Institutional Repository | Satya Wacana Christian University: Spending Habit Berdasarkan Power Prestige, Etnis, dan Derajat Extrovert T2 912012019 BAB IV
BAB IV
ANALISA & PEMBAHASAN
4.1. Karakteristik Responden
Analisis karakteristik responden digunakan untuk
memperoleh gambaran sampel dalam penelitian ini.
Data yang menggambarkan karakteristik responden
merupakan informasi tambahan untuk memahami
hasil
penelitian.
Karakteristik
responden
disajikan
berdasarkan jenis kelamin, usia, kota asal, jumlah
uang saku, cara pemberian uang saku bulanan,
pemberian tambahan uang saku, dan tiga pengeluaran
terbesar. Ringkasan berbagai karakteristik tersebut
dapat dilihat pada tabel 4.1 berikut ini.
Tabel 4.1. Karakteristik Responden
Karakteristik
Jenis kelamin
Usia
Kota asal
Jumlah Uang
Saku
Kategori
Laki-laki
Perempuan
18-19
20-21
22-23
Salatiga
Luar Salatiga
≤ Rp. 500.000
Rp. 500.001 – Rp.
1.000.000
Rp. 1.000.001 –
Rp. 1.500.000
27
N
63
121
95
81
8
51
133
57
70
%
34.24
65.76
51.63
44.02
4.35
27.72
72.28
30.98
38.04
34
18.48
Rp. 1.500.001 –
Rp. 2.000.000
> Rp. 2.000.000
Bulanan
Mingguan
Kapanpun
Tidak tentu
Ya
Tidak
Cara
pemberian
uang saku
bulanan
Pemberian
tambahan
uang saku
Tiga
pengeluaran
terbesar
19
10.33
4
84
70
16
14
117
67
2.17
45.65
38.04
8.69
7.62
63.59
36.41
Makan, fotokopi materi kuliah,
pulsa ( telepon dan internet)
Sumber : Data Primer 2014
Dalam
penelitian
ini
semua
responden
merupakan mahasiswa S1 Fakultas Ekonomi dan
Bisnis Universitas Kristen Satya Wacana. 72,28%
responden berasal dari luar Salatiga walaupun UKSW
berada di Salatiga, dimana responden lebih banyak
berjenis
kelamin
perempuan
dengan
jumlah
121
responden (65,76%) dibandingkan pria-nya (34,24%),
dan sebagian besar responden (51,63%) berada pada
kisaran usia 18-19 tahun. 38,04% responden mendapat
uang saku antara Rp. 500.001 – Rp. 1.000.000 yang
diberikan secara bulanan/ tiap awal bulan (45,65%).
Uang saku bulanan yang diperoleh sebagian besar
dihabiskan untuk makan, fotokopi materi kuliah, dan
pulsa ( telepon dan internet). Jika uang saku bulanan
habis sebelum berganti bulan, 63,59%
responden
menjawab akan diberi lagi oleh orang tua mereka.
28
4.2. Uji Asumsi-asumsi Structural Equation Model
4.2.1. Uji Normalitas
Normalitas data pada masing-masing variabel
merupakan langkah yang penting pada setiap analisis
multivariate,
khususnya
menggunakan
Technique.
bila
Maximum
Uji
diestimasi
Likelihood
normalitas
dengan
Estimation
dilakukan
dengan
menggunakan kriteria critical ratio skewness value
sebesar ±2,58 pada tingkat signifikansi 1% atau 0,01
(Ghozali, 2008). Data dapat disimpulkan mempunyai
distribusi normal jika nilai c.r. (critical ratio) dibawah
nilai mutlak ±2,58. Hasil uji normalitas yang didapat
dari penelitian ini (dapat dilihat pada tabel 1 yang
terdapat dalam lampiran) menunjukkan bahwa nilai c.r.
positif terbesar adalah 3,551 dan c.r. negatif terbesar
adalah -3,956, yang lainnya tidak ada yang lebih besar
dari 2,58. Pada kolom c.r. untuk multivariate nilainya
adalah 3,539, sehingga jika dibandingkan dengan nilai
mutlaknya
2,58
maka
distribusi
data
tidak
dapat
disimpulkan
normal.
bahwa
Ketidaknormalan
distribusi data mungkin dikarenakan adanya data
outlier, dan oleh sebab itu maka selanjutnya dilakukan
uji outliers.
