BAB VI ANALISIS FAKTOR-FAKTOR PENENTU KEPUTUSAN … · 2017. 12. 13. · Analisis Faktor...

73

BAB VI

ANALISIS FAKTOR-FAKTOR PENENTU

KEPUTUSAN HUTANG

Bab ini akan memaparkan analisis terhadap faktor-faktor yang

menentukan keputusan hutang pada pemilik usaha tenun dengan

menggunakan Theory Planned of Behavior (TPB). Analisis dilakukan dengan

menggunakan model persamaan struktural (SEM). Sesuai dengan tujuh

tahapan analisis model persamaan struktural, tahapan satu sampai tiga telah

dilakukan pada bab III. Tahapan keempat sampai ketujuh akan dilakukan

dalam bab ini.

Tahapan keempat dalam model SEM adalah 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). Estimasi model dilakukan secara

bertahap yaitu dengan teknik Confirmatory Factor Analysis dan teknik Full

Structural Equation Model.

6.1. Analisis Faktor Konfirmatori

Analisis faktor konfirmatori (Confirmatory Factor Analysis) dilakukan

untuk menguji apakah model memiliki unidimensionalitas dari dimensi-

dimensi (indikator) yang membentuk variabel laten. Dalam penelitian ini

terdapat empat variabel laten, yaitu sikap terhadap hutang (dibentuk tiga

indikator), norma sosial (empat indikator), kontrol perilaku yang

dipersepsikan (lima indikator), dan niat berhutang (tiga indikator). Dengan

menggunakan program AMOS, diperoleh hasil analisis faktor konfirmatori

yang nampak pada Gambar 6.1.

74

Gambar 6.1

Analisis Faktor Konfirmatori

Dalam analisis faktor konfirmatori terdapat dua uji dasar yaitu uji

kesesuaian model dan uji signifikansi bobot faktor.

6.1.1. Uji Kesesuaian Model

Uji kesesuaian model (goodness of fit test) merupakan uji untuk

mengukur derajat kesesuaian antara model yang dihipotesakan dengan data

yang disajikan. Uji dilakukan dengan menggunakan beberapa fit indeks yang

mengukur kebenaran model yang diajukan dengan membandingkan hasil uji

dan nilai cut-off value. Hasil uji dapat dilihat dari indeks kesesuaian model

sebagai berikut:

75

Tabel 6.1

Hasil Indeks Kesesuaian Model

Goodness

of fit Index

Cut-off value Hasil analisis Evaluasi

Chi square Diharapkan kecil 623,954 Kurang baik

Probability ≥ 0,05 0,000 Kurang baik

RMSEA ≤ 0,08 0,191 Kurang baik

GFI ≥ 0,90 0,727 Kurang baik

AGFI ≥ 0,90 0,609 Kurang baik

CMIN/DF ≤ 2,00 7,428 Kurang baik

TLI ≥ 0,95 0,808 Marginal

CFI ≥ 0,95 0,847 Marginal Sumber: Data primer diolah

Jika dilihat dari Tabel 6.1, nilai chi square (623,954) relatif tinggi yang

menunjukkan bahwa matriks kovarian yang diobservasi berbeda secara nyata

dengan yang diprediksi dan ini menghasilkan probabilitas lebih kecil dari

tingkat signifikansi (0,000). Nilai Chi Square sangat sensitif terhadap jumlah

sampel. Oleh karena itu perlu dilihat nilai indeks lainnya. Sebagian besar

indeks kesesuaian model masih belum memenuhi cut-off value yang

dipersyaratkan (RMSEA, GFI, AGFI dan CMIN/DF). Indeks TLI dan CFI

menunjukkan tingkat penerimaan marginal. Hasil indeks kesesuaian model di

atas menunjukkan bahwa model belum fit atau memadai. Oleh karena itu

model fit perlu diperbaiki/direvisi, dengan melakukan uji signifikansi bobot

faktor.

6.1.2. Uji Signifikansi Bobot Faktor

Uji signifikansi bobot faktor dilakukan untuk melihat apakah sebuah

indikator dapat digunakan untuk mengkonfirmasi bahwa indikator tersebut

dapat bersama-sama dengan indikator lainnya menjelaskan sebuah variabel

laten. Uji ini dilakukan dengan dua tahapan analisis yaitu analisis

berdasarkan nilai lambda atau factor loading dan bobot faktor (regression

weight).

