Teknik Analisis dan Pengujian Hipotesis

2. Kuisioner Yaitu teknik pengumpulan data dengan cara pembagian lembar pertanyaan yang harus diisi oleh responden guna melengkapi data dalam penelitian Indriantoro dan Supomo, 1999:154 3. Observasi Yaitu proses pencatatan pola perilaku subjek, objek atau kejadian yang sistematik tanpa adanya pertanyaan atau komunikasi dengan individu- individu yang diteliti Indriantoro dan Supomo, 1999:157

3.4. Teknik Analisis dan Pengujian Hipotesis

3.4.1. Teknik Analisis

Teknik analisis yang digunakan dalam penelitian ini adalah Structural Equation Modelling SEM yang merupakan sekumpulan teknik statistik yang memungkinkan pengujian suatu hubungan yang rumit yaitu hubungan antara satu atau lebih variabel independent dengan satu atau lebih variabel dependent yang diestimasi secara simultan. Metode ini ditujukan bukan untuk menghasilkan teori melainkan untuk menguji teori. Persamaan dari SEM terbagi menjadi dua persamaan struktural structural equation dan persamaan model pengukuran measurement model equation. Ferdinand, 2002:45 Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

3.4.2. Uji Reliabilitas

Pendekatan yang dianjurkan dalam menilai sebuah model pengukuran measurement model adalah menilai besaran Composite Reliability serta Variance Extracted dari masing – masing konstruk. Reabilitas adalah ukuran konsistensi internal dari indikator – indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing – masing indikator mampu mengidentifikasi sebauh konstruk atau faktor variabel laten. Konsep reliabilitas dapat dipahami melalui dasar, ide, konsep tersebut, yaitu konsistensi konsep reliabilitas dapat dilakukan dengan menggunakan konsistnsiinternal metode cronbach’s coefficinet alpha. Tingkat reliabilitas yang dapat diterima adalah 0,7 walaupun angka itu bukanlah sebuah ukuran yang “ mati” artinya bila penelitian bersifat exploratori maka nilai dibawah 0,7 masih dapat diterima, sepanjang disertai alasan – alasan yang empirik yang terlihat dalam proses explortori. Ferdinand, 2002:63. Ukuran reliabilitas yang kedua adalah Variance Extracted, yang menunjukkan jumlah variance yang dari indikator – indikator yang diekstraksi oleh konstruk laten yang dikembangkan. Nilai Variance Extracted yang tinggi menunjukkan bahwa indikator – indikator itu telah mewakili secara baik konstruk laten yang telah dikembangkan. Nilai variance extracted ini direkomendasikan pada tingkat paling sedikit 0,50. Composite Reliability serta Variance Extracted diperoleh melelui rumus sebagai berikut : Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.  Construct-Reliability =  Variance – Extracted = = Dimana :  Std.loading diperoleh langsung dari standarized loading untuk tiap- tiap indikator diambil dari perhitungan komputer, misal AMOS  € adalah measurement error dari tiap-tiap indikator.

3.4.3. Uji Validitas

Validitas instrumen kuesioner adalah suatu derajat ketepatan alat ukur penelitian tentang isi yang sebenarnya diukur. Uji validitas item untuk menguji apakah tiap butir pertanyaan benar – benar sahih atan valid. Sebagai alat ukur yang digunakan, analisis ini melakukan dengan cara mengkorelasi masing – masing skor item dengan skor totalnya. Dalam hal ini koefisien korelasi yang dinilai tingkat signifikan ≤ 0,05. Validitas data penelitian ditentukan oleh proses pengukuran yang akurat, oleh karena itu jika sinonim reliabilitas adalah konsistensi maka esensi dari validitas adalah akurasi

3.4.4. Outliers

Outliers merupakan observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi – observasi yang Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. muncul dalam bentuk nilai ekstrim, baik untuk variabel tunggal atau variabel kombinasi Hair, et.al: 1995. Adapun outliers dapat di evaluasi dengan cara, yaitu outliers univariate dan outliers multivariate. Sedangkan menurut Ferdinand 2002: 52 outliers adalah observasi yang muncul dengan nilai – nilai ekstrim baik secara univariat maupun multivariate yatiu yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangan jauh daro observasi – onservasi lainnya.

3.4.4.1. Outliers Univariate

Deteksi terhadap outliers univariate masing – masing variable dapat dilakukan dengan menentukan nilai ambang batas yang akan dikategorikan sebagai outliers dengan cara mengkonversi nilai data penelitian ke dalam standart devisi sebesar satu, maka perbandingan antara besaran nilai dengan mudah dapat dilakukan. Untuk sample besar diatas 80 observasu,pedoman evaluasi adalah bahwa nilai ambang batas dari Zskore itu berada pada rentang 3 sampai 4 Hair dkk; 1995. Oleh karena itu kasus – kasus atau observasi yang mempunyai ≥ 3,0 akan dikategorikan sebagai outliers.

