Metode Analisis Data

D. Metode Analisis Data

1. Analisis Deskriptif

Analisis deskriptif merupakan analisis data dengan cara mengubah data mentah menjadi bentuk yang lebih mudah dipahami dan diinterpretasikan

2. Pengujian Statistik

Pengujian statistik diawali dengan pengujian validitas konvergen dan reliabilitas konstruk terhadap data yang diperoleh dari survei yang telah dilakukan. Hal ini bertujuan untuk mengetahui ketepatan dan keandalan data sehingga data tersebut memenuhi kriteria untuk diuji dengan menggunakan berbagai jenis metode statistik yang ada. Dengan demikian, hasil yang diperoleh dapat merespresentasikan fenomena yang diukur. Berikut ini adalah pemilihan metode statistik yang digunakan untuk pengujian hipotesis.

a. Uji Validitas Konvergen

Dalam penelitian ini, teknik analisis yang digunakan untuk menguji validitas adalah Confirmatory Factor Analysis (CFA) dengan menggunakan software Amos versi 16. Pengujian validitas dalam penelitian menggunakan convergent validity atau validitas konvergen. Validitas konvergen dapat dinilai dari measurement model yang dikembangkan dalam penelitian dengan menentukan apakah setiap indikator yang diestimasikan secara valid mengukur dimensi dari konsep yang diujinya. Sebuah indikator dimensi menunjukkan validitas Dalam penelitian ini, teknik analisis yang digunakan untuk menguji validitas adalah Confirmatory Factor Analysis (CFA) dengan menggunakan software Amos versi 16. Pengujian validitas dalam penelitian menggunakan convergent validity atau validitas konvergen. Validitas konvergen dapat dinilai dari measurement model yang dikembangkan dalam penelitian dengan menentukan apakah setiap indikator yang diestimasikan secara valid mengukur dimensi dari konsep yang diujinya. Sebuah indikator dimensi menunjukkan validitas

b. Uji Reliabilitas Konstruk

Uji reliabilitas dalam penelitian ini menggunakan software Amos versi 16. Reliabilitas adalah pengukuran yang menunjukkan sejauh mana alat ukur dapat dipercaya dan sejauh mana hasil pengukuran tetap konsisten (Sekaran, 2006;40). Tujuannya adalah untuk memberikan jaminan bahwa data yang diperoleh telah memenuhi kriteria untuk diuji dengan menggunakan berbagai jenis metode statistik metode yang ada. Reliabilitas konstruk dinilai dengan menghitung indeks reliabilitas instrumen yang digunakan (composite reliability) dari model SEM yang dianalisis.

Suatu instrumen dikatakan reliabel atau handal, bilamana hasil nilai Cronbach’s alpha yang diperoleh melebihi 0,7 (Malhotra, 1993; Hair et al. 1998). Namun, dalam pengujian menggunakan SEM reliabilitas antara 0,5 – 0,6 sudah cukup untuk menjustifikasi sebuah hasil penelitian (Ferdinand, 2005).

3. Analisis Structural Equation Model (SEM)

Analisis Structural Equation Model merupakan teknik analsis multivariat yang memungkinkan peneliti untuk menguji hubungan antara variabel yang kompleks untuk memperoleh gambaran menyeluruh mengenai keseluruhan model. Analisis ini bertujuan untuk mengestimasi beberapa persamaan regresi terpisah, akan tetapi masing-masing memiliki hubungan simultan atau bersamaan. Dalam studi ini, data diolah dengan menggunakan software Analysis of Moment Structure atau AMOS versi 16.0.

Analisis Structural Equation Model memungkinkan perhitungan estimasi seperangkat persamaan regresi yang simultan, berganda, dan saling berhubungan. Karakteristik penggunaan model ini antara lain untuk mengestimasi hubungan dependen ganda yang saling berkaitan, kemampuannya untuk memunculkan konsep yang tidak teramati dalam hubungan serta dalam menentukan kesalahan pengukuran dalam proses estimasi, dan kemampuannya untuk mengakomodasi seperangkat hubungan antara variabel indepenen dan variabel dependen serta mengungkap variabel laten (Hair et. al, 1998).

a. Evaluasi Asumsi SEM

1) Asumsi kecukupan sampel

Sampel yang harus dicukupi dalam model SEM adalah lima kali jumlah parameter yang akan diestimasi. Selain itu, jumlah sampel tersebut juga harus memenuhi prosedur Maximum Likelihood Estimation yaitu penarikan sampel antara 100-200 sampel (Ghozali, 2005).

