Uji Kesesuaian dan Uji Statistik

Dalam penelitian ini teknik estimasi dalam structural equation modeling yang digunakan adalah maximum likehood estimation ML, karena sampel yang digunakan sebanyak 130 responden. e. Kemungkinan munculnya masalah identifikasi Problem indetifikasi dapat muncul melalui gejala berikut ini: 1 Standard error untuk satu atau beberapa koefisien adalah sangat besar. 2 Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan. 3 Munculnya angka-angka yang aneh seperti adanya varians error yang negatif. f. Evaluasi kriteria goodness-of-fit Pada langkah ini kesesuaian model dievaluasi, melalui telaah terhadap berbagai kriteria goodness-of-fit. Untuk itu tindakan pertama yang dilakukan adalah mengevaluasi apakah data yang digunakan dapat memenuhi asumsi-asumsi SEM.

K. Uji Kesesuaian dan Uji Statistik

1. Uji Kesesuaian atas asumsi-asumsi SEM Asumsi-asumsi SEM yang harus dipenuhi dalam prosedur dan pengolahan data yang dianalisis dengan permodelan SEM adalah sebagai berikut : a. Ukuran sampel Ukuran sampel yang harus dipernuhi dalam pemodelan ini adalah minimum berjumlah 100 dan selanjutnya menggunakan perbandingan 5 observasi untuk setiap estimated parameter. b. Normalitas dan Linearitas Sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk pemodelan SEM. c. Outliers Outliers adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariat yaitu yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi lainnya d. Multicollinearity dan Singularity Multicolinearitas dapat dideteksi dari determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil memberi indikasi adanya problem multikolinearitas atau singularitas. 2. Uji Statistik Dalam analisis SEM tidak ada alat uji statistik tunggal yang mengukur atau menguji hipotesis mengenai model. Terdapat berbagai jenis fix index yang digunakan untuk mengukur derajad kesesuaian antara model yang dihipotesiskan dengan data yang disajikan. Berikut ini beberapa indek kesesuaian dan cut-off value-nya yang digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak: a. χ 2 -Chi-Square Statistic Alat uji paling fundamental untuk mengukur overall fit adalah likelihood ratio chi-square statistic. Model yang diuji akan dipandang baik bila nilai chi-square-nya rendah. Semakin kecil nilai χ 2 maka semakin baik model itu karena dalam uji chi-square , χ 2 = 0, berarti benar-benar tidak ada perbedaan, H o diterima dan diterima berdasarkan probabilitas dengan cut-off value sebesar p 0.05 atau p 0.10 Hulland, Chow dan Lam dalam Ferdinand, 2002:55. Karena tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai dengan data atau fit terhadap data, maka yang dibutuhkan justru sebuah nila i χ 2 yang tidak signifikan, yang menguji hipotesis nol bahwa estimated population covariance tidak sama dengan sample covariance. Nilai χ 2 ini dapat juga dibandingkan dengan degrees of freedom-nya untuk mendapatkan nilai χ 2 relatif , dan digunakan untuk membuat kesimpulan bahwa nilai χ 2 relatif yang tinggi menandakan adanya perbedaan yang signifikan antara matriks kovarians yang diobservasi dan yang diestimasi. Dalam pengujian ini, nilai χ 2 yang rendah yang menghasilkan sebuah tingkat signifikansi yang lebih besar dari 0.05 akan mengindikasikan tidak adanya perbedaan yang signifikan antara matriks kovarians data dan matriks kovarians yang diestimasi Hair , Tatham dan Black dalam Ferdinand, 2002:56. Chi-square ini bersifat sangat sensitif terhadap besarnya sampel yang digunakan, yaitu terhadap sampel yang terlalu kecil 50 maupun terhadap sampel yang terlalu besar 50. Oleh karena itu penggunaan chi-square hanya sesuai bila ukuran sampel adalah antara 100 dan 200 sampel. Bila ukuran sampel ada di luar rentang itu, maka uji signifikansi akan menjadi kurang reliabel. b. RMSEA - The Root Mean Square Error of Approximation RMSEA adalah sebuah indek yang dapat digunakan untuk mengkompensasi chi-square Statistic dalam sampel yang besar Baumgartner dan Homburg dalam Ferdinand, 2002:56. Nilai RMSEA menunjukkan goodnesss-of-fit yang dapat diharapkan bila model diestimasi dalam populasi Hair et al. dalam Ferdinand, 2002:56. Nilai RMSEA yang lebih kecil atau sama dengan 0.08 merupakan indek untuk dapat diterimannya model yang menunjukkan sebuah close fit dari model itu berdasarkan degress of freedom Browne dan Cudeck dalam Ferdinand, 2002:56. c. GFI-Goodness of Fit Index Indek kesesuaian fit Index ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang dijelaskan oleh matriks kovarians populasi yang terestimasikan Bentler, Tanaka dan Huba dalam Ferdinand, 2002:57. GFI adalah sebuah ukuran non-statistikal yang mempunyai rentang nilai antara 0 poor fit sampai dengan 1.0 perpect fit. Nilai yang tertinggi dalam indek ini menunjukkan sebuah “better fit”. d. AGFI- Adjustesd Goodness-of-Fit Index Tanaka dan Huba dalam Ferdinand, 2002:57, menyatakan bahwa GFI adalah anolog dari R 2 dalam regresi berganda. Fit index dapat disesuaikan terhadap degress of freedom yang tersedia untuk menguji diterima-tidaknya sebuah model Arbuckle dalam Ferdinand, 2002:57. Indek ini diperoleh dengan rumus sebagai berikut: � � = 1 − 1 − � � dimana: � � = ∗ =1 = – − = − � − Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama atau lebih besar dari 0.90 Hair at al. dan Hulland at al. dalam Ferdinand, 2002:57. Perlu diketahui bahwa baik GFI maupun AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians dalam sebuah matriks kovarians sampel. Nilai sebesar 0.95 dapat diinterpretasikan sebagai tingkat yang baik-good overall model fit baik sedangkan besaran nilai antara 0.90 - 0.95 menunjukkan tingkat cukup - adequate fit Hulland et al. dalam Ferdinand, 2002:58. e. CMINDF: The minimum sample discrepancy function CMIN CMINDF dibagi dengan degree of freedomnya akan menghasilkan indek CMINDF, yang umumnya dilaporkan oleh para peneliti sebagai salah satu indikator untuk mengukur tingkat fit-nya sebuah model. Dalam hal ini CMINDF tidak lain adalah statistic chi-square, χ 2 dibagi DF- nya sehingga disebut χ 2 -relatif. N ilai χ 2 - relatif relatif kurang dari 2.0 atau bahkan kadang kurang dari 3.0 adalah indikasi dari acceptable fit antara model dan data Arbuckle dalam Ferdinand, 2002:58. f. TLI – Tucker Lewis Index TLI adalah sebuah alternatif incremental fit index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model Baumgartner Homburg dalam Ferdinand, 2002:59. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan ≥ 0.95 Hair et al. dalam Ferdinand, 2002:60 dan nilai yang sangat mendekati 1 menunjukan a very good fit Arbuckle dalam Ferdinand, 2002:60. Indek ini diperoleh dengan rumus sebagai berikut: �� = � � � − � � � � − 1 Dimana C adalah diskrepansi dari model yang dievaluasi dan d adalah degress of freedomnya, semntara C � dan b � adalah diskrepansi dan degrees of freedom dari baseline model yang dijadikan pembanding. g. CFI – Comparative Fit Index Besaran indek ini adalah pada rentang nilai sebesar 0-1, dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi – a very good fit Arbuckle dalam Ferdinand, 2002:60. Nilai yang direkomendasikan adalah CFI ≥ 0.95. Keunggulan dari indeks ini adalah bahwa indek ini besarannya tidak dipengaruhi oleh ukuran sampel, karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model Hulland et al. dan Tanaka dalam Ferdinand, 2002:60. Indeks CFI adalah identik dengan relative noncentrality index RNI dari MC Donal dan Marsh dalam Ferdinand, 2002:60, yang diperoleh dari rumus berikut ini: � � = �� = 1 − � − � � – � Dimana C adalah diskrepansi dari model yang dievaluasi dan d adalah degress of freedom-nya, sementara C � dan b � adalah diskrepansi dan degress of freedom dari baseline model yang dijadikan pembanding. Dalam penilaian model, indek – indek TLI dan CFI sangat dianjurkan untuk digunakan, karena indek – indek ini relatif tidak sensitif terhadap besarnya sampel dan kurang dipengaruhi pula oleh kerumitan model Hulan et al. dalam Ferdinand, 2002:61. Dengan demikian, indek – indek yang dapat digunakan untuk menguji kelayakan sebuah model adalah seperti yang di ringkas dalam tabel berikut ini; Tabel III. 3 Kriteria Goodness of Fit Goondness of fit index Cut-off Value χ 2 -Chi-Square Diharapkan kecil Significance Probability ≥ 0.05 RMSEA ≤ 0.08 GFI ≥ 0.90 AGFI ≥ 0.90 CMINDF ≤ 2.00 TLI ≥ 0.95 CFI ≥ 0.95 3. Interprestasi dan Modifikasi Model Langkah terakhir adalah menginterpretasikan model dan memodifikasikan model yang tidak memenuhi syarat pengujian. Memodifikasi model dapat dilakukan dengan cara komposit atau dengan mengeluarkan variabel-variabel yang tidak signifikan dari model. Setelah diperoleh model yang memenuhi goodness-of-fit indices maka uji hipotesis dapat dilakukan dengan uji kausalitas: regression weight melalui pengujian signifikansi nilai lamda yang dilakukan dengan uji-t yang dapat disajikan dengan program AMOS melalui uji C.R atau critical ratio. Hasil pengujian ini akan menunjukkan adanya causal relationship atau hubungan antara variabel independen dengan variabel dependen. 59

