Metode Analisis Data

D. Metode Analisis Data

Tujuan analisis data adalah untuk memberikan jaminan bahwa data yang diperoleh telah memenuhi kriteria untuk diuji dengan menggunakan berbagai jenis metode statistik metode yang ada, dengan demikian hasil yang diperoleh dapat merespresentasikan fenomena yang diukur. Pengujian statistik diawali dengan pengujian validitas dan reliabilitas terhadap data yang diperoleh dari survei yang telah dilakukan.

commit to user

Analisis ini berisi tentang bahasan secara deskriptif mengenai tanggapan yang diberikan responden pada kuesioner. Statistik deskriptif adalah statistik yang digunakan untuk menganalisa data dengan cara mendeskripsikan atau mengambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku untuk umum atau generalisasi (Sugiyono, 2004:142).

2. Uji Instrumen Penelitian

a. Uji Validitas

Pengujian ini digunakan dengan tujuan untuk mengetahui ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya (Jogiyanto, 2004). Valid berarti instrumen tersebut dapat digunakan untuk mengukur apa yang seharusnya diukur (Sugiyono, 2004). Hasil penelitian akan mampu menjelaskan masalah penelitian sesuai dengan keadaan sebenarnya dengan menggunakan instrumen penelitian yang memiliki validitas tinggi.

Penelitian ini menggunakan confirmatory factor analysis (CFA) untuk mengetahui validitas instrumen. Tinggi rendahnya validitas suatu angket dengan melihat factor loading dengan bantuan program komputer AMOS 6. Factor loading adalah korelasi item-item pertanyaan dengan konstruk yang diukurnya. Menurut Hair (2002), factor loading lebih besar

0.50 dianggap memenuhi level minimal, disarankan besarnya factor loading adalah ± 0.50, jika factor loading suatu item pertanyaan mencapai ±

0.50 atau lebih besar maka item tersebut sangat penting dalam menginterpretasikan konstruk yang diukurnya. Pedoman umum untuk

commit to user

2006). Berdasarkan pedoman tersebut, peneliti menetapkan nilai factor loading yang signifikan adalah lebih dari ± 0.50.

b. Uji Reliabilitas

Reliabilitas adalah istilah yang dipakai untuk menunjukkan sejauh mana suatu hasil pengukuran relatif konsisten apabila pengukuran diulangi dua kali atau lebih. Reliabilitas suatu pengukuran mencerminkan apakah suatu pengukuran dapat terbebas dari kesalahan (error), sehingga memberikan hasil pengukuran yang konsisten pada kondisi yang berbeda dan pada masing-masing butir dalam instrumen. Reliabilitas instrumen penelitian ini diukur dengan item-to-total correlation dan Cronbach’s Alpha dengan bantuan program komputer SPSS 11.0. Menurut Hair et al. (1998:118) suatu instrumen dinyatakan reliabel jika hasil koefisien Cronbach’s Alpha menunjukkan nilai ≥ 0,70 dan butir-butir pertanyaan yang dinyatakan reliabel mempunyai nilai item-to-total correlation ≥ 0,50. Meskipun begitu, koefisien Cronbach’s Alpha yang berada diantara range 0,6-0,7 masih dapat diterima (Sekaran, 2003:311) mensyaratkan nilai item-

to-total correlation ³ 0,3 sudah dapat diterima. Sekaran (2000;312) membagi tingkatan reliabilitas dengan dengan kriteria alpha atau r hitung sebagai berikut:

1) 0.80-1.0 maka reliabilitas dikatakan baik,

2) 0.60-0.799 maka reliabilitas dapat diterima

3) Kurang dari 0.60 maka reliabilitas dinyatakan kurang baik.

commit to user

dan mengeliminasi item-item pertanyaan yang keberadaannya akan memperkecil koefisien Cronbach’s Alpha. Skor item-to-total correlation yang lebih kecil dari 0,5 tetap dapat diterima jika butir-butir yang dieliminasi akan menghasilkan koefisisen Cronbach’s Alpha yang lebih kecil (Purwanto, 2002).

3. Analisis Structural Equation Model

SEM merupakan kombinasi antara analisis faktor dan analisis regresi berganda karena pada saat peneliti mengidentifikasi dimensi-dimensi sebuah konsep atau konstruk, pada saat yang sama peneliti juga ingin mengukur pengaruh atau derajat antar faktor yang telah diidentifikasikan dimensi- dimensinya itu Ferdinand (2002). Dengan demikian SEM merupakan kombinasi antara analisis faktor dan analisis regresi berganda.

Ferdinand (2002) mengatakan bahwa SEM tepat digunakan untuk merancang penelitian manajemen serta menjawab pertanyaan yang bersifat regresif dan dimensional dalam waktu yang bersamaan. Regresif artinya pengujian hubungan antar konstruk, sedang dimensional berarti pengujian dimensi-dimensi yang terdapat dalam konstruk. SEM dapat melakukan tiga kegiatan sekaligus, yaitu pemeriksaan validitas dan reliabilitas instrumen (setara dengan analisis faktor konfirmatori), pengujian model hubungan antar variabel laten (setara dengan analisis path) dan mendapatkan model yang bermanfaat untuk prediksi (setara dengan model struktural atau analisis regresi).

