responden untuk diisi menurut pendapat pribadi sehubungan dengan masalah yang diteliti dan kemudian untuk tiap jawaban diberikan nilai
skor.
3.5. Teknik Analisis Data dan Uji Hipotesis
Analisis statistik yang digunakan adalah dengan pendekatan kuantitatif dimana data pengamatan dipakai untuk mengestimasi parameter dan
pengujian hipotesis, untuk selanjutnya ditarik suatu kesimpulan. Untuk mencapai tujuan penelitian dan pengujian hipotesis, data yang diperoleh
selanjutnya diolah sesuai kebutuhan analisis dengan metode pemodelan persamaan structural Structural Equation Modeling, karena penelitian
bertujuan tidak hanya mengungkapkan hubungan kausalitas antara variable independent dengan variable dependen, tetapi juga untuk memeriksa
reliabilitas dan validitas pengukuran variable, dan pendugaan parameter pada setiap persamaan secara serentak untuk seluruh parameter.
Perhitungan dan pengujian hipotesis untuk mendukung teknik analisis dan pengolahan data pada penelitian ini, akan dilakukan dengan bantuan
software AMOS. Dalam pemodelan SEM Hair et al, 1998, dilakukan beberapa langkah proses berikut ini :
3.5.1. Uji Reliabilitas dan Validitas
Reliabilitas adalah ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
dimana masing-masing indikator itu mengindikasi sebuah konstruk umum. Validitas adalah menyangkut tingkat akurasi yang dicapai oleh sebuah
indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya diukur.
Construc reliability dan variance extracted dapat dihitung dengan rumus :
Construct Reliability =
Variance Extrcted =
Sementara dengan formula ε j = 1 standardize sementara, ε j dapat dihitung dengan formula ε j = 1 - standardize sementara. Secara umum,
nilai construct reliability yang dapat diterima adalah ≥ 0,7 dan variance
extracted ≥ 0,5 Hair et.al, 1998. Stan dardize loading dapat diperoleh dari
output AMOS 4.01, dengan melihat nilai estimasi setiap construct standardize regression weights terhadap setiap butir sebagai indikatornya.
3.5.2. Uji Outlier Univariat dan Multivariat
Outlier adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariat, yaitu yang muncul karena kombinasi
kharakteristik untuk yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya Ferdinand, 2002.
[ ∑Standardize Loading]
[ ∑Standardize Loading + ∑ ε j]
[ ∑[Standardize Loading] + ∑ ε j]
[ ∑Standardize Loading]
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
3.5.2.1. Uji Outlier Univariat
Deteksi terhadap Outlier Univariat dapat dilakukan dengan menentukan ambang batas yang akan dikategorikan sebagai outlier dengan
cara mengkonversi nilai data penelitian kedalam standard score atau yang bisa disebut dengan z-score, yang mempunyai rata-rata nol dengan standar
deviasi sebesar 1.00 Hair, et.al, 1995. Apabila nilai-nilai itu dinyatakan dengan format yang standard z-score, maka pertandingan antar besaran
nilai dengan mudah dapat dilakukan. Untuk sampel besar di atas 80 observasi, pedoman evaluasi adalah nilai ambang batas dari z-score itu
yang berada pada rentang 3 sampai dengan 4 Hair dkk, 1995 dalam Ferdinand, 2002. Oleh karena itu, apabila ada observasi-observasi yang
memiliki z-score ≥ 3,0 akan dikategorikan sebagai outlier.
3.5.2.2. Uji Outlier Multivariat
Evaluasi terhadap outlier multivariat perlu dilakukan karena walaupun data yang dianalisis menunjukkan tidak ada outlier pada tingkat univariat,
tetapi observasi itu dapat menjadi outlier bila sudah saling dikombinasikan. Jarak Mahalanobis The Mahalanobis distance untuk tiap observasi dapat
dihitung dan menunjukkan jarak sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional.
Uji terhadap multivariat dilakukan dengan menggunakan kriteria jarak Mahalanobis pada tingkat p 0.001. Jarak Mahalanobis itu dapat
dievaluasikan dengan menggunakan nilai X
2
pada derajat kebebasan
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
sebesar jumlah item yang digunakan dalam penelitian. Apabila jarak Mahalanobis lebih besar dari nilai X
2
tabel menunjukkan Outlier Multivariat.
3.5.2.3. Uji Normalitas Data
Sebaran data harus dianalisis dan untuk mengetahui apakah asuransi normalitas dipenuhi, maka data dapat diolah lebih lanjut pada path diagram.
