X = Skor masing-masing pernyataan dari tiap responden Y = Skor total semua pernyataan dari tiap respoenden
Pengujian validitas dilakukan dengan menggunakan teknik Pearson Product Moment, yaitu dengan mengkorelasikan skor pada tiap-tiap item
dengan skor totalnya. Kuesioner dikatakan valid jika korelasi r lebih dari nilai r tabel dengan tingkat signifikansi sebesar 5 persen α= 5 .
Reliabiltas adalah suatu nilai yang menunjukkan konsistensi suatu alat pengukur di dalam mengukur gejala yang sama Umar, 2005. Reliabilitas
menunjukkan suatu hasil pengukuran relatif konstan walaupun pengukuran dilakukan lebih dari satu kali. Teknik uji reliabilitas yang digunakan yaitu
teknik Alpha Cronbach. Rumus pengujian reliabilitas ialah:
........................................................................2
Keterangan: r
11
= Reliabilitas instrumen k
= Banyak butir pertanyaan Σσ
b 2
= Jumlah ragam butir Σ
t 2
= Ragam total Nilai Alpha Cronbach dapat dihitung dengan bantuan software SPSS
versi 15.0. Setelah itu, reliabilitas suatu konstruk variabel dikatakan baik jika memiliki nilai Alpha Cronbach 0,60 Santosa, 2005.
2.2.3 Structural Equation Modelling SEM
1. Definisi Structural Equation Modelling Structural Equation Modelling SEM merupakan suatu teknik
statistik yang mampu menganalisis variabel laten, variabel indikator dan kesalahan pengukuran secara langsung. SEM dapat menganalisis
hubungan antara variabel laten dengan variabel indikatornya, hubungan antara variabel laten yang satu dengan variabel laten yang lain, juga
mengetahui besarnya kesalahan pengukuran. Disamping hubungan kausal searah, SEM juga memungkinkan untuk menganalisis hubungan dua
−
−
=
∑
2 2
11
1 1
t b
k k
r σ
σ
arah. SEM termasuk keluarga statistik multivariat dependensi yang memungkinkan dilakukannya analisis satu atau lebih variabel independen
dengan satu atau lebih variabel dependen. Baik variabel dependen maupun variabel independen yang dilibatkan boleh berbentuk variabel
kontinyu ataupun diskrit, dalam bentuk variabel laten atau variabel indikator. SEM merupakan gabungan dari dua metode statistika yang
terpisah yang melibatkan analisis faktor dan model persamaan simultan Sitinjak, 2006.
Pengolahan data dilakukan dengan menggunakan software Lisrel Linier Structural Relationship. Lisrel merupakan salah satu program
komputer yang dapat mempermudah analisis untuk menyelesaikan masalah-masalah yang tidak dapat diselesaikan oleh alat analisis yang
konvensional Sitinjak, 2006. Lisrel dapat dipandang sebagai suatu analisis variabel ganda yang dapat digunakan untuk mendeskripsikan
keterkaitan hubungan linier secara simultan variabel-variabel indikator yang sekaligus melibatkan variabel latennya. Variabel laten adalah
variabel yang tidak dapat diukur secara langsung kecuali diukur dengan satu atau lebih variabel indikator. Variabel indikator adalah variabel yang
digunakan untuk mengukur atau menjelaskan sebuah variabel laten. Pada model SEM, variabel laten dapat berfungsi sebagai variabel eksogen atau
variabel endogen. Variabel eksogen adalah variabel independen yang mempengaruhi variabel dependen. Pada model SEM, variabel eksogen
ditunjukkan dengan adanya anak panah yang berasal dari variabel tersebut menuju ke variabel endogen. Variabel endogen adalah variabel
dependen yang dipengaruhi oleh variabel independen eksogen. Pada model SEM, variabel endogen ditunjukkan dengan adanya anak panah
yang menuju variabel tersebut Santoso, 2007. 2. Bentuk Structural Equation Modelling
Terdapat tiga komponen pada model persamaan struktural yaitu analisis jalur, konsep variabel laten dan model pengukuran, serta
penguraian pengaruh variabel laten Bollen, 1989. Pada diagram jalur dipresentasikan sebuah persamaan simultan. Penggunaan diagram lintas
memberikan keuntungan dalam menggambarkan hubungan antar variabel. Hubungan antar variabel tersebut dapat digambarkan melalui
diagram lintas berikut ini.
