Jenis Data Teknik Analisis

43 3. Tergantung pada jumlah indikator yang digunakan dalam seluruh variabel laten. Jumlah sampel adalah jumlah indikator dikali 5 sampai 10. bila terdapat 20 indikator, besarnya sampel adalah antara 100-200. Untuk penelitian ini jumlah sampel yang diambil sebanyak 112.

3.3. Jenis Data

A. Data Primer Data primer yaitu data yang diperoleh dari tangan pertama oleh peneliti yang berkaitan dengan variabel minat untuk tujuan spesifik studi. Data primer dapat diperoleh dari responden individu, kelompok fokus dan panel yang secara khusus ditentukan peneliti. B. Data Sekunder Data sekunder yaitu data yang diperoleh atau dikumpulkan dari sumber yang telah ada misalnya catatan atau dokumentasi perusahaan, publikasi, analisis industri oleh media, situs Web, Internet dan sebagainya.

3.3.1. Pengumpulan Data

a. Kuesioner Pengumpulan data dengan kuesioner membantu untuk membangun hubungan dengan responden ketika memperkenalkan survei, memberikan klarifikasi yang diminta oleh responden langsung di tempat dan mengumpulkan kuesioner segera setelah diisi. Adanya kontak langsung antara peneliti dan responden akan menciptakan suatu kondisi yang cukup 44 baik sehingga responden dengan sukarela akan memberikan data atau jawaban yang obyektif dan cepat. b. Dokumentasi Pengumpulan data dilakukan dengan cara mencatat data, dokumen atau arsip dan mempelajari hal-hal yang diperlukan untuk penelitian.

3.4. Teknik Analisis

Teknik analisis data yang dipergunakan didalam penelitian ini adalah teknik Structural Equation Modeling SEM. SEM merupakan sekumpulan teknik-teknik statistikal yang memungkinkan pengujian sebuah rangkaian hubungan yang relatif “rumit” secara simultan. Ferdinand, 2002 : 6. Sebuah pemodelan SEM yang lengkap pada dasarnya terdiri dari Measurement Model dan Structural Model. Measurement Model atau model pengukuran ditujukan untuk mengkonfirmasi sebuah dimensi atau faktor berdasarkan indikator empirisnya. Structural model adalah model mengenai struktur hubungan yang membentuk atau menjelaskan kausalitas antara faktor. Menurut Ferdinand 2002:24 untuk membuat permodelan yang lengkap terdapat beberapa langkah yaitu : 1. Pengembangan Model Berbasis Teori Dalam pengembangan model teoritis, seorang peneliti harus melakukan serangkaian eksplorasi ilmiah melalui telaah pustaka 45 yang intens guna mendapatkan justifikasi atas model teoritis yang dikembangkan. 2. Pengembangan diagram alur untuk menunjukkan hubungan kausalitas. Model teoritis yang telah dibangun pada langkah pertama akan digambarkan dalam sebuah path diagram diagram alur. Path diagram diagram alur akan mempermudah peneliti melihat hubungan-hubungan kausalitas yang ingin diuji. 3. Konversi diagram alur kedalam serangkaian persamaan struktural dan spesifikasi model pengukuran. Peneliti dapat mulai mengkonversi spesifikasi model tersebut ke dalam rangkaian persamaan. Persamaan yang akan dibangun terdiri dari : a. Persamaan struktural structural equations. Persamaan ini dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk. b. Persamaan spesifikasi model pengukuran measurement model. Peneliti menentukan variabel mana mengukur konstruk mana serta menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesakan antar konstruk atau variabel. 46 4. Memilih matriks input dan estimasi model SEM hanya menggunakan matrik varianskonvarians atau matrik korelasi sebagai data input untuk keseluruhan estimasi yang digunakan. 5. Menilai problem identifikasi Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan yang unik. Problem identifikasi dapat muncul melalui gejala berikut : a. Standard error untuk satu atau beberapa koefisien adalah sangat besar. b. Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan. c. Muncul angka-angka yang aneh seperti adanya varians error yang negatif. d. Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat. 6. Evaluasi Model Pada langkah ini kesuksesan model dievaluasi melalui telaah terhadap berbagai kriteria goodness of fit. Hal ini ditunjukkan oleh kerangka hubungan kausalitas sebagai berikut : 47 7. Interpretasi dan Modifikasi Model Menginterpretasikan model dan memodifikasikan model bagi model-model yang tidak memenuhi syarat pengujian yang dilakukan.

3.4.1. Confimatory Factor Analysis

Model pengukuran variabel bebas dan terikat dalam penelitian ini menggunakan Confimatory Factor Analysis. Pada Confimatory Factor Analysis atau CFA peneliti menggunakan variabel-variabel yang diteliti untuk mendefinisikan sebuah faktor yang tidak dapat diukur secara langsung. Analisis atas indikator-indikator yang digunakan itu memberi makna atas label yang diberikan pada variabel laten atau faktor laten yang dikonfirmasi itu.

