0.9485, dan nilai RMSEA = 0.091. Oleh karena itu, penulis melakukan modifikasi, dimana kesalahan pengukuran pada beberapa item dibebaskan
berkorelasi satu sama lainnya sehingga menghasilkan model yang fit dengan Chi- square = 0.73, df = 2, p-value = 0.39334, dan nilai RMSEA = 0.000.
Gambar 3.9 Path Diagram Dukungan Informasi
Kemudian penulis melihat apakah item tersebut mengukur faktor yang hendak diukur secara signifikan serta sekaligus menentukan apakah item tersebut
diterima atau tidak, pengujiannya dilakukan dengan melihat T-value dan muatan faktor, seperti tabel 3.13 berikut ini:
Tabel 3.13 Hasil Uji Validitas Dukungan Informasi
No. Item Lamda
Standard Eror T-Value
Signifikan 1
0.49 0.14
3.46 4
0.43 0.13
3.31 9
0.48 0.14
3.44 13
0.06 0.13
0.42 Keterangan: tanda
= Signifikan t 1.96, = Tidak Signifikan
Dari hasil tabel 3.13 dapat dilihat ada tiga item yang signifikan. Dan satu item tidak signifikan karena memiliki T-Values 1,96 maka item 13 digugurkan.
4. Dukungan Persahabatan Pada aspek dukungan persahabatan yang dilakukan dengan model satu faktor
menghasilkan model yang tidak fit dengan Chi-square = 4.04, df = 2, p-value = 0.13279, dan nilai RMSEA = 0.079. Oleh karena itu, penulis melakukan
modifikasi, dimana kesalahan pengukuran pada beberapa item dibebaskan berkorelasi satu sama lainnya sehingga menghasilkan model yang fit dengan Chi-
square = 0.059, df = 1, p-value = 0.44328, dan nilai RMSEA = 0.000.
Gambar 3.10 Path Diagram Dukungan Persahabatan
Kemudian penulis melihat apakah item tersebut mengukur faktor yang hendak diukur secara signifikan serta sekaligus menentukan apakah item tersebut
diterima atau tidak, pengujiannya dilakukan dengan melihat T-value dan muatan faktor, seperti tabel 3.14 berikut ini:
Tabel 3.13 Hasil Uji Validitas Dukungan Persahabatan
No. Item Lamda
Standard Eror T-Value
Signifikan 5
0.23 0.13
1.78 8
0.07 0.07
1.11 11
1.39 0.63
2.20 14
0.32 0.16
1.96 Keterangan: tanda
= Signifikan t 1.96, = Tidak Signifikan
Dari hasil tabel 3.14 dapat dilihat ada dua item yang signifikan. Dan dua item lainnya tidak signifikan karena memiliki T-Values 1,96 maka item 5 dan 8
digugurkan.
3.4.3 Uji Validitas Konstruk Burnout
Penulis menguji apakah ke 22 item yang bersifat unidimensional, artinya benar hanya mengukur burnout. Dari hasil analisa CFA yang dilakukan dengan model
satu faktor, ternyata tidak fit dengan Chi-square = 1177.11, df = 209, p-value = 0.00000, dan nilai RMSEA = 0.168. Oleh karena itu, penulis melakukan
modifikasi, dimana kesalahan pengukuran pada beberapa item dibebaskan berkorelasi satu sama lainnya sehingga menghasilkan mpdel yang fit dengan Chi-
square = 141.73, df = 117, p-value = 0.05966, dan nilai RMSEA = 0.036.
Gambar 3.10 Path Diagram Burnout
Kemudian penulis melihat apakah item tersebut mengukur faktor yang hendak diukur secara signifikan serta sekaligus menentukan apakah item tersebut
diterima atau tidak, pengujiannya dilakukan dengan melihat T-value dan muatan faktor, seperti tabel 3.15 berikut ini:
Tabel 3.15 Hasil Uji Validitas Burnout
No. Item Lamda
Standard Eror T-Value
Signifikan 5
0.27 0.08
3.41 6
0.56 0.07
7.67 8
0.37 0.08
4.80 11
0.68 0.07
9.24 13
0.30 0.07
4.16 16
0.46 0.08
5.89 17
0.56 0.07
7.59 19
0.48 0.07
6.44 20
0.43 0.08
5.35 1
-0.08 0.07
-1.12 9
0.26 0.07
3.27 10
0.55 0.07
7.98 12
-0.15 0.08
-1.90 14
0.24 0.07
3.31 2
0.04 0.08
0.45 3
0.29 0.08
3.52 4
-0.31 0.08
-4.11 7
-0.10 0.08
-1.26 15
0.23 0.07
3.09 18
-0.24 0.07
-3.21 21
0.46 0.08
5.70 22
0.23 0.08
0.23 Keterangan: tanda
= Signifikan t 1.96, = Tidak Signifikan
Dari hasil tabel 3.15 dapat dilihat ada 15 item yang signifikan. Dan 7 item lainnya tidak signifikan karena memiliki T-Values 1,96 maka item 1, 12, 2, 4, 7,
18, dan 22 digugurkan.
3.5 Teknik Analisis Data
Teknik analisis data yang digunakan untuk melihat pengaruh dari Independent variable sebanyak 10 variabel terhadap dependent variablenya sebanyak 1
variabel adalah teknik analisis berganda. Ada empat tahap yang dilakukan untuk melihat bagaimana pengaruh independent variabel terhadap dependent variabel.
Tahap pertama, peneliti menghitung konstan a, b1, b2, ..., b10 dari persamaan regresi Y’ = a + b
1
X
I
+ b
2
X
2
+ .... + b
10
X
10
. Sehingga dengan tahap seperti itu, variabel-
variabel untuk memprediksikan Y’ responden dapat digunakan. Tahap kedua, menghitung proporsi varian dari burnout yang dapat dijelaskan oleh
variabel-variabel independen yang akan diteliti oleh peneliti, yaitu R
2
. Tahap ketiga, menguji signifikansi dari hasil yang diperoleh. Jadi, dapat diketahui
apakah regresi dari burnout atas sepuluh variabel independen secara statistik signifikan. Selain itu, dapat diketahui apakah koefisien regresi b dari persamaan
regresi secara statistik berbeda dari nol. Semua perhitungan yang telah dijelaskan dilakukan dengan software SPSS 17. Berikut ini adalah penjelasan secara ringkas
dari empat langkah tersebut: Tahap pertama yaitu dengan membuat persamaan prediksi dari burnout,
yakni:
Y = a + b
1
X
1 +
b
2
X
2
+ b
3
X
3
+ b
4
X
4
+ b
5
X
5
+ b
6
X
6
+ b
7
X
7
+ b
8
X
8
+ b
9
X
9 +
b
10
X
10 +
e
Keterangan: Y
1
: Nilai prediksi Y burnout X
1 :
Physical demand X
2
: Effort X
3
: Mental demand X
4
: Temporal demand X
5
: Performance X
6
: Frustration level X
7
: Dukungan Emosional X
8
: Dukungan Instrumental
