ANALISIS DAN PERANCANGAN
6.1.1. Analisis Kecocokan
6.1.1.1. Analisis Kecocokan Keseluruhan Model ( Overall Model Fit )
Tahap pertama dari analisis kecocokan ini ditujukan untuk mengevaluasi secara umum derajat kecocokan atau goodness of fit (GOF) antara data dengan model. Printed output dari GOF dapat dilihat pada lampiran empat output model fit dan dalam pembahasannya, ukuran-ukuran GOF tersebut dapat dikelompokkan menjadi 3 (tiga) jenis ukuran (Ghozali, 2013), sebagai berikut:
a. Absolute Fit Measures
Kelompok ini mengukur model fit secara keseluruhan baik model struktural maupun model pengukuran secara bersama. Tabel 6.1. berikut ini adalah hasil uji
absolute fit measures.
Tabel 6.1. Hasil pengujian kelayakan kelompok absolute fit measures
Ukuran GOF Target tingkat kecocokan
Hasil estimasi
Tingkat kecocokan
Chi-square Nilai yang kecil 1.570,653 Kurang baik
Goodness of Fit Index (GFI) ≥ 0,90 0,815 Marginal fit
Probability ≥ 0,05 0,000 Kurang baik
Root Mean Square Error of Approximation (RMSEA)
≤ 0,08 0,055 Baik (good fit)
CMIN / DF < 5 (wheaton,1977) < 2 (Byrne, 1988)
1,606 Baik (good fit)
Non-Centrality Parameter (NCP)
Nilai yang kecil < Chi-square
592,653 Kurang baik Sumber : pengolahan data (2015)
Pada Tabel 6.1. dapat diketahui mengenai hasil GOF untuk jenis ukuran absolute fit measures, yang analisis kecocokan keseluruhan modelnya adalah sebagai berikut:
1. Chi-square (df = 978) adalah 1.570,653 dengan nilai p = 0.00
Nilai chi-square cukup besar dan nilai p = 0.00 < 0.05. Berdasarkan nilai-nilai tersebut dapat disimpulkan bahwa kecocokan keseluruhan model adalah kurang baik, karena yang diharapkan adalah nilai chi-square yang kecil dengan p > 0.05. Hal ini menandakan bahwa terdapat perbedaan antara
matriks input yang diprediksi dengan yang sebenarnya (aktual) secara statistik.
2. GFI = 0,815 menunjukkan bahwa kecocokan keseluruhan model adalah
marginal fit masih dapat dikembangkan menjadi model yang good fit.
3. RMSEA = 0,045 < 0,080 menunjukkan kecocokan keseluruhan model yang baik (syarat RMSEA yang good fit adalah ≤ 0,090 (Wijanto, 1998))..
4. CMIN / DF = 1,606 menunjukkan bahwa kecocokan seluruh model adalah baik. Menurut Wheaton et. al (1977), nilai rasio kurang dari lima merupakan ukuran yang resonable, sedangkan peneliti lainnya Byrne (1988) mengusulkan nilai rasio kurang dari dua untuk ukuran fit (Ghozali, 2013). 5. NCP = 592,653 merupakan nilai yang cukup besar, walau nilainya lebih
kecil dari Chi-square tapi masih kurang baik. NCP merupakan ukuran
badness of fit dimana semakin besar perbedaan antara matriks input yang diprediksi dengan yang sebenarnya (aktual) secara statistik maka semakin besar pula nilai NCP. Jadi yang diharapkan adalah nilai NCP yang nilainya kecil atau rendah.
b. Incremental Fit Measures
Incremental fit measures membandingkan proposed model dengan baseline
model, sering disebut dengan null model. Null model adalah merupakan model realistic dimana model-model yang lain harus diatasnya. Hasil uji incremental fit measures seperti pada Tabel 6.2. berikut.
