BAB III
METODE PENELITIAN
3.1 Subjek Penelitian.
Subjek penelitian dalam penelitian ini adalah kuat lemahnya budaya perusahaan, tingkat kepuasan kerja karyawan, dan tingkat komitmen karyawan Toserba Griya cabang Banjaran, yang diperoleh dari data yang bersifat cross section atau sesuai dengan waktu pengambilan data.
Penelitian akan dilaksanakan di Toserba Griya Cabang Banjaran yang merupakan cabang ke 51 dari 57 cabang Toserba Yogya – Griya, yang diresmikan pada tahun 2006 dengan jumlah karyawan sebanyak 63 orang. Yang beralamat di jalan raya Banjaran No. 148 Banjaran - Kabupaten Bandung.
3.2 Metode Penelitian.
3.2.1 Desain dan Jenis Penelitian.
Metode penelitian yang digunakan dalam penelitian ini bersifat eksplanasi.
Penelitian ekplanasi bertujuan untuk menganalisis hubungan kausal antar variabel dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung, yang dilaksanakan melalui pengumpulan data di lapangan kemudian diuji apakah terdapat pengaruh antara budaya perusahaan terhadap kepuasan kerja karyawan, pengaruh budaya perusahaan terhadap komitmen karyawan, dan pengaruh kepuasan kerja karyawan terhadap komitmen karyawan.
3.2.2 Populasi.
Populasi merupakan wilayah generalisasi yang terdiri dari objek atau subjek yang menjadi kuantitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya. Nawawi (2003) mengatakan bahwa, “populasi adalah totalitas semua nilai yang mungkin, baik hasil menghitung ataupun pengukuran kuantitatif maupun kualitatif pada karakteristik tertentu mengenai sekumpulan objek yang lengkap”. Sedangkan menurut Masri Singarimbun (1989:152), “Populasi atau universe ialah jumlah keseluruhan dari unit analisis yang ciri-cirinya akan diduga”.
Populasi yang dijadikan objek dalam penelitian ini adalah karyawan Toserba Griya cabang Banjaran yang berjumlah 63 orang karyawan. Pertimbangan menggunakan total populasi untuk mendapatkan gambaran yang lebih representatif dan mengurangi tingkat kesalahan, sehingga data yang diperoleh mendekati nilai yang sesungguhnya.
3.2.3 Operasionalisasi Variabel.
Seperti yang telah diungkapkan pada subjek penelitian, bahwa masalah yang akan diteliti adalah budaya perusahaan, kepuasan kerja karyawan, dan komitmen karyawan, sebagai variabel eksogen adalah budaya perusahaan (X), variabel endogen diberlakukan sebagai intervening atau variabel antara adalah kepuasan kerja karyawan (Y1), dan variabel endogen diberlakukan sebagai variabel dependen adalah komitmen karyawan (Y2) Secara lebih rinci, operasionalisasi variabel disajikan pada tabel 3.1.
Tabel 3.1
Operasionalisasi variabel
Variabel Konsep Indikator Ukuran Skala
Budaya perusahaan
(X)
Sistem makna bersama yang dianut oleh anggota-anggota yang membedakan perusahaan itu dari perusahaan yang lain (Robbins, 1996) a. Inovasi dan pengambilan resiko. b. Perhatian ke rincian. c. Orientasi hasil. d. Orientasi orang. e. Orientasi tim. f. Keagresifan. g. Kemantapan. Sikap karyawan terhadap inovasi dan kesiapan untuk menghadapi resiko. Sikap karyawan dalam memperlihatkan presisi, analisis, dan perhatian kepada rincian.
Sikap manajemen dalam memusatkan perhatian pada hasil bukan pada teknik dan proses. Seberapa besar keputusan manajemen turut mempengaruhi orang-orang yang ada dalam perusahaan. Seberapa pekerjaan disusun berdasar tim bukan individu.
Kadar seberapa karyawan agresif dan bersaing.
Kadar seberapa keputusan dan tindakan perusahaan menekankan dipertahankannya status quo. Ordinal Kepuasan kerja karyawan (Y1) Perasaan seorang karyawan mengenai pekerjaanya.
(Smith, Kendall, dan Hullin, 1969)
a. Work it self.
b. Supervision.
c. Co-worker.
