Didalam pemodelan SEM, peneliti biasanya bekerja dengan “construct” atau “factor” yaitu faktor-faktor yang mempunyai pijakan teoritis
yang cukup untuk menjelaskan berbagai bentuk hubungan. Konstruk- konstruk yang akan dibangun dalam diagram path dapat dibedakan
menjadi dua kelompok konstruk yaitu : 1 Konstruk Eksogen Exogeneous Constructs. Konstruk ini biasanya
dikenal juga sebagai “source variables” atau “independent variables” yang tidak diprediksi oleh variable yang lain dalam model
tapi akan digunakan untuk memprediksi satu atau beberapa variabel endogen lainnya.
2 Konstruk endogen Endogeneous Constructs. Konstruk endogen adalah faktor-faktor yang diprediksi oleh satu atau beberapa
konstruk endogen lainnya, tetapi konstruk eksogen hanya dapat berhubungan kausal dengan konstruk endogen.
3. Langkah ketiga : Konversi Diagram Alur ke dalam persamaan.
Setelah teori atau model teoritis dikembangkan dan digambarkan dalam sebuah diagram alur, maka peneliti baru dapat mulai
mengkonversikan spesifikasi model tersebut ke dalam rangkaian persamaan. Dan persamaan yang dibangun terdiri dari persamaan :
a. Persamaan struktur yang digunakan untuk menyatakan hubungan kausalitas antar berbagai konstruk.
b. Persamaan spesifikasi model pengukuran, digunakan untuk menentukan variabel mana mengukur konstruk mana, serta untuk
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber
menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesiskan antar konstruk atau variabel.
4. Langkah keempat : Memilih Matriks Input dan Estimasi Model
SEM menggunakan matriks Varianskovarians atau matriks korelasi sebagai data input untuk keseluruhan estimasi yang dilakukan. Hal ini
disebabkan karena focus SEM bukanlah pada data individu tetapi pada pola hubungan antar responden. Hair dkk 1996 menyarankan agar para
peneliti menggunakan matriks varianskovarians pada saat pengujian teori sebab kovarianvarians lebih memenuhi asumsi-asumsi metodologi.
Setelah model dikembangkan dan input data dipilih, peneliti harus memilih program-program komputer yang dapat digunakan untuk
mengestimasi modelnya. Terdapat banyak program antara lain AMOS 16. merupakan salah satu program yang handal untuk analysis model
kausalitas ini.
5. Langkah kelima : Kemungkinan munculnya masalah identifikasi
Pada program komputer yang digunakan untuk estimasi model kausal ini, salah satu masalah yang dihadapi adalah masalah identifikasi
identification problem. Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan dari model yang dikembangkan
untuk menghasilkan estimasi yang unik. Problem identifikasi dapat muncul melalui gejala-gejala berikut ini :
1 Standart error untuk satu atau beberapa koefisien adalah sangat besar.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber
2 Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan.
3 Muncul angka-angka yang aneh seperti adanya varians error yang negatif.
4 Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat misal lebih dari 0,9.
Cara untuk menguji ada tidaknya problem identifikasi adalah sebagai berikut :
1 Model diestimasi berulang kali, dan setiap estimasi kali dilakukan dengan menggunakan “strating value” yang berbeda-beda. Bila
ternyata hasilnya tidak konvergen pada titik yang sama pada setiap estimasi maka masalah identifikasi ini perlu diamati lebih dalam
sebab ada indikasi kuat terjadi problem ini. 2 Cobalah model itu diestimasi, lalu catatlah angka koefisien dari
salah satu variabelnya. Lalu koefisien itu ditentukan sebagai sesuatu yang fix pada faktor atau variabel untuk kemudian
dilakukan estimasi ulang. Bila hasil dari estimasi ulang ini overall fix indexnya berubah total dan berbeda sangat besar dari sebelumnya,
maka boleh diduga ada problem identifikasi. Salah satu solusi untuk masalah ini adalah dengan memberikan lebih banyak konstruk
pada model yang sedang dianalisis dan ini berarti mengeliminasi jumlah estimated coefficient. Bila tindakan ini diambil, maka hasil
akhir yang didapat adalah sebuah model overidentified. Oleh
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber
karena itu disarankan bila setiap kali estimasi muncul masalah identifikasi maka sebaiknya model ini dipertimbangkan ulang
dengan mengembangkan lebih banyak konstruk.
6. Langkah Keenam : Evaluasi kriteria Goodness-of-Fit
