BAB III METODE PENELITIAN
3.6 Jenis dan Teknik Pengumpulan
Dalam proses pengumpulan data penelitian, data dapat diperoleh dari sumber primer ataupun sumber sekunder. Kedua jenis data tersebut akan dijelaskan sebagai berikut:
3.6.1 Jenis Data 1. Data Primer
Menurut Sekaran dan Bougie (2013), data primer mengacu pada informasi yang diperoleh dari tangan pertama peneliti yang berkaitan dengan variabel minat untuk tujuan studi spesifik. Dalam penelitian ini yang merupakan data primer ialah identitas sosial dan identifikasi responden, berisi data responden yang berhubungan dengan identitas dan keadaan sosial seperti: nama, jenis kelamin, usia, pendidikan dari mahasiswa Fakultas Ekonomi Universitas Islam Indonesia yang berkaitan dengan website rekruitmen perusahaan, reputasi perusahaan, dan daya tarik pelamar terhadap perusahaan.
2. Data Sekunder
Sekaran dan Bougie (2013) data sekunder mengacu pada informasi yang dikumpulkan dari sumber data yang telah ada seperti arsip atau dokumentasi perusahaan, publikasi pemerintah, analisis
industry yang tersedia di media cetak maupun internet. Data sekunder umumnya berupa bukti, catatan atau laporan historis yang telah tersusun dalam arsip (data dokumenter) yang dipublikasikan dan yang tidak dipublikasikan. Data sekunder dalam penelitian ini meliputi: dokumen yang relevan digunakan sebagai data pendukung penelitian, terkait dengan variabel yang akan diteliti.
3.6.2 Teknik Pengumpulan Data 1. Kuesioner
Dalam penelitian ini teknik yang digunakan untuk mengumpulkan data ialah menggunakan kuesioner. Menurut Sekaran dan Bougie (2013) kuesioner merupakan pernyataan tertulis yang dibuat untuk responden sebagai alternatif pengumpulan data. Kuesioner didesain untuk mengumpulkan jumlah besar data yang sifatnya kuantitatif. Data yang dikumpulkan bersumber dari data hasil kuesioner dari mahasiswa Fakultas Ekonomi angkatan 2014. Jawaban yang disediakan dalam setiap pertanyaan atau pernyataan ini, menggunakan skala likert. Menurut Sugiyono (2014) Skala Likert digunakan untuk mengukur sikap, pendapat, dan persepsi seseorang atau sekelompok orang tentang fenomena sosial. Untuk setiap pertanyaan dalam penelitian ini disediakan 6 (enam) alternatif jawaban dengan skor:
ASTS = Amat Sangat Tidak Tepat (1) STS = Sangat Tidak Tepat (2) TS = Tidak Tepat (3)
S = Tepat (4)
SS = Sangat Tepat (5)
ASS = Amat Sangat Tepat (6) 3.7 Metode Analisis Data
Menurut Sugiyono (2014), analisis data merupakan kegiatan setelah data dari seluruh responden atau sumber data lain terkumpul.
Kegiatan dalam analisis data adalah mengelompokkan data berdasarkan variabel dan jenis responden, mentabulasi dara berdasarkan variabel dari seluruh responden, menyajikan data tiap variabel yang diteliti, melakukan perhitungan untuk menjawab rumusan masalah, dan melakukan perhitungan untuk menguji hipotesis yang telah diajukan..
3.7.1 Analisis Deskriptif
Menurut Sugiyono (2014) analisis deskriptif digunakan untuk mendeskripsikan dan menggambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat kesimpulan yang bersifat umum atau generalisasi. Data yang diperoleh diolah dan disajikan ke dalam bentuk tabel distribusi frekuensi, dengan tujuan untuk memudahkan proses pengolahan data.
3.7.2 Analisis Structural Equation Modeling (SEM)
Menurut Haryono (2017) model SEM adalah generasi kedua teknik analisis multivariat yang memungkinkan peneliti menguji hubungan antar variabel yang kompleks baik recursive maupun nonrecursive untuk memperoleh gambaran yang komprehensif mengenai keseluruhan model. SEM dapat menguji secara bersama – sama mengenai model struktural (hubungan antara konstruk independen dengan dependen) dan model pengukuran (hubungan anatara indikator dengan konstruk). Digabungkannya pengujian
model struktural dengan pengukuran tersebut memungkinkan peneliti untuk menguji kesalahan pengukuran sebagai bagian yang tidak terpisahkan dari SEM dan melakukan analisis faktor bersamaan dengan pengujian hipotesis.
