73
BAB VI
ANALISIS FAKTOR-FAKTOR PENENTU
KEPUTUSAN HUTANG
Bab ini akan memaparkan analisis terhadap faktor-faktor yang menentukan keputusan hutang pada pemilik usaha tenun dengan menggunakan Theory Planned of Behavior (TPB). Analisis dilakukan dengan menggunakan model persamaan struktural (SEM). Sesuai dengan tujuh tahapan analisis model persamaan struktural, tahapan satu sampai tiga telah dilakukan pada bab III. Tahapan keempat sampai ketujuh akan dilakukan dalam bab ini.
Tahapan keempat dalam model SEM adalah memilih matriks input dan estimasi model. Pada tahap ini, matriks kovarian dipilih karena memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi atau sampel yang berbeda. Teknik estimasi yang digunakan adalah teknik
Maximum Likelihood Estimation (MLE). Estimasi model dilakukan secara bertahap yaitu dengan teknik Confirmatory Factor Analysis dan teknik Full Structural Equation Model.
6.1. Analisis Faktor Konfirmatori
74
Gambar 6.1
Analisis Faktor Konfirmatori
Dalam analisis faktor konfirmatori terdapat dua uji dasar yaitu uji kesesuaian model dan uji signifikansi bobot faktor.
6.1.1.Uji Kesesuaian Model
75
Tabel 6.1
Hasil Indeks Kesesuaian Model Goodness
of fit Index
Cut-off value Hasil analisis Evaluasi
Chi square Diharapkan kecil 623,954 Kurang baik
Probability ≥ 0,05 0,000 Kurang baik
RMSEA ≤ 0,08 0,191 Kurang baik
Jika dilihat dari Tabel 6.1, nilai chi square (623,954) relatif tinggi yang menunjukkan bahwa matriks kovarian yang diobservasi berbeda secara nyata dengan yang diprediksi dan ini menghasilkan probabilitas lebih kecil dari tingkat signifikansi (0,000). Nilai Chi Square sangat sensitif terhadap jumlah sampel. Oleh karena itu perlu dilihat nilai indeks lainnya. Sebagian besar indeks kesesuaian model masih belum memenuhi cut-off value yang dipersyaratkan (RMSEA, GFI, AGFI dan CMIN/DF). Indeks TLI dan CFI menunjukkan tingkat penerimaan marginal. Hasil indeks kesesuaian model di atas menunjukkan bahwa model belum fit atau memadai. Oleh karena itu model fit perlu diperbaiki/direvisi, dengan melakukan uji signifikansi bobot faktor.
6.1.2.Uji Signifikansi Bobot Faktor
76
Berdasarkan nilai lambda atau factor loading dari masing-masing indikator (Tabel 6.2), terdapat tiga indikator yang nilainya kurang ideal. Nilai lambda yang dipersyaratkan adalah harus mencapai ≥ 0,5. Kedua indikator tersebut adalah NS4 (dukungan pemerintah, λ=0,069), KPD1 (kemampuan
menyediakan jaminan, λ=0,272), dan KPD4 (kemampuan memiliki modal
sendiri, λ=0,406)
Tabel 6.2
Nilai Lambda (Factor Loading)
Estimate
KPD1 <--- Kontrol perilaku yang dipersepsikan ,272 KPD2 <--- Kontrol perilaku yang dipersepsikan ,918 KPD3 <--- Kontrol perilaku yang dipersepsikan ,911 KPD4 <--- Kontrol perilaku yang dipersepsikan ,406 KPD5 <--- Kontrol perilaku yang dipersepsikan ,928
NB1 <--- Niat Berhutang ,985
NB2 <--- Niat Berhutang ,957
NB3 <--- Niat Berhutang ,981
Sumber: data primer diolah
77 KPD1 <- Kontrol perilaku yang dipersepsikan 1,000
KPD2 <- Kontrol perilaku yang dipersepsikan 5,174 1,425 3,632 *** KPD3 <- Kontrol perilaku yang dipersepsikan 4,741 1,306 3,630 *** KPD4 <- Kontrol perilaku yang dipersepsikan 1,471 ,476 3,089 ,002 KPD5 <- Kontrol perilaku yang dipersepsikan 4,653 1,280 3,635 *** NB1 <- Niat Berhutang 1,000
NB2 <- Niat Berhutang 1,011 ,027 37,011 *** NB3 <- Niat Berhutang 1,025 ,021 48,085 *** Sumber: data primer diolah
Berdasarkan Tabel 6.3 dapat dilihat bahwa indikator NS4 memiliki c.r. < 2,0. Oleh karena itu ketiga indikator (NS4, KPD1, dan KPD4) dapat dikatakan tidak berdimensi dengan indikator lainnya dalam menjelaskan variabel laten.
