Perbandingan kuadrat terkecil parsial dan analisis komponen terstruktur rampat dalam menganalisis faktor yang memengaruhi keterlekatan karyawan
View/ Open
Date
2019Author
Gustin, Irene Henrietta
Wijayanto, Hari
Sukmawati, Anggraini
Metadata
Show full item recordAbstract
Structural equation modeling (SEM) atau Model Persamaan Struktural (MPS) merupakan analisis peubah ganda yang menggabungkan analisis jalur dan dua konsep statistika, yaitu konsep analisis faktor pada model pengukuran dan konsep analisis regresi pada model struktural. Terdapat dua pendekatan dalam MPS. Pertama, pendekatan berbasis kovarian atau Covariance Based SEM (CB-SEM) yang dapat dianalisis menggunakan Covariance Structure Analysis (CSA). Kedua, pendekatan berbasis komponen atau Component Based SEM yang dapat dianalisis menggunakan Kuadrat Terkecil Parsial (KTP) atau Partial Least Square (PLS) dan Analisis Komponen Terstruktur Rampat (AKTR) atau Generalized Structured Component Analysis (GSCA). Metode KTP dan AKTR tidak memerlukan asumsi seperti metode dengan pendekatan berbasis kovarian. Metode AKTR merupakan pengembangan dari metode KTP. Metode AKTR memiliki tiga sub-model, yaitu model pengukuran, model struktural dan relasi pembobotan. Selain itu, AKTR juga mampu menyelesaikan masalah optimum global untuk pendugaan parameter yang merupakan kelemahan KTP. Kedua metode tersebut juga memiliki perbedaan pada algoritma penyelesaiannya. Ordinary Least Square (OLS) untuk KTP dan Alternating Least Square (ALS) untuk AKTR.
Penelitian ini menggunakan data primer yang diperoleh melalui kuesioner online. Pengumpulan data berlangsung selama tujuh bulan, yaitu sejak bulan November 2017 hingga Mei 2018. Data yang diperoleh sebanyak 141 responden. Data tersebut berupa data persepsi dan diukur menggunakan skala likert. Data tidak memenuhi asumsi normal ganda dan termasuk data dengan sampel kecil. Berdasarkan karakteristik data tersebut maka kedua metode, yaitu KTP dan AKTR akan diterapkan pada data yang diperoleh, kemudian dibandingkan untuk mendapatkan model terbaik. Kedua metode dibandingkan menggunakan nilai goodness of fit. Berdasarkan nilai goodness of fit masing-masing metode, AKTR memiliki nilai goodness of fit yang lebih baik dari pada PLS. Hasil interpretasi AKTR juga mendukung teori yang ada tentang Keterlekatan Karyawan. Sehingga berdasarkan goodness of fit model dan interpretasi, hasil analisis menggunakan metode AKTR lebih baik dibandingkan KTP.
Berdasarkan hasil AKTR diperoleh bahwa faktor yang mempengaruhi Keterlekatan Karyawan adalah Kepribadian Lima Besar, Kualitas Kehidupan Kerja serta Kepuasan Kerja dimana Kepuasan Kerja merupakan faktor yang berpengaruh langsung terhadap Keterlekatan Karyawan. Sedangkan Kepribadian Lima Besar dan Kualitas Kehidupan Kerja berpengaruh secara tidak langsung terhadap Keterlekatan Karyawan. MAWATI.
Structural equation modeling (SEM) is a multivariate analysis that combines path analysis and two statistical concepts, namely the concept of factor analysis on the measurement model and the concept of regression analysis on structural models. There are two approaches in SEM. First, Covariance Based SEM (CB-SEM), can be analyzed by Covariance Structure Analysis (CSA). Second, Component Based SEM, can be analyzed by Partial Least Square (PLS) and Generalized Structured Component Analysis (GSCA). PLS and GSCA methods doesn't require assumptions like covariance based SEM. Generalized Structured Component Analysis is the development of PLS. GSCA has three sub-model such as measurement model, structural model and weighted relations. PLS doesn’t have weighted relations. Beside that, GSCA is also able to solve the global optimum problem for parameter estimation which is a weakness of PLS. Both methods have differences in the solution algorithm. Ordinary Least Square (OLS) for KTP and Alternating Least Square (ALS) for GSCA.
This study uses primary data obtained through an online questionnaire. Data was collected for seven months, from November 2017 till May 2018 and obtained 141 respondents. It is perception data and measured by a Likert scale. Data didn't conform normal multivariate assumptions and includes small sample data. Based on characteristics of the data, these two methods (PLS and GSCA) will be applied on the data obtained then they are compared to obtain the best model. Both methods are compared by goodness of fit index. Comparing PLS and GSCA, the goodness of fit index GSCA is better than PLS. The results of GSCA interpretation also support existing theories about employee engagement. The goodness of fit model and interpretation, prove that GSCA method is better than PLS.
Based on the results of the GSCA, it was found that the factors that influence Employee Engagement are the Big Five Personality, Quality of Work Life and Job Satisfaction where Job Satisfaction is a factor that directly affects Employee Stickiness. While the Big Five Personality and Quality of Work Life indirectly affects Employee Engagement.