Tabel 6.2. Hasil pengujian kelayakan kelompok Incremental Fit Measures Ukuran GOF Target tingkat kecocokan Hasil estimasi Tingkat kecocokan
Tucker-Lewis Index (TLI) ≥ 0,90 0,841 Marginal fit Adjusted Goodness of Fit Index
(AGFI)
≥ 0,90 0,796 Kurang baik
Normed Fit Index (NFI) ≥ 0,90 0,685 Kurang baik
Sumber : pengolahan data (2015)
Pada Tabel 6.2. dapat diketahui mengenai hasil GOF untuk jenis ukuran
Incremental Fit Measures, yang analisis kecocokan keseluruhan modelnya adalah sebagai berikut:
1. Tucker-Lewis Index (TLI) atau dikenal dengan nonnormed fit index = 0,841 menunjukkan bahwa kecocokan keseluruhan model adalah marginal fit. Ukuran ini menggabungkan ukuran parsimony kedalam indeks perbandingan antara proposed model dan null model.
2. Adjusted Goodness of Fit Index (AGFI) = 0,796 menunjukkan bahwa kecocokan keseluruhan model adalah kurang baik. Merupakan pengembangan dari GFI yang disesuaikan dengan ratio degree of freedom
untuk null model.
3. Normed Fit Index (NFI) = 0,685 menunjukkan bahwa kecocokan keseluruhan model adalah kurang baik.
c. Parsimonious Fit Measures
Ukuran ini menghubungkan goodness of fit model dengan sejumlah koefisien estimasi yang diperlukan untuk mencapai level fit. Tujuan dasarnya adalah untuk mendiagnosa apakah model fit telah tercapai dengan overfitting data yang memiliki banyak koefisien. Prosedur ini mirip dengan adjustment terhadap nilai R2 didalam multiple regression. Namun demikian karena tidak ada uji statistik yang tersedia, maka penggunaannya hanya terbatas untuk membandingkan model. Hasil uji parsimonious fit measures ditunjukkan pada Tabel 6.3. berikut. Tabel 6.3. Hasil pengujian kelayakan kelompok parsimonious fit measures
Ukuran GOF Target tingkat kecocokan Hasil estimasi Tingkat kecocokan
Parsimonious Normed Fit Index (PNFI)
≥ 0,90 0,647 Kurang baik
Parsimonious Goodness of Fit (PGFI)
≥ 0,90 0,738 Kurang baik Sumber : pengolahan data (2015)
Pada Tabel 6.3. dapat diketahui mengenai hasil GOF untuk jenis ukuran
parsimonious fit measures, yang analisis kecocokan keseluruhan modelnya adalah sebagai berikut:
1. Parsimonious Normed Fit Index (PNFI) = 0,647 menunjukkan bahwa kecocokan keseluruhan model adalah kurang baik. PNFI merupakan modifikasi dari NFI. PNFI memasukkan jumlah degree of freedom yang digunakan untuk mencapai level fit. Semakin tinggi nilai PNFI semakin baik
model tersebut. Kegunaan utama dari PNFI adalah untuk membandingkan model dengan degree of freedom yang berbeda.
2. Parsimonious Goodness of Fit (PGFI) = 0,738 menunjukkan bahwa kecocokan keseluruhan model adalah kurang baik. PGFI memodifikasi GFI atas dasar parsimony estimated model.
Berdasarkan uraian dari tiga jenis ukuran Goodness of Fit, maka rangkuman secara menyeluruh mengenai analisis kecocokan keseluruhan model (overall model fit) pada penelitian ini dapat dijabarkan pada Tabel 6.4. berikut ini.