78
Gambar 6.2
Analisis Faktor Konfirmatori Ulangan
79
Cut-off value Hasil analisis Evaluasi
Chi square Diharapkan kecil 83,877 Baik
Probability ≥ 0,05 0,001 Marginal
RMSEA ≤ 0,08 0,065 Baik berdimensi dengan indikator lainnya dalam menjelaskan sebuah variabel laten. Demikian juga bila dilihat dari nilai c.r., dimana semua indikator lebih besar dari 2,0 dan signifikan. Nilai lambda dan c.r. selengkapnya dapat
KPD2 <- Kontrol perilaku yang dipersepsikan 1,000 ,925
80
6.2. Uji Reliabilitas
Reliabilitas konstruk merupakan ukuran konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing-masing indikator tersebut mengindikasikan sebuah konstruk/ faktor laten yang umum (Ferdinand, 2014). Pengujian reliablitas dilakukan secara manual dengan menghitung nilai reliabilitas kontruk (construct reliability) dan nilai Variance Extract yang dapat dilihat pada Tabel 6.6 dan Tabel 6.7.
Tabel 6.6
Perhitungan Reliabilitas Konstruk
Item
Sikap Norma Sosial Kontrol Perilaku Niat Berhutang Loading Error Loading Error Loading Error Loading Error
STH1 0,956 0,086
Loading (λ): nilai lambda yang diperoleh langsung dari standardized loading
untuk tiap-tiap indikator (output AMOS)
Error: measurement error dari tiap-tiap indikator
81 bahwa indikator-indikator yang digunakan memiliki reliabilitas yang memadai untuk menjelaskan masing-masing konstruknya.
Pengujian reliabilitas dapat juga dilakukan dengan uji Average Variance Extract (AVE) dengan kriteria nilai AVE > 0,5. Berdasarkan perhitungan pada Tabel 6.7, dapat dilihat nilai AVE semua variabel > 0,5, yang berarti bahwa indikator-indikator yang digunakan untuk menjelaskan masing-masing konstruk reliabel.
Tabel 6.7
Pehitungan Average Variance Extract (AVE)
Item Sikap Norma Sosial Kontrol Perilaku Niat Berhutang
λ λ2 1-λ2 λ λ2 1-λ2 Λ λ2 1-λ2 Λ λ2 1-λ2
Loading (λ): nilai lambda yang diperoleh langsung dari standardized loading untuk tiap-tiap indikator (output AMOS)
Error: measurement error dari tiap-tiap indikator
6.3. Pengujian Asumsi Model Persamaan Struktural
6.3.1.Asumsi Kecukupan Sampel
82
lima kali jumlah parameter. Jumlah parameter dalam penelitian ini adalah 33 (berdasar perhitungan dengan program AMOS), maka sampel yang harus dipenuhi 33 x 5 = 165 sampel. Oleh karena itu, asumsi kecukupan sampel dalam penelitian ini telah terpenuhi.
6.3.2.Asumsi Normalitas Data
Uji normalitas data baik univariat maupun multivariat dapat dilihat pada nilai z (critical ratio atau c.r pada output program AMOS) yang menggambarkan nilai tingkat kemencengan (skewness) dari data yang digunakan. Jika nilai c.r. lebih besar dari ± 2,58 berarti asumsi normalitas ditolak pada tingkat signifikansi 1% (0,01). Hasil uji normalitas dapat dilihat pada Tabel 6.8. Berdasarkan Tabel 6.8 tersebut, dapat dilihat bahwa secara univariat, data berdistribusi normal dimana semua indikator memiliki c.r. skew kurang dari ± 2,58. Jika dilihat secara multivariat, nilai c.r. kurtosis sebesar 11,815 jauh lebih besar dari ± 2,58 yang berarti data tidak berdistribusi normal. Asumsi normalitas tetap dapat diterima karena data berdistribusi normal secara univariat (Killa, 2014).
