Teknik Anallisis dan Pengujian Hipotesis

populasi memiliki kesempatan yang sama untuk menjadi anggota sampel penelitian.

3.4. Jenis dan Sumber Data

Ada dua jenis data yang digunakan dalam penelitian ini yaitu data primer dan data sekunder.

3.4.1. Data Primer

Data primer adalah data yang diperoleh dari hasil wawancara dengan responden, baik secara langsung maupun menggunakan daftar pertanyaan yang telah dipersiapkan diantaranya mengenai penilaian pegawai terhadap kompensasi yang diberikan, Kepuasan kerja, motivasi kerja pegawai dan mengenai kinerja pegawai di PG. Djatiroto Lumajang.

3.4.2. Data Sekunder

Data sekunder adalah data yang sudah tersedia dan diperoleh dari instansi yaitu mengenai data banyaknya pegawai di PG. Djatiroto Lumajang, serta gambaran umum dan struktur organisasi PG. Djatiroto Lumajang.

3.5. Metode Pengumpulan Data

Dalam prosedur penelitian yang digunakan untuk pengambilan data dengan cara pengumpulan data dengan menggunakan riset lapangan dengan cara observasi dan alat ukur yang digunakan adalah kuesioner dalam bentuk pertanyaan tertutup.

3.6. Teknik Anallisis dan Pengujian Hipotesis

Model yang digunakan untuk menganalisis data dalam penelitian ini adalah Structural Equation Model SEM, karena didalam model konseptual Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber terdapat variabel latent dan indikator-indikatomya. Pengukuran faktor-faktornya menggunakan Confirmatoty Factor Analysis. Analisis ini merupakan pendekatan terintegrasi antara faktor, model structural dan analisis jalur. Penaksiran pengaruh masing-masing variabel bebas terhadap variabel terikatnya menggunakan koefisien jalur.

3.6.1. Uji Normalitas dan Linieritas

Sebaran data harus dianalisis untuk mengetahui apakah asumsi normalitas dipenuhi sehingga data dapat diolah lebih lanjut pada path diagram. Untuk menguji normalitas distribusi data yang digunakan dalam analisis, peneliti dapat menggunakan uji-uji statistic. Uji yang paling mudah adalah dengan mengamati skewness value dari data yang digunakan, yang biasanya disajikan dalam statistic deskriptif dari hamper semua program statistic. Nilai statistic untuk menguji normalitas itu disebut sebagai z-value yang dihasilkan melalui rumus sebagai berikut. Skewness Nilai - Z = , dimana N = ukuran sample 6 N Bila nilai-Z lebih besar dari nilai kritis, maka dapat diduga bahwa distribusi data adalah tidak normal. Linieritas dengan mengamati Linieritas dengan mengamati scatterplots dari data yaitu dengan memilih pasangan data dan dilihat pola penyebaraannya untuk menduga ada tidaknya linieritas.

3.6.2. Evaluasi Outliers

Outlier adalah observasi atau data yang memiliki karaktristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstim untuk sebuah variabel tunggal atau variabel kombinasi Hair, Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber 1995. Multivariate outlier diuji dengan criteria jarak Mahalanobis pada tingkat p 0,001. Jarak diuji dengan Chi-Square [X] pada df sebesar jumlah variabel bebasnya. Ketentuan bila Mahalanobis dari nilai X adalah multivariate outlier.

3.6.3. Deteksi Multikollinearity dan Singularity

Dengan mengamati Determinant matriks covarians. Dengan ketentuan apabila determinant sample matrix mendekati angka 0 kecil, maka terjadi multikolinieritas dan singularitas Tabachnick Fidell, 1996

3.6.4. Uji Validitas

Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya diukur. Karena indikator multidiminsi, maka uji validitas dari setiap latent variabel construct akan diuji dengan melihat loading factor dari hubungan antara setiap observerd variable dan latent variable. Secara umum variance extracted yang dapat diterima adalah 0.5. Variance- extracted dihitung dengan rumus berikut : [ ∑s tan darizeloading ] 2 Variance Extracted = [ ∑s tan darizeloading ] 2 + ∑ έ 1

3.6.5. Uji Reliabilitas

Reliabilitas adalah ukuran mengenai konsistensi internal dari indicator- indikator sebuah konstruck yang menunjukkan derajad sampai dimana masing- masing indikator itu mengindikasikan sebuah konstruk yang umum, Reliabilitas diuji dengan construct reliability. Construct reliability dihitung dengan rumus sebagai berikut : [ ∑s tan darizeloading ] 2 Construct reliability = [ ∑s tan darizeloading ] 2 + ∑ έ 1 Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber Sementara έ 1 dapat dihitung dengan formula έ 1 = 1- Standardize Loading Secara. umum, nilai constuct reliability yang dapat diterima adalah 0,7 dan variance extracted 0, 5 Hair et.al, 1995. Standardize loading dapat diperoleh dari output AMOS 4.01, dengan melihat nilai estimasi setiap construct standardize regression weights terhadap setiap butir sebagai indikatornya.

3.6.6. Pengujian Hipotesis

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 lebih besar daripada t tabel berarti signifikan.

3.6.7. Pengujian Model Dengan One Step Approach

Menurut Wiyanto 2003, dalam one step approach pendekatan analisis dan pengujian modelnya dilakukan secara keseluruhan sekaligus measurement model dan structural model. Cara ini agaknya mengalami kesulitan dalam memenuhi tuntutan fit model. Kemungkinan terbesar disebabkan oleh terjadinya interaksi antara measurement model dan structural model yang diestimasi secara bersama-sama.

