BAB IV ANALISIS DAN PEMBAHASAN
4.4 Analisis Data
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 atau mutivariat (Hair, 1998). Evaluasi terhadap outlier multivariate (antar variabel) perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate, tetapi observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak antara Mahalanobis untuk tiap-tiap observasi dapat dihitung dan akan menunjukkan sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional (Hair.dkk, 1998; Tabachnick & Fidel, 1996). Uji terhadap outliers multivariate dilakukan dengan menggunakan jarak Mahalanobis pada tingkat p < 1%.Jarak Mahalanobis itu dievaluasi dengan
51
menggunakan χ² (chi kuadrat) pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian ini. Hasil uji outlier tampak pada tabel berikut :
Tabel 4.6. Outlier Data
Residuals Statisticsa Minimu m Maximu m Mean Std. Deviation N Predicted Value 11.78 76.25 49.00 13.978 97 Std. Predicted Value -2.663 1.949 .000 1.000 97 Standard Error of Predicted Value 5.086 15.605 8.069 1.678 97 Adjusted Predicted Value 14.44 73.75 49.28 14.012 97 Residual -52.065 59.173 .000 24.429 97 Std. Residual -2.029 2.306 .000 .952 97 Stud. Residual -2.086 2.394 -.005 1.006 97 Deleted Residual -55.640 63.793 -.281 27.319 97 Stud. Deleted Residual -2.128 2.463 -.003 1.014 97
Mahal. Distance 2.782 34.510 8.907 4.528 97
Cook's Distance .000 .111 .012 .017 97
Centered Leverage
Value .029 .359 .093 .047 97
a. Dependent Variable: No. Sumber : Data diolah
Deteksi terhadap multivariat outliers dilakukan dengan menggunakan kriteria Jarak Mahalanobis pada tingkat p < 0,001. Jarak Mahalanobis itu dievaluasi dengan menggunakan χ2
pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian.Bila kasus yang mempunyai Jarak Mahalanobis lebih besar dari nilai chi-square pada tingkat signifikansi 0,001 maka terjadi multivariate outliers. Nilai Mahal. Distance Maximum pada data adalah 34,510 lebih besar dari nilai mahal distance Outlier 27,877, yang berarti terdapat outlier pada data tersebut, sehingga data yang mengandung outlier tersebut harus dihapus, kemudian dirunning lagi hingga mendapatkan nilai dibawah nilai maksimum
52
mahal distance outlier. Data yang dikeluarkan tersebut sebanyak satu responden yaitu responden no. 4. Setelah itu di running lagi.
Berikut ini adalah hasil running terakhir menggunakan SPSS dengan hasil sebagai berikut :
4.7 Outlier Data
Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 9.59 75.68 49.47 13.747 96
Std. Predicted Value -2.901 1.907 .000 1.000 96
Standard Error of Predicted
Value 5.106 12.790 8.083 1.604 96
Adjusted Predicted Value 11.70 80.40 49.69 13.877 96
Residual -54.937 58.302 .000 24.290 96
Std. Residual -2.152 2.284 .000 .951 96
Stud. Residual -2.366 2.372 -.004 1.005 96
Deleted Residual -66.402 62.895 -.226 27.139 96
Stud. Deleted Residual -2.433 2.439 -.003 1.015 96
Mahal. Distance 2.810 22.856 8.906 4.084 96
Cook's Distance .000 .117 .012 .017 96
Centered Leverage Value .030 .241 .094 .043 96
a. Dependent Variable: No.
Setelah dirunning diperoleh nilai maksimum mahal distance sebesar 22,856 yang berarti tidak terdapat outlier, karena nilai Mahal Distance dibawah maksimum nilai outlier 27,877, sehingga data tersebut dikatakan mempunyai kualitas yang baik dan bisa diolah lebih lanjut, dengan sisa responden sebanyak 96 responden.
4.4.2. Intrepretasi Hasil PLS
4.4.2.1. Pengujian Model Pengukur an (Outer Model)
Langkah selanjutnya adalah menilai outer model (Measurement Model) dengan melihat Outer Loading dan Composite Reliability dari konstruk.