83
Variable min Max skew c.r. kurtosis c.r.
STH3 2,000 7,000 -,101 -,550 -,855 -2,322
STH2 2,000 7,000 -,079 -,431 -,721 -1,958
STH1 2,000 7,000 -,293 -1,591 -,655 -1,778
Multivariate 35,075 11,815
Sumber: data primer diolah
6.3.3.Asumsi Outlier
Dengan bantuan program SPSS, evaluasi terhadap asumsi outlier univariat dilakukan dengan mengkonversi nilai data penelitian ke dalam
standard score (z-score). Hasil konversi dapat dilihat pada tabel berikut:
Tabel 6.9 Univariate Outliers
N Minimum Maximum Mean Std. Deviation Zscore(STH1) 177 -1,86819 1,83887 ,0000000 1,00000000 Zscore(STH2) 177 -1,85446 1,77651 ,0000000 1,00000000 Zscore(STH3) 177 -1,77721 1,75724 ,0000000 1,00000000 Zscore(NS1) 177 -2,48210 1,85912 ,0000000 1,00000000 Zscore(NS2) 177 -2,46607 1,32130 ,0000000 1,00000000 Zscore(NS3) 177 -2,44056 2,17460 ,0000000 1,00000000 Zscore(KPD2) 177 -1,93411 1,64683 ,0000000 1,00000000 Zscore(KPD3) 177 -2,07679 1,80076 ,0000000 1,00000000 Zscore(KPD5) 177 -2,72286 1,30006 ,0000000 1,00000000 Zscore(NB1) 177 -2,31146 1,62246 ,0000000 1,00000000 Zscore(NB2) 177 -2,84419 1,69114 ,0000000 1,00000000 Zscore(NB3) 177 -2,27294 1,55130 ,0000000 1,00000000 Zscore(KH) 177 -2,06661 1,79703 ,0000000 1,00000000 Valid N (listwise) 177
Sumber: Data primer diolah
84
Oleh karena itu dapat disimpulkan bahwa tidak terdapat univariate outlier
dalam data penelitian ini.
Evaluasi asumsi multivariate outlier dilakukan dengan melihat jarak Mahalanobis (Mahalanobis distance) dengan batas nilai derajat bebas (degree of freedom) dari jumlah variabel yang diteliti pada tingkat p < 0,001. Jumlah variabel yang dimaksud adalah jumlah item pertanyaan pada pengujian model. Dalam penelitian ini sebanyak 13 variabel. Jika terdapat kasus yang
mempunyai jarak mahalanobis lebih besar dari χ2
(13, 0.001) = 34,528, maka terdapat outlier multivariat. Hasil outlier multivariat dengan bantuan program AMOS terlihat pada tabel berikut: multivariat, dimana ada 5 kasus yang nilai jarak Mahalanobis lebih besar dari 34,528. Jika tidak ada alasan khusus, maka kasus-kasus yang terdapat outlier multivariat dapat dimasukkan untuk analisis selanjutnya (Ferdinand, 2014). Meskipun penulis mencoba mengeluarkan data outliers, goodness of fit index
85 yang dikeluarkan memperburuk goodness of fit index (Killa, 2008). Oleh karena itu, kelima kasus tersebut akan tetap digunakan dalam penelitian ini.
6.4. Pengujian Faktor-Faktor Penentu Keputusan Hutang
Sesuai dengan model penelitian yang telah dikembangkan pada bab II, maka penelitian ini dilakukan untuk menguji faktor-faktor penentu keputusan hutang pemilik usaha dengan menggunakan model persamaan struktural (SEM). Analisis full model yang dilakukan untuk menguji hipotesis faktor-faktor penentu keputusan hutang tersebut, menggunakan program AMOS (Analysis of Moment Structure) yang hasilnya dapat dilihat pada gambar berikut:
Gambar 6.3
86
6.4.1.Uji Kesesuaian Model
Hasil analisis indeks kesesuaian model dapat dilihat pada Tabel 6.11. Jika dilihat dari Tabel 6.11, nilai chi square (117,670) relatif tinggi yang menunjukkan bahwa matriks kovarian yang diobservasi berbeda secara nyata dengan yang diprediksi dan ini menghasilkan probabilitas lebih kecil dari tingkat signifikansi (0,000). Namun karena nilai Chi Square sangat sensitif terhadap jumlah sampel, maka perlu dilihat nilai indeks lainnya. Sebagian besar indeks kesesuaian model telah memenuhi cut-off value yang dipersyaratkan (RMSEA, GFI, TLI dan CFI). Indeks AGFI dan CMIN/DF menunjukkan tingkat penerimaan marginal. Hasil indeks kesesuaian model ini menunjukkan bahwa model belum memadai.