29
4.2.2. Uji Outliers
1. Univariate Outliers
Uji
dahulu
univariate
sebelum
outliers
uji
perlu
dilakukan
multivariate
terlebih
outliers.
Deteksi
terhadap adanya univariate outliers dapat dilakukan
dengan menentukan nilai ambang batas yang akan
dikategorikan
sebagai
outliers
dengan
cara
mengkonversi nilai data penelitian ke dalam standard
score atau yang biasa disebut “z-score”, yang memiliki
nilai rata-rata nol dengan standar deviasi sebesar satu
(Hair et al., 2009). Untuk sampel di atas 80, pedoman
evaluasinya adalah nilai ambang batas dari z-score
berada pada rentang 3 sampai dengan 4. Hasil uji
univariate outliers (data dapat dilihat dalam tabel 2
pada lampiran) menunjukkan bahwa hanya terdapat 4
indikator dengan z-score lebih dari 3 dan tidak terdapat
satupun indikator dengan z-score lebih dari 4, sehingga
dapat disimpulkan tidak terdapat univariate outliers
dalam data penelitian ini.
2. Multivariate Outliers
Evaluasi
dilakukan
terhadap
sebab
menunjukkan
multivariate
meskipun
tidak
adanya
data
outliers
yang
outliers
pada
perlu
dianalisa
tingkat
univariat, tetapi observasi-observasi itu dapat menjadi
30
outliers jika sudah dikombinasikan. Jarak Mahalanobis
(Mahalanobis distance) digunakan untuk melihat ada
tidaknya outliers secara multivariate. Uji terhadap
multivariate outliers dilakukan dengan melihat nilai p1
dan p2 nya. Data yang bebas dari outlier harus
memiliki p1 dan p2 > 0,05 (Wijaya, 2009). Uji
multivariate outliers dari data penelitian (dapat dilihat
dalam tabel 3 pada lampiran) menunjukkan tidak ada
satupun data yang memiliki p1 dan p2 < 0,05 sehingga
dapat disimpulkan bahwa tidak terdapat data yang
outlier.
4.3. Uji Pemodelan Structural Equation Model
4.3.1. Confirmatory Faktor Analysis (CFA)
Ferdinand (2002) mengungkapkan bahwa teknik
Confirmatory
mengestimasi
Faktor
measurement
unidimensionalitas
dan
Analysis
dari
konstruk-konstruk
ditujukan
model,
konstruk-konstruk
endogen,
untuk
menguji
eksogen
sehingga
perlu
dilakukan uji konfirmatori antar konstruk eksogen
terlebih dahulu yang kemudian dilanjutkan antar
konstruk endogen. Konstruk eksogen adalah variabel
yang
mempengaruhi
variabel
lain
tanpa
pernah
dipengaruhi oleh variabel lain dalam satu rangkaian
hubungan kausalitas antar variabel, atau dengan kata
lain variabel independen (Hair et al., 2009). Didalam
31
penelitian ini terdapat dua variabel independen yaitu
etnis dan derajat extrovert. Untuk mengetahui apakah
model
penelitian
sudah
fit
atau
belum,
dapat
dibandingkan antara nilai model fit yang terdiri dari chisquares , p (probabilitas), CMIN/DF, GFI, AGFI, TLI, CFI
dan RMSEA dengan nilai Cut-off
nya.. Hasil uji
konfirmatori antar konstruk eksogen (dapat dilihat
pada tabel 4 dalam lampiran) menunjukkan hanya
kriteria TLI dan CFI yang sudah mendapat predikat
„Baik‟, sehingga dapat dikatakan model yang telah ada
belum fit. Pada uji ini terdapat 5 indikator (EX 1, EX 2,
EX 4, EX 6, EX 9) dengan loading faktor yang berada di
bawah 0,50 sehingga dapat dinyatakan tidak valid, dan
kelima indikator tersebut perlu dikeluarkan untuk
membuat
model
penelitian
menjadi
fit,
sehingga
nantinya indikator yang masih dipakai adalah EX 3, EX
5, EX 7, EX 8.
