Evaluasi Model Teknik Analisis dan Uji Hipotesis

b. Menetapkan error [  ] dan lamda [  ] terms, error terms dapat dihitung dengan rumus 0.1 kali 2  dan lamda terms dengan rumus 0.95 kali  [Andeson dan Gerbing, 1998]. Perhitungan contruct reliability [  ] telah dijelaskan pada bagian sebelumnya dan deviasi standar [  ] dapat dihitung dengan bantuan program aplikasi statistic SPSS. Setelah error [  ] dan lamda [  ] terms diketahui, skor-skor tersebut dimasukkan sebagai parameter fix pada analisis model pengukuran SEM.

3.4.5. Evaluasi Model

Hair et.al 1998 menjelaskan bahwa pola “confirmatory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas hipotesis-hipotesis dengan pengujian fit antara model teoritis dan data empiris. Jika model teoritis menggambarkan “good fit” dengan kata, maka model dianggap sebagai yang diperkuat. Sebaliknya, suatu model teoritis tidak diperkuat jika teori tersebut mempunyai suatu “poor fit” dengan data Amos dapat menguji apakah model “good fit” atau “poof fit”. Jadi. “good fit” model yang diuji sangat penting dalam penggunaan Structural Equation Modeling. Pengujian terhadap model dikembangkan dengan berbagai criteria Goodness of fit , yakni Chi-Square, Probability, RMSEA, GFI, TLI, CFI, AGFI, CMINDF. Apabila model awal tidak good fit dengan data maka model dikembangkan dengan pendekatan Two-Step Approach to SEM. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Berikut ini disajikan beberapa indeks kesesuaian dan cut off, valuenya untuk digunakan dalam menguji apakah model dapat diterima dan ditolak. Tabel 3.1 Goodness of Fit Indices GOODNESS OF FIT INDEK KETERANGAN CUT-OFF VALUE X 2 -Chi-Square Menguji apakah covariance populasi yang diestimasi sama dengan covariance sample [apakah model sesuai dengan data] Diharapkan kecil, 1 sd 5 atau paling baik diantara 1 dan 2 Probability Uji signifikan terhadap perbedaan matriks covariance data dan matriks covariance yang diestimasi Minimum 0.1 atau 0.2 ≥ 0.05 RMSEA Mengkompensasi kelemahan Chi-Square pada sample besar ≤ 0.08 GFI Menghitung proporsi tertimbang varians dalam matriks sample yang dijelaskan oleh matriks covariance populasi yang diestimasi [analog dengan R 2 dalam regresi terhadap berganda]. ≥ 0.90 AGI I GFI yang disesuaikan terhadap DF ≥ 0.90 CMINDF Kesesuaian antara data dan model ≤ 2.00 TLI Pembanding antara model yang diuji terhadap baseline model ≥ 0.95 CFI Uji Kelayakan model yang tidak sensitive terhadap besarnya sample dan kerumitan model. ≥ 0.94 Sumber : Hair et.Al., [1998] 1. Chi-Square X 2 Alat uji paling fundamental untuk mengukur overall fit adalah Likelihood Chi-Square Statistic. Chi Square bersifat sangat sensitive terhadap besarnya sample yang digunakan yaitu sample yang terlalu Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. kecil 50 maupun terhadap sampel yang terlalu besar 50. Penggunaan Chi-Square hanya sesuai bila ukuran sampel antara 100 – 200 sampel. Bila diluar rentan itu, uji signifikan akan menjadi kurang realibel. Oleh karena itu perlu dilengkapi dengan alat yang lain X 2 yang kecil dan tidak signifikan yang diharapkan agar hipotesis nol sulit ditolak. 2. RMSEA The Root Mean Square Error of Approaximation RMSEA adalah sebuah indeks yang dapat digunakan mengkompensasi Chi-Square Statistic dalam sampel yang besar. Nilai RMSEA yang lebih kecil atau sama dengan 0.08 merupakan indeks untuk dapat diterima model yang menunjukkan close fit dari model itu berdasarkan degrees of freedom. 3. GFI – Goodness of Fir Index GFI adalah analog dari R 2 dalam regresi berganda. Indeks kesesuaian ini akan menghitung proporsi tertimbang dari varians dalam bentuk matrik kovarian populasi yang terestimasikan, GFI adalah sebuah ukuran nol-statistikal yang mempunyai rentan nilai antara 0 poor fit sampai dengan 1.0 perfect fit. Nilai yang tinggi dalam indeks ini menunjukkan sebuah better fit. 4. AGFI-Asdjustyed Goodness of Fit Index AGFI = GFIDF tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0, 90. GFI maupun AGFI adalah kriteria yang memperhitungkan proporsi Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. tertimbang dari varians dalam sebuah matrix kovarians sampel. Nilai sebesar 0,95 dapat diinterpretasikan sebagai tingkatan yang baik Good Overal Model Fit sedangkan besaran nilai antara 0,90 – 095 menunjukkan tingkatan cukup Adequate Fit. Indeks ini diperoleh dengan rumus sebagai berikut : AGFI = 1 – 1 GFI D df Dimana : Db =  P = jumlah - sampel – moments d = degrees of freedom AGFI yang diharapkan adalah sebesar ≥ 0.90 5. CMINDF CMINDF sebagai salah satu indicator untuk mengukur tingkat fitnya sebuah model. Dalam hal ini CMINDF tidak lain adalah Stasti Chi-Square, X 2 dibagi DF-nya sehingga disebut juga X 2 relative. Nilai X 2 relative kurang dari 2,0 atau bahkan kadang kurang dari 3,0 adalah indikasi dari acceptable fit antara model dan data. Nilai X 2 relative yang tinggi menandakan adanya perbedaan yang signifikan antara matriks kovarians yang diobservasi dan yang diestimasi X 2 relative diharap adalah sebesar ≤ 2.0. 6. TLI – Tucker Lewis Index TLI adalah sebuah alternatif incremental fit indeks yang membanding sebuah model yang diuji terhadap sebuah baseline model. Nilai yang direkomendasikan sebagai acuan untuk Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. diterimanya sebuah model adalah penerimaan ≥ 0,95 dan nilai yang sangat mendekati 1 menunjukkan A Very Good Fit. Indeks ini diperoleh dengan rumus : Dimana : C = Diskrepansi ketidaksesuaian dari model yang dievaluasi d = Degrees of freedom baseline model yang dievaluasi Cb = Diskrepansi dari baseline model yang dijadikan pembanding Db = Degrees of freedom dari baseline model yang dijadikan pembanding TLI yang diharapkan adalah sebesar ≥ 0.95 . 7. CFI – Comparative Fit Index Besaran indeks ini adalah pada rentan nilai sebesr 0-1, dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi A Very Goods Fit. Nilai yang direkomendasikan adalah CFI 0.95 keunggulan dari indeks ini besarnya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model. Indeks CFI adalah tidak identik dengan Relative Noncentrality Indeks RNI. Indeks ini adalah indeks dengan relative noncentrality indeks RNI yang diperoleh dengan rumus : Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. CFI = RNI = db Cb d C 1    CFI yang diharapkan adalah sebesar ≥ 0.95. Berikut ini disajikan beberapa indeks kesesuaian dan cut - off valuenya untuk digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak. 1. GFI goodness of fit indeks Indeks kesesuaian fit indeks ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang dijelaskan oleh matriks kovarians populasi yang terestimasikan Bentler, 1983 ; Tanaka dan Huba, 1989. 2. CMIN DF The minimum sample discrepancy function CMIN di bagi dengan degree of freedomnya akan menghasilkan indeks CMIN DF, yang umumnya dilaporkan oleh para peneliti sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model dalam hal ini MIN DF tidak lain adalah statistic chi-square,  2 dibagi DFnya sehingga  2 relatif. Nilai  2 relatif kurang dari 20 atau bahkan kadang kurang dari 3,0 adalah indikasi dari acceptatable fit antara model dan data Arbuckle, 1997. 3. CIF Comparative Fit Indeks Besaran indeks ini adalah pada rentang nilai sebesar 0-1, dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi a very good fit Arbuckle, 1997. Nilai yang direkomendasikan Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. adalah CFI ≥ 0,95. Keunggulan dari indeks ini adalah bahwa indeks ini besarannya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model Hulland et.al., 1996 ; Tanaka, 1993. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 59

