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