53
1. Outer Loading
Outer Loading, hasil pengujian pertama dengan PLS ini menghasilkan Outer Loading sebagai berikut :
Factor Loading (O) Sample Mean (M) Standard Deviation (STDEV) Standard Error (STERR) T Statistics (|O/STERR|) X1.1 <- KEPEMIMPINAN (X1) 0.681316 0.621329 0.232614 0.232614 2.928952 X1.2 <- KEPEMIMPINAN (X1) 0.727355 0.646913 0.230164 0.230164 3.160161 X1.3 <- KEPEMIMPINAN (X1) 0.628513 0.586954 0.292616 0.292616 2.147907 X2.1 <- MOTIVASI (X2) 0.943746 0.878333 0.219294 0.219294 4.303566 X2.2 <- MOTIVASI (X2) 0.339353 0.312172 0.298299 0.298299 1.137627 X2.3 <- MOTIVASI (X2) 0.859954 0.798237 0.246586 0.246586 3.487440 Y1 <- KINERJA KARYAWAN (Y) 0.248609 0.211645 0.451146 0.451146 0.551062 Y2 <- KINERJA KARYAWAN (Y) 0.840500 0.717419 0.218597 0.218597 3.844968 Y3 <- KINERJA KARYAWAN (Y) 0.667872 0.563276 0.274287 0.274287 2.434938 Tabel 4.8 Outer Loanding
Sumber : Data diolah
Validitas Indikator : Nilai Factor Loading lebih besar dari 0,5 dan atau nilai T-Statistic lebih besar dari 1,645 (nilai Z pada α = 0,10). Factor Loading merupakan korelasi antara indikator dengan variabel, jika lebih besar dari 0,5 maka korelasi disebut valid dan jika nilai T-Statistic lebih besar dari 1,645 maka korelasinya disebut signifikan.
54
Berdasarkan pada tabel outer loading di atas, maka pada variabel dengan indikator reflektif Yaitu Kepemimpinan, Motivasi kerja dan Kinerja Karyawan, dimana tidak seluruh indikator ketiga variabel tersebut memiliki loading factor (original sample estimate) lebih besar dari 0,50 dan atau signifikan (Nilai T-Statistic lebih dari nilai Z α = 0,10 (10%) = 1,645 ), sehingga indikator yang memiliki loading factor (original sample estimate) lebih besar dari 0,50 dan atau signifikan (Nilai T-Statistic lebih dari nilai Z α = 0,10 (10%) = 1,645 )tersebut adalah menjadi pengukur/indikator variabel tersebut. Secara keseluruahn hasil estimasi telah memenuhi Convergen vailidity dan validitas baik. 2. Discriminant Validity
Discriminant Validity pada indicator reflektif dapat dilihat pada cross loading. Cara lain untuk menilai Discriminant Validity dilakukan dengan cara membandingkan square root average variance axtracted(AVE) untuk setiap variabel dengan nilai korelasi antara variabel. Model mempunyai Discriminant Valididity yang tinggi jika akar AVE untuk setiap variabel lebih besar dari korelasi antara konstruk (Ghozali,2008). Jika nilai akar AVE lebih tinggi dari pada kolrelasi antar variabel yang lain, maka dapat dikatakan hasil ini menunjukan bahwa Discriminant Validity yang tinggi.
Tabel 4.9 average variance axtracted(AVE)
AVE
KEPEMIMPINAN (X1) 0.462755 KINERJA KARYAWAN (Y) 0.404766
MOTIVASI (X2) 0.581779
55
Berdasarkan tabel diatas model Pengukuran berikutnya adalah nilai Avarage Variance Extracted (AVE) , yaitu nilai menunjukkan besarnya varian indikator yang dikandung oleh variabel latennya. Konvergen Nilai AVE lebih besar 0,5 juga menunjukkan kecukupan validitas yang baik bagi variabel laten. Pada variabelindikator reflektif dapat dilihat dari nilain Avarage variance extracted (AVE) untuk setiap konstruk(variabel). Dipersyaratkan model yang baik apabila nilai AVE masing-masing konstruk lebih besar dari 0,5. Hasil pengujian menunjukkan bahwa nilai AVE untuk konstruk (variabel) Kepemimpinan, Motivasi dan Kinerja Karyawan memiliki nilai lebih kecil dari 0,5, sehingga validitasnya rendah.
3. Composite Reliability
Composite Reliability adalah indeks yang menunjukan sejauh mana suatu alat pengukur dapat dipercaya untuk di andalkan. Bila suatu alat di pakai dua kali untuk mengukur gejala yang sama dan hasil pengukurannya yang diperoleh relative konsisten maka alat tersebut reliable. Dengan kata lain, reliabilitas menunjukan suatu konsistensi alat pengukur dalam gejala yang sama. Hasil selengkapnya dapat dilihat pada tabel berikut :
Tabel 4.10. Reliabilitas Data
Composite Reliability
KEPEMIMPINAN (X1) 0.720275
KINERJA KARYAWAN (Y) 0.633528
MOTIVASI (X2) 0.785430
56
Reliabilitas konstruk yang diukur dengan nilai composite reliability, konstruk reliabel jika nilai composite reliability di atas 0,70 maka indikator disebut konsisten dalam mengukur variabel latennya. Hasil pengujian menunjukkan bahwa konstruk atau variabel Kinerja Karyawan memiliki nilai composite reliability sebesar 0.633528 atau variable tersebut nilai reliabilitasnya lebih kecil dari 0,7. Sehingga kurang reliabel, tetapi untuk variabel Kepemimpinan dan Motivasi memiliki nilai Composite Reliability masing-masing 0,720275 dan 0,785430 atau keduanya diatas 0,7 sehingga dikatakan Reliabel.
