58 a. Data diperoleh dari laporan bulanan yang dipublikasikan di
www.bi.go.id. 2. Library Research
Merupkan teknik pengumpulan data yang dilengkapi pula dengan membaca dan mempelajari serta menganalisis literature yang bersumber
dari buku-buku dan jurnal-jurnal yang berkaitan dengan penelitian ini. Hal ini dilakukan untuk mendapat landasan teori dan konsep yang tersusun.
Peneliti melakukan penelitian dengan membaca, mengutip bahan-bahan yang berkenaan dengan penelitian.
D. Metode Analisis
Metode analisis yang digunakan adalah analisis jalur dengan menggunakan AMOS 18.
Analisis jalur merupakan pengembangan dari model regresi yang digunakan untuk kesesuaian fit dari matrik korelasi dari dua atau lebih model
yang dibandingkan oleh peneliti. Model biasanya digambarkan dengan lingkaran dan anak panah yang menunjukkan hubungan kausalitas. Regresi
dilakukan untuk setiap variabel dalam model. Nilai regresi yang diprediksi oleh model dibandingkan dengan matrik korelasi hasil observasi variabel dan
nilai goodness of-fit dihitung. Model terbaik dipilih berdasarkan nilai goodness of fit
Imam Ghozali, 2008:21. Analisis jalur merupakan pengembangan lebih lanjut dari analisis regresi
berganda dan bivariate. Analisis jalur ingin menguji persamaan regresi yang
59
X
1
X
2
X
3
Y
1
e
1
melibatkan beberapa variabel eksogen dan endogen sekaligus sehingga memungkinkan pengujian terhadap variabel mediatingintervening atau
variabel antara. Disamping itu analisis jalur juga dapat mengukur hubungan langsung antar variabel dalam model maupun hubungan tidak langsung antar
variabel dalam model. Hubungan langsung antara variabel eksogen terhadap variabel dapat dilihat pada koefisien beta. Hubungan tidak langsung adalah
seberapa besar pengaruh variabel eksogen terhadap variabel endogen melalui variabel intervening. Pengaruh total dapat diperoleh dengan menjumlahkan
hubungan langsung dan tidak langsung Imam ghozali, 2008:93. Dilihat dari kerangka berfikir penelitian ini, maka dapat diperoleh 2 dua
substruktur linier sebagai berikut: Substruktur I :
Gambar 3.1 Hubungan Kausal X
1
, X
2
, X
3
terhadap Y
1
Y
1
= Y
1
X
1
+ Y
1
X
2
+ Y
1
X
3
+
ε
1
Keterangan : Y
1
= FDR X
1
= Inflasi X
2
= SBIS X
3
= PUAS
60
X
1
X
2
X
3
Y
1
Z e
1
e
2
ε
1
= Residual Error
Substruktur II :
Gambar 3.2 Hubungan Kausal X
1
, X
2
, X
3
dan Y
1
terhadap Z
Z = ZX
1
+ ZY
1
+ ZX
2
+ ZX
3
+
ε
3
Keterangan : Z
= ROA Y
1
= FDR X
1
= Inflasi X
2
= SBIS X
3
= PUAS
ε
3
= Residual Error
Selanjutnya dengan menggunakan model logaritma natural formulasinya dapat dibentuk lebih nyata sebagai berikut :
Substruktur I : Y
1
= Y
1
X
1
+ Y
1
X
2
+ Y
1
X
3
+
ε
1
Substruktur II : Z = ZX
1
+ ZY
1
+ ZX
2
+ ZX
3
+
ε
3
61 Hair et. al 1998 dalam Imam Ghozali 2008:61 mengajukan tahapan
pemodelan dan analisis persamaan structural menjadi 7 tujuh langkah yaitu: Langkah 1: Pengembangan Model Berdasar Teori
Model persamaan structural didasarkan pada hubungan kausalitas, dimana perubahan satu variabel diasumsikan akan berakibat pada perubahan variabel
lainnya. Hubungan kausalitas dapat berarti hubungan yang ketat seperti ditemukan dalam proses fisik seperti dalam riset perilaku yaitu alasan
seseorang membeli produk tertentu. Kuatnya hubungan kausalitas antara dua variable yang diasumsikan oleh peneliti bukan terletak pada metode analisis
yang dia pilih, tetapi terletak pada justifikasi pembenaran secara teoritis untuk mendukung analisis. Jadi jelas bahwa hubungan antar variable dalam
model merupakan dedukasi dari teori. Langkah 2 dan 3: Menyusun Diagram Jalur dan Persamaan Struktural
Langkah berikutnya adalah menyusun hubungan kausalitas dengan
diagram jalur dan menyusun persamaan strukturalnya. Ada dua hal yang perlu dilakukan yaitu menyusun model struktural yaitu menghubungkan antar model
konstruk laten baik endogen maupun eksogen dan menyusun measurement model
yaitu menghubungkan konstrak laten endogen atau eksogen dengan variabel indikator atau manifest.