3.7.3 Partial Least Square (PLS)
Menurut Haryono (2017) dalam sebuah penelitian sering kali peneliti dihadapkan pada kondisi di mana ukuran sampel cukup besar, tetapi memiliki landasan teori yang lemah dalam hubungan antara variabel yang dihipotesiskan. Namun tidak jarang pula ditemukan hubungan diantara variabel yang sangat kompleks, tetapi ukuran sampel data kecil. Partial Least Square merupakan salah satu metode alternatif dari SEM yang dapat digunakan untuk mengatasi permasalahan tersebut. PLS hanya berfungsi sebagai alat analisis prediktor bukan uji model pada awalnya. Desain PLS dimaksudkan untuk mengatasi keterbatasan analisis regresi dengan teknik ordinary least square ketika karakteristik datanya mengalami masalah seperti ukuran data terlalu kecil, adanya missing value, bentuk sebaran data tidak normal, dan adanya gejala multikolinearitas. Pendekatan PLS lebih cocok digunakan untuk analisis yang bersifat prediktif dengan dasar teori yang lemah dan data tidak memenuhi asumsi SEM yang berbasis kovarian. Dengan teknik PLS, diasumsikan bahwa semua ukuran varian berguna untuk dijelaskan. Menurut Kahai dan Cooper Goodhue dkk (2016) melakukan penelitian dengan jumlah sampel 31 namun salah satu manfaat penting adalah kemampuan PLS untuk dipekerjakan dengan data lebih sedikit daripada paket pemodelan
struktural lainnya. Sebagai indikasi, PLS dapat digunakan dalam situasi di mana setidaknya ada lima titik data untuk setiap jalur yang mengarah ke konstruk yang memiliki jalur paling masuk. Jumlah minimum data untuk analisismya adalah 25, karena ada empat hipotesis dan satu jalur kontrol yang mengarah pada kualitas keputusan.
1. Tahapan Analisis PLS a. Estimasi Model SEM PLS
Menurut Lahmoller dalam Haryono (2017) pendugaan parameter dalam PLS meliputi tiga tahap yaitu menciptakan skor variabel laten dari weight estimate, menaksir koefisien jalur (coefficent path) yang menghubungkan antar variabel laten dan menaksir loading factor (koefisien model pengukuran) yang menghubungkan antara variabel laten dengan indikatornya dan menaksir parameter lokasi. Analisis pada tahap ini berupa algoritma PLS yang berisi prosedur iterasi yang menghasilkan skor variabel laten. Setelah ditemukan skor variabel laten, maka analisis tahap selanjutnya dilakukan.
2. Evaluasi Model dalam PLS
Menurut Haryono (2017) evaluasi model dalam PLS terdiri dari dua tahap yaitu evaluasi outer model atau model pengukuran (measurement model) dan evaluasi inner model atau model struktural.
Evaluasi terhadap model pengukuran dikelompokkan menjadi evaluasi terhadap model reflektif dan formatif.
a. Evaluasi Outer Model (Model Pengukuran) 1) Evaluasi Model Pengukuran Reflektif
Evaluasi terhadap model indikator reflektif meliputi pemeriksaan individual item reliability, internal consitency/
concstruct reliabilty, average variance extracted dan discriminant validity. Ketiga pengukuran pertama dikategorikan sebagai convergent validity.
a) Convergent validity
Convergent validity mengukur besarnya korelasi antar konstruk dengan variabel laten. Dalam evaluasi convergent validity dari pemeriksaan individual item reliability, dapat dilihat dari nilai standarisasi factor loading yang menggambarkan besarnya korelasi antara setiap item pengukuran indikator dengan konstruknya. Nilai loading factor ≥ 0,7 dikatakan ideal, artinya indikator tersebut valid mengukur konstruk yang dibentuknya. Dalam pengalaman empiris penelitian, nilai loading factor ≥ 0,5 masih diterima. Bahkan sebagian ahli mentolerir 0,4 dengan demikian nilai kuadrat dari nilai loading factor tersebut disebut communalities. Nilai ini menunjukkan persentasi konstruk mampu menerangkan variansi yang ada dalam indikator.
