Professional Documents
Culture Documents
com
www.statistikolahdata.com
Intensions (SI). Variabel Enviromental Perceptions (EP) dibentuk/diukur oleh 3 indikator yaitu :
EP1-EP3. Variabel Attitudes Toward Coworkers (AC) dibentuk oleh 4 indikator yaitu: AC1AC4. Variabel Job Satisfaction (JS) dibentuk/diukur oleh 5 indikator yaitu : JS1-JS5. Variabel
Organizational Commitment (OC) dibentuk oleh 4 indikator yaitu : OC1-OC4. Sedangkan
variabel Staying Intentions (SI) dibentuk oleh 4 indikator yaitu : SI1-SI4. Dari model di atas
terdapat 8 hipotesis :
H1 = Terdapat hubungan yang positif antara Enviromental Perceptions terhadap Job
Satisfaction.
H2 = Terdapat hubungan yang positif antara
Organizational Commitment.
H3 =
1
Jasa Olah Data, Hub : 08816637417 / 087737940271, email: suseno16@gmail.com/statistikolahdata@yahoo.com
H6 =
H7 = Terdapat hubungan yang positif antara Job Satisfaction terhadap Staying Intentions.
H8 = Terdapat hubungan yang positif antara Organizational Commitment terhadap Staying
Intentions.
(* Model dan data diadopsi dari Hair et.al, 2007)
2. Membuat Diagram Alur (Path Diagram)
Tujuannya adalah menggambarkan model teoritis yang telah dibangun pada langkah pertama ke
dalam sebuah diagram jalur agar peneliti dengan mudah dapat mencermati hubungan kausalitas
yang ingin diujinya.
e9 e10 e11 e12
e8
EP1
EP2
e3
EP3
d1
JS
EP
d3
SI
e4
AC1
e5
AC2
e6
AC3
AC4
e7
AC
OC
SI1
e17
SI2
SI3
e18
SI4
e20
e19
d2
OC1OC2OC3 0C4
e13 e14 e15 e16
Gambar.1 Path Diagram
Konstruk eksogen pada gambar di atas adalah konstruk EP dan AC. Konstruk yang dituju
anak panah merupakan konstruk endogen atau konstruk yang diestimasi oleh konstruk lain.
Estimasi tersebut akan menimbulkan tingkat kesalahan
Konstruk JS mempunyai tingkat kesalahan sebesar d1 karena diestimasi oleh konstruk EP.
Konstruk OC mempunyai tingkat kesalahan sebesar d2 karena diestimasi oleh konstruk EP, AC
dan JS. Konstruk SI mempunyai tingkat kesalahan sebesar d3 karena diestimasi oleh konstruk
JS, EP, AC dan OC.
2
Jasa Olah Data, Hub : 08816637417 / 087737940271, email: suseno16@gmail.com/statistikolahdata@yahoo.com
JS)
5) AC terhadap OC (AC
2) EP terhadap SI (EP
SI)
6) JS terhadap OC (JS
3) EP terhadap OC (EP
OC)
7) JS terhadap SI (JS
4) AC terhadap SI ( AC
SI)
8) OC terhadap SI (OC
OC)
OC)
SI)
SI)
Setelah diagram jalur telah dibuat, langkah selanjutnya adalah mengkonversi diagram jalur
ke dalam bentuk persamaan. Konversi ke bentuk persamaan dalam SEM, terdapat 2 persamaan :
1) Model Pengukuran
a. Pengukuran variabel laten eksogen 1 :
EP1=1 11
EP2= 2 12
EP3=3 13
AC1= 4 24
AC2 =5 25
AC3=6 26
AC4 =7 2 7
JS1=8 18
JS2=9 19
JS3=10 110
JS4=11 111
JS5=12 112
OC1= 13 213
OC2=14 2 14
OC3= 15 215
OC4=16 216
SI1=17 3 17
SI2=18 3 18
SI3=19 319
SI4=20 320
4
Jasa Olah Data, Hub : 08816637417 / 087737940271, email: suseno16@gmail.com/statistikolahdata@yahoo.com
2) Model Struktural
1=1 11
2=3 15 26 1 2
3=2 17 14 2 8 21
sebesar 195,265, df sebesar 160 dengan taraf signifikansi 0,030. Dengan taraf signifikansi <
0,05 menyatakan bahwa terdapat perbedaan yang signifikan antara matriks kovarians sampel
dengan matriks kovarians populasi. Taraf signifikansi masih di bawah nilai yang disarankan
atau cut value. Nilai GFI (0,954), AGFI (0,939), Cmin/df (1,220), RMSEA (0,024),TLI
(0,989), CFI (0,991). Nilai-nilai tersebut sudah memenuhi cut value yang disarankan. Hasil
selengkapnya dapat dilihat pada lampiran.
