F. Sistem Penggajian
2. Uji Goodness of Fit Statistics
Model persamaan struktural (Structural Equation Modeling) digunakan untuk mengetahui bentuk dan besar pengaruh antara variabel
laten bebas, yaitu sistem penggajian, dengan variabel laten tak bebas (terikat), yaitu pemberdayaan, kepuasan kerja dan komitmen organisasi.
Hasil estimasi dapat dilihat pada Gambar 9. Nilai chi-square yang tercantum adalah sebesar 57.34, df (degrees of freedom) sebesar 46, p-value sebesar 0.12199 dan RMSEA sebesar 0.074. Menurut aturan yang terdapat di dalam LISREL, model yang memiliki p-value lebih besar dari 0.05 dan nilai RMSEA yang berkisar antara 0.08 menyatakan bahwa model memiliki kesalahan yang reasonable, sedangkan nilai RMSEA yang berkisar antara 0.08 sampai dengan 0.1 menyatakan bahwa model memiliki fit yang cukup (mediocre) dan RMSEA yang lebih besar daripada 0.1 mengindikasikan model fit yang sangat jelek (Ghozali, 2005).
Pada hasil estimasi akhir dengan model yang telah diberi variabel patokan dapat dilihat pada Gambar 10. Nilai chi-square yang tercantum adalah sebesar 45.03, df (degrees of freedom) sebesar 46, p-value sebesar 0.51285 dan nilai RMSEA sebesar 0.000.
Hal ini sesuai dengan aturan yang terdapat di dalam LISREL, bahwa untuk mendapatkan model yang fit (tepat), p-value harus lebih besar atau sama dengan 0.05 dan nilai RMSEA (Root Mean Square Error of Aproximation) yang kurang daripada 0.05 mengindikasikan adanya model yang fit, sedangkan nilai chi-square yang diperoleh tidak jauh berbeda dari derajat bebasnya. Dikarenakan ukuran sampel yang kecil, maka uji chi-square akan menunjukkan data secara signifikan tidak berbeda dengan model dan teori-teori yang mendasarinya (Ghozali, 2005). Selain itu dari hasil estimasi juga diperoleh loading factor ($) dan squared multiple correlation (SMC).
Ukuran validitas model yang lain dapat dilihat dari nilai GFI, ECVI, AIC, CAIC, NFI, IFI dan RFI seperti yang terdapat pada Lampiran 5. Goodness of Fit Indices (GFI) merupakan suatu ukuran mengenai ketepatan model dalam menghasilkan observed matriks kovarians. Nilai GFI ini harus berkisar antara 0 dan 1. Meskipun secara teori GFI mungkin memiliki nilai negatif tetapi hal tersebut seharusnya tidak terjadi karena model yang memiliki GFI negatif adalah model yang paling buruk dari
G am ba r 9. D ia gr am P at h P ar am et er E st im as i A kh ir
G am ba r 10 . D ia gr am P at h P ar am et er E st im as i d en ga n V ar ia be l P at ok an
seluruh model yang ada. Nilai GFI yang lebih besar daripada 0.9 menujukkan fit suatu model yang baik.
Expected Cross Validation Index (ECVI) digunakan untuk menilai kecenderungan bahwa model, pada sampel tunggal, cross validates (dapat divalidasi silang) pada ukuran sampel dan populasi sama. ECVI mengukur penyimpangan antara fitted (model) covariance matrix pada sampel yang dianalisis dan kovarians matriks yang akan diperoleh pada sampel lain tetapi yang memiliki ukuran sampel yang sama besar. Model yang memiliki ECVI terendah berarti model tersebut sangat potensial untuk direplikasi. Karena koefisien ECVI tidak dapat direndahkan, maka kita tidak dapat memberikan suatu judgement nilai ECVI berapa yang diharuskan agar model dapat dikatakan baik. Namun, nilai ECVI model yang lebih rendah daripada ECVI yang diperoleh pada saturated model dan independence model, mengindikasikan bahwa model adalah fit. Dapat dilihat pada Lampiran 5, nilai ECVI model adalah sebesar 2.444, sedangkan nilai ECVI pada saturated model dan independence model secara berturut-turut adalah 3.467 dan 6.127. Hal ini mengindikasikan bahwa model tersebut merupakan model yang fit.
