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

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

IDENTIFIKASI VARIABEL: Variabel yang digunakan dinotasikan sebagai berikut: X1 = Komitmen Organisasi X2 = Partisipasi Kerja X3 = Kinerja Karyawan

1.2

INDIKATOR VARIABEL PENELITIAN 1) Komitmen Organisasi diukur dengan indikator sebagai berikut: X11 = Kebiasaan bekerja dengan penuh dedikasi X12 = Keyakinan akan kemampuan diri sendiri. X13 = Perusahaan merupakan tempat terbaik untuk aktualisasi diri. 2) Partisipasi Kerja diukur dengan indikator sebagai berikut: X21 = Keterlibatan para karyawan X22 = Kontribusi penting terhadap pekerjaan X23 = Tingkat kelogisan alasan yang diberikan oleh karyawan 3) Kinerja Karyawan diukur dengan indikator sebagai berikut: X31 = Kesesuaian pelaksanaan tugas dengan standar perusahaan X32 = Waktu pelaksanaan pekerjaan/tugas yang dapat diselesaikan X33 = Efisiensi penyelesaian pekerjaan

1.3

HIPOTESIS H1 : Komitmen organisasi berpengaruh signifikan terhadap partisipasi kerja H2: Komitmen organisasi berpengaruh signifikan terhadap kinerja karyawan H3 : Partisipasi kerja berpengaruh signifikan terhadap kinerja karyawan

1

2 1.4

METODE ANALISIS DATA Metode analisis data menggunakan Structural Equation Modeling (SEM) dengan menggunakan AMOS

1.5

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: 1) Berdasarkan input data 1 maka dapat dibangun model SEM sebagai berikut: e1

e2

e3

1

1

1

X11

X12

X13

1

z1

x1

1

γ1.1

1

x3

X31 X32 X33

x2

1

z2

1

X21

X22

X23

1

1

1

e4

e5

e6 Gambar 1. Model Analisis

1 1 1

e7 e8 e9

3 Berdasarkan model tersebut maka dapat dijelaskan sebagai berikut. a.

Terdapat satu variabel eksogen laten yaitu Komitmen Organisasi (X1) variabel diukur dengan indikator atau manifest yang disimbolkan dengan X1 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 z1 dan z2.

1.6

MODEL ANALISIS JALUR Model SEM yang dibangun seperti gambar 1 di atas dapat dianalisis dengan menggunakan AMOS dengan hasil sebagai berikut. .44

e1

.66

.23

e2

e3

1

1

1

X11

X12

X13

1.23 .63 .37

1.00

.26

z1

x1

1

.24

.24

X31

1.00 -.09

x3

1.10

X21 1 .46

e4

1.00

X22 1 .91

e5

.35

1 1.00

X23 1 .75

e6

Gambar 2. Hasil Analisis SEM

.91

X32 X33

.52

x2

.90

z2

1 1 1

e7 e8 e9

.46 .29

4 1.7

OUTPUT ANALISIS JALUR DENGAN AMOS

Analysis Summary Date and Time

Date: Saturday, July 17, 2010 Time: 11:03:55 AM Title

Insert: Saturday, July 17, 2010 11:03 AM Notes for Group (Group number 1)

The model is recursive. Sample size = 115 Variable Summary (Group number 1) Your model contains the following variables (Group number 1)

Observed, endogenous variables X11 X12 X13 X23 X22 X21 X31 X32 X33 Unobserved, endogenous variables x3 x2 Unobserved, exogenous variables x1 e1 e2 e3 e6 e5 e4 e7 e8 e9 z1 z2 Variable counts (Group number 1)

Number of variables in your model: Number of observed variables: Number of unobserved variables: Number of exogenous variables: Number of endogenous variables:

23 9 14 12 11

5 Parameter summary (Group number 1)

Fixed Labeled Unlabeled Total

Weights 14 0 9 23

Covariances 0 0 0 0

Variances 0 0 12 12

Means 0 0 0 0

Intercepts 0 0 0 0

Assessment of normality (Group number 1)

Variable X33 X32 X31 X21 X22 X23 X13 X12 X11 Multivariate

min 1.800 1.000 1.750 1.000 1.000 1.000 1.000 1.000 1.000

max 5.000 5.000 5.000 5.000 5.000 5.000 4.500 5.000 4.000

skew -.287 -.727 -.248 .030 .159 -.349 .594 .761 .292

c.r. -1.257 -3.182 -1.085 .130 .698 -1.527 2.601 3.331 1.278

kurtosis -.175 -.061 -.382 -.533 -.477 -.252 .384 -.323 -1.049 13.138

c.r. -.382 -.134 -.836 -1.167 -1.044 -.552 .841 -.707 -2.296 5.006

Observations farthest from the centroid (Mahalanobis distance) (Group number 1)

Observation number 56 59 28 74 9 90 11 103 46 69 101 73 49 55 93 109 77 54 48 29 71 107 32 38

Mahalanobis d-squared 39.181 23.788 21.819 21.783 17.770 17.761 17.120 16.230 16.148 16.002 15.869 15.825 14.808 14.782 14.712 13.988 13.988 13.708 13.552 13.487 13.431 13.097 12.839 12.761

p1 .000 .005 .009 .010 .038 .038 .047 .062 .064 .067 .070 .071 .096 .097 .099 .123 .123 .133 .139 .142 .144 .158 .170 .174

p2 .001 .101 .097 .025 .443 .274 .294 .425 .314 .240 .178 .113 .315 .225 .166 .336 .243 .267 .245 .194 .148 .197 .228 .191

Total 14 0 21 35

6 Observation number 80 44 91 84 60 15 110 45 31 72 95 61 78 36 21 81 58 34 52 96 65 76 8 83 97 89 100 82 40 50 98 62 13 12 14 2 3 63 79 111 25 10 115 6

