H. Teknik Analisis Data
4. Deteksi Pencilan (outliers)
Outlier menyebabkan ketidaknormalan dalam data. Outlier menunjukkan kombinasi nilai semua variabel yang memiliki karakteristik tidak lazim yang muncul dalam bentuk nilai sangat ekstrim. Secara multivariate, pemeriksaan outliers dilakukan dengan cara membandingkan statistik jarak Mahalanobisd2
dengan statistic chi-square (X2) pada derajat kebebasan (df) sebesar jumlah variabel yang diobservasi dengan menggunakan tingkat kesalahan sebesar 0,001. Suatu observasi dikategorikan outliers multivariat bila setiap observasi yang memiliki koefisien nilai d2>X2 (Kusnendi, 2008:49). Jika outlier terjadi, maka menurut Kline dilakukan koreksi bila outlier tersebut disebabkan oleh kesalahan entri data. Selain itu. Dilakukan transformasi variabel yang memuat outlier tersebut dikeluarkan dalam analisis (Ihsan, 2013).
5. Multikolinieritas
Multikolinieritas lengkap asumsi tidak terjadi dalam SEM, tetapi korelasi antar variabel independen dapat dimodel secara eksplisit dalam SEM. Multikolinieritas yang lengkap akan menghasilkan matrik kovariansi yang singular. Multikolinieritas yang tinggi akan menurunkan reliabilitas estimasi SEM. Pemeriksaan multikolinieritas dilakukan melalui korelasi pearson r. Jika kofisien korelasi r ≥ 0,85, maka multikolinieritas dianggap tinggi dan underidentifikasi empiris dianggap bermasalah (Garson dalam Rondiyah, 2009).
Sebelum dilakukan analisis data dengan menggunakan SEM, terlebih dahulu dilakukan pengujian asumsi sebagai persyaratan analisis sebagai berikut: a. Ukuran sampel
Setelah dilakukan uji asumsi dan semua asumsi dinyatakan memenuhi persyaratan untuk dilakukan analisis lebih lanjut. Berdasarkan kerangka konseptual dan rancangan penelitian ini, maka penelitian ini dilakukan dengan
menggunakan analisis SEM melalui program Analisis of Momen Structure (AMOS). Teknik SEM ini, menurut Ferdinan (2008) memungkinkan peneliti untuk menguji beberapa variabel endogen. Permodelan SEM yang lengkap pada dasarnya terdiri dari Measurement Model dan Structural Model (Ferdinan, 2008). Measurement model atau model pengukuran digunakan untuk mengkonfirmasi diminsi-dimensi yang dikembnagkan pada sebuah faktor. Sedangkan Structural model adalah model mengenai struktur hubungan yang membentuk atau menjelaskan kausalitas antar faktor.
Dalam penelitian ini digunakan data primer dan data sekunder yang dikumpulkan dan disusun secara cross section. Pengujian hipotesis dilakukan dengan menggunakan alat statistik inferensial pada derajat ketelitian 0,05. Adapun analisis data untuk menguji hipotesis penelitian adalah menggunakan SEM dengan program AMOS 22 yang secara procedural meliputi tujuh langkah (Hair,dkk, 1998, Solimun, 2004, dan Ferdinan, 2008), yaitu: (1) pengembangan model berbasis konsep dan teori; (2) pengembangan diagram jalur (path diagram); (3) konversi diagram jalur ke dalam model struktural (persamaan statistik); (4) memilih matriks input-output dan estimasi model; (5) menilai masalah identifikasi; (6) evaluasi goodness-of-fit; dan (7) interpretasi dan modifikasi model.
b. Spesifikasi Model
Spesifikasi model pengukuran dan pengujian hipotesia merujuk pada pernyataan hipotesis, yaitu: Besarnya pengaruh kepemimpinan pelayan dan
motivasi kerja terhadap kreativitas penyuluh. Besarnya pengaruh kepemimpinan pelayan terhadap kreativitas penyuluh ditentukan oleh; membentuk konsep, memulihkan emosi, mengutamakan pengikut, membantu pengikut tumbuh dan sukses, berperilaku etis, memberdayakan, dan menciptakan nilai untuk masyarakat. Besarnya pengaruh motivasi kerja terhadap kreativitas penyuluh ditentukan oleh; minat pada pekerjaan, tanggung jawab, peluang perkembangan karier, prestasi yang dicapai, dan pengakuan hasil kerja.
