Dalam penelitian ini teknik estimasi dalam
structural equation modeling
yang digunakan adalah
maximum likehood estimation ML,
karena sampel yang digunakan sebanyak 130 responden. e.
Kemungkinan munculnya masalah identifikasi Problem indetifikasi dapat muncul melalui gejala berikut ini:
1
Standard error
untuk satu atau beberapa koefisien adalah sangat besar.
2 Program tidak mampu menghasilkan matrik informasi yang
seharusnya disajikan. 3
Munculnya angka-angka yang aneh seperti adanya varians error yang negatif.
f. Evaluasi kriteria
goodness-of-fit
Pada langkah ini kesesuaian model dievaluasi, melalui telaah terhadap berbagai kriteria
goodness-of-fit
. Untuk itu tindakan pertama yang dilakukan adalah mengevaluasi apakah data yang
digunakan dapat memenuhi asumsi-asumsi SEM.
K. Uji Kesesuaian dan Uji Statistik
1. Uji Kesesuaian atas asumsi-asumsi SEM
Asumsi-asumsi SEM yang harus dipenuhi dalam prosedur dan pengolahan data yang dianalisis dengan permodelan SEM adalah sebagai
berikut :
a. Ukuran sampel
Ukuran sampel yang harus dipernuhi dalam pemodelan ini adalah minimum
berjumlah 100
dan selanjutnya
menggunakan perbandingan 5 observasi untuk setiap
estimated parameter
. b.
Normalitas dan Linearitas Sebaran data harus dianalisis untuk melihat apakah asumsi
normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk pemodelan SEM.
c.
Outliers Outliers
adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariat yaitu yang muncul karena
kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi lainnya
d.
Multicollinearity
dan
Singularity
Multicolinearitas dapat dideteksi dari determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil memberi
indikasi adanya problem multikolinearitas atau singularitas.
2.
Uji Statistik
Dalam analisis SEM tidak ada alat uji statistik tunggal yang mengukur atau menguji hipotesis mengenai model. Terdapat berbagai
jenis
fix index
yang digunakan untuk mengukur derajad kesesuaian antara model yang dihipotesiskan dengan data yang disajikan. Berikut ini
beberapa indek kesesuaian dan
cut-off value
-nya yang digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak:
a. χ
2
-Chi-Square Statistic
Alat uji paling fundamental untuk mengukur
overall fit
adalah
likelihood ratio chi-square statistic.
Model yang diuji akan dipandang baik bila nilai
chi-square-
nya rendah. Semakin kecil nilai χ
2
maka semakin baik model itu karena dalam uji
chi-square
, χ
2
= 0, berarti benar-benar tidak ada perbedaan, H
o
diterima dan diterima berdasarkan probabilitas dengan
cut-off value
sebesar p 0.05 atau p 0.10 Hulland, Chow dan Lam dalam Ferdinand, 2002:55.
Karena tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai dengan data atau fit terhadap data, maka
yang dibutuhkan justru sebuah nila i χ
2
yang tidak signifikan, yang menguji hipotesis nol bahwa
estimated population covariance
tidak sama dengan
sample covariance.
Nilai χ
2
ini dapat juga dibandingkan dengan
degrees of freedom-
nya untuk mendapatkan
nilai χ
2
relatif
, dan digunakan untuk membuat kesimpulan bahwa nilai
χ
2
relatif
yang tinggi menandakan adanya perbedaan yang signifikan antara matriks kovarians yang diobservasi dan yang
diestimasi. Dalam pengujian ini, nilai χ
2
yang rendah yang menghasilkan sebuah tingkat signifikansi yang lebih besar dari 0.05 akan
mengindikasikan tidak adanya perbedaan yang signifikan antara
matriks kovarians data dan matriks kovarians yang diestimasi Hair , Tatham dan Black dalam Ferdinand, 2002:56.
Chi-square
ini bersifat sangat sensitif terhadap besarnya sampel yang digunakan, yaitu terhadap sampel yang terlalu kecil
50 maupun terhadap sampel yang terlalu besar 50. Oleh karena itu penggunaan
chi-square
hanya sesuai bila ukuran sampel adalah antara 100 dan 200 sampel. Bila ukuran sampel ada di luar rentang
itu, maka uji signifikansi akan menjadi kurang reliabel. b.