Tabel 6.4. Hasil analisis kecocokan keseluruhan model Ukuran GOF Target tingkat
kecocokan
Hasil estimasi
Tingkat kecocokan
Chi-square Nilai yang kecil 1.570,653 Kurang baik
Goodness of Fit Index (GFI) ≥ 0,90 0,815 Marginal fit
Probability ≥ 0,05 0,000 Kurang baik
Root Mean Square Error of Approximation (RMSEA)
≤ 0,08 0,055 Baik (good fit)
CMIN / DF < 5 (wheaton,1977)
< 2 (Byrne, 1988)
1,606 Baik (good fit)
Non-Centrality Parameter (NCP)
Nilai yang kecil < Chi-square
592,653 Kurang baik
Tucker-Lewis Index (TLI) ≥ 0,90 0,841 Marginal fit Adjusted Goodness of Fit Index
(AGFI)
≥ 0,90 0,796 Kurang baik
Normed Fit Index (NFI) ≥ 0,90 0,685 Kurang baik
Parsimonious Normed Fit Index (PNFI)
≥ 0,90 0,647 Kurang baik
Parsimonious Goodness of Fit (PGFI)
≥ 0,90 0,738 Kurang baik
Dari Tabel 6.4. dapat dilihat bahwa terdapat 7 ukuran GOF menunjukkan kecocokan yang kurang baik, 2 ukuran GOF menunjukkan marginal fit dan 2 ukuran GOF menunjukkan kecocokan yang baik. Hal tersebut menandakan bahwa kecocokan keseluruhan model adalah kurang baik, sehingga perlu diberikan model alternatif hasil modifikasi dari model perbaikan.
Dalam suatu penelitian bisa jadi beberapa faktor tidak secara eksplisit dibuat model. Teori tidak dikembangkan sampai mencapai spesifikasi model yang sempurna, karena ketidakmampuan mendapatkan ukuran yang dikehendaki. Hal ini menimbulkan apa yang disebut kesalahan spesifikasi model. Dalam kasus dimana dua atau lebih indikator variabel laten dalam suatu model secara sistematik dipengaruhi oleh sebuah faktor yang secara eksplisit tidak dimasukkan dalam model, maka bisa jadi ada korelasi antara kesalahan pengukuran indikator (error measurement) (Ghozali, 2013).
Modifikasi model dilakukan dengan mempertimbangkan hasil-hasil perhitungan bagian modification indices pada lampiran 3. Sebagian besar hasil perhitungan di bagian
modifcation indices menyarankan untuk menambah beberapa garis korelasi antar laten dan residual. Penambahan ini akan menurunkan nilai Chi-square dan menaikkan harga probabilitas serta ukuran goodness of fit yang lainnya (Widagdo, 2011). Gambar 6.1. berikut adalah hasil model struktural yang telah dimodifikasi dan merupakan model yang terakhir.
Gambar 6.1. Model Struktural setelah dimodifikasi (Sumber : pengolahan data (2015))
Berdasarkan hasil model struktural yang telah dimodifikasi diperoleh ukuran-ukuran goodness of fit hasil modifikasi seperti pada lampiran 4. Analisis kecocokan keseluruhan model (overall model fit) hasil modifikasi dapat dijabarkan pada Tabel 6.5. berikut ini.
Tabel 6.5. Hasil analisis kecocokan keseluruhan model modifikasi Ukuran GOF Target tingkat
kecocokan
Hasil estimasi
Tingkat kecocokan
Chi-square Nilai yang kecil 646,92 Baik (good fit)
Goodness of Fit Index (GFI) ≥ 0,90 0,92 Baik (good fit)
Probability ≥ 0,05 1,00 Baik (good fit)
Root Mean Square Error of Approximation (RMSEA)
≤ 0,08 0,00 Baik (good fit)
CMIN / DF < 5 (wheaton,1977) < 2 (Byrne, 1988)
0,76 Baik (good fit)
Non-Centrality Parameter (NCP)
Nilai yang kecil 0,00 Baik (good fit)
Tucker-Lewis Index (TLI) ≥ 0,90 1,06 Baik (good fit)
Adjusted Goodness of Fit Index (AGFI)
≥ 0,90 0,90 Baik (good fit)
Normed Fit Index (NFI) ≥ 0,90 0,87 Marginal fit
Parsimonious Normed Fit Index (PNFI)
≥ 0,90 0,72 Kurang baik
Parsimonious Goodness of Fit (PGFI)
≥ 0,90 0,73 Kurang baik
Dari Tabel 6.5. dapat dilihat bahwa terdapat 8 ukuran GOF menunjukkan kecocokan yang baik, 1 ukuran GOF menunjukkan marginal fit dan 2 ukuran GOF menunjukkan kecocokan yang kurang baik. Hal tersebut menandakan bahwa walaupun terdapat beberapa ukuran GOF yang menunjukkan kecocokan yang kurang baik namun sebagian besar ukuran GOF menunjukkan kecocokan yang baik, sehingga dapat disimpulkan bahwa kecocokan keseluruhan model modifikasi adalah baik (good fit).