5
Jasa Olah Data, Hub : 08816637417 / 087737940271, email: suseno16@gmail.com/statistikolahdata@yahoo.com
Taraf signifikansi merupakan syarat yang penting dalam analisis SEM, agar terpenuhi
nilai signifikansi > 0,05 maka dilakukan modifikasi model dengan melihat nilai Modification
Indices sebagai berikut :
6
Jasa Olah Data, Hub : 08816637417 / 087737940271, email: suseno16@gmail.com/statistikolahdata@yahoo.com
e19
e17
e13
e13
e14
e14
e15
e15
e15
e8
e4
e4
e1
e1
e2
e2
e3
e3
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
e20
e18
SI
OC
SI
AC
SI
EP
e13
e19
e14
e16
OC
e8
e12
e15
e12
e14
JS5
JS5
JS5
JS5
SI4
SI2
SI2
OC1
OC1
OC1
OC1
OC1
OC1
OC2
OC2
OC2
OC2
OC2
OC3
OC4
JS1
JS1
<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<---
AC
AC1
AC4
EP3
EP2
JS4
JS3
SI
SI4
SI3
SI2
AC1
EP3
SI
AC
SI2
AC1
AC3
EP2
AC1
SI3
EP1
M.I.
4.79
4.58
4.67
4.34
4.29
4.07
4.33
6.67
7.01
4.63
5.39
4.4
5.64
4.77
5.12
6.61
8.68
4.88
5.05
4.3
5.46
4.86
Par Change
1.37
1.19
1.04
1.21
0.04
-0.04
-0.04
-0.41
-0.29
-0.22
-0.28
-0.16
-0.19
0.22
0.12
0.2
0.14
0.1
0.1
-0.1
-0.12
-0.06
7
Jasa Olah Data, Hub : 08816637417 / 087737940271, email: suseno16@gmail.com/statistikolahdata@yahoo.com
Dari tabel di atas terdapat 3 cara untuk modifikasi model, yaitu covariance, variance,
dan regression weight. Pilihan yang dilakukan harus didasari dengan justifikasi teori yang
kuat. Pada covariances tampak bahwa dengan mengkorelasikan error 13 (e13) dan error 15
(e15) akan menurunkan nilai chi square sebesar 4,64. Mengkorelasikan error 17 (e17) dan
error 18 (e18) akan menurunkan nilai chi square sebesar 7,83. mengkorelasikan error 19
(e19) dan error 20 (e20) akan menurunkan nilai chi square sebesar 6,41. Masing-masing
error tersebut di atas dapat dikorelasikan seperti error 13 dan error 15 keduanya merupakan
error indikator yang membentuk konstruk yang sama. Seperti halnya e17 dan e18, e19 dan
e20.
Setelah mengkorelasikan seperti langkah di atas akan diperoleh output sebagai berikut :
Hasil output menunjukan bahwa nilai chi square sebesar 174.988, df = 157 dan taraf
signifikansi 0,155 (> 0.05). Nilai GFI sebesar 0,959 (> 0,9), AGFI sebesar 0,945 ( > 0,9),
Cmin/df sebesar 1,115 (< 2), RMSEA sebesar 0,017 (< 0,08), TLI sebesar 0,994 (> 0,95) ,
dan CFI sebesar 0,995 (>0,95) yang semuanya sesuai dengan persyaratan.