Analisis ini memungkinkan terdapat lebih dari satu variabel dependen dan variabel ini dimungkinkan menjadi variabel independen bagi variabel

commit to user

Moment Stucture atau AMOS 6. Beberapa hal yang harus diperhatikan sebelum melakukan pengujian model struktural dengan pendekatan SEM, yaitu :

a. Asumsi Kecukupan Sampel Sampel yang harus dipenuhi dalam permodelan ini berjumlah 100 hingga 200 sampel atau 5 kali estimated parameter yang digunakan (Hair et al, 1998)

b. Asumsi Normalitas SEM terutama bila diestimasi dengan tehnik maximum likelihood mensyaratkan sebaiknya asumsi normalitas pada data terpenuhi. Untuk menguji asumsi normalitas maka digunakan nilai z statistik untuk skewness dan kurtosisnya. Curran et al., dalam Ghozali dan Fuad (2005) membagi distribusi data menjadi 3 bagian, yaitu:

1) Normal jika nilai skewness antara + 2,58 dan – 2,58. Nilai kurtosis kurang dari atau sama dengan 7.

2) Moderately non-normal, yaitu besarnya data yang tidak normal adalah sedang. Nilai skewness antara 2 sampai 3 dan nilai kurtosis antara 7 sampai 21.

3) Extremely non-normal, yaitu distribusi data yang tidak normal sangat besar dimana nilai skewness diatas 3 dan nilai kurtosis diatas 21.

c. Asumsi Outliers Outliers adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim, baik untuk sebuah variabel tunggal atau

commit to user

outliers dapat diuji dengan statistik Chi Square (x 2 ) terhadap nilai mahalanobis distance square pada tingkat signifikansi 0,001 dengan degree of freedom sejumlah variabel yang digunakan dalam penelitian (Ferdinand, 2002: 103), dalam hal ini variabel yang dimaksud adalah jumlah item pengukuran pada model, bila terdapat observasi yang mempunyai nilai mahalanobis distance square yang lebih besar dari Chi Square maka observasi tersebut dikeluarkan dari analisis. Umumnya perlakuan terhadap outliers adalah dengan mengeluarkannya dari data dan tidak diikutsertakan dalam perhitungan berikutnya. Bila tidak terdapat alasan khusus untuk mengeluarkan outliers, maka observasi dapat diikutsertakan dalam analisis selanjutnya. Evaluasi outliers ini dilakukan dengan bantuan program komputer AMOS 6.

d. Evaluasi Atas Kriteria Goodness Of Fit Tidak ada alat uji statistik tunggal untuk menguji hipotesis mengenai model dalam analisis SEM (Hair et al., 1998), tetapi berbagai fit index yang digunakan untuk mengukur derajat kesesuaian antara model yang disajikan dan data yang disajikan. Fit index yang digunakan meliputi:

1) Chi Square Tujuan analisis ini adalah mengembangkan dan menguji apakah sebuah model yang sesuai dengan data. Chi square sangat bersifat sensitif terhadap sampel yang terlalu kecil maupun yang terlalu besar, oleh karenanya pengujian ini perlu dilengkapi dengan alat uji lainnya. Nilai Chi-squares merupakan ukuran mengenai buruknya fit suatu model (Ghozali dan Fuad, 2005 : 29).

commit to user

Indeks yang menggambarkan tingkat kesesuaian model secara keseluruhan yang dihitung dari residual kuadrat dari model yang diprediksi dibandingkan data yang sebenarnya. Nilai GFI ≥ 0,90 mengisyaratkan model yang diuji memiliki kesesuaian yang baik.

3) Root Mean Square Error of Approximation (RMSEA) RMSEA merupakan ukuran yang mencoba memperbaiki kecenderungan statistic chi square menolak model dengan jumlah sampel yang besar. Nilai RMSEA antara 0.05 dan 0,08 mengindikasikan indeks yang baik untuk menerima kesesuaian sebuah model (Ghozali, 2005:24).

4) Adjusted Goodness Fit Of Index (AGFI) Indeks ini merupakan pengembangan dari Goodness Fit Of Index (GFI) yang telah disesuaikan dengan ratio dari degree of freedom model (Ghozali dan Fuad, 2005:31). Analog dengan R2 pada regresi berganda. Nilai yang direkomendasikan adalah AGFI ≥ 0,90, semakin besar nilai AGFI maka semakin baik kesesuaian yang dimiliki model

5) Tucker Lewis Index (TLI) TLI merupakan indeks kesesuaian incremental yang membandingkan model yang diuji dengan baseline model. TLI digunakan untuk mengatasi permasalahan yang timbul akibat kompleksitas model (Ghozali dan Fuad, 2005:34). Nilai penerimaan yang direkomendasikan adalah nilai TLI ≥ 0,90. TLI merupakan indeks yang kurang dipengaruhi oleh ukuran sampel.

6) Normed Fit Index (NFI)

commit to user

model dan null model (Ghozali, 2005: 25). Nilai yang direkomendasikan adalah NFI ≥ 0,90.

7) Comparative Fit Index ( CFI) CFI juga merupakan indeks kesesuaian incremental. Besaran indeks ini adalah dalam rentang 0 sampai 1 dan nilai yang mendekati 1 mengindikasikan model memiliki tingkat kesesuaian yang baik. Indeks ini sangat dianjurkan untuk dipakai karena indeks ini relatif tidak sensitif terhadap besarnya sampel dan kurang dipengaruhi oleh kerumitan model. Nilai penerimaan yang direkomendasikan adalah CFI ≥ 0,90 (Ghozali dan Fuad, 2005:34).

8) Normed Chi Square ( CMIN/DF) CMIN/DF adalah ukuran yang diperoleh dari nilai chi square dibagi dengan degree of freedom. Indeks ini merupakan indeks kesesuaian parsimonious yang mengukur hubungan goodness of fit model dan jumlah-jumlah koefisien estimasi yang diharapkan untuk mencapai tingkat kesesuaian. Nilai yang direkomendasikan untuk menerima adalah CMIN/DF < 2,0 atau 3,0