Stuctural Equation Model

Reliabilitas Validitas
Structural Equation Modelling
STUCTURAL EQUATION MODEL

Teknik SEM memungkinkan seorang peneliti menguji beberapa variabel
dependen sekaligus dengan beberapa variabel independen. Model Persamaan Struktural
(SEM) adalah sekumpulan teknik-teknik statistikal yang memungkinkan pengujian
sebuah rangkaian hubungan yang relatif rumit secara simultan. Hubungan yang rumit itu
dapat dibangun antara satu atau beberapa variabel dependen dengan satu atau beberapa
variabel independent. Masing-masing variabel dependen dan independent dapat
berbentuk factor (atau konstruk, yang dibangun dari beberapa variabel indicator ). Tentu
saja variabel-variabel itu dapat berbentuk sebuah variabel tunggal yang diobservasi atau
yang diukur langsung dalam proses sebuah penelitian.
Nama-nama Structural Equation Model :
1. Causal Modelling,
2. Causal Analysis,
3. Simultaneous Equation Modelling,
4. Path Analysis,
5. Confirmatory Factor Analysis,
6. Covariance Structure Analysis,
7. Covariance Structure Modeling,
8. Analysis of Covariance Structures, dan
9. Latent variable Structural Equation Modeling
Keuntungan SEM
o Dapat menguji hipothesis model hubungan yang kompleks. Model dapat
menguji banyak kombinasi efek langsung, efek tidak langsung, mediating, dan
moderating.
o Mengutamakan Pertimbangan riset teoritis .
o Dapat digunakan untuk memecahkan masalah multi-collinearitas
o Koreksi untuk kesalahan pengukuran (measurement error) dan menetapkan
content validity dari indikator.
o Menyediakan hasil perkiraan yang akurat, estimasi parameter populasi yang
tidak bias.
-1-
o Ditampilkan oleh suatu bahasa grafis yang mempertimbangkan suatu metoda

menyenangkan untuk mempresentasikan hubungan.
Kerugian SEM
o Memerlukan sample besar.
o Berfokus pada kesesuaian model , bukan hubungan antara dua variabel.
o Menetapkan suatu model dapat merupakan suatu proses yang kompleks , dan
o perangkat lunak bukanlah " dapat digunakan secara mudah". Apalagi, notasi
mungkin bermacam-macam dari suatu program ke program lain.
o SEM tidaklah mudah untuk dipahami seperti pendekatan pada riset tradisional.
SEM dapat digunakan baik untuk membuat analisis regresi, analisis factor, dan terutama
kombinasi analisis factor dan analisis regresi. SEM merupakan generasi kedua teknik
analisis multivariate yang memungkinkan peneliti untuk menguji hubungan antara
variabel yang kompleks untuk memperoleh gambaran menyeluruh mengenai keseluruhan
model.
SEM menguji secara bersama-sama :
1. Model Structural : Hubungan antara konstruk independent dan dependen
2. Model Measurement : Hubungan antara indicator dengan konstruk
Konstruk / Variabel Laten : Variabel yang tidak bisa diukur secara
langsung dan memerlukan beberapa indicator sebagai proksi
Variabel Manifest : Indikator-indikator yang dapat diukur
Variabel e atau d (error) : menggambarkan measurement error dari
variabel terobservasi yang digunakan untuk mendefinisikan sebuah
variabel laten
Contoh :
Mengukur hubungan kepribadian dan kemampuan berinteraksi. Namun keduanya
tidak dapat langsung diukur sehingga menggunakan beberapa indicator.
Kepribadian diukur dengan rasa persahabatan dan keramahtamahan
Kemampuan Berinteraksi diukur dengan diterima oleh masyarakat dan tingkat
kebersamaan
masing-masing indicator diukur dengan skala Likert ( 1-5 )
-2-
Kepribadian Kemampuan
Berinteraksi
Rasa Keramah Diterima Tingkat

Persahabatan tamahan Masyarakat Kebersamaan
Konvesi SEM
Beberapa konvensi yang berlaku dalam diagram SEM adalah :
Variabel Terukur (Measured Variable) :
Variabel ini disebut juga observed variables, indicator variables atau manifest
variables, digambarkan dalam bentuk segi empat atau bujur sangkar. Variabel terukur
adalah yang datanya harus dicari melalui penelitian lapangan misalnya melalui survey.
Variabel Eksogen dan Endogen
Variabel eksogen adalah variabel yang tidak dituju oleh satu atau beberapa anak
panah. Variabel endogen adalah variabel yang dituju oleh satu atau beberapa anak panah.
Faktor :
Factor adalah sebuah variabel bentukan, yang dibentuk melalui indicator-
indikator yang diamati dalam dunia nyata. Dapat juga disebut variabel laten, atau
konstruk, unobserved variable. Digambarkan dalam bentuk diagram lingkar atau oval
atau elips.
Garis dengan satu anak panah
Menunjukkan hubungan antara dua variabel, dimana variabel yang dituju anak
panah merupakan variabel dependen ( menunjukkan regresi ).
Garis dengan dua anak panah
Digunakan untuk menggambarkan kovarians dan korelasi antara dua buah
variabel.
-3-
Contoh :
E
Informasi
Konsumen
Informasi Derajad
E
Pesaing Orientasi Pasar
Volume
Koordinasi E
E D Penjualan
Lintas Fungsi
KINERJA Pertumbuhan
E
PEMASARAN Pelanggan
Pertumbuhan
E
Penjualan
Tingkat
Tayangan Iklan
SEM cocok digunakan untuk :

1. Mengkonfirmasi unidimensionalitas dari berbagai indicator untuk sebuah
konstruk/konsep/factor.
2. Menguji kesesuaian/ketepatan sebuah model berdasarkan data empiris yang
diteliti.
3. Menguji kesesuaian model sekaligus hubungan kausalitas antar factor yang
dibangun/diamati dalam model tersebut.
TAHAP-TAHAP SEM
1. Konseptualisasi Model
Pengembangan hipotesis berdasarkan teori sebagai dasar dalam menghubungkan
variabel laten dengan variabel laten lainnya.
2. Penyusunan Diagram Alur
Memudahkan dalam memvisualisasikan hipotesis yang diajukan.
3. Spesifikasi Model
-4-
Menggambarkan sifat dan jumlah parameter yang diestimasi.

