METODE PENELITIAN
3.8 Teknik Analisis Data
Teknik analisis yang digunakan dalam penelitian ini adalah Structural Equation Model (SEM) yang dioperasikan melalui program AMOS 18. Alasan penggunaan SEM adalah karena SEM merupakan sekumpulan teknik-teknik statistik yang memungkinkan pengukuran sebuah rangkaian hubungan yang relatif ”rumit”, secara simultan. Permodelan penelitian melalui SEM memungkinkan seorang peneliti dapat menjawab pertanyaan penelitian yang bersifat regresif maupun dimensional (yaitu mengukur apa dimensi-dimensi dari sebuah konsep). SEM juga dapatmengidentifikasi dimensi-dimensi sebuah konsep atau konstruk dan pada saat yang sama SEM juga dapat mengukur pengaruh atau derajat hubungan faktor yang akan diidentifikasikan dimensi-dimensinya. Penelitian ini akanmenggunakan 2 (dua) macam teknik analisis :
1. Confirmatory factor Analysis pada SEM yang digunakan untuk mengkonfirmasikan faktor-faktor yang paling dominan dalam satu kelompok variabel dan mengidentifikasi unidimensionalitas variabel.
2. Regression Weight pada SEM yang digunakan untuk meneliti seberapa besar hubungan antar variabel.
Menurut Ghozali (2011:11) untuk membuat pemodelan SEM yang lengkap perlu dilakukan langkah-langkah berikut ini :
a) Pengembangan Model Berdasar Teori
Model persaman structural didasarkan pada hubungan kausalitas, dimana perubahan satu variabel diasumsikan akan berakibat pada perubahan variabel lainnya. Kuatnya hubungan kausalitas antara dua variabel yang diasumsikan oleh peneliti bukan terletak pada metode analisis yang dia pilih, tetapi terletak pada justifikasi (pembenaran) secara teoritis untuk mendukung analisis. Jadi jelas bahwa hubungan antar variabel dalam model merupakan deduksi dari teori (Ghozali,2011:13).
b) Pengembangan Diagram Alur (Path Diagram)
Ada dua hal yang perlu dilakukan yaitu menyusun model structural
yaitu menghubungkan antar konnstruk laten baik endogen maupun eksogen dan menyususn measurement model yaitu menghubungkan konstruk laten endogen atau eksogen dengan variabel indikator atau manifest (Ghozali, 2011:122)
Ketika measurement model telah terspesifikasi, maka peneliti harus menentukan reliabilitas dari indikator. Reliabilitas indikator dapat dilakukan dengan dua cara, (1) diestimasi secara empiris, (2) dispesifikasi (Ghozali, 2011:122).
Disamping menyusun model spesifikasi oleh peneliti (memberi nilai fixed atau tetap) baik structural dan measurement model, peneliti dapat juga menspesifikasi korelasi antara konstruk eksogen atau antara konstruk endogen. Dengan mengkorelasikan konstruk eksogen beberapa kali maka hal ini menggambarkan “share” pengaruh terhadap konstruk endogen. Mengkorelasikan antar konstruk endogen tidak banyak berguna dan tidak direkomendasikan untuk tujuan tertentu, oleh karena menggambarkan korelasi antar persamaan structural sehingga menimbulkan kesulitan interpretasi (Ghozali, 2011:122).
c) Konversi Diagram Alur (Path Diagram) ke dalam Persamaan
Setelah teori atau model teoritis dikembangan dan digambarkan dalam sebuah diagram alur, peneliti dapat mulai mengkonversi spesifikasi model tersebut kedalam rangkaian persamaan. Persamaan yang dibangun akan terdiri:
1. Persamaan-persamaan structural (Structural Equations). Persamaan ini dirumuskan untuk menyatakan hubungan kausalitas antarberbagai konstruk.
2. Persamaan spesifikasi model pengukuran (Measurement Model). Pada spesifikasi itu peneliti menentukan variabel mana mengukur konstruk mana, serta menentukan serangkaian matriks yangmenunjukkan korelasi yang dihipotesakan antar konstruk atau variabel.