Hipotesis tersebut menunjukkan adanya hubungan kausal antara variabel eksogen dengan variabel endogen. Pernyataan yang diajukan adalah bahwa besarnya pengaruh variabel eksogen terhadap variabel endogen dihipotesiskan dengan menunjukkan nilai keeratan keterkaitan setiap dimensi pada masing-masing variabel. Dengan pernyataan-pernyataan tersebut, model analisis dikembangkan dengan gambar diagram analisis SEM dengan multivariate analisis. Jenis model ini dicirikan melibatkan lebih dari satu variabel laten eksogen dan satu variabel laten endogen. Pengujian hipotesis dilakukan dengan menggunakan alat statistik infrensial pada derajat ketelitian 0,05.
c. Pengembangan Model Teori
Langkah pertama, analisis data untuk menguji hipotesis penelitian menggunakan SEM dengan program AMOS, yaitu peneliti melakukan pencarian atau pengembangan sebuah model yang mempunyai justifikasi
teoretis yang kuat. Setelah itu model tersebut divalidasi secara empirik melalui pemrograman SEM terhadap konstruk (faktor) dan dimensi-dimensi yang akan diteliti dari model teoretis penelitian. Model teoretis yang telah dibangun melalui kajian pustaka yang merupakan konstruk dan hubungan antar variabel. Variabel-variabel yang dimaksud yaitu: (1) kepemimpinan pelayan; (2) motivasi kerja; dan (3) kreativitas penyuluh, sebagaimana pada gambar berikut:
Gambar 3.2 Pengembangan Model Teori Sumber: Adopsi dari berbagai teori
Keterangan:
X1 = Kepemimpinan pelayan, merupakan variabel eksogen
X2 = Motivasi kerja, merupakan variabel eksogen sekaligus sebagai variabel intervening
Y = Kreativitas penyuluh, merupakan variabel endogen. d. Pengembangan Diagram Jalur
Langkah kedua, adalah menyusun path diagram berdasarkan model yang telah dibangun pada langkah pertama tersebut agar nampak jelas pengaruh yang akan diuji sebagaimana tergambar pada Diagram 3.3 berikut:
X2 X1
Gambar 3.3 Diagram jalur dari model teoretis
Gambar 3.3 menunjukkan hubungan kausal antar variable yang terbangun dari sub variabelnya masing-masing dengan tujuan untuk mengetahui pengaruh langsung atau pengaruh tidak langsung. Hubungan kausal yang ditunjukkan pada gambar 3.3 dapat dijelaskan sebagai berikut:
1. Kepemimpinan pelayan (KP) yang terdiri dari 7 indikator yaitu: KP1 (membentuk konsep); KP2 (memulihkan emosi); KP3 (mengutamakan pengikut); KP4 (membantu pengikut tumbuh dan sukses); KP5 (berperilaku etis); KP6 (memberdayakan); dan KP7 (menciptakamn nilai untuk masyarakat)., berpengaruh secara langsung terhadap kreativitas penyuluh (KT) yang terdiri dari 5 indikator, yaitu: KT1 (kecekatan), KT2 (inisiatif), KT3 (toleransi), KT4 (keteguhan, KT5 (atraktif).
2. Motivasi kerja (MK) yang terdiri dari 5 indikator, yaitu: MK1 (minat pada pekerjaa), MK2 (tanggung jawab), MK3 (peluang karier), MK4 (prestasi
Motivasi Kerja (MK) MK1 MK2 MK3 MK4 MK5 KP1 Kepemimpinan Pelayan (KP) KP2 KP3 KP4 KP5 KP6 KP7 KT4 Kreativitas (KT) KT5 KT3 KT2 KT1
yang dicapai), dan MK5 (pengakuan hasil kerja), berpengaruh terhadap kreativitas penyuluh yang terdiri dari 7 indikator sebagaimana pada poin 1.
3. Kepemimpinan pelayan yang terdiri dari 7 indikator sebagaimana pada poin 1, berpengaruh terhadap motivasi kerja yang terdiri dari 5 indikator sebagaimana pada poin 2.
4. Motivasi kerja yang terdiri dari 5 indikator sebagaimana pada poin 2, berpengaruh terhadap kreativitas penyuluh yang terdiri dari 5 indikator sebagaimana pada poin 1.
