SOAL 1. Membuat Struktural Equations Modelling (SEM) dengan Analysis of Moment Structure (AMOS). JAWABAN: 1.1 IDENTIFIKASI VARIABEL:

Transkripsi

1 SOAL. Membuat Struktural Equations Modelling (SEM) dengan Analysis of Moment Structure (AMOS). JAWABAN:. IDENTIFIKASI VARIABEL: Variabel yang digunakan dinotasikan sebagai berikut: X = Komitmen Organisasi X2 = Partisipasi Kerja X3 = Kinerja Karyawan.2 INDIKATOR VARIABEL PENELITIAN ) Komitmen Organisasi diukur dengan indikator sebagai berikut: X = Kebiasaan bekerja dengan penuh dedikasi X2 = Keyakinan akan kemampuan diri sendiri. X3 = Perusahaan merupakan tempat terbaik untuk aktualisasi diri. 2) Partisipasi Kerja diukur dengan indikator sebagai berikut: X2 = Keterlibatan para karyawan X22 = Kontribusi penting terhadap pekerjaan X23 = Tingkat kelogisan alasan yang diberikan oleh karyawan 3) Kinerja Karyawan diukur dengan indikator sebagai berikut: X3 = Kesesuaian pelaksanaan tugas dengan standar perusahaan X32 = Waktu pelaksanaan pekerjaan/tugas yang dapat diselesaikan X33 = Efisiensi penyelesaian pekerjaan.3 HIPOTESIS H : Komitmen organisasi berpengaruh signifikan terhadap partisipasi kerja H2: Komitmen organisasi berpengaruh signifikan terhadap kinerja karyawan H3 : Partisipasi kerja berpengaruh signifikan terhadap kinerja karyawan

2 2.4 METODE ANALISIS DATA Metode analisis data menggunakan Structural Equation Modeling (SEM) dengan menggunakan AMOS.5 LANGKAH-LANGKAH SEM Struktural Equations Modelling (SEM) merupakan gabungan dari dua metode statistik yang terpisah yaitu analisis faktor dan model persamaan simultan. Dalam persamaan struktural ada dua variabel yaitu variabel eksogen dan variabel endogen. Variabel eksogen merupakan variabel yang tidak dipengaruhi oleh variabel anteseden (sebelumnya) sedangkan variabel endogen merupakan variabel yang dipengaruhi oleh variabel sebelumnya. Adapun langkah-langkah SEM antara lain: ) Berdasarkan input data maka dapat dibangun model SEM sebagai berikut: e X e2 X2 e3 X3 x z γ. X3 e7 x3 X32 e8 X33 e9 x2 z2 X2 e4 X22 e5 X23 e6 Gambar. Model Analisis

3 3 Berdasarkan model tersebut maka dapat dijelaskan sebagai berikut. a. Terdapat satu variabel eksogen laten yaitu Komitmen Organisasi (X) variabel diukur dengan indikator atau manifest yang disimbolkan dengan X dan nilai errornya adalah e. b. Terdapat dua variabel endogen laten yaitu partisipasi kerja (X2) dan Kinerja (X3) yang diukur dengan indikator manifest X2 dan X3 dan nilai errornya adalah e. c. Variabel laten endogen harus diberi error atau nilai residual regression dengan simbol zeta (z) yaitu z dan z2..6 MODEL ANALISIS JALUR Model SEM yang dibangun seperti gambar di atas dapat dianalisis dengan menggunakan AMOS dengan hasil sebagai berikut. e.44 e2.66 e3.23 X X2 X x z x3.00 X X32 X33 e7 e8 e x z2 X2 X22 X e4 e5 e6 Gambar 2. Hasil Analisis SEM

4 4.7 OUTPUT ANALISIS JALUR DENGAN AMOS Analysis Summary Date and Time Date: Saturday, July 7, 200 Time: :03:55 AM Title Insert: Saturday, July 7, 200 :03 AM Notes for Group (Group number ) The model is recursive. Sample size = 5 Variable Summary (Group number ) Your model contains the following variables (Group number ) Observed, endogenous variables X X2 X3 X23 X22 X2 X3 X32 X33 Unobserved, endogenous variables x3 x2 Unobserved, exogenous variables x e e2 e3 e6 e5 e4 e7 e8 e9 z z2 Variable counts (Group number ) Number of variables in your model: 23 Number of observed variables: 9 Number of unobserved variables: 4 Number of exogenous variables: 2 Number of endogenous variables:

5 5 Parameter summary (Group number ) Weights Covariances Variances Means Intercepts Total Fixed Labeled Unlabeled Total Assessment of normality (Group number ) Variable min max skew c.r. kurtosis c.r. X X X X X X X X X Multivariate Observations farthest from the centroid (Mahalanobis distance) (Group number ) Observation number Mahalanobis d-squared p p

6 Observation number Mahalanobis d-squared p p

7 7 Observation number Mahalanobis d-squared p p Sample Moments (Group number ) Sample Covariances (Group number ) X33 X32 X3 X2 X22 X23 X3 X2 X X X X X X X X X X

8 8 Condition number = 0.35 Eigenvalues Determinant of sample covariance matrix =.0 Sample Correlations (Group number ) X33 X32 X3 X2 X22 X23 X3 X2 X X X X X X X X X X Condition number = Eigenvalues Notes for Model (Default model) Computation of degrees of freedom (Default model) Number of distinct sample moments: 45 Number of distinct parameters to be estimated: 2 Degrees of freedom (45-2): 24 Result (Default model) Minimum was achieved Chi-square = Degrees of freedom = 24 Probability level =.000 Estimates (Group number - Default model) Scalar Estimates (Group number - Default model) Maximum Likelihood Estimates Regression Weights: (Group number - Default model) Estimate S.E. C.R. P Label x2 <--- x par_9 x3 <--- x par_ x3 <--- x par_2 X <--- x.000 X2 <--- x *** par_3 X3 <--- x *** par_4 X23 <--- x2.000 X22 <--- x *** par_5 X2 <--- x par_6 X3 <--- x3.000 X32 <--- x *** par_7 X33 <--- x *** par_8