3.4.4.2. Outliers multivariate

Evaluasi terhadap outliers multivariate antar variable perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariat, tetapi observasi itu dapat menjadi ouliers Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. bila sudah dikombinasikan. Jarak mahalanobis the mahalonis distance untuk tiap – tiap observasi dari rata – rata semua variabel dalam suatu ruang multidimensional Hair dkk: 1995 ; Norusis, 1994; abacnick dan fidell, 1996. Uji terhadap outliers multivariate dilakukan dengan menggunakan kriteria jarak mahalanobis pada tingkat p 0,001. Jarak mahalanobis itu dievaluasi dengan menggunakan X pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian ini.

3.4.5. Uji Normalitas Univariate dan Multivariate

Sebaran data harus dianalisis untuk mengetahui apakah asumsi normalitas terpenuhi, sehingga data dapat diolah lebih lanjut pada Path diagram. Uji normalitas perlu dilakukan baik univariat dan multivariat. Untuk menguji normalitas distribusi data yang digunakan dalam analisis dengan menggunakan uji – uji statistic. Bila nilai Z lebih besar dari nilai krisis,maka dapat diduga bahwa distribusi data adalah tidak normal dengan asumsi normalitas pada tingkat sigifikan ≥ 0,05.

3.4.6. Analisis Path Dengan Menggunakan Permodelan SEM

Sebuah permodelan SEM yang lengkap pada dasarnya terdiri dari Measurement Model dan Structural Model. Measurement model atau model pengukuran ditujukan untuk mengkonfirmasikan sebuah dimensi atau faktor berdasarkan indikator – indikator empirisnya. Structural model Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. atau model mengenai structural yang membentuk atau menjelaskan kausalitas. Ferdinand, 2002: 34 Untuk membuat permodelan yang lengkap beberapa langkah berikut ini yang diperlukan : a. Pengembangan model berbasis teori Langkah pertama dalam pengembangan model SEM adalah pencarian atau pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat. Setelah itu, model tersebut divalidasi secara empirik melalui program SEM. b. Pengembangan diagram alur untuk menunjukkan hubungan kausalitas Pada langkah kedua,model teoritis yang telah dibangun pada langkah pertama akan digambarkan dalam sebuah path diagram. Path diagram tersebut akan memudahkan peneliti melihat hubungan-hubungan kausalitas yang ingin diujinya. c. Konversi diagram alur kedalam persamaan Setelah teori atau model dikembangkan dan digambarkan dalam sebuah diagram alur, spesifikasi model dikonversikan kedalam rangkaian persamaan. d. Memilih matriks input dan estimasi model Perbedaan SEM dengan teknik multivariat lainnya adalah input data yang akan digunakan dalam permodelan dan estimasinya. SEM hanya menggunakan matriks Varians Kovarians atau matriks korelasi sebagai data input untuk keseluruhan estimasi yang dilakukannya. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. e. Menilai problem identifikasi Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik. Problem identifikasi ini dapat muncul melalui gejala – gejala beikut ini: 1. Standart error untuk satu atau beberapa koefisien sangat besar 2. Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan. 3. Muncul angka – angka yang aneh seperti adanya varians error yang negatif. 4. Muncul korelasi yang sangat tinggi antar korelasi estimasi yang didapat misalnya lebih dari 0,9 f. Evaluasi model Pada langkah ini kesesuaian model dievaluasi melalui berbagai kriteria goodness – of – fit. Kriteria – kriteria tersebut adalah : 1. Ukuran sampel yang digunakan adalah minimal berjumlah 100 dan perbandingan 5 observasi untuk tiap parameter. 2. Normalitas dan Linieritas 3. Outliers 4. Multicolinearity dan Singularity Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

3.4.7. Uji kausalitas

Kausalitas merupakan permodelan tersusun secara structural yang menggambarkan adanya hubungan yang dihipotesiskan antar konstruk yang menjelaskan kausalitas termasuk didalamnya kausalitas berjenjang. Hubungan kausalitas yang dihipotesiskan berdasarkan teori yang telah teruji dan sistematis. Deteksi kausalitas dapat diamati dari batas tingkat probabilitas yang lebih kecil ≤ 0,05. Dalam sebuah model kausalitas, kebenaran adanya suatu hubungan sebab akibat antara dua atau lebih variabel bukannya karena menggunakan SEM, tetapi harus didasari oleh teori-teori yang mapan. Jadi SEM bukan digunakan untuk menghasilakan kausalitas tetapi digunakan untuk mengkonfirmasikan kausalitas.