Setelah uji konfirmatori antar konstruk eksogen
selesai, yang perlu dilakukkan adalah uji konfirmatori
antar konstruk endogen. Konstruk endogen adalah
variabel yang dipengaruhi oleh variabel lain tetapi bisa
saja
variabel
ini
pada
saat
bersamaan
juga
mempengaruhi variabel lain dalam suatu hubungan
kausalitas antar variabel. Dalam penelitian ini, terdapat
2 konstruk endogen yaitu power prestige dan spending
habit. Dari hasil uji didapatkan hanya kriteria GFI yang
sudah
mendapat
predikat
32
„Baik‟
sehingga
dapat
dikatakan model yang telah ada belum fit (dapat dilihat
pada tabel 5 dalam lampiran). Dari 10 indikator yang
diuji dalam uji ini hanya 6 indikator (SH 1, SH 2, SH 4,
MA 2, MA 3, MA 4) dengan loading faktor yang berada di
atas 0,50, yang nantinya keenam indikator itulah yang
dapat digabungkan dengan indikator yang telah lulus
dari
uji
konfirmatori
konstruk
eksogen
untuk
membentuk full model yang baik.
4.3.2. Full Structural Equation Model Analysis
4.3.2.1. Uji Kesesuaian Model
Langkah ini merupakan langkah lanjutan
setelah uji konfirmatori selesai yang berfungsi untuk
memastikan bahwa model yang ada sudah fit. Gambar
4.1. menunjukkan full model sebelum uji konfirmatori
dan
Gambar
4.2,
menunjukkan
full
model
yang
mengandung semua indikator yang telah lulus uji
konfirmatori. Dapat dilihat dari gambar 4.1 yang
semula terdapat 19 indikator, setelah dilakukan uji
konfirmatori hanya terdapat 10 indikator yang lolos
(gambar 4.2.).
33
Gambar 4.1. Posisi Full Model Struktural
Sebelum Uji Konfirmatori
Gambar 4.2. Posisi Full Model Struktural
Setelah Uji Konfirmatori
34
Indikator dengan nilai loading faktor kurang dari 0,5
dieliminasi sehingga didapat indikator EX 3, EX 5, EX
7, EX 8, SH 1, SH 2, SH 4, MA 2, MA 3, MA 4 yang
dapat dimasukkan dalam model untuk membuat model
menjadi fit. Adanya eliminasi indikator yang tidak fit
berdampak pada indikator Goodness of fit-nya; semula
hanya kriteria RMSEA dan CMIN/DF yang sudah
mendapat predikat „Baik‟ menjadi semuanya telah
mendapat predikat „Baik‟ (lihat tabel 4.2.).
Tabel 4.2. Posisi Goodness-of-fit Indices Full Model
Struktural
Indikator
Goodness of Fit
Chi Square
Significance
Probability
RMSEA
CMIN/DF
GFI
AGFI
TLI
CFI
Cut-Off
Value
Full model
Full model setelah
sebelum uji
uji konfirmatori
konfirmatori
Model
Model
Result Evaluation Result Evaluation
Expected
to be low
314.91
≥ 0.05
≤ 0.08
≤ 2.00
≥ 0.90
≥ 0.90
≥ 0.90
≥ 0.95
0.00
0.07
1.91
0.84
0.79
0.89
0.904
Sumber : Data Primer 2014
35
Buruk
Buruk
Baik
Baik
Marjinal
Buruk
Marjinal
Marjinal
64.98
0.06
0.06
1.67
0.94
0.90
0.97
0.98
Baik
Baik
Baik
Baik
Baik
Baik
Baik
Baik
4.3.2.2. Uji Reliabilitas
Uji reliabilitas diperlukan untuk memastikan
bahwa semua indikator yang dipakai sudah reliabel dan
bisa digunakan untuk penelitian selanjutnya. Rumus
untuk menghitung reliabilitas :
Dari tabel 4.11., dapat dilihat bahwa nilai construct
reliability masing-masing indikator telah lebih dari 0,7,
dengan nilai terkecil berada pada variabel spending
habit (0,887). Hal tersebut menandakan bahwa 10
indikator yang ada sudah reliabel.