Variabel dengan indikator formatif tidak dapat dianalisis dengan melihat convergen validity dan composite reliability. Oleh karena variabel dengan indikator formatif yaitu Motivasi pada dasarnya merupakan hubungan regresi indikator ke variabel , maka cara menilainya adalah dengan melihat nilai koefisien regresi dan signifikansi dari koefisien regresi tersebut. Jadi dilihat nilai outer weight masing-masing indikator dan nilai signifikansinya.
4.3.2.2.Analisis Model PLS
57
4.2 Gambar Model Konseptual dengan nilai Path Koefisien
58
Berdasarkan gambar diatas dapat dilihat nilai-nilai dari indikator terhadap variabel laten, sehingga dapat diketahui indikator yang paling berpengaruh terhadap variabel laten.
4.4.2.3. Evaluasi Pengujian Struktural Model (inner Model)
Penggujian Inner Mode latau model structural dilakukan untuk melihat hubungan antara variabel, nilai signifikansi dan R-square dari model penelitian.Setelah mengenai hubungan yang signifikan antara variabel. Dengan demikian, dapat disimpulkan hipotesis untuk masalah kinerja karyawan. Pengujian hipotesis dilakukan dengan metode resampling bootstrap.Statistik uji yang digunakan adalah uji statistik uji t. (ghozali, 2008). Pengujian terhadap model struktural dilakukan dengan melihat nilai R-Square yang merupakan uji goodnees-fit model. Pengujian ienner model dapat dilihat dari nilai R-Square pada persamaan antar variabel latent. Sebagai berikut :
Tabel 4.11. R-Square
R Square
KEPEMIMPINAN (X1)
KINERJA KARYAWAN (Y) 0.155558
MOTIVASI (X2) 0.045619
Sumber : Data diolah
Berdasarkan tabel di atas bahwa Terdapat dua nilai Nilai R2 yang pertama adalah Nilai R2 untuk Motivasi = 0.045619. Hal ini dapat diinterpretasikan bahwa model mampu menjelaskan masalah Motivasi sebesar 4,56% sedangkan sisanya (95,44%) dijelaskan oleh variabel lain selain Kepemimpinan.
59
Kemudian nilai R2 yang kedua adalah Nilai R2 untuk variabel Kinerja Karyawan = 0,155558 hal ini dapat diinterpretasikan bahwa model mampu menjelaskan masalah Kinerja Karyawan sebesar 15,55%, sedangkan sisanya 84,55% dijelaskan oleh variabel lain selain Kepemimpinan dan Motivasi yang belum masuk ke dalam model dan error. Artinya Kinerja Karyawan dipengaruhi oleh Kepemimpinan dan Motivasi sebesar 15,55% sedang sebesar 84,55% dipengaruhi oleh variabel lain selain Kepemimpinan dan Motivasi.
Selanjutnya dalat dilihat koefisien path pada inner model. Tabel 4.12. Inner Weights
Path Coefficient s (O) Sample Mean (M) Standard Deviation (STDEV) Standard Error (STERR) T Statistics (|O/STERR| ) KEPEMIMPINAN (X1) ->
KINERJA KARYAWAN (Y) 0.277555 0.300217 0.181725 0.181725 1.527333 MOTIVASI (X2) ->
KINERJA KARYAWAN (Y) 0.227137 0.220229 0.162492 0.162492 1.397832 KEPEMIMPINAN (X1) ->
MOTIVASI (X2) 0.213587 0.242333 0.104653 0.104653 2.040900 Sumber : Data Diolah
Berdasarkan tabel di atas diperoleh
1. Kepemimpinan berpengaruh terhadap Kinerja Karyawan dengan koefisien path sebesar 0.277555, tidak dapat diterima dimana nilai T-Statistic = 1.527333 lebih kecil dari nilai Z α = 0,10 (10%) = 1,645 , maka Non Signifikan (positif)
2. Motivasi berpengaruh terhadap Kinerja Karyawan dengan koefisien path sebesar 0.227137, tidak dapat diterima dimana nilai T-Statistic =
60
1.397832 lebih kecil dari nilai Z α = 0,10 (10%) = 1,645 , maka Non Signifikan (positif)
3. Kepemimpinan berpengaruh terhadap Motivasi dengan koefisien path sebesar 0.213587, dapat diterima dimana nilai T-Statistic = 2.040900 lebih besar dari nilai Z α = 0,10 (10%) = 1,645 , maka Signifikan (positif)