b) Internal Consistency reliability
Langkah selanjutnya melihat internal consistency reliabilty dari nilai Cronbach Alpha dan Composite Reliability (CR) lebih baik dalam mengukur internal consistency dibandingan Cronbach Alpha
dalam SEM karena CR tidak mengasumsikan kesamaan boot dari setiap indikator. Cronbach Alpha cenderung menaksir lebih rendah dari construct reliability dibandingkan Composite Reliability.
c) Composite Realibility
Interpretasi Composite Realibility sama dengan Cronbach Alpha. Nilai batas ≥ 0,7 dapat diterima dan nilai ≥ 0,8 sangat memuaskan. Ukuran lainnya dari convergent validity adalah nilai Average Variance Extracted (AVE). Nilai AVE menggambarkan besarnya varian atau keragaman variabel manifes yang dapat dimiliki oleh konstruk laten. Dengan demikian, semakin besar varian atau keragaman variabel manifes yang dapat dikandung oleh konstruk laten, maka semakin besar representasi variabel manifes terhadap konstruk latennya. Ukuran AVE juga dapat digunakan untuk mengukur reliabilitas component score variable latent dan hasilnya lebih konservatif dibandingankan dengan composite reliability (CR).
Jika semua indikator distandarkan maka nilai AVE akan sama dengan rata – rata nilai block communalities.
d) Disciminant Validity
Discriminant validity dari model reflektif dievaluasi melalui cross loading kemudian dibandingkan nilai AVE dengan kuadrat dari nilai korelasi antar konstruk / membandingkan akar kuadrat AVE dengan korelasi antar konstruknya. Ukuran cross loading adalah membandingkan korelasi indikator dengan konstruk blok lainnya.
Bila korelasi antara indikator dengan konstruknya lebih tinggi dari korelasi dengan blok lainnya, hal ini menunjukkan konstruk tersebut
memprediksi ukuran pada blok mereka dengan lebih baik dari blok lainnya. Ukuran discriminant validity lainnya adalah bahwa nilai akar AVE harus lebih tinggi daripada korelasi antara konstruk dengan konstruk lainnya atau nilai AVE lebih tinggi dari kuadrat korelasi antara konstruk.
2) Evaluasi Model Pengukuran Reflektif
Pengujian validitas yang biasa dipakai dalam metode klasik tidak bisa dipakai untuk model pengukuran formatif, sehingga konsep reliabilitas (internal consistency) dan construct validity (seperti convergent validity dan discriminant validity) tidak memiliki arti ketika model pengukuran bersifat formatif. Dalam model pengukuran yang bersifat formatif, reliabilitas konstruk menjadi tidak relevan lagi dalam menguji kualitas pengukuran. Hal yang perlu dilakukan adalah menggunakan dasar teoritik yang rasional dan pendapat para ahli.
b. Evaluasi Inner Model (Model Strukturisasi) 1) Tahap Pertama
Langkah pertama mengevaluasi model struktural dengan cara melihat signifikansi hubungan antar konstruk/variabel. Hal ini dapat dilihat dari koefisien jalur yang menggambarkan kekuatan hubungan antar konstruk. Tanda atau arah dalam jalur harus sesuai dengan teori yang dihipotesiskan, signifikansinya dapat dilihat dari t test atau critical ratio yang diperoleh dari proses boostraping atau resampling method.
2) Tahap Kedua
Langkah kedua ada adalah mengevaluasi nilai R2. Interpretasi nilai R2 sama dengan interpretasi R2 regresi linear yaitu besarnya variability variabel endogen yang mampu dijelaskan oleh variabel eksogen. Menurut Chin (1998) kriteria R2 terdiri dari tiga klasifikasi yaitu nilai R2 0.67, 0.33 dan 0.19 sebagai substansial, sedang dan lemah . Perubahan nilai R2 dapat digunakan untuk melihat apakah pengaruh variabel laten eksogen terhadap variabel laten endogen memiliki pengaruh yang substantif. Hal ini dapat diukur dengan effect size f2 . Dimana R included dan R excluded adalah R2 dari variabel laten endogen yang diperoleh ketika variabel eksogen tersebut masuk atau dikeluarkan dalam model. Menurut Cohen (1988) dalam Haryono (2017) effect size f2 yang disarankan adalah 0.02, 0.15 dan 0.15 dengan variabel laten eksogen memiliki pengaruh kecil, moderat dan besar pada level struktural. Untuk validasi model struktural secara keseluruhan digunakan Goodness of Fit (GOF). GOF indeks merupakan ukuran tunggal untuk memvalidasi performa gabungan antara model pengukuran dan model struktural. Model GOF ini diperoleh dari average communalities index dikalikan dengan nilai R2 model.
