Tabel 17. Variabel-variabel reflektif
yang mencerminkan
kompetensi karyawan
Konstruk Indikator
Keterangan
Knowledge Y
1
KNO1 Semakin menyadari bahwa keselamatan kerja merupakan tanggung jawab manajer
lini KNO2
Semakin mengetahui prosedur perilaku kerja yang aman KNO3
Semakin mengetahui potensirisiko bahaya yang mungkin terjadi KNO4
Semakin mengetahui cara menanggulangi risiko yang telah terjadi KNO5
Semakin memahami bahwa tindakan preventif adalah solusi yang terbaik
Skill Y
2
SKL1 Mampu menjadi role model dalam berperilaku kerja yang aman di unitnya
SKL2 Mampu memotivasi bawahan untuk selalu menerapkan standard keselamatan
kerja SKL3
Mampu mengkomunikasikan informasi terkait permasalahan keselamatan kerja dengan jelas
SKL4 Mampu memberi feedbacktanggapan ketika berdiskusi tentang masalah
keselamatan kerja SKL5
Memiliki hasrat mendengar yang lebih kuat terkait dengan permasalahan keselamatan kerja
Self Concept Y
3
SEL1 Menjadi lebih sistematis dalam mempraktekkan prosedur kerja
SEL2 Semakin percaya diri dalam mencapai nihil kecelakaan
SEL3 Semakin disiplin dalam menjalankan standard keselamatan kerja
SEL4 Selalu mengecek ulang pekerjaan yang telah dilakukan untuk menghindari potensi
kesalahan Trait
Y
4
TRA1 Dapat lebih mengontrol emosi
TRA2 Dapat lebih memberikan perhatian terhadap permasalahan keselamatan kerja
TRA3 Menjadi lebih tegas dalam memberikan sanksi
TRA4 Menjadi lebih transparan dalam memberikan laporanaudit kecelakaan kerja
Motive Y
5
MOT1 Semakin tertantang untuk memikul tanggung jawab yang lebih besar
MOT2 Semakin terdorong untuk meningkatkan kesadaran unit kerja akan pentingnya
keselamatan kerja MOT3
Semakin termotivasi untuk membangun hubungan yang positif antara peningkatan kinerja operasional dan keselamatan kerja di unit kerja saya
MOT4 Menjadi lebih berinisiatif untuk mengantisipasi kesalahan kerja yang mungkin
terjadi MOT5
Terdorong untuk selalu mengagendakan keselamatan kerja dalam rapat-rapat kerja
4.6.1 Uji Validitas dan Reliabilitas
Sebelum hasil pengolahan Path Modeling Partial Least Square dianalisis dilakukan pengujian validitas dan reliabilitas terlebih dahulu agar
model layak dan dapat dipercaya hasil intepretasinya. Pada model formatif tidak dilakukan uji validitas dan reliabilitas. Hal ini dikarenakan antar
indikator formatif tidak saling berkorelasi sehingga ukuran internal konsistensi composite reliability tidak diperlukan untuk menguji
reliabilitas konstruk formatif Ghozali 2008. Pada model reflektif, dilakukan tiga pengujian untuk menentukan
validitas dan reliabilitas, yaitu convergent validity, discriminant validity, dan composite reliability. Convergent validity dari model pengukuran
dengan model reflektif indikator dinilai berdasarkan korelasi antara item score dengan construct score. Grafis model pengukuran awal dapat dilihat
pada Gambar 8.
Gambar 8. Output grafis SmartPLS sebelum estimasi ulang Pada penelitian ini variabel indikator reflektif dikatakan memenuhi
syarat convergent validity apabila nilai loadingnya di atas 0,5. Pada Gambar 13 diketahui bahwa nilai loading TRA3 sebesar 0,432 atau kurang dari 0,5.
Hal ini menunjukkan indikator TRA3 tidak valid. Hasil outer loading sebelum estimasi ulang dapat dilihat pada Lampiran 9.
Berdasarkan penjelasan di atas, maka indikator TRA3 dikeluarkan dari model karena tidak valid. Selanjutnya model diestimasi ulang dengan
mengeluarkan droping TRA3, hasil output grafik SmartPLS dapat dilihat pada Gambar 9.
