3. METODE PENELITIAN
3.1 Jenis Penelitian
Jenis penelitian yang digunakan adalah penelitian kuantitatif karena penelitian ini menguji hipotesis yang telah ditetapkan dan untuk mengetahui adanya pengaruh variabel bebas (independen) terhadap variabel intervening dan variabel terikat (dependen). Penelitian ini memiliki obyek penelitian, yaitu budaya organisasi, kepuasan kerja, dan kinerja karyawan di Perusahaan XYZ.
3.2 Populasi dan Teknik Pengambilan Sampel 3.2.1 Pengertian Populasi
Populasi adalah wilayah generalisasi yang terdiri dari obyek atau subyek yang mempunyai kualitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulan (Sugiyono, 2010). Berdasarkan pengertian serta judul penelitian, maka populasi yang akan menjadi penelitian adalah karyawan tetap di Perusahaan XYZ. yang berjumlah 50 orang
3.2.2 Pengertian Sampel
Sampel adalah bagian dari jumlah dan karakteristik yang dimiliki oleh populasi tersebut (Sugiyono, 2010). Sampel dalam penelitian ini diambil dari populasi yang ada. Sampel yang digunakan di dalam penelitian ini merupakan karyawan tetap Perusahaan XYZ yang sudah bekerja selama minimal 1 (satu) tahun yang berjumlah 35 orang.
3.2.3 Teknik Pengambilan Sampel
Teknik yang digunakan dalam pengambilan sampel adalah non probability sampling dengan metode yang digunakan peneliti adalah purposive sampling.
Sampel yang akan diambil dalam penelitian ini adalah karyawan tetap di Perusahaan XYZ yang sudah bekerja minimal 1 (satu) tahun.
3.3 Jenis dan Sumber Data 3.3.1 Data Primer
Data primer adalah data yang didapatkan dari sumber informasi yang pertama (Kuncoro, 2009). Data primer dalam penelitian ini berupa hasil jawaban responden yang terdapat dalam kuesioner yang akan dibagikan oleh peneliti.
Jawaban tersebut meliputi data pribadi dan latar belakang responden serta jawaban yang terkait dengan variabel penelitian, yaitu budaya organisasi, kepuasan kerja, dan kinerja karyawan.
3.3.2 Data Sekunder
Data sekunder adalah data yang telah dikumpulkan oleh pihak lain (Kuncoro, 2009). Jadi, data sekunder adalah data yang telah ada yang berasal dari sumber kedua atau pihak lain. Dalam penelitian ini, data sekunder meliputi: visi-misi perusahaan dan profil Perusahaan XYZ.
3.4 Metode Pengumpulan Data
Mengacu pada jenis data yang ada dalam penelitian ini, maka dalam penelitian ini akan digunakan metode pengumpulan data melalui kuesioner.
Kuesioner adalah daftar-daftar pertanyaan yang disusun secara tertulis (Kuncoro, 2009). Metode ini dilakukan dengan cara membagikan kuesioner kepada sampel yang telah ditetapkan. Responden dalam penelitian ini adalah seluruh karyawan tetap di Perusahaan XYZ. Hasil yang diperoleh dari kuesioner akan diolah ke dalam program smartPLS 3.0 untuk mengetahui apakah ada pengaruh antara variabel yang diteliti dengan dugaan hipotesis. Skala pengukuran data yang digunakan dalam penelitian ini adalah skala likert, dimana responden diminta untuk memberikan tanda checklist ( ) pada salah satu jawaban yang telah disediakan dalam kuesioner (Sugiyono, 2010). Masing-masing jawaban diberi skor sebagai berikut:
STS = sangat tidak setuju diberi skor 5
TS = tidak setuju diberi skor 4
N = netral diberi skor 3
S = setuju diberi skor 2
SS = sangat setuju diberi skor 1
3.5 Analisis Statistik Deskriptif
Mean atau rata-rata merupakan penjumlahan seluruh data dibagi banyaknya data yang ada (Ghozali, 2005).