Mahalanobis d-squared 12.695 12.570 12.475 12.416 12.228 12.120 12.036 12.022 11.248 11.055 10.915 10.798 10.619 10.617 10.602 10.366 10.264 10.108 10.068 9.945 9.891 9.654 9.645 9.179 8.856 8.684 8.631 8.525 8.378 8.377 8.181 8.152 8.110 8.110 7.845 7.761 7.661 7.619 7.393 7.343 7.121 7.042 6.625 6.548

p1 .177 .183 .188 .191 .201 .207 .211 .212 .259 .272 .282 .290 .303 .303 .304 .322 .330 .342 .345 .355 .359 .379 .380 .421 .451 .467 .472 .482 .497 .497 .516 .519 .523 .523 .550 .558 .569 .573 .596 .601 .625 .633 .676 .684

p2 .155 .142 .122 .096 .106 .096 .081 .056 .279 .316 .326 .323 .362 .291 .235 .305 .300 .330 .288 .298 .267 .356 .293 .566 .733 .783 .760 .769 .804 .750 .817 .782 .753 .691 .812 .812 .822 .797 .875 .859 .920 .919 .986 .986

7 Observation number 19 33 7 30 1 42 39 23 64 70 43 108 4 85 41 27 5 53 67 26 20 16 17 106 18 87 92 22 47 99 66 35

Mahalanobis d-squared 6.323 6.056 5.975 5.960 5.841 5.816 5.816 5.816 5.810 5.749 5.445 5.347 5.294 5.242 5.190 5.190 5.190 5.008 4.885 4.850 4.844 4.827 4.827 4.819 4.677 4.527 4.318 4.104 4.080 3.926 3.894 3.881

p1 .707 .734 .742 .744 .756 .758 .758 .758 .759 .765 .794 .803 .808 .813 .817 .817 .817 .834 .844 .847 .848 .849 .849 .850 .861 .873 .889 .904 .906 .916 .918 .919

p2 .995 .999 .999 .998 .999 .998 .996 .993 .989 .987 .998 .998 .997 .997 .996 .992 .986 .993 .995 .993 .987 .979 .964 .943 .957 .969 .985 .994 .989 .993 .988 .977

Sample Moments (Group number 1) Sample Covariances (Group number 1)

X33 X32 X31 X21 X22 X23 X13 X12 X11

X33 .594 .314 .322 .171 .060 .171 .104 .067 .178

X32

X31

X21

X22

X23

X13

X12

X11

.752 .332 .189 -.158 .161 .024 .094 .080

.599 .251 .045 .335 .004 .040 .026

.884 .424 .324 -.039 .047 -.121

1.259 .428 -.046 -.333 -.037

1.098 .008 .065 .128

.376 .289 .227

1.209 .449

.806

8 Condition number = 10.315 Eigenvalues 2.100 1.860 1.127 .739 .652 .345 .295 .255 .204 Determinant of sample covariance matrix = 1.011 Sample Correlations (Group number 1)

X33 X32 X31 X21 X22 X23 X33 1.000 X32 .470 1.000 X31 .539 .495 1.000 X21 .236 .232 .345 1.000 X22 .070 -.162 .051 .402 1.000 X23 .211 .177 .413 .329 .364 1.000 X13 .220 .046 .009 -.068 -.066 .012 X12 .079 .098 .047 .046 -.270 .056 X11 .258 .103 .037 -.143 -.036 .136 Condition number = 8.834 Eigenvalues 2.541 1.993 1.297 .806 .729 .552 .467 .327 .288 Notes for Model (Default model) Computation of degrees of freedom (Default model)

Number of distinct sample moments: Number of distinct parameters to be estimated: Degrees of freedom (45 - 21):

45 21 24

Result (Default model)

Minimum was achieved Chi-square = 74.224 Degrees of freedom = 24 Probability level = .000 Estimates (Group number 1 - Default model) Scalar Estimates (Group number 1 - Default model) Maximum Likelihood Estimates Regression Weights: (Group number 1 - Default model)

x2 <--- x1 x3 <--- x1 x3 <--- x2 X11 <--- x1 X12 <--- x1 X13 <--- x1 X23 <--- x2 X22 <--- x2 X21 <--- x2 X31 <--- x3 X32 <--- x3 X33 <--- x3

Estimate S.E. -.089 .139 .242 .129 .516 .178 1.000 1.226 .282 .633 .147 1.000 1.002 .295 1.102 .375 1.000 .904 .173 .913 .178

C.R. -2.640 1.879 2.904

P Label .022 par_9 .060 par_1 .004 par_2

4.351 4.313

*** par_3 *** par_4

3.394 2.937

*** par_5 .003 par_6

5.233 5.136

*** par_7 *** par_8

X13

X12

X11

1.000 .429 .412

1.000 .455

1.000

9 Standardized Regression Weights: (Group number 1 - Default model)

x2 <--x3 <--x3 <--X11 <--X12 <--X13 <--X23 <--X22 <--X21 <--X31 <--X32 <--X33 <---

x1 x1 x2 x1 x1 x1 x2 x2 x2 x3 x3 x3

Estimate -.091 .243 .508 .674 .674 .624 .566 .529 .695 .778 .627 .714

Variances: (Group number 1 - Default model)

x1 z2 z1 e1 e2 e3 e6 e5 e4 e7 e8 e9

Estimate S.E. .366 .118 .349 .162 .256 .075 .440 .097 .659 .144 .229 .043 .746 .156 .906 .156 .457 .137 .236 .068 .456 .076 .292 .064

C.R. 3.093 2.157 3.406 4.546 4.575 5.311 4.779 5.794 3.344 3.483 5.992 4.541

P .002 .031 *** *** *** *** *** *** *** *** *** ***

Label par_10 par_11 par_12 par_13 par_14 par_15 par_16 par_17 par_18 par_19 par_20 par_21

Squared Multiple Correlations: (Group number 1 - Default model)

x2 x3 X33 X32 X31 X21 X22 X23 X13 X12 X11

Estimate .008 .295 .509 .394 .606 .483 .280 .320 .390 .455 .454

10 Matrices (Group number 1 - Default model) Implied (for all variables) Covariances (Group number 1 - Default model)

x1 x2 x3 X33 X32 X31 X21 X22 X23 X13 X12 X11

x1 .366 -.033 .072 .065 .065 .072 -.036 -.033 -.033 .231 .448 .366

x2

x3

X33

X32

X31

X21

X22

X23

X13

X12

X11

.352 .174 .159 .157 .174 .388 .352 .352 -.021 -.040 -.033

.363 .331 .328 .363 .191 .174 .174 .045 .088 .072

.594 .299 .331 .175 .159 .159 .041 .080 .065

.752 .328 .173 .157 .157 .041 .079 .065

.599 .191 .174 .174 .045 .088 .072

.884 .388 .388 -.023 -.044 -.036

1.259 .352 -.021 -.040 -.033

1.098 -.021 -.040 -.033

.376 .284 .231

1.209 .448

.806

Implied (for all variables) Correlations (Group number 1 - Default model)

