Teknik Pengumpulan Sampel .1 Jenis Data Teknik Analisis dan Uji Hipotesis .1 Teknik Analisis Data

3.4 Teknik Pengumpulan Sampel 3.4.1 Jenis Data a. Data Primer Data ini diperoleh dari jawaban responden terhadap kuesioner yang telah disebarkan pada lokasi penelitian. b. Data Sekunder Data ini diperoleh dari pihak kedua maupun lembaga lain yang dapat berupa jurnal, dokumen, literature ilmiah maupun arsip-arsip yang memiliki kaitan dengan objek penelitian.

3.4.2 Sumber Data

Sumber data dalam penelitian ini dapat diperoleh dari bagian manajemen personalia PT Multi Bintang Indonesia Tbk.

3.4.3 Pengumpulan Data

Studi lapangan yaitu memperoleh data dan melakukan penelitian di lapangan untuk mendapatkan data yang diperlukan dalam penulisan skripsi, dilakukan dengan cara : • Wawancara yaitu mengadakan tanya jawab secara langsung terhadap masalah-masalah yang dibahas. • Dokumentasi yaitu meminta dan mengambil data berupa laporan- laporan, catatan-catatan yang berhubungan dengan masalah yang dibahas. 3.5 Teknik Analisis dan Uji Hipotesis 3.5.1 Teknik Analisis Data Model yang digunakan untuk menganalisis data dalam penelitian ini adalah Structural Equation Modelling SEM . Model pengukuran faktor kepuasan dan loyalitas menggunakan Confirmation Factor Analysis. Penaksiran pengaruh masing – masing variabel bebas terhadap variabel terikatnya menggunakan koefisien jalur langkah – langkah dalam analisis SEM model pengukuran dengan contoh faktor kepuasan dilakukan sebagai berikut : a. Persamaan Dimensi Faktor Penerapan TQM X : X1 = λ1 faktor penerapan TQM + er_1 X2 = λ2 faktor penerapan TQM + er_2 X3 = λ3 faktor penerapan TQM + er_3 X4 = λ4 faktor penerapan TQM + er_4 X5 = λ5 faktor penerapan TQM + er_5 Bila persamaan di atas dinyatakan dalam sebuah pengukuran model untuk diuji unidimensionalitasnya melalui Confirmatory Factor Analysis, maka model pengukuran dengan daftar penerapan TQM akan tampak sebagai berikut : Gambar 3.1 : contoh model pengukuran faktor penerapan TQM. Penerapan TQM X X 1 X 2 X 3 X 5 X 4 er_1 er_2 er_3 er_4 er_5 Keterangan : X1 = Pertanyaan tentang peran karyawan. X2 = Pertanyaan tentang peran pimpinan. X3 = Pertanyaan tentang hubungan pimpinan dengan karyawan. X4 = Pertanyaan tentang aspek organisasi. X5 = Pertanyaan tentang aspek lingkungan. er_j = error term Xj b. Persamaan Dimensi Faktor Kualitas SDM Y : Y1 = λ1 faktor kualitas SDM + er_1 Y2 = λ2 faktor kualitas SDM + er_2 Y3 = λ3 faktor kualitas SDM + er_3 Y4 = λ4 faktor kualitas SDM + er_4 Y5 = λ5 faktor kualitas SDM + er_5 Bila persamaan diatas dinyatakan dalam sebuah pengukuran model untuk diuju unidimensionalitasnya melalui Confirmatory Factor Analysis, maka model pengukuran dengan contoh faktor kualitas SDM akan nampak sebagai berikut : Gambar 3.2 contoh model pengukuran faktor Kualitas SDM Keterangan : Y1 = Pertanyaan tentang kemampuan teoritis Y2 = Pernyataan tentang kemampuan teknis Y3 = Pertanyaan tentang kemampuan konseptual Y4 = Pertanyaan tentang kemampuan moral Y5 = Pertanyaan tentang keterampilan teknis Dari persamaan – persamaan pengukuran akan dihasilkan koefisien yang disebut nilai lamda lamda valie. Nilai lamda ini digunakan untuk menilai kecocokan, kesesuaian atau unidimensional dari indikator – indikator yang membentuk faktor. Pedoman umum untuk analisis ini adalah dibutuhkan nilai lamda ≥ 0,04. Jika terdapat variabel atau faktor loadingnya ≤ 0,04 disarankan agar Kualitas SDM Y Y1 Y2 Y3 Y4 Y5 er_1 er_2 er_3 er_4 er_5 model direvisi lagi dengan mengeluarkan variabel yang tidak menjelaskan faktor yang dianalisis.