Aspek dari pekerjaan yang dapat memenuhi keinginan atau motif manusia dalam melaksanakan pekerjaan Hubungan antara atasan dan bawahan, dimana atasan memberikan minat dan perhatian terhadap bawahan. Interaksi sosial yang terjadi antara sesama rekan kerja di dalam lingkungan kerja.
d. Promotion. e. Pay. Faktor yang berhubungan dengan ada tidaknya kesempatan untuk mendapatkan peningkatan karir selama bekerja.
Imbalan kerja yang dianggap wajar dan sedapat mungkin untuk dapat memenuhi kebutuhan karyawan. Komitmen karyawan (Y2) Dimensi perilaku penting yang dapat digunakan untuk menilai kecenderungan karyawan untuk bertahan sebagai anggota perusahaan (Mowday, 1992) a. Affective commitment. b. Continuance commitment. c. Normative commitment. Tingkat keinginan karyawan untuk menjadi bagian dari perusahaan karena adanya ikatan emosional.
Tingkat keinginan karyawan tetap bertahan di perusahaan, karena adanya motif.
Tingkat keinginan karyawan untuk bertahan karena adanya kesadaran karyawan.
Ordinal
3.2.4 Jenis dan sumber data. a. Data primer.
Data primer diperoleh melalui pengamatan langsung pada objek penelitian di lapangan yang dicatat dan gunakan sebagai bahan bahasan dan analisis. Data primer merupakan data yang dikumpulkan sendiri oleh peneliti melalui objek yang diteliti dengan menggunakan kuesioner, yaitu teknik pengumpulan data dengan cara memberikan lembaran pertanyaan kepada setiap responden untuk dijawab secara tertulis. Metode ini merupakan cara untuk memperoleh data primer yang digunakan peneliti sebagai bahan dasar analisis dimana pembuatan daftar
pertanyaan didasarkan atas indicator yang melekat pada masing-masing variabel yang digunakan dalam penelitian ini. Butir-butir pertanyaan dibuat sedemikian rupa yang memudahkan responden untuk mengisi jawaban yang tersedia dalam bentuk pilihan berganda dimana setiap butir pertanyaan berisi lima pilihan jawaban yang disesuikan dengan kriteria variabel, indikator dan parameter yang diujikan dalam penelitian ini.
b. Data sekunder.
Data sekunder diperoleh dari literatur atau buku-buku, laporan tahunan, statistik, dan lain-lain yang berkaitan dengan objek penelitian, baik dari kepustakaan ilmiah maupun kepustakaan perusahaan tempat objek penelitian yang digunakan untuk melengkapi data primer. Untuk memudahkan dan memperjelas jenis dan sumber data di dalam penelitian ini, maka data sekunder perusahaan adalah sebagai berikut:
1) Profil perusahaan Toserba Griya cabang Banjaran. 2) Data karyawan Toserba Griya cabang Banjaran. 3) Dokumen-dokumen yang berkaitan.
Secara rinci jenis dan sumber data dalam penelitian ini disajikan pada Tabel 3.2. Tabel 3.2
Jenis dan Sumber Data .
Ruang lingkup data Sumber data
Profil perusahaan Perusahaan Toserba Griya cabang Banjaran.
Data karyawan Perusahaan Toserba Griya cabang Banjaran.
Gambaran budaya perusahaan di Toserba Griya cabang Banjaran.
Karyawan Toserba Griya cabang Banjaran.
Gambaran komitmen karyawan di Toserba Griya cabang Banjaran.
Karyawan Toserba Griya cabang Banjaran.
Gambaran kepuasan kerja karyawan di Toserba Griya cabang Banjaran.
Karyawan Toserba Griya cabang Banjaran.
3.2.5 Validitas dan Reliabilitas Instrument.
Instrumen yang valid berarti alat ukur yang digunakan untuk mendapatkan data itu valid. Valid berarti instrumen tersebut dapat digunakan untuk mengukur apa yang seharusnya diukur. Intrumen yang reliabel adalah instrument yang bila digunakan beberapa kali untuk mengukur objek yang sama akan menghasilkan data yang sama. Dengan menggunakan instrumen yang valid dan reliabel dalam pengumpulan data maka diharapkan hasil penelitian akan menjadi valid dan reliabel.
• Uji validitas.
