4.2.

Uji Validitas

Uji validitas digunakan untuk mengukur sah atau vaid tidaknya suatu kuisioner. Suatu kuisioner
dikatakan valid jika pertanyaan pada kuisioner mampu untuk mengungkapkan sesuatu yang akan
diukur oleh kuisioner tersebut. Misalkan kita ingin mengukur AUTONOMI seorang karyawan
dan karyawan tersebut diberi 4 (empat) pertanyaan, maka pertanyaan tersebut harus dapat secara
tepat mengungkapkan tingkat AUTONOMI. Jadi validitas ingin mengukur apakah pertanyaan
dalam kuisioner yang sudah kita buat betul-betul dapat mengukur apa yang hendak kita ukur.

Mengukur validitas dapat dilakukan dengan tiga cara:

A. melakukan korelasi antar skor butir pertanyaan dengan total skor konstruk atau
variable.

Dalam hal ini melakukan korelasi masing-masing skor autonomy 1, autonom2, autonom3, dan
autonom4 dengan total skor AUTONOM hipotesis yang diajukan :

Ho : skor butir pertanyaan berkorelasi positif dengan total skor konstruk

Ha : skor butir pertanyaan tidak berkorelasi postif dengan total skor konstruk

Uji signifikasi dilakukan dengan membandingkan nilai r hitung dengan r table untuk degree of
freedom (df) = n – 2, dalam hal ini n adalah jumlah sample. Pada kasus kita konstruk
AUTONOMI jumlah sample (n) = 70 dan besarnya df dapat dihitung 70 – 2 = 68 dengan df = 68
dan alpha = 0,05 didapat r table = 0,198 (lihat r table pada df = 68 dengan uji dua sisi).

Untuk menguji apakah masing-masing indicator autonom1 sampai autonom4 valid atau tidak,
kita lihat tampilan output Cronbach Alpha pada kolom Correlated Item – Total Correlation baik
untuk konstruk AUTONOMI dan ROUTINE. Bandingkan nilai correlated Item – Total
Correlation dengan hasil perhitungan r table = 0,198. Jika r hitung lebih besar dari r tabe dan
nilai positif maka butir atau pertanyaan atau indicator tersebut dinyatakan valid. Untuk indicator
konstruk AUTNOMI nilai r semua diatas nilai r table maka dapat disimpulkan semua indicator
valid. Begitu juga dengan nilai r untuk indicator konstruk ROUTINE semua nilai r hitung diatas
nilai r table, maka dapat disimpulkan semua indicator valid.
Selain membandingkan r hitung dengan r table, uji signifikasi dapat juga dilakuka lewat uji t
dengan prosedur.

1. ambil sebarang r hitung missal indicator autonom1 dengan nilai r hitung = 0680

2. hitung nilai t hitung dengan rumus

𝑟
𝑡=
2
√1 − 𝑟
𝑁−2

3. untuk N (kasus) = 70, maka hasil dari rumus ddapat nilai t hitung = 7,6481.

4. bandingkan nilai t hitung ini dengan t table pada alpha = 0,5 dan df = N – 2 =68 atau didapat
nilai t table = 1,668.

5. karena nilai t hitung > t table, mak Ho tidak dapat ditolak atau r memang berkorelasi positif
atau indicator autonom1 adalah valid.

B. Uji validitas dapat juga dilakukan dengan melakukan korelasi bivariate antara masing-
masing skor indicator dengan total skor konstruk.

Langkah analisis:

a. Buka file Job Survey sav dengan perintah File/Open?data

b. Dari menu utama SPSS pilih menu Analyze, kemudian pilih submenu Correlate, lalu pilih
Bivariate

c. Tampak dilayar tampilan windows Bivariate Correlation

d. isikan dalam kotak variables ke-empat indicator konstruk AUTONOM dan skor total
AUTNOM.