6.1.1.2. Analisis Kecocokan Model Pengukuran (measurement model fit)
Setelah kecocokan data dengan model secara keseluruhan adalah baik (good fit), tahap berikutnya adalah menganalisis model pengukuran. Dalam menganalisis model pengukuran, penelitian ini berfokus pada hubungan-hubungan antara variabel laten dan variabel manifesnya. Analisis ini dilakukan terhadap setiap model pengukuran atau konstruk secara terpisah melalui analisis terhadap uji validitas dan uji reliabilitas model pengukuran yang telah dilakukan.
Uji validitas merupakan suatu uji yang bertujuan untuk melihat tingkat akurasi yang dicapai oleh suatu variabel manifes dalam mengukur konsep yang diukur. Pemeriksaan validitas akan didasarkan pada besarnya nilai bobot (loading) faktor yang diperoleh. Solimun (2002) merekomendasikan bobot faktor diatas 0,5 (≥ 0,5) untuk menunjukkan validasi yang cukup kuat dari sebuah indikator untuk mengukur suatu konstruk.
Uji reliabilitas adalah suatu pengujian untuk menentukan konsistensi pengukuran variabel-variabel manifes dari suatu variabel laten. Tingginya nilai reliabilitas menunjukkan bahwa variabel-variabel manifes mempunyai konsistensi tinggi dalam mengukur konstruk variabel latennya. Pada penelitian ini digunakan pendekatan ukuran reliabilitas komposit (composite reliability measure) dan proporsi keragaman (variance extracted) untuk mengukur reliabilitas suatu konstruk. Reliabilitas komposit dam proporsi keragaman suatu konstruk dihitung dengan rumus:
∑ ∑ ∑ ...(6.1.)
∑ ∑ ∑ ...(6.2.) Nilai std. loading (standardized loadings) dapat diperoleh secara langsung dari output program Amos versi 18, sedangkan adalah measurement error yang diperoleh dari satu dikurang kuadrat std. loading untuk setiap variabel manifes. Hair
et al. (1998) menyatakan bahwa sebuah konstruk mempunyai reliabilitas yang baik jika nilai construct reliability variabel tersebut lebih besar atau sama dengan 0.70 (≥ 0.70). Sedangkan, cut-off value untuk variance extractedminimal 0,50 (≥ 0,5). Untuk model yang digunakan dalam penelitian ini, hasil estimasi masing-masing model pengukuran terdapat pada Lampiran 4.
a. Validitas dan realibilitas variabel kompetensi dosen
Pada Tabel 6.6. dapat diketahui mengenai hasil pengolahan data untuk variabel kompetensi dosen yang diolah menggunakan program SPSS Amos versi 18.
Tabel 6.6. Hasil pengolahan data kompetensi dosen Variabel Manifest (Indikator) Standar Loading Factor Kesimpulan Validitas X1 X2 X3 X4 X5 X6 X7 X8 X9 0,583 0,538 0,565 0,726 0,525 0,604 0,729 0,594 0,543 Baik Baik Baik Baik Baik Baik Baik Baik Baik Total 5,4077
Sumber : pengolahan data (2015)
Dari Tabel 6.6. diketahu bahwa semua nilai standar loading factor dari variabel indikator (≥ 0,5). Dengan demikian dapat dinyatakan bahwa validitas semua variabel manifes terhadap variabel laten kompetensi dosen adalah baik.
Setelah analisis terhadap validitas konstruk dilakukan, maka tahap selanjutnya adalah melakukan analisis terhadap reliabilitas konstruk. Berikut hasil perhitungan dari conctruct reliability (CR) dan variance extracted (VE) yang telah dilakukan.
