58
maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikansi 0,01 [1] yaitu sebesar ± 2,58.
Hasil pengujian normalitas pada penelitian ini akan ditampilkan pada tabel berikut :
Tabel 4.7 Hasil Uji Normalitas
Variable min max kurtosis
c.r.
X11 2 5 -0,407
-0,878 X12 2 5
-0,587 -1,268
X13 2 5 -0,526
-1,137 X14 2 5
-0,529 -1,144
X15 3 5 -0,655
-1,415 X16 2 5
-0,562 -1,213
X21 2 5 -0,543
-1,174 X22 3 5
-0,695 -1,500
X23 3 5 -0,973
-2,102 X24 3 5
-0,657 -1,419
Y1 2 5
-0,654 -1,412
Y2 2 5
-0,743 -1,606
Y3 2 5
-0,804 -1,736
Y4 2 5
-0,145 -0,312
Multivariate
-0,385 -0,096
Batas Normal ± 2,58
Sumber : Lampiran 3 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.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
59
4.3.2. Evaluasi atas 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 Hair,1998.
Multivariate outlier diuji dengan kriteria jarak Mahalanobis pada tingkat p 0,001. Jarak diuji dengan Chi-Square [
2] pada df sebesar jumlah variabel bebasnya df = 2. Ketentuan : bila Mahalanobis distance maximum dari nilai
2 maka terjadi multivariate outlier. Pada penelitian ini terdapat outlier apabila
nilai Mahalanobis distancenya 36,132
Untuk lebih memperjelas uraian mengenai evaluasi outlier multivariate
berikut ini akan disajikan tabel Uji Outlier Multivariate : Tabel 4.8
Hasil Pengujian Outlier Multivariate
Minimum Maximum
Mean Std.
Deviation N
Predicted Value 14,449
101,136 56,500
18,192 112
Std. Predicted Value -2,312
2,454 ,000
1,000 112
Standard Error of Predicted Value 6,552
14,046 10,391
1,726 112
Adjusted Predicted Value 7,629
98,677 56,400
18,664 112
Residual -53,347
62,200 ,000
26,902 112
Std. Residual -1,854
2,161 ,000
,935 112
Stud. Residual -2,058
2,283 ,002
1,000 112
Deleted Residual -65,780
69,395 ,100
30,826 112
Stud. Deleted Residual -2,094
2,335 ,002
1,008 112
Mahalanobis Distance [MD] 4,763
25,450 13,875 4,841
112 Cooks Distance
,000 ,068
,010 ,013
112 Centered Leverage Value
,043 ,229
,125 ,044
112 a Dependent Variable : NO. RESP
14,449 101,136
56,500 18,192
112
Sumber : Lampiran 4
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
60
Berdasarkan tabel di atas, setelah dilakukan pengujian diketahui nilai MD maksimum adalah 25,450 lebih kecil dari 36,123. Oleh karena itu diputuskan
dalam penelitian tidak terdapat outlier multivariate antar variabel. 4.3.3.
Deteksi Multicollinierity dan Heteroskedastsitas
Dengan mengamati Determinant matriks covarians. Dengan ketentuan apabila determinant sample matrix mendekati angka 0 kecil, maka terjadi
multikolinieritas dan singularitas Tabachnick Fidell, 1998. Berdasarkan hasil pengujian dengan menggunakan program AMOS 4.0
diperoleh hasil Determinant of Sample Covariance Matrix adalah 0 yaitu sebesar 9,387, mengindikasikan tidak terjadi multikolinieritas dan singularitas
dalam data ini sehingga asumsi terpenuhi. 4.3.4.
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 ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai dimana
masing-masing indikator itu mengindikasikan sebuah konstruk yang umum. Karena indikator multidimensi, maka uji validitas dari setiap latent
variabelconstruct akan diuji dengan melihat faktor loading faktor dari hubungan antara setiap observed variabel dan latent variabel. Sedangkan reliabilitas diuji
dengan construct reliability dan variance extracted. Dari hasil pengolahan data
didapatkan hasil sebagai berikut :
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
61
Tabel 4.9 Faktor Loading dan Konstruk dengan Confirmatory Factor Analysis
Faktor Loading Konstrak Indikator
1 2 3 4 X11
0,440 X12
0,436 X13
0,278 X14
0,371 X15
0,624 Motivation
X16 0,612
X21 0,496
X22 0,567
X23 0,593
Training X24
0,269 Y1
0,616 Y2
0,641 Y3
0,268 Job
Performance Y4
0,320
Sumber : Lampiran 5 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 cukup baik. Koefisien Cronbach’s Alpha dihitung untuk mengestimasi reliabilitas
setiap skala variabel atau indikator observarian. 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.