Gambar 3.5 Diagram Alur (Path Diagram) MOTIVASI X1 X2 X3 X4 X5 X6 X7 e 1 e 2 e 3 e 4 e 5 e 6 e 7 KEPUASAN KERJA X13 X14 X15 X16 e 14 e 15 e 16 e 13 PENGEMBANGAN X8 X9 X10 X11 X12 e 9 e 10 e 11 e 12 e 8 LOYALITAS KERJA X17 X18 X19 X20 X21 e 18 e 19 e 20 e 21 e 17 X22 e 22 e 24 e 23
Berdasarkan model diagram alur di atas, maka persamaan dalam penelitian ini dapat dilihat dalam Tabel 3.7 :
Tabel 3.7 Model Persamaan Konsep Eksogenous (Model Pengukuran) Konsep Endogenous (Model Pengukuran) X1=λ1 Motivasi + e X 1 2=λ2 Motivasi + e X 2 3=λ3 Motivasi + e X 3 4=λ4 Motivasi + e X 4 5=λ5 Motivasi + e X 5 6=λ6 Motivasi + e X 6 7=λ7 Motivasi + e X 7 13=λ13 Kepuasan kerja + e X 13 14=λ14 Kepuasan kerjar + e X 14 15=λ15 Kepuasan kerja + e X 15 16=λ16 Kepuasan kerja + e16 X17=λ17 Loyalitas kerja + e X 17 18=λ18 Loyalitas kerja + e X 18 19=λ19 Loyalitas kerja + e X 19 20= λ20 Loyalitas kerja + e X 20 21= λ21 Loyalitas kerja + e X 21 22= λ22 Loyalitas kerja + e22 X8= λ8 Pengembangan karir + e X 8 9= λ9 Pengembangan karir + e X 9 10=λ10 Pengembangan karir + e X 10 11=λ11 Pengembangan karir + e X 11 12=λ12 Pengembangan karir + e12 Model Struktural Kepuasan kerja = £1 Motivasi + £2 Pengembangan karir + e
Loyalitas kerja = γ motivasi + γ pengembangan karir + γ epuasamn kerja + e
23
24
Seperti yang terlihat pada diagram, variabel terukur yang pertama dari tiap latent variable adalah dikhususkan memiliki faktor loading dari λ = 1 (λ adalah terminology yang digunakan oleh LISREL, serupa dengan koefisien dari model yang diukur berbobot regresi pada AMOS) untuk menentukan unit-unit yang diukur pada unobserb variable, Arbuckle dalam Ghozali (2011:63).
d) Memilih Matriks Input dan Estimasi Model Yang Diusulkan
Model persamaan structural berbeda dari teknik analisis multivariate lainnya, SEM hanya menggunakan data input berupa matrik varian/kovarian atau matrik korelasi (Ghozali, 2011:63).
Pada awalnya model persamaan structural diformulasikan dengan menggunakan input matrik varian/kovarian (sehingga juga dikenal dengan covariance structural analysis). Matrik kovarian memiliki kelebihan daripada matrik korelasi dalam memberikan validitas perbandingan antara populasi yang berbeda atau sampel yang berbeda. Namun demikian interpretasi hasil lebih sulit jika menggunakan matrik kovarian oleh karena itu nilai koefisien harus diinterpretasikan atas dasar unit pengukuran konstruk. Matrik korelasi memiliki range umum yang memungkinkan membandingkan langsung koefisien dalam model (Ghozali, 2011:63).
e) Menilai Identifikasi Model Structural
Problem identifikasi adalah ketidakmampuan proposed model untuk menghasilkan unique estimate. Cara melihat tidak adanya problem indentifikasi adalah dengan melihat hasil estimasi yang meliputi: (1) adanya nilai standar error yang besar untuk satu atau lebih koefisien, (2) ketidakmampuan program untuk invert information matrik, (3) nilai estimasi yang tidak mungkin misalnya error
variance yang negatif, (4) adanya nilai korelasi yang tinggi (>0,90) antar koefisien estimasi (Ghozali, 2011:65).
f) Menilai Kriteria Goodness of Fit
Ada tiga asumsi dasar seperti halnya pada teknik multivariate yang lain untuk dapat menggunakan model persamaan structural yaitu:
1. Observasi data independen
3. Memiliki hubungan linear
Setelah asumsi SEM dipenuhi melihat ada tidaknya offending estimate yaitu estimasi koefisien baik dalam model structural maupun model pengkuran yang nilainya diatas batas yang dapat diterima (Ghozali, 2011:65).
