r. Kurtosis r. HASIL PENELITIAN DAN PEMBAHASAN

4.1.6.2 Evaluasi Pemenuhan Asumsi Normalitas Data Evaluasi Atas Outliers

Normalitas univariat dan multivariat terhadap data yang digunakan dalam analisis ini diuji dengan menggunakan Amos Versi 21. Hasil analisis dapat dilihat dalam Lampiran tentang assessment normality. Acuan yang dirujuk untuk menyatakan asumsi normalitas data yaitu nilai pada kolom C.R critical ratio. Tabel 4.8. Normalitas Data Nilai critical ratio Variable min max skew

c.r. Kurtosis

c.r.

P1 1,000 5,000 -,086 -,355 -,429 -,884 P2 1,000 5,000 -,067 -,277 -,508 -1,047 P3 1,000 5,000 -,083 -,344 -,570 -1,175 IS1 1,000 5,000 -,086 -,354 -,485 -1,000 IS2 1,000 5,000 -,211 -,869 -,371 -,766 IS3 1,000 5,000 -,053 -,220 -,680 -1,402 IS4 1,000 5,000 -,045 -,185 -,551 -1,137 KIP3 1,000 5,000 -,099 -,410 -,656 -1,352 KIP2 1,000 5,000 -,206 -,851 -,543 -1,119 KIP1 1,000 5,000 ,258 1,065 -,433 -,892 Sumber : Output Amos Versi 21 Kriteria yang digunakan adalah jika skor C.R yang terdapat dalam tabel 4.8 bernilai -2,8CR2,8 maka terbukti bahwa distribusi data normal. Penelitian ini secara total menggunakan 102 data observasi, sehingga dengan demikian dapat dikatakan asumsi normalitas dapat dipenuhi. Tabel 4.9. Normalitas Data Nilai Outlier Observation number Mahalanobis d- squared p1 p2 32 24,990 ,005 ,422 29 23,166 ,010 ,277 4 21,441 ,018 ,285 98 21,228 ,020 ,140 64 20,882 ,022 ,074 24 20,300 ,027 ,055 Universitas Sumatera Utara Observation number Mahalanobis d- squared p1 p2 56 18,426 ,048 ,222 87 18,027 ,055 ,193 50 17,065 ,073 ,327 2 16,884 ,077 ,259 25 16,738 ,080 ,196 26 16,652 ,082 ,134 23 16,411 ,088 ,116 21 16,394 ,089 ,068 79 15,981 ,100 ,084 5 15,832 ,105 ,065 62 15,413 ,118 ,088 100 15,360 ,119 ,058 31 15,340 ,120 ,034 45 15,102 ,128 ,034 60 14,912 ,135 ,031 78 14,440 ,154 ,060 63 14,120 ,168 ,080 86 14,009 ,173 ,065 33 13,969 ,174 ,044 97 13,684 ,188 ,058 96 13,657 ,189 ,038 58 13,501 ,197 ,036 65 13,426 ,201 ,027 1 13,264 ,209 ,027 39 12,971 ,225 ,041 20 12,783 ,236 ,045 93 12,756 ,238 ,030 34 12,605 ,247 ,030 47 11,917 ,291 ,145 101 11,825 ,297 ,130 90 11,750 ,302 ,111 43 11,620 ,311 ,111 7 11,542 ,317 ,096 16 11,474 ,322 ,080 6 11,459 ,323 ,056 Universitas Sumatera Utara Observation number Mahalanobis d- squared p1 p2 15 11,455 ,323 ,037 3 11,151 ,346 ,068 30 11,114 ,349 ,051 76 10,850 ,369 ,082 37 10,758 ,377 ,075 77 10,597 ,390 ,086 74 10,316 ,413 ,141 94 9,836 ,455 ,338 57 9,478 ,487 ,517 48 9,470 ,488 ,444 55 9,097 ,523 ,642 69 8,838 ,548 ,748 88 8,721 ,559 ,758 41 8,590 ,571 ,776 89 8,386 ,591 ,834 42 8,310 ,599 ,822 71 8,111 ,618 ,870 59 7,962 ,633 ,891 44 7,928 ,636 ,864 84 7,842 ,644 ,859 66 7,829 ,646 ,816 14 7,659 ,662 ,854 36 7,447 ,683 ,903 102 7,369 ,690 ,896 Sumber : Output Amos Versi 21 Evaluasi atas outliers dimaksudkan untuk mengetahui sebaran data yang jauh dari titik normal data pencilan. Semakin jauh jarak sebuah data dengan titik pusat centroid, semakin ada kemungkinan data masuk dalam kategori outliers, atau data yang sangat berbeda dengan data lainnya. Untuk itu data pada tabel 4.9 yang menunjukkan urutan besar Mahalanobis Distance harus tersusun dari urutan yang terbesar sampai terkecil. Kriteria yang digunakan sebuah data termasuk outliers Universitas Sumatera Utara adalah jika data mempunyai angka p1 probability1 dan p2 probability2 kurang dari 0.05 atau p1 dan p2 0,05 Santoso, 2007. Data hasil outliner ada pada lampiran. Jika normalitas data terpenuhi maka langkah selanjutnya adalah menguji apakah indikator setiap variabel sebagai faktor yang layak untuk mewakili dalam analisis selanjutnya. Untuk mengetahuinya digunakan analisis Confirmatory Factor Analysis CFA. 4.1.6.3. Confirmatory Factor Analysis CFA CFA adalah bentuk khusus dari analisis faktor. CFA digunakan untuk menilai hubungan sejumlah variabel yang bersifat independent dengan yang lain. Analisis faktor merupakan teknik untuk mengkombinasikan pertanyaan atau variabel yang dapat menciptakan faktor baru serta mengkombinasikan sasaran untuk menciptakan kelompok baru secara berturut-turut. Ada dua jenis pengujian dalam tahap ini yaitu: Confirmatory Factor Analysis CFA yaitu measurement model dan structual equation model SEM. CFA measurement model diarahkan untuk menyelidiki unidimensionalitas dari indikator - indikator yang menjelaskan sebuah faktor atau sebuah variabel laten dalam penelitian. Seperti halnya dalam CFA, pengujian SEM juga dilakukan dengan dua cara yaitu uji kesesuaian model dan uji signifikansi kausalitas melalui uji koefisien regresi. Langkah analisis untuk menguji model penelitian dilakukan melalui tiga tahap yaitu pertama: menguji model konseptual. Jika hasil pengujian terhadap model konseptuap ini kurang memuaskan maka dilanjutkan dengan tahap kedua yaitu dengan memberikan perlakukan modifikasi terhadap model yang dikembangkan setelah meperhatikan indeks modifikasi dan dukungan justifikasi Universitas Sumatera Utara dari teori yang ada. Selanjutnya, jika pada tahap kedua masih diperoleh hasil yang kurang memuaskan, maka ditempuh tahap ketiga dengan cara menghilangkan atau menghapus drop variabel yang memiliki nilai C.R Critical Rasio lebih kecil dari 1.96, karena variabel ini dipandang tidak berdimensi sama dengan variabel lainnya untuk menjelaskan sebuah variabel laten Ferdinand, 2002. Loading factor atau lamda value λ ini digunakan untuk menilai kecocokan, kesesuaian atau unidimensionalitas dari indikator-indikator yang membentuk dimensi atau variabel. Untuk menguji CFA dari setiap variabel terhadap model keseluruhan memuaskan atau tidak adalah berpedoman dengan kepada kriteria goodness of fit.