4. Identifikasi Model
Informasi yang diperoleh dari data diuji untuk menentukan apakah cukup untuk
mengestimasi parameter dalam model. Disini didapatkan seluruh nilai parameter,
bila tidak maka perlu modifikasi model.
5. Estimasi Parameter
Uji signifikansi dilakukan dengan menentukan apakah parameter yang dihasilkan
secara signifikan berbeda dari nol.
6. Penilaian Model Fit
Model dikatakan fit bila kovarians matrik suatu model adalah sama dengan
kovarians matrik data.
7. Modifikasi Model
Apakah perlu modifikasi model atas hasil tahap keenam.
8. Validasi Silang Model
Menguji fit atau tidaknya model terhadap suatu data baru. Penting bila terdapat
modifikasi.
Konseptualisasi Model :
1. Hubungan yang dihipotesiskan antar variabel laten harus ditentukan.
Variabel Endogeneous : variabel dependen (namun juga bisa menjadi variabel
eksogen bagi variabel endogen lainnya).
Juga terdapat error terms yang mempengaruhinya.
2. Pengukuran model dan menghubungkannya dengan operasionalisasi variabel
laten. Indicator reflektif dipengaruhi variabel laten, indicator formatif
mempengaruhi variabel laten.
Indicator untuk menilai Model Fit :
1. Chi Square dan Probabilitas
Nilai Chi Square 0 menunjukkan model memiliki fit yang sempurna. Probabilitas
Chi Square diharapkan tidak signifikan. Nilai probabilitas yang tidak signifikan (
> 0,05 ) adalah yang diharapkan.
2. Goodness of Fit Indices
-5-
Nilai GFI berkisar antara 0-1. Nilai yang labih besar dari 0,9 menunjukkan fit
suatu model yang baik.
3. Adjusted Goodness of Fit Index
Model yang fit adalah yang memiliki nilai AGFI 0,9.
4. Root Mean Square Error of Aproximation ( RMSEA )
Nilai RMSEA yang kurang dari 0,05 mengindikasikan model yang fit, berkisar
antara 0,08 memiliki fit yang cukup, sedangkan jika lebih besar dari 0,1 memiliki
model fit sangat jelek. Dengan interval keyakinan yang juga kecil. Model fit jika
Pvalue for test of close fit ( RMSEA < 0,05 ) harus lebih besar dari 0,5.
5. Expected Cross Validation Index
Model fit jika nilai ECVI lebih rendah daripada saturated model dan
independence model.
6. Akaikes Information Criterion (AIC) dan (CAIC)
Suatu model dikatakan fit jika nilai AIC dan CAIC lebih kecil daripada AIC dan
CAIC model Saturated dan Independence.
7. Fit Index
Normed Fit Index ( NFI ) dan Comparatif Fit Index ( CFI ) bernilai antara 0 dan 1.
Suatu model dikatakan fit jika nilai NFI dan CFI lebih besar dari 0,9.
-6-
PATH ANALYSIS (ANALISIS JALUR)

Analisis Path merupakan teknik statistic yang digunakan untuk menguji
hubungan kausal antara dua atau lebih variabel. Analisis Path didasarkan pada system
persamaan linear yang pertama kali dikembangkan Wright tahun 1930an. Analisis Path
memungkinkan pengujian dengan menggunakan variabel mediating / intervening /
perantara.
Contoh :
X1 Y1 e
X3 e
X2 Y2 e
Model pada gambar di atas dapat diekspresikan kedalam pernyataan :

X3 = X1 X2
Y1 = X3 X1
Y2 = X3 X2
Persamaan tersebut dapat dinyatakan sebagai berikut :
X3 dipengaruhi oleh X1 dan X2
Y1 dipengaruhi oleh X3 dan X1
Y2 dipengaruhi oleh X3 dan X2
Dalam menyiapkan analisis jalur dilakukan dengan menggunakan langkah-
langkah:
1. Pengembangan Model Berbasis Teori
Langkah pertama adalah pencarian atau pengembangan sebuah model yang
memiliki justifikasi teoretis yang kuat, kemudian divalidasi secara empirik. Seorang
peneliti harus melakukan telaah pustaka yang mendalam dan relevan untuk dapat
memberikan justifikasi terhadap model yang dikembangkannya.
Dengan demikian output yang dihasilkan langkah ini adalah :
Dukungan teori yang cukup untuk semua hypothesis yang dihasilkan
Rumusan hypothesis penelitian
-7-
2. Pengembangan Diagram Alur (Path Diagram)

