73
melakukan pekerjaan hal ini di tunjukan pada jumlah target produsi barang yang sering belum memenuhi target.
4.3 Analisis Data 4.3.1 Evaluasi Outlier
Outlier adalah observasi atau data yang memiliki karakteristik unik yang
terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi atau
mutivariat Hair, 1998. Evaluasi terhadap outlier multivariate antar variabel perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada
outliers pada tingkat univariate, tetapi observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak antara Mahalanobis untuk tiap-tiap observasi
dapat dihitung dan akan menunjukkan sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional Hair.dkk, 1998; Tabachnick
Fidel, 1996. Uji terhadap outliers multivariate dilakukan dengan menggunakan jarak Mahalanobis pada tingkat p 1. Jarak Mahalanobis itu dievaluasi dengan
menggunakan χ² chi kuadrat pada derajat bebas sebesar jumlah variabel yang
digunakan dalam penelitian ini. Hasil uji outlier tampak pada tabel berikut :
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
74
Tabel 4.7 Outlier Data
Residuals Statistics a Minimum
Maximum Mean
Std. Deviation
N Predicted Value
36.189 92.760
62.500 12.169
124 Std. Predicted Value
-2.162 2.487
.000 1.000
124 Standard Error of Predicted Value
7.545 18.563
11.879 1.817
124 Adjusted Predicted Value
32.304 92.488
62.234 12.958
124 Residual
-62.073 67.558
.000 33.817
124 Std. Residual
-1.736 1.889
.000 .946
124 Stud. Residual
-1.820 1.988
.003 1.003
124 Deleted Residual
-68.236 74.807
.266 38.079
124 Stud. Deleted Residual
-1.840 2.015
.004 1.008
124 Mahalanobis Distance [MD]
4.484
32.153
12.895 4.287 124
Cooks Distance .000
.047 .009
.010 124
Centered Leverage Value .036
.261 .105
.035 124
a Dependent Variable : NO. RESP Sumber : Lampiran
Deteksi terhadap multivariat outliers dilakukan dengan menggunakan kriteria Jarak Mahalanobis pada tingkat p 0,001. Jarak Mahalanobis itu
dievaluasi dengan menggunakan
2
pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian. Bila kasus yang mempunyai Jarak
Mahalanobis lebih besar dari nilai chi-square pada tingkat signifikansi 0,001 maka terjadi multivariate outliers. Nilai
2 0.001
dengan jumlah indikator 13 adalah sebesar 32.153. Hasil analisis Mahalanobis diperoleh nilai 32.153 lebih dari
2
tabel 34.528 tersebut. Dengan demikian, tidak terjadi multivariate outliers.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
75
4.3.2 Evaluasi Reabilitas
Seperti telah dijelaskan pada bab sebelumnya bahwa Cronbach’s Alpha ini digunakan untuk mengestimasi reliabiltas setiap skala variabel atau observasi
indikator. Sementara itu item to total correlation digunakan untuk memperbaiki ukuran-ukuran dan mengeliminasi butir-butir yang kehadirannya akan
memperkecil koefisien Cronbach’s Alpha yang dihasilkan Purwanto, 2002. Hasil selengkapnya dapat dilihat pada tabel berikut :
Tabel 4.8 Reabilitas Data
Pengujian Reliability Consistency Internal Konstrak Indikator
Item to Total Correlation
Koefisien Cronbachs
Alpha
X11 0.561 X12 0.609
Compensation X13 0.650
0.140 X21 0.669
X22 0.682 Motivation
X23 0.654 0.380
Y1 0.573 Y2 0.589
Y3 0.660 Satisfaction
Y4 0.360
0.388 Z1 0.606
Z2 0.653 Performance
Z3 0.544 0.120
Sumber : Data Diolah
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
76
Proses eleminasi diperlakukan pada item to total correlation pada indikator yang nilainya 0,5 [Purwanto,2003]. Terjadi eliminasi karena nilai
item to total correlation indikator belum seluruhnya ≥ 0,5. Indikator yang
tereliminasi tidak disertakan dalam perhitungan cronbachs alpha. Perhitungan cronbachs dilakukan setelah proses eliminasi. Hasil pengujian reliabilitas
konsistensi internal untuk setiap construct di atas menunjukkan hasil kurang baik dimana koefisien Cronbach’s Alpha yang diperoleh belum seluruhnya
memenuhi rules of thumb yang disyaratkan yaitu ≥ 0,7 [Hair et.al.,1998].
4.3.3 Evaluasi Validitas
Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya
diukur, karena indikator multidimensi, maka uji validitas dari setiap latent variable
construct akan diuji dengan melihat loading faktor dari hubungan antara setiap observed variable dan latent variable. Hasil analisis tampak pada
tabel di bawah ini.
