ASUMSI MODEL SEM. d j

(1)

ASUMSI MODEL SEM

Asumsi yang harus dipenuhi dalam analisis SEM di antaranya adalah data berdistribusi multivariat normal, untuk memeriksanya dapat dilakukan dengan menghitung nilai jarak kuadrat pada setiap pengamatan (Johnson dan Wichern, 1992), yaitu.

untuk j = 1,2,…,n

= jarak kuadrat pada setiap pengamat

= vektor data pengamatan

= vektor nilai rata-rata

Σ = matriks varian kovarian

Asumsi lain yang harus dipenuhi dalam SEM adalah asumsi nonmultikolinearitas. Asumsi ini mengharuskan tidak adanya korelasi yang sempurna atau besar di antara variabel-variabel independen. Nilai korelasi antara variabel observed yang tidak dibolehkan adalah sebesar 0.9 atau lebih (Ghozali dan Fuad, 2005).

),

(

)'

(

1 2

x

d

_j

=

_j

−

Σ

− _j

−

2 j d j

x

(2)

IDENTIFIKASI MODEL

Menurut Wijanto (2008), sebelum melakukan tahap estimasi untuk mencari solusi dari persamaan simultan yang mewakili model yang dispesifikasikan terlebih dahulu untuk memeriksa identifikasi dari persamaan simultan tersebut

1. Under Identified

Model dengan jumlah parameter yang diestimasi lebih besar dari jumlah data yang diketahui . Model Under Identified pada SEM mempunyai df = jumlah data yang diketahui - jumlah parameter yang diestimasi < 0 sehingga dapat disimpulkan model Under Identified mempunyai df negatif.

2. Just Identified

Model dengan jumlah parameter yang diestimasi sama dengan data yang diketahui. Sehingga dapat disimpulkan bahwa model mempunyai degree of freedom nol.

3. Over Identified

Model dengan jumlah parameter yang diestimasi lebih kecil dari jumlah data yang diketahui. Model ini mempunyai degree of freedom positif.

(3)

UJI KESESUAIAN MODEL

1. Uji Chi-Square

H₀ : Data empiris identik dengan teori atau model

H₁ : Data empiris tidak identik dengan teori atau model

Statistik Uji :

2. Dari beberapa indikator model fit yang ada, RMSEA merupakan indikator yang paling informatif. RMSEA mengukur penyimpangan nilai parameter pada suatu model dengan matriks kovarians populasinya(Brown & Cudeck 1993 dalam Ghozali & Fuad 2005).

(

)

[

( )

θ

]

χ

2

=

−

₁

∑

_,

∑

ˆ

F

n

(

)

(

)

2

1

1 1 2

+

−

=

∑∑

− =

p

s

RMSEA

p i i j ij ij

σ

ij

s

ij

σ

= varians kovarians data observasi

= varians kovarians model P = jumlah variabel endogen

(4)

UJI KESESUAIAN MODEL

3. GFI (Goodness of Fit Index)

Indeks kesesuaian (fit indexs) ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang dijelaskan oleh matriks

kovarians populasi yang terestimasikan.

4. AGFI (Adjusted Goodness of Fit)

AGFI adalah perluasan dari GFI yang disesuaikan, tetapi telah menyesuaikan pengaruh degrees of freedom pada suatu model.

(

)

(

)

_





 ∑









_∑

₋

−

=

− − 2 1 2 1

ˆ

1 S

tr

I

S

tr

GFI

1

ˆ

−

∑

= Matriks varians kovarians model

S = Matriks varians kovarians data observasi (measurement) I = Matriks identitas

(

_{) (}

₎

p p+1

AGFI=1-

1 GFI

2df





−









p : Jumlah variabel endogen df : Degrees of freedom

(5)

UJI KESESUAIAN MODEL

Goodness of Fit Index

Nilai yang diharapkan

χ

2

_{– Chi Square}

_{Diharapkan kecil}

RMSEA

≤ 0,08

GFI

0,9

(6)

ESTIMASI MODEL ATAU PARAMETER

Teknik estimasi model persamaan struktural pada awalnya

dilakukan dengan

ordinary least square

(OLS)

regression

,

tetapi teknik ini telah digantikan oleh

maximum likelihood

estimation

yang lebih efisien dan

unbiased

jika asumsi

normalitas multivariate dipenuhi. Namun teknik

maximum

likelihood

sangat sensitif terhadap data yang tidak normal

sehingga diciptakan teknik estimasi lain seperti

weigthed

least squared

(WLS),

generalized least squared

(GLS)

dan

asymtotically distribution free

(ADF). Teknik WLS dan

ADF dapat digunakan apabila sampel penelitian cukup

besar.

(7)

TEKNIK PENGAMBILAN SAMPEL

Pengambilan sampel didasarkan pada seksi yang ada di PT. KAI Daerah Operasi 8 Surabaya yang terdiri dari 13 seksi. Berikut ini merupakan perhitungan dari estimasi penarikan sampel (Thompson, 1992).

dimana :

n = ukuran sampel,

N = jumlah populasi (2330)

p =Proporsi responden puas (0,833)

q = Proporsi responden tidak puas (0,167) d = derajat kesalahan (0,07)

Z = 1,96 (nilai baku dari tabel distribusi Normal baku dengan tingkat kepercayaan sebesar α = 0,05).

