Metode Pengumpulan Data Metode Analisis
60 X
1
X
2
X
3
Y
1
e
1
Substruktur I :
Gambar 3.1 Hubungan Kausal X
1
, X
2
, X
3
terhadap Y
1
Bila dirumuskan kedalam persamaan matematis akan didapat model sebagai berikut:
Y
1
= Y
1
X
1
+ Y
1
X
2
+ Y
1
X
3
+
ε
1
Keterangan : Y
1
= Kebijakan Dividen Kas X
3
= Return On Equity X
1
= Struktur Kepemilikan Saham
ε
1
= Residual Error
X
2
= Free cash Flow
Substruktur II : Gambar 3.2
Hubungan Kausal X
1
, X
2
, X
3
, X
4
, dan Y
1
terhadap Y
2
Bila dirumuskan kedalam persamaan matematis akan didapat model sebagai berikut:
X
1
X
2
X
3
Y
1
e
2
Y
2
61
X
1
X
3
Y
1
Z e3
Y
2
Y
2
= Y
2
X
1
+ Y
2
X
2
+ Y
2
X
3
+ Y
2
Y
1
+
ε
2
Keterangan : Y
1
= Kebijakan deviden kas X
2
= Free Cash Flow Y
2
= Biaya Keagenan X
3
= Profitabilitas X
1
= Struktur kepemilikan saham
ε
2
= Residual Error
Substruktur III :
Gambar 3.3 Hubungan Kausal X
1
, X
3
, Y
1
dan Y
2
terhadap Z
Bila dirumuskan kedalam persamaan matematis akan didapat model sebagai berikut:
Z = ZX
1
+ ZY
1
+ ZX
3
+ ZY
2
+
ε
3
Keterangan : Z
= Nilai perusahaan X
1
= Struktur kepemilikan saham Y
1
= Kebijakan deviden kas X
3
= Profitabilitas Y
2
= Biaya keagenan
ε
3
= ResidualError
62
Hair et.al 1998 dalam Ghozali 2008:61 mengajukan tahapan pemodelan dan analisis persamaan struktural menjadi 7 tujuh langkah yaitu:
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
seperti ditemukan dalam proses fisik seperti dalam riset perilaku yaitu alasan seseorang membeli produk tertentu. Kuatnya hubungan kausalitas
antara dua variabel yang diasumsikan oleh peneliti bukan terletak pada metode analisis yang dia pilih, tetapi terletak pada justifikasi pembenaran
secara teoritis untuk mendukung analisis. Jadi jelas bahwa hubungan antar variabel dalam model merupakan dedukasi dari teori.
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 konstruk laten baik endogen maupun eksogen dan menyusun measurement model
yaitu menghubungkan konstrak laten endogen atau eksogen dengan variabel indikator atau manifest.
Langkah 4: Memilih Jenis Input Matrik dan Estimasi Model yang Diusulkan Model persamaan struktural berbeda dari teknik analisis multivariate
lainnya, SEM hanya menggunakan data input berupa matrik variankovarian
63
atau matrik korelasi. Data mentah observasi individu dapat dimasukkan 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.
Teknik estimasi model persamaan struktural pada awalnya dilakukan dengan ordinary least square OLS regression, tetapi teknik ini mulai
digantikan oleh Maximum Likelihood Estimation ML yang lebih efisien dan unbiased jika asumsi normalitas multivariate dipenuhi. Teknik ML
sekarang digunakan oleh banyak program komputer. Namun demikian teknik ML sangat sensitif terhadap non-normalitas data sehingga diciptakan
teknik estimasi lain seperti weight least square WLS, generalized least square
GLS dan asymptotivally distribution free ADF. Langkah 5 : Menilai Identifikasi Model Struktural
Selama proses estimasi berlangsung dengan program komputer, sering didapat hasil estimasi yang tidak logis atau meaningless dan hal ini
berkaitan dengan masalah identifikasi model struktural. Problem identifikasi adalah ketidakmampuan proposed model untuk menghasilkan unique
estimate . Cara melihat ada tidaknya problem identifikasi adalah dengan
melihat hasil estimasi yang meliputi: 1 adanya nilai standar error yang besar untuk satu atau lebih koefisien, 2 ketidakmampuan program untuk
invert information matrix, 3 nilai estimasi yang tidak mungkin misalkan
64
error variance yang negatif , 4 adanya nilai korelasi yang tinggi 0,90
antar koefisien estimasi. Langkah 6 : Menilai Kriteria Goodness-of-Fit
Salah satu tujuan dari Analisis Jalur adalah menentukan apakah model planusible
masuk akal atau fit. Suatu model penelitian dikatakan baik, apabila memiliki model fit yang baik pula. Tingkat kesesuaian model dalam
buku Ghozali 2008 terdiri dari: 1. Absolute Fit Measure
Absolute fit measure mengukur model fit secara keseluruhan baik
model strultural maupun model pengukuran secara bersamaan. a. LikeliHood-Ratio Chi-Square Statistic
Ukuran fundamental dari overall fit adalah likeliHood-ratio chi- square
2
χ . Nilai chi-square yang tinggi relatif terhadap degree of freedom menunjukkan bahwa matrik kovarian atau korelasi yang diobservasi dengan
yang diprediksi berbeda secara nyata dan ini menghasilkan probabilitas p akan menghasilkan nilai probabilitas p yang lebih besar dari tingkat
signifikansi
α
dan ini menunjukkan 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 p ≥ 0.05 karena mengharapkan bahwa model yang diusulkan cocok atau
fit dengan data observasi
65
b. CMINDF Adalah nilai chi-square dibagi dengan degree of freedom.
