32
B. Data Sekunder Data sekunder yaitu data yang diperoleh atau dikumpulkan dari
sumber yang telah ada misalnya catatan atau dokumentasi perusahaan, publikasi, analisis industri oleh media, situs Web, Internet dan
sebagainya.
3.4 Pengumpulan Data
a. Kuesioner
Pengumpulan data dengan kuesioner membantu untuk membangun hubungan dengan responden ketika memperkenalkan survei, memberikan
klarifikasi yang diminta oleh responden langsung di tempat dan mengumpulkan kuesioner segera setelah diisi. Adanya kontak langsung
antara peneliti dan responden akan menciptakan suatu kondisi yang cukup baik sehingga responden dengan sukarela akan memberikan data atau
jawaban yang obyektif dan cepat. b.
Dokumentasi Pengumpulan data dilakukan dengan cara mencatat data, dokumen
atau arsip dan mempelajari hal-hal yang diperlukan untuk penelitian.
3.5 Teknik Analisis
33
Teknik analisis data yang dipergunakan didalam penelitian ini adalah teknik Structural Equation Modeling SEM. SEM merupakan sekumpulan
teknik-teknik statistikal yang memungkinkan pengujian sebuah rangkaian hubungan yang relatif “rumit” secara simultan. Ferdinand, 2002 : 6. Sebuah
pemodelan SEM yang lengkap pada dasarnya terdiri dari Measurement Model dan Structural Model. Measurement Model atau model pengukuran ditujukan
untuk mengkonfirmasi sebuah dimensi atau faktor berdasarkan indikator empirisnya. Structural model adalah model mengenai struktur hubungan yang
membentuk atau menjelaskan kausalitas antara faktor. Menurut Ferdinand 2002:24 untuk membuat permodelan yang
lengkap terdapat beberapa langkah yaitu : 1.
Pengembangan Model Berbasis Teori Dalam pengembangan model teoritis, seorang peneliti harus
melakukan serangkaian eksplorasi ilmiah melalui telaah pustaka yang intens guna mendapatkan justifikasi atas model teoritis yang
dikembangkan. 2.
Pengembangan diagram alur untuk menunjukkan hubungan kausalitas.
Model teoritis yang telah dibangun pada langkah pertama akan digambarkan dalam sebuah path diagram diagram alur. Path
diagram diagram alur akan mempermudah peneliti melihat hubungan-hubungan kausalitas yang ingin diuji.
34
3. Konversi diagram alur kedalam serangkaian persamaan struktural dan
spesifikasi model pengukuran. Peneliti dapat mulai mengkonversi spesifikasi model tersebut ke dalam rangkaian persamaan. Persamaan
yang akan dibangun terdiri dari : a.
Persamaan struktural structural equations. Persamaan ini dirumuskan untuk menyatakan hubungan kausalitas antar
berbagai konstruk. b.
Persamaan spesifikasi model pengukuran measurement model. Peneliti menentukan variabel mana mengukur konstruk mana serta
menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesakan antar konstruk atau variabel.
4. Memilih matriks input dan estimasi model
SEM hanya menggunakan matrik varianskonvarians atau matrik korelasi sebagai data input untuk keseluruhan estimasi yang
digunakan. 5.
Menilai problem identifikasi Problem identifikasi pada prinsipnya adalah problem mengenai
ketidakmampuan dari model yang dikembangkan untuk menghasilkan yang unik. Problem identifikasi dapat muncul melalui gejala berikut :
a. Standard error untuk satu atau beberapa koefisien adalah sangat
besar. b.
Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan.
35
c. Muncul angka-angka yang aneh seperti adanya varians error
yang negatif. d.
Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat.
6. Evaluasi Model
Pada langkah ini kesuksesan model dievaluasi melalui telaah terhadap berbagai kriteria goodness of fit.
7. Interpretasi dan Modifikasi Model
Menginterpretasikan model dan memodifikasikan model bagi model- model yang tidak memenuhi syarat pengujian yang dilakukan.
3.5.1 Confirmatory Factor Analysis
Model pengukuran variabel bebas dan terikat dalam penelitian ini menggunakan Confirmatory Factor Analysis. Pada Confirmatory Factor
Analysis atau CFA peneliti menggunakan variabel-variabel yang diteliti untuk mendefinisikan sebuah faktor yang tidak dapat diukur secara
langsung. Analisis atas indikator-indikator yang digunakan itu memberi makna atas label yang diberikan pada variabel laten atau faktor laten yang
dikonfirmasi itu.
