Gambar 4.1. Model Kerangka Konseptual Faktor – Faktor Yang Berpengaruh Terhadap Kinerja BKD Dan Pengembangan Karier
4.2.2.2.2 Persamaan Pengukuran
Spesifikasi model pengukuran (measurement model) dilakukan terlebih dahulu, hasil standard regression weightnya seperti pada Table 13 dibawah ini.
Tabel 4.14. Standardized Regression Weights
Estimate Penunjang <--- BKD .494 Pengabdian <--- BKD .722 Penelitian <--- BKD .979 Pendidikan <--- BKD .702 Penunjang_skd <--- SKD .590 Pengabdian_Masy <--- SKD .885 Pend_Penelitian <--- SKD .689 Lulus <--- PKD .791 Tidak_Lulus <--- PKD .674 Pend_Lanjut <--- PK .762 Jbt_Fungsional <--- PK .908 Sertifikasi <--- PK .532 Pendidikan = λ1 BKD + e1; X1.1 = λ1 f(X) + e1 X1.1 = 0,702 X
Dapat diartikan bahwa, angka 0,702 artinya kalau X naik sebesar 1 unit menyebabkan kontribusi terhadap X1.1 naik sebesar 0,702 kali, jadi Pendidikan berpengaruh langsung terhadap BKD sehingga pemilihan indikator Pendidikan pada variabel laten BKD adalah sangat tepat.
Penelitian = λ2 BKD + e2; X1.2 = λ2 f(X) + e2
X1.2 = 0,979 X
Dapat diartikan bahwa, angka 0,979 artinya kalau X naik sebesar 1 unit menyebabkan kontribusi terhadap X1.2 naik sebesar 0,979 kali, jadi Penelitian
berpengaruh langsung positif dan signifikan terhadap BKD sehingga pemilihan Penelitian pada variabel laten BKD adalah sangat tepat.
Pengabdian = λ3 BKD + e3; X1.3 = λ3 f(X) + e3
X1.3 = 0,722 X
Dapat diartikan bahwa, angka 0,722 artinya kalau X naik sebesar 1 unit menyebabkan kontribusi terhadap X1.3 naik sebesar 0,722 kali, jadi Pengabdian berpengaruh langsung positif dan signifikan terhadap BKD sehingga pemilihan indikator Pengabdian pada variabel laten BKD adalah sangat tepat.
Penunjang = λ4 BKD + e4; X1.4 = λ4 f(X) + e4
X1.4 = 0,494 X
Dapat diartikan bahwa, angka 0,494 artinya kalau X naik sebesar 1 unit menyebabkan kontribusi terhadap X1.4 naik sebesar 0,494 kali, jadi Penunjang berpengaruh langsung positif dan signifikan terhadap BKD sehingga pemilihan indikator Penunjang pada variabel laten BKD adalah sangat tepat.
Pend_Penelitian = λ5 SKD + e5; X1.5 = λ5 f(X) + e5
X1.5 = 0,689 X
Dapat diartikan bahwa, angka 0,689 artinya kalau X naik sebesar 1 unit menyebabkan kontribusi terhadap X1.5 naik sebesar 0,689 kali, jadi Pend_Penelitian berpengaruh langsung terhadap SKD sehingga pemilihan indikator Pend_Penelitian pada variabel laten SKD adalah sangat tepat.
X1.6= λ6 f(X) + e6
X1.6 = 0,885 X
Dapat diartikan bahwa, angka 0,885 artinya kalau X naik sebesar 1 unit menyebabkan kontribusi terhadap X1.6 naik sebesar 0,885 kali, jadi Pengabdian_Masy berpengaruh langsung positif dan signifikan terhadap SKD sehingga pemilihan indikator Pengabdian_Masy pada variabel laten SKD adalah sangat tepat.
Penunjang_SKD = λ7 SKD + e7; X2.1 = λ7 f(X) + e7
X2.1 = 0,590 X
Dapat diartikan bahwa, angka 0,590 artinya kalau X naik sebesar 1 unit menyebabkan kontribusi terhadap X2.1 naik sebesar 0,590 kali, jadi Penunjang_SKD berpengaruh langsung positif dan signifikan terhadap SKD sehingga pemilihan indikator Penunjang_SKD pada variabel laten SKD adalah sangat tepat.