Beberapa pengarang menganjurkan menggunakan rasio ukuran ini untuk mengukur fit. Menurut Wheaton et. Al 1977 dalam Imam Ghozali 2008
nilai rasio 5 lima atau kurang dari lima merupakan ukuran yang reasonable
. Peneliti lainnya seperti Byrne 1988 mengusulkan nilai ratio ini 2 merupakan ukuran fit.
c. Goodness of Fit Index GFI Goodness of Fit Index
GFI dikembangkan oleh Joreskog dan Sorbon 1984 yaitu ukuran non-statistik yang nilainya berkisar antar 0
poor fit sampai 1 perfect fit. Nilai GFI tinggi menunjukkan fit yang lebih baik dan berapa nilai GFI dapat diterima sebagai nilai yang layak belum ada
standarnya, tetapi banyak peneliti menganjurkan nilai di atas 90 sebagai ukuran good fit.
d. Root Mean Square Erorrs of Approximation RMSEA Root mean square error of approximination
RMSEA merupakan ukuran yang mencoba memperbaiki kecenderungan statistic chi-square
menolak model dengan jumlah sampel yang besar. Nilai RMSEA antara 0,05 sampai 0,08 merupakan ukuran yang dapat diterima. Hasil uji empiris
RMSEA cocok untuk menguji model konfitmatori atau competing model strategy
dengan jumlah sampel besar.
66
2. Incremental Fit Measures Incremental fit measures
membandingkan proposed model dengan baseline model
sering disebut dengan null model. Null model merupakan model realistic dimana model-model yang lain harus diatasnya.
a. Adjusted Goodness of Fit Indes AGFI Adjusted
Goodnbess of
Fit Index
AGFI merupakan
pengembangan dari GFI yang disesuaikan dengan ratio degree of freedom untuk propsed model dengan degree of freedom untuk null model. Nilai
yang direkomendasikan adalah ≥ 0,90. b. Tucker-Lewis Index TLI
Tucker-Lewis Index atau dikenal dengan nonnormed fit index NNFI. Pertama kali diusulkan sebagai alat untuk mengevaluasi analisis
faktor, tetapi sekarang dikembangkan untuk SEM. Ukuran ini menggabungkan ukuran parsimony kedalam indek komparasi antara
proposed model dan null model dan nilai TLI berkisar dari 0 sampai 1.0.
Nilai TLI yang direkomemdasikan adalah ≥ 0,90. c. Normed Fit Index NFI
Normed Fit Index merupakan ukuran perbandingan antara
proposed model dan null model. Nilai NFI akan bervariasi dari 0 no fit at
all sampai 1.0 perfect fit. Seperti halnya TLI tidak ada nilai absolute yang
dapat digunakan sebagai standar, tetapi umumnya direkomendasikan ≥ 0,90.
67
3. Parsimony 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 memiliki banyak koefisien. Prosedur ini mirip dengan “adjustment” terhadap nilai R
2
didalam multiple regression. Namun demikian karena tidak ada uji statistik yang tersedia maka penggunaannya
hanya terbatas untuk membandingkan model. a. Parsimony Goodness of Fit Index PGFI
Parsimonious goodness-of-fit index PGFI memodifikasi GFI atas
dasar parsimony estimated model. Nilai PGFI berkisar antara 0 sampai 1.0 debngan nilai semakin tinggi menunjukkan model lebih parsimony.
b. Parsimony Normed Fit Index PNFI Parsimonious normal fit index
PNFI merupakan modifikasi dari NFI. PNFI memasukkan jumlah degree of freedom yang digunakan untuk
mencapai level fit. Semakin tinggi nilai 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. Namun demikian jika membandingkan dua model maka perbedaan
PNFI 0,60 sampai 0,90 menunjukkan adanya perbedaan model yang signifikan.
68
Tabel 3.1 Standar Penilaian Kesesuaian Fit
Laporan Statistik
Nilai yang Direkomendasikan Imam Ghozali 2008
Cut of value Keterangan
Absolut Fit
Probabilitas
2
χ Tidak signifikan p0.05
Model yang diusulkan cocok fit dengan data
observasi
2
χ df 5
2 -
Ukuran yang reasonable -
Ukuran fit RMSEA
0.1 0.05
0.01 0.05 x 0.08
- good fit - very good fit
- outstanding fit - reasonable fit
GFI 0.9
good fit
Incremental Fit
AGFI 0.9
good fit TLI
0.9 good fit
NFI 0.9
good fit
Parsimonious Fit
PNFI 0-1.0
Lebih besar lebih baik PGFI
0-1.0 Lebih besar lebih baik
Sumber : Imam Ghozali, 2008 Langkah 7 : Interpretasi dan Modifikasi Model
Ketika model telah dinyatakan diterima, maka peneliti dapat mempertimbangkan dilakukannya modifikasi model untuk memperbaiki
penjelasan teoritis atau goodness-of-fit. Modifikasi dari model awal harus dilakukan setelah dikaji banyak pertimbangan. Jika model dimodifikasi,
maka model tersebut harus di cross-validated diestimasi dengan data terpisah sebelum model modifikasi diterima.
69