F. Pelaksanaan Penelitian
4. Analisis Diskriminan
Analisis diskriminan adalah teknik statistik yang digunakan pada hubungan dependensi (hubungan antarvariabel dimana sudah bisa dibedakan mana variabel respon dan mana variabel penjelas). Biasanya digunakan pada kasus dimana variabel respon berupa data kualitatif dan variabel penjelas berupa data kuantitatif. Analisis diskriminan bertujuan untuk mengklasifikasikan suatu individu atau observasi ke dalam kelompok yang saling bebas (mutually exclusive/disjoint) dan menyeluruh (exhaustive) berdasarkan sejumlah variabel penjelas. Analisis data dalam penelitian ini kemudian dibandingkan dengan analisis anova (analysis of
varians) yang digunakan untuk menguji perbedaan rerata data lebih dari dua kelompok (Hair, Black, Balbin dan Andersen, 2010)
.
5. Structural Equation Modeling
SEM adalah salah satu teknik analisis multivariate (Ghozali dan Fuad, 2008). Teknik analisis SEM lahir untuk menjawab masalah pengukuran dan masalah hubungan kausal antar variabel dalam penelitian.
SEM secara bersamaan melakukan analisis faktor dan pengujian hipotesis dan termasuk pengujian kesalahan pengukuran (measurement error) (Ghozali dan Fuad, 2008). Metode SEM lebih mampu menjelaskan hubungan antar variabel yang lebih kompleks serta mampu menguji rangkaian hubungan yang relatif rumit (Maruyama, 1998; Ghozali dan Fuad, 2008). Hal ini dikarenakan SEM merupakan penggabungan dua teknik analisis, yaitu: (1) Analisis faktor konfirmatori (confirmatory factor analysis) yang mengkonfirmatori faktor-faktor yang paling dominan dalam satu kelompok variabel, dan (2) Regression Weight pada SEM yang digunakan untuk meneliti seberapa besar pengaruh antar variabel.
Dalam SEM, variabel dibedakan menjadi variabel eksogen dan variabel endogen. Kedua variabel ini biasanya berupa variabel laten. Suatu variabel laten memiliki beberapa variabel manifest (observed variable/
indikator), dan melalui SEM dapat diukur loading factor setiap indikator terhadap variabel latennya, demikian juga nilai error-nya (Ghozali dan Fuad, 2008). SEM memiliki dua tujuan utama, yakni untuk menentukan apakah sebuah model masuk akal atau fit, dan untuk menguji berbagai hipotesis yang telah dibangun sebelumnya (Ghozali dan Fuad, 2008).
Terdapat tujuh langkah yang harus dilakukan apabila menggunakan pemodelan SEM (Ghozali dan Fuad, 2008), yaitu: (1) pengembangan
model berdasar teori; (2) pengembangan diagram alur (path diagram); (3) spesifikasi model; (4) identifikasi model; (5) estimasi parameter; (6) penilaian model fit; (7) modifikasi model; (8) validasi silang model.
Pengembangan model didasarkan pada teori atau berdasarkan temuan pada tahap konseptualisasi model; dalam penelitian ini pembangunan model menggunakan temuan pada pendekatan kualitatif.
Pada tahap ini, hipotesis-hipotesis disusun. Hipotesis-hipotesis tersebut disusun berdasarkan teori-teori dan penelitian terdahulu yang dijadikan dasar dalam menghubungkan setiap variabel laten. Penyusunan diagram alur adalah tahap visualisasi hipotesis yang disusun dari konsep model yang telah dibuat pada tahap konseptualisasi model. Visualisasi model akan memudahkan peneliti untuk mengamati hubungan antar variabel dan hipotesis yang disusun. Spesifikasi model adalah tahap untuk menyusun pengukuran dan struktural berdasarkan permasalahan penelitian.
Pengukuran terdiri atas variabel laten dan indikator-indikatornya. Tahap berikutnya adalah identifikasi model. Seluruh informasi yang sudah terkumpul digunakan untuk menguji apakah dapat mengestimasi parameter pada model. Pada tahap ini dipastikan apakah spesifikasi model dapat diidentifikasi atau tidak. Jika model tidak dapat diidentifikasikan, tidak mungkin menentukan nilai yang unik untuk koefisien model.
Setelah model struktural dapat diidentifikasi, maka estimasi parameter dapat diketahui. Penilaian model fit adalah tahap ketujuh.
Terdapat beberapa kriteria yang perlu dipenuhi untuk menilai sebuah model fit atau tidak. Setelah dilakukan penilaian model fit, maka dilakukan pengujian terhadap model penelitian untuk mengetahui apakah perlu dilakukan modifikasi model. Perlu diketahui bahwa modifikasi model
hanya dilakukan jika model yang dihasilkan pada tahap sebelumnya tidak fit. Tahap terakhir adalah validasi silang model. Model yang sudah fit dapat diuji dengan menggunakan data baru. Tahap ini hanya dilakukan jika terdapat modifikasi substansial pada saat modifikasi model dilakukan.
