50
D. Metode Analisis Data
Analisis data yang digunakan dalm penelitian ini yaitu dengan menggunakan metode persamaan struktur Stuctural Equation Modeling
dengan bantuan aplikasi program AMOS versi 18. Karena penelitian ini menggunakan lebih dari satu indikator untuk mewakili satu variabel yang
memiliki hubungan kompleks antara variabel-variabelnya, maka tidak dapat menggunakan analisis regresi berganda.
Tahapan dalam menganalisis masalah penelitian ini adalah sebagai berikut:
1. Identifikasi Variabel
Penelitian ini menggunakan variabel diantaranya adalah sebagai berikut: a.
Variabel Laten Dalam SEM, variabel kunci yang menjadi perhatian adalah variabel
laten Wijayanto, 2008: 10. Variabel laten ini hanya dapat diamati secara tidak langsung dan tidak sempurna melalui efeknya pada
variabel teramati. Variabel ini dibedakan menjadi dua: 1
Variabel Eksogen 2
Variabel Endogen 2.
Structural Equation Modelling SEM SEM adalah generasi kedua teknik analisis multivariate Bagozzi dan
Fornell, 1982 dalam Bahagia, 2007 yang memungkinkan peneliti menguji hubungan anatara variabel yang kompleks untuk memperoleh
gambaran menyeluruh mengenai keseluruhan model. Selain itu menurut
51
Bollen 1989 dalam Bahagia 2007 SEM juga dapat menguji secara bersama-sama:
a. Model Structural, yaitu hubungan nilai loading antara variabel laten.
b. Model Measurement, yaitu hubungan nilai loading antara indikator dengan variabel lainnya.
Hair et.al 1998 dalam Ghozali 2008 mengungkapkan tahapan permodelan dan analisis persamaan struktural menjadi 7 tujuh langkah
yaitu: a.
Langkah 1: Pengembangan model berdasar teori. 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 atau hubungan yang kurang ketat. Kuatnya hubungan kausalitas antara dua variabel yang diasumsikan
terletak pada justifikasi pembenaran secara teoritis untuk mendukung analisis.
b. 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 yaitu menghubungkan konstruk laten
endogen atau eksogen dengan variabel indikator atau manifest.
52
Ketika measurement model telah terspesifikasi, maka peneliti harus menentukan reabilitas dari indikator. Reabilitas indikator dapat
dilakukan dengan dua cara a diestimasi secara empiris b dispesifikasi.
Disamping menyusun model juga dapat dilakukan spesifikasi korelasi antara konstruk eksogen atau antara konstruk endogen
sehingga dapat menggambarkan “Share” pengaruh antar konstruk. c.
Langkah 4: Memilih jenis input matrik dan estimasi model yang diusulkan.
Model persamaan struktural berbeda dari teknis analisis multivariate lainnya, SEM hanya menggunakan data input berupa
matrik varian kovarian atau matrik korelasi. Data mentah observasi individu dapat dimasukan 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. Pemilihan jenis input matrik dan model dapat dilakukan
dengan melihat pada hal-hal sebagai berikut: 1
Ukuran sampel Besarnya ukuran sampel memiliki peran penting dalam
interpretasi hasil SEM. Ukuran sampel memberikan dasar untuk mengestimasi sampling eror. Dengan model estimasi
53
menggunakan Heywood Case dengan menggunakan 100 atau 150 banyaknya jumlah sample.
2 Estimasi model
Dalam langkah ini memungkinkan kita untuk menggambarkan sifat dan jumlah parameter yang diestimasi.
d. Langkah 5: Menilai identifikasi model struktural.
Menilai apakah model just-identified, overidentified atau underidentified dapat dilakukan dengan menghitung jumlah data
kovarian dan varian dibandingkan dengan jumlah parameter yang akan diestimasi.
e. Langkah 6: Menilai Kriteria Goodness-of-Fit.
