III. METODOLOGI PENELITIAN
3.2. Metode Penelitian
3.2.4. Pengolahan dan Analisis Data
Menurut Ghozali dan Faud (2005), uji validitas merupakan suatu uji yang bertujuan untuk menentukan kemampuan suatu indikator dalam mengukur variabel laten. Sedangkan uji reliabilitas adalah suatu pengujian untuk menentukan konsistensi pengukuran indikator-indikator dari suatu variabel laten. Validitas suatu indikator dapat dievaluasi dengan tingkat signifikansi pengaruh antara suatu variabel laten dengan indikatornya. Hubungan langsung antara indikator dan variabel laten digambarkan dalam persamaan berikut :
x = λξ + ... (4) dimana :
x = indikator variabel laten eksogen
ξ = variabel laten eksogen
= measurement error untuk variabel eksogen
λ = hubungan langsung antara indikator dan variabel laten
Uji validitas dan reliabilitas dalam penelitian ini dilakukan dengan motede SEM dan program LISREL, karena dalam metode SEM dapat langsung menjelaskan uji validitas dan reliabilitas. Kevalidan pertanyaan yang merupakan indikator dalam mengukur variabel laten tertentu dinilai dengan menguji apakah semua loadingnya signifikan (p < 0,05) yang ditunjukkan oleh nilai t yang lebih besar dari |1,96|. Sedangkan reliabilitas dari suatu indikator dapat dilakukan dengan menghitung composite reliability (reliabilitas gabungan) atau construct reliability (reliabilitas konstruk) dengan rumus sebagai berikut (Ghozali dan Fuad, 2005) :
dimana :
ρ = composite reliability λ = loadingindicator
= error variance indicator
Menurut Bagozzi dan Yi (1998) dalam Ghozali dan Fuad (2005), tingkat
out-off untuk dapat mengatakan bahwa reliability gabungan atau reliability konstruk cukup bagus adalah 0,6.
Uji hipotesis adalah satu metode statistika yang digunakan untuk menyatakan jika pernyataan H1 benar, maka pernyataan H0 salah, yaitu mengetahui hubungan antara dua variabel. Sehingga dapat dirumuskan hipotesis berikut “ada pengaruh penilaian prestasi kerja terhadap promosi jabatan karyawan pada PT. X Bogor”. Uji hipotesis dalam SEM dapat langsung dilihat dari fit index model. Hipotesis yang diuji adalah :
H0 : ∑ = ∑ ( ) lawan H1 : ∑≠∑ ( )
Dengan ∑ adalah matriks input, sedangkan ∑ ( ) adalah matriks hasil dugaan. Hipotesis H0 menyatakan bahwa matriks dugaan dari model SEM mampu merepresentasikan data dengan baik, sedangkan H1 sebaliknya.
Analisis terhadap penilaian prestasi kerja dilakukan dengan analisis kualitatif deskriptif, yaitu analisis mengenai hal-hal yang penting yang berkaitan dengan penilaian prestasi kerja, seperti proses penilaian prestasi kerja, pihak-pihak yang menilai, dan pemanfaatan hasil penilaian. Serta asas, dasar, syarat, prosedur dan tujuan promosi jabatan.
Pengaruh penilaian prestasi kerja terhadap promosi jabatan dapat diketahui dengan melakukan analisis data dengan menggunakan Structural Equation Modeling (SEM). Structural Equation Modeling (SEM) merupakan suatu teknik statistik yang mampu menganalisis variabel laten, variabel indikator, dan kesalahan pengukuran secara langsung. Variabel laten adalah konsep abstrak yang menjadi perhatian yang hanya dapat diamati secara tidak langsung melalui efeknya pada variabel-variabel teramati (indikator). Variabel indikator adalah variabel yang dapat diamati atau diukur secara empiris.
Model persamaan struktural (Structural Equation Modeling) adalah generasi kedua teknik analisis multivariate (Bagozzi dan Fornell 1982 dalam
Ghozali dan Fuad, 2005) yang memungkinkan peneliti untuk menguji hubungan antara variabel yang kompleks baik recursive maupun non-recursive untuk memperoleh gambaran menyeluruh mengenai keseluruhan model. Analisis data dengan menggunakan metode ini bertujuan untuk menjelaskan pengaruh penilaian prestasi kerja dan promosi jabatan karyawan yang diproses dengan menggunakan
software LISREL 8,7.