Path Diagram akan mempermudah peneliti melihat hubungan-hubungan
kausalitas yang ingin diujinya. Atas dasar model teoritis pada langkah pertama,
sebuah path diagram dapat dikembangkan.
Contoh :
STUDI MENGENAI DETERMINAN KINERJA PEMASARAN
EFEKTIVITAS PERTUMBUHAN
MANAJEMEN PELANGGAN Z
PELANGGAN
DERAJAD VOLUME
INTENSITAS PENJUALAN PROFITABILITAS
PROMOSI PEMASARAN
Z Z
DERAJAD
ORIENTASI
PASAR
Konstruk-konstruk yang dibangun pada diagram alur di atas adalah :

1. Konstruk Eksogen (Exogenous Constructs)
Dikenal juga sebagai source variables atau independent variables yang tidak
diprediksi oleh variabel lain dalam model. Dalam contoh terdapat 3 kostruk
eksogen yaitu Efektivitas manajemen pelanggan, Derajad intensitas promosi, dan
Derajad orientasi pasar. Konstruk ini diawali dari garis dengan 1 anak panah.
2. Konstruk Endogen (Endogenous Constructs)
Adalah factor-faktor yang diprediksi oleh satu atau beberapa konstruk.
Dalam contoh, konstruk endogen adalah Pertumbuhan Pelanggan, Volume Penjualan,
dan Profitabilitas Pemasaran.
-8-
3. Konversi Diagram Alur ke dalam Persamaan

Setelah model teoritis dikembangkan dan digambarkan dalam sebuah
diagram, peneliti mulai melakukan konversi spesifikasi model dalam rangkaian
persamaan.
Variabel Endogen = Variabel Eksogen + Variabel Endogen + Error
PL = 1 EMP + Z1
VP = 2 PL + 3 EMP + 4 DIP + 5 DOP + Z2
PP = 6 VP + Z3
4. Memilih Matriks Input dan Estimasi Model Kovarians atau Korelasi
Analisis ini juga menggunakan matriks kovarians dan matriks korelasi untuk
melakukan estimasi parameter. Matriks kovarian umumnya banyak digunakan
dalam penelitian yang direkomendasikan Baumgartner dan Homburg (1996), sebab
standar error yang dilaporkan umumnya kurang akurat bila menggunakan matriks
korelasi. Hair (1996) juga menyarankan untuk menggunakan matriks
varians/kovarians.
5. Uji Asumsi Model
Asumsi-asumsi yang harus dipenuhi adalah sebagai berikut :
1. Ukuran sample
Ukuran sample memegang peranan penting dalam estimasi dan interpretasi
hasil-hasil SEM. Dengan menggunakan pendekatan Tabachnick dan Fidell (1998),
ukuran smpel yang dibutuhkan adalah antara 10-25 kali jumlah variabel
independen yang digunakan.
2. Normalitas Data
Bila asumsi ini tidak dipenuhi maka analisis tidak dapat dilanjutkan, sehingga
dibutuhkan proses untuk menormalisir data.
3. Outlier
Outlier adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara
univariate maupun multivariate yaitu yang muncul karena kombinasi
karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-
observasi lainnya. Bila terdapat alas an yang kuat untuk mengeluarkannya, barulah
outlier itu dikeluarkan.
-9-
4. Multikolinearitas Variabel Independen Eksogen

Penelitian dapat melihat bahwa bila korelasi antar variabel independen
eksogennya tinggi, maka model yang dikembangkan perlu dipertimbangkan lagi.
6. Estimasi Model
Pengujian hipothesis dilakukan seperti umumnya pengujian dalam SEM yaitu :
Analisis atas Kesesuaian Model ( Goodness of Fit ) yaitu menguji hipotesis nol
yang menyatakan bahwa tidak terdapat perbedaan antara matriks kovarian data
sampel dengan matriks kovarian populasi yang diestimasi.
Goodness of fit Index Cut off Value
2 Chi Square Diharapkan kecil
Significance Probability 0.05
RMSEA 0.08
GFI 0.90
AGFI 0.90
CMIN/DF 2.00
TLI 0.95
CFI 0.95
Analisis atas koefisien jalur (path coefficients) dianalisis melalui signifikansi

besaran regression weight dari model. Pengujian ini juga menunjukkan besaran dari
efek menyeluruh, efek langsung, serta efek tidak langsung dari satu variabel ke
variabel lainnya.
7. Interpretasi dan Modifikasi Model
Langkah terakhir adalah menginterpretasikan model dan memodifikasi model
bagi model-model yang tidak memenuhi syarat pengujian yang dilakukan. Setelah
diestimasi, residualnya haruslah kecil atau mendekati nol dan distribusi frekuensi dari
kovarians residual harus bersifat simetrik ( Tabachnick dan Fidell, 1997 ).
- 10 -
PENGENALAN PROGRAM AMOS (Analysis of Moment Structures)