3.5.2. Asumsi Model Structural Equation Modelling

a. Uji Normalitas Sebaran dan Linieritas 1 Normalitas dapat diuji dengan melihat gambar histogram data atau dapat diuji dengan metode-metode statistik 2 Menggunakan Critical Ratio yang diperoleh dengan membagi koefisien sampel dengan standard errornya dan Skewness value yang biasanya disajikan dalam statistik deskriptif dimana nilai statistik untuk menguji normalitas itu disebut sebagai Z-value. Pada tingkat signifikasi 1, jika nilai Z lebih besar dari nilai kristis, maka dapat diduga bahwa distribusi data adalah tidak normal. 3 Normal Probability SPSS 10.1 4 Linieritas dengan mengamati scatterplots dari data yaitu dengan memilih pasangan data dan dilihat pola penyebarannya untuk menduga ada tidaknya linieritas. b. Evaluasi atas Outlier 1. Mengamati nilai Z-score : ketentuannya diantars ± 3,0 non outlier. 2. Multivariate outlier diuji dengan kriteria jarak Mahalanobis pada tingkat p 0,01. Jarak diuji dengan Chi-Square χ pada df sebesar jumlah variabel bebasnya. Ketentuan : bila Mahalanobis dari nilai χ adalah multivatiate outlier. Outlier adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univarial maupun multivariat yaitu yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya. Ferdinand,2005:81 c. Deteksi Multicollinierity dan Singularity Multikolinearitas dapat dideteksi dari determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil extremely small memberi indikasi adanya problem multikolinearitas atau singularitas.Ferdinand,2005:83 d. Uji Validitas dan Reliabilitas Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya diukur. Sedangkan reliabilitas adalah kuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajad sampai dimana masing- masing indikator itu mengindikasikan sebuah konstruk yang umum. Karena indikator multidimensi, maka uji validitas dari setiap latent variabel construct akan diuji dengan melihat loading faktor dari hubungan antara setiap obseverd dan latent variable. Sedangkan reliabilitas diuji dengan construct reliability dan variance-extracted . Construct reliability dan variance-extracted dihitung dengan rumus berikut : Sementara εj dapat dihitung dengan formula εj = 1 – [Standardize Loading]. Secara umum, nilai construct reliability yang dapat diterima adalah ≥ 0,7 dan variance extracted ≥ 0,5. Ferdinand,2005:94. Standardize Loading dapat diperoleh dari output AMOS 4.01, dengan melihat nilai estimasi setiap construct standardize regression weigths terhadap setiap butir sebagai indikatornya.

3.5.3 Pengujian Hipotesis dan Hubungan Kausal

Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandar, dengan pengujian signifikasi pembanding nilai CR Critical Construct Reliability = [ ∑Standardize Loading] 2 [ ∑Standardize Loading] 2 + ∑ε j ] Variance Extracted = [ ∑Standardize Loading] 2 [ ∑Standardize Loading] 2 + ∑ε j ] Ratio atau p probability yang sama dengan nilai t hitung. Apabila t hitung lebih besar daripada t table berarti signifikan.

