BAB VI ANALISIS FAKTOR-FAKTOR PENENTU KEPUTUSAN HUTANG

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 dimensidimensi (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. 73

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: 74

Tabel 6.1 Hasil Indeks Kesesuaian Model Goodness Cut-off value Hasil analisis Evaluasi of fit Index 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). 75

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 indikatorindikator secara signifikan merupakan dimensi dari variabel laten yang dibentuk. 76

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: 77

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. 78

Tabel 6.4 Hasil Indeks Kesesuaian Model Setelah Analisis Faktor Konfirmatori Ulangan Goodness of Cut-off value Hasil analisis Evaluasi 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) STH1 <- Sikap Terhadap Hutang 1,000,956 S.E. C.R. P 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 79

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 Sikap Norma Sosial Kontrol Perilaku Niat Berhutang Item 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 λ 2 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 80 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

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. Item Tabel 6.7 Pehitungan Average Variance Extract (AVE) 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 81

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). 82 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

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. 83

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 χ 2 (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 Mahalanobis d- number 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 84

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 faktorfaktor 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 85

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 Cut-off value Hasil Analisis Evaluasi Index 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: 86

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: 87

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 Cut-off value Hasil analisis Evaluasi fit Index 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 88

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: 89

Tabel 6.14 Hasil Indeks Kesesuaian Model Setelah Modifikasi Ulangan Goodness of fit Cut-off value Hasil analisis Evaluasi Index 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 90 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

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 hipotesishipotesis 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 91

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. 92