Langkah yang harus dilakukan sebelum menilai kelayakan dari model struktural adalah menilai apakah data yang akan diolah
memenuhi asumsi model persamaan struktural. Ada tiga asumsi dasar seperti halnya pada teknik multivariate yang lain yang harus
dipenuhi untuk dapat menggunakan model persamaan struktural, yaitu:
1 Observasi data independen. 2 Responden diambil secara random.
3 Memiliki hubungan linear. Disamping itu SEM sangat sensitive terhadap karakteristik
distribusi data khususnya distribusi yang melanggar normalitas multivariate atau adanya kurtosis yang tinggi kemencengan
54
distribusi dalam data. Untuk itu sebelum data diolah harus diuji dahulu ada tidaknya data outlier dan distribusi data harus normal
multivariate. Setelah asumsi SEM dipenuhi langkah berikutnya adalah
melihat ada tidaknya offending estimate yaitu estimasi koefisien baik dalam model struktural maupun model pengukuran yang nilainya
diatas batas yang dapat diterima. Contoh dari sering terjadi offending estimate adalah:
1 Varian error yang negatif atau non significant error variance untuk suatu konstruk.
2 Standardized coefficient yang mendekati 1.0. 3 Adanya standar error yang tinggi.
Jika terjadi offending estimate, maka peneliti harus menghilangkan hal ini terlebih dahulu sebelum melakukan penilaian
kelayakan model. Setelah yakin tidak ada lagi offending estimate dalam model, maka peneliti siap melakukan penilaian overall model
fit dengan berbagai kriteria penilaian model fit. Goodness of fit mengukur kesesuaian input observasi atau sesungguhnya matrik
kovarian atau korelasi dengan prediksi dari model yang diajukan proposed model. Ada tiga jenis ukuran Goodness-of-fit yaitu:
55
1 Absolut Fit Measures
a Likelihood-Ratio Chi-Square Statistic
ukuran fundamental dari overall fit adalah likelihood-ratio chi-square X
2
. Nilai chi-square yang tinggi relative terhadap degree of freedom menunjukan bahwa korelasi
yang diobservasi dengan yang diprediksi berbeda secara nyata dan ini menghasilkan probabilitas p lebih kecil dari
tingkat signifikasi α dan ini menunjukan 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 karena mengharapkan bahwa model yang
diusulkan cocok atau fit dengan data observasi. b CMIN
Adalah menggambarakan perbedaan antara unrestricted sample covariance dan restricted covariance atau secara
esensi menggambarkan likelihood ratio test statistic yang umumnya dinyatakan dalam chi-square X
2
statistic. Jadi nilai chi-square sangat sensitif terhadap besarnya sample.
Ada kecenderungan nilai chi-square akan selalu signifikan. Oleh karena itu jika nilai chi- square signifikan, maka
dianjurkan untuk mengabaikan dan melihat goodness fit lainnya.
56
c 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 Ghozali 2007 nilai ratio 5 lima atau kurang dari lima merupakan ukuran yang reasonable.
d GFI GFI Goodness of fit index dikembangkan oleh Joreskog
dan Sorbon 1984 dalam Ghozali 2007 yaitu ukuran non- statistik yang nilainya berkisar dari 0 poor fit sampai 1.0
perfect fit. Nilai GFI yang tinggi menunjukan fit yang lebih baik dan beberapa nilai GFI yang dapat diterima
sebagai nilai yang layak belum ada standarnya, tetapi banyak peneliti manganjurkan nilai diatas 90 sebagai
ukuran good fit. e RMSEA
Root Mean Square Error of Approximation RMSEA merupakan
ukuran yang
mencoba memperbaiki
kecenderungan statistik chi- square menolak model dengan jumlah sample yang besar. Nilai RMSEA antara 0.05
sampai 0.08 merupakan ukuran yang dapat diterima. Hasil uji empiris RMSEA cocok untuk menguji model
57
konfirmatori atau competing model strategy dengan jumlah sampel besar.
2 Incremental Fit Measures Incremental fit measure membandingkan proposed model
dengan baseline model sering disebut dengan null model. Nul model merupakan model realistis dimana model-model yang
lain harus diatasnya. a AGFI
Merupakan pengembangan dari GFI yang disesuaikan dengan ratio degree of freedom untuk proposed model
dengan degree of freedom untuk null model. Nilai yang direkomendasikan adalah ≥0,90.
b TLI Tucker-Lewis Index atau dikenal dengan nonnormed fit
index NNFI pertama kali diusulkan sebagai alat untuk mengevaluasi analisis faktor, tetapi sekarang dikembangkan
oleh SEM. Ukuran ini menggabungkan ukuran parsimony kedalam indek komparasi antara proposed model dengan
null model dan nilai TLI berkisar dari 0 sampai 1.0. nilai TLI yang direkomendasikan adalah ≥ 0.90.
c NFI Normed Fit Index merupakan ukuran perbandingan antara
proposed model dan null model. Nilai NFI akan bervariasi
58
dari 0 no fit all sampai 1 perfect fit. Seperti halnya TLI tidak ada nilai absolut yang dapat digunakan sebagai
standar, tetapi umumnya direkomendasikan sama atau 0.90.