76

Berdasarkan nilai lambda atau factor loading dari masing-masing

indikator (Tabel 6.2), terdapat tiga indikator yang nilainya kurang ideal. Nilai

lambda yang dipersyaratkan adalah harus mencapai ≥ 0,5. Kedua indikator

tersebut adalah NS4 (dukungan pemerintah, λ=0,069), KPD1 (kemampuan

menyediakan jaminan, λ=0,272), dan KPD4 (kemampuan memiliki modal

sendiri, λ=0,406)

Tabel 6.2

Nilai Lambda (Factor Loading)

Estimate

STH1 <--- Sikap Terhadap Hutang ,956



NS1 <--- Norma Sosial ,944




KPD1 <--- Kontrol perilaku yang dipersepsikan ,272





NB1 <--- Niat Berhutang ,985



Sumber: data primer diolah

Selain melihat nilai Lambda, uji signifikansi bobot faktor dapat dilihat

juga dengan menggunakan uji-t, yang dapat dilihat dari nilai Critical Ratio

(c.r.). Nilai cr harus lebih besar dari 2,0 yang menunjukkan bahwa indikator-

indikator secara signifikan merupakan dimensi dari variabel laten yang

dibentuk.

77

Tabel 6.3

Regression Weights

Estimate S.E. C.R. P

STH1 <- Sikap Terhadap Hutang 1,000

STH2 <- Sikap Terhadap Hutang ,974 ,043 22,699 ***

STH3 <- Sikap Terhadap Hutang ,936 ,051 18,498 ***

NS1 <- Norma Sosial 1,000

NS2 <- Norma Sosial ,947 ,035 26,868 ***

NS3 <- Norma Sosial ,933 ,033 28,064 ***

NS4 <- Norma Sosial ,094 ,105 ,902 ,367

KPD1 <- Kontrol perilaku yang dipersepsikan 1,000

KPD2 <- Kontrol perilaku yang dipersepsikan 5,174 1,425 3,632 ***


KPD4 <- Kontrol perilaku yang dipersepsikan 1,471 ,476 3,089 ,002


NB1 <- Niat Berhutang 1,000

NB2 <- Niat Berhutang 1,011 ,027 37,011 ***

NB3 <- Niat Berhutang 1,025 ,021 48,085 ***


Berdasarkan Tabel 6.3 dapat dilihat bahwa indikator NS4 memiliki c.r.

< 2,0. Oleh karena itu ketiga indikator (NS4, KPD1, dan KPD4) dapat

dikatakan tidak berdimensi dengan indikator lainnya dalam menjelaskan

variabel laten.

Berdasarkan uji kesesuaian model dan signifikansi bobot faktor, maka

perlu dilakukan analisis faktor konfirmatori ulang dengan membuang ketiga

indikator yang bermasalah. Hasil analisis faktor konfirmatori ulangan dapat

dilihat pada gambar di bawah ini:

78

Gambar 6.2

Analisis Faktor Konfirmatori Ulangan

Berdasarkan gambar 6.2 di atas, hasil analisis faktor konfimatori

ulangan memperlihatkan walaupun nilai signifikansi probabilitas dibawah

dari nilai standar atau tingkat penerimaan marginal, sebagian besar indeks

kesesuaian model telah memenuhi syarat cut-off value. Selengkapnya dapat

dilihat pada Tabel 6.4. Oleh karena itu dapat disimpulkan bahwa model dapat

diterima.

79

Tabel 6.4


Setelah Analisis Faktor Konfirmatori Ulangan

Goodness of

fit Index


Chi square Diharapkan kecil 83,877 Baik

Probability ≥ 0,05 0,001 Marginal

RMSEA ≤ 0,08 0,065 Baik

GFI ≥ 0,90 0,928 Baik

AGFI ≥ 0,90 0,883 Marginal

CMIN/DF ≤ 2,00 1,747 Baik

TLI ≥ 0,95 0,983 Baik

CFI ≥ 0,95 0,988 Baik Sumber: data primer diolah

Jika dilihat dari nilai lambda atau factor loading, maka semua

indikator memiliki nilai lambda ≥ 0,5, yang berarti semua indikator

berdimensi dengan indikator lainnya dalam menjelaskan sebuah variabel

laten. Demikian juga bila dilihat dari nilai c.r., dimana semua indikator lebih

besar dari 2,0 dan signifikan. Nilai lambda dan c.r. selengkapnya dapat

dilihat pada tabel berikut:

