55 satuan sampling yang memiliki karakteristik atau kriteria yang dikehendaki
dalam pengambilan sampel. Kriterianya sebagai berikut Nurhayati, 2007:51: 1. Merupakan tipe pemilihan sampel secara tidak acak yang informasinya
diperoleh dengan menggunakan pertimbangan tertentu umumnya disesuaikan dengan tujuan atau masalah penelitian.
2. Elemen populasi yang dipilih sebagai sampel dibatasi pada elemen-elemen yang dapat memberikan informasi berdasarkan pertimbangan.
Sesuai dengan namanya, sampel diambil dengan maksud dan tujuan yang diinginkan peneliti atau sesuatu yang diambil sebagai sampel karena
peneliti menganggap bahwa seseorang atau sesuatu tersebut memiliki atau mengetahui informasi yang diperlukan bagi penelitian yang dia dibuat
Nurfadly, mistercela21.wordpress.com.
C. Metode Pengumpulan Data
Dalam melakukan penelitian ini, peneliti mengumpulkan data-data yang mendukung dan relevan dengan topik permasalahan di atas. Selanjutnya
peneliti menggunakan data-data tersebut sebagai bahan informasi untuk dianalisis sebagai dasar pemecahan masalah. Data yang saya gunakan dalam
penelitian ini meliputi data sekunder dan libary research. 1. Data Sekunder
Merupakan sumber data penelitian yang diperoleh peneliti secara tidak langsung melalui media perantara diperoleh dan dicatat oleh pihak
lain. Data sekunder dikumpulkan, dicatat dan diolah sendiri dari data yang sudah tersedia. Data sekunder yang dapat diperoleh dari penelitian ini
56 adalah data historis, struktur organisasi, laporan keuangan, anggaran dan
lain sebagainya Indriantoro, 1999:147. Data diperoleh dari data Statistik Ekonomi Keuangan Indonesia SEKI, Badan Pusat Statistik dan Bank
Indonesia sebagai bank sentral yang memiliki data lengkap mengenai laporan dari sampel bank yang diteliti, data yang digunakan yaitu berupa
data time series yang dipublikasikan dari laporan keuangan bank umum di Bank Indonesia periode tahun 2007 sampai dengan tahun 2014 yang telah
dipublikasikan. 2.
Library Research Merupakan penelitian kepustakaan dengan mengumpulkan artikel-
artikel, buku-buku, jurnal, majalah, membuka website dari objek yang diteliti serta menganalisis literature lain yang berkaitan dengan penelitian
ini, dan sumber –sumber dokumentasi lainnya yang dapat mendukung
penelitian.
D. Metode Analisis
Metode analisis yang digunakan adalah analisis jalur Path Analysis dengan menggunakan Analysis of Moment Structure AMOS 18.
Analisis jalur merupakan pengembangan dari model regresi yang digunakan untuk kesesuaian fit dari matrik korelasi dari dua atau lebih model
yang dibandingkan oleh si peneliti. Model biasanya digambarkan dengan lingkaran dan anak panah yang menunjukan hubungan kausalitas. Regresi
dilakukan untuk setiap variabel dalam model. Nilai regresi yang diprediksi oleh model dibandingkan dengan metrik korelasi hasil observsi variabel dan
57 nilai goodness of-fit dihitung. Model terbaik dipilih berdasarkan nilai goodness
of-fit Ghozali, 2008:21.
Analisis jalur merupakan pengembangan lebih lanjut dari analisis regresi berganda dan bivariate. Analisis jalur ingin menguji persamaan regresi
yang melibatkan beberapa variabel eksogen dan endogen sekaligus sehingga memungkinkan pengujian terhadap variabel mediatingintervening atau
variabel antara. Disamping itu analisis jalur juga dapat mengukur hubungan langsung antar variabel dalam model maupun hubungan tidak langsung antar
variabel dalam model. Hubungan langsung antara variabel eksogen terhadap variabel endogen dapat dilihat pada koefisien beta. Hubungan tidak langsung
adalah seberapa besar pengaruh variabel eksogen terhadap variabel endogen melalui variabel intervening. Pengaruh total dapat diperoleh dengan
menjumlahkan hubungan langsung dan tidak lansung Ghozali, 2008:93. Dilihat dari paradigma penelitian, maka dapat diperoleh 3 tiga
subtruktur linier sebagai berikut: Sub struktur I:
Gambar 3.1 Hubungan Kausal X
1
dan X
2
terhadap Y
1
X2 X1
Y1 e1
1
58 Bila dirumuskan kedalam persamaan matematis akan didapat model
sebagai berikut: Y
1
= pY
1
X
1
+ pY
1
X
2
+
€1
Keterangan: Y
1
= Dana Pihak Ketiga X
2
= Inflasi X
1
= Suku Bunga SBI €
1
= Residual Error Sub struktur II:
Gambar 3.2 Hubungan Kausal X
1
, X
2
, dan Y
1
terhadap Y
2
Bila dirumuskan kedalam persamaan matematis akan didapat model sebagai berikut:
Y
2
= pY
2
X
1
+ pY
2
X
2
+ pY
2
Y
1
+
€2
Keterangan: Y
2
= Penyaluran Kredit Y
1
= Dana Pihak Ketiga X
1
= Suku Bunga SBI €
2
= Residual Error X
2
= Inflasi
X2 Y2
Y1 X1
e2
1
59 Sub struktur III:
Gambar 3.3 Hubungan Kausal X1, X2, Y1, dan Y2 terhadap Z
Bila dirumuskan kedalam persamaan matematis akan didapat model sebagai berikut:
Z = pZX
1
+ pZX
2
+ pZY
1
+ pZY
2
+
€3
Keterangan: Z = Return on Asset ROA
Y
1
= Dana Pihak Ketiga X
1
= Suku Bunga SBI Y
2
= Penyaluran Kredit X
2
= Inflasi €
3
= Residual Error Hair et. al 1998 dalam Ghozali 2008:61 mengajukan tahapan
permodelan dan analisis persamaan struktural menjadi 7 tujuh langkah yaitu: Langkah 1: Pengembangan Model Berdasar Teori
Model persamaan structural didasarkan pada hubungan kausalitas, dimana perubahan suatu variable diasumsikan akan berakibat pada perubahan
variable lainnya. Hubungan kausalitas dapat berarti hubungan yang ketat seperti ditemukan dalam proses fisik seperti dalam riset prilaku yaitu alasan
seseorang membeli produk tertentu. Kuatnya hubungan kausalitas antara dua variabel yang diasumsikan oleh peneliti bukan terletak pada justifikasi
Y1
X2 X1
Z
Y2 e3
1
60 Pembenaran secara teoritis untuk mendukung analisis. Jadi jelas bahwa
hubungan antar variable 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
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 asymptotally
distribution free ADF.