9 9 Standardized Regression Weights: (Group number - Default model) Estimate x2 <--- x -.09 x3 <--- x.243 x3 <--- x2.508 X <--- x.674 X2 <--- x.674 X3 <--- x.624 X23 <--- x2.566 X22 <--- x2.529 X2 <--- x2.695 X3 <--- x3.778 X32 <--- x3.627 X33 <--- x3.74 Variances: (Group number - Default model) Estimate S.E. C.R. P Label x par_0 z par_ z *** par_2 e *** par_3 e *** par_4 e *** par_5 e *** par_6 e *** par_7 e *** par_8 e *** par_9 e *** par_20 e *** par_2 Squared Multiple Correlations: (Group number - Default model) Estimate x2.008 x3.295 X X X3.606 X2.483 X X X3.390 X2.455 X.454

10 Matrices (Group number - Default model) Implied (for all variables) Covariances (Group number - Default model) x x2 x3 X33 X32 X3 X2 X22 X23 X3 X2 X x.366 x x X X X X X X X X X Implied (for all variables) Correlations (Group number - Default model) x x2 x3 X33 X32 X3 X2 X22 X23 X3 X2 X x.000 x x X X X X X X X X X Implied Covariances (Group number - Default model) X33 X32 X3 X2 X22 X23 X3 X2 X X X X X X X X X X

11 Implied Correlations (Group number - Default model) X33 X32 X3 X2 X22 X23 X3 X2 X X X X X X X X X X Residual Covariances (Group number - Default model) X33 X32 X3 X2 X22 X23 X3 X2 X X X X X X X X X X Standardized Residual Covariances (Group number - Default model) X33 X32 X3 X2 X22 X23 X3 X2 X X X X X X X X X X Factor Score Weights (Group number - Default model) X33 X32 X3 X2 X22 X23 X3 X2 X x x x

12 2 Total Effects (Group number - Default model) x x2 x3 x x X X X X X X X X X Standardized Total Effects (Group number - Default model) x x2 x3 x x X X X X X X X X X Direct Effects (Group number - Default model) x x2 x3 x x X X X X X X X X X

13 3 Standardized Direct Effects (Group number - Default model) x x2 x3 x x X X X X X X X X X Indirect Effects (Group number - Default model) x x2 x3 x x X X X X X X X X X Standardized Indirect Effects (Group number - Default model) x x2 x3 x x X X X X X X X X X

14 4 Minimization History (Default model) Iteration Negative Condition Smallest eigenvalues # eigenvalue Diameter F NTries Ratio 0 e e e e e e e e e Model Fit Summary CMIN Model NPAR CMIN DF P CMIN/DF Default model Saturated model Independence model RMR, GFI Model RMR GFI AGFI PGFI Default model Saturated model Independence model Baseline Comparisons Model NFI RFI IFI TLI Delta rho Delta2 rho2 CFI Default model Saturated model Independence model Parsimony-Adjusted Measures Model PRATIO PNFI PCFI Default model Saturated model Independence model NCP Model NCP LO 90 HI 90 Default model Saturated model Independence model FMIN Model FMIN F0 LO 90 HI 90 Default model Saturated model Independence model

15 5 RMSEA Model RMSEA LO 90 HI 90 PCLOSE Default model Independence model AIC Model AIC BCC BIC CAIC Default model Saturated model Independence model ECVI Model ECVI LO 90 HI 90 MECVI Default model Saturated model Independence model HOELTER HOELTER Model HOELTER.0.05 Default model Independence model Execution time summary Minimization:.062 Miscellaneous:.235 Bootstrap:.000 Total: INTEPRETASI HASIL ANALISIS AMOS Berdasarkan output tersebut di atas maka dapat dijelaskan hasil analisis sebagai berikut..8.. UJI NORMALITAS Uji normalitas dilakukan dengan kriteria yang digunakan dalam uji normalitas adalah apabila nilai Critical Ratio lebih dari 2. Data dapat disimpulkan memiliki distribusi normal jika nilai absolute Critical Ratio Skewness lebih besar dari 2. Berdasarkan hasil analisis yang terdapat pada ouput AMOS pada tabel Regression Weights: (Group number - Default model) dapat diketahui bahwa nilai C.R pada tiap variabel memiliki nilai lebih dari 2. Sehingga dengan demikian dapat dinyatakan bahwa data tiap variabel dalam penelitian ini memiliki distribusi normal.