Tabel 6.5

Estimasi Parameter

Estimat

e

Stand

ard

Estim

ate

(λ)

S.E. C.R. P

STH1 <- Sikap Terhadap Hutang 1,000 ,956

STH2 <- Sikap Terhadap Hutang ,973 ,911 ,043 22,669 ***

STH3 <- Sikap Terhadap Hutang ,937 ,854 ,051 18,547 ***

NS1 <- Norma Sosial 1,000 ,944

NS2 <- Norma Sosial ,947 ,951 ,035 26,922 ***

NS3 <- Norma Sosial ,932 ,960 ,033 28,072 ***

KPD2 <- Kontrol perilaku yang dipersepsikan 1,000 ,925

KPD3 <- Kontrol perilaku yang dipersepsikan ,911 ,912 ,044 20,679 ***

KPD5 <- Kontrol perilaku yang dipersepsikan ,883 ,918 ,042 21,038 ***

NB1 <- Niat Berhutang 1,000 ,985

NB2 <- Niat Berhutang 1,011 ,957 ,027 37,016 ***

NB3 <- Niat Berhutang 1,025 ,981 ,021 48,083 ***


80

6.2. Uji Reliabilitas

Reliabilitas konstruk merupakan ukuran konsistensi internal dari

indikator-indikator sebuah konstruk yang menunjukkan derajat sampai

dimana masing-masing indikator tersebut mengindikasikan sebuah konstruk/

faktor laten yang umum (Ferdinand, 2014). Pengujian reliablitas dilakukan

secara manual dengan menghitung nilai reliabilitas kontruk (construct

reliability) dan nilai Variance Extract yang dapat dilihat pada Tabel 6.6 dan

Tabel 6.7.

Tabel 6.6

Perhitungan Reliabilitas Konstruk

Item

Sikap Norma Sosial Kontrol Perilaku Niat Berhutang

Loading Error Loading Error Loading Error Loading Error

STH1 0,956 0,086

STH2 0,911 0,170

STH3 0,854 0,271

NS1 0,944 0,109

NS2 0,951 0,096

NS3 0,960 0,078

KPD2 0,924 0,146

KPD3 0,914 0,165

KPD5 0,919 0,155

NB1 0,984 0,032

NB2 0,957 0,084

NB3 0,982 0,036

∑ 2,721 0,527 2,855 0,283 2,757 0,466 2,923 0,152

∑λ2 7,404 8,151 7,601 8,544

Construct

Reliability 0,934 0,966 0,942 0,983

Sumber: Data primer diolah

Keterangan:

Loading (λ): nilai lambda yang diperoleh langsung dari standardized loading

untuk tiap-tiap indikator (output AMOS)

Error: measurement error dari tiap-tiap indikator

Hasil perhitungan nilai reliabilitas pada Tabel 6.6 di atas menunjukkan

nilai yang ideal, dimana nilai reliabilitas konstruk di atas 0,7. Hal ini berarti

81

bahwa indikator-indikator yang digunakan memiliki reliabilitas yang

memadai untuk menjelaskan masing-masing konstruknya.

Pengujian reliabilitas dapat juga dilakukan dengan uji Average

Variance Extract (AVE) dengan kriteria nilai AVE > 0,5. Berdasarkan

perhitungan pada Tabel 6.7, dapat dilihat nilai AVE semua variabel > 0,5,

yang berarti bahwa indikator-indikator yang digunakan untuk menjelaskan

masing-masing konstruk reliabel.

