47
3. Pencarian melalui Internet Internet Research Terkadang buku referensi atau literatur yang kita miliki atai pinjam
diperpustakaan tertinggal beberapa waktu atau tidak up to date, karena ilmu yang selalu berkembang, penulis melakukan penelitian dengan
teknologi yang berkembang, yaitu dengan internet sehingga data yang diperoleh up to date. Situs yang dikunjungi antara lain : www.bi.go.id,
www.google.com, dan lain-lain.
D. Metode Analisis
Analisis jalur yang dikenal dengan path analysis dikembangkan pertama tahun 1920-an oleh seorang ahli genetika yaitu Sewaal Wright.
Model path analisis digunakan untuk menganalisis pola hubungan antara variabel dengan tujuan untuk mengetahui pengaruh langsung maupun tidak
langsung seperangkat variabel bebas eksogen terhadap variabel terikat endogen.
Menurut Riduan dan Engkos 2008 dalam bukunya yang berjudul Cara menggunakan dan memakai Analisis Jalur mengatakan, model path
analisis jalur digunakan untuk menganalisis pola hubungan antara variabel dengan tujuan untuk mengetahui pengaruh langsung maupun tidak langsung
seperangkat variabel bebas eksogen terhadap variabel terikat endogen. Menurut Sambas 2007;221 analisis jalur path analysis
dikembangkan oleh Sewaal Wright pada tahun 1934 yang bertujuan untuk menerangkan akibat langsung dan tidak langsung seperangkat variabel,
48
sebagai variabel penyebab terhadap variabel lainnya yang merupakan variabel akibat.
Menurut Sugiyono 2007;297 analisis jalur merupakan pengembangan dari analisis regresi, sehingga analisis regresi dapat dikatakan sebagai bentuk
khusus dari analisis jalur regression is special case of path analysis. Analisis jalur digunakan untuk melukiskan dan menguji model hubungan
antara variabel yang berbentuk sebab akibat bukan hubungan interaktif. Dengan demikian dalam model hubungan antar variabel tersebut variabel
Eksogen Exegonous, dan variabel dependen yang disebut variabel Endogen Endogenous.
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. Imam Ghozali, 2008:21.
Analisis jalur merupakan pengembangan lebih lanjut dari analisis regresi berganda dan bivariat. Analisis 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
49 X
1
X
2
X
3
Y e
1
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
variabel intervening. Pengaruh total dapat diperoleh dengan menjumlahkan hubungan langsung dan tidak langsung. Imam Ghozali, 2008:93.
Dilihat dari kerangka berfikir 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
Y = YX
1
+ YX
2
+ YX
3
+
ε
1
Keterangan : Y
= ROA X
1
= CAR X
2
= NPL X
3
= LDR
ε
1
= Residual Error
50 X
1
X
2
X
3
Y Z
e
1
e
2
Substruktur II :
Gambar 3.2 Hubungan Kausal X
1
, X
2
, X
3
, dan Y Pada Z
Z = ZX
1
+ ZX
2
+ ZX
3
+ ZY +
ε
2
Keterangan : Z
= Kredit Investasi Y
= ROA X
1
= CAR X
2
= NPL X
3
= LDR
ε
2
= Residual Error
Selanjutnya dengan
menggunakan model
logaritma natural
formulasinya dapat dibentuk lebih nyata sebagai berikut Substruktur I : Y = YX
1
+ YX
2
+ YX
3
+
ε
1
Substruktur II : Z = ZX
1
+ ZX
2
+ ZX
3
+ ZY +
ε
2
Hair et. al 1998 dalam Imam Ghozali 2008:61 mengajukan tahapan pemodelan dan analisis persamaan struktural menjadi 7 tujuh langkah
yaitu: Langkah 1: Pengembangan Model Berdasar Teori
51
Model persamaan struktural didasarkan pada hubungan kausalitas, dimana perubahan satu variabel diasumsikan akan berakibat pada perubahan
variabel lainnya. Hubungan kausalitas dapat berarti hubungan yang ketat seperti ditemukan dalam proses fisik seperti dalam riset perilaku yaitu alasan
seseorang membeli produk tertentu. Kuatnya hubungan kausalitas antara dua variabel 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 variabel 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 struktural berbeda dari teknik analisis multivariate lainnya, PATH 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.
52
Teknik estimasi model persamaan struktural pada awalnya dilakukan dengan ordinary least square
OLS regression, tetapi teknik ini mulai digantikan oleh Maximum Likelihood Estimation ML yang lebih efisien dan unbiased
jika 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 struktural. 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,
53
apabila memiliki model fit yang baik pula. Tingkat kesesuaian model dalam buku Imam Ghozali 2008 terdiri dari:
1. Absolute Fit Measure
Absolute fit measure mengukur model fit secara keseluruhan baik
model struktural maupun model pengukuran secara bersamaan. a.
LikeliHood-Ratio Chi-Square Statistic Ukuran fundamental dari overall fit adalah likeliHood-ratio
chi-square
2
χ . Nilai chi-square yang tinggi relatif terhadap degree of freedom
menunjukkan bahwa matrik kovarian atau korelasi yang diobservasi dengan yang diprediksi berbeda secara nyata dan ini akan
menghasilkan 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 1977 dalam Imam Ghozali 2008 nilai ratio 5 lima atau kurang dari lima merupakan
ukuran yang reasonable. Peneliti lainnya seperti Byrne 1988 mengusulkan nilai ratio ini 2 merupakan ukuran fit.
54
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
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
statistic 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 Indes AGFI
Adjusted Goodnbess of Fit Index AGFI merupakan
pengembangan dari GFI yang disesuaikan dengan ratio degree of
55
freedom untuk propsed model dengan degree of freedom untuk null
model. Nilai yang direkomendasikan adalah ≥ 0,90. 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 indeks 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 al l 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 mendiagnosa 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 statistik yang tersedia maka penggunaannya hanya terbatas untuk membandingkan model.
56
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
dengan nilai semakin tinggi menunjukkan model lebih parsimony. b. Parsimony Normed Fit Index PNFI
Parsimonious Normal Fit Index PNFI merupakan modifikasi
dari NFI. PNFI memasukkan jumlah 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 alternatif 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
57
Tabel 3.1 Standar Penilaian Kesesuaian Fit
Laporan Statistik Nilai yang Direkomendasikan
Imam Ghozali 2008 Cut of value
Keterangan Absolut Fit
Probabilitas
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
Sumber : Imam 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
58
model tersebut harus di cross-validated diestimasi dengan data terpisah sebelum model modifikasi diterima.
E. Operasional Variabel