tidaknya model (Arbuckle, 1997 : 30). Index ini diperoleh dengan rumus :
AGFI : 1 – (1 – GFI) dimana db =
∑
= derajat bebas− G g d g P 1 ) , (
5. CMIN / DF (Minimum Sampel Discrepancy Function / Degress of Freedom)
CMIN / DF dalam hal ini tidak lain adalah statistik Chi-Square dibagi dengan derajat bebasnya sehingga disebut X2 relatif. Nilai X2 relatif kurang dari 2.0 atau bahkan kurang dari 3.0 dari aceptable fit antara model dan data (Arbuckle, 1997 : 32)
TLI adalah sebuah alternatif incremental fit index yang membandingkan antara base line model (Baunmgartner & Honburg, 1996 : 69). Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan ≥ 0,95 index ini diperoleh dengan rumus :
TLI = 1 − − db Cb d C db Cb
Dimana C adalah diskrepansi dari model yang dievaluasi dan d adalah derajat bebasnya. Sementara Cb dan db adalah diskrepansi dan derajat bebas dari baseline model yang dijadikan pembanding. 7. CFI (Comparatif fit Index)
Keunggulan dari indeks ini adalah bahwa indeks ini besarnya tidak dipengaruhi oleh ukuran karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model (Hulland, et.al. 1996 : 35). Indeks ini diperoleh dengan rumus :
CFI = b b d C d C − − − 1
Dimana C adalah diskrepansi dari model yang dievaluasi dan d adalah derajat bebasnya. Sementara Cb dan db adalah diskrepansi dan derajat bebas baseline model yang dijadikan pembanding.
4.1. Deskripsi Objek Penelitian