Pend_Lanjut = λ8 PK + e8; X2.2 = λ8 f(X) + e8
X2.2 = 0,762 X
Dapat diartikan bahwa, angka 0,762 artinya kalau X naik sebesar 1 unit menyebabkan kontribusi terhadap X2.2 naik sebesar 0,762 kali, jadi Pend_Lanjut berpengaruh langsung positif dan signifikan terhadap PK sehingga pemilihan indikator Pend_Lanjut pada variabel laten PK adalah sangat tepat.
Jbt_Fungsional = λ9 PK + e9;
X2.3 = 0,908 X
Dapat diartikan bahwa, angka 0,908 artinya kalau X naik sebesar 1 unit menyebabkan kontribusi terhadap X2.3 naik sebesar 0,908 kali, jadi Jbt_Fungsional berpengaruh langsung positif dan signifikan terhadap PK sehingga pemilihan indikator Jbt_Fungsional pada variabel laten PK adalah sangat tepat.
Sertifikasi = λ10 PK + e10; X3.1 = λ10 f(X) + e10
X3.1 = 0,532 X
Dapat diartikan bahwa, angka 0,532 artinya kalau X naik sebesar 1 unit menyebabkan kontribusi terhadap X3.1 naik sebesar 0,532 kali, jadi Sertifikasi berpengaruh langsung positif dan signifikan terhadap PK sehingga pemilihan indikator Sertifikasi pada variabel laten PK adalah sangat tepat.
Lulus = λ11 PKD + e11; X3.2 = λ11 f(X) + e11 X3.2 = 0,791 X
Dapat diartikan bahwa, angka 0,791 artinya kalau X naik sebesar 1 unit menyebabkan kontribusi terhadap X3.2 naik sebesar 0,791 kali, jadi Lulus berpengaruh langsung positif dan signifikan terhadap PKD sehingga pemilihan indikator PKD pada variabel laten Lulus adalah sangat tepat.
Tidak Lulus = λ12 PKD + e12; X3.3 = λ12 f(X) + e12
X3.3 = 0,674 X
Dapat diartikan bahwa, angka 0,674 artinya kalau X naik sebesar 1 unit menyebabkan kontribusi terhadap X3.3 naik sebesar 0,674 kali, jadi Tidak Lulus
berpengaruh langsung positif dan signifikan terhadap PKD sehingga pemilihan indikator Tidak Lulus pada variabel laten PKD adalah sangat tepat.
4.2.2.2.3Uji Validitas
Uji validitas dinilai dari measurement model yang dikembangkan dalam penelitian dengan menentukan apakah setiap indikator yang diestimasi secara valid mengukur dimensi dari konsep yang diujinya. Bila setiap indikator memiliki C.R > 2.SE, hal ini menunjukkan bahwa indikator itu secara valid mengukur apa yang sebenarnya diukur dalam model yang disajikan.
Tabel 4.15. Regression Weights
Estimate S.E. C.R. P Label Penunjang <--- BKD 1.000 Pengabdian <--- BKD 1.478 .304 4.868 *** par_1 Penelitian <--- BKD 1.879 .385 4.876 *** par_2 Pendidikan <--- BKD 1.784 .376 4.744 *** par_3 Penunjang_skd <--- SKD 1.000 Pengabdian_Masy <--- SKD 1.183 .207 5.719 *** par_4 Pend_Penelitian <--- SKD .962 .180 5.350 *** par_5 Lulus <--- PKD 1.000 Tidak_Lulus <--- PKD .654 .144 4.541 *** par_6 Pend_Lanjut <--- PK 1.000 Jbt_Fungsional <--- PK 1.161 .209 5.550 *** par_7 Sertifikasi <--- PK .618 .123 5.027 *** par_8
Dari Tabel semua indikator memiliki nilai C.R > 2.SE, yang berarti indikator-indikator yang diestimasi tersebut secara valid mengukur dimensi dari konsep yang diuji (Anderson & Gerbing, 1988) dikutip dari Ferdinand, 2002:187.