Langkah 4: Memilih Jenis Input Matrik dan Estimasi Model yang Diusulkan Model persamaan strukturak berbeda dari teknik analisis multivariate
lainnya, SEM hanya menggunakan data input berupa matrik variankovariabn atau matrik korelasi. Data mentah obesrvasi individu dapat dimasukkan dalam
62 program AMOS, tetapi program AMOS akan merubah dahulu data mentah
menjadi matrik kovarian atau matrik korelasi. Analisis terhadap data outlier harus dilakukan sebelum matrik kovarian atau korelasi dihitung. Teknik
estimasi model persamaan structural pada awalnya dilakukan dengan ordinary least square
OLS regression, tetapi teknik ini mulai digantikan oleh Maximum Likelihood Estimation
ML yang lebih efisien dan unbiased jika asumsi normalitas multivariate dipenuhi. Teknik ML sekarang digunakan oleh
banyak program komputer. Namun demikian teknik ML sangat sensitif terhadap non-normalitas data sehingga diciptakan teknik estimasi lain seperti
weight least square WLS, generalized least square GLS dan
asymptotivally distribution free ADF.
Langkah 5 : Menilai Identifikasi Model Struktural Selama proses estimasi berlangsung dengan program komputer, sering
didapat hasil estimasi yang tidak logis atau meaningless dan hal ini berkaitan dengan masalah identifikasi model structural. Problem identifikasi adalah
ketidakmampuan proposed model untuk menghasilkan unique estimate. Cara melihat ada tidaknya problem identifikasi adalah dengan melihat hasil
estimasi yang meliputi: 1 adanya nilai standar error yang bvesar untuk satu atau lebih koefisien, 2 ketidakmampuan program untuk invert information
matrix, 3 nilai estimasi yang tidak mungkin misalkan error variance yang
negatif , 4 adanya nilai korelasi yang tinggi 0,90 antar koefisien estimasi.
Langkah 6 : Menilai Kriteria Goodness-of-Fit
63 Salah satu tujuan dari Analisis Jalur adalah menentukan apakah model
planusible masuk akal atau fit. Suatu model penelitian dikatakan baik,
apabila memiliki model fit yang baik pula. Tingkat kesesuaian model dalam buku Imam Ghozali 2008 terdiri dari :
1. Absolute Fit Measure
Absolute fit measure mengukur model fit secara keseluruhan baik model strultural maupun model pengukuran secara bersamaan.
a. LikeliHood-Ratio Chi-Square Statistic
Ukuran fundamental dari overall fit adalah likeliHood-ratio chi- square
2
χ
. Ni lai chi-square yang tinggi relative terhadap degree of
freedom menunjukkan bahwa matrik kovarian atau korelasi yang diobservasi dengan yang diprediksi berbeda secara nyata dan ini
menghasilkan probabilitas p akan menghasilkan nilai probabilitas p yang lebih besar dari tingkat signifikansi
α
dan ini menunjukkan bahwa input matrik kovarian abtara prediksi dengan observasi
sesungguhnya tidak berbeda secara signifikan. Dalam hal ini peneliti harus mencari nilai chi-square yang tidak signifikan p ≥ 0.05 karena
mengharapkan bahwa model yang diusulkan cocok atau fit dengan data observasi.
b. CMINDF Adalah nilai chi-square dibagi dengan degree of freedom.
Beberapa pengarang menganjurkan menggunakan ratio ukuran ini
64 untuk mengukur fit. Menurut Wheaton et. Al 1977 dalam Imam
GHozali 2008 nilai ratio 5 lima atau kurang dari lima merupakan ukuran yang reasonable. Peniliti lainnya seperti Byrne 1988
mengusulkan nilai ratio ini 2 merupakan ukuran fit. c. Goodness of Fit Index GFI
Goodness of Fit Index GFI dikembangkan oleh Joreskog dan
Sorbon 1984 yaitu ukuran non-statistik yang nilainya berkisar antar 0 poor fit sampai 1 perfect fit. Nilai GFI tinggi menunjukkan fit yang
lebih baik dan berapa nilai GFI dapat diterima sebagai nilai yang layak belum ada standarnya, tetapi banyak peneliti menganjurkan nilai di
atas 90 sebagai ukuran good fit. d. Root Mean Square Erorrs of Approximation RMSEA
Root mean square error of approximination RMSEA merupakan ukuran yang mencoba memperbaikia kecenderungan statistic chi-
square menolak model dengan jumlah sampel yang besar. Nilai RMSEA antara 0,05 sampai 0,08 merupakan ukuran yang dapat
diterima. Hasil uji empiris RMSEA cocok untuk menguji model konfitmatori atau competing model strategy dengan jumlah sampel
besar. 2.