Gambar 1. Model Teoritis Diagram Lintas SEM Keterangan:
η = Variabel dependen laten tak bebas
ξ = Variabel independen laten bebas
γ
ij
= Besar muatan faktor ξ dalam membentuk η
j
ς = Tingkat kesalahan yang terjadi pada perhitungan variabel η
λ = Loading factor koefisien jalur
Secara umum analisis dalam Lisrel dapat dipilah dalam dua bagian yaitu model persamaan struktural structural equation model dan model
pengukuran measurement model. Model persamaan struktural menjelaskan keterkaitan hubungan antar variabel laten. Model
pengukuran menjelaskan keterkaitan hubungan variabel laten dengan variabel indikatornya Sitinjak, 2006.
Model persamaan struktural dirumuskan sebagai berikut: η = B η + Г ξ + ς ……………………………...………………………3
Keterangan: η
= Vektor variabel laten tak bebas endogen berukuran m x 1 B
= Matriks koefisien variabel laten tak bebas endogen terhadap endogen berukuran m x m
ξ = Vektor variabel laten bebas eksogen berukuran n x 1
Г = Matriks koefisien variabel laten bebas eksogen terhadap
endogen berukuran m x n ξ
η
X
1
X
2
Y
1
Y
2
δ
1
δ
2
ε
1
ε
2
λ
1
λ
2
λ
2
λ
1
γ
ij
ς
Σ = Vektor sisaan acak hubungan antara endogen dan eksogen
berukuran m x 1 Dimana,
m = Banyaknya variabel laten tak bebas endogen
n = Banyaknya variabel laten bebas eksogen
Model persamaan pengukuran secara umum adalah sebagai berikut: y = Λ
y
η + ε …...……….…………………………..…………………..4 x = Λ
x
ξ + δ …...…………….……………………………...…………..5 Keterangan:
y = Vektor variabel indikator bagi variabel laten tak bebas
endogen berukuran p x 1 x
= Vektor variabel indikator bagi variabel laten bebas eksogen berukuran q x 1
Λ
y
= Matriks koefisien y terhadap endogen berukuran p x m Λ
x
= Matriks koefisien x terhadap eksogen berukuran q x n ε
= Vektor sisaan pengukuran dari y berukuran p x 1 δ
= Vektor sisaan pengukuran dari x berukuran q x 1 Dimana,
p = Banyaknya variabel indikator bagi variabel laten tak bebas
endogen q
= Banyaknya variabel indikator bagi variabel laten bebas eksogen
Evaluasi model struktural berfokus pada hubungan-hubungan antara variabel laten eksogen ξ dan endogen η, serta hubungan antara
variabel endogen η. Menurut Ghozali 2005, terdapat tiga hal yang harus diperhatikan dalam mengevaluasi model struktural, yaitu: 1
Tanda arah hubungan antara variabel-variabel laten, 2 Signifikansi parameter yang diestimasi, dan 3 Koefisien determinasi R
2
. a. Tanda arah hubungan antara variabel-variabel laten mengindikasikan
apakah hasil hubungan antara variabel-variabel tersebut memiliki pengaruh yang sesuai dengan yang dihipotesiskan.
b. Signifikansi parameter yang diestimasi memberikan informasi yang sangat berguna mengenai hubungan-hubungan antar variabel laten.
Batas untuk menolak atau menerima suatu hubungan dengan tingkat signifikansi 5 persen adalah 1,96 nilai mutlak, dimana apabila nilai t
terletak diantara -1,96 dan 1,96 maka hipotesis yang menyatakan adanya pengaruh harus ditolak, sedangkan apabila nilai t lebih besar
daripada 1.96 atau lebih kecil daripada -1,96 harus diterima dengan taraf signifikansi sebesar 5 persen.
c. Koefisien determinasi
R
2
pada persamaan
struktural mengindikasikan jumlah varian pada variabel laten endogen yang
dapat dijelaskan secara simultan oleh variabel-variabel laten independen. Semakin tinggi nilai R
2
, maka semakin besar variabel- variabel independen tersebut dapat menjelaskan variabel endogen,
sehingga semakin baik persamaan struktural. 3. Uji Kesesuaian Model
Tahapan evaluasi kesesuaian model ditujukan untuk mengevaluasi derajat kesesuaian atau Goodness of Fit GOF antara data dan model.