4.2.2.2.4 Uji Signifikansi
Sebuah variabel dapat digunakan untuk mengkonfirmasi sebuah variabel laten bersama-sama dengan variabel lainnya dengan menggunakan tahapan analisis sebagai berikut :
1. Bobot Faktor (Regression Weight)
Kuatnya dimensi-dimensi itu membentuk variabel latennya dapat dianalisis dengan menggunakan uji-t terhadap regression weight yang dapat dilihat pada Tabel 4.15. C.R atau Critical Ratio identik dengan t-hitung dalam analisis regresi. Oleh karena itu C.R yang identik dengan t-hitung harus dibandingkan dengan tabel. Apabila C.R yang identik dengan hitung lebih besar dari t-tabel maka menunjukkan bahwa variabel itu secara signifikan merupakan dimensi dari variabel laten yang dibentuk. Dari tabel-t pada level 0.05 dengan df = 4 (jumlah seluruh indikator) didapatkan nilai t sebesar 2,132. Sehingga dapat disimpulkan bahwa indikator-indikator itu secara signifikan merupakan dimensi dari variabel laten yang dibentuk.
4.2.2.2.5Persamaan Struktural (Structural Model)
Persamaan structural dari model dapat dilihat pada table 4.16. Tabel 4.16. Standardized Regression Weights
Estimate PKD <--- BKD .048 PKD <--- SKD .746 PK <--- PKD .403 PKD = (Y1) PKD = f (BKD, SKD) + Z1 PKD = β1 BKD + β2 SKD + Z1 PKD = 0 ,048, BKD + 0,746, SKD + Z1 PK = Y2 PK = f (PKD) + Z2 PK = β3 PKD + Z2 PK = 0,403 PKD + Z2
Jadi PK = f f (BKD, PKD) + Z1
4.2.2.2.6 Memilih Matr ik Input dan Teknik Estimasi
Setelah model dispesifikasikan secara lengkap seperti pada bab-bab sebelumnya, langkah selanjutnya adalah memilih jenis input yang sesuai yaitu kovarians atau korelasi. Bila yang diuji adalah hubungan kausalitas maka jenis input yang digunakan adalah kovarians (Ferdinand, 2003:164). Karena dalam penelitian ini akan menguji hubungan kausalitas, maka matriks kovarianslah yang digunakan sebagai input untuk operasi SEM. Pada langkah ke 4 ini pemilihan matriks input dan teknik estimasi atas model yang dibangun dapat di estimasi.
Setelah measurement model dianalisis melalui confirmatory factor
analysis dan menghasilkan validitas konvergen dan validitas diskriminan, maka
sebuah full-model SEM dapat dianalisis. Analisis ini digunakan untuk mengetahui pengaruh Beban Kerja Dosen, Standard Kinerja Dosen, Penilaian Kinerja Dosen, sebagai faktor yang mempengaruhi kinerja kesemuanya serta yang berorientasi kepada Pengembangan Karier. Analisis ini memang diciptakan untuk memecahkan masalah-masalah atau model-model yang rumit dan sulit dipecahkan oleh analisis yang lain. Seperti halnya dalam confirmatory factor analysis pengujian structural equation model. Teknik ini ditujukan untuk mengestimasi
measurement model menguji unidimensionalitas dari konstruk eksogen dan
konstruk endogen. Model pengukuran terhadap dimensi-dimensi yang membentuk variabel laten/konstruk laten dalam model ini dapat dilihat pada lampiran 6. Unidimensionalitas dari dimensi-dimensi itu diuji melalui confirmatory factor
analysis yang hasilnya dapat dilihat pada lampiran. Terdapat dua uji dasar dalam confirmatory factor analysis.
4.2.2.2.7Uji Kesesuaian Model (Goodness of Fit Test)
Pengujian dilakukan dengan menggunakan parameter pada nilai kritis, sedangkan output dari structural dapat dilihat pada lampiran dimana dapat dibuat ringkasan seperti pada Tabel 4.17.