16 UJI MULTIKOLINIERITAS Multikolinieritas dapat dilihat melalui determinan matriks kovarians. Nilai determinan yang sangat kecil atau mendekati nol, menunjukkan indikasi terdapatnya masalah multikolinieritas atau singularitas, sehingga data itu tidak dapat digunakan untuk penelitian (Tbachnick and Fidell, 998 dalam Ghozali, 2005: 3). Hasil pengujian multikolinieritas pada ouput di atas memberikan nilai determinat of sample covariance matrix sebesar,0. Nilai ini jauh dari angka nol sehingga dapat disimpulkan bahwa tidak terdapat masalah multikolinieritas dan singularitas pada data yang dianalisis ANALISIS STRUCTURAL EQUATION MODELING (SEM) Sesuai dengan tujuan penelitian yaitu membuktikan dan menganalisis pengaruh Komitmen Organisasi (X) terhadap Partisipasi Kerja (X2) dan Kinerja Karyawan (X3) dengan menggunakan program Software AMOS Versi 7. Namun sebelum mengetahui hasil pengujian hipotesis dalam penelitian ini perlu ditelaah terlebih dahulu kecukupan model atau goodness of fit dalam model analisis ini. a. Uji Kesesuaian Model (Goodness-of-fit Test) Pengujian model pada SEM bertujuan untuk melihat kesesuaian model. Adapun hasil pengujian kesesuaian model dalam penelitian ini adalah seperti disajikan Tabel. Berdasarkan Tabel di bawah ini, diketahui bahwa dari delapan kriteria yang digunakan untuk menilai layak/tidaknya suatu model dalam analisis ini ternyata seluruh kriteria terpenuhi. Dengan demikian dapat dikatakan model dapat diterima, yang berarti ada kesesuaian antara model dengan data. Chi Square Tabel : Indeks Kesesuaian SEM Kriteria Nilai Cut-Off Hasil Perhitungan Keterangan Diharapkan kecil Prob. > 0,05 74,224 Prob.= 0,000 Tidak Baik Significance Probability 0,05 0,000 Tidak Baik RMSEA 0,08 0,35 Tidak Baik GFI 0,90 0,892 Tidak Baik AGFI 0,90 0,797 Tidak Baik CMIN/DF 2 atau 3 3,093 Tidak Baik TLI 0,90 0,678 Tidak Baik CFI 0,90 0,785 Tidak Baik

17 7 b. Hasil Pengujian Hipotesis Setelah diketahui bahwa model dalam analisis ini telah fit maka analisis selanjutnya adalah mengetahui tingkat hubungan dan signifikansi atau kebermaknaan hubungan antar variabel yang ada dalam penelitian ini. Hasil pengujian dengan program AMOS memberikan hasil model persamaan struktural yang menunjukkan adanya hubungan antar variabel komitmen organisasi (X) dengan partisipasi kerja (X2), komitmen organisasi (X) dengan kinerja karyawan (X3) dan partisipasi kerja (X2) dengan kinerja (X3). Selengkapnya hasil analisis hubungan antara variabelvaraibel tersebut dapat dilihat pada Tabel 2 di bawah ini. Setelah diketahui gambaran hubungan antara variabel-variabel penelitian ini maka selanjutnya akan dipaparkan hasil pengujian hipotesis. Dalam hal ini akan disajikan nilai koefisien jalur antar variabel berikut signifikansi hasil uji hipotesis pada Tabel 2, sebagai berikut: Tabel 2 : Nilai Koefisien dan Pengujian Hipotesis Variabel Koefisien Jalur C.R Keterangan X X2-0, Signifikan X X3 0, Signifikan X 2 X3 0, Signifikan Hipotesis pertama dalam penelitian ini menyatakan bahwa komitmen organisasi berpengaruh signifikan dan negatif terhadap partisipasi kerja karyawan. Berdasarkan Tabel 2 diketahui bahwa nilai koefisien jalur antara komitmen organisasi terhadap partisipasi kerja adalah sebesar -0,089 dengan nilai C.R 2,640 lebih besar dari nilai kritis yang disyaratkan sebesar 2. Hasil ini tentu saja mendukung (menerima) hipotesis pertama pada penelitian ini yang menyatakan komitmen organisasi berpengaruh signifikan dan positif terhadap partisipasi kerja karyawan di Universitas Jember. Variabel komitmen organisasi terhadap kinerja memiliki nilai koefisien jalur sebesar 0,242 dengan nilai C.R sebesar,879 lebih kecil dari nilai kritis sebesar 2 sebagaimana yang disyaratkan. Hasil ini tidak mendukung (menerima) hipotesis kedua pada penelitian ini yang menyatakan komitmen organisasi tidak berpengaruh signifikan dan positif terhadap kinerja karyawan di Universitas Jember.

18 8 Berdasarkan hasil analisis yang ada ternyata nilai koefisien jalur komitmen organisasi terhadap kinerja karyawan adalah sebesar 0,520 dengan niai C.R 2,204. Nilai C.R ini lebih besar dari nilai kritis yang disyaratkan sebesar 2. Sehingga dengan demikian dapat dinyatakan bahwa partisipasi kerja berpengaruh signifikan dan positif terhadap kinerja karyawan di Universitas Jember. c. Pengaruh Antar Variabel Penelitian Dalam persamaan struktural yang melibatkan banyak variabel dan jalur antar variabel terdapat pengaruh antar variabel yang meliputi pengaruh langsung, tidak langsung, dan pengaruh total. Untuk itu akan dibahas secara rinci masing-masing pengaruh tersebut. ) Pengaruh Langsung Antar Variabel Penelitian Hubungan langsung terjadi antara variabel laten eksogen komitmen organisasi dengan variabel endogen intervening partisipasi kerja dan variabel endogen kinerja karyawan. Tabel 3 menyajikan hasil direct mengenai hubungan langsung yang terjadi diantara variabel-variabel laten eksogen dan endogen. Tabel 3. Pengaruh Langsung Variabel Penelitian Pengaruh Langsung Variabel Eksogen Partisipasi Kerja (X2) Kinerja Karyawan (X3) Komitmen Organisasi (X) -0,089 0,242 Partisipasi Kerja (X2) 0,000 0,56 Berdasarkan pada Tabel 3, dapat dijelaskan besar pengaruh langsung dari variabel laten eksogen terhadap variabel laten endogen. Terdapat dua efek langsung pada kinerja karyawan, yakni Komitmen organisasi (X ) sebesar -0,089 dan partisipasi kerja (X 2 ) sebesar 0,242. Hal ini menunjukkan bahwa variabel-variabel laten tersebut memberikan kontribusi yang besar dalam mempengaruhi Kinerja Karyawan (X3). 2) Pengaruh Tidak Langsung Antar Variabel Penelitian Hubungan tidak langsung terjadi antara variabel laten eksogen komitmen organisasi (X ) dan partisipasi kerja (X 2 ) dengan variabel laten Kinerja Karyawan (X3). Tabel 4 menyajikan hasil indirect mengenai hubungan tidak langsung yang terjadi diantara variabel-variabel laten eksogen dan endogen.