2) Model Struktur Persamaan (Structure Equation Model)
Langkah selanjutnya dilakukan analisis secara full model. Langkah ini dilakukan untuk
melihat kesesuaian model dan hubungan kausalitasyang dibangun dalam model yang diuji.
Full model dilakukan dengan mengganti hubungan korelasi (dua anak panah) dengan satu
anak panah pada masing-masing variabel laten. Seperti terlihat pada gambar di bawah ini.
9
Jasa Olah Data, Hub : 08816637417 / 087737940271, email: suseno16@gmail.com/statistikolahdata@yahoo.com
Hasil output setelah dilakukan dengan full model, nilai chi square sebesar 175.051, nilai df
sebesar 158 dan taraf signifikansi sebesar 0,168. Nilai GFI sebesar 0,959 (> 0,9), AGFI
sebesar 0,945 (> 0,9), Cmin/df sebesar 1,108 (< 2), RMSEA sebesar 0,016 (< 0,08), TLI
sebesar 0,995 (> 0,95) serta CFI sebesar 0,996 (> 0,95).
5. Evaluasi masalah identifikasi model.
Tujuannya adalah untuk mendeteksi ada tidaknya masalah identifikasi berdasarkan evaluasi
terhadap hasil estimasi yang dilakukan program komputer. Masalah identfikasi pada prinsipnya
mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang
unik. Masalah identifikasi dengan melihat :
a) Program tidak mampu menghasilkan matriks informasi yang harus disajikan.
Pada beberapa kondisi, program AMOS tidak mampu mengeluarkan sebuah solusi yang
unik. Ketika program AMOS mampu mengeluarkan output, berarti terdapat solusi yang unik
pada model penelitian berdasarkan data observasi yang ada. Apabila program AMOS tidak
mampu menghasilkan output akan keluar pesan : This solution is not admissible.
b) Munculnya angka-angka yang aneh seperti adanya varians error yang negatif.
Varians eror yang negatif menandakan terjadi Heywood case. Apabila terjadi hal tersebut
maka perlu dilakukan modifikasi, misalnya menambah jumlah sampel. Hasil output
menunjukkan bahwa seluruh indikator adalah positif. Nilai eror terkecil pada e20 sebesar
0,22 dan nilai eror terbesar pada e12 sebesar 196,85.
c)
10
Jasa Olah Data, Hub : 08816637417 / 087737940271, email: suseno16@gmail.com/statistikolahdata@yahoo.com
EP
AC
d1
d2
d3
e3
e2
e1
e7
e6
e5
e4
e8
e9
e10
e11
e16
e15
e14
e13
e17
e18
e19
e20
e12
Estimate
0.92
1.72
0.93
2.08
0.25
0.85
0.73
1.7
0.87
0.6
0.97
0.63
0.81
0.83
0.93
0.82
1.27
1.79
0.99
4.29
0.31
0.24
0.46
0.22
196.85
S.E.
0.12
0.18
0.12
0.23
0.03
0.08
0.11
0.15
0.08
0.06
0.09
0.06
0.07
0.08
0.08
0.07
0.15
0.14
0.16
0.33
0.03
0.03
0.05
0.04
17.73
C.R.
7.6
9.53
7.92
9
7.63
10.82
6.55
11.2
10.7
10.09
10.62
10.56
10.93
10.81
11.87
11.53
8.59
12.53
6.07
13.15
9.27
7.42
9.75
5.54
11.1
P
Label
*** par_28
*** par_29
*** par_30
*** par_31
*** par_32
*** par_33
*** par_34
*** par_35
*** par_36
*** par_37
*** par_38
*** par_39
*** par_40
*** par_41
*** par_42
*** par_43
*** par_44
*** par_45
*** par_46
*** par_47
*** par_48
*** par_49
*** par_50
*** par_51
*** par_52
kesesuaian model berbasis Maximum Likelihood (ML). Diharapkan nilainya chi square
rendah sehingga diperoleh nilai signifikansi yang tinggi (> 0,05). Hasil output
menunjukan nilai chi-square sebesar 175,051 dan taraf signifikansi 0,168 (> 0,05).