4.1.6.3.1 CFA Variabel Kebijakan Insentif Pajak

Variabel kebijakan insentif pajak memiliki 3 tiga indikator yang akan diuji seperti tampak pada gambar 4.4, yaitu : Pengecualian dari pengenaan pajak KIP1, Pengurangan dasar pengenaan pajak KIP2, dan Diskresi administrasi pemenuhan hak dan kewajiban KIP3. Gambar 4.4. CFA Kebijakan Insentif Pajak output Amos V.21 Berdasarkan output AMOS diketahui bahwa seluruh indikator pembentuk konstruk first order kebijakan insentif pajak, memiliki nilai loading factor signifikan, seluruh nilai loading factor melebihi angka 0,5. Jika seluruh indikator pembentuk konstruk sudah signifikan maka dapat digunakan dalam analisis data. Universitas Sumatera Utara

4.1.6.3.2 CFA Variabel Investasi Sosial

Variabel investasi sosial memiliki 4 empat indikator yang akan diuji seperti tampak pada gambar 4.5, yaitu : Pemberian beasiswa dan biaya Litbang IS1, Pelatihan teknologi ramah lingkungan IS2, Pendampingan kegiatan masyarakat IS3, dan Perbaikan sarana umum IS4. Gambar 4.5. CFA Investasi Sosial output Amos V.21 Berdasarkan output AMOS diketahui bahwa seluruh indikator pembentuk konstruk first order investasi sosial, memiliki nilai loading factor signifikan, dimana seluruh nilai loading factor melebihi angka 0,5. Jika seluruh indikator pembentuk konstruk sudah signifikan maka dapat digunakan dalam analisis data.