3.4.2. Asumsi Model

a. Uji Normalitas dan Linearitas Sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk permodelan SEM ini. Normalitas dapat diuji dengan melihat gambar histogram data dapat diuji dengan metode-metode statistik. Uji normalitas ini perlu dilakukan baik untuk normalitas terhadap data tunggal maupun normalitas multivariant dimana beberapa variabel digunakan sekaligus dalam analisis akhir uji linearitas dapat dilakukan dengan mengamati scatterplots dari data yaitu dengan memilih pasangan data dan dilihat pola 48 penyebarannya untuk menduga ada tidaknya linearitas. Ferdinand, 2002 : 52. b. Outliers Outliers adalah observasi yang muncul dengan nilai-nilai ekstrem baik secara invariant maupun multivariant yaitu yang muncul karena kombinasi kharakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya. Outliers pada dasarnya dapat muncul dalam 4 kategori : 1. Outliers muncul karena kesalahan prosedur. 2. Outliers muncul karena keadaan yang benar-benar khusus yang memungkinkan profil aktanya lain daripada yang lain. 3. Outliers muncul karena adanya sesuatu alasan tetapi peneliti tidak dapat mengetahui apa penyebabnya. 4. Outliers dapat muncul dalam mengenali yang ada, tetapi bila dikombinasi dengan variabel lainnya. Kombinasinya menjadi tidak lazim atau sangat ekstrim atau yang biasa disebut multivariate outlier. Perlakuan terhadap outliers dilakukan bergantung pada bagaimana outlier itu muncul. Dalam analisis ini outliers dapat dievaluasi dengan dua cara yaitu analisis terhadap univariate outliers dan analisis terhadap multivariate outliers. 49 1. Univariate Outlier Deteksi terhadap adanya outlier univariate dapat dilakukan dengan menentukan nilai ambang batas yang akan dikategorikan sebagai outliers dengan cara mengkonversi nilai data penelitian ke dalam standart score atau yang biasa disebut Z-score yang mempunyai rata- rata nol dengan standar deviasi sebesar satu. Oleh karena itu kasus atau observasi yang mempunyai Z-score 30 akan dikategorikan sebagai outliers. Ferdinand, 2002 : 98. 2. Multivariate Outlier Evaluasi terhadap multivariate outliers perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate, tetapi observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak Mahalanobis the Mahalanobis distance untuk tiap observasi dapat dihitung dan akan menunjukkan jarak sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional Hair dkk, 1995. Uji terhadap outliers multivariate dilakukan dengan menggunakan kriteria jarak Mahalanobis pada tingkat P 0,001. jarak Mahalanobis itu dievaluasi dengan menggunakan X 2 pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian itu. Ferdinand, 2002 : 102. 50 c. Multicolinearity dan Singularity Multikolinearitas dapat dideteksi dan determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil extremely small memberi indikasi adanya problem multikolinearitas atau singularitas. d. Uji Validitas dan Reliabilitas Validitas berhubungan dengan apakah suatu variabel mengukur apa yang seharusnya diukur. Seperti yang dikutip dari Wijanto 2008:65 yaitu bagaimana mendefinisikan cara untuk menguji validitas adalah dengan melihat standard factor loadings muatan factor standar variabel-variabel teramati indikator terhadap variabel laten faktor merupakan estimasi validitas variabel-variabel teramati tersebut . Sedangkan reliabilitas adalah ukuran mengenai konsistensi internal dari indikator-indikator suatu konstruk yang menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah konstrukfaktor laten yang umum Ferdinand, 2002 : 62. Reliabilitas diuji dengan construct reliability dan variance extracted. construct reliability dan variance extracted dapat dihitung dengan rumus sebagai berikut : Construct reliability = j loading std loading std ε Σ + Σ Σ 2 2 Variance extracted = j loading std loading std ε Σ + Σ Σ 2 2 51 Hair et.al 1998 menyatakan bahwa sebuah konstruk mempunyai reliabilitas yang baik adalah jika : • Nilai Construct Reliability CR nya 0,70 • Nilai Variance Extracted VE nya 0,50

3.4.3. Pengujian Model dengan One Step Approach

Salah satu keunggulan dan SEM dibandingkan metode regresi akan metode multivariate yang lain adalah penerapan prosedur SEM secara sekaligus terhadap sebuah model hybrid full SEM kombinasi antara model pengukuran dan model struktural. Penerapan prosedur SEM ini dikenal sebagai One Step Approach Wijanto, 2008 : 68.