Validitas menunjukan kemampuan instrument penelitian mengukur dengan tepat atau benar apa yang hendak diukur (Kusnendi, 2008:94). Validitas dalam penelitian menyatakan derajat ketepatan alat ukur penelitian terhadap isi atau arti sebenarnya yang diukur. Dengan uji ini dilakukan peneriksaan apakah item-item yang dieksplorasi mendukung item total atau tidak. Suatu instrumen penelitian dianggap valid jika informasi yang ada pada setiap item berkorelasi erat dengan informasi dari item-item tersebut sebagai suatu kesatuan (Tumpal Jr Sitinjak dan Sugiarto, 2005:70). Uji validitas yang dilakukan pada penelitian ini adalah dengan menggunakan rumus korelasi product moment: rxy = N ΣXY – (ΣX)(ΣY)
√ {N ΣX² - (ΣX²)} – { NΣY² - (ΣY²)} Dimana
r = koefisien korelasi pearson. X = skor setiap item.
Y = jumlah skor seluruh item. N = jumlah pengamatan.
• Uji reliabilitas.
Reliabilitas menunjuk pada suatu pengertian bahwa instrument yang digunakan dalam penelitian untuk memperoleh informasi yang diinginkan dapat dipercaya sebagai alat pengumpul data serta mampu mengungkap informasi yang sebenarnya dilapangan. Sehingga menurut Kusnendi (2008:94), “reliabilitas menunjukan keajegan, kemantapan, atau kekonsistenan suatu instrument penelitian mengukur apa yang diukur”. Uji reliabilitas dilakukan untuk mengetahui konsistensi hasil pengukuran variabel. Instrumen yang reliabel adalah instrumen yang bila dicobakan secara berulang-ulang kepada kelompok yang sama akan menghasilkan data yang sama dengan asumsi tidak terdapat perubahan psikologis pada responden. Instrument yang baik tidak bersifat tendensius mengarah responden untuk memilih jawaban tertentu sebagaimana yang dikehendaki oleh peneliti. Instrument yang reliabel akan menghasilkan data yang sesuai dengan kenyataannya, dalam artian berapa kalipun penelitian diulang dengan instrument tersebut akan tetap diperoleh kesimpulan yang sama, walaupun perolehan angka nominalnya tidak harus sama. Secara primsip reliablitas mencerminkan konsistensi suatu pengukuran. Reliabilitas yang tinggi menunjukan bahwa indikator-indikator atau variabel-variabel yang diamati mempunyai konsistensi tinggi dalam mengukur variabel latentnya. Untuk uji reliabilitas pada penelitian ini digunakan teknik Alpa Cronbach, di mana suatu instrumen dapat dikatakan reliable bila memiliki koefisien keandalan lebih besar atau sama dengan 0.70 (Hair, Anderson, Tatham, dan Black, 1998).
k ΣSi² C = 1 -
k-1 St² Dimana
C = koefisien alpha Cronbach K = jumlah item
ΣSi²= jumlah variens setiap item pertanyaan. St² = varians skor total.
3.2.6 Teknik Pengolahan Data dan Analisis Data. 3.2.6.1 Teknik Pengolahan Data.
Data kuantitatif yang merupakan sumber data primer dalam penelitian ini diperoleh melalui wawancara, observasi, studi lapangan, dan pengisian kuesioner. Kuesioner dibuat dalam bentuk daftar isian pertanyaan diperuntukan kepada responden dimana pertanyaan yang dituangkan didasarkan atas indikator yang melekat pada masing-masing variabel yang akan diteliti, yaitu variabel eksogen adalah budaya perusahaan (X), variabel endogen yang diberlakukan sebagai intervening atau variabel antara adalah kepuasan karyawan (Y1), dan variabel endogen yang diberlakukan sebagai variabel dependen adalah komitmen karyawan (Y2), dengan menggunakan skor nilai sesuai dengan skala likert yang dimodifikasi (Husain Umar, 2003). Penilaian scoring atas jawaban responden dengan nilai kriteria jawaban yang tersedia merupakan cara untuk merubah nilai kualitatif menjadi nilai kuantitatif, sehingga hasil kuesioner dari responden ini dapat dianalisis dengan metode statistik yaitu range. Selanjutnya langkah-langkah dalam pengelolahan data dilakukan sebagai berikut:
b) Melakukan penjumlahan dari seluruh pertanyaan dan kemudian ditentukan tingkat keperluannya.
c) Menghitung tingkat kebutuhan dengan menggunakan pendekatan rentang, yaitu skor terbesar dikurangi skor terkecil. Setelah diketahui hasil dari rentang tersebut dibagi dengan jumlah kategori jawaban. Kategori untuk variabel kepuasan kerja dan komitmen karyawan maka ditentukan berdasarkan skala sebagai berikut:
Tabel 3.3
Kriteria Jawaban dan Skoring Penilaian responden variabel Kepuasan Kerja dan Komitmen Karyawan.