Tabel 4.17 Nilai Goodness of Fit dan Cut off Value
Kr iter ia Hasil Uji Model Nilai Kr itis Keter angan X2 Chi square 102.471 Kecil, X2 dengan df = 51
dengan α = 0.05 adalah 68.66929
Baik
Probabilitas .000 ≥ 0,05 Tidak Baik
Cmin/DF 2.009 ≤ 2,00 Baik
RMSEA .101 ≤ 0,08 Tidak Baik
GFI .850 ≥ 0,90 Marginal
AGFI .771 ≥ 0,90 Tidak Baik
TLI .853 ≥ 0,95 Tidak Baik
CFI .886 ≥ 0,95 Tidak Baik
Sumber : Lampiran, diolah
Dari tabel di atas dapat disimpulkan bahwa dimensi-dimensi yang digunakan oleh peneliti belum mencerminkan variabel laten yang dianalisis. 4.2.2.2.8Uji Validitas
Uji validitas dinilai dari structural model yang dikembangkan dalam penelitian dengan menentukan apakah setiap indikator yang diestimasi secara valid mengukur dimensi dari konsep yang diujinya. Bila setiap indikator memiliki C.R > 2.SE, hal ini menunjukkan bahwa indikator itu secara valid mengukur apa yang sebenarnya diukur dalam model yang disajikan.
Tabel 4.18. Regression Weights
Estimate S.E. C.R. P Label PKD <--- BKD .083 .192 .432 .666 par_10 PKD <--- SKD 1.026 .226 4.533 *** par_11 PK <--- PKD .490 .169 2.899 .004 par_1 Penunjang <--- BKD 1.000 Pengabdian <--- BKD 1.474 .301 4.904 *** par_2 Penelitian <--- BKD 1.855 .386 4.805 *** par_3 Pendidikan <--- BKD 1.771 .374 4.733 *** par_4 Penunjang_skd <--- SKD 1.000 Pengabdian_Masy <--- SKD 1.250 .226 5.531 *** par_5 Pend_Penelitian <--- SKD .982 .187 5.250 *** par_6 Lulus <--- PKD 1.000 Tidak_Lulus <--- PKD .662 .127 5.204 *** par_7 Pend_Lanjut <--- PK 1.000 Jbt_Fungsional <--- PK 1.094 .157 6.945 *** par_8 Sertifikasi <--- PK .650 .124 5.248 *** par_9
Dari Tabel semua indikator memiliki nilai C.R > 2.SE, yang berarti indikator-indikator yang diestimasi tersebut secara valid mengukur dimensi dari konsep yang diuji (Anderson & Gerbing, 1988) dikutip dari Ferdinand, 2002:187.
4.2.2.2.9 Uji Signifikansi
Sebuah variabel dapat digunakan untuk mengkonfirmasi sebuah variabel laten bersama-sama dengan variabel lainnya dengan menggunakan tahapan analisis sebagai berikut :
1. Bobot Faktor (Regression Weight)
Kuatnya dimensi-dimensi itu membentuk variabel latennya dapat dianalisis dengan menggunakan uji-t terhadap regression weight yang dapat dilihat pada Tabel 4.18. C.R atau Critical Ratio identik dengan t-hitung dalam analisis regresi. Oleh karena itu C.R yang identik dengan t-hitung harus dibandingkan dengan tabel. Apabila C.R yang identik dengan hitung lebih besar dari t-tabel maka menunjukkan bahwa variabel itu secara signifikan merupakan dimensi dari variabel laten yang dibentuk. Dari tabel-t pada level 0,025 dengan df = 51 (jumlah seluruh indikator) didapatkan nilai t sebesar 2,011. Sehingga dapat disimpulkan bahwa indikator-indikator itu secara signifikan merupakan dimensi dari variabel laten yang dibentuk.
Tabel 4.19. Regression Weights
Estimate S.E. C.R. P Label Standar d Reg. Weight PKD <--- BKD .083 .192 .432 .666 par_10 .048 PKD <--- SKD 1.026 .226 4.533 *** par_11 .746 PK <--- PKD .490 .169 2.899 .004 par_1 .403
Estimate S.E. C.R. P Label Standar d Reg. Weight Penelitian <--- BKD 1.855 .386 4.805 *** par_3 .975 Pendidikan <--- BKD 1.771 .374 4.733 *** par_4 .704 Penunjang_ Skd <--- SKD 1.000 .582 Pengabdian_ Masy <--- SKD 1.250 .226 5.531 *** par_5 .911 Pend_ Penelitian <--- SKD .982 .187 5.250 *** par_6 .692 Lulus <--- PKD 1.000 .781 Tidak_ Lulus <--- PKD .662 .127 5.204 *** par_7 .675 Pend_Lanjut <--- PK 1.000 .778 Jbt_ Fungsional <--- PK 1.094 .157 6.945 *** par_8 .872 Sertifikasi <--- PK .650 .124 5.248 *** par_9 .572
Sumber : Lampiran, diolah
Dari Tabel 4.19 dapat dilihat bahwa semua indikator nilai C.R > t-tabel, sehingga dapat disimpulkan bahwa indikator-indikator itu secara signifikan merupakan dimensi dari variable laten yang dibentuk.
