Kinerja Y METODOLOGI PENELITIAN

c. Kebutuhan akan afiliasi Y 1.3 Merupakan kebutuhan karyawan untuk bersosialisasi dengan karyawan lainnya.

d. Kinerja Y

2 Kinerja adalah hasil – hasil fungsi pekerjaankegiatan seseorang atau kelompok dalam suatu organisasi yang dipengaruhi oleh berbagai faktor untuk mencapai tujuan organisasi dalam periode waktu tertentu Tika, 2006:121. Dalam hal ini adalah hasil –hasil fungsi pekerjaan yang dihasilkan oleh karyawan PT. Hikmah Sejahtera Surabaya. Indikator – indikator kinerja menurut Dharma 2003:355 adalah : a. Kuantitas Y 2.1 Merupakan jumlah keluaran atau output yang harus dihasilkan oleh karyawan dalam melaksanakan pekerjaannya. b. Kualitas Y 2.1 Merupakan mutu output yang harus dihasilkan oleh karyawan dalam melaksanakan pekerjaannya. c. Ketepatan Waktu Y 2.3 Merupakan kesesuaian waktu yang dihasilkan oleh karyawan dalam menyelesaikan pekerjaan dengan yang direncanakan. Dari variabel diatas dinilai dengan menggunakan skala interval dengan bentuk skala Likert. dengan skala penilaian skor 1 sampai dengan 7, dengan variasi jawaban untuk masing-masing item pertanyaan adalah ”sangat setuju”, ”setuju”, ”agak setuju”, “netral”, ”agak tidak setuju”, ”tidak setuju” dan ”sangat tidak setuju”. Masing-masing pilihan jawaban diberi nilai 1 untuk jawaban ekstrim negatif dan nilai 7 untuk jawaban ekstrim positif. Dan dapat . digambarkan sebagai berikut: Dalam hal ini yang melakukan penilaian kinerja dan dapat mengisi kuisioner kinerja dilakukan oleh General Manager dibantu dengan Operasional Manager, Manager HRD GA, Manager Purchasing, Admintrasi Purchasing, dan Staff HRD GA PT. Hikmah Sejahtera Surabaya. Karena jajaran manajemenlah yang dirasa lebih mengerti kinerja dari karyawannya. Populasi dan Sampel Populasi Populasi adalah gabungan dari seluruh elemen yang berbentuk peristiwa, hal atau orang yang memiliki karakteristik yang serupa yang menjadi pusat perhatian seorang peneliti karena itu dipandang sebagai sebuah semesta penelitian Ferdinand, 2006:223. Jadi populasi bukan hanya orang, tetapi juga obyek dan benda-benda alam lainnya. Populasi juga bukan sekedar jumlah yang ada pada obyek atau subyek yang dipelajari, tetapi meliputi seluruh karakteristiksifat yang dimiliki oleh subyek itu. Populasi yang dipergunakan dalam penelitian ini adalah 1 7 Sangat setuju Sangat tidak setuju 5 seluruh karyawan PT. Hikmah Sejahtera Surabaya. Maka jumlah populasi yang dipakai sebesar 113 orang karyawan. Sampel Sampel dalam penelitian ini adalah karyawan PT. Hikmah Sejahtera Surabaya selain jajaran manajemen. Teknik pengambilan sempel menggunakan purposive sampling. Pemilihan sampel ini dilakukan karena mereka memenuhi kriteria yang ditentukan oleh peneliti. Jumlah sampelnya dalam penelitian ini adalah 107 orang karyawan PT. Hikmah Sejahtera Surabaya. Sesuai dengan alat analisis SEM sebagaiman ditentukan oleh Ferdinand 2002 : 48. Yang menyatakan bahwa : dengan teknik Estimasi Maximum Likelihood antara 100 – 200 tergantung pada jumlah parameter yang diestimasi. Pedomannya adalah 5-10 jumlah parameter yang di estimasi tergantung pada jumlah indikator yang digunakan dalam seluruh variabel laten. Jumlah sample adalah jumlah indikator dikali 5- 10. bila terdapat indicator besarnya sample adalah 100-200. bila sampelnya sangat besar maka peneliti dapat memlilih teknik estimasi. Misalnya bila jumlah sample diatas 2500 teknik estimasi ADF asymptotically distribution free estimation dapat digunakan. Teknik Pengumpulan Data 1. Jenis Data a. Data Primer Data yang diperoleh dari penelitian yang berdasarkan hasil jawaban dari daftar pertanyaan kuisioner yang disebarkan kepada responden tentang faktor-faktor yang berhubungan dengan obyek penelitian. 