Tabel 6.7

Pehitungan Average Variance Extract (AVE)

Item Sikap Norma Sosial Kontrol Perilaku Niat Berhutang

λ λ2 1-λ2 λ λ2 1-λ2 Λ λ2 1-λ2 Λ λ2 1-λ2

STH1 0,956 0,914 0,086

STH2 0,911 0,830 0,170

STH3 0,854 0,729 0,271

NS1 0,944 0,891 0,109

NS2 0,951 0,904 0,096

NS3 0,960 0,922 0,078

KPD2 0,924 0,854 0,146

KPD3 0,914 0,835 0,165

KPD5 0,919 0,845 0,155

NB1 0,984 0,968 0,032

NB2 0,957 0,916 0,084

NB3 0,982 0,964 0,036

∑ 2,473 0,527 2,717 0,283 2,534 0,466 2,848 0,152

AVE 0,824 0,906 0,845 0,949


Keterangan:

Loading (λ): nilai lambda yang diperoleh langsung dari standardized loading untuk

tiap-tiap indikator (output AMOS)

Error: measurement error dari tiap-tiap indikator

6.3. Pengujian Asumsi Model Persamaan Struktural

6.3.1. Asumsi Kecukupan Sampel

Sampel dalam penelitian ini berjumlah 177 sampel. Menurut Ferdinand

(2014), jumlah sampel yang harus dipenuhi dalam permodelan minimum

82

lima kali jumlah parameter. Jumlah parameter dalam penelitian ini adalah 33

(berdasar perhitungan dengan program AMOS), maka sampel yang harus

dipenuhi 33 x 5 = 165 sampel. Oleh karena itu, asumsi kecukupan sampel

dalam penelitian ini telah terpenuhi.

6.3.2. Asumsi Normalitas Data

Uji normalitas data baik univariat maupun multivariat dapat dilihat

pada nilai z (critical ratio atau c.r pada output program AMOS) yang

menggambarkan nilai tingkat kemencengan (skewness) dari data yang

digunakan. Jika nilai c.r. lebih besar dari ± 2,58 berarti asumsi normalitas

ditolak pada tingkat signifikansi 1% (0,01). Hasil uji normalitas dapat dilihat

pada Tabel 6.8. Berdasarkan Tabel 6.8 tersebut, dapat dilihat bahwa secara

univariat, data berdistribusi normal dimana semua indikator memiliki c.r.

skew kurang dari ± 2,58. Jika dilihat secara multivariat, nilai c.r. kurtosis

sebesar 11,815 jauh lebih besar dari ± 2,58 yang berarti data tidak

berdistribusi normal. Asumsi normalitas tetap dapat diterima karena data

berdistribusi normal secara univariat (Killa, 2014).

Tabel 6.8

Pengujian Normalitas Data

Variable min Max skew c.r. kurtosis c.r.

KH ,167 ,990 -,232 -1,259 -1,149 -3,121

NB3 2,000 7,000 -,147 -,796 -,996 -2,704

NB2 1,000 7,000 -,281 -1,528 -,544 -1,476

NB1 2,000 7,000 -,183 -,994 -,902 -2,450

KPD5 2,000 7,000 -,437 -2,376 -,721 -1,957

KPD3 2,000 7,000 ,042 ,226 -1,009 -2,741

KPD2 2,000 7,000 -,247 -1,342 -,914 -2,482

NS3 2,000 7,000 -,387 -2,104 -,237 -,644

NS2 3,000 7,000 -,436 -2,368 -,516 -1,401

NS1 2,000 7,000 -,416 -2,260 -,461 -1,251

83

Variable min Max skew c.r. kurtosis c.r.

STH3 2,000 7,000 -,101 -,550 -,855 -2,322

STH2 2,000 7,000 -,079 -,431 -,721 -1,958

STH1 2,000 7,000 -,293 -1,591 -,655 -1,778

Multivariate

35,075 11,815


6.3.3. Asumsi Outlier

Dengan bantuan program SPSS, evaluasi terhadap asumsi outlier

univariat dilakukan dengan mengkonversi nilai data penelitian ke dalam

standard score (z-score). Hasil konversi dapat dilihat pada tabel berikut:

