ANALISIS MODEL STRUKTURAL

C. ANALISIS MODEL STRUKTURAL

Analisis dalam penelitian ini menggunakan metode statistik Stuctural Equation Model (SEM). Pada prinsipnya, model struktural bertujuan untuk menguji hubungan sebab akibat dari hubungan variabel sehingga jika salah satu variabel diubah, maka terjadi perubahan pada variabel yang lain. Sealain itu analisis Stuctural Equation Model bertujuan untuk mengestimasi beberapa persamaan regresi terpisah akan tetapi masing masing mempunyai hubungan simultan atau bersaman. Dalam analisis ini dimungkinkan terdapat beberapa variabel dependen, dan variabel ini dimungkinkan menjadi variabel independen bagi variabel dependen yang lainnya.

Dalam studi ini, data diolah dengan menggunakan sofware khusus untuk analisis SEM yaitu Analysis of Moment Structure atau AMOS versi 16 Ada beberapa asumsi yang harus dipenuhi sebelum melakukan pengujian dengan pendekatan Structural Equation Model, yaitu:

1. Asumsi Kecukupan Sampel

Jumlah responden dalam penelitian ini sebanyak 150 responden. Dari seluruh kuesioner yang telah terisi, seluruhnya dapat digunakan dalam penelitian ini. Jumlah sampel ini memenuhi prosedur Maximum Likelihood Estimation yaitu penarikan sampel antara 100-200 sampel (Ghozali, 2008). Dan juga sesuai menurut pendapat Hair et al. (1998) yang mengemukakan tentang ukuran sampel yang tepat dalam penelitian adalah berjumlah minimal 100 hingga 200 sampel.

2. Asumsi Normalitas

Asumsi yang paling fundamental dalam analisis multivariate adalah normalitas yang merupakan bentuk distribusi data pada variabel matriks tunggal yang menghasilkan distribusi normal (Hair et al. dalam Ferdinand, 2002). Apabila asumsi normalitas tidak dipenuhi dan penyimpangan data normalitas tersebut besar maka akan menghasilkan hasil uji statistik yang bias.

Pengujian normalitas bertujuan untuk mengetahui apakah distribusi data mengikuti atau mendekati distribusi normal. Normalitas univariate dilihat dengan nilai critical ratio (c.r) pada skewness yaitu di bawah 2,58. Sedangkan normalitas multivariate dilihat pada assessment of normality baris bawah kanan yaitu nilai critical ratio (c.r) kurtosis dibawah 7 (Ghozali dan Fuad, 2008).

Normalitas univariate dan multivariate terhadap data yang digunakan dalam analisis ini diuji dengan menggunakan AMOS 16.0. Hasil Uji asumsi normalitas secara lengkap dapat dilihat pada Tabel IV.5.

Tabel IV.5 menjelaskan bahwa secara univariate data dalam penelitian ini termasuk non-normal yang ditunjukkan dengan terdapatnya nilai skewness >2,58. Nilai yang tertera pada pojok kanan bawah menandakan bahwa secara multivariate, data dalam penelitian ini termasuk non-normal karena memilki c.r kurtosis diatas 7 yaitu sebesar 22,604.

Tabel IV.5 Hasil Uji Normalitas

Assessment of normality (Group number 1)

c.r. kurtosis c.r. pi3

2,000 5,000 -1,369 -6,847

-,684 -1,710 pi1

-,890 -4,451

-,616 -1,539 ev1

2,000 5,000 -1,022 -5,111

-,283 -,707 ev4

-,871 -4,356

-,059 -,148 pq3

2,000 5,000 -1,172 -5,858

,800 1,999 pq2

2,000 5,000 -1,074 -5,368

2,000 5,000 -1,150 -5,751

-,047 -,116 ci2

2,000 5,000 -1,752 -8,762

-,786 -1,966 nfu5

-,499 -1,247 nfu4

-,611 -1,527 nfu3

-,340 -,850 nfu2

-,444 -1,109 nfu1

-,210 -,524 sc1

2,000 5,000 -1,297 -6,486

-,168 -,419 sc4

2,000 5,000 -1,168 -5,838

Sumber: data primer yang diolah, 2011

Analisis terhadap data yang tidak normal dapat mengakibatkan pembiasan intrepretasi karena nilai chi-square hasil analisis cenderung meningkat sehingga nilai probability level akan mengecil. Namun demikian, teknik Maximum Likelihood Estimates (MLE) yang digunakan dalam penelitian ini tidak terlalu sensitif terhadap oleh penyimpangan Analisis terhadap data yang tidak normal dapat mengakibatkan pembiasan intrepretasi karena nilai chi-square hasil analisis cenderung meningkat sehingga nilai probability level akan mengecil. Namun demikian, teknik Maximum Likelihood Estimates (MLE) yang digunakan dalam penelitian ini tidak terlalu sensitif terhadap oleh penyimpangan