BAB IV GAMBARAN UMUM KOPERASI KREDIT CU. LANTANG TIPO

A. Sejarah singkat Koperasi Kredit CU. Lantang Tipo

Pencetus berdirinya Koperasi Kredit CU. Lantang Tipo adalah guru- guru Katolik yang berdomisili di Pusat Damai Kecamatan Parindu Kabupaten Sanggau. Hal ini didorong oleh Koperasi Belanja Bersama para guru tersebut yang sering diadakan tidak dapat memenuhi kebutuhan para anggotanya. Selain itu kegiatannya dirasakan tidak dapat memupuk kerjasama dan membantu mengatur pengelolaan keuangan secara tepat. Pada tahun 1975 mulai diperkenalkan Credit Union ke Kalimantan Barat oleh Credit Union Counselling Office CUCO Indonesia yang berpusat di Jakarta. Dimotori oleh Delsos Keuskupan Agung Pontianak yang beralamat di jalan Imam Bonjol No. 338 Pontianak di bawah pimpinan Pastor Pius Camperlle, tim kursus dasar untuk Credit Union didatangkan dari Jakarta. Salah satu daerah tujuan tim adalah Sanggau, Kalimantan Barat. Tim yang mengunjungi Sanggau dari Credit Union Counselling Office CUCO Indonesia adalah : 1. Drs. R.W. Robby Tulus, selaku pimpinan umum kursus. 2. A.C. Lunandi, BA., sebagai tenaga pengajar utama. 3. Trisna Ansarli, sebagai aktivis Credit Union Counselling Office CUCO Indonesia.