BAB IV
ANALISIS DATA DAN PEMBAHASAN
4.1 Pengumpulan Data
Hasil penyebaran kuisioner secara langsung kepada mahasiswa fresh graduate di Fakultas Ekonomi Universtas Islam Indonesia, yang berjumlah 78 orang dan sudah mengikuti sidang. Jumlah kuisioner yang disebar adalah 78, dari 78 kuisioner yang disebar tersebut seluruhnya dapat dioleh yang kemudian diuji dan dianalisis lebih lanjut. Tingkat pengembalian kuisioner yang dapat diolah lebih lanjut akan disajikan dalam Tabel 4.1
Tabel 4.1 Tingkat Pengembalian Kuisioner Kriteria Jumlah Persentase
Kuesioner yang disebar 78 100%
Jumlah kuisioner yang tidak kembali
0 0%
Jumlah Kuisioner yang tidak lengkap
0 0%
Kuisioner yang memenuhi syarat 78 100%
Sumber: Data Primer, 2018
Tabel 4.1 diatas menjelaskan bahwa kuisioner yang disebarkan berjumlah 78 buah. Kuisioner yang diisi secara lengkap berjumlah 78 buah atau dengan kata lain tingkat pengembalian kuisioner adalah 100%.
4.2 Analisis Deskriptif
Pada bagian berikut akan mendiskripsikan data-data yang diperoleh dari responden. Data deskriptif yang menggambarkan keadaan atau kondisi responden perlu diperhatikan sebagai informasi tambahan untuk memahami hasil penelitian.
Tabel 4.2 Identitas Responden
Sumber: Data primer diolah, 2018
Tabel 4.2 menunjukkan bahwa jumlah responden laki-laki lebih banyak dari responden perempuan. Responden wanita sebanyak 43,6% sedangkan responden pria sebanyak 56,4%. Hal ini dapat mengambarkan bahwa sebagian besar dalam penelitian ini lebih didominasi oleh wanita dalam mengakses situs web rekruitmen. Sejalan dengan penelitian Allen at all., (2013) dengan mayoritas sampelnya adalah wanita menunjukkan bahwa individu yang terlibat dalam proses pencarian kerja didominasi oleh wanita. Kondisi seperti ini menujukkan bahwa tingkat partisipasi wanita dalam pekerjaan juga sangat tinggi.
Sedangkan responden berdasarkan usia menunjukkan sebagian besar responden berusia kurang dari 20 tahun sebanyak 2 orang (2,6%), berusia 21 tahun sampai dengan 25 tahun sebanyak 76 orang (97,4%). Hal ini dapat menunjukkan bahwa sebagian besar usia pencari kerja dalam penelitian ini berusia 21-25 tahun. Menurut
Walker et all., (2011) dalam pencariaan kerja dilakukan pada usia produktif akan meningkatkan peluang diterima oleh sebuah perusahaan.
Dan yang terakhir responden berdasarkan tingkat pendidikan terakhir yaitu responden didominasi dari lulusan S1 sebanyak 78 orang (100%). Hal tersebut menunjukkan bahwa keseluruhaan dalam penelitian ini perpendidikan Sarjana.
Hidayat (2009) menyatakan semakin tinggi pedidikan responden akan lebih mengerti dalam pencarian pekerjaan. Menurut Supryanto (2012) tingkat pendidikan akan membentuk profesionalitas pelamar pekerja yang berdampak positif bagi proses kerja dan perkembangan pribadi pelamar. Tingkat pendidikan pelamar juga mempengaruhi produktivitas pelamar sehingga akan mempengaruhi pula kemampuan dan tingkat kualitas sumber daya manusia didalam suatu perusahaan.