Tabel 6.9

Univariate Outliers

N Minimum Maximum Mean Std. Deviation

Zscore(STH1) 177 -1,86819 1,83887 ,0000000 1,00000000

Zscore(STH2) 177 -1,85446 1,77651 ,0000000 1,00000000

Zscore(STH3) 177 -1,77721 1,75724 ,0000000 1,00000000

Zscore(NS1) 177 -2,48210 1,85912 ,0000000 1,00000000

Zscore(NS2) 177 -2,46607 1,32130 ,0000000 1,00000000

Zscore(NS3) 177 -2,44056 2,17460 ,0000000 1,00000000

Zscore(KPD2) 177 -1,93411 1,64683 ,0000000 1,00000000

Zscore(KPD3) 177 -2,07679 1,80076 ,0000000 1,00000000

Zscore(KPD5) 177 -2,72286 1,30006 ,0000000 1,00000000

Zscore(NB1) 177 -2,31146 1,62246 ,0000000 1,00000000

Zscore(NB2) 177 -2,84419 1,69114 ,0000000 1,00000000

Zscore(NB3) 177 -2,27294 1,55130 ,0000000 1,00000000

Zscore(KH) 177 -2,06661 1,79703 ,0000000 1,00000000

Valid N (listwise) 177


Hasil z-score pada tabel di atas menunjukkan bahwa secara univariat

tidak terdapat indikator yang memiliki nilai z-score lebih besar dari ± 3,00.

84

Oleh karena itu dapat disimpulkan bahwa tidak terdapat univariate outlier

dalam data penelitian ini.

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. Jumlah

variabel yang dimaksud adalah jumlah item pertanyaan pada pengujian

model. Dalam penelitian ini sebanyak 13 variabel. Jika terdapat kasus yang

mempunyai jarak mahalanobis lebih besar dari χ2 (13, 0.001) = 34,528, maka

terdapat outlier multivariat. Hasil outlier multivariat dengan bantuan program

AMOS terlihat pada tabel berikut:

Tabel 6.10 Multivariate Outliers

Observation

number

Mahalanobis d-

squared p1 p2

24 45,757 ,000 ,003

140 40,626 ,000 ,000

137 37,104 ,000 ,000

138 37,104 ,000 ,000

139 37,104 ,000 ,000

11 33,949 ,001 ,000

..... ..... ..... .....

..... ..... ..... .....

..... ..... ..... .....

148 10,125 ,684 1,000 Sumber: Data primer diolah

Berdasarkan Tabel 6.10 di atas, dapat dilihat terdapat outlier

multivariat, dimana ada 5 kasus yang nilai jarak Mahalanobis lebih besar dari

34,528. Jika tidak ada alasan khusus, maka kasus-kasus yang terdapat outlier

multivariat dapat dimasukkan untuk analisis selanjutnya (Ferdinand, 2014).

Meskipun penulis mencoba mengeluarkan data outliers, goodness of fit index

semakin buruk. Kehadiran outliers dapat tetap dipertahankan apabila outliers

85

yang dikeluarkan memperburuk goodness of fit index (Killa, 2008). Oleh

karena itu, kelima kasus tersebut akan tetap digunakan dalam penelitian ini.

6.4. Pengujian Faktor-Faktor Penentu Keputusan Hutang

Sesuai dengan model penelitian yang telah dikembangkan pada bab II,

maka penelitian ini dilakukan untuk menguji faktor-faktor penentu keputusan

hutang pemilik usaha dengan menggunakan model persamaan struktural

(SEM). Analisis full model yang dilakukan untuk menguji hipotesis faktor-

faktor penentu keputusan hutang tersebut, menggunakan program AMOS

(Analysis of Moment Structure) yang hasilnya dapat dilihat pada gambar

berikut:

Gambar 6.3

Full Model Persamaan Struktural

86

6.4.1. Uji Kesesuaian Model

Hasil analisis indeks kesesuaian model dapat dilihat pada Tabel 6.11.

Jika dilihat dari Tabel 6.11, nilai chi square (117,670) relatif tinggi yang

menunjukkan bahwa matriks kovarian yang diobservasi berbeda secara nyata

dengan yang diprediksi dan ini menghasilkan probabilitas lebih kecil dari

tingkat signifikansi (0,000). Namun karena nilai Chi Square sangat sensitif

terhadap jumlah sampel, maka perlu dilihat nilai indeks lainnya. Sebagian

besar indeks kesesuaian model telah memenuhi cut-off value yang

dipersyaratkan (RMSEA, GFI, TLI dan CFI). Indeks AGFI dan CMIN/DF

menunjukkan tingkat penerimaan marginal. Hasil indeks kesesuaian model

ini menunjukkan bahwa model belum memadai.

