Pengujian Evaluasi Asumsi SEM

Dari Tabel 4.9 dapat dilihat bahwa setiap indikator dari masing-masing variabel memiliki nilai loading factor koefisien λ atau regression weight atau standardized estimate yang signifikan dengan nilai Critical Ratio atau C.R ≥ 2.0. sehingga semua indikator dapat diterima. Dengan nilai Probability P yang secara keseluruhan di bawah 0,05. Hal ini menunjukkan bahwa variabel-variabel tersebut pada dasarnya memiliki indenfedensi variabel satu dengan lainnya.

4.5.3 Pengujian Evaluasi Asumsi SEM

Asumsi normalitas data harus dipenuhi agar dapat diolah lebih lanjut untuk pemodelan SEM, normalitas univariate dan multivariate data yang digunakan dalam analisis ini dapat diuji normalitasnya, seperti yang disajikan dalam Tabel 4.10 berikut ini : Tabel 4.10 Normalitas Data Variable min max skew c.r. kurtosis c.r. Y1.3 1,000 7,000 -,008 -,032 -,848 -1,790 Y1.2 1,000 7,000 -,320 -1,350 -,915 -1,931 Y1.1 1,000 7,000 -,312 -1,319 -,872 -1,841 X1.1 1,000 7,000 -,526 -2,220 -,924 -1,951 X1.2 1,000 7,000 -,505 -2,134 -,969 -2,045 X1.3 1,000 7,000 -,259 -1,093 -,960 -2,026 Y2.1 1,000 7,000 -,238 -1,007 -1,157 -2,443 Y2.2 1,000 7,000 -,249 -1,050 -1,122 -2,369 Y2.3 1,000 7,000 ,060 ,255 -1,299 -2,742 X5.1 1,000 7,000 -,487 -2,057 -,758 -1,600 X5.2 1,000 7,000 -,287 -1,212 -,936 -1,976 X5.3 1,000 7,000 -,284 -1,198 -1,142 -2,412 X3.1 1,000 7,000 -,226 -,955 -1,193 -2,519 X3.2 1,000 7,000 -,057 -,241 -1,347 -2,845 X3.3 1,000 7,000 -,164 -,695 -1,373 -2,899 X4.1 1,000 7,000 -,336 -1,420 -,985 -2,080 X4.2 1,000 7,000 -,113 -,476 -,186 -,393 X4.3 1,000 7,000 -,481 -2,030 -,635 -1,340 X2.1 1,000 7,000 -,299 -1,263 -1,226 -2,588 X2.2 1,000 7,000 -,310 -1,309 -1,141 -2,410 X2.3 1,000 7,000 -,076 -,323 -1,240 -2,617 Multivariate 14,085 2,344 Sumber : Data Primer Diolah, 2013 Universitas Sumatera Utara Dari hasil pengolahan data yang ditampilkan pada Tabel 4.10 terlihat bahwa tidak terdapat nilai C.R. untuk skewnees yang berada diluar rentang ± 2.58. dengan demikian maka data penelitian yang digunakan telah memenuhi persyaratan normalitas data, atau dapat dikatakan bahwa data penelitian telah terdistribusi normal. Evaluasi Outlier Penelitian ini menggunakan 21 indikator, oleh karena itu semua kasus data yang memiliki Mahalanobis Distance yang lebih besar dari χ2 21;0,005 = 41,401 adalah outliers multivariate. Untuk melihat bahwa model dalam analisis structural equation modeling SEM pada penelitian ini terbebas dari adanya outlier dapat dilihat dari output software AMOS dalam structural equation modelling SEM pada Tabel 4.11 berikut ini : Tabel 4.11 Hasil Uji Outliers No. Sampel Observation number Mahalanobis d- squared p1 p2 1 98 40,882 ,006 ,463 2 42 39,250 ,009 ,257 3 14 37,527 ,015 ,207 4 12 37,332 ,015 ,084 5 77 35,223 ,027 ,159 -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- 103 44 12,640 ,921 ,859 104 78 12,573 ,923 ,797 105 106 12,448 ,927 ,742 106 36 11,837 ,944 ,853 107 67 11,836 ,944 ,748 Sumber : Data Primer Diolah, 2013 Universitas Sumatera Utara Dari Tabel 4.11 ini terlihat hasil perhitungan output outlier Observations farthest from the centroid Mahalanobis distance Group number 1 dengan menggunakan software AMOS memiliki batas minimum sebesar 11,836 dan batas maksimum sebesar 40,882. Dapat disimpulkan bahwa nilai output Mahalanobis distance 40,882 41,401 artinya model penelitian ini membuktikan tidak adanya data yang dapat dianggap outlier dan model data penelitian ini telah terpenuhi. Evaluasi atas Multikoliniearitas dan Singularitas. Untuk mengetahui apakah pada data