2. Sumber Data a. Jawaban kuisioner yang disebarkan kepada responden. b. Kantor PT. Hikmah Sejahtera Surabaya dibagian personalia. 3. Metode Pengumpulan Data Pengumpulan data tidak lain dari suatu proses pengadaan data primer untuk keperluan penelitian. Pengumpulan data merupakan langkah yang amat penting dalam metode ilmiah karena pada umumnya data yang dikumpulkan harus valid untuk digunakan dalam penelitian ini digunakan beberapa metode dalam membantu pengumpulan data yang lengkap sehingga dapat mendukung landasan teori, memudahkan analisa dalam rangka pemecahan masalah. Adapun teknik yang digunakan adalah: a. Metode Kuisioner Teknik pengumpulan data dengan memberikan daftar pertanyaan angket kepada karyawan PT. Hikmah Sejahtera Surabaya untuk memperoleh informasi langsung. b. Metode Observasi Merupakan suatu teknik pengumpulan data dengan melakukan pengamatan langsung pada obyek penelitian. Dalam hal ini peneliti melakukan observasi langsung di PT. Hikmah Sejahtera Surabaya. Teknik Analisis Data Uji Realibilitas Realibilitas adalah ukuran mengenai konsistensi dari indikator- indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing - masing indikator mampu mengidentifikasi sebuah konstruk atau faktor variabel laten. Dengan kata lain bagaimana hal-hal spesifik saling membantu dan menjelaskan sebuah fenomena yang umum. Composite Reliability diperoleh melalui rumus berikut Ferdinand, 2002:62: ∑ Std. Loading 2 Construc Reability =  ∑ Std. Loading 2 + ∑ € • Std. Loading diperoleh langsung dari standardized loading untuk tiap-tiap indikator yang dapat diambil dari hasil perhitungan komputer. j Dimana: • ∑ € j adalah measurement error dari tiap-tiap indikator. Measurement error dapat diperoleh dari 1- reabilitas indikator. Variance Extracted Variance Extracted adalah ukuran yang menunjukkan varians dari indikator-indikator yang diekstrasi oleh konstruk laten yang dikembangkan. Nilai Variance Extracted ini direkomendasikan pada tingkat paling sedikit 0.05. Variance Exracted diperoleh melalui rumus berikut Ferdinand, 2002:63: Σ Std. Loading Variance extracted =  2 Std. Loading 2 + Σ € Dimana: j • Std. Loading diperoleh langsung dari standardized loading untuk tiap-tiap indikator yang dapat diambil dari hasil perhitungan computer. • ∑ € j adalah measurement error dari tiap-tiap indikator. Measurement error dapat diperoleh dari 1- reabilitas indikator. Uji Validitas Validitas menyangkut akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau ukurannya pengukurannya atas apa yang seharusnya diukur. Validitas juga dapat digunakan untuk menentukan apakah indikator yang diestimasi secara valid mengukur dimensi dan konsep yang diujinya. Uji Normalitas Selebaran data harus dianalisis untuk mengetahui apakah asumsi normalitas dipenuhi, sehingga data dapat diolah lebih lanjut pada path diagram. Untuk menguji normalitas distribusi data yang diinginkan dalam analisis, peneliti dapat mengguanakan uji statistik. Uji paling mudah adalah dengan mengamati Skewness Value dari data yang digunakan., yang biasanya disajikan dalam statistik deskriptif dari hampir semua program