5. Kepemimpinan pelayan yang terdiri dari 7 indikator sebagaimana pada poin 1, berpengaruh secara tidak langsung terhadap kreativitas penyuluh yang terdiri dari 5 indikator, tetapi melalui motivasi kerja sebagai intervening yang terdiri dari 5 indikator sebagaimana pada poin 2.
e. Konversi diagram jalur ke dalam model struktural (persamaan statistik)
Langkah ketiga, adalah mengkonversi diagram jalur ke dalam bentuk model pengukuran konstruk dan model struktural, sebagai berikut:
1) Menguji model pengukuran
a) Uji kesesuaian model: uji unidimensionalitas
- Mengevaluasi apakah model pengukuran yang diusulkan fit atau tidan dengan data. Hal tersebut ditunjukkan oleh nilai P-hitung statistik chi-square yang dihasilkan model lebih besar atau sama
dengan 0,05, nilai RMSEA lebih kecil dari 0,08, atau nilai CFI lebih besar dari 0,90 (kusnendi, 2008:110).
- Mengevaluasi apakah model yang diusulkan bersifat unidimensionalitas atau tidak, yakni dengan melihat korelasi item total.
b) Uji kebermaknaan: Validitas konstruk
Metode yang dilakukan untuk melihat tingkat validitas konstruk adalah CFA (Confirmatory Factor Analisys). Prosedur CFA untuk memperoleh model final yakni membuat model pengukuran, melakukan CFA awal, melakukan modifikasi indeks apabila model belum fit, demikian seterusnya hingga indeks overall fit yang diperoleh sesuai kriteria.
Selanjutnya untuk validitas konstruk, menurut Zumbo, kriteria yang digunakan menilai validitas tersebut adalah bahwa untuk suatu butir dikatakan valid bila nilai estimasi untuk standardized regression weight (loading factor) dari model final lebih dari 0,40 (Rondiyah, 2009).
c) Evaluasi Realibilitas
Koefisien keandalan dianalisis dengan menggunakan rumus alpha Cronbach melalui software SPSS. Apabila koefisien reliabilitas konstruk tidak kurang dari 0,70 atau variance extracted tidak kurang dari 0,50, mengindikasikan bahwa model pengukuran variabel laten tersebut reliable. (Kusnendi, 2008:111). Sedangakan Nunally dan Bernstein
(Waluyo, 2011:37) menyatakan bahwa reliabilitas antara 0,5 – 0,6 sudah dapat diterima.
d) Pembentukan SEM dengan Grafik
SEM merupakan model yang menjelaskan hubungan variable secara simultan. Karena hubungan variabel bersifat simultan dan setiap variabel di dalam SEM adalah variabel laten maka akan mudah menjelaskan model SEM dengan menggunakan metode grafik. Ada beberapa konvensi yang digunakan di dalam menganalisis SEM ketika menggunakan sistem grafik. Variabel laten digambarkan oleh lingkaran atau elips. Variabel indikator digambarkan oleh bujursangkar atau persegi panjang. Variabel error digambarkan oleh lingkaran atau elips yang lebih kecil dari veriabel laten. Sedangkan hubungan antara variabel dijelaskan dengan menggunakan baik tanda panah satu arah maupun tanda anak panah dua arah. Anak panah satu arah digunakan untuk menjelaskan beberapa hubungan:
1) Koefisien struktur (structure coefficient) yang menghubungkan variabel laten dengan variabel laten lain
2) Faktor loading yang menghubungkan laten variabel dengan variabel indikator
3) Hubungan antara kesalahan pengukuran (measurement error) dengan variabel indikator
4) Hubungan antara kesalahan prediksi (error prediction) atau seringkali disebut error dengan variabel dependen laten
Sedangkan tanda anak panah dua arah digunakan untuk beberapa hubungan:
1) Kovarian antara variabel independen laten 2) Kovarian antara kesalahan prediksi
3) Kovarian antara kesalahan pengukuran (measurement error)
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Gambar 3.4 Pembentukan SEM dengan AMOS graphis
Dalam Gambar 3.4 tersebut, variabel laten kepemimpinan pelayan (KP) mempengaruhi baik variabel laten motivasi kerja (MK) maupun variabel laten Kreativitas (KT). Selanjutnya variabel laten motivasi kerja
Motivasi Kerja (MK) MK1 MK2 MK3 MK4 MK5 KP1 Kepemimpinan Pelayan (KP) KP2 KP3 KP4 KP5 KP6 KP7 KT4 Kreativitas (KT) KT5 KT3 KT2 KT1 E1 E2 E3 E4 E5 E6 E7 E8 E9 E10 E11 E12 E17 E16 E15 E14 E13 D1 D2
mempengaruhi variabel laten kreativitas. Variabel laten kepemimpinan pelayan dan motivasi kerja masing-masing dibentuk oleh tujuh dan lima variabel indikator sedangkan variabel laten kreativitas dibentuk oleh lima variabel indikator.