x1 x2 x3 X33 X32 X31 X21 X22 X23 X13 X12 X11

x1 1.000 -.091 .197 .140 .123 .153 -.063 -.048 -.051 .624 .674 .674

x2

x3

X33

X32

X31

X21

X22

X23

X13

X12

X11

1.000 .486 .347 .305 .378 .695 .529 .566 -.057 -.061 -.061

1.000 .714 .627 .778 .338 .257 .275 .123 .133 .132

1.000 .448 .555 .241 .184 .196 .088 .095 .095

1.000 .488 .212 .162 .173 .077 .083 .083

1.000 .263 .200 .214 .096 .103 .103

1.000 .368 .394 -.039 -.043 -.043

1.000 .300 -.030 -.032 -.032

1.000 -.032 -.035 -.035

1.000 .421 .421

1.000 .454

1.000

Implied Covariances (Group number 1 - Default model)

X33 X32 X31 X21 X22 X23 X13 X12 X11

X33 .594 .299 .331 .175 .159 .159 .041 .080 .065

X32

X31

X21

X22

X23

X13

X12

X11

.752 .328 .173 .157 .157 .041 .079 .065

.599 .191 .174 .174 .045 .088 .072

.884 .388 .388 -.023 -.044 -.036

1.259 .352 -.021 -.040 -.033

1.098 -.021 -.040 -.033

.376 .284 .231

1.209 .448

.806

11 Implied Correlations (Group number 1 - Default model)

X33 X32 X31 X21 X22 X23 X13 X12 X11

X33 1.000 .448 .555 .241 .184 .196 .088 .095 .095

X32

X31

X21

X22

X23

X13

X12

X11

1.000 .488 .212 .162 .173 .077 .083 .083

1.000 .263 .200 .214 .096 .103 .103

1.000 .368 .394 -.039 -.043 -.043

1.000 .300 -.030 -.032 -.032

1.000 -.032 -.035 -.035

1.000 .421 .421

1.000 .454

1.000

Residual Covariances (Group number 1 - Default model)

X33 X32 X31 X21 X22 X23 X13 X12 X11

X33 .000 .015 -.010 -.004 -.098 .012 .062 -.013 .113

X32

X31

X21

X22

X23

X13

X12

X11

.000 .004 .016 -.315 .004 -.017 .014 .016

.000 .060 -.129 .162 -.041 -.047 -.046

.000 .035 -.064 -.017 .091 -.085

.000 .075 -.025 -.293 -.004

.000 .028 .105 .160

.000 .005 -.005

.000 .001

.000

Standardized Residual Covariances (Group number 1 - Default model)

X33 X32 X31 X21 X22 X23 X13 X12 X11

X33 .000 .212 -.151 -.055 -1.195 .157 1.404 -.163 1.733

X32

X31

X21

X22

X23

X13

X12

X11

.000 .064 .207 -3.414 .044 -.335 .160 .212

.000 .849 -1.561 2.080 -.922 -.592 -.703

.000 .336 -.642 -.307 .944 -1.073

.000 .654 -.386 -2.538 -.042

.000 .472 .973 1.817

.000 .075 -.085

.000 .008

.000

Factor Score Weights (Group number 1 - Default model)

x1 x2 x3

X33 .022 .055 .255

X32 .014 .035 .161

X31 .029 .075 .345

X21 -.018 .279 .043

X22 -.008 .128 .020

X23 -.010 .155 .024

X13 .301 -.021 .019

X12 .203 -.014 .013

X11 .247 -.017 .016

12 Total Effects (Group number 1 - Default model)

x2 x3 X33 X32 X31 X21 X22 X23 X13 X12 X11

x1 -.089 .196 .179 .177 .196 -.098 -.089 -.089 .633 1.226 1.000

x2 .000 .516 .471 .466 .516 1.102 1.002 1.000 .000 .000 .000

x3 .000 .000 .913 .904 1.000 .000 .000 .000 .000 .000 .000

Standardized Total Effects (Group number 1 - Default model)

x2 x3 X33 X32 X31 X21 X22 X23 X13 X12 X11

x1 -.091 .197 .140 .123 .153 -.063 -.048 -.051 .624 .674 .674

x2 .000 .508 .363 .319 .396 .695 .529 .566 .000 .000 .000

x3 .000 .000 .714 .627 .778 .000 .000 .000 .000 .000 .000

Direct Effects (Group number 1 - Default model)

x2 x3 X33 X32 X31 X21 X22 X23 X13 X12 X11

x1 -.089 .242 .000 .000 .000 .000 .000 .000 .633 1.226 1.000

x2 .000 .516 .000 .000 .000 1.102 1.002 1.000 .000 .000 .000

x3 .000 .000 .913 .904 1.000 .000 .000 .000 .000 .000 .000

13 Standardized Direct Effects (Group number 1 - Default model)

x2 x3 X33 X32 X31 X21 X22 X23 X13 X12 X11

x1 -.091 .243 .000 .000 .000 .000 .000 .000 .624 .674 .674

x2 .000 .508 .000 .000 .000 .695 .529 .566 .000 .000 .000

x3 .000 .000 .714 .627 .778 .000 .000 .000 .000 .000 .000

Indirect Effects (Group number 1 - Default model)

x2 x3 X33 X32 X31 X21 X22 X23 X13 X12 X11

x1 .000 -.046 .179 .177 .196 -.098 -.089 -.089 .000 .000 .000

x2 .000 .000 .471 .466 .516 .000 .000 .000 .000 .000 .000

x3 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000

Standardized Indirect Effects (Group number 1 - Default model)

