Teknik Analisis dan Pengujian Hipotesis 1. Teknik Analisis

50 4. Dokumentasi Yaitu pengumpulan data dengan jalan mengutip dokumen perusahaan dengan masalah yang dibahas. 3.4. Teknik Analisis dan Pengujian Hipotesis 3.4.1. Teknik Analisis Pengujian hipotesis yang digunakan dalam penelitian ini adalah analisis multivariate dengan Structural Equation Modeling SEM. Penaksiran pengaruh pada masing – masing variabel bebas terhadap variabel terikatnya menggunakan koefisien jalur. Langkah-langkah dalam analisis SEM model pengukuran dengan contoh sebagai berikut : Persamaan Variabel Kompensasi X1 : X.1 = λ1 Kompensasi + er_1 X.2 = λ2 Kompensasi + er_2 X.3 = λ3 Kompensasi + er_3 Bila persamaaan di atas dinyatakan dalam sebuah pengukuran model untuk diuji unidimensionalitasnya melalui confirmatory factor analysis, maka model pengukuran dengan contoh Kompensasi akan nampak sebagai berikut : 51 Gambar 3.1 : Contoh Model Pengukuran Kompensasi Keterangan : X.1 = pertanyaan tentang pendapat responden mengenai Kesesuaian gaji atau upah. X.2 = pertanyaan tentang pendapat responden mengenai Kesesuaian bonus X.3 = pertanyaan tentang pendapat responden mengenai Kesesuaian Tunjangan. Persamaan Variabel Kepuasan kerja Y1 : Y1.1 = λ1 Kepuasan kerja + er_1 Y1.2 = λ2 Kepuasan kerja + er_2 Y1.3 = λ3 Kepuasan kerja + er_3 Y1.4 = λ3 Kepuasan kerja + er_4 Bila persamaaan di atas dinyatakan dalam sebuah pengukuran model untuk diuji unidimensionalitasnya melalui confirmatory factor analysis, maka model pengukuran dengan contoh Kepuasan kerja akan nampak sebagai berikut : Kompensasi X 1 er_1 X2 er_2 X3 er_3 52 Gambar 3.2 : Contoh Model Pengukuran Kepuasan kerja Keterangan : Y1.1 = pertanyaan tentang pendapat responden mengenai Jenis pekerjaan. Y1.2 = pertanyaan tentang pendapat responden mengenai Rekan kerja. Y1.3 = pertanyaan tentang pendapat responden mengenai Kondisi kerja. Y1.4 = pertanyaan tentang pendapat responden mengenai Kesempatan pengembangan karir. Persamaan Variabel Kinerja Y2 : Y2.1 = λ1 Kinerja + er_1 Y2.2 = λ2 Kinerja + er_2 Y2.3 = λ3 Kinerja + er_3 Kepuasaan Kerja Y .1 er_1 Y. 2 er_2 Y. 3 er_3 Y. 4 er_4 53 Bila persamaaan di atas dinyatakan dalam sebuah pengukuran model untuk diuji unidimensionalitasnya melalui confirmatory factor analysis, maka model pengukuran dengan contoh Kinerja akan nampak sebagai berikut : Gambar 3.3 : Contoh Model Pengukuran Kinerja Keterangan : Y2.1 = pertanyaan tentang pendapat responden mengenai Kuantitas. Y2.2 = pertanyaan tentang pendapat responden mengenai Kualitas. Y2.3 = pertanyaan tentang pendapat responden mengenai Ketepatan waktu. Kinerja Y2. 1 er_1 Y2. 2 er_2 Y2. 3 er_3 54