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1. Deskripsi Objek Penelitian

4.1.1. Sejarah Singkat BPR Sumber Artha Waru Agung

BPR Sumber Artha Waru Agung didirikan pada tanggal 27 Januari 1990 dengan lokasi di Jalan Raya Wadung Asri di kecamatan Waru Kabupaten Sidoarjo. BPR Sumber Artha Waru Agung ini didirikan oleh Bapak Nusirwan Indrakirana Slamet, MBA, dengan izin usaha dari Menkeu No. C2-399.HT.01.01.TH 1990. Pada saat itu kondisi modal perusahaan masih sebesar Rp 50.000.000,- dengan status gedung masih sewa. Jumlah karyawan masih delapan orang yang menempati bagiannya masing-masing yaitu bagian deposito, tabungan, administrasi kredit, kasir, pembukuan, marketing serta pimpinan. Pertimbangan mendirikan BPR di daerah ini disebabkan karena di daerah Waru dan sekitarnya banyak terdapat industri kecil kalangan menengah ke bawah atau home industry, serta pada waktu itu masih belum ada BPR di daerah ini. Pada perkembangan selanjutnya, bank mampu merangkul nasabah dan meningkatkan jumlah nasabahnya dari waktu ke waktu. Akhirnya dengan semakin banyaknya nasabah baik dari pendanaan maupun penyaluran dana tentunya secara tidak langsung mempengaruhi Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.