2) Asumsi Normalitas

Asumsi normalitas merupakan asumsi yang palin fundamental karena merupakan bentuk distribusi data pada variabl matriks tunggal yang menghasilkan distribusi normal (Hair et al., 1998). Apabila asumsi normalitas tidak terpenuhi dan penyimpangan data normalitas tersebut besar maka akan menghasilkan hasil uji statistik yang bias. Untuk menguji asumsi normalitas maka digunakan nilai z statistik untuk skweness dan kurtosisnya. Data dikatakan berdistribusi normal apabila nilai C.R skweness kurang dari 2 dan nilai C.R kurtosisnya kurang dari 7 (Ghozali, 2005).

3) Asumsi Outlier

Outlier merupakan observasi yang muncul dengan nilai-nilai ekstrim yang memiliki karakter unik, sangat berbeda dari data observasi lain, muncul dalam bentuk nilai ekstrim. Pada umumnya Outlier merupakan observasi yang muncul dengan nilai-nilai ekstrim yang memiliki karakter unik, sangat berbeda dari data observasi lain, muncul dalam bentuk nilai ekstrim. Pada umumnya

dengan membandingkan nilai mahalonobis distance dengan nilai X 2 tabel. Sedangkan secara univariate dapat dilihat dengan melihat nilai p1 dan p2, dengan ketentuan apabila nilai probabilitas > 0,05 maka data observasi dikatakan tidak mengalami masalah outlier.

b. Evaluasi Goodness of Fit

1) Chi Square

Tujuan analisis Chi Square yaitu mengembangkan dan menguj sebuah model yang sesuai dengan data. Data pengujian dengan nilai

X 2 yang rendah dan menghasilkan tingkat signifikansi yang lebih besar dari 0.05 akan mengindikasikan tidak ada perbedaan yang signifikan antara matriks kovarians yang diestimasi.

2) Normed Chi Square (CMIN/DF)

CMIN/DF adalah ukuran yang diperoleh dari nilai chi square dibagi dengan degree of freedom. Indeks ini merupakan indeks kesesuaian parsimonius yang mengukur hubungan goodness of fit model dan jumlah-jumlah koefisien estimasi yang diharapkan untuk CMIN/DF adalah ukuran yang diperoleh dari nilai chi square dibagi dengan degree of freedom. Indeks ini merupakan indeks kesesuaian parsimonius yang mengukur hubungan goodness of fit model dan jumlah-jumlah koefisien estimasi yang diharapkan untuk

3) Adjusted Goodness of Fit Index (AGFI)

AGFI merupakan pengembangan dari GFI yang telah disesuaikan dengan rasio dari degree of freedom model yang diajukan dengan degree of freedom dari null model (model konstruk tunggal dengan semua indikator pengukuran konstruk). Nilai AFGI ≥ 0,90 mengindikasikan indeks yang baik untuk menerima kesesuaian sebuah model.

4) Comparative Fit Index (CFI)

CFI juga merupakan indeks kesesuaian incremental. Besaran indeks ini adalah dalam rentang 0 sampai dengan 1. Nilai CFI yang mendekati 1 mengindikasikan model memiliki tingkat kesesuaian model yang baik. CFI merupakan indeks kesesuaian yang relatif tidak sensitif terhadap besarnya sampel dan kurang dipengarui oleh kerumitan model. Nilai penerimaan yang direkomendasikan adalah CFI ≥ 0,95.

5) Trucker Lewis Index (TLI)

TLI merupakan indeks kesesuaian incremental yang membandingkan model yang diuji dengan null model. TLI merupakan indeks kesesuaian model yang kurang dipengaruhi oleh sampel. Nilai

6) Root Mean Square Error of Approximation (RMSEA)

RMSEA adalah indeks yang digunakan untuk mengukur fit model menggantikan chi square statistik dengan jumlah sampel yang besar. Nilai RMSEA ≤ 0,08 mengindikasikan indeks yang baik utuk menerima kesesuaian sebuah model.