Analisis kuesioner menggunakan skala five point likert scale dengan skor 1 (sangat tidak setuju) hingga 5 (sangat setuju). Hal ini digunakan untuk memperjelas kategori skala dan mempermudah dalam menganalisis setiap pertanyaan berdasarkan rata-rata (mean) yang didapat. Rumus untuk mencari rentang skala menurut Ghozali (2005) adalah:
RS= (𝑚−𝑛)𝑏 Keterangan:
RS = Rentang Skala
m = skor tertinggi yang mungkin n = skor terendah yang mungkin b = jumlah kelas
Perhitungan dengan skala:
RS= (5−1)5 = 0,8
Dengan rentang skala 0,8 untuk skala five point Likert scale, maka jumlah linear numerik yang dipakai adalah sebagai berikut:
1,00-1,80 Sangat tidak baik 1,81-2,60 Tidak baik 2,61-3,40 Cukup 3,41-4,20 Baik
4,21-5,00 Sangat Baik
3.6 Teknik Analisis Data
Penelitian ini menggunakan metode analisis data dengan menggunakan software smartPLS 3.0 karena penelitian ini menggunakan teknik statistika multivarian dengan melakukan tiga variabel yaitu variabel independen, variabel intervening, dan variabel dependen. PLS merupakan salah satu metode statistika
terjadi permasalahan spesifik data. PLS (Partial Least Square) adalah analisis persamaan struktual berbasis varian yang secara simultan dapat melakukan pengujian model pengukuran sekaligus pengujian model struktural. Model pengkuran digunakan untuk uji validitas dan reabilitas, sedangkan model struktural digunakan untuk uji kausalitas (Jogianto dan Abdillah, 2009).
PLS adalah metode analisis yang bersifat soft modeling karena tidak mengasumsikan data dengan pengukuran skala tertentu, yang berarti jumlah sampel dapat kecil (dibawah 100 sampel).
Keunggulan-keunggulan PLS (Jogyanto dan Abdillah, 2009):
a) Mampu memodelkan banyak variabel dependen dan variabel independen (model komplek)
b) Mampu mengelola masalah multikolinearitas antar variabel independen c) Hasil tetap kokoh walaupun terdapat data yang tidak normal dan hilang d) Menghasilkan variabel laten independen secara langsung berbasis
crossproduct yang melibatkan variabel laten dependen sebagai kekuatan prediksi
e) Dapat di gunakan pada kontruk reflektif dan formatif f) Dapat digunakan pada sampel kecil
g) Tidak mensyaratkan data berdistribusi normal
h) Dapat digunakan pada data dengan tipe skala berbeda, yaitu : nominal, ordinal, dan kontinus PLS menggunakan metode principle componen analysis dalam model pengukuranya, yaitu blok ekstrasi varian untuk melihat hubungan indikator dengan konstruk latennya dengan menghitng total varian yang terdiri dari varian umum (common variance), varian spesifik (specific variance), dan varian error (error variance). Sehingga total varian menjadi tinggi.
3.6.1 Pengukuran Model (Outer Model)
Analisis outer model ini menspesifikasi hubungan antar variabel laten dengan indikator-indikatornya. atau dapat dikatakan bahwa outer model mendefinisikan bagaimana setiap indikator berhubungan dengan variabel latennya.
Uji yang dilakukan pada outer model :
1. Convergent Validity.
Pengujian convergent validity dapat dilakukan dengan melihat nilai loading factor untuk setiap indikator konstruk. Nilai loading factor yang tinggi menunjukkan bahwa tiap indikator konstruk convergent pada satu titik. Nilai loading factor ini akan menunjukkan seberapa besar korelasi antara indikator dengan variabel laten. Nilai loading factor yang diharapkan adalah > 0,7. Namun seringkali syarat loading factor > 0,7 tidak terpenuhi sehingga nilai loading factor 0,4 - 0,7 harus tetap dipertimbangkan. Indikator dengan nilai loading factor dibawah 0,40 harus dihapus dari model. Namun untuk indikator dengan nilai loading factor 0,4 - 0,7 sebaiknya dianalisis dampak dari keputusan menghaspus indikator tersebut pada AVE dan composite reliability. Indikator yang memiliki nilai loading factor 0,4 - 0,7 dapat dihapus jika indikator tersebut dapat meningkatkan AVE dan composite reliability (Sholihin dan Ratmono, 2013).