Variabel laten KM, MK, dan KT digambarkan dalam bentuk lingkaran atau elips, sedangkan variabel indikator pembentuk variabel laten masing-masing digambarkan oleh persegi panjang. Variabel residual yang menunjukkan faktor unik di dalam analisis konfirmatori digambarkan dalam bentuk yang lebih kecil. Dalam penamaan variabel residual di dalam analisis faktor konfirmatori tidak boleh sama. Untuk mudahnya diurutkan saja mulai E1 sampai E17. Selain variabel residual tersebut, masih ada dua variabel residual yang lain. Hal ini muncul karena ada dua persamaan regresi yang diestimasi yaitu variabel laten kepemimpinan pelayan mempengaruhi motivasi kerja dan kepemimpinan pelayan dan motivasi kerja mempengaruhi kreativitas. Variabel residual tersebut diberi nama masing-masing D1 dan D2. a. Efek Langsung, Tidak Langsung dan Total
Hubungan antar variabel di dalam model SEM dibagi menjadi tiga kategori yaitu efek langsung (direct effect), efek tidak langsung (indirect effect) dan efek total (total effect). Besarnya efek langsung diukur dengan koefisien struktur (structure coefficient). Besarnya efek tidak langsung bisa dihitung dengan perkalian koefisien variabel laten yang terlibat dalam hubungan tidak langsung tersebut. Setelah efek langsung dan efek tidak
langsung didapatkan, selanjutnya bisa dihitung efek total. Efek total dari dua variabel laten adalah jumlah baik efek langsung dan atau efek tidak langsung yang menghubungkan kedua variabel laten tersebut. Total efek dari kepemimpinan pelayan terhadap motivasi kerja merupakan efek langsungnya karena tidak ada efek tidak langsungnya. Total efek dari motivasi kerja terhadap kreativitas juga merupakan efek langsungnya karena tidak ada efek tidak langsungnya. Sedangkan total efek kepemimpinan pelayan terhadap kreativitas adalah penjumlahan efek langsungnya ditambah efek tidak langsungnya. Efek langsung, tidak langsung dan total dari variabel kepemimpinan pelayan, motivasi kerja, dan kreativitas digambarkan sebagai berikut:
Kepemimpinan pelayan Motivasi kerja Kreativitas
Gambar 3.5 Efek Langsung, Tidak Langsung, dan Total
Dari analisis jalur (path) tersebut menunjukkan kepemimpinan pelayan mempunyai efek langsung terhadap motivasi kerja, motivasi kerja mempunyai efek langsung terhadap kreativitas, dan kepemimpinan pelayan juga mempunyai efek langsung terhadap kreativitas. Kepemimpinan pelayan memiliki efek tidak langsung terhadap kreativitas, yaitu melalui motivasi kerja.
Matriks input yang digunakan dalam penelitian ini berupa matriks korelasi. Hal ini dilakukan karena dianggap paling sesuai digunakan untuk analisis data yang menggunkan SEM. Hal ini sejalan dengan tujuan analisis yakni untuk menguji model yang telah dikembangkan dan telah mendapat justifikasi konsep dan teori.
1) Menilai masalah identifikasi
Penilaian terhadap masalah identifikasi bertujuan untuik mengetahui apakah terdapat masalah dalam estimasi pengukuran. Masalah yang sering terjadi di dalam model SEM adalah proses pendugaan parameter. Bila terjadi masalah unidentifikasi, maka proses pendugaan parameter mengalami ketidak mampuan menghasilkan pendugaan yang unik, (Solimun, 2004).