3.5.4. Pengujian Model Dengan Two-Step Approach

Two-Step Approach to structural equation modeling SEM digunakan untuk menguji model yang diajukan. Two-Step Approach digunakan untuk mengatasi masalah sampel data yang kecil dibandingkan dengan jumlah butir instrumentasi yang digunakan dan keakuratan reliabilitas indikator-indikator terbaik dapat dicapai dalam two-Step Approach ini.Cara yang dilakukan dalam menganalisis SEM dengan Two- Step Approach adalah sebagai berikut : a. Menjumlahkan skala butir-butir setiap konstrak menjadi sebuah indikator summed-scale bagi setiap konstrak. Jika terdapat skala yang berbeda setiap indikator tersebut distandardisasi Z-scores dengan mean = 0, deviasi standar = 1, yang tujuannya untuk mengeliminasi pengaruh-pengaruh skala yang berbeda-beda tersebut. b. Menetapkan error ε dan lambda λ term, error term dapat dihitung dengan rumus 0,1 kali σ 2 dan lambda term dengan rumus 0,95 kali σ. Perhitungan construct reliability α telah dijelaskan pada bagian sebelumnya dan deviasi SPSS. Setelah error ε dan lambda λ term diketahui,-skor tersebut dimasukkan sebagai parameter fix pada analisis mode pengukuran SEM.

3.5.5. Evaluasi model

Hair et,al., 1998 menjelaskan bahwa pola ”confirmatory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas hipotesis-hipotesis dengan pengujian fit antara model teoritis dan data empiris. Jika model teoritis menggunakan ”good fit” dengan data, maka model dianggap sebagai yang diperkuat. Sebaliknya, suatu model teoritis tidak diperkuat jika teori tersebut mempunyai ”poor fit” dengan data. Aos dapat mennguji apakah model ”good fit” atau ”poor fit”. Jadi “good fit” model yang diuji sangat penting dalam penggunaan structural equation modeling. Pengujian terhadap model yang dikembangkan dengan berbagai criteria Goodness of fit, yakni Chi-square, Probability, RMSEA, GFI, TLI, CFI, AGFI, CMINDF. Apabila model awal tidak good fit dengan data maka model dikembangkan dengan pendekatan two step approach to SEM. Goodness of Fit Indices GOODNES OF FIT INDEX KETERANGAN CUT-OFF VALUE X 2 Menguji apakah covariance populasi yang diestimasi sama dengan cova-riance sample apakah model sesuai dengan data –Chi-square Diharapkan kecil, 1 s.d 5. atau paling baik diantara 1 dan 2 Probability Uji signifikasi terhadap perbedaan matriks covariace data dan matriks covariace yang diestimasi Minimum 0,1 atau 0,2, atau ≥ 0,05 RMSEA Mengkompensasi kelemahan Chi-Square pada sample besar ≤ 0,08 GFI Menghitung proporsi tertimbang varians dalam matriks sample yang dijelaskan oleh matriks covariance populasi yang diestimasi analog dengan R 2 ≥ 0,90 dalam regresi berganda AGFI GFI yang disesuaian terhadap DF ≥ 0,90 CMINDDF Kesesuaian antara data dan model TLI Pembandingan antara model yang diuji terhadap baseline model ≥ 0,95 CFI Uji kelayakan model yang tidak sensitive terhadap besarnya sample dan kerumitan model ≥ 0,94 3.5.6. Pengujian Hipotesis 3.5.6.1. Evaluasi Kriteria Goodnes of Fit 1. X 2 Alat uji paling fundamental untuk mengukur overall fit adalah likelihood ratio chi-square ini bersifat sangat sensitif terhadap CHI SQUARE STATISTIK besarnya sampel yang digunakan. Karenanya bila jumlah sampel cukup besar lebih dari 200, statistik chi-square ini harus didampingi oleh alat uji lain. Model yang diuji akan dipandang baik atau memuaskan bilai nilai chi-squarenya rendah. Semakin kecil nilai X 2 semakin baik model itu. Karena tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai dengan data atau yang fit terhadap data, maka yang dibutuhkan justru sebuah nilai X 2 2. RMSEA-THE ROOT MEAN SQUARE ERROR OF APPROXIMATION yang kecil dan signifikan. RMSEA adalah sebuah indeks yang dapat digunakan mengkompensasi chi-square statistic dalam sampel yang besar. Nilai RSMEA menunjukkan goodness-of-fit yang dapat diharapkan bila model diestimasi alam populasi. Nilai RSMEA yang lebih kecil atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya degrees of freedom 3. GFI – GOODNES of FIT INDEKS GFI adalah analog dari R dalam regresi berganda. Indeks kesesuaian ini akan menghitung proporsi tertimbang dari varians dalam matriks kiovarians sampel yang dijelaskan oleh kovarians matriks populasi yang terestimasi. GFI adalah sebuah ukuran non- statistika yang mempunyai rentang nilai antara 0 poor fit sampai dengan 1,0 perfect fit. Nilai yang tinggi dalam indeks ini menunjukkan sebuah “better fit”. 4. AGFI – ADJUST GOODNES of FIT INDEX AGFI = GFIdf tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai yang sama dengan atau lebih besar dari 0,09. GFI maupun AGFI adalah criteria yang memperhitungkan proporsi tertimbang dari varians alam sebuah matriks kovarians sampel. Nilai terbesar dapat diinterprestasikan sebagai tingkatan yang baik good overall model fit sedangkan besaran nilai antara 0,09-0,95 menunjukkan tingkatan cukup adequate fit 5. CMINDF Sebagai salah satu indicator untuk mengukur tingkat fitnya sebuah model. Dal hal ini CMINDF tidak lain adalah statistik chi- square, X2 dibagi Dfnya sehingga disebut X2 frelatif. Nilai X2 relatif kurang dari 2,0 atau bahkan kurang dari 3,0 adalah indikasi dari acceptable fit antara model dan data. Nilai X2 relatif yang tinggi menandakan adanya perbedaan yang signifikan antara matriks kovarians yang diobservasikan dan diestimasi. 6. TLI TUCKER LEWIS INDEKS TLI adalah sebuah model yang diuji terhadap sebuah baseline model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan ≥ 0,95dan nilai yang sangat mendekati 1 menunjukkan a very good fit 7. CFI – COMPERATIF FIT INDEX Besaran indeks ini adalah pada rentang nilai sebesar 0-1, dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi a very good fit. Nilai yang direkomendasikan adalah CFI ≥ 0,95. Keunggulan dari indeks ini besarnya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk m engukur tingkat penerimaan sebuah model. Indeks CFI adalah identik dengan Relatif Non Certrality Indeks RNI