3. Asumsi Outliers

Outliers adalah observasi yang muncul dengan nilai-nilai ekstrim yang memiliki karakteristik unik yang sangat berbeda dari observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk variabel tunggal maupun variabel kombinasi (Hair et al., 1998). 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. Outliers dapat dievaluasi dengan nilai mahalanobis distance dengan nilai degree of freedom sejumlah variabel yang dipergunakan dalam penelitian pada tingkat p < 0,001. Dalam hal ini variabel yang dimaksud adalah jumlah item pengukuran pada model.

Dalam penelitian ini jumlah indikator variabel yang digunakan sebanyak 23 indikator variabel. Dengan demikian, apabila terdapat nilai mahalanobis distance yang lebih besar dari χ 2 (23. 0,001) = 49,7282 maka nilai tersebut adalah outliers multivariate. Mahalanobis distance dapat dilihat pada tabel IV.6.

Tabel IV.6 Jarak Mahalanobis Data

Observations farthest from the centroid (Mahalanobis distance)

Observation

number

Mahalanobis d-

Sumber: data primer yang diolah, 2011

Tabel IV.6 menunjukkan bahwa terdapat nilai yang dikategorikan sebagai outliers karena nilai mahalanobis distance lebih dari 49,7282 yaitu pada data nomer 20, 46, 61 dan 62. Dalam pengujian sampel sebanyak 150 sampel, hanya terdapat empat nilai yang dikategorikan outliers . Dalam studi ini, outliers diputuskan untuk dikeluarkan karena outliers yang dikeluarkan dari analisis akan meningkatkan nilai goodness of fit dan akan menyebabkan perubahan pada nilai normalitas data sehingga mengeluarkan outliers dianggap pilihan yang tepat. Dengan demikian jumlah sampel yang akan digunakan sebanyak 146 sampel

4. Asumsi goodness-of-fit model

Sebelum menginterpretasi hasil pengujian hipotesis, terlebih dahulu menganalisis goodness-of-fit model. Hal ini dilakukan untuk memastikan bahwa model yang dikonstruksi mempunyai kesesuaian yang baik dengan setting yang digunakan sebagai obyek amatan melalui data yang diperoleh. Hasil pengujian goodness of fit model struktural secara lebih rinci disajikan pada table IV.7 berikut:

Tabel IV.7

Hasil Pengujian Goodness-of-Fit Model Indeks

Nilai Kritis

Hasil Keterangan

1 Chi-Square

(c2)

Mendekati nol 441,081

0,000 Kurang Baik

3 CMIN/DF

0,888 Kurang Baik

Kurang Baik

6 TLI

0,873 Kurang Baik

7 GFI

0,807 Kurang Baik

8 AGFI

0,760 Kurang Baik

Sumber: data primer yang diolah, 2011

Berdasarkan hasil goodness of fit model yang dapat dilihat pada tabel IV.7 diatas terlihat hasil pengukuran masing-masing kriteria goodness of fit model sebagai berikut:

0,000. Karena probability level ≤ 0,05 maka menunjukkan indikasi yang kurang baik. Dengan demikian, terdapat perbedaan antara matrik kovarian sampel dengan kovarian populasi yang diamati.

Normed Chi-Square (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 dengan jumlah koefisien-koefisien estimasi yang diharapkan untuk mencapai tingkat kesesuaian. Nilai CMIN/DF pada model ini adalah 1,987 merupakan indikasi yang baik karena memenuhi syarat nilai ≤ 2,0.

Comparative Fit Index (CFI) adalah indeks kesesuaian incremental yang membandingkan model yang diuji dengan null model. 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. Dengan memperhatikan nilai yang direkomendasikan ³ 0,95, maka nilai CFI sebesar 0,888 menunjukkan bahwa model ini memiliki kesesuaian yang kurang baik.

