40
D. Metode Analisis
Teknik analisis yang digunakan adalah analisis jalur Path Analysis. Analisis jalur merupakan pengembangan dari analisis regresi, sehingga dapat
dikatakan merupakan bentuk khusus dari analisis jalur regression is special case of path analysis.
Analisis jalur merupakan pengembangan dari model regresi yang digunakan untuk kesesuaian fit dari matrik korelasi dari dua atau lebih model
yang dibandingkan oleh si peneliti. Model biasanya digambarkan dengan lingkaran dan anak panah yang menunjukkan hubungan kausalitas. Regresi
dilakukan untuk setiap variabel dalam model. Nilai regresi yang diprediksi oleh model dibandingkan dengan matrik korelasi hasil observasi variabel dan
nilai goodness of-fit dihitung. Model terbaik dipilih berdasarkan nilai goodness of fit Ghozali, 2008:21.
Analisis jalur merupakan pengembangan lebih lanjut dari analisis regresi berganda dan bivariate. Analaisis jalur ingin menguji persamaan regresi yang
melibatkan beberapa variabel eksogen dan endogen sekaligus sehingga memungkinkan pengujian terhadap variabel mediatingintervening atau
variabel antara. Disamping itu analisis jalur juga dapat mengukur hubungan langsung antar variabel dalam model maupun hubungan tidak langsung antar
variabel dalam model. Hubungan langsung antara variabel eksogen terhadap variabel dapat dilihat pada koefisien beta. Hubungan tidak langsung adalah
seberapa besar pengaruh variabel eksogen terhadap variabel endogen melalui
41 X
1
X
2
X
3
Y e
1
variabel intervening. Pengaruh total dapat diperoleh dengan menjumlahkan hubungan langsung dan tidak langsung Ghozali, 2008:21.
Menurut Sugiyono 2007:297, penggunaan analisis jalur dalam analisis data penelitian didasarkan pada bebrapa asumsi sebagai berikut.
1. Hubungan antar variabel yang akan dianalisis berbentuk linier, aditif dan kausal.
2. Variabel-variabel residual tidak berkolerasi dengan variabel yang mendahuluinya, dan tidak juga berkolerasi dengan variabel yang lain.
3. Dalam model hanya terdapat jalur kausalsebab-akibat searah. 4. Data setiap variabel yang dianalisis adalah data interval dan berasal dari
sumber yang sama. Berdasarkan kerangka berpikir penelitian ini, maka dapat diperoleh 2
dua substruktur linier sebagai berikut: Substruktur I:
Gambar. 3.1 Hubungan Kausal X
1
, X
2
, X
3
terhadap Y
Substruktur I menggunakan model logaritma natural formulasinya dapat dinyatakan sebagai:
Y = ρYX
1
+ ρYX
2
+ ρYX
3
+ ε
1
42
Keterangan: Y = Penyaluran Kredit
X
3
= Suku Bunga SBI X
1
= DPK Dana Pihak Ketiga ε
1
= Residual Error
X
2
= CAR Capital Adequacy Ratio
Substruktur II:
Gambar. 3.2 Hubungan Kausal X
1
, X
2
, X
3
dan Y terhadap Z
Substruktur II menggunakan model logaritma natural formulasinya dapat dinyatakan sebagai:
Z = ρZX
1
+ ρZX
2
+ ρZX
3
+ ρZY +
ε
2
Keterangan: Z = LDR Loan to Deposit Ratio
Y = Penyaluran Kredit
X
1
= DPK Dana Pihak Ketiga ε
2
= Residual Error
X
2
= CAR Capital Adequacy Ratio X
3
= Suku Bunga SBI Hair et.al dalam Ghozali 2008:61, mengajukan tahapan pemodelan dan
analisis persamaan struktural menjadi 7 tujuh langkah. Langkah 1: Pengembangan Model Berdasar Teori
Model persamaan structural didasarkan pada hubungan kausalitas, dimana perubahan satu variabel diasumsikan akan berakibat pada perubahan
variabel lainnya. Hubungan kausalitas dapat berarti hubungan yang ketat
X
1
X
2
X
3
Y
e
2
Z
43
seperti ditemukan dalam proses fisik seperti dalam riset perilaku yaitu alas an seseorang membeli produk tertentu. Kuatnya hubungan kausalitas antara dua
variable yang diasumsikan oleh peneliti bukan terletak pada metode analisis yang dia pilih, tetapi terletak pada justifikasi pembenaran secara teoritis
untuk mendukung analisis. Jadi jelas bahwa hubungan antar variable dalam model merupakan dedukasi dari teori.
