konsistensi internal dan indicator-indikator sebuah konstrak yang menunjukkan derajat sampai dimana masing-masing indicator itu
mengindikasikan sebuah konstruk yang umum. Karena,indicator multidimensi, maka uji validitas dari setiap latent
variableconstruct akan diuji dengan melihat loading factor dari hubungan antara observed variable dan latent variable. Sedangkan reliabilitas diuji
dengan construct reliability dan variance extracted dihitung dengan rumus sebagai berikut :
Construct – Reliability =
[ ]
[ ]
[ ]
∑ ∑
∑
+ j
ε g
Std.Loadin Loading
Std.
2 2
Variance – Extracted =
[ ]
[ ]
[ ]
∑ ∑
∑
+ j
ε Loading
Std. Loading
Std.
2 2
Standarize loading dapat diperoleh dari output AMOS 4.01, dengan melihat estimasi setiap construct standardize regression weight terhadap
setiap butir sebagi indikatornya. Sementara εj dapat dihitung dengan
formula εj = 1 [Standardize loading]
2
. Secara umum, nilai construct reliability yang dapat diterima adalah
≥0,7 dan variance extracted ≥ 0,5 Hair et.al 1998.
3.4.3. Pengujian Hipotesis Kausalitas
Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandar, dengan pengujian signifikasi pembanding nilai CR Critical
Ratio atau p Probability yang identik dengan uji-t dalam pengujian
regresi.
3.4.4. Pengujian Model dengan One Step Approach
Dalam metode SEM, model pengukuran dan model struktur parameter-parameternya diestimasi secara bersama-sama. Cara ini agak
mengalami kesulitan dalam memenuhi fit model. One Step Approach to SEM digunakan apabila model diyakini dan dilandasi teori yang kuat serta
validitas dan reliabilitas data sangat baik.
3.4.5. Pengujian Model dengan One Step Approach-Modification
Apabila dengan One Step Approach-Base Model tidak dapat dihasilkan evaluasi model yang baik terhadap keseluruhan criteria
goodness fit of index maka akan dilanjutkan dengan One Step Approach- modification.
3.4.6 Evaluasi Model
Hair et al., 1998 menjelaskan bahwa pola “confirmatory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas
hipotesis-hipotesis dengan pengujian fit antara model teoritis dan data empiris. Jika model teoritis menggambarkan “good fit” dengan data, maka
model dianggap sebagai yang diperkuat. Sebaliknya, suatu model teoritis tidak diperkuat jika teori tersebut mempunyai suatu “poor jit” 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. Pengujian terhadap model yang dikembangkan dengan berbagai
kriteria Goodness of Fit, yakni Chi-square, Probability, RMSEA, GFI, TLI,
CFI, AGFI, CMINDF. Apabila model awal tidak good fit dengan data maka model dikembangkan dengan pendekatan One Step Approach
Modification to Structural Equation Modelling SEM. Dalam SEM tidak ada alat uji statistic tunggal untuk mengukur
atau menguji hipotesis mengenai model. Berikut ini disajikan beberapa indeks kesesuaian dan cut off valuenya untuk digunakan dalam menguji
apakah model dapat diterima atau ditolak. 1.
X
2
– Chi Square Statistic Alat uji yang paling fundamental untuk mengukur overall fit adalah
likehood ratio chi-square statistic. Chi-square ini bersifat sangat sensitive terhadap besarnya sampel yang digunakan karena itu bila jumlah sampel
adalah cukup besar yaitu lebih dari 200 sampel maka statistic chi-square ini harus didampingi oleh alat uji lainnya. Model yang diuji akan
dipandang baik atau memuaskan bila nilai chi-squarenya rendah. Semakin kecil nilai X
2
semakin baik model itu. Dalam pengujiannya ini nilai X
2
yang rendah yang menghasilkan sebuah tingkat signifikansi yang lebih besar dari 0,05 akan mengindikasikan tak adanya perbedaan yang
signifikan antara matriks kovarians yang diestimasi. 2.