Untuk melihat hubungan antar variabel apakah positif atau negative dapat dilihat pada kolom estimate. Apabila tidak terdapat tanda “-“ maka hubungan antar variabel tersebut adalah positif. Sedangkan untuk melihat uji signifikansinya dapat dilihat pada kolom CR dengan ketentuan apabila signifikan, hasil dari nilai CR-nya ≥ 2.016 (dilihat dari tabel-t pada level 0,025 dengan df = 13). Berdasarkan Tabel 4.19 di atas dapat diketahui bahwa BKD memiliki pengaruh positif dan tidak signifikan terhadap PKD, SKD berpengaruh positif dan
signifikan terhadap PKD, PKD berpengaruh positif dan signifikan terhadap PK, (lihat lampiran pada standardized regression weight).
4.2.2.2.10 Menilai Kemungkinan Munculnya Identification Problem
Dalam operasi program AMOS 20, problem identifikasi akan diatasi langsung oleh program. Bila estimasi tidak dapat dilakukan, program akan memberikan pesan pada monitor komputer mengenai kemungkinan sebab-sebab mengapa program tidak dapat melakukan estimasi.
4.2.2.2.11 Evaluasi Model
Evaluasi model pada dasarnya sudah dilakukan di atas pada waktu model diestimasi oleh program AMOS 20. Secara lebih lengkap evaluasi terhadap model ini dapat dilakukan sebagai berikut :
1) Ukuran Sampel
Ukuran sampel minimal. Menurut Hair, et al. yang dikutip Ferdinand (2002:43) ukuran sampel (data observasi) yang sesuai adalah antara 100-200 atau minimal untuk selanjutnya menggunakan perbandingan 7 observasi untuk setiap observasi parameter. Responden yang menjadi sampel dalam penelitian ini berjumlah 100, yang berarti asumsi untuk sampel telah terpenuhi.
2) Asumsi Normalitas dan Linieritas
Untuk asumsi normalitas data dapat dilakukan dengan mengamati nilai kritis hasil pengujian assessment of normality dari program AMOS 20. Jika nilai di luar ring –2,58 ≤ c.r ≤ 2,58, maka dapat dikategorikan distribusi data tidak normal, oleh karenanya untuk kasus yang tidak memenuhi asumsi tersebut
semua variabel indikator asumsi normalitasnya terpenuhi (lihat lampiran) karena nilai c.r berada di dalam ring –2,58 ≤ c.r ≤ 2,58. Sedangkan untuk asumsi linieritas, apabila datanya banyak (100) maka asumsi linearitasnya terpenuhi.
3) Evaluasi atas Outliers
a. Evaluasi atas Univariate Outliers dapat dilakukan dengan menggunakan program SPSS 20 dengan mengamati data yang memiliki –3 ≤ z-score ≤ 3. Jika dari hasil pengamatan terdapat kasus yang di luar nilai –3 ≤ z-score ≤ 3, maka tidak akan diikutsertakan dalam analisis selanjutnya. Pada lampiran, semua nilai z-score ada di dalam range –3 ≤ z-score ≤ 3, sehingga disimpulkan tidak terdapat Univariate Outliers.