Dari hasil perhitungan reliabilitas tersebut dapat dilihat bahwa nilai construct reliability (CR) variabel kompetensi dosen adalah 0,84 dan lebih besar dari 0,70 (> 0,70), dan variance extracted adalah 0,49 lebih kecil dari 0,5 (<0,50). Dapat disimpulkan bahwa reliabilitas model pengukuran (konstruk) variabel kompetensi dosen adalah baik.
b. Validitas dan realibilitas variabel learning ability mahasiswa
Pada Tabel 6.7. dapat diketahui mengenai hasil pengolahan data untuk variabel learning ability mahasiswa yang diolah menggunakan program SPSS Amos versi 18.
Tabel 6.7. Hasil pengolahan data learning ability mahasiswa Variabel Manifest (Indikator) Standar Loading Factor Kesimpulan Validitas X10 X11 X12 X13 X14 X15 X16 X17 0,614 0,704 0,706 0,787 0,621 0,581 0,735 0,615 Baik Baik Baik Baik Baik Baik Baik Baik Total 5,363
Dari Tabel 6.7. diketahu bahwa semua nilai standar loading factor dari variabel indikator (≥ 0,5). Dengan demikian dapat dinyatakan bahwa validitas semua variabel manifes terhadap variabel laten learning ability
mahasiswa adalah baik.
Setelah analisis terhadap validitas konstruk dilakukan, maka tahap selanjutnya adalah melakukan analisis terhadap reliabilitas konstruk. Berikut hasil perhitungan dari conctruct reliability (CR) dan variance extracted (VE) yang telah dilakukan.
Dari hasil perhitungan reliabilitas tersebut dapat dilihat bahwa nilai construct reliability (CR) variabel learning ability mahasiswa adalah 0,87 dan lebih besar dari 0,70 (> 0,70), dan variance extracted adalah 0,55 lebih besar dari 0,5 (> 0,50). Dapat disimpulkan bahwa reliabilitas model pengukuran (konstruk) variabel learning ability mahasiswa adalah baik.
c. Validitas dan realibilitas variabel dukungan fasilitas
Pada Tabel 6.8. dapat diketahui mengenai hasil pengolahan data untuk variabel dukungan fasilitas yang diolah menggunakan program SPSS Amos versi 18.
Tabel 6.8. Hasil pengolahan data dukungan fasilitas Variabel Manifest (Indikator) Standar Loading Factor Kesimpulan Validitas X20 X21 X22 X23 X24 X25 X26 0,644 0,722 0,633 0,627 0,620 0,621 0,550 Baik Baik Baik Baik Baik Baik Baik Total 4,417
Sumber : pengolahan data (2015)
Dari Tabel 6.8. diketahu bahwa semua nilai standar loading factor dari variabel indikator (≥ 0,5). Dengan demikian dapat dinyatakan bahwa validitas semua variabel manifes terhadap variabel laten dukungan fasilitas adalah baik.
Setelah analisis terhadap validitas konstruk dilakukan, maka tahap selanjutnya adalah melakukan analisis terhadap reliabilitas konstruk. Berikut hasil perhitungan dari conctruct reliability (CR) dan variance extracted (VE) yang telah dilakukan.
Dari hasil perhitungan reliabilitas tersebut dapat dilihat bahwa nilai construct reliability (CR) variabel dukungan fasilitas adalah 0,82 dan lebih besar dari 0,70 (> 0,70), dan variance extracted adalah 0,51 lebih besar dari 0,5 (> 0,50). Dapat disimpulkan bahwa reliabilitas model pengukuran (konstruk) variabel dukungan fasilitas adalah baik.
d. Validitas dan realibilitas variabel dukungan finansial
Pada Tabel 6.9. dapat diketahui mengenai hasil pengolahan data untuk variabel dukungan finansial yang diolah menggunakan program SPSS Amos versi 18.
Tabel 6.9. Hasil pengolahan data dukungan finansial Variabel Manifest (Indikator) Standar Loading Factor Kesimpulan Validitas X27 X28 X29 0,721 0,793 0,627 Baik Baik Baik Total 2,041
Sumber : pengolahan data (2015)
Dari Tabel 6.9. diketahu bahwa semua nilai standar loading factor dari variabel indikator (≥ 0,5). Dengan demikian dapat dinyatakan bahwa validitas semua variabel manifes terhadap variabel laten dukungan finansial adalah baik.