Langkah 2 dan 3: Menyusun Diagram Jalur dan Persamaan Struktural Langkah berikutnya adalah menyusun hubungan kausalitas dengan
diagram jalur dan menyusun persamaan strukturalnya. Ada dua hal yang perlu dilakukan yaitu menyusun model struktural yaitu menghubungkan antar model
konstruk laten baik endogen maupun eksogen dan menyusun measurement model yaitu menghubungkan konstrak laten endogen atau eksogen dengan
variabel indikator atau manifest. Langkah 4: Memilih Jenis Input Matrik dan Estimasi Model yang Diusulkan
Model persamaan strukturak berbeda dari teknik analisis multivariate lainnya, SEM hanya menggunakan data input berupa matrik variankovarian
atau matrik korelasi. Data mentah observasi individu dapat dimasukkan dalam program AMOS, tetapi program AMOS akan merubah dahulu data mentah
menjadi matrik kovarian atau matrik korelasi. Analisis terhadap data outlier harus dilakukan sebelum matrik kovarian atau korelasi dihitung. Teknik
estimasi model persamaan structural pada awalnya dilakukanb dengan ordinary least square OLS regression, tetapi teknik ini mulai digantikan oleh
Maximum Likelihood Estimation ML yang lebih efisien dan unbiased jika
44
asumsi normalitas multivariate dipenuhi. Teknik ML sekarang digunakan oleh banyak program komputer. Namun demikian teknik ML sangat sensitif
terhadap non-normalitas data sehingga diciptakan teknik estimasi lain seperti, weight least square WLS, generalized least square GLS dan
asymptotivally distribution free ADF. Langkah 5: Menilai Identifikasi Model Struktural
Selama proses estimasi berlangsung dengan program komputer, sering didapat hasil estimasi yang tidak logis atau meaningless dan hal ini berkaitan
dengan masalah identifikasi model structural. Problem identifikasi adalah ketidakmampuan proposed model untuk menghasilkan unique estimate. Cara
melihat ada tidaknya problem identifikasi adalah dengan melihat hasil estimasi yang meliputi: 1 adanya nilai standar error yang besar untuk satu atau lebih
koefisien, 2 ketidakmampuan program untuk invert information matrix, 3 nilai estimasi yang tidak mungkin misalkan error variance yang negatif , 4
adanya nilai korelasi yang tinggi 0,90 antar koefisien estimasi. Langkah 6: Menilai Kriteria Goodness-of-Fit
Salah satu tujuan dari Analisis Jalur adalah menentukan apakah model planusible masuk akal atau fit. Suatu model penelitian dikatakan baik,
apabila memiliki model fit yang baik pula. Tingkat kesesuaian model dalam buku Imam terdiri dari:
1. Absolute Fit Measure Absolute fit measure mengukur model fit secara keseluruhan baik
model struktural maupun model pengukuran secara bersamaan.
45
a. LikeliHood-Ratio Chi-Square Statistic Ukuran fundamental dari overall fit adalah likeliHood-ratio chi-
square
2
χ . Nilai chi-square yang tinggi relative terhadap degree of freedom menunjukkan bahwa matrik kovarian atau korelasi yang
diobservasi dengan yang diprediksi berbeda secara nyata dan ini menghasilkan probabilitas p akan menghasilkan nilai probabilitas p
yang lebih besar dari tingkat signifikansi α dan ini menunjukkan
bahwa input matrik kovarian antara prediksi dengan observasi sesungguhnya tidak berbeda secara signifikan. Dalam hal ini peneliti
harus mencari nilai chi-square yang tidak signifikan p ≥ 0.05 karena
mengharapkan bahwa model yang diusulkan cocok atau fit dengan data observasi.
b. CMINDF Adalah nilai chi-square dibagi dengan degree of freedom.
Beberapa pengarang menganjurkan menggunakan ratio ukuran ini untuk mengukur fit. Menurut Wheaton et. Al dalam Ghozali nilai ratio
5 lima atau kurang dari lima merupakan ukuran yang reasonable. Peniliti lainnya seperti Byrne mengusulkan nilai ratio ini 2
merupakan ukuran fit. c. Goodness of Fit Index GFI
Goodness of Fit Index GFI dikembangkan oleh Joreskog dan Sorbon 1984 yaitu ukuran non-statistik yang nilainya berkisar antar 0
46
poor fit sampai 1 perfect fit. Nilai GFI tinggi menunjukkan fit yang lebih baik dan berapa nilai GFI dapat diterima sebagai nilai yang layak
belum ada standarnya, tetapi banyak peneliti menganjurkan nilai di atas 90 sebagai ukuran good fit.
d. Root Mean Square Erorrs of Approximation RMSEA Root mean square error of approximination RMSEA
merupakan ukuran yang mencoba memperbaiki kecenderungan statistik chi-square menolak model dengan jumlah sampel yang besar.