19 9 Tabel 4. Pengaruh Tidak Langsung Variabel Penelitian Pengaruh Tidak Langsung Variabel Endogen Partisipasi kerja Kinerja Karyawan Variabel Komitmen 0,000-0,46 Eksogen organisasi Partisipasi kerja,000 0,000 Berdasarkan pada Tabel 4, dapat dijelaskan besar pengaruh tidak langsung dari variabel laten eksogen terhadap variabel laten endogen. Terdapat dua efek tidak langsung pada Kinerja Karyawan (X3), yakni Komitmen organisasi (X ) melalui partisipasi kerja (X 2 ) sebesar -0,46. 3) Pengaruh Total Antar Variabel Penelitian Hubungan total terjadi antara variabel komitmen organisasi dengan variabel Partisipasi kerja dan variabel endogen Kinerja Karyawan. Tabel 5 menyajikan hasil total effect mengenai hubungan yang terjadi diantara variabel-variabel laten eksogen dan endogen. Tabel 5. Pengaruh Total Variabel Penelitian Pengaruh Langsung Variabel Endogen Partisipasi kerja Kinerja Karyawan Variabel Komitmen organisasi -0,089 0,96 Eksogen Partisipasi kerja,000 0,56 Berdasarkan Tabel 5, dapat dijelaskan besar pengaruh total dari variabel laten eksogen terhadap variabel laten endogen. Terdapat dua efek total pada kinerja karyawan yakni Komitmen organisasi (X ) sebesar 0,96 dan Partisipasi kerja (X 2 ) sebesar 0,56 sedangkan pengaruh komitmen organisasi terhadap partisipasi kerja sebesar -0,089.

20 20 SOAL 2. MENGANALISIS CONFIMATORY FACTOR ANALYSIS DAN SCORE JAWABAN: FACTOR DENGAN LISRELL Berdasarkan data diolah dengan mengunakan Program Lisrel untuk CFA Gambar 3. Hasil CFA dengan Lisrell DATE: 7/ 7/200 TIME: 2:2 LISREL 8.80 (STUDENT EDITION) BY Karl G. Jöreskog and Dag Sörbom This program is published exclusively by Scientific Software International, Inc N. Lincoln Avenue, Suite 00 Lincolnwood, IL 6072, U.S.A. Phone: (800)247-63, (847) , Fax: (847) Copyright by Scientific Software International, Inc., Use of this program is subject to the terms specified in the Universal Copyright Convention. Website: Latent Variables: X X2 X3 Relationships: X X2 X3=X X2 X22 X23=X2 X3 X32 X33=X3

21 2 Path Diagram End of Problem Sample Size = 5 Covariance Matrix X X2 X3 X2 X22 X X 0.8 X X X X X X X X Covariance Matrix X3 X32 X X X X Number of Iterations = 9 LISREL Estimates (Maximum Likelihood) Measurement Equations X = 0.6*X, Errorvar.= 0.44, Rý = 0.45 (0.097) (0.096) X2 = 0.74*X, Errorvar.= 0.67, Rý = 0.45 (0.2) (0.4) X3 = 0.38*X, Errorvar.= 0.23, Rý = 0.39 (0.065) (0.043) X2 = 0.66*X2, Errorvar.= 0.46, Rý = 0.48 (0.) (0.2) X22 = 0.60*X2, Errorvar.= 0.9, Rý = 0.28 (0.3) (0.5) X23 = 0.60*X2, Errorvar.= 0.75, Rý = 0.32 (0.2) (0.3) X3 = 0.60*X3, Errorvar.= 0.24, Rý = 0.6 (0.075) (0.06) X32 = 0.55*X3, Errorvar.= 0.46, Rý = 0.39 (0.084) (0.076) X33 = 0.55*X3, Errorvar.= 0.29, Rý = 0.5 (0.075) (0.059)

22 Correlation Matrix of Independent Variables X X2 X X.00 X (0.4) X (0.3) (0.2) Goodness of Fit Statistics Degrees of Freedom = 24 Minimum Fit Function Chi-Square = (P = 0.00) Normal Theory Weighted Least Squares Chi-Square = (P = 0.00) Estimated Non-centrality Parameter (NCP) = Percent Confidence Interval for NCP = (8.80 ; 65.73) Minimum Fit Function Value = 0.65 Population Discrepancy Function Value (F0) = Percent Confidence Interval for F0 = (0.6 ; 0.58) Root Mean Square Error of Approximation (RMSEA) = Percent Confidence Interval for RMSEA = (0.083 ; 0.5) P-Value for Test of Close Fit (RMSEA < 0.05) = Expected Cross-Validation Index (ECVI) = Percent Confidence Interval for ECVI = (0.74 ;.6) ECVI for Saturated Model = 0.79 ECVI for Independence Model = 2.66 Chi-Square for Independence Model with 36 Degrees of Freedom = Independence AIC = Model AIC = Saturated AIC = Independence CAIC = Model CAIC = Saturated CAIC = Normed Fit Index (NFI) = 0.74 Non-Normed Fit Index (NNFI) = 0.70 Parsimony Normed Fit Index (PNFI) = 0.49 Comparative Fit Index (CFI) = 0.80 Incremental Fit Index (IFI) = 0.8 Relative Fit Index (RFI) = 0.6 Critical N (CN) = 67.0 Root Mean Square Residual (RMR) = Standardized RMR = 0.09 Goodness of Fit Index (GFI) = 0.89 Adjusted Goodness of Fit Index (AGFI) = 0.80 Parsimony Goodness of Fit Index (PGFI) = 0.48 The Modification Indices Suggest to Add the Path to from Decrease in Chi-Square New Estimate X22 X The Modification Indices Suggest to Add an Error Covariance Between and Decrease in Chi-Square New Estimate X2 X X22 X