3.4.4. Pengujian Model dengan Two – Step Approach

Permodelan SEM juga dapat dilakukan dengan pendekatan dua langkah two step approach yaitu pertama mengembangkan model pengukuran dan kedua adalah model struktural. Hal ini karena measurement model dilakukan untuk menghasilkan penilaian mengenai validitas konvergen convergent validity dan validitas diskriminan discriminate validity sedangkan model struktural menyajikan penilaian mengenai validitas prediktif predictive validity Ferdinand, 2002 : 24.

3.4.5. Evaluasi Model

Hair, et.al., 1998 yang dikutip dari Wijanto 2008:67 menjelaskan pola “ Confirmatory “ menunjukkan prosedur yang untuk mengevaluasi utilitas hipotesis-hipotesis dengan pengujian fit antara model teoritis dan data empiris. Jika model teoritis menggambarkan “good fit” dengan data, 52 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 “poor fit”. Jadi “good fit” model yang diuji sangat penting dalam penggunaan Structural Equation Modelling. Dalam analisis SEM tidak ada alat uji ststistik tunggal untuk mengukur atau menguji hipotesis mengenai model. Beberapa indeks kesesuaian dan cut off value untuk digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak adalah : 1. X 2 – Chi Square Statistic Chi square bersifat sangat sensitif terhadap besarnya sampel yang digunakan. Model yang diuji dipandang baik atau memuaskan bila nilai chi squarenya rendah. Atau dengan kata lain peneliti berusaha memperoleh nilai X 2 yang rendah yang menghasilkan significance level lebih besar atau sama dengan 0,05 P 0,05. Semakin kecil nilai X 2 semakin baik model itu karena dalam uji beda chi square X 2 = 0 berarti benar-benar tidak ada perbedaan Ho diterima dan diterima berdasarkan probabilitas dengan cut off value sebesar p 0,05 atau p 0,10. 2. RMSEA The Roof Mean Square Error of Approximation RMSEA adalah sebuah indeks yang dapat digunakan untuk mengkompensasi chi square statistic dalam sampel yang besar. Nilai 53 RMSEA yang lebih kecil atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan degrees of freedom. 3. GFI Goodness of Fit index Indeks kesesuaian fit index ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang dijelaskan oleh matriks kovarians populas yang terestimasikan. Nilai GFI berkisar antara O poorfit sampai perfect fit dan nilai GFI 0,90 merupakan good fit kecocokan yang baik, sedangkan 0,80 GFI 0,90 sering disebut sebagai marginal fit Wijanto, 2008 : 53. 4. AGFI Adjusted Goodness of Fit Indeks 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 tertimbang dari varians dalam sebuah matriks kovarians sampel. Nilai sebesar 0,95 dapat diinterpretasikan sebagai tingkatan yang baik good overall model fit baik sedangkan besaran nilai antara 0,90 – 0,95 menunjukkan tingkatan cukup adequate. 5. CMINDF The minimum sample discrepancy function CMIN dibagi dalam degree of freedomnya akan menghasilkan indeks CMINDF. Dalam hal lain adalah statistik chi square X 2 dibagi DF nya sehingga disebut 54 X 2 relatif. Nilai X 2 relatif kurang dari 20 atau bahkan kadang kurang dari 30 adalah indikasi dari acceptable fit antara model dan data. 6. TLI Tucker Lewis Index TLI Tucker Lewis Index adalah sebuah alternatif incremental fit index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan 0,95 dan nilai yang sangat mendekati menunjukkan a very good fit. 7. CFI Comparative Fit Index Besaran indeks ini adalah pada rentang nilai sebesar 0-1, dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi a very good fit. Nilai yang direkomendasikan 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. 55 Tabel 3.1. Tabel Goodness of Fit Indices Goodness of Fit Index Keterangan Cut – Off Value X 2 – Chi square Menguji apakah covariance populasi y ang diestimasi sama dengan covariance sample apakah model sesuai dengan data Diharapkan kecil 1 sampai dengan 5 atau paling baik diantara 1 dan 2 Probability Uji signifikansi terhadap perbedaan matriks covariance data dan matriks covariance yang diestimasi Minimum 0,1 atau 0,2 atau 0,05 RMSEA Mengkompensasi kelemahan chi-square pada sample besar 0,08 GFI Menghitung proporsi tertimbang varians dalam matriks sample yang dijelaskan oleh matriks covarians populasi yang diestimasi analog dengan R 2 dalam regresi berganda 0,90 AGFI GFI yang disesuaikan dengan DF 0,90 CMINDDF Kesesuaian antara data dan model 2,00 TLI Pembandingan antara model yang diuji terhadap baselin model 0,95 CFI Uji kelayakan model yang tidak sensitive terhadap besarnya sampel dan keunikan. 0,95 Sumber : Hair et.al., [1998]

BAB IV PEMBAHASAN