Berikut ini adalah karakteristik responden berdasarkan website rekruitmen perusahaan BUMN/Swasta yang pernah di akses oleh responden :
Tabel 4.3. Karakteristik Responden Website Frekuensi Persentase
Academia.edu 2 2,6%
Astra 2 2,6%
Astra International 2 2,6%
BCA 4 5,1%
BNI 6 7,7%
Bri 3 3,8%
Btn 2 2,6%
Mandiri 11 14,1%
Mandiri dan Bri 2 2,6%
Mandiri, bni, dll 3 3,8%
Pertamina 28 35,9%
PT kai 4 5,1%
PT KPC 4 5,1%
Pt Krakatau Steel 2 2,6%
Waskita Karya 1 1,3%
Wijaya karya 2 2,6%
Sumber: Data primer diolah, 2018
Tabel 4.3 menujukkan bahwa mayoritas responden mengakses website Pertamina sebanyak 28 orang atau (35,9%), mengakses website mandiri sebanyak 11 orang atau (14,1%). Kemudian mengakses website BNI sebanyak 6 orang atau (7,7%), selanjutnya mengakses website BCA, PT Kai, PT KPC masing-masing sebanyak 4 orang atau (5,1%). Mengakses website BRI, Mandiri bni dll, sebanyak 3 orang atau (3,8%), mengakses website Academia.edu, Astra, Astra International, BTN, Mandiri dan BRI, PT. Krakatau Steel dan Wijaya Karya masing-masing sebanyak 2 orang atau (2,6%), yang terakhir mengakses website Waskita Karya sebanyak 1 orang atau (1,3%).
4.2.1 Analisis Deskriptif Variabel Penelitian
Deskripsi jawaban responden digunakan untuk mengetahui tanggapan yang diberikan oleh responden terhadap variabel kinerja, gaya kepemimpinan, budaya organisasi dan kepuasan kerja. Berdasarkan data yang dikumpulkan, jawaban dari responden telah direkapitulasi kemudian dianalisis untuk mengetahui deskriptif terhadap masing-masing variabel. Penilaian responden ini didasarkan pada kriteria sebagai berikut:
Skor penilaian terendah adalah : 1 Skor penilaian tertinggi adalah : 6
Interval = = 0.83
Sehingga diperoleh batasan penilaian terhadap masing-masing variabel adalah sebagai berikut : 1. Hasil Analisis Variabel Eksogen
Variabel eksogen pada penelitian ini adalah Website Rekruitmen (WR).
Hasil analisis deskriptif terhadap variabel eksogen ditunjukkan dalam Tabel 4.4.
Tabel 4.4 Website Rekruitmen
Kode Item Mean Kriteria
WR1 Di dalam situs web yang pernah di akses menawarkan banyak informasi terkait perusahaan
4,718 Sangat Tepat
WR2 Di dalam situs web memberikan fasilitas kontak dengan perusahaan terkait
4,628 Sangat Tepat WR3 Untuk lebih akrab situs web memberikan
kesempatan komuniksi dua arah
4,038 Tepat
WR4 Dengan adanya situs web pribadi seseorang akan merasa ditargetkan oleh perusahaan tersebut
4,705 Sangat Tepat
WR5 Situs web memberikan informasi tentang perusahaan di luar apa yang dikatakan
4,679 Sangat Tepat
WR6 Di dalam situs web terdapat informasi pekerjaan yang mampu menjawab gaji di atas rata-rata
4,564 Sangat Tepat WR7 Perusahaan akan memberikan saya kesempatan
kerja di lokasi yang diinginkan
4,026 Tepat
WR8 Perusahaan akan memberikan saya jenis pekerjaan yang saya inginkan
4,282 Tepat
WR9 Perusahaan ini memiliki peluang bagus untuk kemajuan karir saya
4,692 Sangat Tepat WR10
Perusahaan ini memiliki lingkungan kerja yang baik 4,654 Sangat Tepat WR11 Perusahaan ini memiliki tugas dan tanggung
jawab yang menarik
4,500 Sangat Tepat WR12 Perusahaan ini menyediakan pekerjaan
dengan prospek yang baik untuk keseimbangan kerja saya
4,423 Sangat Tepat
Rata-Rata Total 4,493 Sangat
Tepat Sumber: Data primer diolah, 2018
Berdasarkan hasil analisis deskriptif menujukkan bahwa responden menilai variabel website rekruitmen memiliki nilai rata-rata sebesar 4,493 dengan kriteria sangat tepat. Nilai tertinggi terdapat pada item dengan kode WR1 sebesar 4,718 yaitu
“Di dalam situs web yang pernah di akses menawarkan banyak informasi terkait perusahaan”. Sedangkan penilaian dengan nilai terendah terdapat pada item dengan kode WR7 sebesar 4,026 yaitu “Perusahaan akan memberikan saya kesempatan kerja di lokasi yang diinginkan”.