Nilai RMSEA antara 0,05 sampai 0,08 merupakan ukuran yang dapat diterima. Hasil uji empiris RMSEA cocok untuk menguji model
konfitmatori atau competing model strategy dengan jumlah sampel besar.
2. Incremental Fit Measures Incremental fit measures membandingkan proposed model dengan
baseline model sering disebut dengan null model. Null model merupakan model realistic dimana model-model yang lain harus diatasnya.
a. Adjusted Goodness of Fit Index AGFI Adjusted Goodnbess of Fit Index AGFI merupakan
pengembangan dari GFI yang disesuaikan dengan ratio degree of freedom untuk propsed model dengan degree of freedom untuk null
model. Nilai yang direkomendasikan adalah
≥
0,90.
47
b. Tucker-Lewis Index TLI Tucker-Lewis Index atau dikenal dengan nonnormed fit index
NNFI. Pertama kali diusulkan sebagai alat untuk mengevaluasi analisis faktor, tetapi sekarang dikembangkan untuk SEM. Ukuran ini
menggabungkan ukuran parsimony kedalam indek komparasi antara proposal model dan null model dan nilai TLI berkisar dari 0 sampai
1.0. Nilai TLI yang direkomemdasikan adalah ≥ 0,90.
c. Normed Fit Index NFI Normed Fit Index merupakan ukuran perbandingan antara
proposed model dan null model. Nilai NFI akan bervariasi dari 0 no fit at all sampai 1.0 perfect fit. Seperti halnya TLI tidak ada nilai
absolute yang dapat digunakan sebagai standar, tetapi umumnya direkomendasikan
≥ 0,90. 3.
Parsimony Fit Measures Ukuran ini menghubungkan goodness-of-fit model dengan sejumlah
koefisien estimasi yang diperlukan untuk mencapai level fit. Tujuan dasarnya adalah untuk mendiagnose apakah model fit telah tercapai
dengan “overfitting” data yang memiliki banyak koefisien. Prosedur ini mirip dengan “adjustment” terhadap nilai R
2
didalam multiple regression. Namun demikian karena tidak ada uji statistic yang tersedia maka
penggunaannya hanya terbatas untuk membandingkan model.
48
a. Parsimony Goodness of Fit Index PGFI Parsimonious goodness-of-fit index PGFI memodifikasi GFI
atas dasar parsimony estimated model. Nilai PGFI berkisar antara 0 sampai 1.0 debngan nilai semakin tinggi menunjukkan model lebih
parsimony. b. Parsimony Normed Fit Index PNFI
Parsimonious normal fit index PNFI merupakan modifikasi dari NFI. PNFI memasukkan jumlahb degree of freedom yang digunakan
untuk mencapai level fit. Semakin tinggi nilai PNFI semakin baik. Kegunaan utama dari PNFI adalah untuk membandingkan model
dengan degree of freedom yang berbeda. Digunakan untuk membandingkan model alternative sehingga tidak ada nilai yang
direkomendasikan sebagai nilai fit yang diterima. Namun demikian jika membandingkan dua model maka perbedaan PNFI 0,60 sampai
0,90 menunjukkan adanya perbedaan model yang signifikan.
49
Tabel. 3.1 Standar Penilaian Kesesuaian
Fit
Sumber: Ghozali, 2008
Langkah 7: Interpretasi dan Modifikasi Model Ketika model telah dinyatakan diterima, maka peneliti dapat
mempertimbangkan dilakukannya modifikasi model untuk memperbaiki penjelasan teoritis atau goodness-of-fit. Modifikasi dari model awal harus
dilakukan setelah dikaji banyak pertimbangan. Jika model dimodifikasi, maka
Laporan Statistik
Nilai yang Direkomendasikan
Keterangan Absolut Fit
Prob.
2
χ
Tidak signifikan p 0,05
Model yang diusulkan cocokfit
dengan data observasi
2
χ df ≤ 5
2 - Ukuran yang
reasonable -Ukuran fit
RMSEA 0,1
0,05 0,01
0,05
≤ ≤ x
0,08 - good fit
- very good fit - outstanding fit
- reasonable fit GFI
≥ 0,9 good fit
Incremental Fit
AGFI ≥ 0,9
good fit TLI
≥ 0,9 good fit
NFI
≥
0,9 good fit
Parsimonious Fit
PNFI 0-1,0
lebih besar lebih baik
PGFI 0-1,0
lebih besar lebih baik
50
model tersebut harus di cross-validated diestimasi dengan data terpisah sebelum model modifikasi diterima.
E. Operasional Variabel Penelitian