Untuk menguji normalitas dan distribusi data yang digunakan dalam analisis, peneliti dapat menggunakan uji-uji statistik. Nilai statistik untuk menguji
normalitas itu disebut sebagai z-value yang dihasilkan melalui rumus berikut ini :
Nilai-z =
Apabila nilai z lebih besar dari nilai kritis atau critical rasio Ferdinand, 2000, maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai
kritis dapat ditentukan berdasarkan tingkat signifikasi yang dikehendaki. Misalnya bila nilai yang dihitung lebih besar dari ± 2,58 berarti kita dapat
menolak asumsi mengenai normalitas dan distribusi pada tingkat 0,01.
3.5.3. Analisis Path Menggunakan Pemodelan SEM Structural Equation Modelin
Sebuah pemodelan SEM yang lengkap pada dasarnya terdiri dari measurement model dan structural model. Measurement model atau model
skweness 6
√ N dimana N adalah ukuran sampel
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
pengukuran ditujukan untuk mengkonfirmasikan sebuah dimensi atau faktor berdasarkan indikator-indikator empirisnya. Structural model adalah
mengenai struktural hubungan yang membentuk atau menjelaskan kualitas antar faktor Ferdinand, 2002.
Beberapa langkah berikut untuk membuat pemodelan yang lengkap, yaitu :
a. Pengembangan model berbasis teori Langkah pertama dalam pengembangan model SEM adalah pencarian
atau pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat, setelah itu model tersebut divalidasi secara empirik melalui
program SEM. b. Pengembangan diagram alur untuk menunjukkan hubungan kualitas
Pada langkah kedua, model teoritis yang telah dibangun pada langkah pertama akan digambarkan dalam sebuah path diagram. Path diagram
tersebut akan memudahkan peneliti melihat hubungan-hubungan kausalitas yang ingin diujinya.
c. Konversi diagram alur Teori atau model yang telah dikembangkan dan digambarkan dalam
sebuah diagram alur, selanjutnya spesifikasi model dikonversikan kedalam rangkaian persamaan.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
d. Memilih model input dan estimasi model Perbedaan SEM dengan teknik multivariat lainnya adalah dalam input
data yang akan digunakan dalam pemodelan dan estimasinya. SEM hanya menggunakan matriks Varian’s kovarians atau matrik korelasi
sebagai data input keseluruhan estimasi yang dilakukan e. Menilai problem identifikasi
Problem identifikasi pada prinsipnya adalah problem mengenai ketidak mampuan dari model yang dikembangkan untuk menghasilkan estimasi
yang unik. Problem identifikasi dapat muncul melalui gejala-gejala berikut ini :
1. Standar untuk satu atau beberapa koefisien adalah sangat besar. 2. Program tidak mampu menghasilkan matrik informasi yang
seharusnya disajikan. 3. Muncul angka-angka yang aneh seperti adanya Varian’s error yang
negatif. 4. Muncul korelasi yang sangat tinggi antar korelasi estimasi yang
didapat misalnya lebih dari 0,9. f. Evaluasi model
Pada langkah ini kesesuaian model dievaluasi, melalui telaah terhadap berbagai kriteria goodness of fit. Kriteria-kriteria tersebut adalah :
1. Ukuran sampel yang dignakan adalah minimal berjumlah 100 dan dengan perbandingan 5 observasi untuk setiap estimasi parameter.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
2. Normalitas dan linearitas. 3. Outliers.
4. Multicolinierity dan singularity. Pengujian model dengan two step aproach digunakan untuk mengatasi
sampel data yang kecil jika dibandingkan dengan jumlah butir instrumen yang digunakan Harline dan Ferel, 1995. Keakuratan reliabititas
indikator-indikator terbaik dapat dicapai dengan two step approach ini, yang bertujuan untuk menghindari interaksi antar model pengukuran dan
model struktural pada one step approach Hair et.al, 1998. Yang dilakukan dalam two step approach to SEM adalah : Estimasi terhadap
measurement model dan estimasi terhadap structural model Anderson dan Gerbing, 1998. Cara yang dilakukan dalam menganalisis SEM
dengan two step approach sebagai berikut : a. Menjumlahkan skala butir-butir setiap konstruk menjadi sebuah
indikator summed scale bagi setiap konstruk. Jika terdapat skala yang berbeda setiap indikator tersebut distandarisasi z-score dengan
mean = 0, deviasi standar = 1, yang tuannya adalah untuk mengeliminasi pengaruh-pengaruh skala yang berbeda-beda tersebut
Hair et.al, 1998. b. Menetapkan error
ε dan lambda terms, error terms dapat dihitung dengan rumus 0,1 kali б
2
dan lambda terms dengan rumus 0,95 kali б Anderson dan Gerbing, 1998. Perhitungan construct reliability
α
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
telah dijelaskan pada bagian sebelumnya dan deviasi standar б dapat dihitung dengan bantuan program aplikasi statistik SPSS
Statistical Package For Social Science. Setelah error ε dan lambda terms diketahui, skor-skor tersebut dimasukkan sebagai parameter
fix pada analisis model pengukuran SEM.
3.5.4. Evaluasi Multicolinearity dan Singularity