48
b. Data Sekunder
Data sekunder adalah data tentang PT. Pupuk Sriwidjaja PUSRI yang meliputi data sejarah perusahaan, lokasi perusahaan, struktur
organisasi dan uraian tugas, dan lain sebagainya.
3.3.2. Pengumpulan Data
Pengumpulan data dalam skripsi ini dilakukan dengan menggunakan beberapa cara berikut :
a. Wawancara
Wawancara yang dilakukan dengan cara mengadakan tanya jawab secara langsung kepada responden. Teknik ini dilakukan untuk
menanggapi responden yang kurang jelas dalam menjawab kuesioner untuk mempermudah penulisan tentang masalah yang diselidiki dalam
penelitian. b.
Kuisioner Merupakan daftar pertanyaan untuk memperoleh data berupa jawaban
dari responden
3.4. Teknik Analisis Dan Uji Hipotesis 3.4.1. Teknik Analisis SEM
Model yang digunakan untuk menganalisis data dalam penelitian ini adalah Structural Equation Model SEM. SEM adalah sekumpulan teknik-
teknik statistikal yang memungkinkan pengujian sebuah rangkaian hubungan yang relatif rumit secara simultan. Hubungan yang rumit itu
dapat dibangun antara satu atau beberapa variabel dependen dengan satu
49
atau beberapa variabel independen. Masing-masing variabel dependen dan independen dapat berbentuk faktor konstruk yang dibangun dari beberapa
variabel indikator. Tentu saja variabel-variabel itu dapat berbentuk variabel tunggal yang diobservasi atau yang diukur langsung dalam sebuah proses
penelitian. Model pengukuran variable motivasi yang menggunakan Confirmatory Factor Analysis. Penaksiran pengaruh masing-masing variabel
bebas terhadap variabel terikatnya menggunakan koefisien jalur. Langkah- langkah dalam analisis SEM model pengukuran dengan contoh faktor atribut
produk dilakukan sebagai berikut : Persamaan Dimensi Faktor motivasi
X21 =
λ11 Faktor motivasi + er_5 X22
= λ12 Faktor motivasi + er_6
X23 =
λ13 Faktor motivasi + er_7 Bila persamaan di atas dinyatakan dalam sebuah pengukuran model
untuk diuji unidimensionalitasnya melalui confirmatory factor analysis, maka model pengukuran dengan contoh efisiensi personel akan nampak
sebagai berikut :
Gambar 3.1 : Model pengukuran Faktor motivasi Motivasi X2
X11 X12
X13 er_5
er_6 er_7
50
Keterangan : X21 = pertanyaan tentang kebutuhan berprestasi
X22 = pertanyaan tentang kebutuhan fisik X23 = pertanyaan tentang kebutuhan rasa aman
er_i = eror term X1j Demikian juga faktor lain seperti kompensasi dan kinerja karyawan.
3.4.2. Asumsi Model Structural Equation Model
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 denga 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 kritis, maka dapat diduga bahwa distribusi data adalah tidak normal.
3. Normal Probability Plot SPSS 10.1.
4. Linieritas dengan mengamati scatterplotsdari data yaitu dengan
memilih pasangandata dan dilihat pola penyebarannya untuk menduga ada tidaknya linieritas.
b. Evaluasi atas Outlier
1. Mengamati nilai Z-score : ketentuannya diantara ± 3.0 non outlier.
51
2. Multivariate Outlier diuji dengan kriteria jarak Mahalonobis pada
tingkat p 0.001. Jarak diuji dengan Chi-Square χ pada df sebesar
jumlah variabel bebasnya. Ketentuan : bila Mahalanobis dari nilai χ adalah multivariate outlier.
Outlier adalah obsevasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari obsevasi-observasi lainnya
dan muncul dalam bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi Hair, 1998.
c. Deteksi Multicollinierity dan Singularity
Deteksi dengan mengamati Determinant matriks covarians. Dengan ketentuan apabila determinant sample matrix mendekati angka 0
kecil, maka terjadi multikolinieritas dari singularitas Tabachnick dan Fidell, 1998
d. Uji Validitas dan Reliabilitas Dimensi yang diukur melalui indikator-indikator dalam daftar
pertanyaan perlu dilihat reliabilitasnya dan validitas, dalam hal ini dijelaskan sebagi berikut:
a. 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 validitas dari setiap latent variabel construct akan diuji dengan melihat
loading faktor dari hubungan antara setiap observed variabel dan latent variabel.