23 23 X23 X X32 X Time used: Seconds

24 24 SOAL 3. MEMBUAT ANALISIS FAKTOR (EXPLORATORY FACTOR ANALYSIS) DENGAN SPSS. JAWABAN: Analisis ini ingin menguji validitas suatu konstruk validitas atau menguji apakah indikator-indikator tersebut merupakan indikator yang valid sebagai pengukur konstruk laten. Dengan kata lain apakah indikator-indikator tersebut merupakan ukuran unidimensionalitas dari suatu konstruk laten. Analisis faktor dalam menggunakan SPSS memiliki kriteria validitas valid jika nilai KMO > 0,6 dan Barlett s Test dengan signifikansi < 0,05. Berdasarkan input data maka diperoleh hasil analisis faktor sebagai berikut. Factor Analysis [DataSet] D:\dat.sav KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy..670 Bartlett's Test of Sphericity Approx. Chi-Square df 3 Sig..000 Communalities Initial Extraction X X X Extraction Method: Principal Component Analysis. Compon ent Initial Eigenvalues Total Variance Explained Extraction Sums of Squared Loadings Total % of Variance Cumulative % Total % of Variance Cumulative % Extraction Method: Principal Component Analysis.

25 25 Component Matrix a Component X.790 X2.800 X3.774 Extraction Method: Principal Component Analysis. a. components extracted. Factor Analysis [DataSet] D:\dat.sav KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy..646 Bartlett's Test of Sphericity Approx. Chi-Square df 3 Sig..000 Communalities Initial Extraction X X X Extraction Method: Principal Component Analysis. Compon ent Initial Eigenvalues Total Variance Explained Extraction Sums of Squared Loadings Total % of Variance Cumulative % Total % of Variance Cumulative % Extraction Method: Principal Component Analysis. Component Matrix a Component X2.76 X X Extraction Method: Principal Component Analysis. a. components extracted.

26 26 Factor Analysis [DataSet] D:\dat.sav KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy..688 Bartlett's Test of Sphericity Approx. Chi-Square df 3 Sig..000 Communalities Initial Extraction X X X Extraction Method: Principal Component Analysis. Compon ent Initial Eigenvalues Total Variance Explained Extraction Sums of Squared Loadings Total % of Variance Cumulative % Total % of Variance Cumulative % Extraction Method: Principal Component Analysis. Component Matrix a Component X3.834 X X33.82 Extraction Method: Principal Component Analysis. a. components extracted. Berdasarkan analisis faktor di atas maka dapat ditunjukkan sebagai berikut. Tabel 6. Hasil Analisis Faktor Variabel Variabel KMO Barlett Test Keterangan X 0,670 0,000 Valid X2 0,646 0,000 Valid X3 0,688 0,000 Valid

27 27 Berdasarkan Tabel 6 menunjukkan bahwa variabel komitmen organisasi (X), partisipasi kerja (X2) dan kinerja karyawan (X3) valid karena nilai KMO > 0,6 dan Barlett s Test dengan signifikansi < 0,05.

28 28 SOAL 4. MEMBANDINGKAN HASIL CFA DENGAN LISRELL DAN EFA DENGAN SPSS. JAWABAN: Model pengukuran pada CFA dengan Lisrell dan EFA dengan SPSS ada perbedaan antara lain: a. CFA didasarkan alasan-alasan bahwa variabel-variabel teramati adalah indikator-indikator tidak sempurna dari variabel laten atau konstruk tertentu yang mendasarinya. Pada EFA, model rinci yang menunjukkan hubungan antara variabel laten dengan variabel teramati tidak dispesifikasikan terlebih dahulu. b. Selain itu, pada EFA jumlah variabel laten tidak ditentukan sebelum analisis dilakukan, semua variabel laten diasumsikan mempengaruhi semua variabel teramati, dan kesalahan pengukuran tidak boleh berkorelasi. c. Sebaliknya pada CFA, model dibentuk lebih dahulu, jumlah variabel laten ditentukan oleh analisis, pengaruh suatu variabel laten terhadap variabel teramati ditentukan lebih dahulu, beberapa efek langsung variabel laten terhadap variabel teramati dapat ditetapkan sama dengan nol atau suatu konstanta, kesalahan pengukuran boleh berkorelasi, kovarian variabel-variabel laten dapat diestimasi atau ditetapkan pada nlai tertentu, dan identifikasi parameter diperlukan.