61 Langkah 5: Menilai Identifikasi Model Struktur
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 error variance yang negative, 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 memliki 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 struktural maupun model pengukuran secara bersamaan.
a. LikeliHood-Ratio Chi-Square statistic Ukuran fundamental dari overall fit adalah likeliHood-ratio chi-
square ɀ
2
. Nilai chi-square yang tinggi relative terhadap degree of freedom
menunjukan bahwa matrik kovarian atau korelasi yang diobservasi dengan yang diprediksi berbeda secara nyata dan ini
menghasilkan probabilitas p akan menghasilkan nilai probabilitas p
62 yang lebih besar dari tingkat signifikansi a dan ini menunjukan bahwa
input matrik kovarian antara prediksi dengan observasi sesungguhnya tidak berbeda secara signifikan. Dalam hal ini peneliti harus mencari
nilai chisquare yang tidak signifikan p0.05 karena mengharapkan bahwa model yang diusulkan cocok atau fit dengan data observasi.
b. CMINDF Adalah nilai chi-square dibagi dengan degree of freedom.
Beberapa pengarang menganjurkan menggunakan ratio ukuran ini untuk mengukur fit. Menurut Wheaton et. al dalam Ghozali 2008 nilai ratio 5
lima atau kurang dari lima merupakan ukuran yang reasonable. Peneliti lainnya seperti Byrne 1988 mengusulkan nilai ratio 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 antara 0 poor fit sampai 1 perfect fit. Nilai GFI tinggi menunjukan fit yang
lebih baik dan beberapa nilai GFI dapat diterima sebagai nilai yang layak belum ada standarnya, tetapi banyak peneliti menganjurkan nilai diatas
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 kecendrungan statistik 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 konfirmatori atau
competing model strategi dengan jumlah sample besar.
63 2. Incremenial Fit Measures
Incremenial 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 Index AGFI Adjusted Goodness 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 direkomendas
ikan 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
menggambungkan ukuran parsimony kedalam index komparasi antara proposal model dan null model dan nilai TLI berkisar dari 0 sampai 1.0.
nilai TLI yang direkomendasikan 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.
64 3. Parsimony Fit Measures
Ukuran ini menghubunngkan goodness-of-fit model dengan sejumlah koefisien estimasi yang diperlukan untuk mencapai level fit.
Tujuan dasarnya adalah untuk mendiagnose apakah model fit telah tercapai dengan
“overfitting” data yang memiliki banyak koefisien. Prosedur ini mirip dengan
“adjustment” terhadap nilai R
2
di dalam multiple regression. Namun demikian karena tidak ada uji statistik yang
tersedia maka penggunannya hanya terbatas untuk membandingkan model.
a. Parsimony Goodness of Fit Index PGFI Parsimony
Goodness of Fit Index PGFI memodifikasi GFI atas dasar parsimony estimated model. Nilai PGFI berkisar antara 0 sampai 1.0
dengan nilai semakin tinggi menunjukan model lebih parsimony. b. Parsimony Normed Fit Index PNFI
Parsimony Normed Fit Index PNFI merupakan modifikasi dari NFL.
PNFL memasukan 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 berebeda. Digunakan untuk membandingkan model
alternative 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 menunjukan adanya perbedaan model yang signifikan.
65
Tabel 3.1 Standar Penilaian Kesesuaian Fit
Laporan Statistik
Nilai yang direkomendasikan Imam Ghozali 2008
Cut of Value Keterangan
Absolute Fit
Probabilitas ɀ
2
Tidak signifikan p 0.05 Model yang diusulkan cocokfit dengan data
observasi ɀ
2
df ≤5
2 Ukuran yang rasionable
Ukuran fit
RMSEA 0.01
0.05 0.01
0.05 ≤ x ≤ 0.08 Good fit
Very Good fit Outstanding fit
Reasonable fit
GFI 0.09
Good fit
Incremental Fit
AGFI ≥0.9
Good fit TLI
≥0.9 Good fit
NFI ≥0.9
Good fit
Parsimonious Fit
PNFI – 1.0
Lebih besar lebih baik PGFI
– 1.0 Lebih besar lebih baik
Sumber : Imam Ghozali, 2008
66 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 akan di cross-validated diestimasi dengan data terpisah sebelum model modifikasi diterima.
E. Operasional Variabel Penelitian
