Model Struktural dan Pengukuran

pernyataan tersebut penelitian ini menggunakan sampel sebesar 170 responden yang diperoleh dari jumlah indikator yaitu 17 dikali 10.

3.7. Analisis Data

3.7.1. Model Struktural dan Pengukuran

Untuk mencapai tujuan penelitian serta pengajuan hipotesis yang diajukan, maka seluruh data dan informasi yang dikumpulkan selanjutnya akan diolah sesuai dengan kebutuhan analisis, untuk kepentingan pembahasan data diolah dan disajikan berdasarkan prinsip-prinsip statistik deskriptif. Kemudian untuk kepentingan analisis dan pengujian hipotesis digunakan pendekatan statstik inferensial. Analisis yang digunakan untuk menjawab hipotesis dalam penelitian ini menggunakan Model Persamaan Struktur atau Structural Equation Model SEM dengan menggunakan paket program Amos 4.01. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber X1 X Pajak Daerah Y Retribusi Daerah Z Pendapatan Asli Daerah X2 X3 X4 X5 X6 Z1 X7 Y1 Y2 Y3 Y4 Y5 Y6 Y7 Z2 Z3 H1 H2 Gambar 3.2: Model Konseptual dan Indikator Structural Equation Model SEM adalah sekumpulan teknik- teknik statistikal yang memungkinkan pengujian sebuah rangkaian hubungan yang relatif “rumit”, secara simultan, hubungan yang rumit itu dapat dibangun antara satu atau beberapa variabel dependen dengan satu atau beberapa variabel independen. Masing-masing variabel dependen dan independen dapat berbentuk faktor atau konstruk, yang dibangun dari beberapa variabel indikator, tentu saja variabel-variabel itu dapat berbentuk sebuah variabel tunggal yang diobservasi atau yang diukur langsung dalam sebuah proses penelitian Ferdinand, 2002:6. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber Penelitian yang dilakukan merupakan penelitian multiindikator dengan menggambarkan fenomena praktis yang diamati dalam berbagai indikator, untuk mendapatkan hasil penelitian yang mampu dalam mengakomodasi penelitian multiindikator maka peneliti menggunakan analisis statistik pemodelan persamaan struktural Structural Equation ModelSEM. Analisis SEM merupakan metode statistik yang menggunakan pendekatan uji hipotesis atau confirmatory. Artinya, hubungan kausal antar variabel konstruk eksogen dan variabel konstruk endogen serta variabel konstruk dengan variabel indikator didasarkan pada justifikiasi pembenaran induktif maupun teori. Penelitian yang menggunakan SEM sebagai alat analisis, memiliki dua tujuan Suja’i, 2007:66, yaitu: a. Menguji kesesuaian model yang dihasilkan b. Menguji hipotesis yang telah dibangun sebelumnya Menurut Hair et.al. 1992, dalam Suja’i 2007:67, ada tujuh langkah yang harus dilakukan apabila menggunakan Structural Equation Model SEM yaitu: a. Pengembangan model teoritis. Langkah pertama prinsipnya merupakan pengujian kausalitas secara empiris dari teori yang sudah ada dan digunakan untuk mengkonfirmasi model teoritis melalui data empirik. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber b. Pengembangan diagram jalur Path Diagram. Langkah kedua menunjukkan model teoritis yang telah dibangun pada tahap pertama akan digambarkan dalam sebuah diagram alur hubungan antara konstruk akan dinyatakan melalui anak panah. Anak panah yang lurus akan menunjukkan sebuah hubungan kausal yang langsung antara satu konstruk dengan konstruk yang lain sedangkan garis lengkung antar konstruk dengan anak panah pada setiap ujungnya menunjukkan korelasi antar konstruk. Konstruk yang dibangun dalam diagram alur dapat dibedakan dalam dua kelompok yaitu: Konstruk eksogen dan konstruk endogen. c. Konversi diagram path kedalam persamaan struktural dan model pengukuran. Langkah ketiga menjelaskan bahwa persamaan yang didapatkan dari diagram alur yang telah dikonversi terdiri dari : 1. Persamaan struktural structural equation yang dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk. 2. Persamaan spesifik model pengukuran measurement models dengan menentukan variabel yang mengukur konstruk dan matriks yang menunjukkan korelasi menjadi hipotesis antar konstruk atau variabel. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber d. Memilih matriks input dan estimasi model. Langkah keempat menjelaskan bahwa data input SEM adalah matriks varianskovarians atau teknik korelasi untuk keseluruhan model estimasi yang dilakukan. Matrik kovarian digunakan karena SEM memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi yang berbeda atau sampel yang berbeda yang tidak dapat disajikan oleh korelasi. Dalam penggunaan SEM disarankan agar menggunakan matriks varianskovarians pada saat pengujian teori sebab akan lebih memenuhi asumsi metodologi dimana besarnya standart error yang diajukan akan menunjukkan angka yang lebih akurat dibandingkan apabila menggunakan matriks korelasi. e. Kemungkinan munculnya masalah identifikasi. Langkah kelima menjelaskan bahwa setelah dilakukan revisi model masih terdapat hasil estimasi yang unik, maka perlakuan lainnya adalah menciptakan composite variabels melalui compusite measure atau mengembangkan lebih banyak konstruk. f. Evaluasi kriteria goodness-of- fit Pada langkah keenam dilakukan pengujian terhadap kesesuaian model melalui evaluasi terhadap berbagai kriteria goodness-of-fit. Berikut beberapa indeks kesesuaian dan cut-off Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber value untuk menguji apakah sebuah model dapat diterima atau ditolak. 1 X 2 atau Chi-Square statistik, dimana model dipandang baik atau memuaskan apabila nilai Chi-Square rendah. Semakin kecil nilai X 2 maka model dinyatakan semakin baik dan diterima berdasarkan probabilitas dengan cut-of value sebesar P 0,05 atau P 0,010. 2 RMSEA The Root Mean Square Error of Approximation yang menunjukkan goodness-of-fit yang dapat diharapkan apabila model diestimasi dalam populasi nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya suatu model berdasarkan degree of freedom. 3 GFI Goodness of Fit Index adalah ukuran non statistikal yang mempunyai rentang nilai antara 0 poor of-fit sampai 1,0 perfect of-fit. Nilai yang tinggi dalam indeks tersebut menunjukkan sebuah better of-fit. 4 AGFI Adjusted Goodness of fit Index adalah ukuran penerimaan yang direkomendasikan apabila mempunyai nilai sama dengan atau lebih besar dari 0,90. 5 CFI Comparative Fit Index adalah ukuran tingkat fit dengan ketentuan apabila mendekati 1,00 maka mengindikasikan tingkat fit yang paling tinggi. Nilai yang Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber merekomendasikan adalah CFI 0,95. Untuk lebih jelasnya Indeks yang digunakan untuk menguji kelayakan sebuah model adalah seperti pada tabel 3.1 berikut: Tabel 3.1: Goodness of – Fit Indices Goodness of- fit Index Kriteria X Chi-Square Diharapkan Kecil Significant Probability ≥ 0,05 RMSEA ≤ 0,08 GFI ≥ 0,90 AGFI ≥ 0,90 CMINDF ≤ 2,00 TLI ≥ 0,95 CFI ≥ 0,95 Sumber: Ferdinand 2002:61 Keterangan : a Chi-squarey statistics Likehod ratio chi-square satistcs merupakan alat uji statistik untuk mengetahui apakah terjadi perbedaan antara matrik kovarians populasi dan kovarians sampel. Hal ini sesuai dengan tujuan analisis yaitu untuk mengembangkan dan menguji sebuah model yang sesuai dengan data atau fit terhadap data. Oleh sebab itu dibutuhkan nilai Chi-square yang tidak signifikan, yang menguji hipotesis nol bahwa estimated population covarians tidak berbeda. Pengujian SEM nilai Chi-square Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber yang rendah menghasilkan sebuah tingkat signifikansi yang lebih besar dari 0,05 akan mengindikasikan tidak adanya yang signifikan antara matrik kovarians data dan matrik kovarians yang di estimasi. b The Root Mean Square Error of Approximation RMSEA RMSEA merupakan sebuah indeks yang dapat dipergunakan untuk mengkompensasikan Chi-square Statistics dalam sampel ukuran besar. Nilai RMSEA menunjukkan Goodness of-fit yang dapat diharapkan apabila model diestimasi dalam populasi. Nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan index untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model tersebut berdasarkan degree of freedom. c AGFI Adjusted Godness of-fit Index Fit Indeks dalam hal ini dapat disesuaikan terhadap degree of freedom yang tersedia untuk menguji diterima tidaknya model. Tingkat penerimaan yang direkomendasikan adalah bila AGFI memiliki nilai sama dengan satu atau lebih besar dari 0,90. Baik GFI dan AGFI pada dasarnya merupakan kriteria yang memperhitungkan proporsi tertimbang dari varians dalam sebuah matrik kovarians sampel. Nilai Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber sebesar 0,90 dapat diinterpretasikan diharapkan yaitu jika ditemukan residual yang besar. g. Interpretasi dan Modifikasi Model Model dinyatakan fit kemudian diinterpretasikan sesuai dengan konsep dan hipotesis yang dibangun. Hasil estimasi model yang fit, residual dari covariansnya haruslah kecil di mana nilai residual covariance standard 2,58 atau mendekati nol Hair et.al., 1992 dalam Suja’i, 2007:76. Model yang dinyatakan tidak fit perlu dilakukan modifikasi remodeling. Ada beberapa sebab mengapa model tidak fit, antara lain karena tidak dipenuhinya asumsi persamaan struktural pengukuran konstruk tidak valid dan tidak reliabel, ukuran sampelnya kurang atau terlalu besar serta adanya nilai varian negatif. Indikasi model yang tidak fit bisa dilihat dari beberapa gejala, antara lain residual covariance relatif besar 2,58, goodness of fit statistik tidak memenuhi kriteria yang ditentukan. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber

BAB IV HASIL DAN PEMBAHASAN

4.1. Deskripsi Obyek Penelitian

Kabupaten Sidoarjo merupakan Kabupaten di Jawa Timur yang terletak diantara dua sungai besar yaitu sungai porong dan sungai Surabaya sehingga terkenal dengan sebutan kota Delta. Kabupaten Siodoarjo dulu dikenal sebagai pusat Kerajaan Janggala. Pada masa kolonialisme Hindia Belanda, daerah Sidoarjo bernama Sidokare, yang merupakan bagian dari Kabupaten Surabaya. Daerah Sidokare dipimpin oleh seorang patih bernama R. Ng. Djojohardjo, bertempat tinggal di kampung Pucang Anom yang dibantu oleh seorang wedana yaitu Bagus Ranuwiryo yang berdiam di kampung Pangabahan. Pada 1859, berdasarkan Keputusan Pemerintah Hindia Belanda No. 91859 tanggal 31 Januari 1859 Staatsblad No. 6, daerah Kabupaten Surabaya dibagi menjadi dua bagian yaitu Kabupaten Surabaya dan Kabupaten Sidokari. Sidokare dipimpin R. Notopuro kemudian bergelar R.T.P Tjokronegoro yang berasal dari Kasepuhan. Ia adalah putra dari R.A.P. Tjokronegoro, Bupati Surabaya. Pada tanggal 28 Mei 1859, nama Kabupaten Sidokare, Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber