Institutional Repository | Satya Wacana Christian University: Keputusan Hutang Usaha Mikro: Pengujian Theory of Planned Behavior (Studi pada Usaha Kain Tenun di Sumba Timur) D 922011001 BAB III

BAB III

METODE PENELITIAN

Dalam rangka menjawab persoalan penelitian yang telah

dikemukakan, maka digunakan metode penelitian kuantitatif. Penelitian ini menurut tingkat eksplanasinya termasuk dalam penelitian kausalitas, karena penelitian ini dilakukan untuk menguji hipotesis mengenai hubungan kausalitas antar satu atau beberapa variabel dengan satu atau beberapa variabel lainnya (Sugiyono, 2013). Berdasarkan model penelitian yang dikembangkan ini diharapkan dapat lebih menjelaskan lagi hubungan kausalitas antar variabel yang dianalisis, dan sekaligus dapat membuat implikasi penelitian yang berguna untuk pengembangan ilmu pengetahuan serta sebagai suatu metode dan teknik bagi pemecahan masalah yang ada di lapangan.

3.1.Populasi dan Sampel

Populasi adalah gabungan dari seluruh elemen yang berbentuk peristiwa, hal atau orang yang memiliki karakteristik yang serupa yang menjadi pusat perhatian seorang peneliti, sedangkan sampel adalah subset dari populasi (Ferdinand, 2013). Populasi dalam penelitian ini adalah seluruh pemilik usaha kain tenun yang berada pada tujuh sentra produksi di Kabupaten Sumba Timur, Nusa Tenggara Timur.

Jumlah sampel yang digunakan dalam penelitian ini disesuaikan dengan metode analisis yang digunakan yaitu Structural Equation Model

(SEM). Dalam metode SEM, jumlah sampel yang dibutuhkan paling sedikit 5 kali jumlah variabel indikator (Ferdinand, 2014). Adapun jumlah indikator dalam penelitian ini sebanyak 15 indikator, sehingga minimal dibutuhkan 15 x 5 atau 75 sampel. Namun dalam pengujian Chi Square model SEM sangat

sensitif dengan jumlah sampel, sehingga sampel penelitian ini akan membutuhkan mengacu pada kriteria yang diusulkan oleh Hair et al. (2010:637) yaitu dengan teknik Maximum Likelihood Estimation (MLE). Jumlah sampel yang baik menurut MLE berkisar antara 100-200 sampel. Oleh karena itu jumlah sampel yang diharapkan minimal 100 sampel dan maksimum 200 sampel.

Dalam menentukan sampel, peneliti menggunakan non-probablity sampling karena tidak memberi peluang/kesempatan yang sama bagi setiap anggota populasi untuk menjadi sampel (Sugiyono, 2013). Metode pengambilan sampel dalam penelitian ini adalah purposive sampling. Metode

Purposive sampling merupakan metode pengambilan sampel yang dilakukan berdasarkan kriteria yang telah ditentukan oleh peneliti (Ferdinand, 2013).

Adapun kriteria pemilik usaha kain tenun yang akan dijadikan sampel dalam penelitian ini adalah pemilik usaha kain tenun yang menggunakan hutang sebagai salah satu sumber pendanaan usaha. Oleh karena itu, setiap pemilik usaha kain tenun yang ditemui peneliti, akan ditanyakan terlebih dahulu apakah mereka menggunakan hutang dalam menjalankan usahanya atau tidak. Jika menggunakan hutang dan bersedia memberikan informasi lain yang dibutuhkan peneliti, maka akan dijadikan sampel. Tetapi bila pemilik usaha yang ditemui tidak menggunakan hutang dalam usahanya, maka akan dilewati. Demikian seterusnya sampai memenuhi jumlah sampel minimal.

3.2. Pengukuran Variabel

Penelitian ini menggunakan 5 (lima) variabel yaitu sikap terhadap hutang, norma sosial, kontrol perilaku yang dipersepsikan, niat berhutang, dan keputusan hutang.

3.2.1. Sikap terhadap Hutang

Sikap terhadap hutang adalah evaluasi pemilik usaha untuk mendukung atau tidak mendukung dalam berhutang (Ajzen, 2005). Ajzen (2006) menyatakan bahwa sikap individu dapat dinyatakan dalam dimensi berpasangan seperti baik-buruk, nyaman-tidak nyaman, berbahaya-bermanfaat, dan bernilai-tidak bernilai.

Penelitian ini akan mengadaptasi indikator yang dikembangkan oleh Koropp et al. (2013, 2014) yang meneliti sikap pemilik usaha terhadap pengambilan keputusan hutang dalam perusahaan keluarga, yang memiliki

tingkat reliabilitas α=0,95. Indikator yang digunakan disesuaikan dengan karakteristik pemilik usaha mikro yaitu a) Menggunakan hutang merupakan ide yang baik bagi usaha, b) Menggunakan hutang dapat menguntungkan bagi usaha, dan c) Menggunakan hutang merupakan tindakan yang bijaksana.

3.2.2. Norma Sosial

Norma sosial adalah pengaruh dari lingkungan sosial yang dipersepsikan oleh individu akan mendukung atau tidak terhadap suatu perilaku (Ajzen, 1991; 2005). Dalam konteks berhutang, lingkungan sosial dapat berupa pihak-pihak yang memberikan pengaruh bagi pemilik usaha yang akan mempengaruhi niat untuk berhutang (Pennings et al., 2003; Hailu et al., 2005; Espel et al., 2009). Hailu et a.l (2005) yang meneliti tentang niat manajer dan direktur terhadap pendanaan hutang jangka panjang untuk ekspansi bisnis mengidentifikasi pihak yang berpengaruh adalah kolega, pemegang saham, manajer senior, direktur utama, pasangan, teman, dan orangtua. Espel et al. (2009) yang melakukan studi tentang niat pemilik usaha kecil dan menengah terhadap pendanaan modal swasta mengidentifikasi pihak yang berpengaruh adalah konsultan eksternal, konsultan internal, keluarga, dan teman.

Dalam penelitian ini, pihak-pihak yang mempengaruhi akan mengacu pada kedua penelitian di atas, namun disesuaikan dengan karakteristik pemilik usaha mikro yang ada di Sumba Timur yaitu a) keluarga (pasangan, orangtua, saudara) mendukung penggunaan hutang; b) Banyak teman pengusaha menggunakan hutang; c) Teman mendukung penggunaan hutang; dan d) pemerintah setempat mendukung penggunaan hutang.

3.2.3. Kontrol Perilaku yang Dipersepsikan

Kontrol perilaku yang dipersepsikan adalah persepsi pemilik usaha mikro tentang kemudahan atau kesulitan akses ke pihak penyedia dana/kreditur. Hailu et al. (2005) yang meneliti tentang niat manajer dan direktur terhadap pendanaan hutang jangka panjang untuk ekspansi bisnis menggunakan indikator: kekuatan pengambilan keputusan, manfaat dan resiko, struktur jatuh tempo, sikap pemegang saham, struktur tingkat bunga, biaya meminjam, tingkat persaingan, kemungkinan bangkrut, dan komitmen finansial pemegang saham. Espel et al. (2009) yang melakukan studi tentang niat pemilik usaha kecil dan menengah terhadap pendanaan modal swasta menggunakan tiga indikator: jaminan terwujudnya niat, kemampuan untuk mendapatkan, dan ketersediaan peluang.

Penelitian ini akan mengacu pada indikator dari kedua penelitian tersebut, akan tetapi disesuaikan dengan konteks usaha mikro dan keputusan hutang. Kontrol perilaku yang dipersepsikan dalam penelitian ini dikaitkan dengan persepsi pemilik usaha terhadap hambatan yang dialami dalam mengakses permodalan seperti jaminan, besar atau kecilnya tingkat bunga yang ditawarkan, dan aksesibilitas ke kreditur. Oleh karena itu, indikator yang akan digunakan yaitu a) Kemampuan untuk menyediakan jaminan yang diminta kreditur; b) Kemampuan untuk membayar bunga hutang; c) Kemampuan melunasi hutang tepat waktu; d) Kemampuan memiliki modal

sendiri yang cukup; e) Kemudahan mendapatkan hutang karena hubungan baik.

3.2.4. Niat Berhutang

Niat berhutang adalah keadaan sejauh mana pemilik usaha termotivasi untuk menggunakan hutang (Ajzen, 2005). Niat dapat dinyatakan sebagai keinginan atau motivasi untuk melakukan suatu perilaku. Dalam penelitian tentang niat manajer dan direktur terhadap pendanaan hutang jangka panjang untuk ekspansi bisnis, Hailu et al. (2005) menggunakan dua indikator yaitu motivasi persetujuan dan motivasi manfaat yang diperoleh. Sedangkan Espel et al. (2009) menggunakan empat indikator dengan tingkat reliabilitas 0,79 yaitu upaya untuk mendapatkan, niat untuk menggunakan, relevansi, dan pertimbangan dalam penelitiannya tentang niat pemilik usaha kecil dan menengah terhadap pendanaan modal swasta. Koropp et al. (2014) yang melakukan penelitian pada perusahaan keluarga menggunakan 3 indikator “ I intend to”; I will try to”; I will make an effort to”

Mengacu pada indikator yang digunakan oleh Koropp et al. (2014) yang disesuaikan dengan konteks keputusan hutang, maka indikator niat yang digunakan dalam penelitian ini adalah a) Bermaksud untuk menggunakan hutang; b) Mencoba untuk menggunakan hutang; c) Berupaya untuk menggunakan hutang.

3.2.5. Keputusan Hutang

Keputusan pendanaan yang dilakukan pemilik usaha dapat dilihat dari intensitas penggunaan (Espel et al., 2009) dan proporsi penggunaan (Koropp et al., 2014). Penelitian ini akan mengacu pada konsep Koropp et al. (2014) yang disesuaikan dengan konteks keputusan pemilik usaha mikro, dimana keputusan hutang yang dimaksud adalah proporsi penggunaan hutang.

Proporsi hutang dalam hal ini adalah proporsi jumlah hutang dari total modal yang digunakan pemilik usaha dalam menjalankan usahanya.

Secara ringkas definisi operasional, pengukuran, dan indikator variabel dapat dilihat pada tabel berikut:

Tabel 3.1

Definisi Operasional, Pengukuran, dan Indikator Variabel Variabel Definisi

Operasional

Pengukuran Indikator

Sikap terhadap hutang Sikap terhadap hutang adalah evaluasi pemilik usaha untuk mendukung atau tidak mendukung dalam berhutang (Ajzen, 2005) Variabel sikap terhadap hutang diukur dengan skala interval dan mengadaptasi indikator yang dikembangkan oleh Koropp et al., 2013; 2014

1.Menggunakan hutang

merupakan ide yang baik bagi usaha,

2.Menggunakan hutang

dapat menguntungkan bagi usaha,

3.Menggunakan hutang

merupakan tindakan yang bijaksana. Norma Sosial Norma sosial adalah pihak-pihak yang memberikan pengaruh bagi pemilik usaha (Pennings et al., 2003; Hailu et al., 2005; Espel et al., 2009)

Variabel norma sosial diukur dengan interval dan mengadaptasi indikator yang dikembangkan oleh Hailu et al., 2005; Ajzen, 2006; Espel et al., 2009.

1.Keluarga (pasangan, orangtua, saudara) mendukung

penggunaan hutang; 2.Banyak teman

pengusaha

menggunakan hutang;

3.Teman mendukung

penggunaan hutang; 4.Pemerintah setempat

mendukung

(Tabel 3.1. Lanjutan....)

Variabel Definisi

Operasional

Pengukuran Indikator

Kontrol perilaku yang dipersepsikan Kontrol perilaku yang dipersepsikan adalah persepsi pemilik usaha mikro tentang kemudahan atau kesulitan akses ke pihak penyedia dana/kreditur Variabel kontrol perilaku yang dipersepsikan diukur dengan skala interval dan mengadaptasi indikator yang dikembangkan oleh Hailu et al., 2005; Ajzen, 2006; Espel et al., 2009

1.Kemampuan untuk

menyediakan jaminan yang diminta kreditur;

2.Kemampuan untuk

membayar bunga hutang;

3.Kemampuan melunasi

hutang tepat waktu;

4.Kemampuan memiliki

modal sendiri yang cukup;

5.Kemudahan

mendapatkan hutang karena hubungan baik Niat berhutang Niat berhutang adalah keadaan sejauh mana pemilik usaha termotivasi untuk menggunakan hutang Variabel niat berhutang diukur dengan skala interval dan mengadaptasi indikator yang dikembangkan oleh Koropp et al., 2014

1. Bermaksud untuk

menggunakan hutang;

2. Mencoba untuk

menggunakan hutang;

3. Berupaya untuk

menggunakan hutang. Keputusan Hutang Keputusan hutang yang dimaksud adalah proporsi penggunaan hutang (Koropp et al., 2014)

Keputusan hutang diukur dengan skala rasio. Proporsi hutang dalam hal ini adalah proporsi jumlah hutang dari total modal yang digunakan pemilik usaha dalam menjalankan usahanya Sumber: Dari berbagai literatur

Skala pengukuran yang digunakan untuk variabel-variabel di atas, kecuali variabel keputusan hutang, akan mengacu pada skala yang diusulkan Ajzen (2006) dan digunakan oleh Espel et al. (2009) serta Koropp et al. (2014) yaitu skala Likert 7-poin. Rentang skala yang digunakan yakni dari poin 1 (sangat tidak setuju) sampai dengan poin 7 (sangat setuju).

3.3.Teknik Pengumpulan Data

Data yang digunakan dalam penelitian ini adalah data primer yang diambil langsung oleh peneliti. Teknik pengumpulan data primer dapat dilakukan dengan tiga cara yaitu wawancara (interview), kuesioner, observasi (Supramono et al., 2010). Penelitian ini akan menggunakan teknik penyebaran kuesioner secara langsung kepada responden (personally administrated questionnaraires) karena sampel yang ditentukan dapat dijangkau secara personal dan mudah ditemui. Kuesioner yang digunakan sebagai instrumen pengumpulan data, berisikan item pernyataan-pernyataan yang dikembangkan untuk mengukur variabel-variabel yang diteliti (terlampir).

Teknik penyebaran kuesioner dilakukan dengan cara menggunakan enumerator-enumerator yang berasal dari kecamatan tempat usaha kain tenun. Alasan menggunakan enumerator dari masyarakat sekitar usaha kain tenun karena banyak pemilik usaha kain tenun yang kurang dapat berbahasa Indonesia dengan baik, sehingga perlu penjelasan khusus dalam bahasa Sumba Timur tentang isi kuesioner. Enumerator sebelumnya diberi penjelasan mengenai tujuan penelitian dan isi pertanyaan serta pernyataan dalam kuesioner.

Penyebaran kuesioner oleh enumerator dilakukan pada bulan April sampai dengan Juni 2015 kepada responden. Responden yang dimaksud adalah pemilik usaha kain tenun yang tersebar pada tujuh kecamatan dalam Kabupaten Sumba Timur yang merupakan daerah sentra produksi kain tenun

sesuai data dari Dinas Perindustrian dan Perdagangan Kabupaten Sumba Timur. Kecamatan-kecamatan tersebut adalah Kota Waingapu, Kambera, Kanatang, Pandawai, Rindi, Umalulu dan Pahungalodu. Hambatan utama dalam penyebaran kuesioner seperti yang disampaikan para enumerator adalah lamanya waktu yang dibutuhkan pemilik usaha dalam mengisi satu kuesioner karena kendala bahasa. Dalam keadaan tertentu, karena alasan kendala bahasa tersebut, responden tidak dapat secara personal mengisi setiap pertanyaan pada kuesioner. Hal tersebut diatasi dengan enumerator membantu mengisi setiap pertanyaan/pernyataan sesuai persepsi responden. Kendala bahasa tersebut membawa konsekuensi waktu penelitian lapangan yang lebih lama. Berdasarkan kesediaan pengusaha kain tenun berpartisipasi selama proses penelitian lapangan, diperoleh 177 responden.

3.4.Teknik Analisis Data

Salah satu teknik analisis data yang dapat digunakan untuk menguji hubungan kausalitas adalah Structural Equation Modeling-SEM (Ferdinand, 2013). Menurut Hair et al. (2010), SEM merupakan model statistik yang dapat menjelaskan hubungan yang kompleks diantara variabel-variabel. SEM juga memungkinkan pengujian sebuah rangkaian hubungan yang relatif

“rumit” secara simultan, seperti hubungan antara satu atau beberapa variabel dependen dengan satu atau beberapa variabel independen (Ferdinand, 2014).

Dalam model penelitian yang telah dirumuskan pada bab dua, terdapat beberapa variabel yang merupakan variabel independen, tetapi juga sebagai variabel dependen (variabel niat berhutang). Selain itu variabel niat berhutang merupakan variabel yang memediasi pengaruh faktor sikap terhadap hutang, norma sosial, dan kontrol perilaku yang dipersepsikan terhadap keputusan hutang. Oleh karena itu, pengujian model dan hipotesis yang telah dirumuskan dalam penelitian ini akan menggunakan teknik SEM.

Langkah-langkah yang harus dilakukan untuk melakukan pengujian model dan hipotesis dengan menggunakan SEM (Ferdinand, 2014; Ghozali, 2014), yaitu:

1. Mengembangkan model teoritis: mengacu pada pencarian atau

pengembangan model (telah dilakukan pada bab II).

2. Mengembangkan diagram alur: dilakukan untuk melihat hubungan

kausalitas yang ingin diuji. Diagram alur dalam penelitian ini dapat dilihat pada gambar di bawah ini:

Gambar 3.1

Diagram Alur Model Penelitian Empirik

Diagram alur di atas menunjukkan tiga variabel eksogen (sikap terhadap hutang, norma sosial dan kontrol perilaku yang dipersepsikan) dan dua variabel endogen (niat berhutang dan keputusan hutang). Variabel

berdasarkan proporsi penggunaan hutang. Sedangkan empat variabel lainnya merupakan unobserved variable yang diukur dengan seperangkat pertanyaan berdasarkan indikator yang telah ditentukan.

3. Konversi diagram alur ke dalam persamaan: konversi spesifikasi model ke dalam rangkaian persamaan struktural dan persamaan spesifikasi model pengukuran.

Tabel 3.2

Spesifikasi Model Pengukuran dan Persamaan Struktural

Variabel Eksogen Variabel Endogen

STH1=λSPH1Sikap Terhadap Hutang + e1 STH2=λSPH2Sikap Terhadap Hutang + e2 STH3=λSPH3Sikap Terhadap Hutang + e3 NS1=λNS1Norma Sosial + e4

NS2=λNS2Norma Sosial + e5 NS3=λNS3Norma Sosial + e6 NS4=λNS4Norma Sosial + e7

KPD1=λPKD1Kontrol perilaku yang dipersepsikan + e8 KPD2=λPKD2Kontrol perilaku yang dipersepsikan + e9 KPD3=λPKD3Kontrolperilaku yang dipersepsikan+ e10 KPD4=λPKD4Kontrolperilaku yang dipersepsikan+ e11 KPD5=λPKD5Kontrolperilaku yang dipersepsikan+ e12

NB1=λMMH1Niat berhutang + e13 NB2=λMMH2Niat berhutang + e14 NB3=λMMH1Niat berhutang + e15

Model Struktural

Niat Berhutang = β1Sikap Terhadap Hutang + β2Norma Sosial + β3Kontrol perilaku yang dipersepsikan + z1 Keputusan Hutang = β4Niat Berhutang + z2

Keputusan Hutang = β5Kontrol perilaku yang dipersepsikan + z2

4. Memilih matriks input dan estimasi model. Pada tahap ini, matriks kovarian dipilih karena memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi atau sampel yang berbeda. Teknik estimasi yang digunakan adalah teknik Maximum Likelihood Estimation (MLE).

5. Menilai problem identifikasi: menanggulangi hasil estimasi yang unik dengan memberikan banyak konstrain pada model yang dianalisis. 6. Evaluasi kinerja Goodness-of-Fit (GOF), yang dilakukan dengan

a. asumsi kecukupan sampel. Sampel minimum yang harus dipenuhi 100 dan selanjutnya menggunakan perbandingan 5 observasi untuk setiap

estimated parameter.

b. asumsi normalitas. Normalitas diuji dengan menggunakan nilai statistik z value dari ukuran skewness dan kurtosis sebaran data. Pada output program AMOS disebut critical ratio atau c.r. Nilai kritis berdasarkan tingkat signifikansi 1% (dua sisi) sebesar ± 2,58. Uji normalitas dilakukan secara univariat dan multivariat.

c. asumsi outlier. Outlier adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariat yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi lainnya. Evaluasi terhadap asumsi outlier univariat dilakukan dengan mengkonversi nilai data penelitian ke dalam standard score (z-score), dengan syarat nilai z-score tidak lebih besar dari ± 3,00. Sedangkan evaluasi asumsi multivariate outlier dilakukan dengan melihat jarak Mahalanobis (Mahalanobis

distance) dengan batas nilai derajat bebas (degree of freedom) dari jumlah variabel yang diteliti pada tingkat p < 0,001.

Selanjutnya, dilakukan evaluasi atas kinerja GOF. Dalam analisis SEM, tidak ada alat uji statistik yang tunggal untuk menguji hipotesis mengenai model. Berbagai indeks kesesuaian digunakan untuk mengukur derajat kesesuaian antara model dan data yang disajikan. Hair et al. (2010) mengelompokkan GOF ke dalam tiga kelompok, yakni

absolute fit measures, incremental fit measures, dan parsimony fit measure. Ketiga kelompok GOF tersebut dipaparkan sebagai berikut: a. Absolute fit measure adalah pengukuran langsung dari bagaimana

baiknya model yang dispesifikasi oleh peneliti menghasilkan

bagaimana baiknya suatu teori cocok dengan data sampel. Indeks yang masuk dalam kelompok ini adalah:

(1) The Minimum Sample Discrepancy Function (CMIN/DF) merupakan ukuran yang diperoleh dari nilai chi square dibagi dengan degree of freedom. Indeks ini adalah indeks kesesuaian

parsimonious yang mengukur hubungan goodness of fit model dengan jumlah koefisien-koefisien estimasi yang diharapkan

untuk mencapai tingkat kesesuaian. Nilai yang

direkomendasikan untuk menerima kesesuaian sebuah model adalah CMIN/DF < 2,0 atau 3,0.

(2) Chi square (χ2) Statistic. Model yang diuji dapat disimpulkan

sebagai model yang baik, jika nilai χ2 rendah. Semakin kecil nilai χ2 dapat disimpulkan bahwa semakin baik model tersebut,

karena dalam uji beda chi square, nilai χ2=0 berarti tidak ada perbedaan. Perbedaan yang dimaksud adalah perbedaan antara model yang diuji dengan saturated model. Chi square bersifat sangat sensitif terhadap besarnya sampel yang digunakan, oleh

karena itu χ2 perlu dilengkapi dengan alat uji lainnya.

(3) Goodness of Fit Index (GFI). Indeks ini mencerminkan tingkat kesesuaian model yang dihitung dari residual kuadrad dari model yang diprediksi dibandingkan dengan data yang sebenarnya. Nilai yang mendekati 1 mengisyaratkan model yang diuji memiliki kesesuaian yang baik.

(4) Adjusted Goodness of Fit Index (AGFI) merupakan pengembangan dari GFI, yang telah disesuaikan dengan rasio dari degree of freedom model yang diajukan dengan degree of freedom dari null model (model konstruk tunggal dengan semua indikator pengukuran konstruk). Nilai yang direkomendasikan adalah AGFI > 0,90.

(5) Root Means Square Residual (RMSR) and Standardized Root Mean Residual (SRMR). RMSR merupakan rata-rata dari residual antara individual observed dan kovarian dan varians yang diestimasi. Sedangkan SRMR merupakan nilai statistik

alternatif yang didasarkan pada nilai RMSR yang

distandardisasi, yang lebih berguna untuk membandingkan fit lintas model. Nilai RMSR dan SRMR yang rendah menunjukkan kecocokan yang lebih baik.