Tabel 4.3. Construct Reliability
Estimate
MA2
MA3
MA4
SH1
SH2
SH4
EX8
EX7
EX5
EX3
ANALISA & PEMBAHASAN
4.1. Karakteristik Responden
Analisis karakteristik responden digunakan untuk
memperoleh gambaran sampel dalam penelitian ini.
Data yang menggambarkan karakteristik responden
merupakan informasi tambahan untuk memahami
hasil
penelitian.
Karakteristik
responden
disajikan
berdasarkan jenis kelamin, usia, kota asal, jumlah
uang saku, cara pemberian uang saku bulanan,
pemberian tambahan uang saku, dan tiga pengeluaran
terbesar. Ringkasan berbagai karakteristik tersebut
dapat dilihat pada tabel 4.1 berikut ini.
Tabel 4.1. Karakteristik Responden
Karakteristik
Jenis kelamin
Usia
Kota asal
Jumlah Uang
Saku
Kategori
Laki-laki
Perempuan
18-19
20-21
22-23
Salatiga
Luar Salatiga
≤ Rp. 500.000
Rp. 500.001 – Rp.
1.000.000
Rp. 1.000.001 –
Rp. 1.500.000
27
N
63
121
95
81
8
51
133
57
70
%
34.24
65.76
51.63
44.02
4.35
27.72
72.28
30.98
38.04
34
18.48
Rp. 1.500.001 –
Rp. 2.000.000
> Rp. 2.000.000
Bulanan
Mingguan
Kapanpun
Tidak tentu
Ya
Tidak
Cara
pemberian
uang saku
bulanan
Pemberian
tambahan
uang saku
Tiga
pengeluaran
terbesar
19
10.33
4
84
70
16
14
117
67
2.17
45.65
38.04
8.69
7.62
63.59
36.41
Makan, fotokopi materi kuliah,
pulsa ( telepon dan internet)
Sumber : Data Primer 2014
Dalam
penelitian
ini
semua
responden
merupakan mahasiswa S1 Fakultas Ekonomi dan
Bisnis Universitas Kristen Satya Wacana. 72,28%
responden berasal dari luar Salatiga walaupun UKSW
berada di Salatiga, dimana responden lebih banyak
berjenis
kelamin
perempuan
dengan
jumlah
121
responden (65,76%) dibandingkan pria-nya (34,24%),
dan sebagian besar responden (51,63%) berada pada
kisaran usia 18-19 tahun. 38,04% responden mendapat
uang saku antara Rp. 500.001 – Rp. 1.000.000 yang
diberikan secara bulanan/ tiap awal bulan (45,65%).
Uang saku bulanan yang diperoleh sebagian besar
dihabiskan untuk makan, fotokopi materi kuliah, dan
pulsa ( telepon dan internet). Jika uang saku bulanan
habis sebelum berganti bulan, 63,59%
responden
menjawab akan diberi lagi oleh orang tua mereka.
28
4.2. Uji Asumsi-asumsi Structural Equation Model
4.2.1. Uji Normalitas
Normalitas data pada masing-masing variabel
merupakan langkah yang penting pada setiap analisis
multivariate,
khususnya
menggunakan
Technique.
bila
Maximum
Uji
diestimasi
Likelihood
normalitas
dengan
Estimation
dilakukan
dengan
menggunakan kriteria critical ratio skewness value
sebesar ±2,58 pada tingkat signifikansi 1% atau 0,01
(Ghozali, 2008). Data dapat disimpulkan mempunyai
distribusi normal jika nilai c.r. (critical ratio) dibawah
nilai mutlak ±2,58. Hasil uji normalitas yang didapat
dari penelitian ini (dapat dilihat pada tabel 1 yang
terdapat dalam lampiran) menunjukkan bahwa nilai c.r.
positif terbesar adalah 3,551 dan c.r. negatif terbesar
adalah -3,956, yang lainnya tidak ada yang lebih besar
dari 2,58. Pada kolom c.r. untuk multivariate nilainya
adalah 3,539, sehingga jika dibandingkan dengan nilai
mutlaknya
2,58
maka
distribusi
data
tidak
dapat
disimpulkan
normal.
bahwa
Ketidaknormalan
distribusi data mungkin dikarenakan adanya data
outlier, dan oleh sebab itu maka selanjutnya dilakukan
uji outliers.