Dari hasil tersebut menunjukkan bahwa website rekruitmen yang di akses responden menawarkan banyak informasi terkait perusahaan yang akan memberikan daya tarik terhadap pelamar pekerjaan.
2. Varibel Mediasi
Variabel Mediasi pada penelitian ini adalah Reputasi Perusahaan (RP).
Hasil analisis deskriptif terhadap variabel endogen ditunjukkan dalam Tabel 4.5.
Tabel 4.5 Reputasi Perusahaan
Kode Item Mean Kriteria
RP1 Perusahaan ini memiliki citra yang baik 4,859 Sangat Tepat RP2 Teman-teman saya sangat menghormati
perusahaan ini sebagai tempat bekerja (perusahaan baik dan bagus)
4,795 Sangat Tepat
RP3 Saya percaya bahwa teman-teman saya memiliki kesan yang baik terhadap perusahaan sebagai organisasi yang baik
4,833 Sangat Tepat
RP4 Teman-teman di Fakultas saya memiliki kesan yang baik terhadap perusahaan ini sebagai organisasi
4,769 Sangat Tepat
RP5 Perusahaan ini adalah salah satu yang pertama kali muncul ketika saya memikirkan
pekerjaan
4,474 Sangat Tepat
RP6 Saya dapat mengenali perusahaan ini di antara perusahaan lain
4,538 Sangat Tepat
Kode Item Mean Kriteria
RP7 Saya sadar bahwa perusahaan ini
mempekerjakan mahasiswa dari Universitas saya
4,346 Tepat
RP8 Saya sangat akrab dengan perusahaan ini sebagai karyawan
4,090 Tepat
Rata-Rata Total 4,588 Sangat
Tepat Sumber: Data primer diolah, 2018
Berdasarkan hasil analisis deskriptif menujukkan bahwa responden menilai variabel reputasi perusahaan memiliki nilai rata-rata sebesar 4,588 dengan kriteria
sangat tepat. Nilai tertinggi terdapat pada item dengan kode RP1 sebesar 4,859 yaitu
“Perusahaan ini memiliki citra yang baik”. Sedangkan penilaian dengan nilai terendah terdapat pada item dengan kode RP8 sebesar 4,090 yaitu “Saya sangat akrab dengan perusahaan ini sebagai karyawan”.
Dari hasil tersebut menunjukkan bahwa responden sangat Tepat bahwa reputasi perusahaan yang memiliki citra yang baik itu penting, reputasi perusahaan dapat mempengaruhi daya tarik pelamar.
3. Variabel Endogen
Variabel endogen pada penelitian ini adalah Daya Tarik Pelamar Terhadap Perusahaan (DTP). Hasil analisis deskriptif terhadap variabel endogen ditunjukkan dalam Tabel 4.6.
Tabel 4.6 Daya Tarik Pelamar Terhadap Perusahaan (DTP)
Kode Item Mean Kriteria
DTP1 Bagi saya, perusahaan ini akan menjadi tempat yang baik untuk bekerja
4,615 Sangat Tepat DTP2 Saya yakin pekerjaan di perusahaan ini
sangat menarik bagi saya
4,603 Sangat Tepat DTP3 Saya percaya perusahaan ini akan
menarik bagi saya sebagai tempat bekerja
4,577 Sangat Tepat
Rata-Rata Total 4,598 Sangat
Tepat Sumber: Data primer diolah, 2018
Berdasarkan hasil analisis deskriptif menujukkan bahwa responden menilai variabel daya tarik pelamar terhadap perusahaan memiliki nilai rata-rata sebesar 4,598 dengan kriteria sangat tepat. Nilai tertinggi terdapat pada item dengan kode DTP1 sebesar 4,615 yaitu “Bagi saya, perusahaan ini akan menjadi tempat yang baik untuk bekerja”. Sedangkan nilai terendah terdapat pada item dengan kode DTP3
sebesar 4,577 yaitu “Saya percaya perusahaan ini akan menarik bagi saya sebagai tempat bekerja”.