(6) Root Mean Square Error of Approximation (RMSEA) adalah indeks yang digunakan untuk mengukur kesesuaian model menggantikan chi square statistic dalam jumlah sampel yang besar. Nilai RMSEA < 0,08 mengindikasikan indeks yang baik untuk menerima kesesuaian model.

b. Incremental Fit Indices adalah indeks yang menilai bagaimana baiknya suatu model yang dispesifikasi cocok secara relatif dengan beberapa alternatif baseline model. Implikasinya adalah bahwa tidak ada data reduction yang dapat memperbaiki model karena data tidak

berisi multi-item factors, sehingga, kelompok indeks ini

mencerminkan perbaikan dalam kesesuaian dengan spesifikasi dari hubungan multi-item constructs. Indeks yang termasuk dalam

incremental fit indices adalah:

(1) Normed Fit Index (NFI) adalah indeks kesesuaian incremental yang diperoleh dari rasio perbedaan dalam nilai χ2 untuk model yang disesuaikan dan null model dibagi dengan nilai χ2 untuk null model. Nilai penerimaan yang direkomendasikan adalah NFI > 0,90.

(2) Comparative Fit Index (CFI) adalah indeks kesesuaian incremental, yang membandingkan model yang diuji dengan null model. Indeks ini sangat baik untuk mengukur tingkat

penerimaan model, karena seperti CMIN/DF, nilainya tidak dipengaruhi oleh ukuran sampel. Nilai indeks ini berada pada rentang dari 0 sampai dengan 1 dan nilai yang mendekati 1 mengindikasikan model memiliki tingkat kesesuaian yang baik. Nilai penerimaan yang direkomendasikan adalah CFI > 0,95. (3) Trucker Lewis Index (TLI) adalah indeks kesesuaian incremental

yang membandingkan model yang diuji dengan null model. Indeks kesesuaian ini kurang dipengaruhi oleh ukuran sampel. Nilai penerimaan yang direkomendasikan adalah TLI > 0,90. (4) Relative Noncentrality Index (RNI) adalah indeks yang

membandingkan observed fit yang dihasilkan dari pengujian model yang dispesifikasi pada null model. Nilai RNI yang diharapkan adalah RNI > 0,90.

c. Parsimony Fit Indices dirancang secara khusus untuk menyediakan informasi tentang model mana yang terbaik di antara model-model yang diperbandingkan. Secara konseptual, indeks sama dengan istilah

adjusted R2, dalam pengertian bahwa ini model fit dihubungkan pada kompleksitas model. Untuk mengukur kompleksitas model digunakan

parsimony ratio (PR). Indeks yang dikategorikan dalam parsimony fit indices adalah:

(1) Parsimony Good-of-Fit Index (PGFI). Indeks ini menyesuaikan GFI menggunakan PR. Secara teoritikal, nilai PGFI berkisar antara 0 dan 1.

(2) Parsimony Normed Fit Index (PNFI). Indeks ini menyesuaikan NFI dengan menggandakannya dengan PR. Nilai PNFI yang relatif tinggi menunjukkan fit yang secara relatif lebih baik.

Secara ringkas indeks-indeks terpilih yang digunakan untuk menguji kelayakan model dalam penelitian ini tersaji dalam tabel berikut:

Tabel 3.3

Indeks Kesesuaian Model

Goodness of fit Index Cut-off value

Chi square Diharapkan kecil

Probability ≥ 0,05

RMSEA ≤ 0,08

GFI ≥ 0,90

AGFI ≥ 0,90

CMIN/DF ≤ 2,00

TLI ≥ 0,95

CFI ≥ 0,95

Sumber: Hair et al., 2010; Ferdinand, 2014; Ghozali, 2014

7. Interpretasi dan Modifikasi Model

Modifikasi model dapat dilakukan pada model-model yang tidak memenuhi syarat pengujian yang dilakukan. Salah satu alat untuk menilai ketepatan sebuah model yang telah dispesifikasi adalah melalui indeks modifikasi (modification index). Indeks modifikasi memberikan gambaran mengenai mengecilnya nilai chi-square atau pengurangan nilai bila sebuah koefisien diestimasi (Ferdinand, 2014).

berdasarkan proporsi penggunaan hutang. Sedangkan empat variabel lainnya merupakan unobserved variable yang diukur dengan seperangkat pertanyaan berdasarkan indikator yang telah ditentukan.

3. Konversi diagram alur ke dalam persamaan: konversi spesifikasi model ke dalam rangkaian persamaan struktural dan persamaan spesifikasi model pengukuran.