52
b. Uji Reliabilitas
Adalah ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing-
masing indikator itu mengidikasikan sebuah konstruk yang umum. Sedangkan reliabilitas diuji dengan construct reliability dan variance
extraced. Construct reliability dan Variance extraced dihitung dengan menggunakan rumus sebagai berikut:
Construct reliability = [ Σ Standardize Loading]²
[ Σ Standardize Loading]² + Σ εј] Variance Extracted
= Σ Standardize Loading² Σ Standardize Loading² + Σ εј
Sementara εј dapat dihitung dengan formula εј = 1
- Standardize Loading secara umum, nilai construct reliability yang dapat diterima
adalah ≥ 0,7 dan variance extracted
≥ 0,5 Hair et.al., 1998.
Standardize Loading dapat diperoleh dari out put AMOS 4.01, dengan melihat nilai estimasi setiap construct standardize regression weigths
terhadap setiap butir sebagai indikatornya
3.4.3. Pengujian Hipotesis dan Hubungan Kausal
Pengaruh langsung koefisien lajur diamati dari bobot regresi terstandar, dengan pengujian signifikansi pembanding nilai CR Critical
Ratio atau p probability yang sama dengan nilai t hitung. Apabila t hitung lebih besar dari pada t table berarti signifikan.
53
3.4.4. Pengujian model dengan One-Step Approach
Dalam model SEM, model pengukuran dan model structural parameter-parameternya dieliminasi 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 bersama One Step Approach to SEM yang digunakan apabila model diyakini bahwa dilandasi teori yang kuat
serta validitas dan reliabilitas yang sangat baik.
3.4.5. Pengujian model dengan Two-Step Approach
Two-Step Approach digunakan untuk mengatasi masalah sampel data yang relatif kecil jika dibandingkan dengan jumlah butir instrumentasi yang
digunakan Hartline Ferrel, 1996, dan keakuratan realibilitas indikator- indikator terbaik dapat dicapai dalam two-step approach. Two-Step
Approach bertujuan untuk menghindari interaksi antara model pengukuran dan model struktual pada One-Step Approach Hair, et.al., 1998.
Yang dilakukan dalan two-step approach to SEM adalah : estimasi terhadap measurement model dan estimasi terhadap structural model
Anderson dan Gerbing, 1988. Cara yang dilakukan dalam menganalisis SEM dengan two-step approach adalah sebagai berikut :
a. Menjumlahkan skala butir-butir setiap konstruk menjadi sebuah
indikator summed-scale bagi setiap konstruk. Jika terdapat skala yang berbeda setiap indikator tersebut distandarisasi Z-scores dengan
54
mean = 0, deviasi standar = 1, yang tujuannya adalah untuk mengeliminasi pengaruh-pengaruh skala yang berbeda tersebut Hair,
et.al., 1998. b.
Menetapkan error ε dan lambda λ term, error term dapat dihitung
dengan rumus 0,1 kali σ
2
Perhitungan construk reliability α telah dijelaskan pada bagian
sebelumnya dan deviasi standar σ dapat dihitung dengan bantuan
program aplikasi statistik SPSS. Setelah error ε dan lambda λ terms
diketahui, skor-skor tersebut dimasukkan sebagai parameter fix pada analisis model pengukuran SEM
dan lambda term dengan rumus 0,95 kali σ Anderson dan Gerbing, 1988.
3.4.6. 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 fitatau poor fit. Jadi good fit model yang diuji sangat penting dalam penggunaan structural equation
model.
55
Pengujian terhadap model yang dikembangkan dengan berbagai kriteria Goodness of Fit, yakni Chi-square, Probabilty, RMSEA, GFI, TLI,
CFI, AGFI, CMIN DF. Apabila model awal tidak good fit dengan data maka model dikembangkan dengan pendekatan two step approach to SEM.