Hasil pengujian reliabilitas Consistency Internal dalam penelitian ini dapat dilihat pada tabel berikut ini :
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
62
Tabel 4.10 Pengujian Reliability Consistency Internal
Konstrak Indikator Item to Total
Correlation Koefisien
Cronbachs Alpha X11 0,629
X12 0,595 X13 0,526
X14 0,574 X15 0,622
Motivation X16 0,607
0,628
X21 0,710 X22 0,675
X23 0,681 Training
X24 0,502 0,530
Y1 0,695 Y2 0,700
Y3 0,547 Job Performance
Y4 0,598 0,510
Sumber : Lampiran 6 Hasil pengujian reliabilitas konsistensi internal untuk setiap construct di
atas menunjukkan hasil cukup baik dimana koefisien Cronbach’s Alpha yang diperoleh belum seluruhnya memenuhi rules of thumb yang disyaratkan yaitu
≥ 0,7 [Hair et.al.,1998].
Selain itu tidak terjadi eliminasi karena nilai item to total correlation pada tiap indikator seluruhnya
≥ 0,5. 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. Construct reliability dan
Variance-extracted dihitung dengan rumus sebagai berikut:
j ading
dardize Lo S
Loading Stadardize
liability Construct
2 2
tan Re
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
63
j ading
dardize Lo S
Loading Stadardize
xtracted Variance E
2 2
tan Sementara
j
dapat dihitung dengan formula
j
= 1 – [Strespondenrdize loading] secara umum, nilai construct reliability yang dapat diterima adalah
0,5 Hair at, 1998. Strespondenrdize loading dapat diperoleh dari output AMOS
4.01, dengan melihat estimasi setiap construct strespondenrdize regression weight terhadap setiap butir sebagai indikatornya.
2
tan 1
ading dardize Lo
S j
Hasil pengujan Construct Reliability dan Variance Extraced dalam
penelitian ini akan ditampilkan pada tabel berikut :
Tabel 4.11 Construct Reliability Variance Extrated
Konstrak Indikator Standardize
Factor Loading
SFL Kuadrat
Error [ εj]
Construct Reliability
Variance Extrated
X11 0,440 0,194 0,806
X12 0,436 0,190 0,810
X13 0,278 0,077 0,923
X14 0,371 0,138 0,862
X15 0,624 0,389 0,611
Motivation X16 0,612 0,375
0,625 0,622 0,227
X21 0,496 0,246 0,754
X22 0,567 0,321 0,679
X23 0,593 0,352 0,648
Training X24 0,269 0,072
0,928 0,552 0,248
Y1 0,616 0,379
0,621 Y2 0,641
0,411 0,589
Y3 0,268 0,072
0,928 Job Performance
Y4 0,320 0,102
0,898 0,529 0,241
Batas Dapat Diterima
≥ 0,7 ≥ 0,5
Sumber : Lampiran 7 Hasil pengujian reliabilitas instrumen dengan construct reliability dan
variance extracted menunjukkan instrumen cukup reliabel, yang ditunjukkan
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
64
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. Pengujian Model Dengan One-Step Approach
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 :
Gambar 4.1. Model Pengukuran Kausalitas One Step Apporach
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
65
Tabel 4.12 Evaluasi Kriteria Goodness of Fit Indices
Kriteria Hasil Nilai
Kritis Evaluasi
Model CminDF
0,764 ≤ 2,00
baik
Probability
0,935 ≥ 0,05
baik
RMSEA
0,000 ≤ 0,08
baik
GFI
0,932 ≥ 0,90
baik
AGFI
0,904 ≥ 0,90
baik
TLI
1,132 ≥ 0,95
baik
CFI
1,000 ≥ 0,94
baik
Sumber : Hasil Pengolahan Data lampiran 8 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. Dengan demikian model ini adalah model yang terbaik untuk
menjelaskan keterkaitan antar variabel dalam model. Dilihat dari angka determinant of sample covariance matrix : 9,387 0
mengindikasikan tidak terjadi multicolinierity atau singularity dalam data ini sehingga asumsi terpenuhi. Dengan demikian besaran koefisien regresi masing-
masing faktor dapat dipercaya. 4.3.6.
Pengujian Hipotesis dan Hubungan Causal
Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandar, dengan pengujian signifikansi pembanding nilai CR Critical Ratio atau p
probability yang sama dengan nilai t
hitung
.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
66
Tabel 4.13 Hasil Pengujian Kausalitas
Faktor
Faktor Ustd
Estimate Std
Estimate Prob.
Job Performance
Motivation 0,190 0,398
0,369 Job Performance
Training 0,211 0,442
0,326
Batas Signifikansi ≤ 0,10
Sumber : Lampiran 9 Dilihat dari tingkat probabilitas arah hubungan kausal, hipotesis yang
menyatakan bahwa : 1.
Faktor
Motivation
berpengaruh positif terhadap Faktor
Job Performance
, tidak dapat diterima Prob. kausalnya 0,369 0,10 [Positif tidak signifikan].
2. Faktor
Training
berpengaruh positif terhadap Faktor
Job Performance
, tidak dapat diterima Prob. kausalnya 0,326 0,10 [Positif tidak signifikan].
4.4. Hasil Penelitian Dan Pembahasan