Tabel 6.11


Berdasarkan Full Model Persamaan Struktural

Goodness of fit

Index

Cut-off value Hasil Analisis Evaluasi

Chi square Diharapkan kecil 117,670 Kurang baik

Probability ≥ 0,05 0,000 Kurang baik

RMSEA ≤ 0,08 0,076 Baik

GFI ≥ 0,90 0,912 Baik


CMIN/DF ≤ 2,00 2,029 Marginal

TLI ≥ 0,95 0,974 Baik


Oleh karena itu nilai indeks modifikasi (modification index) dilihat

sebagai bahan pertimbangan apakah model yang dikembangkan perlu

dimodifikasi atau tidak. Berdasarkan output program AMOS, nilai indeks

modifikasi dapat dilihat pada tabel berikut:

87

Tabel 6.12

Covariances Modification Index

M.I. Par Change

z2 <--> Norma_Sosial 10,088 -,024

e10 <--> z1 4,438 -,086

e9 <--> e15 4,641 ,032

e5 <--> e14 6,419 -,031

e4 <--> z2 17,314 -,020

e4 <--> e10 4,517 -,042

e4 <--> e9 5,992 ,051

e3 <--> e15 6,414 ,047

e3 <--> e4 4,935 -,057

e2 <--> e15 7,232 -,041

e2 <--> e13 5,947 ,035

e1 <--> e14 6,105 ,042


Nampak pada Tabel 6.12 nilai MI cukup besar antara e4 dan z2 juga

z2 dan Norma Sosial. Berdasarkan nilai tersebut, variabel-variabel tersebut

coba dihubungkan, yang hasil analisis dapat dilihat pada gambar berikut:

88

Gambar 6.4

Modifikasi Model

Berdasarkan Gambar 6.4, maka dapat dilihat bahwa nilai indeks kesesuaian

model sebagian besar memenuhi standar cut-off value, namun nilai

probability masih di bawah dari 0,05 dan nilai AGFI masih menunjukkan

nilai penerimaan marginal, dimana selengkapnya pada tabel berikut:

Tabel 6.13

Hasil Indeks Kesesuaian Model Setelah Modifikasi

Goodness of

fit Index



Probability ≥ 0,05 0,002 Kurang Baik

RMSEA ≤ 0,08 0,059 Baik

GFI ≥ 0,90 0,928 Baik



TLI ≥ 0,95 0,985 Baik


89

Oleh karena itu dilakukan modifikasi lebih lanjut dengan

menghubungkan nilai-nilai indeks modifikasi yang masih lebih besar dari 4.

Dari modifikasi yang dilakukan, diperoleh hasil sebagai berikut:

Gambar 6.5

Modifikasi Model Ulangan

Berdasarkan Gambar 6.5, maka dapat dilihat bahwa nilai indeks kesesuaian

model semuanya memenuhi standar cut-off value, dan nilai probability di atas

dari 0,05 selengkapnya pada tabel berikut:

90

Tabel 6.14


Setelah Modifikasi Ulangan

Goodness of fit

Index



Probability ≥ 0,05 0,074 Baik

RMSEA ≤ 0,08 0,041 Baik

GFI ≥ 0,90 0,947 Baik

AGFI ≥ 0,90 0,908 Baik


TLI ≥ 0,95 0,993 Baik


Hasil estimasi (regression weight) untuk kepentingan pengujian

hipotesis setelah dilakukan modifikasi model dapat dilihat pada tabel berikut:

Tabel 6.15

Regression Weights sesudah Modifikasi Model

Estimate S.E. C.R. P

Niat_Berhutang <--- Sikap_Terhadap_Hutang ,529 ,146 3,628 ***

Niat_Berhutang <--- Norma_Sosial ,397 ,115 3,444 ***

Niat_Berhutang <--- Kontrol_Perilaku_yg_Dipersepsikan -,139 ,142 -,980 ,327

STH1 <--- Sikap_Terhadap_Hutang 1,000

STH2 <--- Sikap_Terhadap_Hutang ,970 ,043 22,579 ***

STH3 <--- Sikap_Terhadap_Hutang ,952 ,050 18,973 ***

NS1 <--- Norma_Sosial 1,000

NS2 <--- Norma_Sosial ,950 ,035 26,981 ***

NS3 <--- Norma_Sosial ,933 ,033 27,960 ***

KPD2 <--- Kontrol_Perilaku_yg_Dipersepsikan 1,000

KPD3 <--- Kontrol_Perilaku_yg_Dipersepsikan ,910 ,044 20,831 ***

KPD5 <--- Kontrol_Perilaku_yg_Dipersepsikan ,881 ,042 21,106 ***

NB1 <--- Niat_Berhutang 1,000

NB2 <--- Niat_Berhutang 1,015 ,027 37,035 ***

NB3 <--- Niat_Berhutang 1,027 ,021 48,759 ***

KH <--- Niat_Berhutang ,096 ,011 8,769 ***

KH <--- Kontrol_Perilaku_yg_Dipersepsikan ,046 ,011 4,229 ***


Keterangan: *** : signifikan pada alpha 0,01

6.4.2. Hasil Uji Hipotesis

Terdapat lima hipotesis yang diajukan dalam penelitian ini yaitu tiga

hipotesis untuk melihat pengaruh sikap terhadap hutang, norma sosial dan

91

kontrol perilaku yang dipersepsikan terhadap niat berhutang. Dua hipotesis

lainnya untuk melihat pengaruh niat berhutang dan kontrol perilaku yang

dipersepsikan terhadap keputusan hutang. Hasil pengujian terhadap hipotesis-

hipotesis tersebut dapat dilihat dari estimasi parameter regresi (regression

weight) pada Tabel 6.15.

Berdasarkan nilai regression weights pada Tabel 6.15, maka hasil

pengujian kelima hipotesis yang diajukan dapat digambarkan sebagai berikut:

Hipotesis 1 : Sikap terhadap hutang secara positif mempengaruhi niat

berhutang.

Hasil pengujian statistik terhadap hipotesis 1 menunjukkan nilai

parameter estimasi 0,529; nilai standar error 0,146; nilai critical ratio 3,628;

dengan nilai probabilitas 0,000. Dengan menggunakan tingkat signifikansi

(alfa) sebesar 0,05, maka dapat disimpulkan bahwa terdapat cukup bukti yang

kuat secara empirik untuk menolak H0 dan menerima Ha. Hal ini berarti

bahwa sikap pemilik usaha terhadap hutang berpengaruh secara positif dan

signifikan terhadap niat untuk berhutang.

Hipotesis 2 : Norma sosial berpengaruh positif terhadap niat berhutang.






bahwa norma sosial pemilik usaha berpengaruh secara positif dan signifikan

terhadap niat untuk berhutang.

Hipotesis 3 : Kontrol perilaku yang dipersepsikan berpengaruh positif

terhadap niat berhutang

92


parameter estimasi -0,139; nilai standar error 0,142; nilai critical ratio -

0,980; dengan nilai probabilitas 0,327. Dengan menggunakan tingkat

signifikansi (alfa) sebesar 0,05, maka dapat disimpulkan bahwa tidak terdapat

cukup bukti yang kuat secara empirik untuk menolak H0, dengan demikian

Ha ditolak. Hal ini berarti bahwa hipotesis 3 yang menyatakan bahwa kontrol

perilaku yang dipersepsikan pemilik usaha mempengaruhi niat untuk

berhutang tidak didukung.

Hipotesis 4 : Niat berhutang berpengaruh positif terhadap keputusan

hutang






bahwa niat berhutang pemilik usaha berpengaruh secara positif dan

signifikan terhadap keputusan hutang.

Hipotesis 5 : Kontrol perilaku yang dipersepsikan berpengaruh positif

terhadap keputusan hutang.






bahwa kontrol perilaku yang dipersepsikan pemilik usaha berpengaruh secara

positif dan signifikan terhadap keputusan hutang.

BAB VI ANALISIS FAKTOR-FAKTOR PENENTU KEPUTUSAN … · 2017. 12. 13. · Analisis Faktor...

Documents

Transcript of BAB VI ANALISIS FAKTOR-FAKTOR PENENTU KEPUTUSAN … · 2017. 12. 13. · Analisis Faktor...