Kategori jawaban Skala
Sangat rendah 1 – 1,79
Rendah 1.8 – 2.59
Cukup tinggi 2.6 – 3.39
Tinggi 3.4 – 4.19
Sangat tinggi 4.2 – 5
Sedangkan untuk variabel budaya organisasi dapat dikategorikan: Tabel 3.4
Kriteria Jawaban dan Skoring Penilaian responden variabel Budaya Organisasi
Kategori jawaban Skala
Sangat lemah 1 – 1,79
Lemah 1.8 – 2.59
Cukup lemah 2.6 – 3.39
Kuat 3.4 – 4.19
Sangat kuat 4.2 – 5
3.2.5.2 Teknik Analisis Data.
Berdasarkan pengolahan data tersebut diatas, maka langkah penyelesaian selanjutnya digunakan analisis data yang mengarah kepada analisis dan pembahasan permasalahan yang dikemukakan pada penelitian ini. Analisis dan pembahasan permasalahan hasil penelitian ini, digunakan suatu teknik dan alat analisis kuantitatif.
Analisis kuantitatif digunakan untuk menjawab permasalahan dan menguji hipotesis yang diajukan. Metode kuantitatif yang digunakan dalam penelitian ini adalah menggunakan analisis jalur, metode ini digunakan karena dalam penelitian ini ingin menguji hipotesis hubungan asimeteris yang dibangun atas dasar kajian teori kuat lemahnya budaya perusahaan, tingkat kepuasan kerja karyawan, dan tingkat komitmen karyawan, dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung seperangkat variabel penyebab terhadap variabel akibat yang dapat diobservasi secara langsung.
Analisis jalur (path analysis) pertama kali diperkenalkan oleh Sewall Wright pada tahun 1920. Karl G Joreskog dan Dag Sorbom dari Departemen Statistik Universitas Uppsala Swedia, mempergunakan dan mengembangkan analisis jalur untuk ilmu sosiologi yang dipublikasikan pada tahun 1993 dan tahun 1996. Pada saat ini analisis jalur dapat digunakan oleh ilmu sosial lainnya.
Karakteristik yang dimiliki oleh analisis jalur adalah metode analisis data multivariate dependensi yang digunakan untuk menguji hipotesis hubungan asimetris yang dibangun atas dasar kajian teori tertentu, dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung seperangkat variabel penyebab terhadap variabel akibat yang dapat diobservasi secara langsung (Kusnendi, 2008:147).
Model penelitian ini adalah model yang sifatnya bivariat atau model analisis jalur yang paling sederhana. Dikatakan demikian karena model hanya memiliki satu variabel eksogen dan dua variabel endogen, yaitu satu variabel endogen diberlakukan sebagai veriabel antara dan satu variabel endogen
diberlakukan sebagai variabel dependen (Kusnendi, 2008:152). Untuk lebih jelasnya diagram jalur penelitian akan digambarkan sebagai berikut:
e1
e2
Gambar 3.1 Diagram Jalur Hipotesis
Kerena penelitian ini menggunakan data ordinal seperti dijelaskan dalam operasionalisasi variabel sebelumnya, maka semua data ordinal yang terkumpul terlebih dahulu ditransformasikan menjadi data interval gunanya untuk memenuhi sebagian dari syarat analisis parametrik yang mana data setidaknya berskala interval. Teknik transformasi yang digunakan dalam penelitian ini adalah dengan menggunakan teknik MSI atau Method of Successive Interval (Harun Al Rasyid, 1994:131). Langkah-langkah transformasi data ordinal menjadi data interval adalah sebagai berikut:
• Menghitung frekuensi (f) setiap pilihan jawaban, berdasarkan hasil jawaban responden pada setiap pertanyaan.