Gambar 9. Output grafis SmartPLS setelah estimasi ulang
Pada gambar di atas, indikator TRA3 telah dikeluarkan dari model pengukuran. Setelah dilakukan estimasi ulang, nilai loading masing-masing
indikator reflektif di atas 0,50. Hal tersebut menunjukkan bahwa syarat convergent validity telah terpenuhi. Setelah outer model diestimasi ulang
dengan mengeliminasi TRA3 maka nilai loading semua indikator reflektif di atas 0,5. Hal ini menunjukkan bahwa syarat convergent validity telah
terpenuhi. Hasil outer loading setelah estimasi ulang dapat dilihat pada Lampiran 10.
Langkah selanjutnya setelah syarat convergent validity terpenuhi adalah menguji discriminant validity. Discriminant validity dari model
pengukuran indikator reflektif dinilai berdasarkan cross loading pengukuran dengan konstruk. Jika korelasi konstruk dengan item pengukuran lebih besar
daripada ukuran konstruk lainnya, maka akan menunjukkan bahwa konstruk laten memprediksi ukuran pada blok yang lebih baik daripada ukuran blok
lainnya. Tabel cross loading untuk menguji discriminant validity dapat dilihat pada Lampiran 11.
Tabel crossloading menunjukkan bahwa korelasi konstruk knowledge dengan indikator KNO1, KNO2, KNO3, KNO4, KNO5 lebih tinggi
dibandingkan korelasi antara indikator-indikator tersebut dengan konstruk lainnya. Korelasi konstruk motive dengan indikator MOT1, MOT2, MOT3,
MOT4, MOT5 lebih tinggi dibandingkan korelasi antara indikator-indikator tersebut dengan konstruk lainnya.
Korelasi konstruk self concept dengan indikator SEL2, SEL3, SEL4 lebih tinggi dibandingkan korelasi antara indikator-indikator tersebut
dengan konstruk lainnya, hanya indikator SEL1 yang tidak menunjukkan korelasi tertinggi dengan konstruk self concePT Korelasi konstruk skill
dengan indikator SKL1, SKL2, SKL3, SKL4 lebih tinggi dibandingkan korelasi antara indikator-indikator tersebut dengan konstruk lainnya, hanya
indikator SKL5 yang tidak menunjukkan korelasi tertinggi dengan konstruk skill. Korelasi konstruk trait dengan indikator TRA1, TRA2, TRA4 lebih
tinggi dibandingkan korelasi antara indikator-indikator tersebut dengan konstruk lainnya. Syarat discriminant validity telah terpenuhi.
Setelah pengujian validitas indikator diketahui, selanjutnya dilakukan uji validitas konstruk. Model dikatakan baik apabila nilai AVE Average
Variance Extracted masing-masing konstruk reflektif nilainya lebih besar dari 0,5. Nilai AVE dari masing-masing konstruk dapat dilihat pada Tabel
18.
Tabel 18. Nilai AVE dan composite reliability
Konstruk Nilai AVE
Composite reliability Knowledge
0,606 0,885
Skill 0,497
0,830 Self Concept
0,518 0,810
Trait 0,649
0,847 Motive
0,546 0,857
Berdasarkan tabel di atas diketahui nilai AVE masing-masing konstruk lebih besar dari 0,5. Hanya konstruk skill yang memiliki nilai AVE
kurang dari 0,5. Di samping uji validitas, dilakukan juga uji reliabilitas konstruk menggunakan composite reliability. Composite reliability
digunakan untuk mengukur internal consistency. Konstruk dinyatakan memiliki reliabilitas yang baik atau reliabel jika nilai composite reliability
di atas 0,70 dengan tingkat kesalahan sebesar 5. Berdasarkan di atas diketahui composite reliability knowledge sebesar
0,885; composite reliability skill sebesar 0,830; composite reliability self concept sebesar 0,810; composite reliability trait sebesar 0,847; composite
reliability motive sebesar 0,857. Hasil output composite reliability masing- masing konstruk reflektif di atas 0,70. Artinya, masing-masing konstruk
reflektif memiliki reliabilitas yang baik. Setelah model memenuhi asumsi convergent validity, discriminant validity, validitas konstruk, dan reliabilitas
konstruk, maka model dapat dianalisis dan diintepretasikan.
4.6.2 Indikator-indikator yang