4.1.6.3.3 CFA Variabel Produktivitas

Variabel produktivitas memiliki 3 tiga indikator yang akan diuji seperti tampak pada gambar 4.6, yaitu : Efisiensi P1, Efektifitas P2, dan Kualitas P3 Universitas Sumatera Utara Gambar 4.6. CFA Produktivitas output Amos V.21 Berdasarkan output AMOS diketahui bahwa seluruh indikator pembentuk konstruk first order produktivitas, memiliki nilai loading factor signifikan, dimana seluruh nilai loading factor melebihi angka 0,5. Jika seluruh indikator pembentuk konstruk sudah signifikan maka dapat digunakan dalam analisis data.

4.1.6.4. Pengujian Kesesuaian Model Goodness of Fit Model

Hasil olah data output dengan program Amos versi 21, dengan variabel eksogen kebijakan insentif pajak, variabel endogen 1 intervening investasi, dan variabel endogen 2 produktivitas adalah seperti ditunjukkan pada gambar 4.7 berikut ini. Universitas Sumatera Utara Gambar 4.7. Output data penelitian output Amos V.21 Pengujian kesesuaian model penelitian digunakan untuk menguji tingkat goodness of fit dari model penelitian. Ukuran GFI pada dasarnya merupakan ukuran kemampuan suatu model menerangkan keragaman data. Nilai GFI berkisar antara 0 – 1. Sebenarnya, tidak ada kriteria standar tentang batas nilai GFI yang baik. Bisa disimpulkan, model yang baik adalah model yang memiliki nilai GFI mendekati 1. Dalam prakteknya, banyak peneliti yang menggunakan batas minimal 0,9. Pada tabel 4.10 disajikan hasil analisa AMOS v. 21: Universitas Sumatera Utara Tabel 4.10. Hasil Pengujian Kelayakan Model Penelitian Untuk Analisis SEM Goodness of Fit Indeks Cut of Value Hasil Analisis Evaluasi Model Min fit function of chi- square p0,05 2,689 P =0.000 Fit Chisquare ≤ 2 45.713 Marginal fit Non Centrality Parameter NCP Penyimpangan sample cov matrix dan fitted kecilChisquare 28,713 Fit Root Mean Square Error of Approx RMSEA Browne dan Cudeck 1993 0,08 0.129 Marginal Fit Expected Cross validation Index ECVI ECVI for saturated model 3,42 ECVI for independence model 9.06 1,205 Fit Model AIC Model AIC Saturated AIC Independence AIC 121,713 Fit Model CAIC Model CAIC Saturated CAIC Independence CAIC 259,462 Fit Normed Fit Index NFI 0,90 0.974 Fit Parsimoni Normed Fit Index PNFI 0,60 – 0,90 0.368 Marginal Fit Parsimoni Comparative Fit Index PCFI 0,60 – 0,90 0.371 Marginal Fit PRATIO 0,60 – 0,90 0.378 Marginal Fit Comparative Fit Index CFI 0,90 Bentler 2000 0.983 Fit Incremental Fit Index IFI 0,90 Byrne 1998 0.984 Fit Relative Fit Index RFI 0 – 1 0.931 Fit Goodness of Fit Index GFI 0,90 0.923 Fit Adjusted Goodness of Fit Index AGFI 0,90 0.750 Marginal Fit Parsimony Goodness of Fit Index PGFI 0 – 1,0 0.285 Marginal Fit Sumber : output Amos V.21 Universitas Sumatera Utara Berdasarkan hasil Penilaian Model Fit diketahui bahwa seluruh analisis model telah memiliki syarat yang baik sebagai suatu model SEM. Untuk melihat hubungan antara masing-masing variabel dilakukan dengan analisis jalur path analysis dari masing-masing variabel baik hubungan yang bersifat langsung direct maupun hubungan tidak langsung indirect.

g. Uji Kecocokan Chi-Square