29
4.2.2. Uji Outliers
1. Univariate Outliers
Uji
dahulu
univariate
sebelum
outliers
uji
perlu
dilakukan
multivariate
terlebih
outliers.
Deteksi
terhadap adanya univariate outliers dapat dilakukan
dengan menentukan nilai ambang batas yang akan
dikategorikan
sebagai
outliers
dengan
cara
mengkonversi nilai data penelitian ke dalam standard
score atau yang biasa disebut “z-score”, yang memiliki
nilai rata-rata nol dengan standar deviasi sebesar satu
(Hair et al., 2009). Untuk sampel di atas 80, pedoman
evaluasinya adalah nilai ambang batas dari z-score
berada pada rentang 3 sampai dengan 4. Hasil uji
univariate outliers (data dapat dilihat dalam tabel 2
pada lampiran) menunjukkan bahwa hanya terdapat 4
indikator dengan z-score lebih dari 3 dan tidak terdapat
satupun indikator dengan z-score lebih dari 4, sehingga
dapat disimpulkan tidak terdapat univariate outliers
dalam data penelitian ini.
2. Multivariate Outliers
Evaluasi
dilakukan
terhadap
sebab
menunjukkan
multivariate
meskipun
tidak
adanya
data
outliers
yang
outliers
pada
perlu
dianalisa
tingkat
univariat, tetapi observasi-observasi itu dapat menjadi
30
outliers jika sudah dikombinasikan. Jarak Mahalanobis
(Mahalanobis distance) digunakan untuk melihat ada
tidaknya outliers secara multivariate. Uji terhadap
multivariate outliers dilakukan dengan melihat nilai p1
dan p2 nya. Data yang bebas dari outlier harus
memiliki p1 dan p2 > 0,05 (Wijaya, 2009). Uji
multivariate outliers dari data penelitian (dapat dilihat
dalam tabel 3 pada lampiran) menunjukkan tidak ada
satupun data yang memiliki p1 dan p2 < 0,05 sehingga
dapat disimpulkan bahwa tidak terdapat data yang
outlier.
4.3. Uji Pemodelan Structural Equation Model
4.3.1. Confirmatory Faktor Analysis (CFA)
Ferdinand (2002) mengungkapkan bahwa teknik
Confirmatory
mengestimasi
Faktor
measurement
unidimensionalitas
dan
Analysis
dari
konstruk-konstruk
ditujukan
model,
konstruk-konstruk
endogen,
untuk
menguji
eksogen
sehingga
perlu
dilakukan uji konfirmatori antar konstruk eksogen
terlebih dahulu yang kemudian dilanjutkan antar
konstruk endogen. Konstruk eksogen adalah variabel
yang
mempengaruhi
variabel
lain
tanpa
pernah
dipengaruhi oleh variabel lain dalam satu rangkaian
hubungan kausalitas antar variabel, atau dengan kata
lain variabel independen (Hair et al., 2009). Didalam
31
penelitian ini terdapat dua variabel independen yaitu
etnis dan derajat extrovert. Untuk mengetahui apakah
model
penelitian
sudah
fit
atau
belum,
dapat
dibandingkan antara nilai model fit yang terdiri dari chisquares , p (probabilitas), CMIN/DF, GFI, AGFI, TLI, CFI
dan RMSEA dengan nilai Cut-off
nya.. Hasil uji
konfirmatori antar konstruk eksogen (dapat dilihat
pada tabel 4 dalam lampiran) menunjukkan hanya
kriteria TLI dan CFI yang sudah mendapat predikat
„Baik‟, sehingga dapat dikatakan model yang telah ada
belum fit. Pada uji ini terdapat 5 indikator (EX 1, EX 2,
EX 4, EX 6, EX 9) dengan loading faktor yang berada di
bawah 0,50 sehingga dapat dinyatakan tidak valid, dan
kelima indikator tersebut perlu dikeluarkan untuk
membuat
model
penelitian
menjadi
fit,
sehingga
nantinya indikator yang masih dipakai adalah EX 3, EX
5, EX 7, EX 8.