e. pilih Correlation Coefficients Pearson

f. Pilih Ok

g. Output SPSS
 AUTONO AUTONO AUTONO AUTONO AUTONO
M1 M2 M3 M4 M
AUTONO Pearson 1 509” .424” .613” .836”
M1 Correlatio
n
Sig. (2- .000 .000 .000 .000
tailed)
N 64 64 64 64 64
AUTONO Pearson 500” 1 .312’ .297’ .722”
M2 Correlatio
n
Sig. (2- .000 .012 .017 .000
tailed)
N 64 64 64 64 64
AUTONO Pearson 424” .312’ 1 .433” .717”
M3 Correlatio
n
Sig. (2- .000 .012 .000 .000
tailed)
N 64 64 64 64 64
AUTONO Pearson 613” 297’ .433” 1 .753”
M4 Correlatio
n
Sig. (2- .000 .017 .000 .000
tailed)
N 64 64 64 64 64
AUTONO Pearson 836” 722” .717” .753” 1
M Correlatio
n
 Sig. (2- .000 .000 .000 .000
tailed)
N 64 64 64 64 64
“ . Correlation is significant all the 0,01 level (2-tailed)

‘. Correlation is significant at the 0,05 level (2-tailed)

Dari tampilan output SPSS terlihat bahwa korelasi antara masing-masing indkator (autonom1
sampai autonom4) terhadap total skor konstruk (autonomy) menunjukkan hasil yang signifikan.
Jadi dapat disimpulkan bahwa masing-masing indicator pertanyaan adalah valid. Hasil analisis
korelasi bivariate dengan melihat output Cronbach Alpha pada kolom Correlated Item- Total
Correlation adalah identic karena keduanya mengukur hal yang sama.

C. Uji Confirmatory Factor Analysis (CFA)

Analisis factor konfirmatori digunakan untuk menguji apakah suatu konstruk mempunyai
unidimedionalitas atau apakah indicator-indkator (autonom1 sampai autonom4) yang digunakan
dapat mengkonfirmasikan sebuah konstruk atau variable (AUTONOMI). Jika masing-masing
indicator merupakan indicator pengukur onstruk AUTONOMI maka aan memiliki nilai loading
factor yang tinggi. Misalkan sebagi contoh AUTONOMI diukur dengan empat indicator
(autonom1 sampai autonom4), sedangkan ROUTINE diukur dengan empat indicator (routine 1
sampai routine4).

Dengan analisis factor konfirmatori kita ingin menguji apakah indicator (autonom1 sampai
autonom4) betul-betul merupakan indicator konstruk AUTONOM1 dan indicator (routine 1
sampai routine4) etul-betul merupakan indicator konstruk ROUTINE. Analisis factor konfirmatri
akan mengelompokan masing-masing indicator kedalam beberapa factor. Jika indicator
autonom1 sampai autonom4 merupakan indicator konstruk AUTONOM1 maka dengan
sendirinya akan mengelompokkan menjadi satu dengan factor loading yang tinggi begitu juga
dengan indokator routine 1 sampai routine 4 akan mengelompok menjadi satu sebagai indicator
konstruk ROUTINE.

Langkah Analisis :