Tabel 3.2

Spesifikasi Model Pengukuran dan Persamaan Struktural Variabel Eksogen Variabel Endogen STH1=λSPH1Sikap Terhadap Hutang + e1

STH2=λSPH2Sikap Terhadap Hutang + e2 STH3=λSPH3Sikap Terhadap Hutang + e3 NS1=λNS1Norma Sosial + e4

NS2=λNS2Norma Sosial + e5 NS3=λNS3Norma Sosial + e6 NS4=λNS4Norma Sosial + e7

KPD1=λPKD1Kontrol perilaku yang dipersepsikan + e8 KPD2=λPKD2Kontrol perilaku yang dipersepsikan + e9 KPD3=λPKD3Kontrolperilaku yang dipersepsikan+ e10 KPD4=λPKD4Kontrolperilaku yang dipersepsikan+ e11 KPD5=λPKD5Kontrolperilaku yang dipersepsikan+ e12

NB1=λMMH1Niat berhutang + e13 NB2=λMMH2Niat berhutang + e14 NB3=λMMH1Niat berhutang + e15

Model Struktural Niat Berhutang = β1Sikap Terhadap Hutang + β2Norma Sosial + β3Kontrol perilaku yang dipersepsikan + z1 Keputusan Hutang = β4Niat Berhutang + z2

Keputusan Hutang = β5Kontrol perilaku yang dipersepsikan + z2

4. Memilih matriks input dan estimasi model. Pada tahap ini, matriks kovarian dipilih karena memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi atau sampel yang berbeda. Teknik estimasi yang digunakan adalah teknik Maximum Likelihood Estimation (MLE).

5. Menilai problem identifikasi: menanggulangi hasil estimasi yang unik dengan memberikan banyak konstrain pada model yang dianalisis. 6. Evaluasi kinerja Goodness-of-Fit (GOF), yang dilakukan dengan

a. asumsi kecukupan sampel. Sampel minimum yang harus dipenuhi 100 dan selanjutnya menggunakan perbandingan 5 observasi untuk setiap

estimated parameter.

b. asumsi normalitas. Normalitas diuji dengan menggunakan nilai statistik z value dari ukuran skewness dan kurtosis sebaran data. Pada output program AMOS disebut critical ratio atau c.r. Nilai kritis berdasarkan tingkat signifikansi 1% (dua sisi) sebesar ± 2,58. Uji normalitas dilakukan secara univariat dan multivariat.

c. asumsi outlier. Outlier adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariat yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi lainnya. Evaluasi terhadap asumsi outlier univariat dilakukan dengan mengkonversi nilai data penelitian ke dalam standard score (z-score), dengan syarat nilai z-score tidak lebih besar dari ± 3,00. Sedangkan evaluasi asumsi multivariate outlier dilakukan dengan melihat jarak Mahalanobis (Mahalanobis

distance) dengan batas nilai derajat bebas (degree of freedom) dari jumlah variabel yang diteliti pada tingkat p < 0,001.

Selanjutnya, dilakukan evaluasi atas kinerja GOF. Dalam analisis SEM, tidak ada alat uji statistik yang tunggal untuk menguji hipotesis mengenai model. Berbagai indeks kesesuaian digunakan untuk mengukur derajat kesesuaian antara model dan data yang disajikan. Hair et al. (2010) mengelompokkan GOF ke dalam tiga kelompok, yakni

absolute fit measures, incremental fit measures, dan parsimony fit measure. Ketiga kelompok GOF tersebut dipaparkan sebagai berikut: a. Absolute fit measure adalah pengukuran langsung dari bagaimana

baiknya model yang dispesifikasi oleh peneliti menghasilkan

bagaimana baiknya suatu teori cocok dengan data sampel. Indeks yang masuk dalam kelompok ini adalah:

(1) The Minimum Sample Discrepancy Function (CMIN/DF)

merupakan ukuran yang diperoleh dari nilai chi square dibagi dengan degree of freedom. Indeks ini adalah indeks kesesuaian

parsimonious yang mengukur hubungan goodness of fit model dengan jumlah koefisien-koefisien estimasi yang diharapkan untuk mencapai tingkat kesesuaian. Nilai yang direkomendasikan untuk menerima kesesuaian sebuah model adalah CMIN/DF < 2,0 atau 3,0.

(2) Chi square (χ2) Statistic. Model yang diuji dapat disimpulkan sebagai model yang baik, jika nilai χ2 rendah. Semakin kecil nilai χ2 dapat disimpulkan bahwa semakin baik model tersebut, karena dalam uji beda chi square, nilai χ2=0 berarti tidak ada perbedaan. Perbedaan yang dimaksud adalah perbedaan antara model yang diuji dengan saturated model. Chi square bersifat sangat sensitif terhadap besarnya sampel yang digunakan, oleh karena itu χ2 perlu dilengkapi dengan alat uji lainnya.

(3) Goodness of Fit Index (GFI). Indeks ini mencerminkan tingkat kesesuaian model yang dihitung dari residual kuadrad dari model yang diprediksi dibandingkan dengan data yang sebenarnya. Nilai yang mendekati 1 mengisyaratkan model yang diuji memiliki kesesuaian yang baik.