Evaluasi atas Multivariates Outliers dapat diamati pada output dari program AMOS 20 yang akan terlihat angka-angka Jarak Mahalonobis, bila Mahalonobis d-Squared pada komputasi AMOS 20 ada yang lebih besar dari nilai Chi-Square pada derajad bebas sebesar jumlah variabel dan pada tingkat signifikansinya 0,001 maka data tersebut menunjukkan adanya Multivariate Outliers. X2 (13; 0,001) = 34.52818 Sedang pada
Mahalonobis d-Squared yang tertinggi 29.952, sehingga dapat
disimpulkan tidak terdapat Multivariate Outliers. Asumsi atas Multikolinieritas dan Singularitas. Asumsi atas multikolinieritas dan singularitas dapat dideteksi dari nilai determinan matriks kovarians yang sangat kecil (extremely small). Namun pada program AMOS 20 telah
multikolinieritas dan singularitas, dari hasil out put tidak ada “Warning” jadi asumsi multikolinieritas dan singularitas terpenuhi.
4) Evaluasi atas Kriteria Goodness of Fit
Berdasarkan komputasi AMOS 20 untuk model SEM ini, dihasilkan indeks-indeks goodness of fit masih banyak yang belum memenuhi syarat (Lihat Tabel 4.17, oleh karena itu perlu dilakukan modifikasi.
4.2.2.2.12 Modifikasi Model
Untuk memodifikasi model dilihat pada indeks modifikasi (modification indices) di lampiran dimulai dengan angka yang terbesar. Setelah dilakukan trial dan error yakni menghubungkan e1 ke Z1, e9 ke e10, dan BKD ke SKD, dan yang terakhir melakukan regression weight sertifikasi ke sesuai standard dan Tidak sesuai standard ke penunjang hingga hasil Uji Goodness of Fit Indices sudah baik. Hasil analisis SEM model modifikasi disajikan pada lampiran. Modification Indices
Tabel 4.21 Variances Regression Weights
M.I. Par Change Sertifikasi <--- Sesuai_Standard 18.045 .394 Penunjang <--- Tdk_Sesuai_Standard 19.244 .236
4.2.2.2.13 Persamaan Modifikasi (Modifikasi Model)
Tabel 4.22. Standardized Regression Weights Estimate PKD <--- BKD .039 PKD <--- SKD .774 PK <--- PKD .357 PKD = (Y1) PKD = f (BKD, SKD) + Z1 PKD = β1 BKD + β2 SKD + Z1 PKD = 0 ,039, BKD + 0,774, SKD + Z1 PK = Y2 PK = f (PKD) + Z2 PK = β3 PKD + Z2 PK = 0,357 PKD + Z2 Atau PK = f f (BKD, PKD) + Z1
4.2.2.2.14 Memilih Matr ik Input dan Teknik Estimasi
Setelah model dispesifikasikan secara lengkap seperti pada bab-bab sebelumnya, langkah selanjutnya adalah memilih jenis input yang sesuai yaitu kovarians atau korelasi. Bila yang diuji adalah hubungan kausalitas maka jenis input yang digunakan adalah kovarians (Ferdinand, 2003:164). Karena dalam penelitian ini akan menguji hubungan kausalitas, maka matriks kovarianslah yang digunakan sebagai input untuk operasi SEM. Pada langkah ke 4 ini pemilihan matriks input dan teknik estimasi atas model yang dibangun dapat di estimasi.
Setelah measurement model dianalisis melalui confirmatory factor
sebuah full-model SEM dapat dianalisis. Analisis ini digunakan untuk mengetahui pengaruh Beban Kerja Dosen, Standard Kinerja Dosen, Penilaian Kinerja Dosen, sebagai faktor yang mempengaruhi kinerja kesemuanya serta yang berorientasi kepada Pengembangan Karier. Analisis ini memang diciptakan untuk memecahkan masalah-masalah atau model-model yang rumit dan sulit dipecahkan oleh analisis yang lain. Seperti halnya dalam confirmatory factor analysis pengujian structural equation model. Teknik ini ditujukan untuk mengestimasi
measurement model menguji unidimensionalitas dari konstruk eksogen dan
konstruk endogen. Model pengukuran terhadap dimensi-dimensi yang membentuk variabel laten/ konstruk laten dalam model ini dapat dilihat pada lampiran. Unidimensionalitas dari dimensi-dimensi itu diuji melalui confirmatory factor
analysis yang hasilnya dapat dilihat pada lampiran. Terdapat dua uji dasar dalam confirmatory factor analysis yaitu :
4.2.2.2.15 Uji Kesesuaian Model (Goodness of Fit Test)
Pengujian dilakukan dengan menggunakan parameter pada nilai kritis, sedangkan output dari confirmatory factor analysis dapat dilihat pada lampiran di mana dapat dibuat ringkasan seperti pada Tabel 4.23
Tabel 4.23 Nilai Goodness of Fit dan Cut off Value
Kr iter ia Hasil Uji Model Nilai Kr itis Keter angan X2 Chi square 55.599 Kecil, X2 dengan df = 45
dengan α = 0.05 adalah 61.65623 Baik Probabilitas .134 ≥ 0,05 Baik Cmin/DF 1.235 ≤ 2,00 Baik RMSEA .049 ≤ 0,08 Baik GFI .913 ≥ 0,90 Baik AGFI .850 ≥ 0,90 Marginal TLI .966 ≥ 0,95 Baik CFI .977 ≥ 0,95 Baik
Dari tabel di atas dapat disimpulkan bahwa dimensi-dimensi yang digunakan oleh peneliti mencerminkan variabel laten yang dianalisis.
4.2.2.2.16 Uji Validitas
Uji validitas dinilai dari modifikasi model yang dikembangkan dalam penelitian dengan menentukan apakah setiap indikator yang diestimasi secara valid mengukur dimensi dari konsep yang diujinya. Bila setiap indikator memiliki C.R > 2.SE, hal ini menunjukkan bahwa indikator itu secara valid mengukur apa yang sebenarnya diukur dalam model yang disajikan.
Tabel 4.29. Regression Weights
Estimate S.E. C.R. P Loading Factor PKD <--- BKD .064 .217 .297 .766 .039 PKD <--- SKD .991 .230 4.313 *** .774 PK <--- PKD .457 .177 2.577 .010 .357 Penunjang <--- BKD 1.000 .501 Sesuai_Standard <--- PKD 1.000 .746 Pengabdian <--- BKD 1.474 .299 4.937 *** .730 Penelitian <--- BKD 1.840 .365 5.036 *** .971 Pendidikan <--- BKD 1.816 .370 4.903 *** .716 Penunjang_skd <--- SKD 1.000 .594 Pengabdian_Masy <--- SKD 1.219 .217 5.606 *** .906 Pend_Penelitian <--- SKD .959 .181 5.292 *** .688 Tdk_Sesuai_ Standard <--- PKD .704 .142 4.962 *** .689 Pend_Lanjut <--- PK 1.000 .777 Jbt_Fungsional <--- PK 1.115 .174 6.409 *** .889 Sertifikasi <--- PK .589 .118 4.982 *** .512 Tdk_Sesuai_ Standard <--- Penunjang .092 .076 1.211 .226 .109 Sertifikasi <--- Sesuai_Standard .250 .172 1.451 .147 .228 Sumber : Lampiran, diolah
Dari Tabel semua indikator memiliki nilai C.R > 2.SE, yang berarti indikator-indikator yang diestimasi tersebut secara valid mengukur dimensi dari
konsep yang diuji, kecuali indicator pendidikan terhadap hasil tidak sesuai standard BKD (Anderson & Gerbing, 1988) dikutip dari Ferdinand, 2002:187.
4.2.2.2.17 Uji Signifikansi
Sebuah variabel dapat digunakan untuk mengkonfirmasi sebuah variabel laten bersama-sama dengan variabel lainnya dengan menggunakan tahapan analisis sebagai berikut :
1. Bobot Faktor (Regression Weight)
Kuatnya dimensi-dimensi itu membentuk variabel latennya dapat dianalisis dengan menggunakan uji-t terhadap regression weight yang dapat dilihat pada Tabel 4.29. C.R atau Critical Ratio identik dengan t-hitung dalam analisis regresi. Oleh karena itu C.R yang identik dengan t-hitung harus dibandingkan dengan tabel. Apabila C.R yang identik dengan hitung lebih besar dari t-tabel maka menunjukkan bahwa variabel itu secara signifikan merupakan dimensi dari variabel laten yang dibentuk. Dari tabel-t pada level 0,025 dengan df = 45 (jumlah seluruh indikator) didapatkan nilai C.R pada ketiga variable regression weight lebih besar dari 2,019 (Lihat table distribusi t pada tingkat probabilitas tertentu), kecuali BKD PKD yakni sebesar 0.297.