Suatu paket program SEM, oleh karena menggunakan grafis maka pemakaiannya lebih
mudah dan ramah sehingga, menjadi populer sebagai suatu yang lebih mudah cara
menetapkan model struktural.
Setelah menginstall software AMOS klik icon AMOS Graphics, maka akan muncul
Tampak di tengah window adalah area berbentuk segi empat yang menggambarkan
selembar kertas yang nanti akan digunakan untuk menggambar model structural secara
grafik. Selain itu terdapat menu File, Edit, View, Diagram, Analyze, Tools, Plugins,
dan Help. Amos juga menampilkan Tool Box window untuk menggambar operasi
permodelan.
Data File
Amos dapat membaca file yang dibuat dari berbagai format database seperti SPSS,
Excel, Foxpro, Lotus, MS Access dan Text.
- 11 -
MAGISTER MANAJEMAN
FAKULTAS EKONOMI UNIVERSITAS DIPONEGORO
Jl. Erlangga Tengah No.17 Semarang
Kepada Yth:
Karyawan/karyawati Bank Mandiri
Semarang
Dengan hormat,
Berkaitan dengan penelitian yang kami lakukan dalam rangka menyelesaikan
studi pada Magister Manajemen Fakultas Ekonomi Universitas Diponegoro
Semarang mengenai Burnout, Kepuasan Kerja dan Service Quality, kami mohon di
tengah kesibukan bapak dalam bekerja bersedia untuk meluangkan waktu guna
mengisi angket yang saya sertakan berikut ini.
Jawaban-jawaban yang bapak berikan sangat berguna bagi saya dalam
menyusun penelitian tesis dan berguna bagi bapak dan bagi instansi tempat bapak
bekerja. Oleh karena itu, saya mengharapkan kesediaan bapak untuk memberiakan
jawaban sejujurnya tanpa pengaruh dari pihak lain.
Semua jawaban yang bapak berikan akan dijaga kerahasiaannya. Selain itu
perlu saya beritahukan bahwa jawaban bapak ini sama sekali tidak mempengaruhi
nama baik bapak dalam instansi ini.
Atas bantuan dan kerjasamanya saya mengucapkan banyak terima kasih.
Hormat saya,
Alief Widyo Aryasri
- 12 -
No :
Nama :
Usia :
Jenis Kelamin :
Pendidikan terakhir :
Masa kerja :
PETUNJUK:
ANGKET BURNOUT
Berikut ini akan disajikan sejumlah pernyataan, cara menjawab pernyataan-pernyataan
tersebut adalah dengan memberikan tanda silang (X) pada salah satu jawaban yang paling
sesuai dengan pendapat dan keadaaan diri anda dengan memberi tanda silang (X) pada
kotak dimana dibawahnya terdapat nomor dalam skala 1 7. Skala 1 berarti pendapat
Anda jarang mengalami pernyataan yang dimaksud, dan skala 7 berarti pendapat Anda
sangat sering mengalami pernyataan yang dimaksud.
ANGKET KEPUASAN KERJA DAN KUALITAS PELAYANAN

Anda diharapkan untuk menjawab pertanyaan-pertanyaan berikut dengan memberi tanda
silang (X) pada kotak dimana dibawahnya terdapat nomor dalam skala 1 7. Skala 1
berarti pendapat Anda sangat tidak setuju atau terhadap pernyataan, dan skala 7 berarti
pendapat Anda sangat setuju terhadap pernyataan.
- 13 -
BURNOUT
Keterangan :
1 2 3 4 5 6 7
Sangat
Jarang sering
No. Pernyataan 1 2 3 4 5 6 7
1 Saya merasa kelelahan secara emosional dalam

melakukan pekerjaan saya
2 Saya merasa jenuh dengan pekerjaan saya
apa yang anda rasakan ketika melakukkan pekerjan anda?
3 Saya manjadi tidak perduli apa yang terjadi

terhadap orang-orang yang membutuhkan
bantuan saya.
4 Bekerja dengan orang lain secara langsung
menambah tekanan (stres) terlalu banyak
kepada saya
hal-hal apa saja yang memberikan tekanan dalam pekerjaan anda?
5 Saya Belem mencapai hal-hal yang berharga

dalam pekerjaan saya.
6 Saya merasa kurang yakin dengan hasil
pekerjaan yang saya lakukan
Seberapa besar keyakinan anda atas hasil pekerjaan yang anda lakukan?
- 14 -
4.2.1 Analisis Data Kuantitatif

Analisis data yang digunakan dalam penelitian ini adalah Structural Equation
Model (SEM). Namun demikian beberapa tahapan analisis akan dilakukan untuk
membentuk satu model yang terbaik. Input data yang digunakan dalam penelitian ini adalah
matrik varians/kovarians. Matriks kovarian dinilai memiliki keuntungan dalam
memberikan perbandaingan yang valid antar populasi atau sampel yang berbeda, yang
kadang tidak memungkinkan jika menggunakan model matriks korelasi.
Model estimasi yang digunakan adalah maximum likelihood estimation karena
jumlah data yang berada padakisaran 100 200 buah. Sebelum pada pengujian model
penuh, terlebih dahulu akan dilakukan pengujian secara bertahap yakni estimasi
measurement model dengan teknik confirmatory factor analysis.
4.2.2 Analisis Faktor Konfirmatori (Confirmatory Faktor Analysis)
Analisis faktor konfirmatori ini merupakan tahap pengukuran terhadap dimensi-
dimensi yang membentuk variabel laten dalam model penelitian. Variabel-variabel atau
konstruk laten yang digunakan pada model penelitian ini terdiri dari 4 variabel.
Tujuan dari analisis faktor konfirmatori adalah untuk menguji validitas dari
dimensi-dimensi pembentuk masing-masing variabel laten. Confirmatory factor analysis
akan dilakukan terhadap setiap variable laten maupun untuk konstruk variabel eksogen
dan endogen.
1. Confirmatory Factor Analysis Masing-masing Variable Laten.
Hasil confirmatory factor analysis adalah pengukuran terhadap dimensi-dimensi
yang membentuk variabel laten dalam model penelitian. Hasilnya diringkas sebagai berikut
:
- 15 -
Tabel 4.13
Confirmatory Factor Analisis Variabel latent
Goodness of fit measurement Dimensi Loading factor
Burnout
Chi square = 0,000 X1 0.880
Prob = - X2 0.896
X3 0.829
Kepuasan Kerja
Chi square = 11,533 X4 0.887
Prob = 0,241 > 0,05 X5 0.844
X6 0.849
X7 0.818
X6 0.811
X9 0.907
Kinerja
Chi square = 10,222 X10 0.878
Prob = 0,333 > 0,05 X11 0.889
X12 0.880
X13 0.897
X14 0.875
X15 0.886
Service Quality
Chi square = 6,402 X16 0.890
Prob = 0,269 X17 0.851
X18 0.895
X19 0.861
X20 0.826
Hasil analisis pengolahan data terlihat bahwa semua konstruk yang digunakan untuk
membentuk sebuah model penelitian, pada proses analisis faktor konfirmatori telah
memenuhi kriteria goodness of fit yang telah ditetapkan. Nilai probability pada analisis
ini menunjukkan nilai diatas batas signifikansi yaitu 0.05.
Dari hasil pengolahan data di atas, juga terlihat bahwa setiap indikator atau
dimensi pembentuk masing-masing variable laten menunjukkan hasil baik, yaitu dengan
nilai loading factor yang tinggi dimana masing-masing indikator lebih besar dari 0,5.
Dengan hasil ini, maka dapat dikatakan bahwa indikator-indikator pembentuk variabel
laten konstruk-kontruk variable laten tersebut sudah menunjukkan hasil yang baik.
- 16 -
2. Analisis Faktor Konfirmatori Konstruk Eksogen

