Uji Model Structural Equation Model SEM

72 nilai di bawah 0.05 berarti data yang diperoleh adalah valid Ghozali, 2013.

3. Uji Model Structural Equation Model SEM

Pada kesempatan ini, peneliti menggunakan metode analisis structural equation model SEM. Structural equation model SEM adalah teknik analisis multivariate yang merupakan kombinasi antara analisis faktor dan analisis regresi korelasi, yang bertujuan untuk menguji hubungan-hubungan antar variabel yang ada pada sebuah model, baik itu antar indikator pada konstruknya maupun hubungan antar konstruk. Sebuah model dalam SEM dibuat berdasarkan teori tertentu, kemudian diuji apakah model tersebut diterima atau ditolak. SEM tidak digunakan untuk membangun sebuah model baru tanpa dasar teori yang sudah ada sebelumnya Santoso, 2011. Adapaun alat analisis yang digunakan peneliti adalah AMOS 18 Santoso, 2011.

a. Uji Measurement Model

Tujuan utama analisis SEM adalah menguji apakah model tersebut fit dengan data yang ada. Dasar pengujian adalah penghitungan kovarians untuk mengetahui hubungan variabel- variabel, sehingga analisis SEM sering juga disebut dengan covariance structure analysis Santoso, 2011. Ada pendapat yang menyatakan bahwa penghitungan korelasi dapat pula digunakan untuk menggantikan penghitungan kovarians. Namun penghitungan kovarians dipandang memiliki 73 keunggulan dibandingkan korelasi, khususnya bila jumlah sampel cukup banyak 200 dan distribusi data dapat dianggap normal Santoso, 2011. Tujuan pengujian ini adalah ingin mengetahui seberapa tepat variabel-variabel laten yang ada. Dasar pengujian adalah sebagai berikut:  Jika indikator teori sebuah indikator menjelaskan keberadaan konstruk variabel laten, maka akan ada hubungan keduanya. Karena variabel laten tidak mempunyai nilai tertentu, maka proses pengujian dilakukan di antara indikator-indikator yang membentuknya.  Dilakukan penghitungan kovarians dari data sampel untuk mengetahui hubungan indikator-indikator dengan konstruk. Dari penghitungan tersebut, karena melibatkan banyak variabel, akan muncul matrik kovarians sampel.  Penghitungan menggunakan presedur estimasi maximum likelihood mengahsilkan matriks kovarians estimasi. Selanjutnya dilakukan perbandingan matriks kovarians sampel dengan matriks kovarians estimasi. Uji perbandingan ini dinamakan dengan uji goodness of fit. 1 Chi-Square X 2 Tujuan dari pengujian chi-square adalah untuk menguji apakah matriks kovaians sampel berbeda secara signifikan 74 dengan matriks kovarians estimasi. Chi-square merupakan ukuran mengenai buruknya fit suatu model. Nilai chi-square sebesar 0 menunjukkan bahwa model memiliki fit yang sempurna. Walaupun dalam praktik, alat uji chi-square adalah yang utama, namun jumlah sampel serta jumlah indikator memperbaharui realibitas alat uji ini. Naiknya jumlah sampel atau naiknya jumlah variabel indikator cenderung akan menaikkan chi-square hitung. Sehingga pada kondisi tertentu justru akan membuat model menjadi tidak valid Santoso, 2011. Karena itu pengujian ini dengan hanya berdasar metode chi-square saja jarang terjadi dilakukan. Kesimpulan berdasar uji chi-square, khususnya pada jumlah sampel yang besar dan jumlah indikator yang banyak, akan di lengkapi dengan beberapa alat uji berikut. 2 RMSEA The Root Mean Square Error of Appoximation RMSEA merupakan indikator model fit yang paling informatif. RMSEA merupakan ukuran yang mencoba memperbaiki kecenderungan statistis chi-square menolak model dengan jumlah sampel yang besar. Nilai RMSEA antara 0,05 sampai 0,08 merupakan ukuran yang dapat diterima. Hasil uji empiris RMSEA cocok untuk menguji model kofirmation 75 atau competing model strategy dengan jumlah sampel besar Ghozali, 2001. 3 GFI Goodness of Fit Index Angka GFI yang besar mendekati 1 yang disertai dengan angka RMR yang sangat kecil mendekati 0 menunjukkan model sudah fit Santoso,2011. GFI merupakan suatu ukuran mengenai ketetapan model dalam menghasilkan observed matriks kovarians. Nilai GFI ini harus berkisar antara 0-1. Meskipun secara teori GFI mungkin memiliki nilai negative tetapi seharusnya tidak terjadi. Karena nilai negative menunjukkan bahwa model tersebut sangat buruk. Nilai GFI yang lebih besar dari 0,9 menunjukkan modeal yang baik. 4 AGFI Adjusted Goodness of Fit Index AGFI sama seperti GFI, nilai mendekati 1 dengan RMR mendekati nol berarti bahwa model dapat dikatakan fit. Nilai yang direkomendasikan adalah ≥ 0,09 Ghozali, 2001. 5 CMIN DF CMIN adalah the minimum sample discrepancy function yang dibagi dengan degree of freedom. CMIN DF tidak lain adalah statistic chi-squae x 2 relative . Bila nilai x 2 relative kurang dari 2,0 atau 3,0 adalah indikasi dari acceptable fit antara model dan data. Beberapa pengarang menganjurkan menggunakan rasio ukuran ini untuk mengukur fit. Menurut 76 Wheaton et al., 1977 dalam Ghozali 2001 nilai rasio 5 atau kurang dari 5 merupakan ukuran rasionable. Peneliti lainnya seperti Byrne 1988 dalam Ghozali 2001 mengusulkan nilai rasio ini 2 merupakan ukuran fit. 6 CFI Comparative Fit Index Merupakan salah satu alternatif untuk menentukan model fit. Nilai CFI berkisar antara 0 –1. Pada umunya nilai di atas 0.9 menunjukkan model sudah fit dengan data yang ada Santoso, 2011. 7 TLI Tucker Lewis Index Memiliki dasar yang sama dengan CFI. Hanya disini angka TLI dapat dibawah nol maupun di atas 1 Santoso, 2011.

