• Tidak ada hasil yang ditemukan

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.3. Pengujian Data

persentase tertinggi jawaban responden adalah agak setuju (skor 5) dengan persentase sebesar 44,86%, hal ini menunjukkan bahwa keteapatan waktu karyawan dalam menyelesaikan tugasnya dirasa telah yang cukup baik oleh manajemen.

4.3.1. Evaluasi Outlier

Outliers adala observasi yang muncul dengan nilai-nilai ekstrim baik secara unvariate maupun multivariate (Ferdinand, 2002:52-53). Dapat diadakan perlakuan khusus pada outliers ini asal diketahui bagaimana munculnya outliers itu. Evaluasi terhadap outlier multivariate (antar variabel) perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate, tetapi observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak antara Mahalanobis untuk tiap-tiap observasi dapat dihitung dan akan menunjukkan sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional (Hair.dkk, 1998; Tabachnick & Fidel, 1996). Uji terhadap outlier multivariat dilakukan dengan menggunakan jarak Mahalanobis pada tingkat p < 1%. Jarak Mahalanobis itu dievaluasi

dengan menggunakan χ² (chi kuadrat) pada derajat bebas sebesar jumlah

variabel yang digunakan dalam penelitian ini. Hasil uji outlier tampak pada tabel berikut :

Tabel 10 Uji Outlier Multivariate Residuals Statistics (a)

Minimum Maximum Mean Std. Deviation N

Predicted Value 8,620 99,280 54,000 17,736 107

Std. Predicted Value -2,559 2,553 0,000 1,000 107

Standard Error of Predicted Value 6,332 15,350 9,681 1,733 107

Adjusted Predicted Value 5,400 98,980 54,150 18,462 107

Residual -49,696 69,002 0,000 25,464 107

Std. Residual -1,828 2,538 0,000 0,937 107

Stud. Residual -2,007 2,966 -0,003 1,010 107

Deleted Residual -59,891 94,212 -0,147 29,708 107

Stud. Deleted Residual -2,041 3,100 0,000 1,020 107

Mahalanobis Distance (MD) 4,759 32,804 12,879 5,366 107

Cook's Distance 0,000 0,230 0,012 0,025 107

Centered Leverage Value 0,045 0,309 0,121 0,051 107

(a) Dependent Variable : NO. RESP

Terdapat Outlier Apabila Mahalanobis Distance : > 34,528 =CHIINV(0,001.13)

Hasil evaluasi :

Tidak terdapat outlier multivariat (antar variabel), karena MD Maksimum 32,804 < 34,528 Sumber : Data Diolah

Deteksi terhadap outlier multivariat dilakukan dengan menggunakan kriteria Jarak Mahalanobis pada tingkat p < 0,001. Jarak Mahalanobis itu dievaluasi dengan menggunakan χ² pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian. Bila kasus yang mempunyai Jarak Mahalanobis lebih besar dari nilai chi-square pada tingkat signifikansi 0,001 maka terjadi outlier multivariat. Nilai χ20.001 dengan jumlah indikator 13 adalah sebesar 34,528. Hasil analisis Mahalanobis diperoleh nilai 32,804 yang kurang dari χ² tabel 34.528 tersebut. Dengan demikian, tidak terjadi outlier multivariate.

4.3.2. Uji Reliabilitias

Realibilitas adalah ukuran mengenai konsistensi dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai dimana

masing - masing indikator mampu mengidentifikasi sebuah konstruk atau faktor variabel laten. Dengan kata lain bagaimana hal-hal spesifik saling membantu dan menjelaskan sebuah fenomena yang umum.

Koefisien Cronbach’s Alpha dihitung untuk mengestimasi reliabilitas setiap skala (variabel atau indikator observasian). Sementara itu item to total correlation digunakan untuk memperbaiki ukuran-ukuran dan mengeliminasi item-item yang kehadirannya akan memperkecil koefisien Cronbach’s Alpha yang dihasilkan.

Proses eleminasi diperlakukan pada item to total correlation pada indikator yang nilainya < 0,5 (Purwanto,2003). Tidak terjadi eliminasi karena nilai item to total correlation indikator seluruhnya ≥ 0,5. Indikator

yang tereliminasi tidak disertakan dalam perhitungan Cronbach's Alpha. Perhitungan cronbach's dilakukan setelah proses eliminasi.

Tabel 11 Uji Reliabilitas Pengujian Reliability Consistency Internal Konstrak Indikator

Item to Total Correlation

Koefisien Cronbach's Alpha Compensation X11 0,848 0,848 X12 0,848 X13 0,848 Leadership X21 0,867 0,832 X22 0,754 X23 0,772 X24 0,871 Motivation Y11 0,860 0,842 Y12 0,901 Y13 0,854 Performance Y21 0,858 0,821 Y22 0,874 Y23 0,842 : tereliminasi Sumber : Data Diolah

Hasil pengujian reliabilitas konsistensi internal untuk setiap construct di atas menunjukkan hasil baik dimana koefisien Cronbach’s

Alpha yang diperoleh seluruhnya memenuhi rules of thumb yang disyaratkan yaitu ≥ 0,7 (Hair et.al.,1998).