RMSEA-The Rood Mean Square Error of Appoximation Adalah sebuah indeks yang dapat digunakan untuk mengkompensasikan
chi-square statistic dalam sampel yang besar nilai RMSEA menunjukkan goodness-of-fit yang dapat diharapkan bila model diestimasi dalam
populasi. Nilai RMSEA yang lebih kecil atau sama dengan 0,08
merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close-fit dari model ini berdasarkan degree 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 populasi yang terestimasikan. GFI adalah sebuah ukuran non- statistical yang mempunyai rentang nilai antara 0 poor fit sampai dengan
1,0 perfect fit nilai yang tinggi dalam indeks ini menunjukkan sebuah “better fit”.
4. AGFI-Adjusted Goodness of fit index
Adalah analog dari R
2
dalam regresi berganda. Fit index ini dapat didjust terhadap degree of freedom yang tersedia untuk menguji diterima tidaknya
model. Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0,09 perlu diketahui
bahwa baik GFI maupun AGFI adalah kriteria yang diperhitungkan proporsi tertimbang dari varians dalam sebuah matriks kovarians sampel.
5. CMIN DF
The minimum sample discrepancy function CMN dibagi dengan degree of freedom-nya akan menghasilkan indeks CMIN DF, yang umumnya
dilaporkan oleh para peneliti sebagai salah satu indikator untuk mengukur tingkat fit-nya sebuah model.
6. TLI-Tucker Lewis Index
TLI 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 1 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.
Tabel 3.1. Goodness of Fit Index
Goodness of fit index
Keterangan Cut-off-value
X
2
– Chi
Square
Menguji apakah covariance yang diestimasi sama dengan
covariance sample apakah model sesuai dengan data
Diharapkan kecil 1 sd 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 sampel besar 0,08
GFI Menghitung proporsi tertimbang varians dalam
matriks sampel yang dijelaskan oleh
matriks covariance
populasi yang diestimasi analog dengan R
2
dalam regresi berganda.
0,90
AGFI GFI yang disesuaikan terhadap
DF 0,90
CMINDDF Kesesuaian antara data dan model
2,00 TLI
Pembandingan antara model yang diuji terhadap baseline
model 0,95
CFI Uji kelayakan model yang tidak
sensitive terhadap besarnya sampel dan kerumitan model.
0,94
Sumber : Hair et al., 1998
65
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1. Deskripsi Objek Penelitian 4.1.1. Gambaran Umum Lingkungan Industri Batik di Surakarta
Sejarah perbatikan di Indonesia telah di kenal sejak pada masa kerajaan Majapahit dan pada masa penyebaran ajaran Islam di Tanah
Jawa. Namun beberapa catatan menyebutkan, bahwa pengembangan batik banyak di lakukan pada masa kerajaan Mataram dan kemudian berlanjut
pada masa Kerajaan Solo dan Yogyakarta. Dari sini seni batik berkembang luas ke beberapa daerah. Penyebaran ke arah barat antara lain adalah,
Pekalongan, Banyumas, Tegal, Cirebon, Tasikmalaya hingga Jakarta. Sedangkan penyebaran ke arah timur adalah, Kudus, Lasem,
Ponorogo, Mojokerto, Jombang hingga Madura. Pada awalnya, batik merupakan kebudayaan para raja sehingga hanya diproduksi secara
terbatas dan hanya dipergunakan di lingkungkan keraton saja. Namun dalam perkembangannya kemudian, kesenian batik tidak hanya didominasi
oleh kalangan raja saja, tapi telah menjadi milik rakyat umum. Khususnya bagi rakyat Jawa pada periode akhir abad ke-18 atau sekitar awal abad ke-
19. Pada kurun waktu tersebut kain batik mulai diproduksi secara
massif sebagai komoditas industri rakyat dan diperjualbelikan dalam pasaran bebas. Proses produksi batik pada periode tersebut dilakukan