1 Model Pengukuran

Tabel 3.1 Model Pengukuran

Konstruk eksogenous Konstruk endogenous X1 = λ 1 kualitas kehidupan kerja + ε 1 X13 = λ 13 kinerja pegawai + ε 13 X2 = λ 2 kualitas kehidupan kerja + ε 2 X14 = λ 14 kinerja pegawai + ε 14 X3 = λ 3 kualitas kehidupan kerja + ε 3 X15 = λ 15 kinerja pegawai + ε 15 X4 = λ 4 kualitas kehidupan kerja + ε 4 X16 = λ 16 kinerja pegawai + ε 16

X5 = λ 5 komitmen + ε 5 X17 = λ 17 kinerja pegawai + ε 17 X6 = λ 6 komitmen + ε 6 X7 = λ 7 komitmen + ε 7 X8 = λ 8 kepuasan kerja + ε 8 X9 = λ 9 kepuasan kerja + ε 9

X10 = λ 10 kepuasan kerja + ε 10 X11 = λ 11 kepuasan kerja + ε 11 X12 = λ 12 kepuasan kerja + ε 12

Sumber : Structural Equation Model ( Agusty Ferdinand, 2005)

4. Memilih matrik input dan estimasi model. Pada penelitian ini matrik inputnya adalah matrik korovian atau matrik korelasi. Hal ini dilakukan karena fokus SEM bukan pada data individual, tetapi pola hubungan antar responden. Dalam hal ini ukuran sampel memegang peranan penting untuk mengestimasi kesalahan sampling. Untuk itu ukuran sampling jangan terlalu besar karena akan menjadi sangat sensitif sehiungga akan sulit mendapatkan ukuran goodness of fit yang baik, setelah model dibuat dan input data dipilih, maka dilakukan analisis model kausalitas dengan teknik estimasi yaitu teknik estimasi model yang digunakan adalah

Maximum Likehood Estimation Method . Teknik ini dipilih karena ukuran sampel yang digunakan dalam penelitian ini adalah kecil (100-200 responden).

5. Kemungkinan munculnya masalah identifikasi Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan model yang dikembangkan menghasilkan estimasi yang unik. Bila setiap kali estimasi dilakukan muncul problem identifikasi, maka sebaiknya model dipertimbangkan ulang dengan mengembangkan lebih banyak konstruk. Disebutkan oleh Ferdinand (2000: 46), beberapa indikasi problem identifikasi:

a. Standard error untuk satu atau beberapa koefisien adalah sangat besar.

b. Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan.

c. Munculnya angka-angka yang aneh seperti adanya varians error yang negatif.

d. Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat ( misalnya lebih dari 0,9)

6. Evaluasi kriteria goodness of fit Pada tahap ini dilakukan pengujian terhadap kesesuaian model terhadap berbagai kriteria goodness of fit. Disebutkan oleh Ferdinand (2000: 52), beberapa indeks kesesuaian dan cut of value untuk menguji apakah sebuah model dapat diterima atau ditolak antara lain:

a. X² - Chi-Square statistik, di mana model dipandang baik atau memuaskan bila nilai Chi-Square -nya rendah. Semakin kecil nilai Chi-Square, semakin baik model itu dan diterima berdasarkan probabilitas dengan cut-off value sebesar p>0.05 atau p>0.10.

b. RMSEA (The Root Mean Square Error of Approximation), yang menunjukkan goodness of fit yang diharapkan bila model diestimasi dalam populasi. Nilai RMSEA b. RMSEA (The Root Mean Square Error of Approximation), yang menunjukkan goodness of fit yang diharapkan bila model diestimasi dalam populasi. Nilai RMSEA

c. GFI (Goodness of fit Index), adalah ukuran non statistikal yang mempunyai rentang nilai antara 0 (poor fit) sampai dengan 1.0 (perfect fit). Nilai yang tinggi dalam indeks ini menunjukkan sebuah “better fit”.

d. AGFI (Adjusted Goodness of Fit Index), di mana tingkat penerimaan yang direkomendasiakan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0.90.

e. CMIN/DF, adalah The Minimum Sample Discrepancy Function yang dibagi dengan Degree of Freedom . CMIN/DF tidak lain adalah statistik Chi-Square, X² dibagi DF- nya, disebut X² relatif. Bila nilai X² relatif kurang dari 2.0 atau 3.0 adalah indikasi dari acceptable fit antara model dan data.

f. TLI (Tucker Lewis Index), merupakan incremental index yang membandingkan sebuah model yang diuji terhadap sebuah base line model, di mana nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah ≥0.95 dan nilai yang mendekati 1 menunjukkan a very good fit.

g. CFI (Comparative Fit Index), di mana mendekati 1, mengindikasikan tingkat fit yan paling tinggi. Nilai yang direkomendasikan adalah CFI ≥0.95.

Dengan demikian indeks-indeks yang digunakan untuk menguji kelayakan sebuah model adalah seperti dalam tabel berikut ini.