(8)

TEKNIK PENGAMBILAN SAMPEL

Adapun masing-masing seksi akan dilakukan pengamatan secara sampel dengan masing-masing ukuran sampel proporsional terhadap jumlah karyawan di masing-masing seksi, secara umum ukuran sampel untuk tiap seksi :

dengan ukuran populasi di seksi ke – i, i = 1, 2, .... 13. _

    = N N n n_i i Seksi N_i n_i Humasda 13 ₁ Hukum 5 ₁ SDM dan Umum 46 ₂ Keuangan 30 ₁

Pengadaan Barang dan Jasa 15 ₁

Sarana 595 ₂₆

Jalan Rel dan Jembatan 585 ₂₆

Sintelis 224 ₁₀

Operasi 667 ₃₀

Pengamanan 72 ₃

Pelayanan 48 ₂

Pemasaran Angkutan 18 ₁

(9)

VARIABEL PENELITIAN

No. Atribut Tipe Jawaban

1. Jenis kelamin 1.pria

2.wanita 2. Pendidikan terakhir 1.SD 2.SMP/Sederajat 3.SMA/Sederajat 4.Diploma 5.S1 6.S2

3. Status 1.Belum menikah

2.Menikah 3.Duda/janda 4. Usia (Terbuka) 5. Jumlah tanggungan keluarga (Terbuka) 6. Jabatan (Terbuka)

(10)

VARIABEL PENELITIAN

KEPUASAN KERJA

Variabel Pernyataan

Karakteristik Pekerjaan 1-2

Ganjaran yang pantas 3-4

Kondisi kerja yang mendukung 5-6

Rekan sekerja yang mendukung 7-8

Kesesuaian kepribadian yangmemuaskan 9-10

Faktor-Faktor QWL

Variabel Pernyataan

Partisipasi Pengambilan Keputusan 1-2

Restrukturisasi Kerja 3-4

Lingkungan Kerja 5-6

(11)

METODE ANALISIS

1. Uji Validitas dan Reliabilitas 2. Analisis Statistika Deskriptif

3. Analisis Model Persamaan Struktural (SEM), dengan langkah-langkah sebagai berikut.

a. Pengujian Asumsi, dilakukan dengan tujuan untuk mengecek data apakah data yang didapatkan telah memenuhi asumsi SEM, yaitu distribusi normal multivariate dan nonmultikolinearitas.

b. Mendapatkan model berdasarkan konsep dan teori. c. Mengkonstruksi diagram path (diagram alur).

d. Melakukan Identifikasi model dengan melihat derajat bebas model. Model yang dapat dianalisis adalah model dalam keadaan over identified, dimana derajat bebas model bernilai positif. Apabila model dalam keadaan just identified atau under identified maka model tidak dapat dianalisis lebih lanjut. e. Setelah mengetahui bahwa model dapat dianalisis, langkah selanjutnya

adalah menguji kelayakan atau kesesuaian model (goodness of fit).

f. Mengestimasi parameter model dan menginterpretasikan output yang diperoleh. Estimasi faktor loading (tingkat korelasi antara variabel laten dengan variabel indikator yang menjelaskannya) dengan menggunakan standar estimasi. Hasil yang diperoleh dapat menerangkan seberapa besar kontribusi/ pengaruh variabel indikator terhadap variabel laten yang disusunnya

(12)

UJI VALIDITAS

Variabel atribut Korelasi Keterangan

PartisiPasi Pengambilan KePutusan

Pertanyaan 1 0,725 Valid

restruKturisasi Kerja Pertanyaan 1 0,801 Valid

sistem imbalan inoVatif Pertanyaan 1 0,838 Valid

lingKungan Kerja Pertanyaan 1 0,581 Valid

Variabel atribut Korelasi Keterangan

KaraKteristiK PeKerjaan Pertanyaan 1 0,803 Valid

ganjaran yang diterima Pertanyaan 1 0,798 Valid

Kondisi Kerja yang menduKung

reKan Kerja Pertanyaan 1 0,809 Valid

Kesesuaian KePribadian PeKerjaan

(13)

UJI RELIABILITAS

Variabel αc Keterangan

faKtor-faKtor QWl 0,861 reliabel

(14)

ANALISIS DESKRIPTIF

Pria 85% Wanita 15%

Jenis Kelamin

0 10 20 30 40 50 60 SMA Diploma S1 S2

Pendidikan terakhir

29% 17% 50% 4%

(15)

ANALISIS DESKRIPTIF

13,33% 83,81% 2,86% 0 10 20 30 40 50 60 70 80 90 100

Belum nikah Nikah Duda/Janda Status ≤30 tahun 27% 30-40 tahun 21% 40-50 tahun 40% >50 tahun 36%

USIA

(16)

ANALISIS DESKRIPTIF

Jumlah tanggungan keluarga Frekuensi Persentase 1 9 9% 2 19 18% 3 36 34% 4 26 25% >5 15 14%

Lama Bekerja Frekuensi Persentase

≤5 tahun 22 21% 6-10 tahun 12 11% 11-15 tahun 9 9% 16-20 tahun 11 10% 21-25 tahun 14 13% 26-30 tahun 27 26%