Variabel-variabel laten atau konstruk eksogen terdiri dari 2 variabel laten dan
terdiri dari 9 dimensi. Hasil pengolahan data untuk analisis faktor konfirmatori konstruk
eksogen adalah sebagai berikut :
Gambar 4.1
Confirmatory factor analysis konstruk eksogen
-.25
UJI MODEL
e1 x1 .83
.69 Chi square = 36.937 (df = 26)
.89 Prob = .076
e2 x2 Burnout Kepuasan
.80 Kerja RMSEA = .064
.88 Chi square / df = 1.421
e3 x3 GFI = .929
.78 AGFI = .877
.89 .84
.85 .82 .81 .91 TLI = .979
CFI = .985
x4 x5 x6 x7 x8 x9
.79 .71 .72 .67 .65 .82
e4 e5 e6 e7 e8 e9
Ringkasan uji kelayakan model confirmatory factor analysis konstruk endogen

tersebut adalah sebagai berikut :
Tabel 4.14
Confirmatory Factor Analysis Konstruk Eksogen
Goodness of Fit Cut-off Value Hasil Analisis Evaluasi
Indeks Model
Chi Square (df = 26) 36.937
Probability 0.05 0.076 Baik
RMSEA 0.08 0.064 Baik
GFI 0.90 0.929 Baik
AGFI 0.90 0.877 Cukup Baik
TLI 0.95 0.979 Baik
CFI 0.95 0.985 Baik
Sumber : Data penelitian yang diolah
ini menunjukkan nilai diatas batas signifikansi yaitu sebesar 0.076 (p > 0.05), nilai ini
- 17 -
menunjukkan tidak adanya perbedaan antara matriks kovarian sample dengan matriks
kovarian populasi yang diestimasi.
3. Analisis Faktor Konfirmatori Konstruk Endogen

Variabel-variabel laten atau konstruk endogen terdiri dari 2 variabel laten dengan
11 dimensi. Hasil pengolahan data untuk analisis faktor konfirmatori konstruk endogen
adalah sebagai berikut :
Gambar 4.2
Confirmatory factor analysis konstruk endogen
.76
x10 e10
.87 .79
.89
x11 e11
.78
.88 x12 e12
Kinerja
Karyawan .90 .80
x13 e13
.87
UJI MODEL .89
.76
x14 e14
Chi square = 43.768 (df = 43) .79
Prob = .439 x15 e15
RMSEA = .013 .50
Chi square / df = 1.018 .80
GFI = .930 x16 e16
AGFI = .893 .89
TLI = .999 .73
CFI = .999 .85 x17 e17
.90 .80
Service x18 e18
Quality
.86 .73
.83 x19 e19

.68
x20 e20
Ringkasan uji kelayakan model confirmatory factor analysis konstruk endogen

tersebut adalah sebagai berikut :
- 18 -
Tabel 4.15
Confirmatory Factor Analysis Konstruk Endogen
Goodness of Fit Cut-off Value Hasil Analisis Evaluasi
Indeks Model
Chi Square (df = 43) 43.768
GFI 0.90 0.930 Baik
AGFI 0.90 0.893 Baik
TLI 0.95 0.999 Baik
CFI 0.95 0.999 Baik
ini menunjukkan nilai diatas batas signifikansi yaitu sebesar 0.439 atau diatas 0.05, nilai ini
menunjukkan tidak adanya perbedaan antara matriks kovarian sample dengan matriks
kovarian populasi yang diestimasi.
4.2.3 Analisis Full Model-Structural Equation Model