AIC dan CAIC digunakan untuk menilai mengenai masalah parsimony dalam penilaian model fit. Meskipun nilai AIC tersebut tidak sensitif terhadap kompleksitas model, dan demikian juga dengan CAIC, namun AIC lebih sensitif dan dipengaruhi oleh banyaknya jumlah sampel yang digunakan. Sedangkan CAIC tidak sensitif terhadap jumlah sampel. AIC dan CAIC digunakan dalam perbandingan dari dua atau lebih model, dimana nilai AIC dan CAIC yang lebih kecil dari AIC model saturated dan independence berarti memiliki model fit yang lebih baik. Nilai AIC dan CAIC berturut-turut adalah sebesar 109.029 dan 199.546. Kedua nilai ini lebih rendah daripada model saturated dan independence-nya, maka model tersebut merupakan model yang fit.
Normed Fit Index (NFI) yang ditemukan oleh Bentler dan Bonetts merupakan salah satu alternatif untuk menentukan model fit. Namun, karena NFI ini memiliki tendensi untuk merendahkan fit pada sampel yang
kecil, Bentler merevisi indeks ini dengan nama Comparative Fit Index (CFI). Nilai NFI dan CFI berkisar antara 0 dan 1 dan diturunkan dari perbandingan antara model yang dihipotesiskan dan independence model. Suatu model dikatakan fit apabila memiliki nilai NFI dan CFI lebih besar daripada 0.9 dan nilai yang diperoleh oleh model ini untuk NFI dan CFI adalah sebesar 1.000. Sedangkan Non-Normed Fit Index (NNFI) digunakan untuk mengatasi permasalahan yang timbul akibat kompleksitas model. Tetapi karena NNFI adalah non-normed, maka nilainya dapat lebih besar daripada 1 sehingga susah untuk diinterpretasikan. Meskipun ketiga indeks tersebut dihasilkan pada output LISREL, tetapi Bentler menganjurkan penggunaan CFI sebagai ukuran fit.
Incremental Fit Index (IFI) digunakan untuk mengatasi masalah parsimony dan ukuran sampel, dimana hal tersebut berhubungan dengan NFI. Batas cut-off IFI adalah 0.9. Sedangkan Relative Fit Index (RFI) digunakan untuk mengukur fit dimana nilainya adalah 0 sampai 1, dimana nilai yang lebih besar menunjukkan adanya superior fit. Adjusted Goodness of Fit Index (AGFI) adalah sama seperti GFI, tetapi telah menyesuaikan pengaruh degrees of freedom pada suatu model. Sama seperti GFI, nilai GFI sebesar 1 berarti bahwa model memiliki perfect fit. Sedangkan model yang fit adalah yang memiliki nilai AGFI adalah 0.9. Ukuran yang hampir sama dengan GFI dan AGFI adalah Parsimony Goodness of Fir Index (PGFI). Interpretasi PGFI ini sebaiknya diikuti dengan indeks model fit lainnya. Model yang baik apabila memiliki nilai PGFI jauh lebih besar daripada 0.6.
Dalam mengevaluasi model pengukuran difokuskan pada hubungan-hubungan antara variabel laten dan indikatornya (variabel manifest). Tujuan dalam mengevaluasi model pengukuran ini adalah untuk menentukan validitas dan reliabilitas indikator-indikator dari suatu konstruk. Uji validitas merupakan suatu uji yang bertujuan untuk menentukan kemampuan suatu indikator dalam mengukur variabel laten tersebut. Sedangkan uji reliabilitas adalah suatu pengujian untuk menentukan konsistensi pengukuran indikator-indikator dari variabel laten.
Dari berbagai ukuran validitas di atas yang menjadi indikator-indikator model fit maka dapat disimpulkan bahwa model ini merupakan model yang valid dan fit untuk digunakan pada penelitian ini.