E
1
X
1
X
2
X
3
Y
1
Y
2
R
Y
1
X
1
R
X
2
X
1
R
X
2
X
3
R
Y
2
X
3
R
Y
1
X
2
R
Y
2
X
2
R
Y
2
Y
1
E
2
E
3
Gambar 3.8. PersamaanTiga Jalur
Keterangan : - Variabel X
1
dan X
3
adalah variabel exogenus, X
2
variabel perantara - Variabel Y
1
dan Y
2
adalah variabel endogenus Persamaanya
X
2
= RX
2
X
1
+ RX
2
X
3
+ ε
1
Pers. Substruktur 1 Y
1
= RY
1
X
1
+ RY
1
X
2
+ ε
2
Pers. Substruktur 2 Y
2
= RY
2
X
3
+ RY
2
X
2
+ RY
2
Y
2
+ ε
3
Pers. Substruktur 3
3.10.6 Tahapan Pemodelan dan Analisis SEM
Dalam penerapan persamaan struktural ini, secara umum dilakukan dengan 7 langkah. Adapun langkah-langkah yang dilakukan antara lain :
1. Pengembangan Model Berdasarkan Teori
Model persamaan struktural didasarkan pada hubungan kausalitas, dimana perubahan suatu variabel diasumsikan akan berakibat pada perubahan variabel
lainnya. Hubungan kausalitas dapat berarti hubungan yang ketat seperti
Universitas Sumatera Utara
ditemukannya dalam proses fisik seperti kimia atau dapat juga hubungan yang kurang ketat seperti dalam riset perilaku yaitu alasan seseorang membeli produk
tertentu. Kesalahan paling kritis di dalam pengembangan model berdasar teori
adalah dihilangkannya satu atau lebih variabel prediktif dan masalah ini dikenal dengan specification error. Implikasi dari menghilangkan variabel signifikan
adalah memberikan bias pada penilaian pentingnya variabel lainnya. Keinginan untuk memasukkan semua variabel kedalam model harus diimbangi dengan
keterbatasan praktis dalam SEM. Sering terjadi bahwa intepretasi hasil menjadi sulit bilamana jumlah konsep melebihi 20. Jadi yang penting adalah model harus
parsimony sederhana dengan concise theoretical model.
2. Menyusun Diagram Jalur
Dalam membangun diagram jalur path diagram, hubungan antar konstruk ditunjukan dengan garis dengan satu anak panah yang menunjukkan
hubungan kausalitas regresi dari satu konstruk ke konstruk lain. Garis dengan dua anak panah menunjukkan hubungan korelasi atau kovarian antar konstruk.
Terdapat dua asumsi yang melandasi diagram jalur. Pertama, semua hubungan kausalitas didasarkan pada teori. Teori sebagai dasar memasukkan atau
menghilangkan hubungan kausalitas. Kedua, hubungan kausalitas dalam model dianggap linear.
3. Membuat Persamaan Struktural
Setelah mengembangkan model teoritis dan dituangkan dalam diagram jalur, maka peneliti siap untuk menterjemahkan model tersebut kedalam
Universitas Sumatera Utara
persamaan struktural. Menterjemahkan diagram jalur menjadi persamaan struktural merupakan prosedur yang mudah. Pertama, setiap konstruk endogen
merupakan dependen variabel di dalam persamaan yang terpisah sehingga variabel independen adalah semua konstruk yang mempunyai garis dengan anak
panah yang menghubungkannya ke konstruk endogen.
4. Memilih Jenis Input Matrik dan Estimasi Model yang Diusulkan
a. Ukuran Sampel
Besarnya ukuran sampel memiliki peran penting dalam interpretasi hasil SEM. Ukuran sampel memberikan dasar untuk mengestimasi sampling error.
Dengan model estimasi menggunakan Maximum Likelihood ML minimum diperlukan sampel 100. Ketika sampel dinaikkan di atas nilai 100, metode ML
meningkat sensivitasnya sehingga menghasilkan perbedaan secara signifikan sehingga ukuran Goodness-of-fit menjadi jelek. Jadi dapat direkomendasikan
bahwa ukuran sampel antara 100 sampai 200 harus digunakan untuk metode estimasi ML.
b. Estimasi Model
Teknik estimasi model persamaan struktural pada awalnya dilakukan dengan ordinary least square OLS regression, tetapi teknik ini telah digantikan
oleh Maximum Likelihood Estimation ML yang lebih efesien jika asumsi normalitas multivariat terpenuhi. Jika model struktural dan model pengukuran
telah terspesifikasi dan input matrik telah dipilih, langkah berikutnya adalah memilih program komputer untuk mengestimasi. Program komputer yang dipilih
Universitas Sumatera Utara
untuk mengestimasi model ini adalah AMOS Analysis of Moment Structure versi 16.