3.4.2. Uji Reliabilitas

Pendekatan yang dianjurkan dalam menilai sebuah model pengukuran measurement model adalah menilai besaran Composite Reliability serta Variance Extracted dari masing – masing konstruk. Realibilitas adalah ukuran konsistensi internal dari indikator- indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing-masing indikator mampu mengidentifikasi sebuah konstruk atau faktor variabel laten. Konsep reliabilitas dapat dipahami melalui dasar, ide, konsep tersebut, yaitu konsistensi konsep reliabilitas dapat dilakukan dengan menggunakan konsistensi internal metode cronbach’s coefficient alpha. Tingkat reliabilitas yang dapat diterima adalah 0,7 walaupun angka itu bukanlah sebuah ukuran yang ”mati” artinya bila penelitian bersifat exploratori maka nilai dibawah 0,7 masih dapat diterima, sepanjang disertai alasan-alasan yang empirik yang terlihat dalam proses exploratori. Ferdinand, 2002:63. Ukuran realiabilitas yang kedua adalah Variance Extracted , yang menunjukan jumlah variance yang dari indikator – indikator yang diekstraksi oleh konstruk laten yang dikembangkan. Nilai Variance Extracted yang tinggi menunjukan bahwa indikator – indikator itu telah mewakili secara baik konstruk laten yang telah dikembangkan . Nilai variance extracted ini direkomendasikan pada tingkat paling sedikit 0,50. Composite Reliability serta Variance Extracted diperoleh melalui rumus sebagai berikut : 55 ∑ Std. Loading ². ƒ Construct – Reliability = ∑ Std. Loading ² + ∑ ε j ∑ Std. Loading ² ƒ Variance – Extracted = ∑ Std. Loading ² + ∑ ε Dimana : ™ Std. Loading diperoleh langsung dari standarized lodiang untuk tiap – tiap indikator diambil dari perhitungan komputer, misal AMOS . ™ Єφ adalah measurement error dari tiap – tiap indikator.

3.4.3. Uji Validitas

Validitas instrumen kuesioner adalah suatu derajat ketepatan alat ukur penelitian tentang isi yang sebenarnya diukur. Uji validitas item untuk menguji apakah tiap butir pertanyaan benar-benar sahih atau valid. Sebagai alat ukur yang digunakan, analisis ini melakukan dengan cara mengkorelasi masing-masing skor item dengan skor totalnya. Dalam hal ini koefisien korelasi yang dinilai tingkat signifikan 0,05. Validitas data penelitian ditentukan oleh proses pengukuran yang akurat, oleh karena itu jika sinonim reliabilitas adalah konsistensi maka esensi dari validitas adalah akurasi. 56

3.4.4. Outliers

Outliers merupakan observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi- observasi yang muncul dalam bentuk nilai ekstrim, baik untuk variabel tunggal atau variabel kombinasi Hair, et.al:1995. Adapun outliers dapat di evaluasi dengan dua cara, yaitu outliers univariate dan outliers multivariate. Sedangkan menurut Ferdinand 2002: 52 outliesr adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariate yaitu yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi- observasi lainnya.

3.4.4.1. Outliers Univariate

Deteksi terhadap outliers univariate masing-masing variable dapat dilakukan dengan menentukan nilai ambang batas yang akan dikategorikan sebagai outliers dengan cara meng konversi nilai data penelitian ke dalam standar devisi sebesar satu, maka perbandingan antara besaran nilai dengan mudah dapat dilakukan. Untuk sample besar diatas 80 observasi, pedoman evaluasi adalah bahwa nilai ambang batas dari Zskore itu berada pada rentang 3 sampai 4 Hair dkk;1995. Oleh karena itu kasus-kasus atau observasi yang mempunyai 3,0akan dikategorikan sebagai outliers. 57

3.4.4.2. Outliers Multivariate

Evaluasi terhadap outliers multivariate antar variable perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariat, tetapi observasi itu dapat menjadi ouliers bila sudah dikombinasi. Jarak mahalanobis the mahalanobis distance untuk tiap-tiap observasi dapat dihitung dan akan menunjukkan jalan sebuah observasi dari rata-rata semua variabel dalam suatu ruang multidimensional Hair dkk:1995 ; Norusis, 1994; Abacnick dan Fidell, 1996. Uji terhadap outliers multivariate dilakukan dengan menggunakan criteria jarak mahalanobis pada tingkat p 0,001. Jarak mahalanobis itu dievaluasi dengan menggunakan X 2 pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian itu.

3.4.5. Uji Normalitas Univariate dan Multivariate

Sebaran data harus dianalisis untuk mengetahui apakah asumsi normalitas terpenuhi, sehingga data dapat diolah lebih lanjut pada path diagram. Uji normalitas perlu dilakukan baik untuk univariat dan multivariate. Untuk menguji normalitas distribusi data yang digunakan dalam analisis dengan menggunakan uji-uji statistic. Bila nilai Z lebih besar darr nilai kritis, maka dapat diduga bahwa distribusi data aladah tidak normal dengan asumsi normalitas pada tingkat signifikan 0,05. 58