Linear Structural Relationship (LISREL) merupakan program yang paling populer digunakan karena menggunakan satu-satunya program SEM tercanggih dan yang dapat mengestimasi berbagai masalah SEM yang bahkan nyaris tidak dapat dilakukan program lain. Selain itu LISREL merupakan program yang paling informatif dalam menyajikan hasil-hasil statistik sehingga modifikasi model dan penyebab tidak fit atau buruknya suatu model dapat dengan mudah diketahui (Ghozali dan Fuad, 2005).
Ghozali dan Fuad (2005) juga mengatakan suatu indeks yang menunjukkan bahwa suatu model adalah fit tidak memberikan jaminan bahwa model memang benar-benar fit. Sebaliknya, suatu indeks fit yang menyimpulkan bahwa model adalah sangat buruk, tidak memberikan jaminan bahwa model tersebut benar-benar tidak fit. Dalam SEM, peneliti tidak boleh hanya bergantung pada satu indeks atau beberapa indeks fit, tetapi sebaliknya mempertimbangkan seluruh indeks fit.
Langkah-langkah SEM dalam penelitian ini adalah sebagai berikut : 1. Pengembangan model berbasis konsep dan teori.
Pada tahap ini dilakukan telaah teori yang mendalam tentang pengaruh penilaian prestasi kerja terhadap promosi jabatan karyawan. Pada tahap ini juga ditentukan variabel laten dan variabel indikator berdasarkan teori.
2. Mengkonstruksi diagram path.
Pada tahap ini variabel laten dan variabel indikator dibentuk dalam diagram
path agar lebih memahami bentuk hubungan antar variabel. 3. Konversi diagram path ke model struktural.
Pada tahap ini model struktural dan model pengukuran digambarkan lebih jelas.
4. Memilih matriks input.
Pada tahap ini matriks input dipilih dan dimasukkan ke dalam perhitungan. 5. Solusi standard model dan evaluasi goodness of fit index.
Pada tahap ini matriks input diolah dan melihat nilai goodness of fit index dari model solusi standard. Menurut Hair, et al (1998) dalam Aryani (2008) dalam analisis SEM tidak ada alat uji statistik tunggal untuk menguji hipotesis mengenai model, sehingga digunakan beberapa fit index untuk mengukur kebenaran-kebenaran model.
6. Interprestasi model.
Langkah terakhir adalah mengintepretasikan model solusi standard, yaitu melihat besarnya pengaruh atau kontribusi variabel indikator terhadap variabel laten dan besarnya pengaruh antar variabel laten.
Ukuran yang dapat digunakan sebagai patokan kesesuaian model dalam SEM adalah sebagai berikut :
a. Nilai chi-square dan probabilitas (P).
Ukuran ini pada dasarnya merupakan pengujian seberapa dekat matriks hasil dugaan dengan matriks data asal dengan menggunakan uji chi-square. Semakin kecil nilai ukuran ini maka model yang digunakan semakin baik. Ukuran ini sensitif terhadap ukuran contoh sehingga harus didampingi dengan ukuran kesesuaian model yang lain (Cochran, 1952 dalam Ghozali dan Fuad, 2005). Untuk memperoleh chi-square relatif, uji chi-square biasanya dibandingkan dengan nilai derajat bebas (degree of freedom). Model yang baik membutuhkan nilai chi-square yang lebih kecil daripada nilai derajat bebasnya. Nilai p berkisar antara 0 sampai 1 dan model persamaan struktural akan semakin baik jika nilai p mendekati 1.
b. Root Mean Square Error of Approximation (RMSEA).
RMSEA mengukur penyimpangan nilai parameter pada suatu model dengan matriks kovarians populasinya (Browne dan Cudeck, 1993 dalam Ghozali dan Fuad, 2005) atau bisa dikatakan RMSEA mengukur kedekatan suatu model terhadap populasi. Suatu model dikatakan baik apabila nilai RMSEA kurang dari 0,05; reasonable jika lebih kecil dari 0,08, cukup apabila kurang dari 0,1 dan buruk apabila lebih dari 0,1.
c. Root Mean Square Residuals (RMR).