penelitian terdapat multikolineritas multicollinearity atau singularitas singularity dalam kombinasi-kombinasi variabel, maka yang perlu diamati adalah determinan dari matrik kovarians sampelnya. Determinan yang kecil atau mendekati nol mengindikasikan adanya multikolineritas atau singularitas, sehingga data itu tidak dapat digunakan untuk penelitian Ferdinand, 2006. Pada penelitian ini nilai determinan dari matriks kovarians sampelnya adalah sebesar 1550,407 dan angka tersebut jauh dari nol, sehingga dapat disimpulkan bahwa tidak ada multikolineritas atau singularitas dalam data ini dengan demikian data ini layak digunakan. Pengujian terhadap Nilai Residual. Pengujian terhadap nilai residual mengindikasikan bahwa secara signifikan model yang sudah dimodifikasi tersebut dapat diterima dan nilai residual yang ditetapkan adalah ± 2,58 pada taraf signifikansi 1 Hair, 1995. Universitas Sumatera Utara Adapun standard residual yang diolah dengan menggunakan program AMOS 20 dapat dilihat dalam Tabel 4.12 berikut ini, jadi kesimpulannya bahwa data yang digunakan dalam penelitian ini dapat diterima secara signifikan karena nilai residualnya ≤ 2, 58. Universitas Sumatera Utara Tabel 4.12 Standardized Residual Covariances Sumber : Data Primer Diolah, 2013 Y1.3 Y1.2 Y1.1 X1.1 X1.2 X1.3 Y2.1 Y2.2 Y2.3 X5.1 X5.2 X5.3 X3.1 X3.2 X3.3 X4.1 X4.2 X4.3 X2.1 X2.2 X2.3 Y1.3 ,000 Y1.2 1,276 ,000 Y1.1 ,172 ,793 ,000 X1.1 -,102 ,105 -,202 ,000 X1.2 -,486 -,667 -,460 ,765 ,000 X1.3 -1,004 ,012 -,259 -,005 ,650 ,000 Y2.1 1,342 1,036 1,110 ,059 -,750 -,338 ,000 Y2.2 2,075 1,049 1,017 ,139 -,157 1,084 -,160 ,000 Y2.3 1,140 ,395 -,165 -,164 -,492 -,411 ,285 ,045 ,000 X5.1 -,883 -,142 -,520 ,194 -,207 -,061 -,227 -,847 -,083 ,000 X5.2 -,559 -,095 ,261 -,291 ,088 ,035 ,714 ,654 ,065 ,110 ,000 X5.3 1,044 ,077 ,319 ,161 -,210 -,550 ,199 -,326 -,083 -,257 -,165 ,000 X3.1 ,429 ,004 -,170 -,426 ,168 ,255 -,640 ,415 -,274 ,207 ,222 -,052 ,000 X3.2 ,921 ,402 -,058 -,299 ,302 -,443 ,082 -,175 -,940 -,414 -,538 ,037 ,524 ,000 X3.3 ,311 -,479 -,454 -,237 -,111 ,221 -,552 ,306 ,153 -,053 ,059 ,249 -,237 ,862 ,000 X4.1 -,410 -,207 ,490 -,310 -,484 -,240 ,151 ,083 -,845 ,167 ,219 -,139 ,403 ,358 ,180 ,000 X4.2 1,935 1,090 ,799 -,681 -,540 -,117 ,795 1,703 1,692 -,348 ,033 ,070 ,647 1,080 ,181 ,125 ,000 X4.3 ,247 -,522 -,264 ,542 ,547 -,275 ,569 -,088 -1,196 -,159 -,007 ,320 -,276 ,066 ,299 -,064 -,652 ,000 X2.1 -,233 ,204 -,052 ,244 -,026 ,178 -,343 -,583 -,275 ,489 -,004 -,067 -,538 -,360 -,672 ,041 -,169 -,339 ,000 X2.2 -,490 -,131 -,248 ,048 ,226 ,348 -,961 -,712 -1,542 ,702 -,094 ,295 -,544 -,599 ,341 ,001 -1,504 ,003 ,351 ,000 X2.3 -,048 -,195 -,490 ,002 ,024 ,510 -,096 -,388 -,826 -,218 -,054 ,301 -,044 ,979 ,014 -,086 -,067 -,045 ,160 -,331 ,000 Universitas Sumatera Utara Uji Reliability dan Variance Extract Selanjutnya dilakukan evaluasi terhadap reliabilitas dari model pengukuran dapat dilihat dengan menggunakan ukuran reliabilitas komposit composite reliability measure dan ukuran ekstrak varian variance extracted measure. Berikut ini nilai ∑ standart loading pada model penelitian ini untuk masing-masing variabel latennya ditampilkan pada Tabel 4.13 sebagai berikut: Tabel 4.13 Hasil Perhitungan Reliability dan Variance Extract Variabel Reliability Variance Extract Tanggung Jawab 0,749 0,666 Kepribadian 0,749 0,678 Proses Belajar 0,732 0,615 Kondisi Kerja 0,741 0,612 Nilai Sosial 0,749 0,683 Kinerja Dosen 0,742 0,601 Komitmen Keorganisasian 0,740 0,611 Sumber : data primer yang diolah . Dari Tabel 4.13 ini terlihat hasil pengujian