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
STH2 <--- Sikap Terhadap Hutang ,912
STH3 <--- Sikap Terhadap Hutang ,853
NS1 <--- Norma Sosial ,944
NS2 <--- Norma Sosial ,951
NS3 <--- Norma Sosial ,960
NS4 <--- Norma Sosial ,069
KPD1 <--- Kontrol perilaku yang dipersepsikan ,272
KPD2 <--- Kontrol perilaku yang dipersepsikan ,918
KPD3 <--- Kontrol perilaku yang dipersepsikan ,911
KPD4 <--- Kontrol perilaku yang dipersepsikan ,406
KPD5 <--- Kontrol perilaku yang dipersepsikan ,928
NB1 <--- Niat Berhutang ,985
NB2 <--- Niat Berhutang ,957
NB3 <--- Niat Berhutang ,981
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 ***
KPD3 <- Kontrol perilaku yang dipersepsikan 4,741 1,306 3,630 ***
KPD4 <- Kontrol perilaku yang dipersepsikan 1,471 ,476 3,089 ,002
KPD5 <- Kontrol perilaku yang dipersepsikan 4,653 1,280 3,635 ***
NB1 <- Niat Berhutang 1,000
NB2 <- Niat Berhutang 1,011 ,027 37,011 ***
NB3 <- Niat Berhutang 1,025 ,021 48,085 ***
Sumber: data primer diolah
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
Hasil Indeks Kesesuaian Model
Setelah Analisis Faktor Konfirmatori Ulangan
Goodness of
fit Index
Cut-off value Hasil analisis Evaluasi
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 ***
Sumber: data primer diolah
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
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
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
Sumber: data primer diolah
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
Sumber: Data primer diolah
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
Hasil Indeks Kesesuaian Model
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
AGFI ≥ 0,90 0,861 Marginal
CMIN/DF ≤ 2,00 2,029 Marginal
TLI ≥ 0,95 0,974 Baik
CFI ≥ 0,95 0,981 Baik Sumber: data primer diolah
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
Sumber: Data primer diolah
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
Cut-off value Hasil analisis Evaluasi
Chi square Diharapkan kecil 90,856 Baik
Probability ≥ 0,05 0,002 Kurang Baik
RMSEA ≤ 0,08 0,059 Baik
GFI ≥ 0,90 0,928 Baik
AGFI ≥ 0,90 0,883 Marginal
CMIN/DF ≤ 2,00 1,622 Baik
TLI ≥ 0,95 0,985 Baik
CFI ≥ 0,95 0,989 Baik Sumber: data primer diolah
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
Hasil Indeks Kesesuaian Model
Setelah Modifikasi Ulangan
Goodness of fit
Index
Cut-off value Hasil analisis Evaluasi
Chi square Diharapkan kecil 68,502 Baik
Probability ≥ 0,05 0,074 Baik
RMSEA ≤ 0,08 0,041 Baik
GFI ≥ 0,90 0,947 Baik
AGFI ≥ 0,90 0,908 Baik
CMIN/DF ≤ 2,00 1,292 Baik
TLI ≥ 0,95 0,993 Baik
CFI ≥ 0,95 0,995 Baik Sumber: data primer diolah
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 ***
Sumber: data primer diolah
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.
Hasil pengujian statistik terhadap hipotesis 2 menunjukkan nilai
parameter estimasi 0,397; nilai standar error 0,115; nilai critical ratio 3,444;
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 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
Hasil pengujian statistik terhadap hipotesis 3 menunjukkan nilai
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
Hasil pengujian statistik terhadap hipotesis 4 menunjukkan nilai
parameter estimasi 0,096; nilai standar error 0,011; nilai critical ratio 8,769;
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 niat berhutang pemilik usaha berpengaruh secara positif dan
signifikan terhadap keputusan hutang.
Hipotesis 5 : Kontrol perilaku yang dipersepsikan berpengaruh positif
terhadap keputusan hutang.
Hasil pengujian statistik terhadap hipotesis 5 menunjukkan nilai
parameter estimasi 0,046; nilai standar error 0,011; nilai critical ratio 4,229;
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 kontrol perilaku yang dipersepsikan pemilik usaha berpengaruh secara
positif dan signifikan terhadap keputusan hutang.
Top Related