Tabel 6.11
Hasil Indeks Kesesuaian Model
Berdasarkan Full Model Persamaan Struktural Goodness of fit
Index
Cut-off value Hasil Analisis Evaluasi
Chi square Diharapkan kecil 117,670 Kurang baik
Probability ≥ 0,05 0,000 Kurang baik
87
Tabel 6.12
Covariances Modification Index
M.I. Par Change
z2 <--> Norma_Sosial 10,088 -,024
e10 <--> z1 4,438 -,086
e9 <--> e15 4,641 ,032
e5 <--> e14 6,419 -,031
e4 <--> z2 17,314 -,020
e4 <--> e10 4,517 -,042
e4 <--> e9 5,992 ,051
e3 <--> e15 6,414 ,047
e3 <--> e4 4,935 -,057
e2 <--> e15 7,232 -,041
e2 <--> e13 5,947 ,035
e1 <--> e14 6,105 ,042
Sumber: Data primer diolah
88
Gambar 6.4 Modifikasi Model
Berdasarkan Gambar 6.4, maka dapat dilihat bahwa nilai indeks kesesuaian model sebagian besar memenuhi standar cut-off value, namun nilai probability masih di bawah dari 0,05 dan nilai AGFI masih menunjukkan nilai penerimaan marginal, dimana selengkapnya pada tabel berikut:
Tabel 6.13
Hasil Indeks Kesesuaian Model Setelah Modifikasi Goodness of
fit Index
Cut-off value Hasil analisis Evaluasi
Chi square Diharapkan kecil 90,856 Baik
Probability ≥ 0,05 0,002 Kurang Baik
RMSEA ≤ 0,08 0,059 Baik
GFI ≥ 0,90 0,928 Baik
AGFI ≥ 0,90 0,883 Marginal
CMIN/DF ≤ 2,00 1,622 Baik
TLI ≥ 0,95 0,985 Baik
CFI ≥ 0,95 0,989 Baik
89 Oleh karena itu dilakukan modifikasi lebih lanjut dengan menghubungkan nilai-nilai indeks modifikasi yang masih lebih besar dari 4. Dari modifikasi yang dilakukan, diperoleh hasil sebagai berikut:
Gambar 6.5 Modifikasi Model Ulangan
90
Cut-off value Hasil analisis Evaluasi
Chi square Diharapkan kecil 68,502 Baik
Probability ≥ 0,05 0,074 Baik
Hasil estimasi (regression weight) untuk kepentingan pengujian hipotesis setelah dilakukan modifikasi model dapat dilihat pada tabel berikut:
Tabel 6.15
Regression Weights sesudah Modifikasi Model
Estimate S.E. C.R. P
Niat_Berhutang <--- Sikap_Terhadap_Hutang ,529 ,146 3,628 ***
Niat_Berhutang <--- Norma_Sosial ,397 ,115 3,444 ***
Niat_Berhutang <--- Kontrol_Perilaku_yg_Dipersepsikan -,139 ,142 -,980 ,327
STH1 <--- Sikap_Terhadap_Hutang 1,000
STH2 <--- Sikap_Terhadap_Hutang ,970 ,043 22,579 ***
STH3 <--- Sikap_Terhadap_Hutang ,952 ,050 18,973 ***
NS1 <--- Norma_Sosial 1,000
NS2 <--- Norma_Sosial ,950 ,035 26,981 ***
NS3 <--- Norma_Sosial ,933 ,033 27,960 ***
KPD2 <--- Kontrol_Perilaku_yg_Dipersepsikan 1,000
KPD3 <--- Kontrol_Perilaku_yg_Dipersepsikan ,910 ,044 20,831 ***
KPD5 <--- Kontrol_Perilaku_yg_Dipersepsikan ,881 ,042 21,106 ***
NB1 <--- Niat_Berhutang 1,000
NB2 <--- Niat_Berhutang 1,015 ,027 37,035 ***
NB3 <--- Niat_Berhutang 1,027 ,021 48,759 ***
KH <--- Niat_Berhutang ,096 ,011 8,769 ***
KH <--- Kontrol_Perilaku_yg_Dipersepsikan ,046 ,011 4,229 ***
Sumber: data primer diolah
Keterangan: *** : signifikan pada alpha 0,01
6.4.2.Hasil Uji Hipotesis
91 kontrol perilaku yang dipersepsikan terhadap niat berhutang. Dua hipotesis lainnya untuk melihat pengaruh niat berhutang dan kontrol perilaku yang dipersepsikan terhadap keputusan hutang. Hasil pengujian terhadap hipotesis-hipotesis tersebut dapat dilihat dari estimasi parameter regresi (regression weight) pada Tabel 6.15.