29 29 SOAL 5. MENGANALISIS PATH ANALYSIS (ANALISIS JALUR) DENGAN AMOS DAN SPSS JAWABAN: Analisis Jalur (Path Anaysis) merupakan pengembangan regresi yang menggunakan uji kesesuaian (fit) dari matrik korelasi dari dua model atau lebih. Model ini biasanya digambarkan dengan lingkaran dan anak panah yang menunjukkan hubungan kausalitas, Regresi dilakukan pada setiap model dibandingkan dengan matrik korelasi hasil observasi variabel dan nilai goodness offit dihitung. Ada dua asumsi yang melandasi analisis jalur yaitu pertama, semua hubungan kausalitas didasarkan pada teori. Teori sebagai dasar memasukkan atau menghilangkan hubungan kausalitas. Kedua, hubungan kausalitas dalam model dianggap linear. 5. Hasil Analisis Jalur dengan AMOS 5.. IDENTIFIKASI VARIABEL: Variabel yang digunakan dinotasikan sebagai berikut: X = Komitmen Organisasi X2 = Partisipasi Kerja X3 = Kinerja Karyawan 5..2 INDIKATOR VARIABEL PENELITIAN a. Komitmen Organisasi diukur dengan indikator sebagai berikut: X = Kebiasaan bekerja dengan penuh dedikasi X2 = Keyakinan akan kemampuan diri sendiri. X3 = Perusahaan merupakan tempat terbaik untuk aktualisasi diri. b. Partisipasi Kerja diukur dengan indikator sebagai berikut: X2 = Keterlibatan para karyawan X22 = Kontribusi penting terhadap pekerjaan X23 = Tingkat kelogisan alasan yang diberikan oleh karyawan c. Kinerja Karyawan diukur dengan indikator sebagai berikut: X3 = Kesesuaian pelaksanaan tugas dengan standar perusahaan

30 30 X32 = Waktu pelaksanaan pekerjaan/tugas yang dapat diselesaikan X33 = Efisiensi penyelesaian pekerjaan 5..3 HIPOTESIS H : Komitmen organisasi berpengaruh signifikan terhadap partisipasi kerja H2:Komitmen organisasi berpengaruh signifikan terhadap kinerja karyawan H3 : Partisipasi kerja berpengaruh signifikan terhadap kinerja karyawan 5..4 METODE ANALISIS DATA dan SPSS Metode analisis data menggunakan path Analysis dengan menggunakan AMOS 5..5 MODEL ANALISIS JALUR E,00 -,07 X2,29 E2, X,7 X3 Gambar 4. Mod3el Analisis Jalur 5..6 OUPUT ANALISIS JALUR Analysis Summary Date and Time Date: 7 Juli 200 Time: 6:55:39 Title Tugas path amos: 7 Juli :55 H:mm:ss Notes for Group (Group number ) The model is recursive.

31 3 Sample size = 5 Variable Summary (Group number ) Your model contains the following variables (Group number ) Observed, endogenous variables X3 X2 Observed, exogenous variables X Unobserved, exogenous variables E E2 Variable counts (Group number ) Number of variables in your model: 5 Number of observed variables: 3 Number of unobserved variables: 2 Number of exogenous variables: 3 Number of endogenous variables: 2 Parameter summary (Group number ) Weights Covariances Variances Means Intercepts Total Fixed Labeled Unlabeled Total Assessment of normality (Group number ) Variable min max skew c.r. kurtosis c.r. X -,693 3,296,554 2,426,049,06 X2-2,673 2,252 -,098 -,429 -,85 -,405 X3-2,402,788 -,9 -,836 -,384 -,84 Multivariate -,339 -,332 Observations farthest from the centroid (Mahalanobis distance) (Group number ) Observation number Mahalanobis d-squared p p2 9 2,48,006, ,248,007, ,080,08, ,665,034, ,250,04, ,90,048, ,56,067, ,87,03,95 3 5,594,33,976

32 Observation number Mahalanobis d-squared p p2 28 5,567,35, ,563,35, ,293,52, ,200,58, ,77,59, ,40,62, ,029,70, ,93,78, ,82,85, ,809,86, ,796,87, ,756,9, ,604,203,66 8 4,549,208, ,504,22, ,383,223, ,320,229, ,37,229, ,267,234,44 4,266,234, ,204,240, ,890,274, ,869,276, ,763,288, ,73,292, ,69,297, ,579,3, ,508,320, ,465,325, ,462,326, ,426,330, ,379,337, ,375,337, ,375,337, ,359,339, ,286,350, ,283,350, ,2,360, ,2,360,9 23 3,2,360, ,2,360, ,73,366, ,078,380, ,95,399,06 32

33 Observation number Mahalanobis d-squared p p2 26 2,95,405, ,828,49,6 6 2,828,49, ,743,433,04 5 2,705,439, ,630,452,2 27 2,537,469,47 4 2,537,469,08 5 2,492,477, ,424,489, ,48,490, ,38,497, ,325,508, ,294,54, ,252,522, ,20,530, ,72,538, ,27,546,075 2,032,566,3 47 2,0,570,095 07,969,579,094 30,935,586,089 88,99,589,070 02,865,60,079 34,8,62,087 37,738,628,4 33,77,633,096 97,547,67,259 93,530,675,224 22,488,685,229 64,473,688,93 63,43,698,98 49,295,730,380 3,253,740,39 66,222,748,379 46,29,748,305 83,054,788,60 05,838,840,937 25,740,864,979 50,738,864,965 62,704,872,967 5,692,875,953 72,655,884,957 58,653,884,929 33