Incremental Fit Measures Incremental fit measures
membandingkan proposed model dengan baseline model sering disebut dengan null model. Null model merupakan
model realistic dimana model-model yang lain harus diatasnya.
65 a. Adjusted Goodness of Fit Indes AGFI
Adjusted Goodnbess
of Fit
Index AGFI
merupakan pengembangan dari GFI yang disesuaikan dengan ratio degree of
freedom untuk propsed model dengan degree of freedom untuk null model. Nilai yang direkomendasikan adalah ≥ 0,90.
b. Tucker-Lewis Index TLI Tucker-Lewis Index atau dikenal dengan nonnormed fit index
NNFI. Pertama kali diusulkan sebagai alat untuk mengevaluasi analisis faktor, tetapi sekarang dikembangkan untuk SEM. Ukuran ini
menggabungkan ukuran parsimony kedalam indek komparasi antara proposal model dan null model dan nilai TLI berkisar dari 0 sampai
1.0. Nilai TLI yang direkomemdasikan adalah ≥ 0,90. c. Normed Fit Index NFI
Normed Fit Index merupakan ukuran perbandingan antara
proposed model dan null model. Nilai NFI akan bervariasi dari 0 no fit at all sampai 1.0 perfect fit. Seperti halnya TLI tidak ada nilai
absolute yang dapat digunakan sebagai standar, tetapi umumnya direkomendasikan ≥ 0,90.
3. Parsimony Fit Measures
Ukuran ini menghubungkan goodness-of-fit model dengan sejumlah koefisien estimasi yang diperlukan untuk mencapai level fit. Tujuan
dasarnya adalah untuk mendiagnose apakah model fit telah tercapai
66 dengan “overfitting” data yang memiliki banyak koefisien. Prosedur ini
mirip dengan “adjustment” terhadap nilai R
2
didalam multiple regression. Namun demikian karena tidak ada uji statistic yang tersedia maka
penggunaannya hanya terbatas untuk membandingkan model. a. Parsimony Goodness of Fit Index PGFI
Parsimonious goodness-of-fit index PGFI memodifikasi GFI atas dasar parsimony estimated model. Nilai PGFI berkisar antara 0
sampai 1.0 debngan nilai semakin tinggi menunjukkan model lebih parsimony.
b. Parsimony Normed Fit Index PNFI Parsimonious normal fit index PNFI merupakan modifikasi dari
NFI. PNFI memasukkan jumlahb degree of freedom yang digunakan untuk mencapai level fit. Semakin tinggi nilai PNFI semakin baik.
Kegunaan utama dari PNFI adalah untuk membandingkan model dengan degree of freedom yang berbeda. Digunakan untuk
membandingkan model alternative sehingga tidak ada nilai yang direkomendasikan sebagai nilai fit yang diterima. Namun demikian
jika membandingkan dua model maka perbedaan PNFI 0,60 sampai 0,90 menunjukkan adanya perbedaan model yang signifikan.
67
Tabel 3.1
Standar Penilaian Kesesuaian Fit
Laporan Statistik Nilai yang Direkomendasikan
Imam Ghozali 2008 Cut of value
Keterangan Absolut Fit
Probabilitas
2
χ
Tidak signifikan p 0.05 Model yang diusulkan cocokfit
dengan data observasi
2
χ
df
≤
5 2
- Ukuran yang reasonable - Ukuran fit
RMSEA 0.1
0.05 0.01
0.05
≤ ≤ x
0.08 - good fit
- very good fit - outstanding fit
- reasonable fit
GFI 0.9
good fit
Incremental Fit
AGFI
≥
0.9 good fit
TLI
≥
0.9 good fit
NFI
≥
0.9 good fit
Parsimonious Fit
PNFI 0-1.0
lebih besar lebih baik PGFI
0-1.0 lebih besar lebih baik
Sumber : Imam Ghozali, 2008
Langkah 7 : Interpretasi dan Modifikasi Model
Ketika model telah dinyatakan diterima, maka peneliti dapat mempertimbangkan dilakukannya modifikasi model untuk memperbaiki
penjelasan teoritis atau goodness-of-fit. Modifikasi dari model awal harus dilakukan setelah dikaji banyak pertimbangan. Jika model dimodifikasi, maka
model tersebut harus di cross-validated diestimasi dengan data terpisah sebelum model modifikasi diterima.
68
E. Operasional Variabel