Tabel 4.9 Evaluasi Validitas
Standardize Faktor Loading dan Construct dengan Confirmatory Factor Analysis
Faktor Loading Konstrak Indikator
1 2 3 4 X11 0.095
X12 0.397 Compensation
X13 0.038 X21 0.620
X22 0.357 Motivation
X23 0.235 Y1
0.348 Satisfaction
Y2 0.515
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
77
Y3 0.418
Z1 0.189
Z2 -0.103
Performance Z3
0.204
Sumber : Data Diolah
Berdasarkan hasil confirmatory factor analysis terlihat bahwa factor loadings masing masing butir pertanyaan yang membentuk setiap construct
belum seluruhnya ≥ 0,5, sehingga butir-butir instrumentasi setiap konstruk
tersebut dapat dikatakan validitasnya kurang baik.
4.3.4 Evaluasi Construct Reliability Dan Variance Extracted
Selain melakukan pengujian konsistensi internal Cronbach’s Alpha, perlu juga dilakukan pengujian construct reliability dan variance extracted. Kedua
pengujian tersebut masih dalam koridor uji konsistensi internal yang akan memberikan peneliti kepercayaan diri yang lebih besar bahwa indikator-indikator
individual mengukur suatu pengukuran yang sama Purwanto, 2002. Dan variance extracted
direkomendasikan pada tingkat 0,50. Hasil perhitungan construct reliability
dan variance extracted dapat dilihat dalam tabel 4.6
Tabel 4.10 Construct Reliability Dan Variance Extracted
Construct Reliability Variance Extrated Konstrak Indikator
Standardize Factor
Loading SFL
Kuadrat Error [
εj] Construct
Reliability Variance
Extrated X11 0.095 0.009
0.991 X12 0.397 0.158
0.842 Compensation
X13 0.038 0.001 0.999
0.090 0.056 X21 0.620 0.384
0.616 X22 0.357 0.127
0.873 Motivation
X23 0.235 0.055 0.945
0.376 0.189 Y1 0.348 0.121
0.879 Y2 0.515 0.265
0.735 Satisfaction
Y3 0.418 0.175 0.825
0.402 0.187 Performance Z1
0.189 0.036 0.964 0.028
0.029
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
78
Z2 -0.103 0.011
0.989 Z3 0.204 0.042
0.958
Batas Dapat Diterima ≥ 0,7
≥ 0,5
Sumber : Data Diolah
Hasil pengujian reliabilitas instrumen dengan construct reliability dan variance extracted menunjukkan instrumen kurang reliabel, yang ditunjukkan
dengan nilai construct reliability belum seluruhnya ≥ 0,7. Meskipun demikian
angka tersebut bukanlah sebuah ukuran “mati” artinya bila penelitian yang dilakukan bersifat exploratory, maka nilai di bawah 0,70 pun masih dapat
diterima sepanjang disertai alasan–alasan empirik yang terlihat dalam proses eksplorasi. Dan variance extracted direkomendasikan pada tingkat 0,50.
4.3.5 Evaluasi Normalitas
Uji normalitas sebaran dilakukan dengan Skewness Value dari data yang digunakan yang biasanya disajikan dalam statistik deskriptif. Nilai statistik untuk
menguji normalitas itu disebut z-value. Bila nilai-z lebih besar dari nilai kritis maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat
ditentukan berdasarkan tingkat signifikansi 0,01 1 yaitu sebesar 2,58.
Hasilnya diperoleh nilai c.r. multivariat diantara 2,58 dan itu berarti asumsi
normalitas terpenuhi dan data layak untuk digunakan dalam estimasi selanjutnya. Hasil analisis tampak pada tabel berikut :
Tabel 4.11 Normalitas Data
Assessment of normality Variable min max kurtosis
c.r. X11 2
6 0.052
0.118 X12 2
5 -0.696
-1.583 X13 2
6 -0.742
-1.687 X21 2
6 -0.933
-2.122 X22 2
6 -0.607
-1.379
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
79
X23 2 6
-0.544 -1.237
Y1 2 6
-0.626 -1.422
Y2 2 6
-0.495 -1.124
Y3 2 6
-0.727 -1.652
Z1 2 6
-0.563 -1.279
Z2 2 6
-0.352 -0.799
Z3 2 6
-0.392 -0.89
Multivariate
-3.007
-0.913 Batas Normal
± 2,58
Sumber : Lampiran
Hasil uji menunjukkan bahwa nilai c.r. mutivariate berada di antara ± 2,58 itu berarti asumsi normalitas terpenuhi. Fenomena ini tidak menjadi
masalah serius seperti dikatakan oleh Bentler Chou [1987] bahwa jika teknik estimasi dalam model SEM menggunakan maximum likelihood estimation
[MLE] walau ditribusi datanya tidak normal masih dapat menghasilkan good estimate, sehingga data layak untuk digunakan dalam estimasi selanjutnya.