3.6.8. Pengujian Model Dengan Two Step Approach

Menurut Ferdinand 2002, pemodelan SEM dapat dilakukan dengan pendekatan dua langkah two step modeling approach yaitu pertama mengembangkan model pengukuran dan kedua adalah model structural. Hal ini karena measurement model dilakukan untuk menghasilkan penilaian mengenai validitas konvergen dan validitas diskdminan, sedangkan structural model menyajikan penilaian mengenai validitas prediktif. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber Dengan demikian dapat dipahami bahwa seyogyanya setiap factor laten terlebih dahulu dikonfirmasi sehingga peneliti mendapatkan yang benar-benar sesuai dengan apa yang ingin dijelaskan. Bila setiap factor sudah selesai dianalisis dan sesuai dengan apa yang memang ingin diukur, barulah dikembangkan lebih lanjut dalam sebuah analisis lanjutan yaitu secara simultan dianalisis dalam sebuah model structural.

3.6.9. Evaluasi Model

Didalam SEM peneliti dapat melakukan 3 kegiatan secara serempak yaitu: pemeriksaan validitas dan reliabilitas instrument, pengujian model hubungan antar variable laten setara dengan analisis jalur, dan mendapatkan model yang bermanfaat untuk perkiraan setara dengan model structural. Tahap yang ditempuh dalam pengolahan data dengan analisis ini adalah : 1. Mengembangkan path diagram Pada path diagram ditunjukkan hubungan kausal antar variable yaitu antara variable endogen dan eksogen. Hubungan antara variable ini dinyatakan dengan anak panah. Anak panah lurus dengan satu ujung menunjukkan hubungan kausal yang langsung antara satu variable dengan variable lainnya. Sedangkan garis lengkung dengan dua ujung menunjukkan antar variable. 2. Evaluasi atas asumsi SEM Evaluasi asumsi ditujukan untuk mengetahui kecukupan dipenuhinya asumsi- asumsi yang ada dalam pemodelan SEM. Evaluasi yang dilakukan adalah evaluasi normalitas data, evaluasi atas multicolonierity dan singularity. 3. Evaluasi Criteria Goodness of Fit model penelitian Evaluasi ini dilakukan untuk mengetahui kesesuaian fit dari model yang dikembangkan terhadap data penelitian. Ini penting dilakukan karena SEM tidak digunakan untuk menciptakan suatu model tetapi terlebih kepada Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber mengkonfirmasi model. Artinya tanpa landasan teoritis yang kuat atas hubungan variable yang dimodelkan maka analisis SEM ini tidak dapat digunakan. 4. Interpretasi hasil Pada tahap ini hasil atau output pengujian dievaluasi untuk menentukan penerimaan atau penolakan terhadap kesesuain model dan hipotesis yang diajukan.

3.6.10. Evaluasi Goodness of Fit

1. Chi-Square Statistic x 2 Chi square ini sangat bersifat sensitif terhadap besarnya sampel yang digunakan. Karena itu bila jumlah sampel adalah cukup besar yaitu lebih dari 200 sampel, maka statistik chi-square ini harus didampingi oleh alat uji lainnya Hair et al.,1995; Tabachnick Fidell, 1996 Karena tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai dengan data atau yang fit terhadap data, maka yang dibutuhkan justru sebuah nilai X 2 yang tidak signifikan, yang menguji hipotesa nol bahwa matriks kovarian populasi tidak sama dengan kovarian sampel. Oleh karena itu x 2 yang kecil dan tidak signifikanlah yang diharapkan agar hipotesa nol sulit ditolak. 2. RMSEA Root Mean Square Error of Approximation RMSEA adalah sebuah indeks yang dapat digunakan untuk mengkompensasi chi-square statistik dalam sampel yang besar Baumgartner Hamburg, 1996. Nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah dose fit dari model itu. Berdasarkan degrees of freedom Browne Cudeck, 1993. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber d G G=1 3. GFI Goodness of Fit Index Indeks kesesuaian fit index ini akan menghitung proporsi tertimbang dari varians dalam matrix kovarian sampel yang dijelaskan oleh matrix kovarians populasi Bentler, 1983; Tanaka Fluba, 1989. GF1 yang diharapkan adalah sebesar 0,90. 4. AGFI Adjusted Goodness of fit Index Tanaka Huba 1989 menyatakan bahwa GFI adalah analog dari R2 dalam regresi berganda. Fit Index ini dapat diadjust terhadap degrees of freedom yang tersedia untuk menguji diterima tidaknya model Arbuckle, 1997. Indeks ini diperoleh dengan rumus. db AGFI = 1-1-GFI dimana : db = ∑P g , d = derajat bebas AGFI yang diharapkan adalah sebesar 0,90. 5. CMINIDF Minirflum sampel discrepancy functionl Degrees of freedom CMINDF dalam hal ini tidak lain adalah statistik chi-square dibagi dengan derajat bebasnya sehingga disebut X 2 relatif. Nilai X 2 relatif kurang dari 2.0 atau bahkan kadang kurang dari 3.0 adalah indikasi dari acceptabel fit antara model dan data Arbuckle, 1997 6. TLI Tucker Lewis Index Tli adalah sebuah altematif incremental fit index yang membandingkan sebuah baseline model Baumgartner Homburg, 1996. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan 0,95. 7. CFI Comparatif Fit Index Keunggulan dari index ini adalah bahwa index ini besarnya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk mengukur tingkat Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber penerimaan sebuah model Hulland et al., 1995 Index ini diperoleh dengan rumus sebagai berikut: CFI = 1- C -d Cb -db Dimana C adalah diskrepansi dari model yang dievaluasi dan d adalah derajat bebasnya. Sementara C b dan d b adalah diskrepansi dan derajat bebas dari baseline model yang dijadikan pembanding. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber

IV. HASIL DAN PEMBAHASAN