• Berdasarkan frekuensi yang diperoleh untuk setiap pertanyaan, dilakukan perhitungan proporsi (p) setiap pilihan jawaban dengan cara membagi frekuensi (f) dengan jumlah responden.
• Berdasarkan proporsi tersebut untuk setiap jawaban pertanyaan, dilakukan perhitungan proporsi kumulatif untuk setiap pilihan jawaban.
Kepuasan kerja karyawan (Y1) Budaya Organisasi (X) Komitmen Karyawan (Y2)
• Menentukan nilai batas Z (tabel normal) untuk setiap pertanyaan dan setiap pilihan jawaban.
• Menentukan nilai interval rata-rata untuk setiap pilihan jawaban melalui persamaan berikut:
(Dencity at Lower Limit) – (Dencity at Upper Limit) Scale value =
(Area Bellow Upper Limit) – (Area Bellow Lower Limit) • Hitung nilai transformasi dengan rumus : Y = NS + [1+ {NS min}]
Data penelitian yang telah berskala interval selanjutnya akan dievaluasi oleh congeneric measurement models dan tiga asumsi analisis jalur seperti uji normalitas data, uji multikolinieritas outliers, dan uji multikolinieritas. Ketiga evaluasi analisis data diatas dilakukan untuk mengetahui karakteristik data yang dianalisis.
A. Uji asumsi analisis jalur. A. Uji Normalitas.
Uji normalitas data dilakukan untuk mengetahui apakah data yang dikumpulkan mengikuti distribusi data yang normal atau tidak, berdasarkan Kusnendi (2006:83) uji normalitas dilakukan untuk univariat dan multivariat. Normalitas data untuk masing-masing variabel dapat diidentifikasi dengan statistik Jarque-Bera (JB). Statistik Jarque-Bera diuji dengan menggunakan statistic uji chi-square (χ²) pada derajat kebebasan dua dan tingkat kesalahan tertentu. Jika nilai JB lebih besar dari nilai χ² mengidetifikasi bahwa data berdistribusi normal. Secara multivariat, uji normalitas data dilakukan Amos dengan menggunakan statistik kurtosis multivariat mardia (Arbuckle, 1997).
Melalui statistic kurtosis mardia penentuan normal tidaknya distribusi data dinyatakan dengan statistik cr (Critical Ratio). Berdasarkan Kusnendi (2008:84) data dinyatakan berdistribusi normal secara multivariat jika nilai cr lebih kecil atau sama dengan ± 2,58. Maka data dikatakan berdistribusi normal (Ferdinand, 2000, Ghozali, 2004).
B. Uji multivariat outlier.
Uji multivariat outlier digunakan untuk mengetahui apakah data yang diperoleh terdapat data yang bersifat ekstrim. Berdasarkan Kusnendi (2006:84) multivariat menunjukan kombinasi nilai semua variabel yang memiliki karakteristik tidak lazim yang muncul dalam bentuk nilai sangat ekstrim. Berdasarkan Kusnendi (2006:84) data ekstrim muncul karena beberapa hal, yaitu a) karena adanya salah pencatatan ketika sedang mentabulasi data dari kuesioner ke dalam tabel induk penelitian, b) karena kejadian-kejadian yang sifatnya luar biasa, dan c) karena hal-hal yang tidak diketahui sehingga nilai observasi bersifat unik dalam kombinasi dengan nilai observasi variabel lainnya. Ada tidaknya kasus outlier berdasarkan Kusnendi (2006:84) dapat diketahui dengan statistic d2 (Mahalanobis distance). Statistik d2 dihitung dengan meregresikan antara nomor urut responden sebagai variabel dependen dengan variabel yang diteliti sebagai variabel independen. Dan untuk menentukan ada tidaknya nilai outlier adalah dengan membandingkan nilai d2 dengan nilai χ² pada derajat kebebasan sebesar jumlah sampel variabel yang diobservasi dan tingkat kesalahan tertentu. Keberadaan bilangan outlier akan menimbulkan bias dalam hasil penelitian
yang akan dihasilkan dan cara memperbaikinya adalah dengan menghilangkan nilai data yang sifatnya ekstrim tersebut.