3.5.6.2. Evaluasi Normalitas

Sebaran data harus dianalisis untuk mengetahui apakah asumsi normalitas dipenuhi, sehingga data dapat diperoleh lebih lanjut pada path diagram. Untuk menguji normalitas distribusi data yang digunakan dalam analisis, peneliti dapat menggunakan uji-uji statistic. Uji yang paling mudah adalah dengan mengamati skewness value dari data yang digunakan, yang biasanya disajikan dalam statistic. Ferdinand,2005:139 Nilai statistic untuk normalitas itu disebut sebagai z-value yang dihasilkan melali rumus berikut ini : Bila nilai z lebih besar dari nilai kritis atau ctitical ratio, maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikasi yang dikehendaki. Misalnya bila nilai yang dihitung lebih besar dari ± 2,58 berarti kita dapat menolak asumsi mengenai normalitas dari distribusi tingkat 0,01

3.5.6.3. Evaluasi Outliers

Outliers merupakan observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi yang lain dan muncul dalam bentuk nilai ekstrim, baik untuk sebuah variabel maupun variable-variabel kombinasi.hair dkk,1995. Adapun outliers dapat dievaluasi dengan dua cara, yaitu analisis terhadap univariate outliers dan analisis multivariate outliers hair,et.al:1995 a. Univariate Outliers Deteksi terhadap adanya univariate outliers dapat dilakukan dengan menentukan nilai imbang yang akan dikategorikan sebagai Nilai - z = Skewness 6 ― N Dimana N adalah ukuran sampel outliers dengan cara mengkonversikan nilai data penelitian kedalam standar score atau yang biasa disebut z-score, yang mempunyai rata-rata nol dengan standar deviasi sebesar 1,00 hair dkk,1995 Pengujian univariate outliers dilakukan per konstruk variabel dengan program SPSS 9,00, Pada menu Descriptive Statistic Summarise. Observasi data yang memiliki nilai z-score ≥ 3,0 akan dikategorikan sebagai outliers. b. Multivariate Outliers Evaluasi terhadap multivariate outliers perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate, tetapi observasi itu dapat menjadi outliers bila sudah saling kombinasikan. Jarak Mahalanobis The Mahalanobis Distance untuk tiap observasi dapat dihitung dan menunjukkan jara sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional. Uji terhadap multivariate dilakukan dengan menggunakan criteria Mahalanobis pada tingkat p ≤ 0,001. Jarak Mahalanobis itu dapat dievaluasi dengan menggunakan nilai χ 2 pada derajat kebebasan sebesar jumlah item yang digunakan dalam penelitian. Dan apabila nilai jarak Mahalanobisnya lebih dari nilai χ 2 table adalah Outliers Multivariate.

