Perubahan laba = γ1Rasio Likuiditas + γ2Rasio Aktiva Produktif + 3.16
γ3Rasio Rentabilitas + γ4Rasio Solvabilitas + ζ1 DPR
= γ1Rasio Likuiditas + γ2Rasio Aktiva Produktif + 3.17
γ3Rasio Rentabilitas + γ4Rasio Solvabilitas + ζ2 DPR
= β5Perubahan Laba + ζ3
3.18 DPR
= γ1Rasio Likuiditas + γ2Rasio Aktiva Produktif + 3.19 γ3Rasio Rentabilitas + γ4Rasio Solvabilitas +
β5Perubahan Laba + ζ4
3.7.3 Pengujian Asumsi Model SEM
Prinsip uji hipotesis asumsi model, yaitu asumsi yang berkaitan dengan model dan asumsi yang berkaitan dengan pendugaan parameter
dan pengujian hipotesis yang dijelaskan berikut. 1.
Asumsi normalitas sebaran, yaitu data yang akan dianalisis variabel latent dengan menyebar normal normal ganda. Dengan
sampel yang besar 100, asumsi ini tidak terlalu kritis, landasannya adalah Dalil Limit Pusat Central Limit Theorm, yaitu jika n
sample size besar maka statistik dari sampel tersebut akan mendekati distribusi normal walaupun populasi dari mana sampel
tersebut diambil tidak terdistribusi normal. 2.
Analisis Multicollinearity dan singularity Untuk mengetahui apakah pada data penelitian terdapat
multikolineritas multicollinearity atau singularitas singularity dalam kombinasi-kombinasi variabel, maka yang perlu diamati adalah
determinan dari matrik kovarians sampelnya. Determinan yang kecil
Universitas Sumatera Utara
atau mendekati nol mengindikasikan adanya multikolineritas atau singularitas, sehingga data itu tidak dapat digunakan untuk penelitian
Ghozali, 2008.
3.7.4 Evaluasi Kriteria Goodness-Of-fit
Kesesuain model dievaluasi melalui telaah terhadap berbagai kriteria Goodness-Of-fit. Tindakan pertama adalah mengevaluasi apakah data yang
digunakan dapat memenuhi asumsi-asumsi SEM. Dalam model persamaan struktural digunakan asumsi sebagai berikut:
1. Ukuran sampel adalah minimum 5 lima kali parameter yang
diestimasi 2.
Evaluasi atas asumsi normalitas data dengan z score. Bila z score lebih besar dari nilai kritis, maka dapat diduga bahwa distribusi data adalah
tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikansi yang dikehendaki.
3. Evaluasi atas outlier dengan mengamati kasus atau observasi yang
mempunyai nilai Z-score ≥ 3,0 akan dikategorikan sebagai outlier.
Sedangkan multivariate outlier dilakukan dengan menggunakan kriteria
jarak mahalanobis pada tingkat p 0,001. Jarak uji dengan chi-square
ײ pada df sebesar jumlah variabel bebasnya. Ketentuan bila mahalanobis dari nilai ײ adalah multivariate outlie.
4. Evaluasi terhadap multicollinearity dan singularity dengan mengamati
determinan matriks kovarians. Dengan ketentuan apabila determinan sampel kovarians menekati angka nol kecil mengindikasikan adanya
multikolinearitas dan singularitas.
Universitas Sumatera Utara
5. Evaluasi Kriteria Goodness-Of-Fit Kesesuain model dievaluasi melalui
telaah terhadap beberapa criteria Goodness-Of-Fit. Tindakan pertama adalah mengevaluasi apakah data yang digunakan dapat memenuhi
asumsi-asumsi SEM yaitu: ukuran sampel, normalitas, linearitas, outliers dan multikolinearitas dan simularity. Setelah itu melakukan uji
kesesuaian dan cut off value nya yang digunakan untuk menguji apakah sebuah model diterima atau ditolak Ferdinand, 2006, yaitu:
a. χ 2 Chi- Square Statistik
Model yang diuji dipandang baik atau memuaskan bila nilai Chi- Squarenya rendah. Semakin kecil nilai
χ 2 semakin baik model itu dan diterima berdasarkan probabilitas dengan cut off value sebesar p 0,05.