Analisis hasil pengolahan data pada tahap full model SEM dilakukan dengan
melakukan uji kesesuaian dan uji statistik. Hasil pengolahan data untuk analisis full
model SEM ditampilkan pada Gambar 4.3
- 19 -
Gambar 4.3
Hasil Pengujian Full Model-Structural Equation Model (SEM)
UJI MODEL .77
x10 e10
Chi square = 188.683 (df = 167) .88 .79
Prob = .120 x11 e11
RMSEA = .035 .89
Chi square / df = 1.130 .78
.88 x12 e12
GFI = .858
Kinerja
AGFI = .821 .90 .80
Karyawan
TLI = .987 x13 e13
CFI = .989 .87
.43
.66 .88 .76
z1 x14 e14
z2
e1 x1 .83 .06 .78
.69 x15 e15
.89 -.24 Kepuasan

e2 x2 Burnout .79
.80 .88
Kerja x16 e16
z3 .89
e3 x3 .72 .73
.78 .52 .86 x17 e17

.89 .84 .91
.85 .81 .81
Service .90 .80
x18 e18
Quality
.85
.73
x4 x5 x6 x7 x8 x9 .83 x19 e19

.79 .71 .72 .66 .66 .82 .69
x20 e20
e4 e5 e6 e7 e8 e9
- 20 -
Uji terhadap kelayakan model menunjukkan bahwa model ini sesuai dengan
data atau fit terhadap data yang digunakan dalam penelitian adalah seperti telihat pada
tabel
berikut ini :
Tabel
4.16
Structural Equation Model
(SEM)
Goodness of Fit Indeks Cut-off Value Hasil Analisis Evaluasi Model

Chi Square 188.683
GFI 0.90 0.858 Kurang
AGFI 0.90 0.821 Kurang
TLI 0.95 0.987 Baik
CFI 0.95 0.989 Baik
Chi square / df 2.00 1.130 Baik
Hasil analisis pengolahan data terlihat bahwa semua konstruk yang
digunakan untuk membentuk sebuah model penelitian, pada proses analisis full model
SEM telah memenuhi kriteria goodness of fit yang telah ditetapkan. Nilai probability
pada analisis ini menunjukkan nilai diatas batas signifikansi yaitu sebesar 0.120 (p >
0.05). Nilai ini menunjukkan tidak adanya perbedaan antara matriks kovarian prediksi
dengan matriks kovarian yang diestimasi. Ukuran goodness of fit lain juga menunjukkan
pada kondisi yang baik meskipun GFI dan AGFI belum mencapai nilai 0,90.
Untuk mendapatkan model yang baik, akan terlebih dahulu diuji masalah
penyimpangan terhadap asumsi SEM.
4.2.4 Analisis Asums SEM
1. Evaluasi Normalitas Data
Asumsi normalitas data diuji dengan melihat nilai skewness dan kurtosis dari data
yang digunakan. Apabila nilai CR pada skewness maupun kurtosis data berada pada
rentang antara + 2.58, maka data masih dapat dinyatakan berdistribusi pada tingkat
signifikansi 0.01. Hasil pengujian normalitas data ditampilkan pada Tabel 4.17
Tabel 4.17
Normalitas Data
min Max Skew c.r. kurtosis c.r.
- 21 -
x20 2 7 -0.268 -1.121 -0.805 -1.685
x19 2 7 -0.305 -1.277 -0.700 -1.464
x18 2 7 -0.497 -2.081 -0.354 -0.740
x17 2 7 -0.508 -2.124 -0.596 -1.247
x16 2 7 -0.468 -1.957 -0.583 -1.219
x15 1 7 -0.806 -2.372 0.694 1.452
x14 1 7 -0.602 -2.416 0.142 0.298
x13 1.5 7 -0.480 -2.007 -0.661 -1.382
x12 1 7 -0.690 -2.388 0.406 0.849
x11 1.5 7 -0.556 -2.327 -0.086 -0.181
x10 1 7 -0.625 -2.413 0.061 0.127
x4 1 7 -0.806 -2.370 0.043 0.090
x5 1.5 7 -0.795 -2.326 -0.114 -0.239
x6 1 7 -0.552 -2.308 -0.291 -0.609
x7 1 7 -0.557 -2.331 -0.449 -0.940
x8 1 7 -0.571 -2.387 -0.091 -0.190
x9 1 7 -0.885 -1.703 0.288 0.602
x1 1 5.5 0.582 2.437 0.045 0.093
x2 1 5.5 0.621 2.497 -0.294 -0.614
x3 1 5.5 0.401 1.679 -0.687 -1.437
Multivariate 13.138 2.269
Sumber : Data primer yang diolah
- 22 -
Hasil pengujian normalitas data sebagaimana pada Tabel 4.17 menunjukkan

bahwa tidak terdapat nilai C.R. untuk skewness dan kurtosis untuk multivariate yang berada
diluar rentang + 2.58. Dengan demikian maka data penelitian yang digunakan telah
memenuhi persyaratan normalitas data, atau dapat dikatakan bahwa data penelitian telah
terdistribusi normal. Meskipun demikian pengujian normalitas secara univariate masih
menunjukkan beberapa masih memiliki nilai skewness yang lebih kecil dari 3. Namun
karena analisis SEM merupakan analisis multivariate, maka dalam hal ini normalitas
multivariate akan lebih dipentingkan daripada normalitas univariate. Dengan demikian
asumsi data yang normal dalam hal ini dapat terpenuhi.
2. Evaluasi atas Outlier
Evaluasi atas outlier univariat dan outlier multivariat disajikan pada bagian
berikut ini:
a. Univariate Outliers
Pengujian ada tidaknya outlier univariate dilakukan dengan menganalisis nilai Z
score dari data penelitian yang digunakan. Apabila terdapat nilai Z score berada pada
rentang 3, maka akan dikategorikan sebagai outlier. Hasil pengolahan data untuk
pengujian ada tidaknya outlier ada pada Tabel 4.18
Tabel 4.18
Pengujian outlier univariate
N Minimum Maximum Mean Std. Deviation