5. Menilai Indentifikasi Model Struktural
Selama proses estimasi berlangsung dengan program komputer, sering didapat hasil estimasi tidak logis karena berkaitan dengan masalah struktural.
Problem identifikasi adalah ketidakmampuan model untuk menghasilkan estimasi yang sesuai dengan ketentuan. Cara melihat ada tidaknya problem identifikasi
adalah dengan melihat hasil setimasi meliputi: a. Adanya nilai standar error yang besar untuk satu atau lebih koefisien
b. Ketidakmampuan program untuk invert information matrix. c. Nilai estimasi yang tidak mungkin misalkan error variance yang negatif
d. Adanya nilai korelasi yang tinggi 0.90 antara koefisien estimasi.
6. Menilai Kriteria Goodness-of-Fit Kesesuaian Model
Langkah yang harus dilakukan sebelum menilai kelayakan dari model struktural adalah menilai apakah data yang akan diolah memenuhi asumsi model
persamaan struktural. Setelah asumsi SEM dipenuhi langkah berikutnya adalah melihat ada tidaknya offending estimate yaitu estimasi koefisien baik dalam model
struktural maupun model pengukuran yang nilainya diatas batas yang dapat diterima. Setelah yakin tidak ada lagi offending estimate dalam model, maka
peneliti siap melakukan penilaian Goodness of fit. Goodness of fit mengukur kesesuaian input observasi atau sesungguhnya matrik kovarian atau korelasi
dengan prediksi dari model yang diajukan. Adapun kesesuaian model yang dapat diterima sesuai dengan penilaian Goodness of fit dapat dilihat pada Tabel 3.1.
Universitas Sumatera Utara
Tabel 3.1. Tabel Ketentuan Kesesuaian Model
No Ukuran Derajat
Kecocokan Keterangan
Tingkat Kecocokan yang
Bisa Diterima
1 Chi Square
Normed Chi Square Menguji apakah varians populasi
yang diestimasi sama dengan kovarians sampel apakah model
sesuai dengan data Ratio perbandingan antara nilai
chi square dengan degrees of freedom
Batas bawah = 1.0 Batas Atas 2 atau 3
dan X
2
df 5
2 Non Centraly
Parameter NCP Mengukur tingkat penyimpangan
antara simple covarians matrix dan fitted Model
Kecil
3 Goodness of Fit
Indices GFI Suatu ukuran mengenai ketepatan
model dalam menghasilkan observed kovarian
0,0 8 GFI 0,09
4 Root Mean Square
Error Of Approximation
RMSEA Rata-rata perbedaan Degree of
freedom yang diharapkan terjadi dalam populasi, dan bukan
sampel. RSMA
RSMA 0,05 Close Fit
0,08 Good Fit
5 Expected Cross
Validation Index ECVI
Mengukur penyimpangan antara fitted model matriks kovarian
pada sampel yang diperoleh pada sampel lain, tetapi memiliki
sampel yang sama besar. ECVI ECVI
Saturated and ECFI for Independence
model
6 Comparative Fit
Index CFI Uji kelayakan model yang
diusulkan dengan model dasar. CFI 0,9
Universitas Sumatera Utara
7. Intepretasi dam Modifikasi Model
Ketika model telah dinyatakan diterima, maka peneliti dapat mempertimbangkan dilakukannya modifikasi model untuk memperbaiki
penjelasan teoritis atau goodness of fit. Modifikasi dari model awal harus dilakukan setelah dikaji banyak pertimbangan. Jika model diodifikasi, maka
model tersebut harus valid. Pengukuran model dapat dilakukan dengan modification indices. Nilai modificatioan indices sama dengan terjadinya
penurunan Chi-squares jika koefisien diestimasi. Estimasi parameter dalam SEM umumnya bedasarkan pada metode maximum
likelihood ML. Perlu diketahui bahwa estimasi dengan metode ML menghendaki adanya asumsi yang harus dipenuhi yaitu :
a. Jumah sampel harus besar b. Distribusi dari variabel observasi normal secara multivariate
c. Model yang harus dihipotesakan harus valid. d. Skala pengukuran variabel kontinyu.
3.10.7. Langkah Analisis Menjalankan Program Amos Vesi 16.