3 Parsimonious 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 dimiliki banyak koefisien. Prosedur ini mirip dengan “adjustment”
terhadap R
2
dalam multiple regression. Namun demikian karena
tidak ada
uji statistik
yang tersedia
maka penggunaannya hanya terbatas untuk membandingkan model.
a PNFI Parsimonious normal fit index merupakan modifikasi dari
NFI. PNFI memasukan jumlah degree of freedom yang digunakan untuk mencapai level fit. Semakin tinggi 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. Namum demikian jika membandingkan dua model maka perbedaan PNFI 0.60
59
sampai 0.90 menunjukan adanya perbedaan model yang signifikan.
b PGFI Parsimonious goodness-of-fit index memodifikasi GFI atas
dasar parsimony estimated model. Nilai PGFI berkisar antara 0 sampai 0.1 dengan nilai semakin tinggi
menunjukan model lebih baik untuk parsimony.
Tabel 3.1 Kriteria Uji Kesesuaian Model
Indikator Fit Nilai
yang Direkomendasikan
Evaluasi Model Absolute Fit
Chi-Square Mendekati 0
Marginal CMIN
≤ 2.00 Good Fit
CMINDF ≤ 5.00
Good Fit GFI
≥ 1 Perfect Fit
Poor Fit RMSEA
≤ 0.08 0.05
Good Fit Close Fit
AGFI ≥ 0.91
0.80 ≤ GFI 0.90 Good Fit
Marginal Fit
Incremental Fit
AGFI ≥ 0.90
0.80 ≤ GFI 0.90 Good Fit
Marginal Fit NNFI or Tucker
Lewis Index TLI TLI ≥ 0.90
0.80 ≤ TLI 0.90 Good Fit
Marginal Fit NFI
NFI ≥ 0.90 0.80 ≤ NFI 0.90
Good Fit Marginal Fit
Parsimonious Fit
PNFI 0 – 1
Lebih besar lebih baik
PGFI 0 – 1
Lebih besar lebih baik
Sumber : diolah dari berbagai sumber
60
f. Langkah 7: Interpretasi dan modifikasi model.
Ketika model dinyatakan diterima, maka peneliti dapat mempertimbangkan
dilakukannya modifikasi
model untuk
memperbaiki penjelasan teoritis atau goodness fit. Modifikasi dari model awal harus dilakukan setelah dikaji banyak pertimbangan.
Jika model dimodifikasi, maka model tersebut hasrus di cross- validated
diestimasi dengan data terpisah sebelum model modifikasi diterima.
Modifikasi model dapat dilakukan dengan membuat
konstrain model dengan memberikan nilai positif kecil untuk error term tertentu atau menghapuskan data outlier, membuat transformasi
data nonlinier, memastikan bahwa paling tidak ada 3 indikator per- variabel leten, mengumpulkan tambahan sampel, atau dapat juga
mengganti model estimasi dari maximum likelihood menjadi generalized least squares GLS atau ordinary least squares OLS.
Selain itu juga dapat dengan menggunakan modification indices, nilai modification indices sama dengan terjadinya penurunan chi-
square jika koefisien diestimasi. Nilai sama dengan atau 3.84 menunjukan terjadi penurunan chi- square yang singnifikan.
61
Tabel 3.2 Tahapan Structural Equation Modelling
No Tahapan
1 Pengembangan model berdasar teori
2 Menyusun diagram jalur
3 Menyusun persamaan structural
4 Memilih jenis input matrik dan estimasi model yang
diusulkan 5
Menilai identifikasi model structural 6
Menilai Kriteria Goodness-of-Fit 7
Interpretasi dan modifikasi model Sumber : diolah dari berbagai sumber
E. Operasional Variabel Penelitian