C. Uji multikolinieritas.
Secara empiris ada satu asumsi yang asumsi statistik yang tidak dapat dilanggar dalam mengaplikasikan analisis jalur, yaitu asumsi multikolinierlitas. Pelanggaran terhadap asumsi ini akan menjadikan hasil estimasi parameter model kurang dapat dipercaya. Hal tersebut ditunjukan oleh estimasi koefisien R2 yang tinggi tetapi estimasi koefisien jalur secara statistik tidak ada yang signifikan. Karena itu, sebelum koefisien jalur dihitung terlebih dahulu asumsi multikolinieritas diuji. Untuk menguji asumsi multikolinieritas dapat dilakukan melalui pengamatan terhadap koefisien determinan matriks kovariansi atau matriks korelasi data sampel. Berdasarkan koefisien determinan matriks kovariansi atau matriks korelasi dapat diidentifikasi ada tidaknya masalah multikolinieritas. Jika koefisien determinan matriks kovariansi atau matriks korelasi tersebut sangat kecil mendekati nol mengidentifikasi terdapat masalah multikolinieritas, dan jika koefisien determinan matriks kovariansi atau matriks korelasi data sampel sama dengan nol mengidentifikasi antarvariabel penyebab terdapat masalah multikolinieritas yang serius. Ini berarti, sebelum koefisien jalur dihitung, masalah multikolinieritas perlu dihilangkan dengan cara mengeluarkan variabel yang dicurigai paling dominan sebagai sumber multikolinieritas (Kusnendi, 2008:161).
B. Koefisien jalur.
Koefisien jalur yang didefinisikan sebagai standardized path coefficient
(Land, 1969), standardized regression weights (Arbuckle,1997), atau beta coefficient. Disebut demikian karena pada dasarnya koefisien jalur adalah koefisien regresi yang distandarkan, yaitu koefisien regresi yang dihitung dari basis data yang telah diset dalam angka baku. Artinya semua unit pengukuran variabel penelitian disamakan dengan nilai rata-rata sama dengan nol dengan simpangan baku sama dengan satu. Karena unit pengukuran variabel telah disamakan maka koefisien jalur mengukur besarnya pengaruh antarvariabel dalam model yang dianalisis.
C. Koefisien determinasi multipel (R²) dan error variabel.
Koefisien determinasi multipel (squared multiple correlations) atau koefisien variasi yang dijelaskan dan dinotasikan sebagai R² menunjukan besarnya pengaruh bersama atau serempak seperangkat variabel penyebab terhadap satu variabel akibat yang terdapat dalam model struktural yang dianalisis. Berdasarkan koefisien determinasi selanjutnya dapat diidentifikasi besaran koefisien jalur ei (ρei). Koefisien jalur tersebut mewakili estimasi atau taksiran pengaruh variabel lain (error variables) yang tidak diobservasi atau tidak dijelaskan model. Dengan demikian, semakin tinggi estimasi koefisien R², semakin rendah error variables, dan karena itu dikatakan semakin efektif model dalam menjelaskan fenomena yang diteliti. Besar kecilnya koefisien R²
digunakan sebagai ukuran efektivitas model dalam menjelaskan fenomena yang diteliti.
D. Uji kesesuaian model (overall model fit) dan Trimming.
Kesesuaian model adalah kesesuaian antar matriks kovariansi atau matriks korelasi sampel (S) dengan matriks kovariansi atau korelasi populasi (Σ) yang diestimasi. Karena itu, hipotesis statistikanya dirumuskan sebagai berikut: Ho : S = Σ matriks kovariansi atau korelasi data sampel tidak berbeda dengan
matriks kovariansi atau korelasi populasi yang dietimasi. Ho : S ≠ Σ matriks kovariansi atau korelasi data sampel berbeda dengan
matriks kovariansi atau korelasi populasi yang dietimasi.
Selanjutnya menguji hipotesis overall model fit, secara manual Specht (1975), Pedhazur (1982), serta Schumacker dan Lomax (1996) mengusulkan statistik Q sebagai ukuran fit tidaknya model. Nilai statistik Q berkisar antara 0 dan 1. Jika Q sama dengan 1 menunjukan model yang diuji fit dengan data. Dan jika Q < 1 maka untuk menentukan fit tidaknya model, statistik Q perlu diuji dengan statistik W. Statistik uji W mendekati distribusi chi-square (χ²) dengan derajat kebebasan sebesar d. Karena itu kriteria penggujiannya adalah hipotesis nol diterima jika nilai statistik W lebih kecil atau sama dengan nilai chi-square (χ²) tabel pada derajat kebebasan d dan tingkat kesalahan ( ) tertentu. Dengan kata lain, hipotesis nol diterima jika statistik W mampu memberikan tingkat signifikansi (nilai P-hitung) lebih besar atau sama dengan tingkat kesalahan ( ) yang dapat ditolerir. Dalam hal lainnya, hipotesis nol
tidak dapat ditolak. Secara konvensional, para peneliti biasa menetapkan tingkat kesalahan sebesar 0.05.