3.4.8. Evaluasi Model

Hair et al, 1998 menjelaskan bahwa pola “ confirmatory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas hipotesis-hipotesis dengan pengujian fit antara model teoritis dan data empiris. Jika model teoritis menggambarkan ‘good fit’ dengan data, maka model dianggap sebagai yang diperkuat. Sebaliknya, suatu model teritis tidak diperkuat jika teori tersebut mempunyai suatu ‘ poor fit’ dengan data. AMOS dapat menguji apakah atau ‘ poor fit’. Jadi, “good fit” model yang di uji sangat penting dalam penggunaan structural equqtion modeling. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Pengujian terhadap model yang telah dikembangkan dengan berbagai uation modeling. Pengujian terhadap model yang dikembangkan dengan berbagai criteria Goodness of Fit, yakni Chi-square, Probability, RMSEA, GFI, TLI, CFI, AGFI, CMINDF. Apabila model awal tidak good fit dengan data maka dikembangkan dengan pendekatan two step approach to SEM. Berikut ini disajikan beberapa indeks kesesuain dengan cut off, valuenya untuk digunakan dalam menguji apakah model dapat diterima atau ditolak. a. Chi-Square Statistic X2 Chi-Square ini sangat bersifat sensitif terhadap besarnya sampel yang digunakan. Karena itu bila jumlah sampel adalah cukup besar yaitu lebih dari 200 sampel, maka statistik Chi-Aquare ini harus didampingi oleh alat lainnya Hair et al., 1995:105: Tabachnick Fidell, 1996:84. Karena tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai dengan data atau yang fit terhadap data, maka yang dibutuhkan justru sebuah nilai X2 yang tidak signifikan yang menguji hipotesa nol bahwa matriks kovarian populasi tidak sama dengan kovarian sampel. Oleh karena itu X2 yang kecil dan tidak signifikanlah yang diharapkan agar hipotesa nol sulit ditolak. b. RMSEA Root Mean Square Error of Approximation RMSEA adalah sebuah index yang dapat digunakan untuk mengkompensasi chi- square statistik dalam sampel yang besar Baungarther Homburg, 1996:65. Nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan index untuk di terimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan degress of freedom Browne Cudeck, 1993:72 Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. c. GFI Goodness of Fit Indexs Indeks kesesuain fit index ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarian sampel yang dijelaskan oleh matriks kovarians populasi Bentler, 1983:12: Tanaka Huba, 1989:54. GFI adalah sebuah ukuran non- statistikal yang mempunyai rentang nilai antara 0 poor fit sama dengan 1,0 perfect fit. Nilai yang tinggi dalam indek ini menunjukkan sebuah “ better fit”. GFI yang diharapkan adalah sebesar ≥ 0.90. d. AGFI Adjusted Goodness of fit Index Tanaka Huda 1989:55, menyatakan bahwa GFI ini dapat diadjust terhadap degress of freedom yang tersedia untuk menguji diterima tidaknya model Arbuckle, 1997:30. Indeks ini diperoleh dengan rumus. Dimana : d = degress – of freedom AGFI mempunyai nilai sama dengan atau yang diharapkan adalah sebesar ≥ 0.90 e. CMINDF Minimum sampel disrepancy function Degress of Freedom CMINDF dalam hal ini tidak lain adalah statistik chi-square dibagi dengan derajat bebasnya sehingga disebut relatif. Nilai relatif kurang dari 2.0 atau bahkan kadang kurang dari 3.0 adalah indikasi dari acceptabel fit antara model dan data Arbuckle, 1997:32 AGFI = 1-1-GFI Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. f. TLI tucker Lewis Index TFI adalah sebuah alternatif incremental fit index yang membandingkan sebuah baseline model Baumgarther Homburg, 1996:69. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan ≥ 0.95. indeks ini diperoleh dengan rumus sebagai berikut : TLI = Dimana C adalah diskrepansi dari model yang dievaluasi dan d adalah derajat bebasnya. Sementara dan adalah diskrepansi dan derajat bebas dari baseline model yang dijadikan pembanding. g. CFI Comparatif Fit Index Keunggulan dari indeks ini adalah bahwa indeks ini besarnya tidak dipengaruhi oleh ukuran sampel karena sangat baik untuk mengukur tingkat penerimaan sebuah model Hulland et al., 1996:35. Indeks ini diperoleh dengan rumus sebagai berikut : CFI = 1- Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Dimana C adalah diskrepansi dari model yang dievaluasi dan d adalah derajat bebasnya. Sementara dan adalah diskrepansi dan derajat bebas dari baseline model yang dijadikan pembanding. GOODNEESS OF FIT INDEX Goodness of Fit Index keterangan Cut of Value Chi Squqre Menguji apakah covariance populasi yang diestimasi sama dengan covariance Diharapkan kecil, 1 s.d 5 atau paling baik antara 1 dan 2 probability Uji signifikan terhadap perbedaan matrix covariance data dalam matrix covariane yang diestimasi Minimum 0,1 dan 0,2 atau ≥0,05 RMSEA Mengkompensasi kelemahan Chi-Square pada sampel besar ≤ 0,08 GFI Menghitung proporsi tertimbang variance dalam matrix sampel yang dijelaskan oleh matrix covariance populasi yang diestimasi ≥0,90 AGFI GFI yang disesuaikan terhadap DF 0,90 CMINOF Kesesuaian antara data dan model ≤ 2,00 TLI Pembandingan antara model yang diuji terhadap baseline model ≥ 0,95 CFI Uji kelayakan model yang tidak sensitive terhadap besarnya sampel dan ≥ 0,94 Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. kerumitan model

BAB IV PEMBAHASAN

4.1. Deskripsi Objek Penelitian 4.1.1 Sejarah Perusahaan PT. JiwaSraya Persero