Setelah uji konfirmatori antar konstruk eksogen
selesai, yang perlu dilakukkan adalah uji konfirmatori
antar konstruk endogen. Konstruk endogen adalah
variabel yang dipengaruhi oleh variabel lain tetapi bisa
saja
variabel
ini
pada
saat
bersamaan
juga
mempengaruhi variabel lain dalam suatu hubungan
kausalitas antar variabel. Dalam penelitian ini, terdapat
2 konstruk endogen yaitu power prestige dan spending
habit. Dari hasil uji didapatkan hanya kriteria GFI yang
sudah
mendapat
predikat
32
„Baik‟
sehingga
dapat
dikatakan model yang telah ada belum fit (dapat dilihat
pada tabel 5 dalam lampiran). Dari 10 indikator yang
diuji dalam uji ini hanya 6 indikator (SH 1, SH 2, SH 4,
MA 2, MA 3, MA 4) dengan loading faktor yang berada di
atas 0,50, yang nantinya keenam indikator itulah yang
dapat digabungkan dengan indikator yang telah lulus
dari
uji
konfirmatori
konstruk
eksogen
untuk
membentuk full model yang baik.
4.3.2. Full Structural Equation Model Analysis
4.3.2.1. Uji Kesesuaian Model
Langkah ini merupakan langkah lanjutan
setelah uji konfirmatori selesai yang berfungsi untuk
memastikan bahwa model yang ada sudah fit. Gambar
4.1. menunjukkan full model sebelum uji konfirmatori
dan
Gambar
4.2,
menunjukkan
full
model
yang
mengandung semua indikator yang telah lulus uji
konfirmatori. Dapat dilihat dari gambar 4.1 yang
semula terdapat 19 indikator, setelah dilakukan uji
konfirmatori hanya terdapat 10 indikator yang lolos
(gambar 4.2.).
33
Gambar 4.1. Posisi Full Model Struktural
Sebelum Uji Konfirmatori
Gambar 4.2. Posisi Full Model Struktural
Setelah Uji Konfirmatori
34
Indikator dengan nilai loading faktor kurang dari 0,5
dieliminasi sehingga didapat indikator EX 3, EX 5, EX
7, EX 8, SH 1, SH 2, SH 4, MA 2, MA 3, MA 4 yang
dapat dimasukkan dalam model untuk membuat model
menjadi fit. Adanya eliminasi indikator yang tidak fit
berdampak pada indikator Goodness of fit-nya; semula
hanya kriteria RMSEA dan CMIN/DF yang sudah
mendapat predikat „Baik‟ menjadi semuanya telah
mendapat predikat „Baik‟ (lihat tabel 4.2.).
Tabel 4.2. Posisi Goodness-of-fit Indices Full Model
Struktural
Indikator
Goodness of Fit
Chi Square
Significance
Probability
RMSEA
CMIN/DF
GFI
AGFI
TLI
CFI
Cut-Off
Value
Full model
Full model setelah
sebelum uji
uji konfirmatori
konfirmatori
Model
Model
Result Evaluation Result Evaluation
Expected
to be low
314.91
≥ 0.05
≤ 0.08
≤ 2.00
≥ 0.90
≥ 0.90
≥ 0.90
≥ 0.95
0.00
0.07
1.91
0.84
0.79
0.89
0.904
Sumber : Data Primer 2014
35
Buruk
Buruk
Baik
Baik
Marjinal
Buruk
Marjinal
Marjinal
64.98
0.06
0.06
1.67
0.94
0.90
0.97
0.98
Baik
Baik
Baik
Baik
Baik
Baik
Baik
Baik
4.3.2.2. Uji Reliabilitas
Uji reliabilitas diperlukan untuk memastikan
bahwa semua indikator yang dipakai sudah reliabel dan
bisa digunakan untuk penelitian selanjutnya. Rumus
untuk menghitung reliabilitas :
Dari tabel 4.11., dapat dilihat bahwa nilai construct
reliability masing-masing indikator telah lebih dari 0,7,
dengan nilai terkecil berada pada variabel spending
habit (0,887). Hal tersebut menandakan bahwa 10
indikator yang ada sudah reliabel.
Tabel 4.3. Construct Reliability
Estimate
MA2
MA3
MA4
SH1
SH2
SH4
EX8
EX7
EX5
EX3