Ukuran ini menunjukkan nilai sisaan dari kovarian suatu model yang dibangun. Suatu model dikatakan baik apabila nilai sisaannya lebih kecil dari 0,1. Nilai sisaan yang semakin kecil dan mendekati 0, maka model dikatakan semakin baik.
d. Goodness of Fit Index (GFI).
GFI merupakan ukuran yang menunjukkan seberapa besar model yang mampu menerangkan keragaman data. Nilai GFI harus berkisar antara 0-1. Batas minimal 0,9 sering dijadikan patokan suatu model dikatakan baik. Model yang memiliki nilai GFI lebih besar dari 0,9 berarti model semakin baik. (Diamantopaulus dan Siguaw 2000 dalam Ghozali dan Fuad, 2005).
e. Adjusted Goodness of Fit Index (AGFI).
Ukuran ini merupakan modifikasi dari GFI dengan mengakomodasi derajat bebas model dengan model lain yang dibandingkan. Sama halnya dengan GFI, nilai AGFI sebesar 1 menunjukkan bahwa model memiliki perfect fit. Sedangkan model yang dikatakan fit adalah yang memiliki nilai minimal AGFI sebesar 0,9. (Diamantopaulus dan Siguaw 2000 dalam Ghozali dan Fuad, 2005).
Pembahasan mengenai pengaruh penilaian prestasi kerja dan promosi jabatan dilihat dari besarnya muatan faktor yang menjelaskan kontribusi dan tingkat penjelas faktor-faktor dalam mempengaruhi penilaian prestasi kerja dan promosi jabatan. Sedangkan untuk mengetahui pengaruh penilaian prestasi kerja terhadap promosi jabatan, dapat dilihat dari muatan koefisien konstruk (γ atau gamma). Gambar 5 menunjukkan diagram lintas kerangka pengaruh penilaian prestasi kerja terhadap promosi jabatan karyawan PT X Bogor. Sedangkan Gambar 6 menunjukkan diagram struktural pengaruh penilaian prestasi kerja terhadap promosi jabatan karyawan PT X Bogor.
Gambar 5. Diagram lintas kerangka pengaruh penilaian prestasi kerja
terhadap promosi jabatan karyawan
λ1 1 1 λ1 λ2 2 2 λ2 λ3 3 γ 3 λ3 λ4 4 λ5 5
Gambar 6. Diagram struktural pengaruh penilaian prestasi kerja terhadap promosi jabatan karyawan
Variabel penilaian prestasi kerja (ξ) dengan indikator berikut : X1 : Proses penilaian prestasi kerja
X2 : Pihak-pihak yang menilai X3 : Pemanfaatan hasil penilaian
Dikorelasikan dengan promosi jabatan karyawan ( ), dengan indikator berikut : Y1 : Asas promosi jabatan
Y2 : Syarat promosi jabatan Y3 : Prosedur promosi jabatan
ξ
X1 X2 X3 Penilaian prestasi kerja Promosi jabatan karyawan Y1 Y3 Y2 Y5 Y4 Y1 Y3 Y2 Y5 Y4 X1 X2 X3Y4 : Dasar promosi jabatan Y5 : Tujuan promosi jabatan
Berdasarkan model penelitian pada Gambar 5 dan 6, dapat disusun persamaan sebagai berikut :
1. Persamaan struktural = γξ +
dimana :
: variabel laten tak bebas (promosi jabatan)
γ : muatan faktor dalam membentuk
ξ : variabel laten bebas (penilaian prestasi kerja)
: tingkat kesalahan yang terjadi pada perhitungan variabel 2. Persamaan pengukuran variabel eksogen
X1 = λ1ξ + 1 X2 = λ2ξ + 2 X3 = λ3ξ + 3 dimana :
Xi : variabel indikator X pembentuk variabel laten bebas ξ
: tingkat kesalahan pengukuran indikator terhadap variabel laten bebas 3. Persamaan pengukuran variabel endogen
Y1 = λ1 + 1 Y2 = λ2 + 2 Y3 = λ3 + 3 Y4 = λ4 + 4 Y5 = λ5 + 5 dimana :
Y : variabel indikator Y pembentuk variabel laten tak bebas
: tingkat kesalahan pengukuran indikator terhadap variabel laten tidak bebas