Berdasarkan nilai regression weights pada Tabel 6.15, maka hasil pengujian kelima hipotesis yang diajukan dapat digambarkan sebagai berikut:
Hipotesis 1 : Sikap terhadap hutang secara positif mempengaruhi niat
berhutang.
Hasil pengujian statistik terhadap hipotesis 1 menunjukkan nilai parameter estimasi 0,529; nilai standar error 0,146; nilai critical ratio 3,628; dengan nilai probabilitas 0,000. Dengan menggunakan tingkat signifikansi (alfa) sebesar 0,05, maka dapat disimpulkan bahwa terdapat cukup bukti yang kuat secara empirik untuk menolak H0 dan menerima Ha. Hal ini berarti bahwa sikap pemilik usaha terhadap hutang berpengaruh secara positif dan signifikan terhadap niat untuk berhutang.
Hipotesis 2 : Norma sosial berpengaruh positif terhadap niat berhutang.
Hasil pengujian statistik terhadap hipotesis 2 menunjukkan nilai parameter estimasi 0,397; nilai standar error 0,115; nilai critical ratio 3,444; dengan nilai probabilitas 0,000. Dengan menggunakan tingkat signifikansi (alfa) sebesar 0,05, maka dapat disimpulkan bahwa terdapat cukup bukti yang kuat secara empirik untuk menolak H0 dan menerima Ha. Hal ini berarti bahwa norma sosial pemilik usaha berpengaruh secara positif dan signifikan terhadap niat untuk berhutang.
Hipotesis 3 : Kontrol perilaku yang dipersepsikan berpengaruh positif
92
Hasil pengujian statistik terhadap hipotesis 3 menunjukkan nilai parameter estimasi -0,139; nilai standar error 0,142; nilai critical ratio -0,980; dengan nilai probabilitas 0,327. Dengan menggunakan tingkat signifikansi (alfa) sebesar 0,05, maka dapat disimpulkan bahwa tidak terdapat cukup bukti yang kuat secara empirik untuk menolak H0, dengan demikian Ha ditolak. Hal ini berarti bahwa hipotesis 3 yang menyatakan bahwa kontrol perilaku yang dipersepsikan pemilik usaha mempengaruhi niat untuk berhutang tidak didukung.
Hipotesis 4 : Niat berhutang berpengaruh positif terhadap keputusan
hutang
Hasil pengujian statistik terhadap hipotesis 4 menunjukkan nilai parameter estimasi 0,096; nilai standar error 0,011; nilai critical ratio 8,769; dengan nilai probabilitas 0,000. Dengan menggunakan tingkat signifikansi (alfa) sebesar 0,05, maka dapat disimpulkan bahwa terdapat cukup bukti yang kuat secara empirik untuk menolak H0 dan menerima Ha. Hal ini berarti bahwa niat berhutang pemilik usaha berpengaruh secara positif dan signifikan terhadap keputusan hutang.
Hipotesis 5 : Kontrol perilaku yang dipersepsikan berpengaruh positif
terhadap keputusan hutang.