(4) Adjusted Goodness of Fit Index (AGFI) merupakan

pengembangan dari GFI, yang telah disesuaikan dengan rasio dari degree of freedom model yang diajukan dengan degree of freedom dari null model (model konstruk tunggal dengan semua indikator pengukuran konstruk). Nilai yang direkomendasikan adalah AGFI > 0,90.

(5) Root Means Square Residual (RMSR) and Standardized Root

Mean Residual (SRMR). RMSR merupakan rata-rata dari

residual antara individual observed dan kovarian dan varians yang diestimasi. Sedangkan SRMR merupakan nilai statistik alternatif yang didasarkan pada nilai RMSR yang distandardisasi, yang lebih berguna untuk membandingkan fit lintas model. Nilai RMSR dan SRMR yang rendah menunjukkan kecocokan yang lebih baik.

(6) Root Mean Square Error of Approximation (RMSEA) adalah indeks yang digunakan untuk mengukur kesesuaian model menggantikan chi square statistic dalam jumlah sampel yang besar. Nilai RMSEA < 0,08 mengindikasikan indeks yang baik untuk menerima kesesuaian model.

b. Incremental Fit Indices adalah indeks yang menilai bagaimana baiknya suatu model yang dispesifikasi cocok secara relatif dengan beberapa alternatif baseline model. Implikasinya adalah bahwa tidak ada data reduction yang dapat memperbaiki model karena data tidak berisi multi-item factors, sehingga, kelompok indeks ini mencerminkan perbaikan dalam kesesuaian dengan spesifikasi dari hubungan multi-item constructs. Indeks yang termasuk dalam

incremental fit indices adalah:

(1) Normed Fit Index (NFI) adalah indeks kesesuaian incremental yang diperoleh dari rasio perbedaan dalam nilai χ2 untuk model yang disesuaikan dan null model dibagi dengan nilai χ2 untuk null model. Nilai penerimaan yang direkomendasikan adalah NFI > 0,90.

(2) Comparative Fit Index (CFI) adalah indeks kesesuaian

incremental, yang membandingkan model yang diuji dengan null model. Indeks ini sangat baik untuk mengukur tingkat

penerimaan model, karena seperti CMIN/DF, nilainya tidak dipengaruhi oleh ukuran sampel. Nilai indeks ini berada pada rentang dari 0 sampai dengan 1 dan nilai yang mendekati 1 mengindikasikan model memiliki tingkat kesesuaian yang baik. Nilai penerimaan yang direkomendasikan adalah CFI > 0,95. (3) Trucker Lewis Index (TLI) adalah indeks kesesuaian incremental

yang membandingkan model yang diuji dengan null model. Indeks kesesuaian ini kurang dipengaruhi oleh ukuran sampel. Nilai penerimaan yang direkomendasikan adalah TLI > 0,90. (4) Relative Noncentrality Index (RNI) adalah indeks yang

membandingkan observed fit yang dihasilkan dari pengujian model yang dispesifikasi pada null model. Nilai RNI yang diharapkan adalah RNI > 0,90.

c. Parsimony Fit Indices dirancang secara khusus untuk menyediakan informasi tentang model mana yang terbaik di antara model-model yang diperbandingkan. Secara konseptual, indeks sama dengan istilah

adjusted R2, dalam pengertian bahwa ini model fit dihubungkan pada kompleksitas model. Untuk mengukur kompleksitas model digunakan

parsimony ratio (PR). Indeks yang dikategorikan dalam parsimony fit indices adalah:

(1) Parsimony Good-of-Fit Index (PGFI). Indeks ini menyesuaikan GFI menggunakan PR. Secara teoritikal, nilai PGFI berkisar antara 0 dan 1.

(2) Parsimony Normed Fit Index (PNFI). Indeks ini menyesuaikan NFI dengan menggandakannya dengan PR. Nilai PNFI yang relatif tinggi menunjukkan fit yang secara relatif lebih baik.

Secara ringkas indeks-indeks terpilih yang digunakan untuk menguji kelayakan model dalam penelitian ini tersaji dalam tabel berikut:

Tabel 3.3

Indeks Kesesuaian Model

Goodness of fit Index Cut-off value

Chi square Diharapkan kecil

Probability ≥ 0,05

RMSEA ≤ 0,08

GFI ≥ 0,90

AGFI ≥ 0,90

CMIN/DF ≤ 2,00

TLI ≥ 0,95

CFI ≥ 0,95

Sumber: Hair et al., 2010; Ferdinand, 2014; Ghozali, 2014

7. Interpretasi dan Modifikasi Model

Modifikasi model dapat dilakukan pada model-model yang tidak memenuhi syarat pengujian yang dilakukan. Salah satu alat untuk menilai ketepatan sebuah model yang telah dispesifikasi adalah melalui indeks modifikasi (modification index). Indeks modifikasi memberikan gambaran mengenai mengecilnya nilai chi-square atau pengurangan nilai bila sebuah koefisien diestimasi (Ferdinand, 2014).