The Root Mean Square Error of Approximation (RMSEA) adalah indeks yang digunakan untuk mengkompensasi nilai Chi- The Root Mean Square Error of Approximation (RMSEA) adalah indeks yang digunakan untuk mengkompensasi nilai Chi-

Tucker Lewis Index (TLI) merupakan alternatif incremental fit index yang membandingkan model yang diuji dengan baseline model. TLI merupakan indeks kesesuaian model yang kurang dipengaruhi oleh ukuran sampel. Nilai yang direkomendasikan ³ 0,95, dapat disimpulkan bahwa model menunjukkan tingkat kesesuaian yang kurang baik dengan nilai TLI sebesar 0,873.

Goodness of fit index – GFI mencerminkan tingkat kesesuaian model secara keseluruhan. Dengan tingkat penerimaaan yang

direkomendasikan GFI ³ 0,90, model memiliki nilai GFI sebesar 0,807 sehingga dapat dikatakan memiliki tingkat kesesuaian model yang kurang baik.

Adjusted goodness of fit index – AGFI sebagai pengembangan indeks dari GFI, merupakan indeks yang telah disesuaikan dengan rasio degree of freedom model yang diusulkan dengan degree of freedom dari null model . Dengan nilai penerimaan yang direkomendasikan AGFI ³ 0,90, model memiliki nilai AGFI sebesar

0,760 sehingga dapat dikatakan memiliki tingkat kesesuaian yang kurang baik.

Kesimpulan dari keseluruhan pengukuran hasil Goodness of Fit model yang disajikan pada table IV.7 diatas mengindikasikan Kesimpulan dari keseluruhan pengukuran hasil Goodness of Fit model yang disajikan pada table IV.7 diatas mengindikasikan

5. Modifikasi

Salah satu tujuan modifikasi model adalah untuk mendapatkan kriteria goodness of fit dari model yang dapat diterima. Melalui nilai modification indices dapat diketahui ada tidaknya kemungkinan modifikasi terhadap model yang dapat diusulkan. Modification indices dapat diketahui dari output Amos versi 16.0. yang menunjukkan hubungan-hubungan yang perlu diestimasi yang sebelumnya tidak ada dalam model supaya terjadi penurunan pada nilai chi-square untuk mendapatkan model penelitian yang lebih baik.

Modifikasi model dengan menggunakan modification indices dilakukan dengan melakukan korelasi antar error term yang tidak memerlukan justifikasi teoritis dan yang memiliki nilai modification indices lebih besar atau sama dengan 4,0 sampai nilai goodness of fit yang memenuhi syarat. Selain itu peneliti juga melakukan modifikasi model dengan menggunakan modification indices yang dilakukan dengan menambah hubungan antar variabel penelitian seperti yang direkomendasikan pada modification indices. Hal ini dilakukan karena model penelitian dianggap belum dapat diterima dengan baik.

dimodifikasi.

Tabel IV.8 Hasil Goodness-of-Fit Setelah Modifikasi Model

Indeks

Nilai Kritis

Hasil Keterangan

1 Chi-Square

Mendekati nol 213,963

3 CMIN/DF

Sumber: data primer yang diolah, 2011

Pada Tabel IV.8 dapat dilihat hasil pengujian Goodness of Fit model yang sudah dilakukan modifikasi. Nilai chi-square bernilai 213,963 dengan degree of freedom 196 adalah signifikan secara statistic pada level signifikansi 0,000. Probabilitas sebesar 0,180 merupakan indikasi yang baik. Hal ini mengindikasikan bahwa tidak ada perbedaan signifikan antara matriks kovarian data dan matriks kovarian yang diestimasi. Dari Tabel IV.8 dapat dilihat pula nilai Goodness of Fit Index (GFI) sebesar 0,895 yang mengindikasikan model diterima. The Root Mean Square Error of Approximation (RMSEA) menunjukkan nilai 0,025 yang mengindikasikan baik. Adjusted Goodness of Fit Index (AGFI) menunjukkan nilai 0,852 yang Pada Tabel IV.8 dapat dilihat hasil pengujian Goodness of Fit model yang sudah dilakukan modifikasi. Nilai chi-square bernilai 213,963 dengan degree of freedom 196 adalah signifikan secara statistic pada level signifikansi 0,000. Probabilitas sebesar 0,180 merupakan indikasi yang baik. Hal ini mengindikasikan bahwa tidak ada perbedaan signifikan antara matriks kovarian data dan matriks kovarian yang diestimasi. Dari Tabel IV.8 dapat dilihat pula nilai Goodness of Fit Index (GFI) sebesar 0,895 yang mengindikasikan model diterima. The Root Mean Square Error of Approximation (RMSEA) menunjukkan nilai 0,025 yang mengindikasikan baik. Adjusted Goodness of Fit Index (AGFI) menunjukkan nilai 0,852 yang