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