Zscore(x1) 105 -1.75310 2.72441 .0000000 1.00000000
Zscore(x2) 105 -1.45723 2.41097 .0000000 1.00000000
Zscore(x3) 105 -1.64103 2.53896 .0000000 1.00000000
Zscore(x4) 105 -2.90446 1.51537 .0000000 1.00000000
Zscore(x5) 105 -2.56791 1.52869 .0000000 1.00000000
Zscore(x6) 105 -2.76192 1.43593 .0000000 1.00000000
Zscore(x7) 105 -2.60271 1.50169 .0000000 1.00000000
Zscore(x8) 105 -2.83259 1.48831 .0000000 1.00000000
Zscore(x9) 105 -2.86180 1.44629 .0000000 1.00000000
Zscore(x10) 105 -2.84454 1.50512 .0000000 1.00000000
Zscore(x11) 105 -2.89159 1.52612 .0000000 1.00000000
Zscore(x12) 105 -2.89301 1.42083 .0000000 1.00000000
Zscore(x13) 105 -2.44081 1.46381 .0000000 1.00000000
Zscore(x14) 105 -2.89623 1.53247 .0000000 1.00000000
Zscore(x15) 105 -3.26345 1.52345 .0000000 1.00000000
Zscore(x16) 105 -2.46506 1.57287 .0000000 1.00000000
Zscore(x17) 105 -2.49267 1.55889 .0000000 1.00000000
- 23 -
Zscore(x18) 105 -2.38187 1.52589 .0000000 1.00000000

Zscore(x19) 105 -2.37036 1.53070 .0000000 1.00000000
Zscore(x20) 105 -2.37956 1.61810 .0000000 1.00000000
Valid N (listwise) 105
Sebaran data untuk setiap variabel menunjukkan adanya indikasi outlier pada x15.
Hal ini ditunjukkan dengan nilai Z score minimum di bawah 3. Namun demikian
pertimbangan untuk melihat apakah secara multivariat masih terdapat outlier perlu
dipertimbangkan untuk mengeluarkan data dari sampel. Berikut adalah hasil pengujian
multivariate outlier.
b. Multivariate Outliers
Evaluasi terhadap multivariate outliers dilakukan dengan mengevaluasi nilai jarak
Mahalonobis (Mahalonobis Distance) untuk tiap-tiap observasi (Hair, et al 1995 dalam
Ferdinand, 2002). Hasil pengujian diperoleh sebagai berikut :
Tabel 4.19
Pengujian outlier multivariate
Observation Mahalanobis
number d-squared p1 p2
7 41.371 0.003 0.296
31 34.628 0.022 0.679
27 34.422 0.023 0.447
39 33.854 0.027 0.318
37 31.775 0.046 0.528
38 31.135 0.053 0.493
18 29.608 0.076 0.700
. . . .
. . . .
. . . .
Tabel tersebut menunjukkan 7 buah sampel dengan nilai jarak mahalianobis

terbesar (d-square terbesar). Nilai-nilai tersebut jika dibandingkan dengan nilai chi-
square pada derajad bebas sebesar 20 (jumlah dimensi) pada tingkat p<0.001 adalah 2(20
,0.001) = 45.314. Dari hasil pengolahan data dapat diketahui bahwa jarak mahalanobis
maksimal 41,371. Jadi dalam analisis ini tidak ditemukan adanya outlier secara
multivariate, sehingga tidak diperlukan ekslusi terhadap data sampel.
- 24 -
3. Evaluasi atas Multicollinearity dan singularity

Pengujian data selanjutnya adalah untuk melihat apakah terdapat multikolinearitas
dan singularitas dalam sebuah kombinasi variabel. Indikasi adanya multikolinearitas dan
singularitas dapat diketahui melalui nilai determinan matriks kovarians yang benar-benar
kecil, atau mendekati nol. Dari hasil pengolahan data nilai determinan matriks kovarians
sample adalah :
Determinant of sample covariance matrix = 0,231
Dari hasil pengolahan data tersebut dapat diketahui nilai determinan matriks
kovarians sample berada jauh dari nol. Dengan demikian dapat dikatakan bahwa data
penelitian yang digunakan tidak terdapat multikolinearitas dan singularitas.
4. Interpretasi dan kemungkinan modifikasi model