staistik. Nilai statistik untuk menguji normalitas itu disebut sebagai Z – value yang dihasilkan melalui rumus: Nilai Z = Skewmess Uji Hipotesis dimana N adalah ukuran sampel √6 n Bila nilai Z lebih besar dari kritis atau critical ratio Ferdinand, 2002:95. Maka dapat diduga bahwa distribusi data tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikan yang dikehendaki. Structural Equation Modeling SEM Model yang digunakan untuk menganalisis data dalam penelitian ini adalah Structual Equation Modeling SEM, yaitu sekumpulan teknik- teknik statistik yang memungkinkan pengujian hubungan yang relatif rumit secara simultan. Hubungan yang rumit tersebut dibangun antara satu variabel dependen dipengaruhi dengan satu variabel independent mempengaruhi. Masing-masing variabel dependen dan variabel independen dapat berbentuk konstruk yang dibangun dari beberapa variabel dependen Ferdinand, 2002:16. Model pengukuran variabel kompensasi, kepemimpinan, motivasi, dan kinerja menggunakan Confirmatory factor analysis CFA, yaitu uji kesesuaian model serta uji signifikasi bobot factor latenkonstruk laten. Evaluasi Outlier Outliers adala observasi yang muncul dengan nilai-nilai ekstrim baik secara unvariate maupun multivariate Ferdinand, 2002:52-53. Dapat diadakan perlakuan khusus pada outliers ini asal diketahui bagaimana munculnya outliers itu. Outliers pada dasarnya muncul dalam empat kemungkinan: a. Karena kesalan prosedur, seperti kesalahan dalam memasukkan data atau kesalahan dalam mengkoding data. b. Kesalahan keadaan yang benar-benar khusus yang mungkin memprofilkan datanya lain daripada yang lain, tetapi peneliti mempunyai penjelasan mengenai penyebab munculnya nilai ekstrim itu. c. Karena adanya suatu alasan tetapi peneliti tidak dapat mengetaui apa penyebabnya atau tidak ada penjelasan mengenai sebab-sebab munculnya nilai ekstrim itu. d. Outliers dapat muncul dalam range nilai yang ada, tetapi dikombinasi dengan variabel lain, kombinasinya menjadi tidak lazim atau sangat eksrim. Nilai yang disebut multivariate outliers. Evaluasi Multicolienarity dan Singularity Untuk melihat apakah pada data penelitian terdapat multikolinearitas atau singulartas dalam kombnasi-kombinasi variabel, maka yang perlu diamati adalah determinan dari matriks kovarians sampelnya. Determinan yang kecil atau mendekati nol akan mengindkasikan adanya multikolinearitas atau singularitas, sehingga data itu tidak dapat digunakan dalam penelitian Ferdinand, 2002:108. Evaluasi Kriteria Goodness of Fit Pada langkah ini kesesuaian model dievaluasi, melalui telaah terhadap berbagai kriteria. Untuk itu tindakan pertama yang harus dilakukan adalah mengevaluasi apakah data yang dipakai memenuhi asumsi yang telah ditetapkan. Pada penelitian ini tidak menguji kevalidan model, hanya mencari pengaruh faktor-faktor kompensasi dan kepemimpinan terhadap motivasi serta kinerja karyawan maka tidak memakai uji kesesuaian dan uji statistik. Pengujan Hipotesis dan Hubungan Kausal Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandar, dengan pengujian signifikasi pembanding nilai CR Critical Ratio yang sama dengan nilai t hitung. Apabila t hitung lebih besar dari t table berarti signifikan. 