2. Discriminant Validity. Nilai ini merupakan nilai cross loading factor yang berguna untuk mengetahui apakah konstruk memiliki diskriminan yang memadai yaitu dengan cara membandingkan nilai loading pada konstruk yang dituju harus lebih besar dibandingkan dengan nilai loading dengan konstruk yang lain (Sholihin dan Ratmono, 2013).
3. Composite Reliability. Data yang memiliki composite reliability >0.7 mempunyi reliabilitas yang tinggi (Sholihin dan Ratmono, 2013).
4. Average Variance Extracted (AVE). AVE merupakan salah satu pengujian untuk melihat validitas suatu konstruk. Tujuan pengukuran AVE adalah untuk mengukur tingkat variansi suatu komponen konstruk yang dihimpun dari indikatornya dengan menyesuaikan pada tingkat kesalahan. Konstruk dikatakan valid jika memiliki nilai AVE > 0,5 (Sholihin dan Ratmono, 2013).
5. Cronbach Alpha. Uji reliabilitas diperkuat dengan cronbach alpha.
Nilai diharapkan >0.6 untuk semua konstruk (Sholihin dan Ratmono, 2013).
3.6.2 Evaluasi Model Struktural (Inner Model)
Inner model merupakan model struktural untuk memprediksi hubungan kausalitas antara variabel laten (Jogiyanto & Abdilah, 2009). Model struktural dalam PLS di evaluasi dengan menggunakan R2 untuk konstruk dependen, nilai koefesien path dan t-values tiap path untuk uji signifikansi antar konstruk dalam model struktural. Nilai R2 digunakan untuk mengukur tingkat variansi perubahan variabel independen terhadap variabel dependen. Semakin tinggi R2 berarti semakin baik model prediksi dai model penelitian yang diajukan.
Nilai koefesien path atau inner model menunjukkan tingkat signifikansi dalam pengujian hipotesis. Skor koefisien path atau inner model yang ditunjukkan oleh nilai t-statistic, harus di atas 1,96 untuk hipotesis dua ekor (two tailed) dan di atas 1,64 untuk hipotesis satu ekor (one tailed) untuk pengujian hipotesis pada alpha 5 persen dan power 80 persen.
R2 model PLS dapat dievaluasi dengan melihat Q2 predictive relevance untuk model variabel. Q2 mengukur seberapa baik nilai observasi yang dihasilkan oleh model dan juga estimasi parameternya. Nilai Q2 lebih besar dari 0 (nol) memperlihatkan bahwa model mempunyai nilai predictive relvance, sedangkan nilai Q2 kurang dari 0 (nol) memperlihatkan bahwa model kurang memiliki predictive relevance. Namun, jika hasil perhitungan memperlihatkan nilai Q-square lebih dari 0 (nol), maka model layak dikatakan memiliki nilai prediktif yang relevan, dengan rumus sebagai berikut :
𝑄2 = 1 − (1 − 𝑅12 ) (1 − 𝑅22 )
3.6.3 Pengujian Hipotesis
Ukuran signifikan keterdukungan hipotesis dapat dapat digunakan perbandingan nilai t-table dan t-statistic. Jika t-statistic lebih tinggi dibandingkan nilai t-table, berarti hipotesis terdukung atau diterima (Hartono dalam Jogiyanto dan Abdillah, 2009). Analisis PLS yang digunakan dalam penelitan ini dilakukan dengan program smartPLS 3.0 yang dijalankan dengan program media komputer.
Statistik yang digunakan adalah statistik uji t, dimana dalam menentukan df adalah sebagai berikut:
Df = n-k-1 Keterangan:
k = jumlah variabel (bebas dan terikat)
n = jumlah observasi/sampel pembentuk regresi
Apabila diperoleh nilai p-value ≤ 0,05 (α = 5%), maka disimpulkan signifikan, dan sebaliknya. Jika hasil pengujian hipotesis pada outer model adalah signifikan, hal ini akan menunjukkan bahwa indikator dipandang dapat digunakan sebagai instrumen pengukur variabel laten. Jika hasil pengujian pada model pengukuran adalah signifikan, maka dapat diartikan bahwa terdapat pengaruh variabel laten terhadap variabel laten lainya.