reliabilitas dan variance extract terhadap masing – masing variabel menunjukkan sebagai suatu ukuran yang reliabel karena masing – masing memiliki reliability yang lebih besar dari 0.6. Hasil pengujian variance extract juga sudah menunjukan bahwa masing- masing variabel laten merupakan hasil ekstradisi yang cukup besar dari indikator - indikatornya. Hal ini ditunjukkan dari nilai variance extract dari masing - masing variabel lebih besar dari 0.4. Universitas Sumatera Utara Dapat disimpulkan bahwa hasil perhitungan reliabilitas dan variance extract seperti tersebut diatas, tampak bahwa data dalam penelitian ini dapat diterima karena keduanya telah memenuhi persyaratan. Berikut ini adalah perhitungan secara rinci untuk memperolah nilai construct reliability dan variance extracted dalam penelitian ini : 1. ∑ std loading konstruk X 1 : 0,855 + 0,821 + 0,773 = 2,449 2. ∑ std loading konstruk X 2 : 0,833 + 0,825 + 0,729 = 2,387 3. ∑ std loading konstruk X 3 : 0,751 + 0,728 + 0,714 = 2,193 4. ∑ std loading konstruk X 4 : 0,877 + 0,508 + 0,754 = 2,139 5. ∑ std loading konstruk X 5 : 0,835 + 0,879 + 0,831 = 2,545 6. ∑ std loading konstruk Y 1 : 0,787 + 0,779 + 0,499 = 2,065 7. ∑ std loading konstruk Y 2 : 0,709 + 0,793 + 0,602 = 2,104 Sedangkan jumlah dari nilai errorstandart loading untuk variabel laten masing-masing sebagai berikut : 1. ∑ error std loading konstruk X 1 : 0,731 + 0,675 + 0,598 = 2,004 2. ∑ error std loading konstruk X 2 : 0,694 + 0,681 + 0,531 = 1,906 3. ∑ error std loading konstruk X 3 : 0,563 + 0,530 + 0,509 = 1,602 4. ∑ error std loading konstruk X 4 : 0,770 + 0,258 + 0,569 = 1,597 5. ∑ error std loading konstruk X 5 : 0,698 + 0,773 + 0,691 = 2,162 6. ∑ error std loading konstruk Y 1 : 0,619 + 0,607 + 0,249 = 1,475 7. ∑ error std loading konstruk Y 2 : 0,503 + 0,629 + 0,363 = 1,555 Universitas Sumatera Utara Composite reliability dari setiap konstruk dapat dihitung dengan menggunakan rumus construct reliability CR=     ej StdLoading StdLoading 2 2 : 1. CR konstruk X 1 = 749 , 004 , 2 449 , 2 449 , 2 2 2   2. CR konstruk X 2 = 749 , 906 , 1 387 , 2 387 , 2 2 2   3. CR konstruk X 3 = 732 , 602 , 1 193 , 2 193 , 2 2 2   4. CR konstruk X 4 = 741 , 597 , 1 139 , 2 139 , 2 2 2   5. CR konstruk X 5 = 749 , 162 , 2 545 , 2 545 , 2 2 2   6. CR konstruk Y 1 = 742 , 475 , 1 065 , 2 065 , 2 2 2   7. CR konstruk Y 2 = 740 , 555 , 1 104 , 2 104 , 2 2 2   Jumlah nilai kuadrat untuk masing-masing variabel laten adalah : 1. ∑ std loading konstruk X 1 : 0,855² + 0,821² + 0,773² = 2,002 2. ∑ std loading konstruk X 2 : 0,833² + 0,825² + 0,729² = 1,905 3. ∑ std loading konstruk X 3 : 0,751² + 0,728² + 0,714² = 1,603 4. ∑ std loading konstruk X 4 : 0,877² + 0,508² + 0,754² = 1,588 5. ∑ std loading konstruk X 5 : 0,835² + 0,879² + 0,831² = 2,160 6. ∑ std loading konstruk Y 1 : 0,787² + 0,779² + 0,499² = 1,475 7. ∑ std loading konstruk Y 2 : 0,709² + 0,793² + 0,602² = 1,493 Universitas Sumatera Utara Selanjutnya perhitungan variance extracted untuk masing-masing variabel laten dihitung dengan menggunakan rumus =     ej StdLoading StdLoading 2 2 : 1. Variance extracted X 1 = 666 , 004 , 2 002 , 2 002 , 2 2 2   2. Variance extracted X 2 = 678 , 906 , 1 905 , 1 905 , 1 2 2   3. Variance extracted X 3 = 615 , 602 , 1 603 , 1 603 , 1 2 2   4. Variance extracted X 4 = 612 , 597 , 1 588 , 1 588 , 1 2 2   5. Variance extracted X 5 = 683 , 162 , 2 160 , 2 160 , 2 2 2   6. Variance extracted Y 1 = 601 , 475 , 1 475 , 1 475 , 1 2 2   7. Variance extracted Y 2 = 611 , 555 , 1 493 , 1 493 , 1 2 2  

4.6 Pengujian Hipotesis