RMSEA -
The Root Mean Square Error of Approximation
RMSEA adalah sebuah indek yang dapat digunakan untuk mengkompensasi
chi-square Statistic
dalam sampel yang besar Baumgartner dan Homburg dalam Ferdinand, 2002:56. Nilai
RMSEA menunjukkan
goodnesss-of-fit
yang dapat diharapkan bila model diestimasi dalam populasi Hair
et al.
dalam Ferdinand, 2002:56. Nilai RMSEA yang lebih kecil atau sama dengan 0.08
merupakan indek untuk dapat
diterimannya model
yang menunjukkan sebuah
close fit
dari model itu berdasarkan
degress of freedom
Browne dan Cudeck dalam Ferdinand, 2002:56.
c. GFI-
Goodness of Fit Index
Indek kesesuaian
fit Index
ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang
dijelaskan oleh matriks kovarians populasi yang terestimasikan Bentler, Tanaka dan Huba dalam Ferdinand, 2002:57.
GFI adalah sebuah ukuran non-statistikal yang mempunyai rentang nilai antara 0
poor fit
sampai dengan 1.0
perpect fit.
Nilai yang tertinggi dalam indek ini menunjukkan sebuah “better
fit”.
d. AGFI-
Adjustesd Goodness-of-Fit Index
Tanaka dan Huba dalam Ferdinand, 2002:57, menyatakan bahwa GFI adalah anolog dari R
2
dalam regresi berganda.
Fit index
dapat disesuaikan terhadap
degress of freedom
yang tersedia untuk menguji diterima-tidaknya sebuah model Arbuckle dalam
Ferdinand, 2002:57. Indek ini diperoleh dengan rumus sebagai berikut:
� � = 1 − 1 − �
�
dimana: �
�
=
∗ =1
= –
−
= − � −
Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama atau lebih besar dari 0.90 Hair
at al.
dan Hulland
at al.
dalam Ferdinand, 2002:57. Perlu diketahui bahwa baik GFI maupun AGFI adalah kriteria yang memperhitungkan
proporsi tertimbang dari varians dalam sebuah matriks kovarians sampel. Nilai sebesar 0.95 dapat diinterpretasikan sebagai tingkat
yang baik-
good overall model fit
baik sedangkan besaran nilai antara 0.90 - 0.95 menunjukkan tingkat cukup -
adequate fit
Hulland
et al.
dalam Ferdinand, 2002:58. e.
CMINDF:
The minimum sample discrepancy function
CMIN CMINDF dibagi dengan
degree of freedomnya
akan menghasilkan indek CMINDF, yang umumnya dilaporkan oleh para
peneliti sebagai salah satu indikator untuk mengukur tingkat
fit
-nya sebuah model. Dalam hal ini CMINDF tidak lain adalah
statistic chi-square,
χ
2
dibagi DF- nya sehingga disebut χ
2
-relatif. N ilai χ
2
- relatif relatif kurang dari 2.0 atau bahkan kadang kurang dari 3.0
adalah indikasi dari
acceptable fit
antara model dan data Arbuckle dalam Ferdinand, 2002:58.
f. TLI –
Tucker Lewis Index
TLI adalah sebuah alternatif
incremental fit index
yang membandingkan sebuah model yang diuji terhadap sebuah baseline
model Baumgartner Homburg dalam Ferdinand, 2002:59. Nilai
yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan
≥ 0.95 Hair
et al.
dalam Ferdinand, 2002:60 dan nilai yang sangat mendekati 1 menunjukan
a very good fit
Arbuckle dalam Ferdinand, 2002:60. Indek ini diperoleh dengan rumus sebagai berikut:
�� = �
� �
− � �
� �
− 1 Dimana C adalah diskrepansi dari model yang dievaluasi dan d
adalah
degress of freedomnya
, semntara C
�
dan b
�
adalah diskrepansi dan
degrees of freedom
dari
baseline model
yang dijadikan pembanding.