Berdasarkan Tabel 4.29 di atas dapat diketahui bahwa BKD (X1) memiliki pengaruh positif dan tidak signifikan terhadap PKD (Y1) sebesar 0.39,
SKD (X2) memiliki pengaruh positif dan signifikan terhadap PKD (Y1) sebesar 0.774, PKD (Y1) memiliki pengaruh positif dan signifikan terhadap PK (Y2) sebesar 0.357.
4.2.2.2.18 Menilai Kemungkinan Munculnya Identification Problem
Dalam operasi program AMOS 20, problem identifikasi akan diatasi langsung oleh program. Bila estimasi tidak dapat dilakukan, program akan memberikan pesan pada monitor komputer mengenai kemungkinan sebab-sebab mengapa program tidak dapat melakukan estimasi.
4.2.2.2.19 Evaluasi Model
Evaluasi model pada dasarnya sudah dilakukan di atas pada waktu model diestimasi oleh program AMOS 20. Secara lebih lengkap evaluasi terhadap model ini dapat dilakukan sebagai berikut :
1. Ukuran Sampel
Ukuran sampel minimal. Menurut Hair, et al. yang dikutip Ferdinand (2002:43) ukuran sampel (data observasi) yang sesuai adalah antara 100-200 atau minimal untuk selanjutnya menggunakan perbandingan 7 observasi untuk setiap observasi parameter. Responden yang menjadi sampel dalam penelitian ini berjumlah 100, yang berarti asumsi untuk sampel telah terpenuhi.
2. Asumsi Normalitas dan Linieritas
Untuk asumsi normalitas data dapat dilakukan dengan mengamati nilai kritis hasil pengujian assessment of normality dari program AMOS 20. Jika nilai di luar ring –2,58 ≤ c.r ≤ 2,58, maka dapat dikategorikan distribusi data tidak normal, oleh karenanya untuk kasus yang tidak memenuhi asumsi tersebut tidak diikutsertakan dalam analisis selanjutnya. Hasil data menunjukkan semua variabel indikator asumsi normalitasnya terpenuhi (lihat lampiran) karena nilai c.r berada di dalam ring –2,58 ≤ c.r ≤ 2,58. Sedangkan untuk
asumsi linieritas, apabila datanya banyak (100) maka asumsi linearitasnya terpenuhi.
3. Evaluasi atas Outliers
Evaluasi atas Univariate Outliers dapat dilakukan dengan menggunakan program SPSS 20 dengan mengamati data yang memiliki –3 ≤ z-score ≤ 3. Jika dari hasil pengamatan terdapat kasus yang di luar nilai –3 ≤ z-score ≤ 3, maka tidak akan diikutsertakan dalam analisis selanjutnya. Pada lampiran D, semua nilai z-score ada di dalam range –3 ≤ z-score ≤ 3, sehingga disimpulkan tidak terdapat Univariate Outliers. Evaluasi atas Multivariates
Outliers dapat diamati pada output dari program AMOS 20 yang akan
terlihat angka-angka Jarak Mahalonobis, bila Mahalonobis d-Squared pada komputasi AMOS 20 ada yang lebih besar dari nilai Chi-Square pada derajad bebas sebesar jumlah variabel dan pada tingkat signifikansinya 0,001 maka data tersebut menunjukkan adanya Multivariate Outliers. X2 (45; 0,001) =
61.65623, Sedang pada Mahalonobis d-Squared yang tertinggi 29.952, sehingga dapat disimpulkan tidak terdapat Multivariate Outliers. Asumsi atas Multikolinieritas dan Singularitas. Asumsi atas multikolinieritas dan singularitas dapat dideteksi dari nilai determinan matriks kovarians yang sangat kecil (extremely small). Namun pada program AMOS 20 telah menyediakan Budaya “Warning” apabila terdapat indikasi multikolinieritas dan singularitas, dari hasil out put tidak ada “Warning” jadi asumsi multikolinieritas dan singularitas terpenuhi.
4. Evaluasi atas Kriteria Goodness of Fit
Berdasarkan komputasi AMOS 20 untuk model SEM ini, dihasilkan