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 menggambarkan “good fit” dengan data, maka model dianggap sebagai yang diperkuat. Sebaliknya, suatu model teoritis tidak diperkuat jika teori tersebut mempunyai suatu “poor fit” dengan data. AMOS dapat menguji apakah model “good fit” atau “poor fit” . Jadi, “good fit” model yang diuji sangat penting dalam penggunaan Structual Equaton Modeling. Pengujan terhadap model yang dikembangkan dengan berbaai kriteria goodness of fit, yakni Chi Square, Probability , RMSEA. GFI, TLI, AGFI, CMIN DF. Apabila model awal tidak good fit dengan data maka model dikembangkan dengan pendekatan two step approach to SEM . Berikut ini disajkan beberapa indeks kesesuaian dan cut off . Valuennya untuk digunakan dalam menguji apakah model daoat diterima atau ditolak: a. χ² – Chi-Square Statistic Chi square bersifat sangat sensitif teradap besarnya sampel yaitu sample yang terlalu kecil 50 maupun terhadap sampel yang terlalu besar 50. Penggunaan Chi square hanya sesuai bila ukuran sampel antara 100 – 200 sampel. Bila diluar rentang itu, uji signifikan akan menjadi kurang reliable. Oleh karena itu perlu dilengkapi dengan alat yang lain. χ² yang kecil dan tidak signifikan yang diharapkan agar hipotesis nol sulit ditolak. b. RMSEA – The Root Mean Square Error of Approximation Nilai RMSEA yang lebi kecil atau sama dengan 0.08 merupakan indeks untuk dapat diterimanya model yang menunjukkan close fit dari model itu bedasarkan degrees of freedom. c. GFI – Goodness of Fit Index Indeks kesesuaian ini akan menghitung proporsi tertimbang dari varians dalam bentuk matrik kovarian populasi yang terestimasikan, GFI yang diharapkan adalah sebesar ≥ 0.09. d. AGFI – Adjusted Goodness of Fit Index Indeks ini diperoleh dengan rumus sebagai berikut: Db AGFI = 1 – 1 – GFI  D Dimana: Db = ∑ P = jumlah – sample – momen D = degrees of freedom AGFI yang diharapkan adalah sebesar ≥ 0.09 e. CMIN DF Indeks ini disebut juga χ² relative yang diperoleh dari perbadingan antara nilai χ² dengan degrees of freedomnya. χ² relative yang diharapkan adalah sebesar ≤ 2.0’ f. Tucker Lewis Indeks Indeks ini diperoleh dengan rumus: Cb C  Db C TLI =  Cb  Db 1 Dimana: C = Diskrepansi ketidaksesuaian dari model yang dievaluasi D = Degrees of freedom dari model yang dievaluasi Cb = Diskrepansi dari baseline model yang yang dijadikan pembanding Db = Degrees of freedom dari basaline model yang dijadikan pembanding TLI yang diharapkan adalah sebesar ≥ 0,95. g. CFI – Comparative Fit Index Indeks ini adalah relative moncentrality index RNI, yang diperoleh dengan rumus: 1. C – d b. CFI = RINI =  1. 1-Cb-db CFI yang diharapkan adalah sebesar ≥ 0,95. Tabel 2 Goodness of Fit Indixes Goodness of Fit Index Keterangan Cut – off Value χ² Menguji apakah covariance populasi yang diestimasi sama dengan covariance sample [apakah sesuai dengan data] – chi – square Diharapkan kecil, 1 s.d 5 atau paling baik diantara 1 dan 2 Probability Uji signifikasi terhadap perbedaan matriks covariance yang diestimasi. Minimum 0,1 atau 0,2 atau ≥ 0,05 RMSEA Mengkompensasi kelemahan Chi-Square pada sample besar. ≤ 0.08 GFI Menghitung proporsi tertmbang varians dalam matriks sampel yang dijelaskan oleh matriks covariance populasi yang diestimasi [analog denan R dalam regresi berganda]. ≥ 0,90 AGFI GFI yang disesuaikan terhadap DF ≥ 0,90 CMINDDF Kesesuaian atara data dan model ≤ 2,00 TLI Pembandingan antara model yang diuji teradap baseline model ≥ 0,95 CFI Uji kelayakan model yang tidak sensitive terhadap besarnya sampel dan kerumitan model. ≥ 0,94 Sumber : Hair et. al, 1998.

BAB IV HASIL PENELITIAN DAN PEMBAHASAN