x2 x3 X33 X32 X31 X21 X22 X23 X13 X12 X11

x1 .000 -.046 .140 .123 .153 -.063 -.048 -.051 .000 .000 .000

x2 .000 .000 .363 .319 .396 .000 .000 .000 .000 .000 .000

x3 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000 .000

14 Minimization History (Default model)

Iteration 0 1 2 3 4 5 6 7 8

e e e e e e e e e

Negative eigenvalues 6 0 0 0 0 0 0 0 0

Condition #

Smallest eigenvalue -.196

81.233 34.098 128.804 35.974 91.288 79.081 78.312 78.330

Diameter

F

NTries

Ratio

9999.000 1.571 .581 .528 .942 .383 .079 .008 .000

303.935 127.515 106.479 83.299 79.335 74.560 74.227 74.224 74.224

0 20 5 2 3 1 1 1 1

9999.000 .745 .000 .000 .000 .877 1.054 1.007 1.000

Model Fit Summary CMIN

Model Default model Saturated model Independence model

NPAR 21 45 9

CMIN 74.224 .000 270.031

DF 24 0 36

P .000

CMIN/DF 3.093

.000

7.501

RMR, GFI


RMR .086 .000 .192

GFI .892 1.000 .643

AGFI .797

PGFI .475

.553

.514

NFI Delta1 .725 1.000 .000

RFI rho1 .588

IFI Delta2 .796 1.000 .000

TLI rho2 .678

Baseline Comparisons


.000

.000

Parsimony-Adjusted Measures


PRATIO .667 .000 1.000

PNFI .483 .000 .000

PCFI .524 .000 .000

NCP 50.224 .000 234.031

LO 90 27.991 .000 185.496

NCP


HI 90 80.078 .000 290.051

FMIN


FMIN .651 .000 2.369

F0 .441 .000 2.053

LO 90 .246 .000 1.627

HI 90 .702 .000 2.544

CFI .785 1.000 .000

15 RMSEA

Model Default model Independence model

RMSEA .135 .239

LO 90 .101 .213

HI 90 .171 .266

AIC 116.224 90.000 288.031

BCC 120.263 98.654 289.762

PCLOSE .000 .000

AIC


BIC 173.868 213.522 312.735

CAIC 194.868 258.522 321.735

ECVI


ECVI 1.020 .789 2.527

LO 90 .824 .789 2.101

HI 90 1.281 .789 3.018

MECVI 1.055 .865 2.542

HOELTER


HOELTER .05 56 22

HOELTER .01 67 25

Execution time summary

Minimization: Miscellaneous: Bootstrap: Total: 1.8

.062 .235 .000 .297

INTEPRETASI HASIL ANALISIS AMOS

Berdasarkan output tersebut di atas maka dapat dijelaskan hasil analisis sebagai berikut. 1.8.1. 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 1 - 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 1.8.2. 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, 1998 dalam Ghozali, 2005: 131). Hasil pengujian multikolinieritas pada ouput di atas memberikan nilai determinat of sample covariance matrix sebesar 1,011. Nilai ini jauh dari angka nol sehingga dapat disimpulkan bahwa tidak terdapat masalah multikolinieritas dan singularitas pada data yang dianalisis. 1.8.3. ANALISIS STRUCTURAL EQUATION MODELING (SEM) Sesuai dengan tujuan penelitian yaitu membuktikan dan menganalisis pengaruh Komitmen Organisasi (X1) 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 1. Berdasarkan Tabel 1 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. Kriteria Chi Square Significance Probability RMSEA GFI AGFI CMIN/DF TLI CFI

Tabel 1 : Indeks Kesesuaian SEM Hasil Perhitungan Nilai Cut-Off Diharapkan kecil Prob. > 0,05 ≥ 0,05 ≤ 0,08 ≥ 0,90 ≥ 0,90 ≤ 2 atau 3 ≥ 0,90 ≥ 0,90

Keterangan

74,224 Prob.= 0,000

Tidak Baik

0,000 0,135 0,892 0,797 3,093 0,678 0,785

Tidak Baik Tidak Baik Tidak Baik Tidak Baik Tidak Baik Tidak Baik Tidak Baik

17 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 (X1) dengan partisipasi kerja (X2), komitmen organisasi (X1) 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

X1 → X2

-0,089

-2.640

Signifikan

X1 → X3

0,242

1.879

Signifikan

X2 → X3

0,520

2.904

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 1,879 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 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. 1)

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 Variabel Eksogen Komitmen Organisasi (X1) Partisipasi Kerja (X2)

Pengaruh Langsung Partisipasi Kerja (X2) Kinerja Karyawan (X3) -0,089 0,242 0,000 0,516

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 (X1) sebesar -0,089 dan partisipasi kerja (X2) 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 (X1) dan partisipasi kerja (X2) 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 Tabel 4. Pengaruh Tidak Langsung Variabel Penelitian Pengaruh Tidak Langsung Variabel

Komitmen

Eksogen

organisasi Partisipasi kerja

Variabel Endogen Partisipasi kerja

Kinerja Karyawan

0,000

-0,416

1,000

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 (X1) melalui partisipasi kerja (X2) sebesar -0,416. 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

0,196

Eksogen

Partisipasi kerja

1,000

0,516

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 (X1) sebesar 0,196 dan Partisipasi kerja (X2) sebesar 0,516 sedangkan pengaruh komitmen organisasi terhadap partisipasi kerja sebesar -0,089.

20 SOAL 2. MENGANALISIS CONFIMATORY FACTOR ANALYSIS DAN SCORE FACTOR DENGAN LISRELL JAWABAN: Berdasarkan data 1 diolah dengan mengunakan Program Lisrel untuk CFA

Gambar 3. Hasil CFA dengan Lisrell DATE: 7/ 17/2010 TIME: 12:12 LISREL 8.80 (STUDENT EDITION) BY Karl G. Jöreskog and Dag Sörbom This program is published exclusively by Scientific Software International, Inc. 7383 N. Lincoln Avenue, Suite 100 Lincolnwood, IL 60712, U.S.A. Phone: (800)247-6113, (847)675-0720, Fax: (847)675-2140 Copyright by Scientific Software International, Inc., 1981-2006 Use of this program is subject to the terms specified in the Universal Copyright Convention. Website: www.ssicentral.com

