Deskripsi Hasil Analisis Dan Uji Hipotesis

58 Berdasarkan hasil penyebaran kuesioner diketahui bahwa jawaban yang diberikan reseponden dapat dikatakan setuju dengan pertanyaan yang diajukan. Hal tersebut ditunjukkan dengan banyaknya responden yang memberikan jawaban bahwa menurut responden para karyawan harus mempunyai kemampuan teoritis untuk meningkatkan kualitas sumber daya manusia, menurut responden para karyawan mempunyai kemampuan teknis dalam meningkatkan kualitas sumber daya manusia, menurut responden para karyawan mempunyai kemampuan teknis dalam meningkatkan kualitas sumber daya manusia, menurut responden para karyawan mempunyai kemampuan teknis dalam meningkatkan kualitas sumber daya manusia dan menurut responden para karyawan mempunyai kemampuan teknis dalam meningkatkan kualitas sumber daya manusia.

4.3. Deskripsi Hasil Analisis Dan Uji Hipotesis

4.3.1. Uji Normalitas Sebaran dan Linieritas

Uji normalitas sebaran dilakukan dengan Kurtosis Value dari data yang digunakan yang biasanya disajikan dalam statistik deskriptif. Nilai statistik untuk menguji normalitas itu disebut Z-value. Bila nilai-Z lebih besar dari nilai kritis maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikansi 0,01 [1] yaitu sebesar ± 2,58. Hasil pengujian Normalitas pada penelitian ini akan ditampilkan pada tabel berikut : 59 Tabel 4.5. Hasil Pengujian Normalitas Variable min max skew c.r. kurtosis c.r. y5 4,000 7,000 -,012 -,048 -,270 -,551 y4 4,000 7,000 -,282 -1,151 -,538 -1,099 y3 4,000 7,000 ,276 1,128 -,047 -,097 y2 4,000 7,000 -,137 -,561 -,411 -,838 y1 4,000 7,000 ,264 1,077 ,094 ,192 x1 4,000 7,000 -,434 -1,772 -,196 -,401 x2 4,000 7,000 ,576 2,350 ,116 ,236 x3 4,000 7,000 ,416 1,699 -,218 -,445 x4 4,000 7,000 ,428 1,749 -,073 -,149 x5 4,000 7,000 ,203 ,829 -,302 -,616 Multivariate -9,599 -3,098 Sumber : lampiran 3 Hasil uji menunjukkan bahwa nilai c.r. mutivariate berada di atas ± 2,58 itu berarti asumsi normalitas tidak terpenuhi. Fenomena ini tidak menjadi masalah serius seperti dikatakan oleh Bentler Chou 1987 bahwa jika teknik estimasi dalam model SEM menggunakan maximum likelihood estimation MLE walaupun ditribusi datanya tidak normal masih dapat menghasilkan good estimate, sehingga data layak untuk digunakan dalam estimasi selanjutnya.

4.3.2. Evaluasi atas Outlier

Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi Hair,1998. 60 Multivariate outlier diuji dengan kriteria jarak Mahalanobis pada tingkat p 0,001. Jarak diuji dengan Chi-Square [ χ2] pada df sebesar jumlah variabel bebasnya df = 10. Ketentuan : bila Mahalanobis dari nilai χ2 adalah multivariate outlier. Pada penelitian ini terdapat outlier apabila nilai Mahalanobis distancenya 29,588. Untuk lebih memperjelas uraian mengenai evaluasi outlier multivariate berikut ini akan disajikan tabel Uji Outlier Multivariate : Tabel 4.6. Hasil Pengujian Outlier Multivariate Re sidu als Sta tistics a 16,70 86,91 50,50 12,549 100 -2, 694 2,901 ,000 1,000 100 4,910 12,172 9,069 1,221 100 13,75 91,56 50,68 13,132 100 -60,867 50,813 ,000 26,157 100 -2, 206 1,842 ,000 ,948 100 -2, 319 1,953 -,003 1,004 100 -67,231 57,101 -,181 29,341 100 -2, 379 1,985 -,004 1,009 100 2,146 18,282 9,900 2,819 100 ,000 ,065 ,011 ,012 100 ,022 ,185 ,100 ,028 100 Predic ted V alue St d. P redic ted Value St andard E rror of Predic ted V alue Adjust ed P redicted Value Residual St d. Residual St ud. Residual Deleted Residual St ud. Deleted Residual Mahal. Dis tanc e Cooks Dis tanc e Centered Leverage Value Minimum Maximum Mean St d. Deviat ion N Dependent Variable: no a. Sumber : lampiran 4 Berdasarkan tabel di atas, setelah dilakukan pengujian diketahui nilai MD maksimum adalah 18,282 lebih kecil dari 29,588. Oleh karena itu diputuskan dalam penelitian tidak terdapat outlier multivariate antar variabel. 61