34 34 Observation number Mahalanobis d-squared p p2 56,652,884,887 94,63,893,897 4,605,895,853 Sample Moments (Group number ) Sample Covariances (Group number ) X X2 X3 X,99 X2 -,065,99 X3,53,277,99 Condition number =,990 Eigenvalues,283,046,645 Determinant of sample covariance matrix =,865 Sample Correlations (Group number ) X X2 X3 X,000 X2 -,066,000 X3,54,279,000 Condition number =,990 Eigenvalues,295,055,650 Notes for Model (Default model) Computation of degrees of freedom (Default model) Number of distinct sample moments: 6 Number of distinct parameters to be estimated: 6 Degrees of freedom (6-6): 0 Result (Default model) Minimum was achieved Chi-square =,000 Degrees of freedom = 0 Probability level cannot be computed Estimates (Group number - Default model) Scalar Estimates (Group number - Default model) Maximum Likelihood Estimates Regression Weights: (Group number - Default model) Estimate S.E. C.R. P Label X2 <--- X -,066,093 -,703,482 par_2 X3 <--- X,73,089,955,05 par_ X3 <--- X2,29,089 3,277,00 par_3

35 35 Standardized Regression Weights: (Group number - Default model) Estimate X2 <--- X -,066 X3 <--- X,73 X3 <--- X2,29 Variances: (Group number - Default model) Estimate S.E. C.R. P Label X,99,3 7,550 *** par_4 E,987,3 7,550 *** par_5 E2,884,7 7,550 *** par_6 Squared Multiple Correlations: (Group number - Default model) Estimate X2,004 X3,08 Matrices (Group number - Default model) Implied (for all variables) Covariances (Group number - Default model) X X2 X3 X,99 X2 -,065,99 X3,53,277,99 Implied (for all variables) Correlations (Group number - Default model) X X2 X3 X,000 X2 -,066,000 X3,54,279,000 Implied Covariances (Group number - Default model) X X2 X3 X,99 X2 -,065,99 X3,53,277,99 Implied Correlations (Group number - Default model) X X2 X3 X,000 X2 -,066,000 X3,54,279,000

36 36 Residual Covariances (Group number - Default model) X X2 X3 X,000 X2,000,000 X3,000,000,000 Standardized Residual Covariances (Group number - Default model) X X2 X3 X,000 X2,000,000 X3,000,000,000 Factor Score Weights (Group number - Default model) Total Effects (Group number - Default model) X X2 X2 -,066,000 X3,54,29 Standardized Total Effects (Group number - Default model) X X2 X2 -,066,000 X3,54,29 Direct Effects (Group number - Default model) X X2 X2 -,066,000 X3,73,29 Standardized Direct Effects (Group number - Default model) X X2 X2 -,066,000 X3,73,29 Indirect Effects (Group number - Default model) X X2 X2,000,000 X3 -,09,000 Standardized Indirect Effects (Group number - Default model) X X2 X2,000,000 X3 -,09,000

37 37 Modification Indices (Group number - Default model) Covariances: (Group number - Default model) M.I. Par Change Variances: (Group number - Default model) M.I. Par Change Regression Weights: (Group number - Default model) M.I. Par Change Minimization History (Default model) Negative Iteratio Conditi eigenvalu n on # es Smallest eigenval ue Diamet er F NTrie s Ratio 0 e 0 3, ,0 8, , e 0 2,634,353,773,88 2 e 0 2,33,079,07,085 3 e 0 2,279,04,000,020 4 e 0 2,278,000,000,00 Pairwise Parameter Comparisons (Default model) Variance-covariance Matrix of Estimates (Default model) par_ par_2 par_3 par_4 par_5 par_6 par_,008 par_2,000,009 par_3,00,000,008 par_4,000,000,000,07 par_5,000,000,000,000,07 par_6,000,000,000,000,000,04 Correlations of Estimates (Default model) par_ par_2 par_3 par_4 par_5 par_6 par_,000 par_2,000,000 par_3,066,000,000 par_4,000,000,000,000 par_5,000,000,000,000,000 par_6,000,000,000,000,000,000

38 38 Critical Ratios for Differences between Parameters (Default model) par_ par_2 par_3 par_4 par_5 par_6 par_,000 par_2 -,856,000 par_3,967 2,766,000 par_4 5,63 6,559 4,423,000 par_5 5,5 6,55 4,409 -,023,000 par_6 4,840 6,340 4,043 -,607 -,584,000 Model Fit Summary CMIN Model NPAR CMIN DF P CMIN/DF Default model 6,000 0 Saturated model 6,000 0 Independence model 3 3,500 3,004 4,500 RMR, GFI Model RMR GFI AGFI PGFI Default model,000,000 Saturated model,000,000 Independence model,32,934,868,467 Baseline Comparisons Model NFI RFI IFI TLI Delta rho Delta2 rho2 CFI Default model,000,000,000 Saturated model,000,000,000 Independence model,000,000,000,000,000 Parsimony-Adjusted Measures Model PRATIO PNFI PCFI Default model,000,000,000 Saturated model,000,000,000 Independence model,000,000,000 NCP Model NCP LO 90 HI 90 Default model,000,000,000 Saturated model,000,000,000 Independence model 0,500 2,630 25,872 FMIN Model FMIN F0 LO 90 HI 90 Default model,000,000,000,000 Saturated model,000,000,000,000 Independence model,8,092,023,227

39 39 RMSEA Model RMSEA LO 90 HI 90 PCLOSE Independence model,75,088,275,03 AIC Model AIC BCC BIC CAIC Default model 2,000 2,436 28,470 34,470 Saturated model 2,000 2,436 28,470 34,470 Independence model 9,500 9,78 27,734 30,734 ECVI Model ECVI LO 90 HI 90 MECVI Default model,05,05,05,09 Saturated model,05,05,05,09 Independence model,7,02,306,73 HOELTER Model HOELTER.05 HOELTER.0 Default model Independence model Execution time summary Minimization:,06 Miscellaneous:,24 Bootstrap:,000 Total:, ANALISIS JALUR DENGAN SPSS Analisis jalur dengan SPSS menggunakan langkah-langkah sebagai berikut. a. Sebelum melakukan analisis jalur, maka dilakukan pengubahan skala ordinal menjadi skala interval dan membentuk satu ekstrak variabel dari beberapa konstruk dengan menggunakan analisis faktor sehingga akan dibangun variabel X, X2 dan X3 dari beberapa konstruk. Confimatory Factor Analysis dapat sekaligus merubah skala dan menguji validitas yang membangun variabel eksogen dan endogen. Banyak cara menaikkan skala antara lain dengan Metode sucsevi interval dan Z score tetapi dengan analisis faktor validity dan peningkatan skala dapat dilakukan sekaligus sebelum melakukan uji parametrik.