Latent Variables: X1 X2 X3 Relationships: X11 X12 X13=X1

X21 X22 X23=X2 X31 X32 X33=X3

21 Path Diagram End of Problem Sample Size =

115

Covariance Matrix X11 -------0.81 0.45 0.23 -0.12 -0.04 0.13 0.03 0.08 0.18

X11 X12 X13 X21 X22 X23 X31 X32 X33

X12 --------

X13 --------

X21 --------

X22 --------

X23 --------

1.22 0.29 0.05 -0.34 0.07 0.04 0.09 0.07

0.38 -0.04 -0.05 0.01 0.00 0.02 0.10

0.89 0.43 0.33 0.25 0.19 0.17

1.27 0.43 0.04 -0.16 0.06

1.11 0.34 0.16 0.17

Covariance Matrix

X31 X32 X33

X31 -------0.60 0.34 0.32

Number of Iterations =

X32 --------

X33 --------

0.76 0.32

0.60

9

LISREL Estimates (Maximum Likelihood) Measurement Equations X11 = 0.61*X1, Errorvar.= 0.44 , Rý = 0.45 (0.097) (0.096) 6.24 4.61 X12 = 0.74*X1, Errorvar.= 0.67 , Rý = 0.45 (0.12) (0.14) 6.25 4.60 X13 = 0.38*X1, Errorvar.= 0.23 , Rý = 0.39 (0.065) (0.043) 5.87 5.32 X21 = 0.66*X2, Errorvar.= 0.46 , Rý = 0.48 (0.11) (0.12) 6.00 3.87 X22 = 0.60*X2, Errorvar.= 0.91 , Rý = 0.28 (0.13) (0.15) 4.77 5.99 X23 = 0.60*X2, Errorvar.= 0.75 , Rý = 0.32 (0.12) (0.13) 5.07 5.62 X31 = 0.60*X3, Errorvar.= 0.24 , Rý = 0.61 (0.075) (0.061) 8.09 3.88 X32 = 0.55*X3, Errorvar.= 0.46 , Rý = 0.39 (0.084) (0.076) 6.47 6.02 X33 = 0.55*X3, Errorvar.= 0.29 , Rý = 0.51 (0.075) (0.059)

22 7.41

4.95

Correlation Matrix of Independent Variables

X1 X2 X3

X1 -------1.00 -0.09 (0.14) -0.65 0.20 (0.13) 1.57

X2 --------

X3 --------

1.00 0.49 (0.12) 4.23

1.00

Goodness of Fit Statistics Degrees of Freedom = 24 Minimum Fit Function Chi-Square = 74.22 (P = 0.00) Normal Theory Weighted Least Squares Chi-Square = 62.43 (P = 0.00) Estimated Non-centrality Parameter (NCP) = 38.43 90 Percent Confidence Interval for NCP = (18.80 ; 65.73) Minimum Fit Function Value = 0.65 Population Discrepancy Function Value (F0) = 0.34 90 Percent Confidence Interval for F0 = (0.16 ; 0.58) Root Mean Square Error of Approximation (RMSEA) = 0.12 90 Percent Confidence Interval for RMSEA = (0.083 ; 0.15) P-Value for Test of Close Fit (RMSEA < 0.05) = 0.0016 Expected Cross-Validation Index (ECVI) = 0.92 90 Percent Confidence Interval for ECVI = (0.74 ; 1.16) ECVI for Saturated Model = 0.79 ECVI for Independence Model = 2.66 Chi-Square for Independence Model with 36 Degrees of Freedom = 285.29 Independence AIC = 303.29 Model AIC = 104.43 Saturated AIC = 90.00 Independence CAIC = 337.00 Model CAIC = 183.07 Saturated CAIC = 258.52 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) = 0.81 Relative Fit Index (RFI) = 0.61 Critical N (CN) = 67.01 Root Mean Square Residual (RMR) = 0.087 Standardized RMR = 0.091 Goodness of Fit Index (GFI) = 0.89 Adjusted Goodness of Fit Index (AGFI) = 0.80 Parsimony Goodness of Fit Index (PGFI) = 0.48 Path to X22

The Modification Indices Suggest to Add the from Decrease in Chi-Square New Estimate X3 15.3 -0.60

The Modification Indices Suggest to Add an Error Covariance Between and Decrease in Chi-Square New Estimate X21 X11 8.2 -0.17 X22 X12 11.5 -0.31

23 X23 X32

X21 X22

10.6 11.1 Time used:

-0.50 -0.24 0.062 Seconds

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 1 maka diperoleh hasil analisis faktor sebagai berikut.

Factor Analysis [DataSet1] D:\dat1.sav KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square

.670 57.255

df

3

Sig.

.000

Communalities Initial X11 X12 X13

Extraction

1.000 1.000 1.000

.625 .640 .599

Extraction Method: Principal Component Analysis. Total Variance Explained Initial Eigenvalues Compon ent

Total

% of Variance

Extraction Sums of Squared Loadings Cumulative %

1

1.864

62.132

62.132

2

.593

19.768

81.900

3

.543

18.100

100.000

Extraction Method: Principal Component Analysis.

Total 1.864

% of Variance 62.132

Cumulative % 62.132

25 Component Matrix

a

Component 1 X11 X12 X13

.790 .800 .774

Extraction Method: Principal Component Analysis. a. 1 components extracted.

Factor Analysis [DataSet1] D:\dat1.sav KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity

.646

Approx. Chi-Square

40.928

df

3

Sig.

.000


Extraction

1.000 1.000 1.000

.579 .614 .537


Total

% of Variance


1 2

1.730 .677

57.679 22.559

57.679 80.238

3

.593

19.762

100.000

Extraction Method: Principal Component Analysis. Component Matrix

a

Component 1 X21 X22 X23 Extraction Method: Principal Component Analysis. a. 1 components extracted.

.761 .784 .733

Total 1.730

% of Variance 57.679

Cumulative % 57.679

26

Factor Analysis [DataSet1] D:\dat1.sav KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square

.688 79.004

df

3

Sig.

.000


Extraction

1.000 1.000 1.000

.696 .633 .674


Total

% of Variance


Total

1 2

2.003 .539

66.767 17.970

66.767 84.738

3

.458

15.262

100.000

2.003

% of Variance

Cumulative %

66.767

Extraction Method: Principal Component Analysis. Component Matrix

a

Component 1 X31 X32

.834 .796

X33

.821

Extraction Method: Principal Component Analysis. a. 1 components extracted.

Berdasarkan analisis faktor di atas maka dapat ditunjukkan sebagai berikut. Tabel 6. Hasil Analisis Faktor Variabel Variabel X1 X2 X3

KMO 0,670 0,646 0,688

Barlett Test 0,000 0,000 0,000

Keterangan Valid Valid Valid

66.767

27 Berdasarkan Tabel 6 menunjukkan bahwa variabel komitmen organisasi (X1), partisipasi kerja (X2) dan kinerja karyawan (X3) valid karena nilai KMO > 0,6 dan Barlett’s Test dengan signifikansi < 0,05.

