a. Interview
Adalah suatu penelitian yang dilakukan dengan mengadakan wawancara secara langsung terhadap responden untuk mengetahui pendapatnya secara
langsung. b.
Observasi Yaitu cara pengumpulan data dengan jalan pengamatan secara langsung
terhadap obyek yang diselidiki dan mengadakan pencatatan seperlunya. c.
Kuesioner Yaitu cara pengumpulan data dengan jalan memberikan pertanyaan-
pertanyaan tertulis yang dibagikan kepada para responden. d.
Dokumentasi Yaitu cara pengumpulan data dengan jalan mengumpulkan data-data dari
perusahaan berupa catatan atau dokumen yang telah tersusun.
3.6. Teknik Analisis dan Pengujian Hipotesis
3.6.1. Uji Validitas
Pengujian yang pertama dilakukan adalah pengujian validitas kuesioner. Uji validitas digunakan untuk mengukur sah atau valid tidaknya suatu kuesioner.
Suatu kuesioner dikatakan valid jika pertanyaan pada kuesioner mampu untuk mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut. Menurut
Ghozali 2001 : 137, jika nilai signifikansi 0,05, maka variabel atau indikator tersebut valid, jika nilai signifikansi 0,05, maka variabel atau indikator tersebut
tidak valid.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
3.6.2. Uji Reliabilitas
Uji reliabilitas digunakan untuk mengetahui sampai sejauh mana suatu hasil pengukuran relatif konsisten apabila pengukuran dilakukan dua kali atau
lebih. Dengan kata lain, reliabilitas menunjukkan konsistensi suatu alat ukur dalam mengukur gejala yang sama. Untuk mengetahui reliabilitas kuesioner,
penelitian ini menggunakan pendekatan pengukuran reliabilitas konsistensi internal dengan menghitung koefisien alpha. Koefisien alpha ini berkisar antara
0 sampai 1. Menurut Ghozali 2001 : 133, suatu konstruk atau variabel dikatakan
reliable jika memberikan nilai Cronbach Alpha 0,6.
3.6.3. Uji Outlier Univariat dan Multivariat
Outlier adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariat yaitu yang muncul karena kombinasi
kharakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya Ferdinand, 2005 : 52.
3.6.3.1. Uji Outlier Univariat
Deteksi terhadap adanya outlier univariat dapat dilakukan dengan menentukan ambang batas yang akan dikategorikan sebagai outlier dengan cara
mengkonversi nilai data penelitian ke dalam standar score atau yang biasa disebut dengan z-score, yang mempunyai rata-rata nol dengan standar deviasi sebesar
satu. Bila nilai-nilai itu telah dinyatakan dalam format yang standar z-score, maka perbandingan antar besaran nilai dengan mudah dapat dilakukan. Untuk
sampel besar diatas 80 observasi, pedomana evaluasi adalah nilai ambang batas
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
dari z-score itu berada pada rentang 3 sampai dengan 4 Hair dkk, 1998 dalam Ferdinand, 2005 : 98. Oleh karena itu apabila ada observasi-observasi yang
memiliki z-score 3,0 akan dikategorikan sebagai outlier. 3.6.3.2. Uji Outlier Multivariat
Evaluasi terhadap multivariat ouliers perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outlier pada tingkat univariat, tetapi
observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak Mahalanobis the mahalanobis distance untuk tiap observasi dapat dihitung dan
menunjukkan jarak sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional. Uji terhadap multivariat dilakukan dengan menggunakan
kriteria Jarak Mahalanobis pada tingkat 0,001. Jarak Mahalanobis itu dapat
dievaluasi dengan menggunakan nilai
2
pada derajat kebebasan sebesar jumlah item yang digunakan dalam penelitian. Apabila nilai Jarak Mahalanobisnya lebih
besar dari nilai
2 Tabel
adalah Outlier Multivariat. 3.6.4. Uji Normalitas Data
Adapun metode yang digunakan untuk mengetahui apakah data tersebut berdistribusi normal atau tidak adalah menggunakan uji critical ratio dari
Skewness dan Kurtosis dengan ketentuan sebagai berikut : a
Jika nilai critical yang diperoleh melebihi rentang + 2,58 maka distribusi adalah tidak normal.
b Jika nilai critical yang diperoleh berada pada rentang + 2,58 maka distribusi
adalah normal.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
3.6.5. Analisis Menggunakan Pemodelan SEM Structural Equation Modeling
Sebuah pemodelan SEM yang lengkap pada dasarnya terdiri dari Measurement Model dan Structural Model. Measurement model atau model
pengukuran ditujukan untuk mengkonfirmasikan sebuah dimensi atau faktor berdasarkan indikator-indikator empirisnya. Structural model adalah model
mengenai struktur hubungan yang membentuk atau menjelaskan kausalitas antara faktor. Ferdinand, 2005 : 34
Untuk membuat pemodelan yang lengkap beberapa langkah berikut ini yang perlu dilakukan :
a. Pengembangan model berbasis teori.
Langkah pertama dalam pengembangan model SEM adalah pencarian atau pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat.
Setelah itu, model tersebut divalidasi secara empirik melalui program SEM. b.
Pengembangan diagram alur untuk menunjukkan hubungan kausalitas. Pada langkah kedua, model teoritis yang telah dibangun pada langkah pertama
akan digambarkan dalam sebuah path diagram. Path diagram tersebut akan memudahkan peneliti melihat hubungan-hubungan kausalitas yang ingin
diujinya. c.
Konversi diagram alur kedalam persamaan. Setelah teori model dikembangkan dan digambarkan dalam sebuah diagram
alur, spesifikasi model dikonversikan kedalam rangkaian persamaan. d.
Memilih Matriks Input dan Estimasi Model. Perbedaan SEM dengan teknik multivariat lainnya adalah dalam input data
yang akan digunakan dalam pemodelan dan estimasinya. SEM hanya
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
menggunakan matriks varians kovarians atau matriks korelasi sebagai data input untuk keseluruhan estimasi yang dilakukannya.
e. Menilai Problem Identifikasi.
Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan
estimasi yang unik. Problem identifikasi dapat muncul melalui gejala-gejala berikut ini :
1. Standard error untuk satu atau beberapa koefisien sangat besar.
2. Program tidak mampu menghasilkan matrik informasi yang seharusnya
disajikan. 3.
Muncul angka-angka yang aneh seperti adanya varians error yang negatif. 4.
Muncul korelasi yang sangat tinggi antar korelasi estimasi yang didapat misalnya lebih dari 0,9.
f. Evaluasi Model.
Pada langkah ini kesesuaian model dievaluasi, melalui telaah terhadap bebagai kriteria goodness-of-fit. Kriteria-kriteria tersebut adalah :
1. Ukuran sampel yang digunakan adalah minimal berjumlah 100 dan dengan
perbandingan 5 observasi untuk setiap astimated parameter. 2.
Normalitas dan Linieritas. 3.
Outliers. 4.
Multicolinierity and Singularity.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
3.6.6. Pengujian Hipotesis