Goodness-of-Fit mengukur kesesuaian input obervasi atau sesungguhnya (matrik kovarian atau korelasi) dengan prediksi dari model yang diajukan (proposed model). Ada tiga jenis ukuran goodness-of-fit yaitu (1) absolute fit measure, (2) incremental fit mesure, (3) parsimonious fit measures.
g) Uji Kesesuaian dan Uji Statistik
Beberapa indeks kesesuaian dan cut off value-nya yang digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak adalah sebagai berikut :
a.Chi-Square Statistic (χ2
Model yang diuji dipandang baik atau memuaskan apabila Chi Square-nya rendah. Semakin kecil nilai χ
)
2
b. RMSEA (The Root Mean Square Error of Approximation)
, semakin baik model itu dan diterima berdasarkan probabilitas denga cutt-off value sebesar p > 0,05 atau p > 0,10
Merupakan sebuah indeks yang dapat digunakan untuk mengkompensasikan Chi- Square Statistic dalam sampel yang besar. Nilai RMSEA menunjukkan nilai goodness offit yang dapat diharapkan bila model diestimasi dalam populasi. Nilai RMSEA yang kecil atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model tersebut berdasarkan degrees of freedom.
c. GFI (Goodness of Fit Index)
Merupakan ukuran non statistikal yang mempunyai rentang nilai antara 0 (poor fit) sampai dengan 10 (perfect fit). Nilai yang tinggi dalam indeks ini menunjukkan better fit.
d. AGFI (Adjusted Goodness Fit Index)
Adalah analog dari R2
e. CMIN/DF
dalam regresi berganda. Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0,90.
The minimum Sampel Discrepancy Function (CMIN) dibagi dengan degree of freedomnya. CMIN/DF tidak lain merupakan statistic chi-square,χ2 dibagi dengan DF-nya sehingga disebut χ2
f. TLI (Tucker Lewis Index)
relatif, dengan nilai diharapkan kurangdari 3.0 yang menunjukkan bahwa antara model dan data berindikasikan acceptabel fit.
TLI untuk membandingkan model yang diuji terhadap baseline model, dengan besarnya nilai diharapkan sama atau lebih dari 0,95 yang menunjukkan bahwa model yang sangat baik dan nilai yang mendekati 1 menunjukkan a very good fit.
g. CFI (Comparative Fit Index)
CFI untuk mengukur tingkat penerimaan model, dengan besarnya nilai diharapkan sama atau lebih dari 0,95 yang menunjukkan tingkat fit yang paling tinggi.
Tabel 3.8 Goodness of-fit Indices Goodness of Fit Index Cut off Value
χ2-Chi Square Diharapkan Kecil
Significance Probability ≥ 0,05 RMSEA ≤ 0,08 GFI ≥ 0,90 AGFI ≥ 0,90 CMIN/DF ≤ 2,00 TLI ≥ 0,95 CFI ≥ 0,95
h) Interpretasi dan Modifikasi Model
Ketika model telah dinyatakan diterima, maka peneliti dapat mempertimbangkan dilakukannya modifikasi model untuk memperbaiki penjelasan teoritis atau goodness-of-fit. Modifikasi dari model awal harus dilakukan setelah dikaji banyak pertimbangan. Jika model dimodifikasi, maka model tersebut harus di cross-validated (diestimasi dengan data terpisah) sebelum model modifikasi diterima. Pengukuran model dapat dilakukan dengan modification indices. Nilai modification indices sama dengan terjadinya penurunan chi-squares jika koefisien diestimasi. Nilai sama dengan atau > 3,84 menunjukkan telah terjadi penurunan chi- square secara signifikan (Ghozali, 2011:71).