Dengan memperhatikan prosedur SEM di atas, dalam analisisnya, penelitian ini diawali dengan melakukan uji normalitas dan multikolinearitas sebagai asumsi klasik yang harus dipenuhi (Ghozali dan Fuad, 2005). Uji normalitas adalah untuk memastikan apakah data yang ada membentuk distribusi normal atau tidak. Untuk menguji dilanggar atau tidaknya asumsi normalitas, perlu dipastikan bahwa nilai skewness-nya di bawah dua, dan kurtosis-nya bernilai di bawah tujuh (Ghozali dan Fuad, 2008). Apabila asumsi normalitas tidak dipenuhi dan penyimpangan normalitas tersebut besar, maka seluruh hasil uji statistik adalah tidak valid, karena perhitungan analisis SEM dihitung berdasarkan asumsi bahwa data normal. Sementara untuk memastikan tidak adanya korelasi yang sempurna atau besar di antara variabel-variabel independen, dilakukan analisis multikolinearitas.
Setelah asumsi klasik dalam SEM dipenuhi, kemudian dilakukan Confirmatory Factor Analysis. Analisis ini berguna untuk memberikan validasi model pengukuran (Anderson dan Gerbing, 1982). Selain itu, dari hasil perhitungan CFA juga dapat diamati hubungan antara indikator dengan variabel. Loading factor yang besar menunjukkan bahwa sumbangsih indikator untuk membentuk variabel laten semakin besar.
Nilai loading factor yang dianjurkan adalah lebih besar dari 0.5 (Hair dkk., 1998). Selain itu, dapat pula diuji apakah model variabel laten yang tersusun atas beberapa indikator fit dengan data yang ada.
Setelah dilakukan CFA, dapat dilakukan penghitungan kemampuan suatu tes untuk menghasilkan skor yang konsisten (Friedenberg, 1995), yaitu reliabilitas. Uji ini akan dilakukan pada setiap variabel laten dengan menggunakan informasi pada loading indikator dan error variance yang diperoleh dari standardized solutions (dan nilai composite reliability yang baik adalah 0.6.). Rumus yang digunakan untuk menghitung reliabilitas adalah (Ghozali dan Fuad, 2008):
( ) ( ( ) )
= +
∑
∑ ∑
θ λ
ρ λ 2
2 c
ρ=composite reliability λ= loading indikator
θ = error variance indikator
Dari analisis struktural dapat ditemukan beberapa informasi penting, antara lain; (1) koefisien determinasi; (2) koefisien regresi; dan (3) nilai-t. Koefisien determinasi perlu diperhatikan untuk dapat mengetahui mampu tidaknya variabel-variabel independen menjelaskan secara positif variabel-variabel dependen. Koefisien regresi diamati untuk menentukan arah hubungan dua variabel laten. Setelah itu, dilakukan pengamatan terhadap nilai-t sebagai dasar untuk menentukan apakah signifikansi hubungan atau pengaruh antar variabel. Bila nilai-t lebih kecil daripada nilai-t tabel untuk tingkat kesalahan 5% maka hubungan atau pengaruhnya tidak signifikan.
Sebagaimana salah satu tujuan analisis SEM adalah menguji fit atau tidaknya suatu model yaitu kesesuaian model teoritis dengan data
empiris, Tabel 3.22 di bawah ini menunjukkan adanya beberapa kriteria goodness of fit.
Tabel 3.22. Kriteria Goodness of Fit
Fit Measure Good Fit Acceptable Fit
Absolute fit measures
x² 0 ≤ x² ≤ 2df 0 ≤ x² ≤ 3df P Value .05 < p ≤ 1.00 .01 < p ≤ .05 RMSEA 0 ≤ RMSEA ≤
.05
.05 < RMSEA ≤ .08 P Value for test of
close fit (RMSEA<.05)
.10 < p ≤ 1.00 .05 < p ≤ .10
SRMR 0 ≤ SRMR ≤
.05
.05 < SRMR ≤ .10 ECVI Smaller than ECVI for comparison
model
Incremental fit measures
NFI .95 ≤ NFI ≤ 1.00
.90 ≤ NFI < .95 NNFI .95 ≤ NNFI ≤
1.00 .90 ≤ NNFI ≤ 1.00 CFI .97 ≤ CFI ≤
1.00
.95 ≤ CFI ≤ .97 AGFI .90 ≤ AGFI ≤
1.00, close to GFI.
