Tabel 4.12 Regression Weight dan Standardize Regression Weight
Structural Model
Estimate S.E. C.R. P-value Standardize
Reg. Weight λ
Y1 --- X1 ,308
,082 3,767 ,393
X --- X1 ,320
,147 2,186 ,029
,265 X1 ---
X ,239 ,087 2,758
,006 ,368
X2 --- X ,211
,108 1,965 ,049
,232 X3 ---
X ,424 ,123 3,437
,406 X4 ---
X ,073 ,047 1,545
,122 ,305
X5 --- X ,227
,091 2,478 ,013
,304 X1.2 ---
X1 ,781 ,129 6,054
,680 X1.1 ---
X1 1,000 ,817
Y4.2 --- Y4 ,742
,081 9,171 ,682
Y4.1 --- Y4 1,000
,996 X2.2.5 ---
X4 2,808 1,283 2,189 ,029
,760 X2.2.4 ---
X4 1,000 ,302
X2.2.1 --- X2 1,000
,997 X2.2.7 ---
X5 1,000 ,996
X3.3.2 --- X3 1,189
,284 4,180 ,721
X3.3.1 --- X3 1,000
,617 X4.4.1 ---
X4 1,000 ,998
.2 --- X4 ,560
,108 5,174 ,498
X5.5.2 --- X4 1,000
,998 X2.2.6 ---
X5 2,387 1,030 2,316 ,021
,660 X4.4.3 ---
X3 ,078 ,080
,983 ,326
,113 X5.5.1 ---
X3 ,111 ,081 1,376
,169 ,157
X3.3.3 --- X3 1,105
,258 4,285 ,686
Y1.1 --- Y1 1,000
,835 Y1.2 ---
Y1 ,823 ,102 8,029
,783 Y1.3 ---
Y1 1,061 ,130 8,172
,789 X2.2.3 ---
X3 ,717 ,094 7,661
,613 X2.2.2 ---
X3 1,000 ,998
X3 --- X1 ,864
,133 6,478 ,781
Sumber : Lampiran 6, diolah
Untuk melihat hubungan antar variabel apakah positif atau negatif dapat dilihat pada kolom estimate. Apabila tidak terdapat tanda “-“maka hubungan antar
variabel tersebut adalah positif. Sedangkan untuk menguji signifikansinya dapat dilihat pada kolom C.R dengan ketentuan apabila signifikan, hasil dari nilai C.R
nya 2.037 dilihat dari tabel-t pada level 0,025 dengan df=32.
Berdasarkan Tabel 4.11 di atas dapat diketahui bahwa kebijakan perusahaan X memiliki pengaruh positif dan signifikan terhadap Kepemimpinan X1,
kebijakan perusahaan X memiliki pengaruh positif dan yidak signifikan terhadap Budaya Organisasi X2, Kinerja Karyawan X memiliki pengaruh positif dan
signifikan terhadap Pengembangan Karier X3, kebijakan perusahaan X memiliki pengaruh positif dan tidak signifikan terhadap Motivasi X4, kebijakan
perusahaan X memiliki pengaruh positif dan signifikan terhadap Strategi X5, Kinerja Karyawan X memiliki pengaruh positif dan signifikan terhadap
keragaman Kepemimpinan.
4.5 Menilai Problem Identifikasi
Dalam operasi program AMOS 16.0 problem identifikasi akan diatasi langsung oleh program. Bila estimasi tidak dapat dilakukan, program akan
memberikan pesan pada monitor komputer mengenai kemungkinan sebab-sebab mengapa program tidak dapat melakukan estimasi. Selama dilakukan pengolahan
data dengan program AMOS 16.0 tidak menemukan pesan pada monitor komputer yang menunjukkan adanya problem identifikasi. Dengan demikian tidak
ada problem identifikasi.
4.5.1 Evaluasi Model
a. Ukuran Sampel
Analisis SEM menghendaki sampel minimum sebesar 100. Responden yang menjadi sampel dalam penelitian ini berjumlah 100, yang berarti asumsi untuk
ukuran sampel telah terpenuhi.
b. Asumsi Normalitas dan Linieritas
Pengujian normalitas data dilakukan dengan mengamati nilai kritis c.r multivariate
hasil pengujian assessment of normality dari program AMOS
16.0 Jika c.r multivariate berada dalam selang –2,58 hingga 2,58, maka dapat dikategorikan Pengembangan Karier data normal. Hasil analisis menunjukkan
c.r multivariate sebesar -0,343 yang berada di dalam selang –2,58 hingga 2,58, hal ini menunjukkan data berPengembangan Karier normal sehingga asumsi
normalitas terpenuhi di lihat pada lampiran 5. Sedangkan untuk asumsi linieritas, apabila datanya banyak 100 maka asumsi linieritas terpenuhi.
c. Evaluasi atas
Outliers
1. Univariate Outliers
Evaluasi atas univariate outliers dievaluasi menggunakan program SPSS 15.0 yaitu dengan mengamati nilai z-score. Jika dari hasil pengamatan
terdapat indikator yang memiliki nilai z-score di luar range atau selang –3 z-score 3, maka mengindikasikan indikator tersebut mengandung
univariate outliers sehingga tidak diikutsertakan dalam analisis
selanjutnya. Pada lampiran 4, hasil deskriptif nilai z-score, diketahui terdapat univariate outliers pada indikator x4.4.2 dan y2.1. Setelah
diperiksa, terdapat 1 sampel yang merupakan univariate outliers yaitu responden nomor 10. Untuk memperbaiki model, satu responden tersebut
harus dihilangkan. 2.
Multivariates Outliers Evaluasi atas multivariate outliers dapat dilihat dari angka-angka jarak
mahalonobis mahalonobis distance yang dihasilkan program AMOS 16.0 Bila mahalonobis d-squared ada yang lebih besar dari nilai chi-
square pada df = jumlah indikator dan tingkat signifikansi 0,001, maka
data tersebut menunjukkan adanya multivariate outliers. Dari hasil