b. Uji Struktural Model

Jika sebuah measurement model tidak dapat dikatakan fit, maka proses pengujian seharusnya tidak diteruskan ke pengujian structural model. Untuk itu beberapa tindakan perlu dilakukan, seperti meninjau kembali model, data sampel mungkin perlu di tambah, pertanyaan kuesioner atau bentuk pengukuran lain pada sebuah indikator perlu ditinjau ulang. Namun, jika sebuah measurement model telah lolos dalam pengujian, proses pengujian dapat dilakukan dengan menguji structural model yang ada, inilah yang disebut dengan proses 77 pengujian dua tahap two step SEM Process, yakni menguji fit serta validitas sebuah measurement model, baru kemudian menguji structural model, yang meliputi dua bagian utama:  Menguji keseluruhan model overall model fit dari structural model.  Menguji struktural parameter estimasi, yakni hubungan di antara konstruk atau variabel independen-independen yang ada dalam structural model.

E. Operasional Variabel Penelitian

Penelitian ini menggunakan variabel eksogen, variabel endogen, dan variabel mediating yang melibatkan enam variabel penelitian. Berikut ini pemaparan terkait dengan variabel penelitian dan definisi operasional variabel. 1. Variabel eksogen dalam penelitian ini adalah healthy Lifestyle dan role stress yang terdiri atas dua dimensi yaitu role ambiguity, dan role conflict . 2. Variabel endogen dalam penelitian ini adalah yang terdiri atas satu dimensi yaitu job satisfaction. 3. Variabel mediating dalam penelitian ini adalah job burnout, dan psychological well-being.

1. Role Ambiguity RO