4.3.3. Deteksi Multicollinierity dan Singularity

Dengan mengamati Determinant matriks covarians. Dengan ketentuan apabila determinant sample matrix mendekati angka 0 kecil, maka terjadi multikolinieritas dan singularitas Tabachnick Fidell, 1998. Berdasarkan hasil pengujian dengan menggunakan program AMOS 4.0 diperoleh hasil Determinant of Sample Covariance Matrix adalah 0 yaitu sebesar 19,536 mengindikasikan tidak terjadi multikolinieritas dan singularitas dalam data ini sehingga asumsi terpenuhi.

4.3.4. Uji Validitas dan Reliabilitas

Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya diukur. Sedangkan reliabilitas adalah ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah konstruk yang umum. Karena indikator multidimensi, maka uji validitas dari setiap latent variabel construct akan diuji dengan melihat faktor loading faktor dari hubungan antara setiap observed variabel dan latent variabel. Sedangkan reliabilitas diuji dengan construct reliability dan variance extracted. Dari hasil pengolahan data didapatkan hasil sebagai berikut : 62 Tabel 4.7. Faktor Loading dan Konstruk dengan Confirmatory Factor Analysis Konstrak Indikator Faktor Loading 1 2 3 4 TQM X1 0,456 X2 0,697 X3 0,699 X4 0,713 X5 0,601 Kualitas SDM Y1 0,502 Y2 0,650 Y3 0,691 Y4 0,688 Y5 0,723 Sumber : Hasil Pengolahan Data Lampiran 5 Berdasarkan hasil confirmatory factor analysis terlihat bahwa factor loadings masing masing butir pertanyaan yang membentuk setiap construct sebagian besar 0.5, sehingga butir-butir instrumentasi setiap konstruk tersebut dapat dikatakan validitasnya cukup baik dan dapat diterima. Koefisien Cronbach’s Alpha dihitung untuk mengestimasi reliabilitas setiap skala variabel atau indikator observarian. Sementara itu item to total correlation digunakan untuk memperbaiki ukuran-ukuran dan mengeliminasi butir-butir yang kehadirannya akan memperkecil koefisien Cronbach’s Alpha yang dihasilkan. Hasil pengujian reliabilitas Consistency Internal dalam penelitian ini dapat dilihat pada tabel berikut ini : 63 Tabel 4.8. Pengujian Reliability Consistency Internal Konstrak Indikator Item to Total Correlation Koefisien Cronbachs Alpha TQM X1 0,456 0,832 X2 0,697 X3 0,699 X4 0,713 X5 0,601 Kualitas SDM Y1 0,502 0,843 Y2 0,650 Y3 0,691 Y4 0,688 Y5 0,723 : tereliminasi Sumber : Lampiran 6 Hasil pengujian reliabilitas konsistensi internal untuk setiap construct di atas menunjukkan hasil yang baik dimana koefisien koefisien Cronbach’s Alpha yang diperoleh sebagian besar memenuhi rules of thumb yang disyaratkan yaitu 0.7 [Hair et.al.,1998]. Selain melakukan pengujian konsistensi internal Cronbach’s Alpha, perlu juga dilakukan pengujian construct reliability dan variance extracted. Kedua pengujian tersebut masih dalam koridor uji konsistensi internal yang akan memberikan peneliti kepercayaan diri yang lebih besar bahwa indikator-indikator individual mengukur suatu pengukuran yang sama. Construct reliability dan Variance-extracted dihitung dengan rumus sebagai berikut: [ Σ Strespondenrdize Loading] 2 Construct Reliability = [ Σ Strespondenrdize Loading] 2 + Σε j ] Σ [Strespondenrdize Loading 2 ] Variance Extracted = Σ [Strespondenrdize Loading 2 ] + Σ ε j 64 Sementara ε j dapat dihitung dengan formula ε j = 1 – [ Strespondenrdize loading ] secara umum, nilai construct reliability yang dapat diterima adalah ≥ 0,5 Hair at, 1998. Strespondenrdize loading dapat diperoleh dari output AMOS 4.01, dengan melihat estimasi setiap construct strespondenrdize regression weight terhadap setiap butir sebagai indikatornya. ε j = 1 - [Strespondenrdize Loading] Tabel 4.9. 2 Hasil pengujan Construct Reliability dan Variance Extraced dalam penelitian ini akan ditampilkan pada tabel berikut: Construct Reliability Variance Extrated Konstrak Indikator Strespondenrdize Factor Loading SFL Kuadrat Error [εj] Construct Reliability Variance Extrated TQM X1 0,492 0,242 0,758 1,380 0,708 X2 0,812 0,659 0,341 X3 0,760 0,578 0,422 X4 0,817 0,667 0,333 X5 0,657 0,432 0,568 Kualitas SDM Y1 0,569 0,324 0,676 1,395 0,722 Y2 0,708 0,501 0,499 Y3 0,746 0,557 0,443 Y4 0,764 0,584 0,416 Y5 0,823 0,677 0,323 Batas Dapat Diterima ≥ 0,7 ≥ 0,5 Sumber : Hasil Pengolahan Data lampiran 7 Hasil pengujian reliabilitas instrumen dengan construct reliability dan variance extracted menunjukkan instrumen reliabel, yang ditunjukkan dengan nilai construct reliability seluruhnya ≥ 0,7, dan variance extracted yang diperoleh sebagian besar menunjukkan nilai diatas 0,50. Yang artinya seluruh instrumen yang digunakan pada penelitian ini telah reliabel. 65