2) Evaluasi kriteria Goodness-of-fit
Dalam tahap ini dilakukan pengujian terhadap kesesuaian model melalui telaah berbagai kriteria Goodness-of-fit. Model dapat dikatakan baik (fit) bilamana pengembangan model hipotetik secara konsptual dan teoritis didukung oleh data empiris. Beberapa indeks kesesuaian dan cut-of-value yang digunakan untuk menguji apakah sebuah model dapat diterima atau ditolak, sebagaimana dikemukakan oleh Kusnendi (2008), yaitu:
a) Chi-square, dimana model dipandang baik dan memuskan apabila nilai chi-squrenya kecil. Semakin kecil nilai chi-square semakin baik model tersebut. Dengan nilai chi-square yang nilainya rendah tersebut
diperoleh nilai p (probability) yang tinggi melebihi 0,05 sehingga mengindikasikan bahwa model adalah saturated atau perfect fit.
b) GFI (Goodness-of-Fit Index). Nilai GFI yang direkomendasikan untuk menjadi dasar dalam menetapkan apakah model sudah fit adalah nilai GFI ≥ 0,90.
c) AGFI (Adjusted GFI). Nilai AGFI yang direkomendasikan untuk menjadi dasar dalam menetapkan apakah model sudah fit dengan data adalah nilai AGFI ≥ 0,90.
d) RMSEA (Root Mean Square Error of Approximation). Nilai RMSEA yang direkomndasukan untuk menjadi dasar dalam menetapkan apakah model sudah fit dengan data adalah nilai RMSEA ≤ 0,08 e) CMIN/DF atau Normed Chi-Square (NCS). Nilai CMIN/DF yang
direkomendasikan untuk menjadi dasar dalam menetapkan apakah model susah fit dengan data adalah nilai CMIN/DF sebesar ≤ 2,00. f) TLI (Tucker-Lewis Index). Nilai TLI yang direkomdasikan untuk
menjadi dasar dalam menetapkan apakah model sudah fit adalah nilai TLI sebesar ≥ 0,90.
g) CFI (Comparative Fit Index). Nilai CFI yang direkomendasikan untuk menjadi dasar dalam menetapkan apakah model sudah fit dengan data adalah nilai CFI sebesar ≥ 0,90.
Tabel 3.4 Kriteria Goodness-of-fit Goodness of-fit Index Cut of Value
Probability Diharapkan Kecil 0,05
GFI ≥ 0,90 AGFI ≥ 0,90 RMSEA ≤ 0,08 CMIN/DF ≤ 2,00 TLI ≥ 0,90 CFI ≥ 0,90 Sumber: Kusnendi, 2008:29. 3) Interpretasi dan Modifikasi Model
Langkah terakhir dalam analisis SEM adalah menginterpretasi dan memodifikasi model yang tidak memenuhi syarat pengujian. Menurut Tabachnick dan Fidli sebagaimana dikemukakan kembali oleh Ferdinan (2002) bahwa interpretasi dilakukan dengan memperhatikan hasil estimasi, yakni dengan ketentuan residual (dari kovarian) harus kecil atau mendekati nol dan distribusi frekuansinya harus bersifat simentris. Distribusi frekuensi yang tidak simetris merupakan sinyal bahwa model kurang baik.
Modifikasi model dilakukan setelah menguji residual apabila; (a) jumlah residual tidak lebih dari 5%, maka tidak perlu dimodifikasi. Model yang baik memiliki Standardized Residual Variance (SRV) kecil (‒2,58,2,58); (b) modifikasi model dengan menambah sebuah alur (path) baru atau menghilangkan yang SRV-nya tinggi, atau dapat dilakukan dengan bantuan indeks modifikasi. Indeks modifikasi memberikan
gambaran mengenai mengecilnya nilai chi-kuadrat (Hair, dkk, 2006). Bila nilai indeks modifikasi semakin besar, maka chi kuadrat semakin kecil. Modifikasi model dilakukan apabila nilai indeks lebih besar atau sama dengan 4,0 dengan penambahan atau pengurangan alur, dalam hal ini dapat dilakukan dengan mempertimbangkan teori dan konsep yang menjadi pijakan.
Namun demikian, menurut Widarjono, (2010:315) bahwa model dikatakan layak jika paling tidak salah satu metode uji kelayakan model tersebut terpenuhi karena dalam prakteknya sangat sulit bisa memenuhi semua uji kelayakan tersebut. Bila uji kelayakan model bisa memenuhi lebih dari satu kriteria kelayakan model, model SEM akan jauh lebih baik dari pada hanya satu terpenuhi.
158