Tabel 3.1. Goodness of Fit Indices
GOODNESS OF FIT
INDEX KETERANGAN
CUT-OF VALUE
X²- Chi square Menguji apakah covariance populasi yang diestimasi sama dengan covariance sample [apakah
model sesuai dengan data]. Diharapkan
kecil, s.d 5 atau paling baik
diantara 1dan 2 Probability
Uji sigifikansi terhadap perbedaan matriks covariance data dan 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 tertimbang varians dalam
matriks sample yang dijelaskan oleh matriks covariance populasi yang diestimasi [analog
dengan R² dalam regresi berganda] ≥ 0,09
AGFI GFI yang disesuaikan terhadap DF
≥ 0,09 CMINDDF
Kesesuaian antara data dan model ≤ 2,00
TLI Pembandingan antara model yang diuji terhadap
baseline model. ≥ 0,95
CFI Uji kelayakkan model yang sensitive terhadap
besarnya sample dan kerumitan model. ≥ 0,94
Sumber 1.
X²- Chi Square Statistic : Hair et.al., 1998
Alat uji paling fundamental untuk mengukur overall fit adalah Likelihood Ratio Chi-Square Statistic. Chi-Square ini bersifat sangat
sensitif terhadap 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
56
baik atau memuaskan bila nilai Chi-Square-nya rendah. Semakin kecil nilai X² 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 X²
yang kecil dan tidak signifikan. X² bersifat sangat sensitif terhadap besarnya sampel yaitu terhadap
sampel yang telalu kecil maupun yang terlalu besar. Penggunaan Chi- Square hanya sesuai bila ukuran sampel antara 100 dan 200. Bila
ukuran sampel ada diluar rentang itu, uji signifikan akan menjadi kurang reliabel. Oleh karena itu pengujian ini perlu dilengkapi dengan alat uji
yang lain. 2.
RMSEA- The Root Mean Square Erorr of Approximation RMSEA adalah sebuah indeks yang dapat digunakan mengkompensasi
Chi-Square Statistik dalam sampel yang besar. Nilai RMSEA menunjukkan Goodness-Of -Fit yang dapat diharapkan bila model
diestimasi dalam populasi nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya model yang
menujukkan sebuah close fit dari model itu berdasakan Degress Of Freedom.
3. GFI- Goodness of Fit Index
GFI adalah analog dari R² dalam regresi berganda. Indeks kesesuaian ini akan menghitung proporsi tertimabang dari varian dalam matriks
kovarians sampel yang dijelaskan oleh matriks kovarians populasi yang terestimasi. GFI adalah sebuah ukuran non-statistikal yang mempunyai
57
rentan nilai antara 0 Poor Fit sampai dengan 1,0 Perfect Fit. Nilai yang tinggi dalam indeks ini menunjukkan sebuah better fit.
4. AGFI-Adjusted Goodness of Fit Index
AGFI = GFI DF tingkat penerimaan yang rekomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0,90. GFI
maupun AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varian dalam sebuah matriks kovarians sampel. Nilai
sebesar 0,95 dapat diinterpretasikan sebagai tingkatan yang baik Good Overal Model Fit sedangkan besaran nilai antara 0,90 sampai 0,95
menunjukkan tingkatan cukup Adequate Fit. 5.
TLI-Tucker Lewis Index TLI adalah sebuah alternatif incremental fit indeks yang
membandingkan sebuah model yang diuji terhadap sebuah baseline model. Nilai yang direkomendasikan sebagi acuan untuk diterimanya
sebuah model adalah penerimaan ≥ 0,95 dan nilai yang sangat
mendekati 1 menunjukkan A Very Good Fit. 6.
CMIN Df sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model. Dalam hal ini CMIN DF tidak lain adalah statistik Chi-
Square, X² dibagi DF-nya sehingga disebut X² relatif. Nilai X² relatif kurang dari 2,0 atau bahkan kadang 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 diobservasi dan yang diestimasi.
58
7. CFI Comparative Fit Index
Besaran indeks ini adalah pada rentang nilai sebesar 0,1 dan semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi A Very
Good Fit. Nilai yang direkomendasikan adalah CFI 0,95. Keunggulan dari indeks ini besarannya tidak dipengaruhi oleh ukuran
sampel karena itu sangat baik untuk mengkur tingkat penerimaan sebuah model. Indeks CFI adalah identik dengan Relative Noncentrality
Index RNI.
59
BAB IV PEMBAHASAN