3.5.6.4 Evaluasi Multicollincary dan Singularity

Untuk melihat apakah pada data penelitian terhadap multikolinearitas Multicollicarity atau singularitas Singularity dalam kombinasi-kombinasi variabel, maka yang perlu diamati adalah determinan dari matruiks kovarians sampelnya. Determinan yang kecil atau mendekati nol akan mengindikaskan adanya multikolinearitas atau singularitas sehingga data itu tidak dapat digunakan untuk penelitian Ferdinand,2005:153.

3.5.6.5 Uji Reliabilitas

Reliabilitas adalah ukuran mengenai konsistensi internal dari indicator-indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing-masing indicator itu mengindikasikan sebuah konstruk factor laten yang umum. Dengan kata lain sebagaimana ha-hal yang spesifik saling membantu dalam menjelaskan sebuah fenomena yang umum. Composite Reliability diperoleh melalui rumus berikut Ferdinand,2005:93 Construct - reliability = ∑std. Loading 2 ∑std. Loading 2 + εj Keterangan : 1. Standart Loading diperoleh dari standardized loading untuk tiap-tiap indikator yang didapat dari hasil perhitungan komputer. 2. ∑εj adalah meansurement error dar tiap indikator. Easurement error dapat diperoleh dari 1 – reliabilitas indikator. Tingkat reliabilitas yang dapat diterima adalah 0,7, walaupun angka itu bukanlah sebuah ukuran yang ”mati”. Artinya bila penelitian yang dilakukan berifat eksplorasi maka nilai dibawah 0,7-pun masih dapat diterima sepanjang disertai alasan- alasan empiris yang terlihat dala proses eksoprasi.

3.5.6.6. Uji 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-uji validitas dari setiap atent variableconstruct akan diuji dengan melihat loading factotr dari hubungan antara setiap obseverd bvariable dan latent variable. Cara menguji : korelasikan masing-masing skor item pertanyaan dengan skor totalnya, gunakan tingkat signifikan validitas ≤ 0,05. Tingkat signifikan itu menunjukkan derajat kosistensi jawaban semua responden yang menjadi obyek penelitian.

3.5.6.7. Uji Variance Extracted

Variance Extracted adalah ukuran yang menunjukkan varians dari indikator-indikator yang diekstraksi oleh konstruk laten yang dikembangkan. Nilai variance extracted yang tinggi menunjukkan bahwa indikator-indikator itu telah mewakili secara baik konstruk laten yang dikembangkan. Nilai variance Extracted ini direkomendasikan pada tingkat paling sedikit 0,50. Variance dalam diperoleh melalui rumus ini : Keterangan : 1. Standard Loading diperoleh dari standardixed loading untuk tiap-tiap indikator yag didapat dari hasil perhitungan komputer. 2. ∑εj adalah measurement error dari tiap indicator.

3.5.6.8. Interpretasi Hasil

Pada tiap tahun ini, hasil atau output pengujian dievaluasi untuk menentukan penerimaan atau penolakan terhadap kesesuaian model dan hipotesis yang diajukan Variance - Extracted = ∑std. Loading 2 ∑std. Loading 2 + εj 52 BAB IV HASIL DAN PEMBAHASAN 4.1. Deskripsi Obyek Penelitian 4.1.1. Gambaran Umum PT Multi Bintang Indonesia Tbk