Data yang telah dikumpulkan dianalisis dengan alat analisis SEM dimana untuk menggunakan alat ini diperlukan bantuan program AMOS, hasil analisis berupa statistik deskriptif , uji kualitas data dengan SPSS. Alasan penggunaan SEM karena alat ini mampu menganalisis multivariate secara bersamaan sedangkan tujuan pengunaan teknik multivariate adalah untuk memperluas kemampuan dalam menerangkan penelitian dan juga mencapai efisiensi stastistik dengan keunggulan yang dimiliki SEM yaitu :
1. Mempunyai metode yang jelas tentang hubungan antar multi relationships
secara simultan dengan cepat.
2. Mempunyai kemampuan untuk mengestimasi hubungan secara komprehensif yang membuat peralihan dariexploratorykeexplanatory( Hair, 2006).
Alat analisis SEM yang digunakan untuk menguji data dan model penelitian terdiri dari beberapa pengujian yaitu :
a. Pengujian data.
Uji normalitas Univariat dan Multivariat : untuk menguji apakah data penelitian bersifat normal secaraunvariatdanmultivariat
UjiOutliers: untuk menguji apakah data penelitian terdapat data ekstrim Uji Korelasi / Kovarians : untuk menguji apakah terdapat multikolienaritas atau singularitas pada masing-masing variabel
b. Pengujian model penelitian.
Model pengukuran (measurement model) : variabel-variabel penelitian akan diuji undimensionalitasnya dalam membentuk suatu laten variabel Model struktural ( Structural model ) : model penelitian akan diukur hubungan sebab
akibat yang terjadi melalui pengujian goodness of fit serta beberapa justifikasi yang terdapat pada model.
Untuk membuat pemodelan yang lengkap, perlu dilakukan langkah-langkah sebagai berikut:
1. Pengembangan model teoritis.
Tahap pertama yang harus dilakukan dalam mengembangkan sebuah model penelitian dilakukan dengan mencari dukungan teori yang kuat melalui serangkaian eksplorasi ilmiah melalui telaah pustaka guna mendapatkan justifikasi atas model teoritis yang akan dikembangkan. Karena tanpa dasar teori yang kuat, SEM tidak dapat digunakan. SEM digunakan untuk menguji kausalitas yang ada teorinya dan bukan untuk membentuk teori kausalitas. 2. Menyusun Path Diagram untuk menyatukan hubungan kausalitas.
Langkah berikutnya model teoritis yang telah dibangun pada tahap pertama akan digambarkan dalam sebuah diagram alur, yang akan mempermudah untuk melihat hubungan-hubungan kausalitas yang ingin diuji. Konstruk yang dibangun dalam diagram alur dapat dibedakan dalam dua kelompok, yaitu : a. Konstruk Eksogen (Exogenous Constructs), yang dikenal juga sebagai
source variables atau independent variables yang tidak diprediksi oleh variabel yang lain dalam model. Konstruk eksogen adalah konstruk yang dituju oleh garis dengan satu ujung panah.
b. Konstruk Endogen (Endogenous Construct), yang merupakan faktor-faktor yang diprediksi oleh satu atau beberapa konstruk. Konstruk endogen dapat memprediksi satu atau beberapa konstruk endogen lainnya, tapi konstruk
eksogen hanya dapat berhubungan kausal dengan konstruk endogen, adapun pengembangan diagram alur dapat dilihat pada gambar dibawah ini :
Gambar 3.8
Diagram Alur Model Penelitian
3. Merubah Diagram Alur ke dalam Persamaan Terstruktur.
Untuk tahap ini persamaan yang dibangun dari diagram alur terdiri dari beberapa hal yaitu :
Persamaan spesifikasi model pengukuran. Persamaan ini menentukan item mana mengukur konstruk mana, dan menunjukan korelasi yang dihipotesiskan antar konstruk. X1 X1.1 X1.2 X1.3 Y1 Y1.1 Y1.2 Y1.3 e1 e2 e3 e18 e17 8 e16 X2 X2.1 X2.2 X2.3 e4 e5 e6 X5 X5.1 X5.2 X5.3 e13 e14 e15 X3 X3.1 X3.2 X3.3 e7 e8 e9 X4 X4.1 X4.2 X4.3 e10 e11 e12 Y2 Y2.1 Y2.2 Y2.3 e21 e20 8 e19
Persamaan untuk model pengukuran konstruk eksogen: Tanggung Jawab: X1.1 =
α
1X1+ e1 X1.2 =α
2X1+ e2 X1.3 =α
3X1+ e3 Kepribadian: X2.1 =α
4X2+ e4 X2.2 =α
5X2+ e5 X2.3 =α
6X2+ e6 Proses Belajar: X3.1 =α
7X3+ e7 X3.2 =α
8X3+ e8 X3.3 =α
9X3+ e9 Kondisi Kerja: X4.1 =α
10X4+ e10 X4.2 =α
11X4+ e11 X4.3 =α
12X4+ e12Nilai Sosial:
X5.1 =
α
13X5+ e13X5.2 =
α
14X5+ e14X5.3 =
α
15X5+ e15Persamaan untuk model pengukuran konstruk endogen:
Kinerja Dosen: Y1.1 =
α
16Y1+ e16 Y1.2 =α
17Y1+ e17 Y1.3 =α
18Y1+ e18 Komitmen Keorganisasian: Y2.1 =α
19Y2+ e19 Y2.2 =α
20Y2+ e20 Y2.3 =α
21Y2+ e21Persamaan struktural ( Structural Equations ) yang diajukan dalam model penelitian ini adalah:
Y1= β1X1+ β2X2+ β3X3+β4X4+β5X5+ε1
Y2=β6X1+ β7X2+ β8X3+β9X4+β10X5+β11Y1+ε3
4. Memilih Matrik Input dan Estimasi Model.
SEM adalah alat analisis berbasis kovarians. Penggunaan matrik kovarians karena dapat menunjukkan perbandingan yang valid antara populasi yang
berbeda atau sampel yang berbeda, dimana hal yang sama tidak dapat dilakukan oleh korelasi.
Pemakaian matrik kovarians lebih banyak digunakan pada penelitian mengenai hubungan, dikarenakan standard error dari berbagai penelitian menunjukkan angka yang kurang akurat apabila matrik korelasi digunakan sebagai input (Hair, 2006). Pada penelitian ini matrik input-nya adalah matrik kovarian yang ukuran sampel minimumnya adalah 100 responden. Teknik estimasi model yang digunakan adalah Maximum Likelihood Estimastion (ML). penggunaan sampel 100 responden dikarenakan ukuran sampel yang representative berkisar antara 100-200 responden (Hair, 2006) muncul ukuran 100 berasal dari perhitungan sampel minimum adalah sebanyak lima observasi untuk setiap
parameter yang diestimasi. Sehingga dengan batasan tersebut, bila parameter yang diestimasi berjumlah 20 maka jumlah sampel minimumnya adalah sebanyak 100.
5. Menilai problem identifikasi.
Masalah identifikasi merupakan masalah ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik. Masalah identifikasi dapat muncul melalui gejala sebagai berikut:
a. Standard erroruntuk satu sampai beberapa koefisien sangat besar
b. Program tidak mampu menghasilkan matriks informasi yang seharusnya disajikan
c. Munculnya angka-angka aneh, sepertivarians erroryang negatif
Munculnya angka korelasi yang sangat tinggi antar koefisien estimasi yang diperoleh (misalnya lebih dari 0,9)
6. Evaluasi KriteriaGoodness-of-fit.
Pada tahap ini dilakukan pengujian terhadap berbagai kriteria goodness of fit.
Hal pertama yang dilakukan adalah bahwa data yang digunakan harus memenuhi asumsi-asumsi SEM (Hair, 2006), yaitu :
a. RMSEA (The Root Mean Square Error of Approximation) yang menunjukan
goodnees- of fit yang dapat diharapkan bila model diestimasi dalam populasi lx. Nilai RMSEA yang lebih kecil atau sama dengan 0.08 merupakan indeks untuk dapat diterimanya model yang menunjukan sebuah close fit dari model itu berdasarkandegrees of freedom.
b. GFI (Goodness of Fit Index) adalah ukuran non-statikal yang mempunyai rentang nilai antara 0 (poor fit) sampai dengan 1.0 (perfect fit). Nilai yang tinggi dalam indeks ini menunjukan sebuah “better Fit”.
c. AGFI (Adjusted Goodness of Fit Indekx) dimana tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0.90.
d. CMIN/DF, adalah The Minimum Sample Discrepancy Fuction yang dibagi dengandegree of freedom. CMIN/DF tidak lain adalah statistik chi-square χ²
relatif. Bila nilai χ² relatif kurang dari 2.0 atau 3.0 adalah indikasi dari
acceptable fitantara model dan data.
e. TLI (Tucker Lewis Index) merupakan incremental fit index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model, dimana nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah > 0.95 dan nilai yang mendekati 1 menunjukkana very good fit.
f. CFI (Comparative Fit Index) dimana bila mendekati 1, mengindikasikan tingkat fit yang paling tinggi. Nilai yang direkomendasikan adalah CFI lebih besar atau sama dengan 0.95. Sebuah model dinyatakan layak jika masing-masing indeks tersebut mempunyaicut of value.
Tabel 3.2
Indeks Pengujian Kelayakan Model
Good Of Fit Cut Off Value
χ²Chi-Square χ² diharapkan kecil
Probabilitas ≥ 0,05 CMIN/DF ≤ 2,00 RMSEA ≤ 0,08 AGFI ≥ 0,90 GFI ≥ 0,90 CFI ≥ 0,95 TLI ≥ 0,95
7. Interpretasi dan Modifikasi Model.
Pada tahap ini model yang sedang dikembangkan akan diinterprestasikan dan bagi model yang tidak memenuhi syarat pengujian dilakukan modifikasi. Perlunya melalukan modifikasi terhadap sebuah model dapat dilihat dari jumlah residual yang dihasilkan model tersebut. Modifikasi perlu dipertimbangkan bila jumlah residual lebih besar dari 5% dari semua residual yang dihasilkan model lebih besar dari 2.58 maka cara untuk memodifikasi adalah dengan menambah sebuah alur baru terhadap model yang diestimasi itu (Hair, 2006). Modifikasi dapat dilakukan dengan menggunakan bantuan indeks modifikasi.
BAB IV