Untuk meningkatkan keakuratan dalam menentukan model yang diajukan fit atau tidaknya adalah dengan menggunakan beberapa pengukuran seperti
Goodness-of-Fit Index (GFI) merupakan ukuran kesesuaian lain yang sering digunakan para ahli merekomendasikan batas minimal penerimaan GFI adalah 0,90 yang menunjukan bila 90% model memiliki kesesuaian.
Root Means Square Error of Approximation (RMSEA) merupakan ukuran indeks yang mencoba memperbaiki karakteristik statistik yang cenderung dipengaruhi banyak sampel yang diteliti. Model dikatakan fit jika nilai RMSEA mendekati nol menurut para ahli model dikatakan fit bila nilai RMSEA lebih kecil dari 0,05 sampai dengan 0,08.
Ukuran komparatif lain adalah dengan menggunakan Normed Fit Index
(NFI), Trucker-Lewis-Index (TLI) atau Non Normed Fit Index (NFI), dan
Comparative Fit Index (CFI). Para ahli menentukan batasan model fit untuk NFI, TLI, dan NFI adalah sebesar 0,90 sedangkan berdasarkan index CFI bila nilainya mendekati 1.
Ukuran lain yang digunakan penulis dalam melakukan pengujian model adalah dengan menggunakan ukuran kesesuaian persimoni atau Parsimonius Fit Measures (PFM). Ukuran kesesuaian persimoni menginformasikan kesederhanaan model dalam kaitannya dengan jumlah parameter yang diestimasi. Dilihat dari ukuran kesesuaian persimoni, model dikatakan fit
dengan data mengandung arti model yang diusulkan relatif lebih sederhana dibandingkan dengan model alternatif.
Ukuran kesesuaian persimoni yang paling banyak digunakan adalah
Normed Chi-Square atau CMIN/DF. Normed Chi-Square tidak lain nilai statistika χ² dibagi dengan derajat kebebasan (df). Byrne (1988, dalam Ghozali, 2004), dan Arbuckle (1997) merekomendasikan nilai Normed Chi-Square atau CMIN/DF sama dengan atau kirang dari 2 sebagai kriteria model fit. Ukuran lain yang biasa digunakan untuk mengevaluasi kesesuaian persimoni adalah Parsimony Normed Fit Index (PNFI), Parsimony Comparative Fit Index (PCFI), Parsimony Goodness of Fit (PGFI), dan
Consistent Akaike Information Criterion (CAIC).
Sedangkan ukuran PNFI, PCFI, dan PGFI model dikatakan fit jika nilai berkisar antara nol sampai satu. Semakin tinggi nilainya mengandung arti semakin parsimonious model dibandingkan dengan model alternatif. Sedang menurut ukuran CAIC, semakin rendah nilainya semakin parsimonious model dibandingkan dengan model alternatif.
Tabel 3.5 menunjukan kriteria model fit berdasarkan beberapa ahli seperti Schumacker, Lomax, Hair Adderson, Tathan, dan Black. Menurut para ahli tersebut diketahui kriteria model dikatakan fit. Model yang memiliki nilai P-value lebih besar dari 0,05 dikatakan fit sedangkan bila nilainya mendekati 1 diketahui bila model fit sempurna. Berdasarkan nilai RMSEA, nilai dikatakan fit jika besarnya lebih kecil dari 0,08 dan bila model memiliki nilai RMSEA
maka dapat dikatakan model tersebut fit sempurna. Untuk ukuran GFI, AGFI, NFI, TLI, dan CFI model dikatakan fit jika nilainya melebihi 0,90.