Menurut Hair et. al. dalam Sitinjak 2006, evaluasi terhadap GOF model dilakukan melalui uji kecocokan keseluruhan model overall model fit.
Penilaian derajat kecocokan suatu SEM secara menyeluruh tidak dapat dijalankan secara langsung sebagaimana pada teknik multivariat yang
lain. SEM tidak mempunyai uji statistik terbaik yang dapat menjelaskan kekuatan prediksi model. Untuk itu telah dikembangkan beberapa ukuran
derajat kecocokan yang dapat digunakan secara saling mendukung. Dalam penelitian ini, ukuran derajat kesesuaian model yang digunakan
adalah: a. Statistic Chi-Square χ
2
atau CMIN Nilai chi-square menunjukkan adanya penyimpangan antara sample
covariance matrix dan model fitted covariance matrix. Nilai chi- square yang diperoleh relatif besar terhadap derajat bebas,
mengindikasikan bahwa matriks hasil dugaan model tidak sesuai dengan matriks data. Sebaliknya nilai chi-square yang relatif kecil
terhadap derajat bebas, mengindikasikan bahwa matriks hasil dugaan model sesuai dengan matriks data. Nilai chi-square yang semakin
kecil maka model akan semakin baik. Nilai chi-square sebesar nol menunjukkan bahwa model memiliki fit yang sempurna Ghozali,
2005. b. Probabilitas Chi-Square p-value
P-value adalah probabilitas untuk memperoleh penyimpangan deviasi besar sebagaimana ditunjukkan oleh nilai chi-square,
sehingga nilai chi-square yang signifikan 0,05 menunjukkan bahwa data empiris yang diperoleh memiliki perbedaan dengan teori
yang telah dibangun berdasarkan Structural Equation Modelling SEM. P-value yang tidak signifikan 0,05 adalah yang
diharapkan, yang menunjukkan bahwa data empiris sesuai dengan model Ghozali, 2005. Hipotesisnya adalah:
H : Data empiris identik dengan teori atau model
H
1
: Data empiris berbeda dengan teori atau model c. CMINdf Normed Chi-Square
Merupakan salah satu indikator mengukur tingkat fitnya sebuah model. CMINdf tidak lain adalah nilai chi-square dibagi dengan df,
sehingga disebut chi-square relatif. Nilai chi-square relatif ≤ 2 adalah indikasi dari model yang fit dengan data Kusnendi, 2008.
d. Root Mean Square Error of Approximation RMSEA Nilai RMSEA merupakan ukuran ketidakcocokan model berdasarkan
derajat bebas model. Rata-rata perbedaan per derajat bebas yang diharapkan terjadi dalam populasi dan bukan dalam sampel. Model
dengan nilai RMSEA lebih kecil atau sama dengan 0,08 RMSEA ≤ 0,08 mengindikasikan bahwa model tersebut baik dalam hal
kecocokan antara matriks hasil dugaan model struktural dengan matriks data asal Sitinjak, 2006.
e. Goodness of Fit Index GFI Nilai GFI mempresentasikan persen keragaman data yang dapat
diterangkan oleh model. Nilai berkisar antara 0-1, dengan nilai lebih
tinggi adalah lebih baik. Model dengan nilai GFI lebih besar atau sama dengan 0,90 GFI ≥ 0,90 mengindikasikan bahwa model
tersebut baik dalam hal kecocokan antara matriks hasil dugaan model struktural dengan matriks data asal Sitinjak, 2006.
f. Adjusted Goodness of Fit Index AGFI Nilai AGFI merupakan modifikasi dari GFI dengan mengakomodasi
derajat bebas model dengan model lain yang dibandingkan. Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. Model
dengan nilai AGFI lebih besar atau sama dengan 0,90 AGFI ≥ 0,90 mengindikasikan bahwa model tersebut baik dalam hal kecocokan
antara matriks hasil dugaan model struktural dengan matriks data asal Sitinjak, 2006
2.3 Penelitian Terdahulu