Setelah analisis terhadap validitas konstruk dilakukan, maka tahap selanjutnya adalah melakukan analisis terhadap reliabilitas konstruk. Berikut
hasil perhitungan dari conctruct reliability (CR) dan variance extracted (VE) yang telah dilakukan.
Dari hasil perhitungan reliabilitas tersebut dapat dilihat bahwa nilai construct reliability (CR) variabel dukungan finansial adalah 0,72 dan lebih besar dari 0,70 (> 0,70), dan variance extracted adalah 0,56 lebih besar dari 0,5 (> 0,50). Dapat disimpulkan bahwa reliabilitas model pengukuran (konstruk) variabel dukungan finansial adalah baik.
e. Validitas dan realibilitas variabel dukungan alumni
Pada Tabel 6.10. dapat diketahui mengenai hasil pengolahan data untuk variabel dukungan alumni yang diolah menggunakan program SPSS Amos versi 18.
Tabel 6.10. Hasil pengolahan data dukungan alumni Variabel Manifest (Indikator) Standar Loading Factor Kesimpulan Validitas X31 X33 0,723 0,836 Baik Baik Total 1,559
Dari Tabel 6.10. diketahu bahwa semua nilai standar loading factor dari variabel indikator (≥ 0,5). Dengan demikian dapat dinyatakan bahwa validitas semua variabel manifes terhadap variabel laten dukungan alumni adalah baik.
Setelah analisis terhadap validitas konstruk dilakukan, maka tahap selanjutnya adalah melakukan analisis terhadap reliabilitas konstruk. Berikut hasil perhitungan dari conctruct reliability (CR) dan variance extracted (VE) yang telah dilakukan.
Dari hasil perhitungan reliabilitas tersebut dapat dilihat bahwa nilai construct reliability (CR) variabel dukungan alumni adalah 0,76 dan lebih besar dari 0,70 (> 0,70), dan variance extracted adalah 0,67 lebih besar dari 0,5 (> 0,50). Dapat disimpulkan bahwa reliabilitas model pengukuran (konstruk) variabel dukungan alumni adalah baik.
f. Validitas dan realibilitas variabel administrasi akademik
Pada Tabel 6.11. dapat diketahui mengenai hasil pengolahan data untuk variabel administrasi akademik yang diolah menggunakan program SPSS Amos versi 18.
Tabel 6.11. Hasil pengolahan data administrasi akademik Variabel Manifest (Indikator) Standar Loading Factor Kesimpulan Validitas X35 X36 X37 0,728 0,668 0,592 Baik Baik Baik Total 1,988
Sumber : pengolahan data (2015)
Dari Tabel 6.11. diketahu bahwa semua nilai standar loading factor dari variabel indikator (≥ 0,5). Dengan demikian dapat dinyatakan bahwa validitas semua variabel manifes terhadap variabel laten administrasi akademik adalah baik.
Setelah analisis terhadap validitas konstruk dilakukan, maka tahap selanjutnya adalah melakukan analisis terhadap reliabilitas konstruk. Berikut hasil perhitungan dari conctruct reliability (CR) dan variance extracted (VE) yang telah dilakukan.
Dari hasil perhitungan reliabilitas tersebut dapat dilihat bahwa nilai construct reliability (CR) variabel administrasi akademik adalah 0,70 sama dengan nilai cut-off value yang disarankan lebih besar sama dengan dari 0,70 (≥ 0,70), dan variance extracted adalah 0,54 lebih besar dari 0,5 (> 0,50). Dapat
disimpulkan bahwa reliabilitas model pengukuran (konstruk) variabel administrasi akademik adalah baik.
g. Validitas dan realibilitas variabel promosi
Pada Tabel 6.12. dapat diketahui mengenai hasil pengolahan data untuk variabel promosi yang diolah menggunakan program SPSS Amos versi 18.