4.3.3. Uji Validitas

Validitas menyangkut akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau ukurannya pengukurannya atas apa yang seharusnya diukur. Validitas juga dapat digunakan untuk menentukan apakah indikator yang diestimasi secara valid mengukur dimensi dan konsep yang diujinya. Hasil analisis tampak pada tabel di berikut ini.

Tabel 12 Uji Validitas Standardize Faktor Loading dan Construct

dengan Confirmatory Factor Analysis

Konstrak Indikator Faktor Loading

1 2 3 4 Compensation X11 0,710 X12 0,823 X13 0,893 Leadership X21 0,971 X22 0,434 X23 0,474 X24 0,984 Motivation Y11 0,771 Y12 0,892 Y13 0,746 Performance Y21 0,767 Y22 0,830 Y23 0,743

Sumber : Data Diolah

Berdasarkan hasil confirmatory factor analysis terlihat bahwa factor loadings masing masing butir pertanyaan yang membentuk setiap construct belum seluruhnya ≥ 0,5, sehingga butir-butir instrumentasi setiap konstruk tersebut dapat dikatakan validitasnya cukup baik.

4.3.4. Uji Construct Reliability dan Variance Extracted

Selain melakukan pengujian konsistensi internal Cronbach’s Alpha, perlu juga dilakukan pengujian construct reliability dan variance extracted. Kedua pengujian tersebut masih termasuk uji konsistensi internal yang akan memberikan peneliti kepercayaan diri yang lebih besar bahwa indikator-indikator individual mengukur suatu pengukuran yang sama. Hasil perhitungan construct reliability dan variance extracted dapat dilihat dalam tabel berikut ini.

Tabel 13 Uji Construct Reliability dan Variance Extracted Construct Reliability & Variance Extrated

Konstrak Indikator Standardize

Factor Loading SFL Kuadrat Error (εj) Construct Reliability Variance Extrated Compensation X11 0,710 0,504 0,496 0,852 0,660 X12 0,823 0,677 0,323 X13 0,893 0,797 0,203 Leadership X21 0,971 0,943 0,057 0,830 0,581 X22 0,434 0,188 0,812 X23 0,474 0,225 0,775 X24 0,984 0,968 0,032 Motivation Y11 0,771 0,594 0,406 0,846 0,649 Y12 0,892 0,796 0,204 Y13 0,746 0,557 0,443 Performance Y21 0,767 0,588 0,412 0,824 0,610 Y22 0,830 0,689 0,311 Y23 0,743 0,552 0,448

Batas Dapat Diterima ≥ 0,7 ≥ 0,5

Sumber : Data Diolah

Hasil pengujian reliabilitas instrumen dengan construct reliability dan variance extracted menunjukkan instrumen reliabel, yang ditunjukkan dengan nilai construct reliability seluruhnya ≥ 0,7. Meskipun demikian

angka tersebut bukanlah sebuah ukuran “mati” artinya bila penelitian yang dilakukan bersifat exploratory, maka nilai di bawah 0,70 pun masih dapat diterima sepanjang disertai alasan–alasan empirik yang terlihat dalam

proses eksplorasi. Dan variance extracted direkomendasikan pada tingkat 0,50.

4.3.5. Uji Normalitas

Uji normalitas sebaran dilakukan dengan Kurtosis Value dari data yang digunakan yang biasanya disajikan dalam statistik deskriptif. Nilai statistik untuk menguji normalitas itu disebut Z-value. Bila nilai-Z lebih besar dari nilai kritis maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifikansi 0,01 (1%) yaitu sebesar ± 2,58.

Tabel 14 Uji Normalitas Assessment of normality

Variable min max kurtosis c.r.

X11 4 7 -0,694 -1,465 X12 4 7 -0,554 -1,170 X13 4 7 -0,665 -1,404 X21 4 7 -0,359 -0,757 X22 4 7 -0,690 -1,457 X23 4 7 -0,631 -1,332 X24 4 7 -0,533 -1,126 Y11 4 7 -0,714 -1,507 Y12 4 7 -0,649 -1,370 Y13 4 7 -0,729 -1,540 Y21 4 7 -0,651 -1,375 Y22 4 7 -0,653 -1,378 Y23 4 7 -0,529 -1,118 Multivariate 6,673 1,748 Batas Normal ± 2,58 Sumber : Data Diolah

Hasil uji menunjukkan bahwa nilai c.r. mutivariate berada di antara ± 2,58 itu berarti asumsi normalitas terpenuhi. Fenomena ini tidak menjadi masalah serius seperti dikatakan oleh Bentler & Chou (1987) bahwa jika teknik estimasi dalam model SEM menggunakan maximum likelihood

estimation (MLE) walau ditribusi datanya tidak normal masih dapat menghasilkan good estimate, sehingga data layak untuk digunakan dalam estimasi selanjutnya.

Dokumen terkait