Tabel 3.5
Beberapa ukuran Goodness of Fit Test Analisis Jalur Ukuran GFT Kriteria kesesuaian model Kriteria pengujian Implikasi terhadap Ho Keputusan
P-value 1,00 (model fit sempurna)
≥ 0,05 Diterima Model fit RMSEA 1,00 (model fit
sempurna)
≤ 0,08 Diterima Model fit GFI, AGFI,
NFI, TLI, dan CFI
1,00 (model fit sempurna)
≥ 0,90 Diterima Model fit
Sumber: Schumacker dan Lomax (1996), Hair dkk (2006), Maruyama (1998), Ghozali (2004), Joreskog dan Sorbom (1996), Bachrudin dan Tobing (2003), Browne dan Cudeck (1993).
Kesederhanaan model itu sendiri ditunjukan oleh jumlah jalur yang diestimasi relatif sedikit. Karena itu, trimming dilakukan dengan jalan melepaskan atau mengeluarkan koefisien jalur yang tidak bermakna atau tidak signifikan dari model (Heise, 1969; Pedhazur, 1982 dalam Bachrudin & Tobing, 2003). Terkait dalam hal tersebut maka trimming dapat diterapkan apabila dipenuhi dua hal. Pertama, model fit dengan model. Kedua, dalam model struktural ditemukan ada koefisien jalur yang tidak signifikan.
Tujuan utama trimming adalah memperoleh model yang paling sederhana, maka ketika trimming dilakukan akan diperoleh dua model yang berbeda, yaitu sebelum trimming dan model setelah trimming. Model dikatakan lebih baik dibandingkan dengan model sebelum trimming apabila dipenuhi kriteria (Kusnendi, 2008:18) : (a) Model tetap fit dengan data, (b) Model tetap efektif dalam menjelaskan fenomena yang diteliti. Efektivitas model ditunjukan oleh estimasi koefisien variansi terjelaskan atau koefisien determinasi multiple (R²)
model struktural tidak menurun jauh lebih kecil dari R² model sebelum
trimming, dan (c) Model lebih persimoni atau sederhana. Kesederhanaan model ditunjukan oleh jumlah jalur yang diestimasi lebih sedikit, atau bila digunakan ukuran kesesuaian parsimoni ditunjukan oleh nilai PGFI, PNFI, atau PCFI yang semakin besar atau nilai CAIC yang semakin kecil.
E. Dekomposisi pengaruh antar variabel.
Model dekomposisi adalah model yang menekankan pada pengaruh yang bersifat kausalitas antarvariabel, baik pengaruh langsung maupun tidak langsung dalam kerangka path analysis, sedangkan hubungan yang sifatnya non kausalitas atau hubungan korelasional yang terjadi antarvariabel eksogen tidak termasuk dalam perhitungan. Perhitungan menggunakan analisis jalur dengan model dekomposisi pengaruh kausal antarvariabel dapat dibedakan menjadi tiga sebagai berikut:
a. Direct effect (pengaruh langsung) adalah pengaruh satu variabel penyebab terhadap variabel akibat tanpa melalui variabel lain. Besarnya pengaruh langsung tersebut masing-masing ditunjukkan oleh koefisien jalur (path coefficient, standardized regression weights).
b. Indirect effect (pengaruh tidak langsung) menunjukan pengaruh satu variabel penyebab terhadap variabel akibat yang terjadi melalui satu atau beberapa variabel lain yang dipersepsikan sebagai variabel antara. Jadi, dalam model struktural hubungan yang sifatnya non-kausalitas seperti hubungan korelasional atau hubungan simetris yang terjadi antara variabel
laten tidak dimasukan dalam komputasi dekomposisi pengaruh antar variabel.
c. Total effect (pengaruh total) adalah jumlah dari pengaruh langsung dan tidak langsung.
Untuk memudahkan interpresi hasil, hasil estimasi parameter model akan disajikan dalam bentuk angka standardized solution atau penjelasan hasil estimasi persamaan struktur dinyatakan dalam ukuran yang distandarkan (standardized). Sedangkan keluaran bentuk path diagram yang ditampilkan adalah diagram jalur basic model. Keluaran bentuk OUT diringkas dalam tabel-tabel ringkasan, yang menyajikan informasi tentang hasil estimasi pengujian parameter model, uji kesesuaian model, dan ringkasan dekomposisi pengaruh antarvariabel. Setelah mendapatkan hasil tentang perhitungan melalui analisis statistik yang telah dilakukan dalam penelitian, hasil perhitungan tersebut akan dipaparkan dengan pendekatan deskriptif yang didukung dengan teori-teori yang relevan dengan penelitian ini.