.85 ≤ AGFI ≤ .90
RFI RFI≥0.9 0.80≤RFI≤0.89
IFI RFI≥0.9 0.80≤RFI≤0.89
Parsimonious
fit measures PGFI Semakin tinggi nilainya, semakin tinggi parsimony-nya.
x²/df 0 ≤ x²/df ≤ 2 2 < x²/df ≤ 3 AIC smaller than AIC for comparison
model
CAIC Smaller than CAIC comparison model Sumber: Engel, Moosbrugger dan Muller (2003, hlm.52); Hair dkk. (2006);
Ghozali dan Fuad (2008).
Sebuah model dapat dikategorikan fit jika telah memenuhi beberapa kriteria yang ditentukan. Sebuah model dapat dikatakan fit bilamana memenuhi tiga atau empat dari 12 kategori pengukuran GOF (Jackard dan
Wan, 1996; Kline, 1998). Penjelasan dari masing-masing kriteria Goodness of Fit tersebut sebagai berikut:
a. χ2 (Chi Square Statistic) dan probabilitas
Alat statistik yang digunakan untuk mengukur overall fit adalah likelihood ratio chi square statistic. Model terbaik adalah model yang memiliki chi square=0, yang artinya tidak ada perbedaan signifikan antara input matrik prediksi dengan observasi sesungguhnya.
b. CMIN/DF (Normed Chi Square)
CMIN/DF adalah nilai χ2 : Degree of Freedom. Rasio ukuran CMIN/DF dianjurkan untuk mengukur fit.
c. RMSEA (Root Mean Square Error of Approximation)
RMSEA adalah ukuran statistik yang mencoba memperbaiki kecenderungan statistik chi-square menolak model dengan jumlah sampel yang ditetapkan. Nilai RMSEA yang dapat diterima antara 0.05 sampai 0.08.
d. GFI (Goodness of Fit Index)
GFI adalah ukuran non-statistik yang nilainya berkisar dari nilai 0 (poor fit) sampai 1.0 (perfect fit). Hingga saat ini, belum ada standar nilai GFI yang layak diterima , namun pada umumnya dianjurkan nilai di atas 90%
sebagai ukuran good fit.
e. AGFI (Adjusted GFI)
Sebagai perkembangan dar GFI yang disesuaikan dengan ratio degree of freedom, AGFI akan memberikan proposed model dengan degree of freedom untuk null model. Nilai yang dianjurkan adalah ≥ 0.90.
f. Akaike’s Information Criterion (AIC) dan CAIC
Untuk menilai parsimony dalam penelitian model fit, AIC dan CAIC akan berguna untuk membandingkan dua atau lebih model. Model dapat dikategorikan fit jika nilai AIC dan CAIC lebih kecil daripada saturated AIC, independence AIC, dan saturated CAIC.
g. Parsimony Goodness of Fit Index (PGFI)
GFI bermanfaat untuk menghitung proporsi tertimbang dari varian dalam matriks kovarian sampel yang dijelaskan oleh matriks kovarian populasi yang terestimasikan. Indeks ini mencerminkan tingkat kesesuaian model secara keseluruhan yang dihitung dari residual kuadrat model yang diprediksi dibandingkan dengan data yang sebenarnya. Sementara itu, PGFI merupakan pengembangan dari GFI yang disesuaikan dengan degree of freedom dan kompleksitas model. Tingkat penerimaan yang direkomendasikan adalah bila mempunyai nilai sama atau lebih besar dari 0.6.
h. Normed Fit Index (NFI) dan Incremental Fit Index (IFI)
NFI dan IFI adalah alternatif-alternatif untuk menemukan model fit.
Model yang fit adalah model yang memiliki nilai NFI dan IFI > 0.9.
i. Standardized Root Mean Square Residual (SRMR)
SRMR adalah ukuran kesesuaian buruk yang berdasarkan pada residual yang sudah disesuaikan.
j. CFI (Comparative Fit Index)
Merupakan indeks kesesuaian incremental yang juga membandingkan model yang diuji dengan null model. Indeks CFI dapat dikatakan baik untuk mengukur kesesuaian sebuah model karena tidak dipengaruhi oleh ukuran sampel. Indeks yang mengindikasikan bahwa suatu model fit adalah bila CFI ≥ 0.90.
Terdapat beberapa alat bantu perangkat lunak yang dapat digunakan untuk menganalisis SEM. Di antaranya adalah AMOS, PLS, dan LISREL. Penelitian ini menggunakan alat bantu perangkat lunak Linear Structural Relationship (LISREL) 8.50 for Windows, perangkat lunak yang tercatat paling banyak digunakan pada penelitian yang dimuat di jurnal-jurnal internasional (Wijanto, 2008).