4.3.6 Analisis Model SEM
Dalam model SEM, model pengukuran dan model struktural parameter- parameternya diestimasi secara bersama-sama. Cara ini agak mengalami
kesulitan dalam memenuhi tuntutan fit model. Kemungkinan terbesar disebabkan oleh terjadinya interaksi antara measurement model dan structural model yang
diestimasi secara bersama-sama [One Step Approach to SEM]. One step aprroach to SEM digunakan apabila model diyakini bahwa
dilandasi teori yang kuat serta validitas reliabilitas data sangat baik [Hair et.al.,1998]. Hasil estimasi dan fit model one step approach to SEM dengan
menggunakan program aplikasi Amos 4.01 terlihat pada Gambar dan Tabel Goodness of Fit di bawah ini.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
80
Gambar 4.2
Tabel 4.12 Evaluasi Kriteria Goodness Of Fit Indices Model One-Step Approach-Base Model
Evaluasi Kriteria Goodness of Fit Indices Kriteria Hasil
Nilai Kritis
Evaluasi Model
CminDF 0.936 ≤ 2,00
Baik Probability 0.619
≥ 0,05 Baik
RMSEA 0.000 ≤ 0,08
Baik GFI 0.935
≥ 0,90 Baik
AGFI 0.903 ≥ 0,90
Baik TLI 1.303
≥ 0,95 Baik
CFI 1.000 ≥ 0,94
Baik
Sumber : Lampiran
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
81
Dari hasil evaluasi terhadap model one step base model ternyata dari semua kriteria goodness of fit yang digunakan, seluruhnya menunjukkan hasil
evaluasi model yang baik, berarti model telah sesuai dengan data. Artinya, model konseptual yang dikembangkan dan dilandasi oleh teori telah sepenuhnya
didukung oleh fakta. Berdasarkan uji Reliability Consistency Internal terdapat indikator tereliminasi sebagaimana terdapat di bawah ini.
Gambar 4.3
Tabel 4.13 Evaluasi Kriteria Goodness of Fit Indices Model One- Step Approach – Modifikasi
Sumber : Lampiran
Evaluasi Kriteria Goodness of Fit Indices Kriteria Hasil
Nilai Kritis
Evaluasi Model
CminDF 0.979 ≤ 2,00
Baik Probability 0.515
≥ 0,05 Baik
RMSEA 0.000 ≤ 0,08
Baik GFI 0.94
≥ 0,90 Baik
AGFI 0.906 ≥ 0,90
Baik TLI 1.069
≥ 0,95 Baik
CFI 1.000 ≥ 0,94
Baik
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
82
Dari hasil evaluasi terhadap model one step elimination model ternyata dari semua kriteria goodness of fit yang digunakan, seluruhnya menunjukkan
hasil evaluasi model yang baik, berarti model telah sesuai dengan data. Artinya, model konseptual yang dikembangkan dan dilandasi oleh teori telah sepenuhnya
didukung oleh fakta. Dengan demikian model ini adalah model yang terbaik untuk menjelaskan keterkaitan antar variabel dalam model.
4.3.7 Uji Kausalitas
Dilihat dari angka determinant of sample covariance matrix : 3,425 0 mengindikasikan tidak terjadi multicolinierity atau singularity dalam data ini
sehingga asumsi terpenuhi. Dengan demikian besaran koefisien regresi masing- masing faktor dapat dipercaya sebagaimana terlihat pada uji kausalitas di bawah
ini.
Tabel 4.14 Hasil Uji Kausalitas
Ustd Std
Faktor Faktor
Estimat e
Estimat e
Prob. Motivation
Compensatio n
0.630 0.994 0.000 Satisfaction
Compensatio n
-2.385 -6.610 0.815 Satisfaction
Motivation 3.901
6.857 0.809
Performance Compensatio
n 0.001 0.004 0.999
Performance Satisfaction
-0.420 -0.752
0.958 Performance
Motivation -0.123
-0.386 0.998
Batas Signifikansi ≤ 0,10
Sumber : Lampiran
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
83
Dilihat dari tingkat Prob. arah hubungan kausal, maka hipotesis yang menyatakan bahwa;
a. Faktor Compensation berpengaruh positif terhadap Faktor Organizational Motivation, dapat diterima [Prob. kausalnya 0,000
≤ 0,10 [signifikan [positif].
b. Faktor Compensation berpengaruh positif terhadap Faktor Organizational Satisfaction, tidak dapat diterima [Prob. kausalnya 0,815 0,10 [tidak
signifikan [negatif]. c. Faktor Motivation berpengaruh positif terhadap Faktor Organizational
Satisfaction, tidak dapat diterima [Prob. kausalnya 0,809 0,10 [tidak signifikan [positif].
d. Faktor Compensation berpengaruh positif terhadap Faktor Organizational Performance tidak dapat diterima [Prob. kausalnya 0,999 0,10 [tidak
signifikan [positif]. e. Faktor Satisfaction berpengaruh positif terhadap Faktor Organizational
Performance tidak dapat diterima [Prob. kausalnya 0,958 0,10 [tidak signifikan [negatif].
f. Faktor Motivation berpengaruh positif terhadap Faktor Organizational Performance tidak dapat diterima [Prob. kausalnya 0,998 0,10 [tidak
signifikan [negatif].
4.4 Pembahasan