g. CFI
–
Comparative Fit Index
Besaran indek ini adalah pada rentang nilai sebesar 0-1, dimana semakin mendekati 1, mengindikasikan tingkat
fit
yang paling tinggi
–
a very good fit
Arbuckle dalam Ferdinand, 2002:60. Nilai yang direkomendasikan adalah CFI
≥ 0.95. Keunggulan dari indeks ini adalah bahwa indek ini besarannya tidak dipengaruhi oleh
ukuran sampel, karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model Hulland
et al.
dan Tanaka dalam Ferdinand, 2002:60. Indeks CFI adalah identik dengan
relative noncentrality index RNI
dari MC Donal dan Marsh dalam Ferdinand, 2002:60, yang diperoleh dari rumus berikut ini:
� � = �� = 1 − � −
�
�
–
�
Dimana C adalah diskrepansi dari model yang dievaluasi dan d adalah
degress of freedom-
nya, sementara
C
�
dan b
�
adalah diskrepansi dan
degress of freedom
dari
baseline model
yang dijadikan pembanding.
Dalam penilaian model, indek – indek TLI dan CFI sangat
dianjurkan untuk digunakan, karena indek – indek ini relatif tidak sensitif
terhadap besarnya sampel dan kurang dipengaruhi pula oleh kerumitan model Hulan
et al.
dalam Ferdinand, 2002:61. Dengan demikian, indek – indek yang dapat digunakan untuk menguji kelayakan sebuah model
adalah seperti yang di ringkas dalam tabel berikut ini;
Tabel III. 3 Kriteria Goodness of Fit
Goondness of fit index Cut-off Value
χ
2
-Chi-Square
Diharapkan kecil
Significance Probability
≥ 0.05
RMSEA
≤ 0.08
GFI
≥ 0.90
AGFI
≥ 0.90
CMINDF
≤ 2.00
TLI
≥ 0.95
CFI
≥ 0.95
3. Interprestasi dan Modifikasi Model
Langkah terakhir
adalah menginterpretasikan
model dan
memodifikasikan model yang tidak memenuhi syarat pengujian. Memodifikasi model dapat dilakukan dengan cara komposit atau dengan
mengeluarkan variabel-variabel yang tidak signifikan dari model. Setelah diperoleh model yang memenuhi
goodness-of-fit indices
maka uji hipotesis dapat dilakukan dengan uji kausalitas:
regression weight
melalui pengujian signifikansi nilai lamda yang dilakukan dengan uji-t yang dapat disajikan dengan program AMOS melalui uji C.R atau
critical ratio.
Hasil pengujian ini akan menunjukkan adanya
causal relationship
atau hubungan antara variabel independen dengan variabel
dependen.
59
BAB IV GAMBARAN UMUM KOPERASI KREDIT CU. LANTANG TIPO
A. Sejarah singkat Koperasi Kredit CU. Lantang Tipo
Pencetus berdirinya Koperasi Kredit CU. Lantang Tipo adalah guru- guru Katolik yang berdomisili di Pusat Damai Kecamatan Parindu Kabupaten
Sanggau. Hal ini didorong oleh Koperasi Belanja Bersama para guru tersebut yang sering diadakan tidak dapat memenuhi kebutuhan para anggotanya.
Selain itu kegiatannya dirasakan tidak dapat memupuk kerjasama dan membantu mengatur pengelolaan keuangan secara tepat.
Pada tahun 1975 mulai diperkenalkan Credit Union ke Kalimantan Barat oleh
Credit Union Counselling Office
CUCO Indonesia yang berpusat di Jakarta. Dimotori oleh Delsos Keuskupan Agung Pontianak yang
beralamat di jalan Imam Bonjol No. 338 Pontianak di bawah pimpinan Pastor Pius Camperlle, tim kursus dasar untuk
Credit Union
didatangkan dari Jakarta. Salah satu daerah tujuan tim adalah Sanggau, Kalimantan Barat. Tim
yang mengunjungi Sanggau dari
Credit Union Counselling Office
CUCO Indonesia adalah :
1. Drs. R.W. Robby Tulus, selaku pimpinan umum kursus.
2. A.C. Lunandi, BA., sebagai tenaga pengajar utama.
3. Trisna Ansarli, sebagai aktivis
Credit Union Counselling Office
CUCO Indonesia.