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

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. 5.1

Hasil Analisis Jalur dengan AMOS

5.1.1 IDENTIFIKASI VARIABEL: Variabel yang digunakan dinotasikan sebagai berikut: X1 = Komitmen Organisasi X2 = Partisipasi Kerja X3 = Kinerja Karyawan 5.1.2 INDIKATOR VARIABEL PENELITIAN a.

Komitmen Organisasi diukur dengan indikator sebagai berikut: X11 = Kebiasaan bekerja dengan penuh dedikasi X12 = Keyakinan akan kemampuan diri sendiri. X13 = Perusahaan merupakan tempat terbaik untuk aktualisasi diri.

b.

Partisipasi Kerja diukur dengan indikator sebagai berikut: X21 = Keterlibatan para karyawan X22 = Kontribusi penting terhadap pekerjaan X23 = Tingkat kelogisan alasan yang diberikan oleh karyawan

c.

Kinerja Karyawan diukur dengan indikator sebagai berikut: X31 = Kesesuaian pelaksanaan tugas dengan standar perusahaan

30 X32 = Waktu pelaksanaan pekerjaan/tugas yang dapat diselesaikan X33 = Efisiensi penyelesaian pekerjaan 5.1.3 HIPOTESIS H1 : Komitmen organisasi berpengaruh signifikan terhadap partisipasi kerja H2:Komitmen

organisasi

berpengaruh

signifikan

terhadap

kinerja

karyawan H3 : Partisipasi kerja berpengaruh signifikan terhadap kinerja karyawan 5.1.4 METODE ANALISIS DATA Metode analisis data menggunakan path Analysis dengan menggunakan AMOS dan SPSS 5.1.5 MODEL ANALISIS JALUR

E1 ,00

X2 ,29

-,07

E2 ,11

,17

X1

X3 Gambar 4. Mod3el Analisis Jalur

5.1.6 OUPUT ANALISIS JALUR Analysis Summary Date and Time

Date: 17 Juli 2010 Time: 6:55:39 Title

Tugas path amos: 17 Juli 2010 06:55 H:mm:ss Notes for Group (Group number 1)

The model is recursive.

31 Sample size = 115 Variable Summary (Group number 1) Your model contains the following variables (Group number 1)

Observed, endogenous variables X3 X2 Observed, exogenous variables X1 Unobserved, exogenous variables E1 E2 Variable counts (Group number 1)

Number of variables in your model: Number of observed variables: Number of unobserved variables: Number of exogenous variables: Number of endogenous variables:

5 3 2 3 2

Parameter summary (Group number 1)

Fixed Labeled Unlabeled Total

Weights 2 0 3 5

Covariances 0 0 0 0

Variances 0 0 3 3

Means 0 0 0 0

Intercepts 0 0 0 0

Assessment of normality (Group number 1)

Variable X1 X2 X3 Multivariate

min -1,693 -2,673 -2,402

max 3,296 2,252 1,788

skew ,554 -,098 -,191

c.r. 2,426 -,429 -,836

kurtosis ,049 -,185 -,384 -,339

c.r. ,106 -,405 -,841 -,332

Observations farthest from the centroid (Mahalanobis distance) (Group number 1)

Observation number 9 59 55 61 8 32 91 21 31

Mahalanobis d-squared 12,418 12,248 10,080 8,665 8,250 7,910 7,156 6,187 5,594

p1 ,006 ,007 ,018 ,034 ,041 ,048 ,067 ,103 ,133

p2 ,504 ,175 ,339 ,554 ,513 ,475 ,658 ,915 ,976

Total 2 0 6 8


Mahalanobis d-squared 5,567 5,563 5,293 5,200 5,177 5,140 5,029 4,913 4,821 4,809 4,796 4,756 4,604 4,549 4,504 4,383 4,320 4,317 4,267 4,266 4,204 3,890 3,869 3,763 3,731 3,691 3,579 3,508 3,465 3,462 3,426 3,379 3,375 3,375 3,359 3,286 3,283 3,211 3,211 3,211 3,211 3,173 3,078 2,951

p1 ,135 ,135 ,152 ,158 ,159 ,162 ,170 ,178 ,185 ,186 ,187 ,191 ,203 ,208 ,212 ,223 ,229 ,229 ,234 ,234 ,240 ,274 ,276 ,288 ,292 ,297 ,311 ,320 ,325 ,326 ,330 ,337 ,337 ,337 ,339 ,350 ,350 ,360 ,360 ,360 ,360 ,366 ,380 ,399

p2 ,956 ,920 ,944 ,931 ,894 ,852 ,841 ,835 ,819 ,754 ,680 ,623 ,661 ,620 ,570 ,593 ,565 ,480 ,441 ,358 ,336 ,574 ,514 ,548 ,501 ,464 ,513 ,516 ,488 ,414 ,380 ,360 ,295 ,231 ,189 ,200 ,152 ,162 ,119 ,086 ,060 ,052 ,068 ,106


Mahalanobis d-squared 2,915 2,828 2,828 2,743 2,705 2,630 2,537 2,537 2,492 2,424 2,418 2,381 2,325 2,294 2,252 2,210 2,172 2,127 2,032 2,011 1,969 1,935 1,919 1,865 1,811 1,738 1,717 1,547 1,530 1,488 1,473 1,431 1,295 1,253 1,222 1,219 1,054 ,838 ,740 ,738 ,704 ,692 ,655 ,653

p1 ,405 ,419 ,419 ,433 ,439 ,452 ,469 ,469 ,477 ,489 ,490 ,497 ,508 ,514 ,522 ,530 ,538 ,546 ,566 ,570 ,579 ,586 ,589 ,601 ,612 ,628 ,633 ,671 ,675 ,685 ,688 ,698 ,730 ,740 ,748 ,748 ,788 ,840 ,864 ,864 ,872 ,875 ,884 ,884

p2 ,094 ,116 ,084 ,104 ,095 ,112 ,147 ,108 ,106 ,122 ,092 ,086 ,092 ,083 ,081 ,078 ,075 ,075 ,113 ,095 ,094 ,089 ,070 ,079 ,087 ,114 ,096 ,259 ,224 ,229 ,193 ,198 ,380 ,391 ,379 ,305 ,610 ,937 ,979 ,965 ,967 ,953 ,957 ,929