a. Buka file Job Survey sav dengan perintah File/Open/Data

b. Dari menu utama SPSS. Pilih menu Analyze kemudian pilih submenu Data Reduction,
lalu pilih Factor
c. Tampak dilayar tampilan windows Factor Analysis
d. Pada kotak Variable, masukkan semua indicator autonom1-autonom4, dan routine1-
routine4
e. Pilih tombol Descriptive dan pilih KMO and Bartlett’s test of sphericity, kemudian tekan
Continue
f. Pilih tombol Rotation dan pilih Varimax dan tekan Continue
g. Pilih Metode Extraction : Principle Component Analysis(PCA)
h. Pilih ok
i. Ouput SPSS
KMO and Bartlett’s Test
Kaiser-Meyer-Oikin Measure of Sampling Adequacy .713
Bartlett’s Test of Sphericity Approx. Chi-Square 183.667
Df 28
Sig. .000
Asumsi yang mendasari dapat tidaknya digunakan analisis factor adalah data matrik
harus memiliki korelasi yang cukup (sufficient correlation). Uji Bartlett of Sphericity
merupakan uji statistic untuk menentukan ada tidaknya korelasi antar variable. Peneliti
harus paham bahwa semakin besar sampel menyebabkan Bartlett test semakin sensitive
untuk mendeteksi adanya korelasi antar variable. Alat uji lain yang digunakan untuk
mengukur tingkat interkorelasi antar variable dan dapat tidaknya dilakukan analysis
factor adalah Kaiser-Meyer-Olkin Measure of Sampling Adequacy (KMMO MSA).
Nilai KMO bervariasi dari 0 sampai dengan 1. Nilai yang dikehendaki harus > 0,50
untuk dapat dilakukan analisis factor. Hasil tampilan output SPSS menunjukkan bahwa
nilai KMO = 0,713 sehingga dapat dilakukan analisis factor. Begitu juga dengan nilai
Bartlett test dengan Chi-squares = 183867 dan signifikan pada 0,000, maka dapat
disimpulkan bahwa uji analisis factor dapat dilanjutkan.
Total Variance Explained
Initial Eigenvalues Extraction sums of Rotation sums of
squared Loadings squared loadings
compon tot % of Cumulat total % of Cumulat Tot % of Cumula
ent al varian ive % Varian ive % al Varian tiv %
ce ce ce
1 3.2 40.49 40.495 3.24 40.495 40.495 2.53 31.654 31.654
4 5 0 2
2 1.4 18.64 59.138 1.49 18.643 59.138 2.19 27.484 59.138
9 3 1 9
3 .90 11.35 70.495
9 7
4 .78 9.793 80.288
3
5 .59 7.384 87.672
1
6 .46 5.800 93.472
4
7 .32 4.068 97.540
5
8 .19 2.460 100.000
7
Extraction Method : Principal Component Analysis
SPSS akan mengelompokan ke 8 (delapan) indicator yaitu 4 autonom dan 4 routine
menjadi dua factor berdasarkan pada nilai eigen value > 1, yaitu 1 dengan eigen value
3.240 dan factor 2 dengan eigen value 1.491. dari tampilan output SPSS terlihat bahwa
factor 1 mampu menjelaskan variasi 18.643% atau kedua factor mampu menjelaskan
variasi 59.138%. kita berharap bahwa factor 1 akan berisi inikator – indicator autonomy1
sampai autonom4 sedangkan factor 2 berisi indicator routine1 sampai routine4. Berikut
ini tampilan kedua factor sebelum dilakukan rotasi:
Component Matrix
1 2
AUTONOM1 .734 .439
AUTONOM2 .750 .103
AUTONOM3 .568 .363
AUTONOM4 .692 .372
ROUTINE1 -.763 .482
ROUTINE2 -.512 .265
ROUTINE3 -.111 .745
ROUTINE4 -.693 .400
Extraction Method : principal Component Analysis
Tampak bahwa indicator autonomy mengelompokkan pada factor 1 (loading factor
tinggi mengelompokkan menjadi satu), sedangkan indicator routine mengelompok pada
factor 1 untuk indicator routine 1,2,dan4 sedangkan routine3 mengelompok pada factor
2. Hal ini menjadi sulit diinterpretasikan oleh sebab itu perlu dilakukan rotasi.
Alat penting untuk interpretasi factor adalah factor rotation. Ada dua jenis rotasi yaitu
orthogonal rotation dan oblique rotation. Rotasi orthogonal melakukan rotasi dengan
sudut 90 derajat. Sedangkan rotasi yang tidak 90 derajad disebut oblique rotation. Rotasi
orthogonal dapat berbentuk Quartimax, Equimax dan Promax. Menurut Hair (1998)
metode Varimax terbukti sangat berhasil sebagai pendekatan analitik untuk mendapatkan
rotasi orthogonal suatu factor. Hasil rotasi factor dengan metode Varimax dapat dilihat
dibawah ini :
Rotated Component Matrix
1 2
AUTONOM1 .845 -.128
AUTONOM2 .645 -.397
AUTONOM3 .669 -.081
AUTONOM4 .771 -.153
ROUTINE1 -.283 857
ROUTINE2 -.226 530
ROUTINE3 -.388 646
ROUTINE4 -.280 750
Extraction Method : Principal Component Analysis
Rotation Method : Varimax with Kaiser Normalization
Hasil rotasi menunjukkan bahwa sekarang indicator autonom1 sampai autonom4
mengelompok pada factor 1 dan indicator routine1 sampai routine4 mengelommpok
pada factor 2. Jadi jelas dapat disimpulkan bahwa konstruk AUTONOM1 memiliki
unidimensionalitas begiitu juga dengan konstruk ROUTINE atau dengan kata lain
indicator autonom semuanya valid an indicator routine semuanya juga valid.