Nilai Chi Square χ 2 yang diharapkan adalah lebih kecil dari pada Chi
Square pada tabel. Chi-square tabel dapat dilihat pada tabel, dan jika tidak tersedia di tabel karena tabel biasanya hanya memuat degree of
freedom sampai dengan 100 atau 200, maka dapat dihitung dengan Microsoft Excel dengan menu CHINV. Pada menu CHINV, baris
probabilitas diisi 0,05 dan deg_freedom diisi jumlah observasi. b.
RMSEA The Root Mean square Error of Appoximation Menunjukkan nilai Goodness-Of-Vit yang dapat diharapkan bila model
diestimasi dalam populasi. Nilai RMSEA yang kecil ≤ 0,08 merupakan
indeks untuk dapat diterimanya model yang menunjukkan sebuah close vit dari model tersebut berdasarkan degrees of freedom.
c. GFI Goodness –Of-Fit- Index
Universitas Sumatera Utara
Merupakan ukuran non statistikal yang mempunyai rentang nilai antara 0 poor fit hingga 1,0 perfect fit. Nilai yang tinggi dalam indeks ini
menunjukkan sebuah better fit. Peneliti menganjurkan nilai GFI ≥ 0.9
d. AGFI Adjusted Goodness-Of-Fit-IndeX
Tingkat penerimaan yang direkomendasikan untuk Adjusted Goodness- Of-Fit-IndeX
≥ 0,9. e.
CMINDF Adalah The minimum sample discrepancy function yang dibagi dengan
degree of freedom. CMINDF merupakan statistik chi square dibagi df- nya sehingga disebut
χ 2 − relatif. Nilai χ 2 − relatif kurang ≤ 2,0 atau ≤ 3,0 adalah indikasi dari acceptable fit antara model dan data.
f. TLI Tucker Lewis Index
Merupakan incremental index yang membandingkan sebuah model yang diuji dengan sebuah base line model, nilai yang direkomendasikan
sebagai acuan diterimanya sebuah model adalah ≥ 0,95
Hair et al 1995 dalam Ferdinand, 2006 dan nilai yang mendekati satu menunjukkan a
very good fit. g.
CFI Comparative Fit Index Rentang sebesar 0-1, semakin mendekati 1 mengindikasikan tingkat a
very good fit yang tinggi. Nilai yang diharapkan adalah lebih besar dari ≥.95.
f. IFI Incremental Fit Index Bollen 1989 mengusulkan perhitungan IFI dengan kisaran 0 – 1. Nilai
IFI ≥ 0.90 tergolong dalam model fit.
Universitas Sumatera Utara
h. PNFI
PNFI adalah nilai NFI yang sudah dimodifikasidiutak atik. Pada PNFI, perlu diperhatikan nilai derajat kebebasan yang digunakan untuk
mencapai kecocokan model. Tingkat penerimaan yang
direkomendasikan untuk ≤ 0,9.
i. PGFI adalah nilai GFI yang sudah dimodifikasidiutak atik. Pada PGFI,
memperhatikan berapa jumlahbanyaknya variabel laten yang dibentuk dalam model. Tingkat penerimaan yang direkomendasikan untuk
≤ 0,9 Bila asumsi SEM terpenuhi, model dapat diuji melalui berbagai cara
uji kriteria goodness of fit. Hal ini dapa dilihat pada Tabel 3.7:
Tabel 3.7. Indeks Pengujian Kelayakan Model Goodness of Fit Index
Cut-off Value
X2 Chi- Square Statistik Significant Probability
RMSEA GFI
AGFI CMINDF
IFI CFI
Diharapkan kecil ≥ 0,05
≤ 0,08 ≥ 0,90
≥ 0,90 ≤ 2,00
≥ 0,90 ≥ 0,95
3.7.5 Interpretasi dan Modifikasi Model