Tabel 6.12. Hasil pengolahan data promosi Variabel Manifest (Indikator) Standar Loading Factor Kesimpulan Validitas X39 X40 X41 0,811 0,657 0,577 Baik Baik Baik Total 2,045
Sumber : pengolahan data (2015)
Dari Tabel 6.12. diketahu bahwa semua nilai standar loading factor dari variabel indikator (≥ 0,5). Dengan demikian dapat dinyatakan bahwa validitas semua variabel manifes terhadap variabel laten promosi adalah baik.
Setelah analisis terhadap validitas konstruk dilakukan, maka tahap selanjutnya adalah melakukan analisis terhadap reliabilitas konstruk. Berikut hasil perhitungan dari conctruct reliability (CR) dan variance extracted (VE) yang telah dilakukan.
Dari hasil perhitungan reliabilitas tersebut dapat dilihat bahwa nilai construct reliability (CR) variabel promosi adalah 0,72 lebih besar dari 0,70 (≥ 0,70), dan variance extracted adalah 0,56 lebih besar dari 0,5 (> 0,50). Dapat disimpulkan bahwa reliabilitas model pengukuran (konstruk) variabel promosi adalah baik.
h. Validitas dan realibilitas variabel proses pembelajaran
Pada Tabel 6.13. dapat diketahui mengenai hasil pengolahan data untuk variabel proses pembelajaran yang diolah menggunakan program SPSS Amos versi 18.
Tabel 6.13. Hasil pengolahan data proses pembelajaran Variabel Manifest (Indikator) Standar Loading Factor Kesimpulan Validitas Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8 Y9 0,709 0,726 0,745 0,729 0,527 0,551 0,555 0,851 0,550 Baik Baik Baik Baik Baik Baik Baik Baik Baik Total 5,943
Dari Tabel 6.13. diketahu bahwa semua nilai standar loading factor dari variabel indikator (≥ 0,5). Dengan demikian dapat dinyatakan bahwa validitas semua variabel manifes terhadap variabel laten proses pembelajaran adalah baik.
Setelah analisis terhadap validitas konstruk dilakukan, maka tahap selanjutnya adalah melakukan analisis terhadap reliabilitas konstruk. Berikut hasil perhitungan dari conctruct reliability (CR) dan variance extracted (VE) yang telah dilakukan.
Dari hasil perhitungan reliabilitas tersebut dapat dilihat bahwa nilai construct reliability (CR) variabel proses pembelajaran adalah 0,88 dan lebih besar dari 0,70 (> 0,70), dan variance extracted adalah 0,54 lebih besar dari 0,5 (< 0,50). Dapat disimpulkan bahwa reliabilitas model pengukuran (konstruk) variabel proses pembelajaran adalah baik.
i. Validitas dan realibilitas variabel kinerja
Pada Tabel 6.14. dapat diketahui mengenai hasil pengolahan data untuk variabel kinerja yang diolah menggunakan program SPSS Amos versi 18.
Tabel 6.14. Hasil pengolahan data kinerja Variabel Manifest (Indikator) Standar Loading Factor Kesimpulan Validitas Y10 Y12 0,887 0,622 Baik Baik Total 1,509
Sumber : pengolahan data (2015)
Dari Tabel 6.14. diketahu bahwa semua nilai standar loading factor dari variabel indikator (≥ 0,5). Dengan demikian dapat dinyatakan bahwa validitas semua variabel manifes terhadap variabel laten kinerja adalah baik. Setelah analisis terhadap validitas konstruk dilakukan, maka tahap selanjutnya adalah melakukan analisis terhadap reliabilitas konstruk. Berikut hasil perhitungan dari conctruct reliability (CR) dan variance extracted (VE) yang telah dilakukan.
Dari hasil perhitungan reliabilitas tersebut dapat dilihat bahwa nilai construct reliability (CR) variabel kinerja adalah 0,73 lebih besar dari 0,70 (≥ 0,70), dan variance extracted adalah 0,65 lebih besar dari 0,5 (> 0,50). Dapat disimpulkan bahwa reliabilitas model pengukuran (konstruk) variabel kinerja adalah baik.
6.1.1.3. Analisis kecocokan terhadap model struktural (structural model fit)