3.6 Asumsi Model
a. Uji Normalitas dan Linearitas
Sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk
36
permodelan SEM ini. Normalitas dapat diuji dengan melihat gambar histogram data dapat diuji dengan metode-metode statistik. Uji normalitas
ini perlu dilakukan baik untuk normalitas terhadap data tunggal maupun normalitas multivariant dimana beberapa variabel digunakan sekaligus
dalam analisis akhir uji linearitas dapat dilakukan dengan mengamati scatterplots dari data yaitu dengan memilih pasangan data dan dilihat pola
penyebarannya untuk menduga ada tidaknya linearitas. Ferdinand, 2002 : 52.
b. Outliers
Outliers adalah observasi yang muncul dengan nilai-nilai ekstrem baik secara invariant maupun multivariant yaitu yang muncul karena
kombinasi kharakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya. Outliers pada dasarnya dapat
muncul dalam 4 kategori : 1.
Outliers muncul karena kesalahan prosedur. 2.
Outliers muncul karena keadaan yang benar-benar khusus yang memungkinkan profil aktanya lain daripada yang lain.
3. Outliers muncul karena adanya sesuatu alasan tetapi peneliti tidak
dapat mengetahui apa penyebabnya. 4.
Outliers dapat muncul dalam mengenali yang ada, tetapi bila dikombinasi dengan variabel lainnya. Kombinasinya menjadi tidak
lazim atau sangat ekstrim atau yang biasa disebut multivariate outlier.
37
Perlakuan terhadap outliers dilakukan bergantung pada bagaimana outlier itu muncul. Dalam analisis ini outliers dapat dievaluasi dengan dua
cara yaitu analisis terhadap univariate outliers dan analisis terhadap multivariate outliers.
1. Univariate Outlier
Deteksi terhadap adanya outlier univariate dapat dilakukan dengan menentukan nilai ambang batas yang akan dikategorikan sebagai
outliers dengan cara mengkonversi nilai data penelitian ke dalam standart score atau yang biasa disebut Z-score yang mempunyai rata-
rata nol dengan standar deviasi sebesar satu. Oleh karena itu kasus atau observasi yang mempunyai Z-score 30 akan dikategorikan sebagai
outliers. 2.
Multivariate Outlier Evaluasi terhadap multivariate outliers perlu dilakukan sebab
walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate, tetapi observasi itu dapat menjadi outliers bila
sudah saling dikombinasikan. Jarak Mahalanobis the Mahalanobis distance untuk tiap observasi dapat dihitung dan akan menunjukkan
jarak sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional Hair dkk, 1995 : Nomusis, 1994 : Tabuerick
Fidell 1996 Uji terhadap outliers multivariate dilakukan dengan menggunakan kriteria jarak Mahalanobis pada tingkat P 0,001. jarak
Mahalanobis itu dievaluasi dengan menggunakan X
2
pada derajat
38
bebas sebesar jumlah variabel yang digunakan dalam penelitian itu. Ferdinand, 2002 : 102.
c. Multicolinearity dan Singularity
Multikolinearitas dapat dideteksi dan determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil
ectremely small memberi indikasi adanya problem multikolinearitas atau singularitas.
d. Uji Validitas dan Reliabilitas
Validitas berhubungan dengan apakah suatu variabel mengukur apa yang seharusnya diukur. Doll, Xia dan Torkzadeh1994 seperti yang
dikutip dari Wijanto2008:65 mendefinisikan cara untuk menguji validitas adalah dengan melihat standard factor loadings muatan factor
standar variabel-variabel teramati indikator terhadap variabel laten faktor merupakan estimasi validitas variabel-variabel teramati tersebut .
Sedangkan reliabilitas adalah ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajad sampai
dimana masing-masing indikator itu mengindikasikan sebuah konstrukfaktor laten yang umum Ferdinand, 2002 : 62. Reliabilitas diuji
dengan construct reliability dan variance extracted. construct reliability dan variance extracted dapat dihitung dengan rumus sebagai berikut :
Construct reliability = j
loading std
loading std
ε Σ
+ Σ
Σ
2 2
Variance extracted = j
loading std
loading std
ε Σ
+ Σ
Σ
2 2
39
Hair et.al 1998 menyatakan bahwa sebuah konstruk mempunyai reliabilitas yang baik adalah jika :
• Nilai Construct Reliability CR nya 0,70
• Nilai Variance Extracted VE nya 0,50
3.7 Pengujian Model dengan One Step Approach