3.4.6. Analisis Path Dengan Menggunakan Permodelan SEM

Sebuah permodelan SEM yang lengkap pada dasarnya terdiri dari Measurement Model dan Structural Model. Measurement model atau model pengukuran ditujukan untuk mengkonfirmasikan sebuah dimensi atau faktor berdasarkan indikator-indikator empirisnya. Structural model atau model mengenai struktur hubungan yang membentuk atau menjelaskan kausalitas antara faktor Ferdinand, 2002: 34. Untuk membuat permodelan yang lengkap beberapa langkah berikut ini yang perlu dilakukan : a. Pengembangan model berbaasis teori Langkah pertama dalam pengembangan model SEM adalah pencarian atau pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat. Setelah itu, model tersebut divalidasi secara empirik melalui program SEM. b. Pengembangan diagram alur untuk menunjukkan hubungan kausalitas. Pada langkah kedua, model teoritis yang telah dibangun pada langkah pertama akan digambarkan dalam sebuah path diagram. Path diagram tersebut akan memudahkan peneliti melihat hubungan-hubungan kausalitas yang ingin diujinya. c. Konversi diagram alur kedalam persamaan 59 Setelah teori atau model dikembangkan dan digambarkan dalam sebuah diagram alur, spesifikasi model dikonversikan kedalam rangkaian persamaan. d. Memilih matriks input dan estimasi model Perbedaan SEM dengan teknik multivariat lainnya adalah input data yang akan digunakan dalam permodelan dan estimasinya. SEM hanya menggunakan matriks VariansKovarians atau matriks korelasi sebagai data input untuk keseluruhan estimasi yang dilakukannya. e. Menilai problem identifikasi Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik. Problem identifikasi ini dapat muncul melalui gejala-gejala berikut ini: 1. Standard error untuk satu atau beberapa koefisien sangat besar. 2. Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan. 3. Muncul angka-angka yang aneh seperti adanya varians error yang negatif. 4. Muncul korelasi yang sangat tinggi antar korelasi estimasi yang didapat misalnya lebih dari 0,9. f. Evaluasi model 60 Pada langkah ini kesesuaian model dievaluasi, melalui berbagai kriteria goodness-of-fit. Kriteria-kriteria tersebut adalah : 1. Ukuran sampel yang digunakan adalah minimal berjumlah 100 dan perbandingan 5 observasi untuk setiap parameter. 2. Normalitas dan Linieritas. 3. Outliers. 4. Multicolinearity dan Singularity.

3.4.7. Uji Kausalitas

Kausalitas merupakan permodelan yang tersusun secara structural yang menggambarkan adanya hubungan yang dihipotesiskan antar konstruk yang menjelaskan kausalitas termasuk didalamnya kausalitas berjenjang. Hubungan kausalitas yang dihipotesiskan berdasarkan teori yang telah teruji dan sistematis. Deteksi kausalitas dapat diamati dari batas tingkat probabilitas yang lebih kecil 0,05 . Dalam sebuah model kausalitas, kebenaran adanyasuatu hubungan sebab akibat antara dua atau lebih variabel bukannya karena menggunakan SEM, tetapi harus didasari oleh teori-teori yang mapan. Jadi SEM bukan digunakan untuk menghasilkan kausalitas tetapi digunakan untuk mengkonfirmasikan kausalitas.