34 Observation number 56 94 4

Mahalanobis d-squared ,652 ,613 ,605

p1 ,884 ,893 ,895

Sample Moments (Group number 1) Sample Covariances (Group number 1)

X1 X2 X3 X1 ,991 X2 -,065 ,991 X3 ,153 ,277 ,991 Condition number = 1,990 Eigenvalues 1,283 1,046 ,645 Determinant of sample covariance matrix = ,865 Sample Correlations (Group number 1)

X1 X2 X3 X1 1,000 X2 -,066 1,000 X3 ,154 ,279 1,000 Condition number = 1,990 Eigenvalues 1,295 1,055 ,650 Notes for Model (Default model) Computation of degrees of freedom (Default model)

Number of distinct sample moments: Number of distinct parameters to be estimated: Degrees of freedom (6 - 6):

6 6 0

Result (Default model)

Minimum was achieved Chi-square = ,000 Degrees of freedom = 0 Probability level cannot be computed Estimates (Group number 1 - Default model) Scalar Estimates (Group number 1 - Default model) Maximum Likelihood Estimates Regression Weights: (Group number 1 - Default model)

X2 <--- X1 X3 <--- X1 X3 <--- X2

Estimate -,066 ,173 ,291

S.E. ,093 ,089 ,089

C.R. -,703 1,955 3,277

P ,482 ,051 ,001

Label par_2 par_1 par_3

p2 ,887 ,897 ,853

35 Standardized Regression Weights: (Group number 1 - Default model)

X2 <--- X1 X3 <--- X1 X3 <--- X2

Estimate -,066 ,173 ,291


X1 E1 E2

Estimate ,991 ,987 ,884

S.E. ,131 ,131 ,117

C.R. 7,550 7,550 7,550

P *** *** ***

Label par_4 par_5 par_6

Squared Multiple Correlations: (Group number 1 - Default model)

X2 X3

Estimate ,004 ,108

Matrices (Group number 1 - Default model) Implied (for all variables) Covariances (Group number 1 - Default model)

X1 X2 X3

X1 ,991 -,065 ,153

X2

X3

,991 ,277

,991

Implied (for all variables) Correlations (Group number 1 - Default model)

X1 X2 X3

X1 1,000 -,066 ,154

X2

X3

1,000 ,279

1,000

Implied Covariances (Group number 1 - Default model)

X1 X2 X3

X1 ,991 -,065 ,153

X2

X3

,991 ,277

,991

Implied Correlations (Group number 1 - Default model)

X1 X2 X3

X1 1,000 -,066 ,154

X2

X3

1,000 ,279

1,000

36 Residual Covariances (Group number 1 - Default model)

X1 X2 X3

X1 ,000 ,000 ,000

X2

X3

,000 ,000

,000

Standardized Residual Covariances (Group number 1 - Default model)

X1 X2 X3

X1 ,000 ,000 ,000

X2

X3

,000 ,000

,000

Factor Score Weights (Group number 1 - Default model) Total Effects (Group number 1 - Default model)

X2 X3

X1 -,066 ,154

X2 ,000 ,291

Standardized Total Effects (Group number 1 - Default model)

X2 X3

X1 -,066 ,154

X2 ,000 ,291

Direct Effects (Group number 1 - Default model)

X2 X3

X1 -,066 ,173

X2 ,000 ,291

Standardized Direct Effects (Group number 1 - Default model)

X2 X3

X1 -,066 ,173

X2 ,000 ,291

Indirect Effects (Group number 1 - Default model)

X2 X3

X1 ,000 -,019

X2 ,000 ,000

Standardized Indirect Effects (Group number 1 - Default model)

X2 X3

X1 ,000 -,019

X2 ,000 ,000

37 Modification Indices (Group number 1 - Default model) Covariances: (Group number 1 - Default model)

M.I.

Par Change


M.I.

Par Change

Regression Weights: (Group number 1 - Default model)

M.I.

Par Change

Minimization History (Default model)

Iteratio n

Negative eigenvalu es

Conditi on #

0

e

0

3,021

1 2 3 4

e e e e

0 0 0 0

2,634 2,331 2,279 2,278

Smallest eigenval ue

Diamet er

F

9999,0 00 ,353 ,079 ,014 ,000

8,38 8 ,773 ,017 ,000 ,000

Pairwise Parameter Comparisons (Default model) Variance-covariance Matrix of Estimates (Default model)

par_1 par_2 par_3 par_4 par_5 par_6

par_1 ,008 ,000 ,001 ,000 ,000 ,000

par_2

par_3

par_4

par_5

par_6

,009 ,000 ,000 ,000 ,000

,008 ,000 ,000 ,000

,017 ,000 ,000

,017 ,000

,014

Correlations of Estimates (Default model)


par_1 1,000 ,000 ,066 ,000 ,000 ,000

par_2

par_3

par_4

par_5

par_6

1,000 ,000 ,000 ,000 ,000

1,000 ,000 ,000 ,000

1,000 ,000 ,000

1,000 ,000

1,000

NTrie s 0 1 1 1 1

Ratio 9999,0 00 ,818 1,085 1,020 1,001

38 Critical Ratios for Differences between Parameters (Default model)


par_1 ,000 -1,856 ,967 5,163 5,151 4,840

par_2

par_3

par_4

par_5

par_6

,000 2,766 6,559 6,551 6,340

,000 4,423 4,409 4,043

,000 -,023 -,607

,000 -,584

,000

Model Fit Summary CMIN


NPAR 6 6 3

CMIN ,000 ,000 13,500

DF 0 0 3

P

CMIN/DF

,004

4,500

RMR, GFI


RMR ,000 ,000 ,132

GFI 1,000 1,000 ,934

AGFI

PGFI

,868

,467

NFI Delta1 1,000 1,000 ,000

RFI rho1

IFI Delta2 1,000 1,000 ,000

TLI rho2

Baseline Comparisons


,000

,000

Parsimony-Adjusted Measures


PRATIO ,000 ,000 1,000

PNFI ,000 ,000 ,000

PCFI ,000 ,000 ,000

NCP


NCP ,000 ,000 10,500

LO 90 ,000 ,000 2,630

FMIN ,000 ,000 ,118

F0 ,000 ,000 ,092

HI 90 ,000 ,000 25,872

FMIN


LO 90 ,000 ,000 ,023

HI 90 ,000 ,000 ,227

CFI 1,000 1,000 ,000

39 RMSEA

Model Independence model

RMSEA ,175

LO 90 ,088

HI 90 ,275

PCLOSE ,013

AIC


AIC 12,000 12,000 19,500

BCC 12,436 12,436 19,718

BIC 28,470 28,470 27,734

CAIC 34,470 34,470 30,734

ECVI


ECVI ,105 ,105 ,171

LO 90 ,105 ,105 ,102

HI 90 ,105 ,105 ,306

MECVI ,109 ,109 ,173

HOELTER


HOELTER .05

HOELTER .01

66

96

Execution time summary

Minimization: Miscellaneous: Bootstrap: Total: 5.2

,016 ,124 ,000 ,140

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 X1, 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 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 HASIL UJI NORMALITAS DATA