Dari hasil tersebut menunjukkan bahwa daya tarik pelamar terhadap perusahaan sangat tinggi yaitu dibuktikan dengan merasa perusahaan akan menjadi tempat yang baik untuk bekerja.
4.3 Evaluasi Model Pengukuran (Outer Model)
Pengujian model pengukuran akan dilakukan untuk menunjukkan hasil uji validitas dan reliabilitas. Pada penelitian ini, uji validitas dilakukan untuk mengetahui apakah konstruk sudah memenuhi syarat untuk dilanjutkan sebagai penelitian atau tidak. Pada uji validitas ini, ada dua macam evaluasi yang akan dilakukan, yaitu:
4.3.1 Convergent Validity
Convergent Validity model pengukuran dengan item yang memiliki nilai berdasarkan korelasi antara skor item dan nilai konstruk. Indeks Convergent Validity adalah diukur dengan faktor AVE, composite reliability, R square, cronbachs alpha.
Hasil indeks AVE, composite reliability, R square, cronbachs alpha dapat dilihat pada tabel 4.7.
Tabel 4.7 Convergent Validity
AVE Composite Reliability
R Square Cronbachs Alpha
WR 0,577 0,942 0,932
RP 0,565 0,912 0,492 0,890
DTP 0,972 0,990 0,736 0,985
Kriteria validity dan reliabilitas juga dapat lihat dari nilai reliabilitas suatu variabel dan nilai Average Variance Extracted (AVE) dari masing-masing variabel.
Variabel dikatakan memiliki reliabilitas yang tinggi jika nilai composite reliability diatas 0.7 dan AVE berada di atas 0,5. Berdasarkan tabel 4.7 dinyatakan bahwa seluruh variabel memenuhi composite reliability karena nilainya diatas angka yang direkomendasikan, yaitu diatas 0,7 yang sudah memenuhi kreteria realibel.
Berikut adalah hasil uji outer model yang menunjukkan nilai outer loading dengan menggunakan alat analisis SmartPLS v 3.2.7.
Gambar 4.1 Hasil Uji Outer Model (Model Pengukuran)
Sumber: Data primer diolah, 2018
Sedangkan indeks Convergent Validity diukur dengan nilai loading factor dapat dilihat pada Tabel 4.8 sebagai berikut:
Tabel 4.8 Loading Factor
Validitas dan Reliabilitas
Hasil Uji Cut off Status
Pengaruh Original Sampel Outer Loadings
Pengaruh Original Sampel Outer Loadings
Validitas dan Reliabilitas
Hasil Uji Cut off Status
Pengaruh Original Sampel Outer Loadings
(convergent Validity)
DTP1-Y 0,993 0,5 Valid
DTP2-Y 0,982 0,5 Valid
DTP3-Y 0,982 0,5 Valid
Sumber: Data primer diolah, 2018
Untuk Uji signifikansi outher loading menunjukkan bahwa semua item memiliki tingkat signifikansi lebih kecil dari α (0,05), yang mengindikasikan bahwa semua item memiliki indeks validitas konvergen yang baik. Bisa juga dikatakan bahwa item kuisioner dalam penelitian ini memiliki validitas konvergen yang baik.
4.3.2 Discriminant Validity
Discriminant validity dilakukan untuk memastikan bahwa setiap konsep dari masing variabel laten berbeda dengan variabel lainnya. Model mempunyai Discriminant validity yang baik jika setiap nilai loading dari setiap item dari sebuah
Discriminant validity dilakukan untuk memastikan bahwa setiap konsep dari masing variabel laten berbeda dengan variabel lainnya. Model mempunyai Discriminant validity yang baik jika setiap nilai loading dari setiap item dari sebuah