Pada tahap terakhir ini akan dilakukan interpretasi model dan memodifikasi
model yang tidak memenuhi syarat pengujian. Setelah model di estimasi, residualnya
haruslah kecil atau mendekati nol dan distribusi frekwensi dari kovarian residual.
Hasil pegujian mendapatkan nilai-nilai standardized residual covariance bahwa
hanya 3 nilai yang menunjukkan lebih besar dari 2,58. Karena tidak da satupun nilai-nilai
standardized residual covariance yang lebih besar dari 2,58, maka dalam hal ini tidak
diperlukan adanya modifikasi model.
4.2.5 Uji Reliability dan Variance Extract
Uji reliabilitas menunjukkan sejauh mana suatu alat ukur yang dapat memberikan
hasil yang relatif sama apabila dilakukan pengukuran kembali pada obyek yang sama. Nilai
reliabilitas minimum dari dimensi pembentuk variabel laten yang dapat diterima adalah
sebesar adalah 0.70.
Pengukuran variance extract menunjukkan jumlah varians dari indikator yang
diekstraksi oleh kosntruk/variabel laten yang dikembangkan. Nilai variance extract yang
dapat diterima adalah minimum 0,50. Hasil pengolahan data ditampilkan pada Tabel
4.20
- 25 -
Tabel 4.20
Reliability dan variance extract
Variabel Reliability Variance
Extract
Burnout 0.976 0.756
Kepuasan Kerja 0.972 0.728
Kinerja 0.979 0.782
Service quality 0.970 0.748
Hasil pengujian menunjukkan semua nilai reliability berada di atas 0,7. Hal ini
berarti bahwa pengukuran model SEM ini sudah memenuhi syarat relaibilitas pengukur.
Nilai variance extract juga berada di atas 0,5. Hal ini berarti bahwa pengukuran model
SEM ini sudah memenuhi syarat ekstraksi faktor yang baik.
4.3. Pengujian Hipotesis
Hasil analisis SEM sebagai langkah pengujian hipotesis adalah sebagai berikut :
Tabel 4.21
Uji hipotesis
Est S.E Std. C.R. P
Est
Kepuasan_Kerja <--- Burnout -0.321 0.139 -0.241 -2.311 0.021
Kinerja_Karyawan <--- Kepuasan_Kerja 0.631 0.088 0.657 7.201 0.000
Service_Quality <--- Kepuasan_Kerja 0.627 0.077 0.720 8.123 0.000
1. Pengujian Hipotesis 1
Parameter estimasi hubungan antara burnout terhadap kepuasan kerja diperoleh
sebesar -0,321. Pengujian hubungan kedua variable tersebut menujukkan nilai C.R = -
2.311 dengan probabilitas = 0,021 (p < 0,05). Hal ini berarti bahwa burnout berpengaruh
negatif terhadap kepuasan kerja. Semakin tinggi burnout akan menurunkan kepuasan
kerja. Dengan demikian H1 (Burnout berpengaruh negatif terhadap Kepuasan kerja) =
diterima
Parameter estimasi hubungan antara kepuasan kerja dengan kinerja diperoleh
sebesar 0,632. Pengujian hubungan kedua variable tersebut menujukkan nilai C.R = 7.201
dengan probabilitas = 0,000 (p < 0,05). Hal tersebut berarti bahwa hipotesis nol ditolak dan
hipotesis alternatif diterima, sesingga disimpulakan bahwa semakin tinggi kepuasan
- 26 -
kerja akan meningkatkan kinerja. Dengan demikian H2 (Kepuasan kerja berpengaruh

positif terhadap Kinerja Karyawan) = diterima
Parameter estimasi hubungan antara kepuasan kerja dengan service quality
diperoleh sebesar 0,627. Pengujian hubungan kedua variable tersebut menujukkan nilai C.R
= 8.123 dengan probabilitas = 0,000 (p < 0,05). Semakin tinggi kepuasan kerja akan
meningkatkan service quality. Dengan demikian H3 (Kepuasan kerja berpengaruh positif
terhadap Service quality) = diterima
- 27 -

Stuctural Equation Model

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Stuctural Equation Model

Diunggah oleh

Hak Cipta:

Format Tersedia

Reliabilitas Validitas

Structural Equation Modelling

STUCTURAL EQUATION MODEL

o Ditampilkan oleh suatu bahasa grafis yang mempertimbangkan suatu metoda

Rasa Keramah Diterima Tingkat

SEM cocok digunakan untuk :

Menggambarkan sifat dan jumlah parameter yang diestimasi.

PATH ANALYSIS (ANALISIS JALUR)

Model pada gambar di atas dapat diekspresikan kedalam pernyataan :

2. Pengembangan Diagram Alur (Path Diagram)

Konstruk-konstruk yang dibangun pada diagram alur di atas adalah :

3. Konversi Diagram Alur ke dalam Persamaan

4. Multikolinearitas Variabel Independen Eksogen

Analisis atas koefisien jalur (path coefficients) dianalisis melalui signifikansi

PENGENALAN PROGRAM AMOS (Analysis of Moment Structures)

Alief Widyo Aryasri

ANGKET KEPUASAN KERJA DAN KUALITAS PELAYANAN

pendapat Anda sangat setuju terhadap pernyataan.

1 Saya merasa kelelahan secara emosional dalam

apa yang anda rasakan ketika melakukkan pekerjan anda?

3 Saya manjadi tidak perduli apa yang terjadi

5 Saya Belem mencapai hal-hal yang berharga

4.2.1 Analisis Data Kuantitatif

2. Analisis Faktor Konfirmatori Konstruk Eksogen

Ringkasan uji kelayakan model confirmatory factor analysis konstruk endogen

3. Analisis Faktor Konfirmatori Konstruk Endogen

.83 x19 e19

Ringkasan uji kelayakan model confirmatory factor analysis konstruk endogen

4.2.3 Analisis Full Model-Structural Equation Model

.89 -.24 Kepuasan

.78 .52 .86 x17 e17

x4 x5 x6 x7 x8 x9 .83 x19 e19

Goodness of Fit Indeks Cut-off Value Hasil Analisis Evaluasi Model

Multivariate 13.138 2.269

Sumber : Data primer yang diolah

Hasil pengujian normalitas data sebagaimana pada Tabel 4.17 menunjukkan

N Minimum Maximum Mean Std. Deviation

Zscore(x18) 105 -2.38187 1.52589 .0000000 1.00000000

Tabel tersebut menunjukkan 7 buah sampel dengan nilai jarak mahalianobis

3. Evaluasi atas Multicollinearity dan singularity

4. Interpretasi dan kemungkinan modifikasi model

kerja akan meningkatkan kinerja. Dengan demikian H2 (Kepuasan kerja berpengaruh

Anda mungkin juga menyukai