4.3.5. Pengujian Model Dengan One-Step Approach

Dalam model SEM, model pengukuran dan model struktural parameter-parameternya diestimasi secara bersama-sama. Cara ini agak mengalami kesulitan dalam memenuhi tuntutan fit model. Kemungkinan terbesar disebabkan oleh terjadinya interaksi antara measurement model dan structural model yang diestimasi secara bersama-sama One Step Approach to SEM. One step aprroach to SEM digunakan apabila model diyakini bahwa dilrespondensi teori yang kuat serta validitas reliabilitas data sangat baik Hair et.al.,1998. Hasil estimasi dan fit model one step approach to SEM dengan menggunakan program aplikasi Amos 4.01 terlihat pada Gambar dibawah ini : ,25 x x5 ,33 er_5 1,00 1 x4 ,16 er_4 1,13 1 x3 ,22 er_3 1,10 1 x2 ,15 er_2 1,07 1 x1 ,34 er_1 ,66 1 y y1 ,30 er_6 y2 ,20 er_7 y3 ,22 er_8 y4 ,18 er_9 y5 ,15 er_10 1,00 1 1,19 1 1,40 1 1,35 1 1,50 1 ,52 ,07 d_y 1 Gambar 4.2. Model Pengukuran Kausalitas One Step Approach 66 Tabel 4.10. Evaluasi Kriteria Goodness of Fit Indices Kriteria Hasil Nilai Kritis Evaluasi Model CminDF 0,904 ≤ 2,00 Baik Probability 0,628 ≥ 0,05 Baik RMSEA 0,000 ≤ 0,08 Baik GFI 0,939 ≥ 0,90 Baik AGFI 0,902 ≥ 0,90 Baik TLI 1,011 ≥ 0,95 Baik CFI 1,000 ≥ 0,94 Baik Sumber : Hasil Pengolahan data Dari hasil evaluasi terhadap model one step base model ternyata dari semua kriteria goodness of fit yang digunakan, seluruhnya menunjukkan hasil evaluasi model yang baik, berarti model telah sesuai dengan data. Artinya, model konseptual yang dikembangkan dan dilrespondensi oleh teori telah sepenuhnya didukung oleh fakta. Dengan demikian model ini adalah model yang terbaik untuk menjelaskan keterkaitan antar variabel dalam model sebagaimana terdapat di bawah ini Dilihat dari angka determinant of sample covariance matrix : 19,536 0 mengindikasikan tidak terjadi multicolinierity atau singularity dalam data ini sehingga asumsi terpenuhi. Dengan demikian besaran koefisien regresi masing-masing faktor dapat dipercaya sebagaimana terlihat pada uji kausalitas dibawah ini.

4.3.6. Pengujian Hipotesis dan Hubungan Kausal

Pengaruh langsung [koefisien jalur] diamati dari bobot regresi terstrespondenr, dengan pengujian signifikansi pembanding nilai CR Critical Ratio atau p probability yang sama dengan nilai t hitung . 67 Tabel 4.11. Hasil Pengujian Kausalitas Regression Weights Ustd Estimate Std Estimate Prob. Faktor ⇐ Faktor Kualitas SDM ⇐ TQM 0,524 0,699 0,000 Batas Signifikansi ≤ 0,10 Sumber : lampiran 8 Dilihat dari tingkat probabilitas arah hubungan kausal, hipotesis yang menyatakan bahwa : 1. TQM berpengaruh positif dan signifikan terhadap Kualitas SDM. Hal tersebut dibuktikan dengan besarnya nilai probabilitas kausal yaitu 0,000 ≤ 0,10.

4.4. Pembahasan