2. Root Mean Square Error of Approximation (RMSEA) yaitu nilai aproksimasi akar
kuadrat rata-rata error. Diharapkan nilainya rendah, RMSE 0,08 berarti model fit
11
Jasa Olah Data, Hub : 08816637417 / 087737940271, email: suseno16@gmail.com/statistikolahdata@yahoo.com
Chi-square
Cut of value
Diharapkan kecil
Estimasi
Keterangan
175,051
Baik
Sig.Probability
0,05
0,168
Baik
RMSEA
0,08
0,017
Baik
GFI
0,90
0,959
Baik
AGFI
0,90
0,945
Baik
CMIN/DF
2,00
1,108
Baik
NFI
0,90
0,957
Baik
CFI
0,90
0,996
Baik
TLI
0,95
0,995
Baik
12
Jasa Olah Data, Hub : 08816637417 / 087737940271, email: suseno16@gmail.com/statistikolahdata@yahoo.com
EP3
EP2
EP1
AC4
AC3
AC2
AC1
JS1
JS3
OC4
OC3
OC2
OC1
SI1
SI2
SI3
SI4
JS2
JS4
JS5
<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<---
EP
EP
EP
AC
AC
AC
AC
JS
JS
OC
OC
OC
OC
SI
SI
SI
SI
JS
JS
JS
Estimate
0.72
0.85
0.7
0.82
0.84
0.82
0.82
0.74
0.68
0.84
0.66
0.89
0.58
0.81
0.86
0.74
0.85
0.75
0.71
0.73
i
i=1
CR=
i i
i=1
i=1
Sebagai contoh perhitungan untuk kontruk AC yang dibentuk dari indikator AC1, AC2,
AC3, AC4 nilai standard regression weight sebesar 0,82 (AC1), 0,82 (AC2), 0,84 (AC3)
dan 0,82 (AC4). Nilai construct reliability :
=
0.820.820.840.822
2
0.820.820.840.82 0.7
= 0,939
3) Uji Average Variance Extracted (AVE)
Angka yang direkomendasikan yaitu > 0,5. Rumus untuk menghitung variance extracted :
n
AVE =
i=1
13
Jasa Olah Data, Hub : 08816637417 / 087737940271, email: suseno16@gmail.com/statistikolahdata@yahoo.com
= 0.68
4) Asumsi-asumsi SEM
1. Ukuran sampel
Sampel yang digunakan agar terpenuhi syarat yaitu antara 100-400 atau minimal 5 kali
jumlah indikator. Penelitian ini menggunakan 20 indikator yang berarti minimal sampel
= 100. Sampel yang digunakan dalam penelitian ini sebanyak 150.
2. Normalitas
Uji normalitas dilakukan dengan multivariate normality, berbeda dengan uji normal pada
penelitian yang menggunakan 1 variabel atau 2 variabel. Pada model SEM dapat dilhat
dengan nilai z, hasil output nilai critical ratio diharapkan 2.58. Nilai ini digunakan
apabila skala pengukurannya mengunakan skala Likert. Menurut Bentler (2005), nilai >
5 maka dapat dikategorikan multivariate nonnormal.
Pada tabel assesment normality diketahui multivariate normality sebesar 30.577 yang
berarti asumsi normalitas tidak terpenuhi. Perhatikan skala pengukuran tiap variabel
menggunakan skala yang tidak sama.