40 40 b. Analisis jalur yang menggunakan SPSS, pengujian normalitas data yang harus dilakukan sebagai syarat uji parametrik, dilakukan sebelumnya dengan menggunakan analisis tersendiri antara lain uji normalitas data dengan grafik, Kolmogrov Smirnov dan lain-lain. Setelah distribusi data normal maka dapat dilakukan uji parametrik dengan menggunakan analisis jalur. c. Setelah itu dilakukan analisis path dan dilakukan perhitungan analisis path dengan melihat koefisien regresi maisng-masing variabel. d. Hasil uji normalitas dan hasil analisis jalur ditunjukkan sebagai berikut.

41 4 HASIL UJI NORMALITAS DATA NPar Tests One-Sample Kolmogorov-Smirnov Test X X2 X3 N Normal Parameters a,,b Mean Std. Deviation Most Extreme Differences Absolute Positive Negative Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Test distribution is Normal. b. Calculated from data. Berdasarkan hasil uji normalitas data dengan menggunakan analisis kolmogorov Smirnov diperoleh hasil bahwa X, X2 dan X3 memiliki distribusi data normal karena semua variabel memiliki nilai probabilitas > 0,05. Oleh karena itu selanjutnya dianalisis dengan menggunakan analisis jalur yang ditampilkan seperti output di bawah ini. Regression [DataSet] D:\dat.sav Descriptive Statistics Mean Std. Deviation N HASIL ANALISIS JALUR X X X

42 42 Correlations X3 X X2 Pearson Correlation X X X Sig. (-tailed) X X X N X X X Model Variables Entered/Removed b Variables Entered Variables Removed Method X a. Enter 2 X2 a. Enter a. All requested variables entered. b. Dependent Variable: X3 Model R R Square Model Summary c Adjusted R Square Std. Error of the Estimate Durbin- Watson.54 a b a. Predictors: (Constant), X b. Predictors: (Constant), X, X2 c. Dependent Variable: X3 Model ANOVA c Sum of Squares df Mean Square F Sig. Regression a Residual Total Regression b Residual Total a. Predictors: (Constant), X b. Predictors: (Constant), X, X2

43 43 Model ANOVA c Sum of Squares df Mean Square F Sig. Regression a Residual Total Regression b Residual Total a. Predictors: (Constant), X b. Predictors: (Constant), X, X2 c. Dependent Variable: X3 Model Unstandardized Coefficients Coefficients a Standardized Coefficients Collinearity Statistics B Std. Error Beta t Sig. Tolerance VIF (Constant) E X (Constant) E X X a. Dependent Variable: X3 Collinearity Diagnostics a Model Dimen sion Eigenvalue Condition Index Variance Proportions (Constant) X X a. Dependent Variable: X3

44 44 Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value Std. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std. Residual Stud. Residual Deleted Residual Stud. Deleted Residual Mahal. Distance Cook's Distance Centered Leverage Value a. Dependent Variable: X3

45 45 Berdasarkan output SPSS tersebut maka dapat dijelaskan koefisien jalur pada Tabel 7 sebagai berikut. Tabel 7. Hasil Koefisien Analisis Jalur Variabel Variabel Bebas Terikat Beta (β) t-hitung ρ-value X X2-0,06 0,659 0,00 X X3 0,73**,938 0,045 X2 X3 0,29** 3,248 0,002 Keterangan: ** signifikan di bawah 0,05 Berdasarkan tabel 2 dapat dihitung jalur sebagai berikut. Hubungan langsung X ke X3 = 0,73 Hubungan tidak langsung X ke X2 ke X3 = (-0,06) x (0,29) = 0,07 + Total Efect 0,90

46 46 SOAL 6. MEMBANDINGKAN HASIL SEM (SOAL ) DAN PATH ANALYSIS (SOAL 5). JAWABAN: Berdasarkan hasil analisis dengan menggunakan SPSS dan AMOS dapat dijelaskan hal-hal sebagai berikut: a. Penggunaan AMOS dalam menganalisis jalur lebih efisien dan AMOS secara langsung dapat menguji berbagai uji seperti validitas, reliabilitas dan normalitas dengan sekaligus sedangkan analisis jalur dengan menggunakan SPSS harus melakukan pengujian sendiri seperti validitas, reliabilitas dan normalitas sebelum melakukan analisis jalur. b. AMOS dapat dibentuk dari konstruk yang terdiri dari variabel laten sedangkan analisis jalur dibentuk langsung dengan variabel observed yang telah direduksi dari berbegai indikator. Dalam analisis jalur, variabel X dibentuk dari hasil reduksi atau analisis faktor yang terdiri dari X, X2 dan X3 demikian juga dengan variabel X2 dan X3, sedangkan SEM dibentuk langsung dari variabel laten tanpa perlu melakukan reduksi terlebih dahulu.