3.4.8. Evaluasi Model

Hair et.al, 1998 menjelaskan bahwa pola “confirmatory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas 61 hipotesis-hipotesis dengan pengujian fit antara model teoritis dan data empiris. Jika model teoritis menggambarkan “good fit” dengan data, maka model dianggap sebagai yang diperkuat. Sebaliknya, suatu model teoritis tidak diperkuat jika teori tersebut mempunyai suatu “poor fit” dengan data. AMOS dapat menguji apakah l atau “poor fit”. Jadi, “good fit” model yang diuji sangat penting dalam penggunaan structural equation modeling. Pengujian terhadap model yang dikembangkan dengan berbagai uation modeling. Pengujian terhadap model yang dikembangkan dengan berbagai criteria Goodness of Fit, yakni Chi-Square, Probability, RMSEA, GFI, TLI, CFI, AGFI, CMINDF. Apabila model awal tidak good fit dengan data maka model dikembangkan dengan pendekatan two step approach to SEM. Berikut ini disajikan beberapa indeks kesesuaian dengan cut off , valuenya untuk digunakan dalam menguji apakah model dapat diterima atau ditolak. a. Chi-Square Statistic x 2 . Chi square ini sangat bersifat sensitif terhadap besarnya sampel yang digunakan. Karena itu bila jumlah sampel adalah cukup besar yaitu lebih dari 200 sampel, maka statistik chi-square ini harus didampingi oleh alat uji lainnya Hair et al., 1995:105: Tabachnick Fidell, 1996:84. Karena tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai dengan data atau yang fit terhadap data, maka yang dibutuhkan justru sebuah nilai X 2 yang tidak signifikan, yang menguji hipotesa nol bahwa matriks kovarian populasi tidak sama dengan 62 kovarian sampel. Oleh karena itu x 2 yang kecil dan tidak signifikanlah yang diharapkan agar hipotesa nol sulit ditolak. b. RMSEA Root Mean Square Error of Approximation . RMSEA adalah sebuah indeks yang dapat digunakan untuk mengkompensasi chi-square statistik dalam sampel yang besar Baumgartner Homburg, 1996:65. Nilai RMSEA yang lebih kecil atau sama dengan 0.08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu Berdasarkan degrees of freedom Browne Cudeck,1993:72. c. GFI Goodness of Fit Index . Indeks kesesuaian fit index ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarian sampel yang dijelaskan oleh matriks kovarians populasi Bentler, 1983:12: Tanaka Huba, 1989:54. GFI adalah sebuah ukuran non – statistikal yang mempunyai rentang nilai antara 0 poor fit sama dengan 1.0 perfect fit. Nilai yang tinggi dalam indeks ini menunjukan sebuah “better fit. GFI yang diharapkan adalah sebesar ≥ 0.90. d. AGFI Adjusted Goodness of fit Index . Tanaka Huba 1989:55, menyatakan bahwa GFI adalah analog dari R 2 dalam regresi berganda. Fit Index ini dapat diadjust terhadap degrees of freedom yang tersedia untuk menguji diterima tidaknya model Arbuckle, 1997:30. Indeks ini diperoleh dengan rumus. 63 AGFI = 1-1-GFI d d b dimana : d b = ∑ = G g g p 1 , d = degress – of freedom. AGFI mempunyai nilai sama dengan atau yang diharapkan adalah sebesar ≥ 0.90. e. CMINDF Minimum sampel discrepancy function Degrees of Freedom . CMINDF dalam hal ini tidak lain adalah statistik chi-square dibagi dengan derajat bebasnya sehingga disebut X 2 relatif. Nilai X 2 relatif kurang dari 2.0 atau bahkan kadang kurang dari 3.0 adalah indikasi dari acceptabel fit antara model dan data Arbuckle, 1997:32. f. TLI Tucker Lewis Index . TLI adalah sebuah alternatif incremental fit index yang membandingkan sebuah baseline model Baumgartner Homburg, 1996:69. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan ≥ 0.95. Indeks ini diperoleh dengan rumus sebagai berikut : TLI = 1 − − b b b b d C d C d C 64 Dimana C adalah diskrepansi dari model yang dievaluasi dan d adalah derajat bebasnya. Sementara C b dan d b adalah diskrepansi dan derajat bebas dari baseline model yang dijadikan pembanding. g. CFI Comparatif Fit Index . Keunggulan dari indeks ini adalah bahwa indeks ini besarannya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model Hulland et al., 1996:35. Indeks ini diperoleh dengan rumus sebagai berikut: CFI = RNI = 1- b b d C d C − − Dimana C adalah diskrepansi dari model yang dievaluasi dan d adalah derajat bebasnya. Sementara C b dan d b adalah diskrepansi dan derajat bebas dari baseline model yang dijadikan pembanding. 65 Tabel 3.1 : Goodness Of Fit Indices GOODNESS OF FIT INDEX KETERANGAN CUT-OFF VALUE X 2 – Chi- square Menguji apakah covariance populasi yang destimasi sama dengan covariance sample [apakah model sesuai dengan data]. Diharapakan Kecil, 1 s.d 5, atau paling baik diantara 1 dan 2. Probability Uji signifikansi terhadap perbedaan matriks covariance data dan matriks covariance yang diestimasi. Minimum 0,1 atau 0,2, atau ≥ 0,05 RMSEA Mengkompensasi kelemahan Chi-Square pada Sampel. ≤ 0,08 GFI Menghitung proporsi tertimbang varians dalam matriks sample yang dijelasakan oleh matriks covariance populasi yang diestimasi [analog dengan R 2 dalam regresi berganda] ≥ 0,90 AGFI GFI yang disesuaikan dalam DF. ≥ 0,90 CMINDDF Kesesuaian antara data dan model. ≤ 2,00 TLI Pembandingan antara model yang diuji terhadap baseline model. ≥ 0.95 CFI Uji kelayakan model yang tidak sensitif tehadap besarnya sample dan kerumitan model ≥ 0,94 Sumber : Hair. et. al. 1998 66

BAB IV HASIL PENELITIAN DAN PEMBAHASAN