14
Jasa Olah Data, Hub : 08816637417 / 087737940271, email: suseno16@gmail.com/statistikolahdata@yahoo.com
3. Outlier
Munculnya nilai-nilai ekstrim, baik secara univariate maupun multivariate ini
menandakan terjadinya outlier pada data observasi. Uji outlier multivariate dilakukan
dengan kriteria jarak mahalanobis (mahalanobis distance) pada tingkat P < 0,001. Jarak
mahalanobis ini dievaluasi dengan menggunakan
variabel yang digunakan dalam penelitian. Jika chi-square < nilai mahalanobis d-square
terbesar berarti terjadi multivariate outlier. Hasil output pada tabel di bawah ini, nilai
mahalanobis d-squared yang terbesar 100.496
multivariate outlier.
EP
AC
OC
EP
OC
SI
SI
SI
SI
JS
JS
OC
EP
AC
Estimate
0.252
0.251
0.763
0.166
0.052
0.128
0.257
SE
0.066
0.069
0.112
0.093
0.033
0.025
0.045
CR
3.847
3.616
6.788
1.787
1.548
5.158
5.766
0.06
0.03
2.24
15
Jasa Olah Data, Hub : 08816637417 / 087737940271, email: suseno16@gmail.com/statistikolahdata@yahoo.com
(1) Hipotesis 1
Nilai Critical Ratio (CR) antara EP
H1. Hal ini berarti Enviromental Perceptions (EP) mempunyai pengaruh positif
terhadap Job Satisfaction (JS).
(2) Hipotesis 2
Nilai Critical Ratio (CR) antara EP
H2. Hal ini berarti Enviromental Perceptions (EP) mempunyai pengaruh positif
terhadap Staying Intensions (SI).
(3) Hipotesis 3
Nilai Critical Ratio (CR) antara EP
H3. Hal ini berarti Enviromental Perceptions (EP) mempunyai pengaruh positif
terhadap Organizational Commitment (OC).
(4) Hipotesis 4
Nilai Critical Ratio (CR) antara AC
H4. Hal ini berarti Attitudes Toward Coworkers (AC) mempunyai pengaruh positif
terhadap Staying Intensions (SI).
(5) Hipotesis 5
Nilai Critical Ratio (CR) antara AC
H5. Hal ini berarti Attitudes Toward Coworkers (AC) mempunyai pengaruh positif
terhadap Organizational Commitment (OC).
(6) Hipotesis 6
Nilai Critical Ratio (CR) antara JS
H6 atau menerima H0. Hal ini berarti Job Satisfaction (JS) tidak mempunyai pengaruh
terhadap Organizational Commitment (OC).
(7) Hipotesis 7
Nilai Critical Ratio (CR )antara JS
H7 atau menerima H0. Hal ini berarti Job Satisfaction (JS) tidak mempunyai pengaruh
terhadap Staying Intensions (SI).
(8) Hipotesis 8
Nilai Critical Ratio (CR) antara OC
H8. Hal ini berarti antara Organizational Commitment (OC) mempunyai pengaruh
positif terhadap Staying Intensions (SI).
16
Jasa Olah Data, Hub : 08816637417 / 087737940271, email: suseno16@gmail.com/statistikolahdata@yahoo.com
Referensi :
Byrne, B.M (2010),Structural Equation Modeling With AMOS : Basic Concepts, Applications,
and Programming,2nd edition. Taylor and Francis Group. New York
Hair, J.F., Black, W.C., Babin,B.J., Anderson, R.E (2010), Multivariate Data Analysis : 7 nd edition.
Pearson Prentice Hall. New Jersey.
Schumacker, R.E and Lomax, R.G (2004), A Beginner's Guide To Structural Equation Modeling.
Lawrence Erlbaum Associates. Marwah. New Jersey.
Widiarso,W. (2010), Jumlah Sampel Dalam Pemodelan Persamaan Struktural (SEM). Fakultas
Psikologi. UGM. Yogyakarta
17
Jasa Olah Data, Hub : 08816637417 / 087737940271, email: suseno16@gmail.com/statistikolahdata@yahoo.com