NPar Tests One-Sample Kolmogorov-Smirnov Test X1 N a,,b Normal Parameters

115 .0000000 1.00000000 .082 .082 -.064 .883 .417

Mean Std. Deviation Absolute Positive Negative

Most Extreme Differences

Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed)

X2 115 .0000000 1.00000000 .058 .053 -.058 .623 .833

X3 115 .0000000 1.00000000 .065 .065 -.059 .693 .723

a. Test distribution is Normal. b. Calculated from data.

Berdasarkan hasil uji normalitas data dengan menggunakan analisis kolmogorov Smirnov diperoleh hasil bahwa X1, 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. HASIL ANALISIS JALUR Regression [DataSet1] D:\dat1.sav Descriptive Statistics Mean X3 X1 X2

.0000000 .0000000 .0000000

Std. Deviation 1.00000000 1.00000000 1.00000000

N 115 115 115

42 Correlations X3

X1

X2

Pearson Correlation X3

1.000

.154

.279

X1

.154

1.000

-.066

X2 X3 X1 X2 X3 X1 X2

.279 . .050 .001 115 115 115

-.066 .050 . .243 115 115 115

1.000 .001 .243 . 115 115 115

Sig. (1-tailed)

N

Variables Entered/Removedb Model

Variables Entered

Variables Removed

1 X1a 2 X2a a. All requested variables entered. b. Dependent Variable: X3

Method . Enter . Enter

Model Summaryc Model

R

R Square

Adjusted R Square

a

1 .154 .024 b 2 .328 .108 a. Predictors: (Constant), X1 b. Predictors: (Constant), X1, X2 c. Dependent Variable: X3

Std. Error of the Estimate

.015 .092

DurbinWatson

.99239821 .95294935

1.591

ANOVAc Sum of Squares

Model 1

Regression

df

Mean Square

2.711

1

2.711

111.289

113

.985

Total 114.000 2 Regression 12.291 Residual 101.709 Total 114.000 a. Predictors: (Constant), X1 b. Predictors: (Constant), X1, X2

114 2 112 114

6.146 .908

Residual

F

Sig.

2.753

.100a

6.768

.002b

43 ANOVAc Sum of Squares

Model 1

Regression

df

Mean Square

F

2.711

1

2.711

111.289

113

.985

Total 114.000 2 Regression 12.291 Residual 101.709 Total 114.000 a. Predictors: (Constant), X1 b. Predictors: (Constant), X1, X2 c. Dependent Variable: X3

114 2 112 114

6.146 .908

Residual

Sig.

2.753

.100a

6.768

.002b

Coefficientsa Unstandardized Coefficients Model

B

1 (Constant)

-3.366E-16

Standardized Coefficients

Std. Error

Beta

.093

X1 -.066 .093 -.066 2 (Constant) -4.976E-16 .089 X1 .173 .089 .173 X2 .291 .089 .291 a. Dependent Variable: X3 Collinearity Diagnosticsa Dimen Model sion Eigenvalue 1

1

Condition Index

Collinearity Statistics t

Sig.

Tolerance

.000

1.000

0.659 .000 1.938 3.248

.100 1.000 .045 .002

Variance Proportions (Constant)

X1

X2

1.000

1.000

1.00

.00

2 1.000 2 1 1.066 2 1.000 3 .934 a. Dependent Variable: X3

1.000 1.000 1.032 1.068

.00 .00 1.00 .00

1.00 .47 .00 .53

.47 .00 .53

VIF

1.000

1.000

.996 .996

1.004 1.004

44 Residuals Statisticsa Minimum

Maximum

Mean

Predicted Value -.7227342 .7534673 .0000000 Std. Predicted Value -2.201 2.295 .000 Standard Error of .093 .315 .147 Predicted Value Adjusted Predicted Value -.6180289 .7892945 .0019320 Residual -2.80228853 1.71782827 .00000000 Std. Residual -2.941 1.803 .000 Stud. Residual -3.000 1.821 .000 Deleted Residual -2.91744828 1.75237310 -.00193196 Stud. Deleted Residual -3.115 1.840 -.002 Mahal. Distance .093 11.483 1.983 Cook's Distance .000 .123 .009 Centered Leverage Value .001 .101 .017 a. Dependent Variable: X3

Std. Deviation

N

.32835853 1.000 .044

115 115 115

.33118342 .94455316 .991 1.004 .96953014 1.012 1.940 .015 .017

115 115 115 115 115 115 115 115 115

45 Berdasarkan output SPSS tersebut maka dapat dijelaskan koefisien jalur pada Tabel 7 sebagai berikut. Tabel 7. Hasil Koefisien Analisis Jalur Variabel Variabel Beta (β) Bebas Terikat X1 X2 -0,06 X1 X3 0,173** X2 X3 0,291** Keterangan: ** signifikan di bawah 0,05

t-hitung

ρ-value

0,659 1,938 3,248

0,100 0,045 0,002

Berdasarkan tabel 2 dapat dihitung jalur sebagai berikut. Hubungan langsung X1 ke X3

=

Hubungan tidak langsung X1 ke X2 ke X3

= (-0,06) x (0,291)

Total Efect

0,173 = 0,017 + 0,190

46 SOAL 6. MEMBANDINGKAN HASIL SEM (SOAL 1) 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 X1 dibentuk dari hasil reduksi atau analisis faktor yang terdiri dari X11, X12 dan X13 demikian juga dengan variabel X2 dan X3, sedangkan SEM dibentuk langsung dari variabel laten tanpa perlu melakukan reduksi terlebih dahulu.

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

Recommend Documents