28
Berbagai alat analisis yang selama ini kita kenal untuk penelitian multidimensi adalah:
1. Analisis faktor Eksploratori
2. Analisis Regresi berganda
3. Analisis Diskriminan
Teknik – teknik tersebut hanya dapat menganalisis satu hubungan pada satu waktu atau hanya dapat menguji satu variable dependen melalui
beberapa variabel independen. Padahal dalam kenyataannya, kita dihadapkan pada lebih dari satu variabel dependen yang harus saling
berhubungan. Struktur Equation Model SEM adalah sekumpulan teknik – teknik
statistikal yang memungkinkan pengujian sebuah rangkaian hubungan yang relatif “ rumit “ secara simultan. Masing – masing variabel dependen dan
independen dapat berbentuk faktor konstruk yang dibangun dari beberapa variabel indikator dan vaeriabel – variabel itu dapat berbentuk sebuah
variabel tunggal yang diobservasi atau yang diukur langsung dalam sebuah proses penelitian.
a.
SEM adalah sekumpulan teknik-teknik statistikal yang memungkinkan
pengujian sebuah rangkaian hubungan yang relatif “rumit” secara
simultan.
b.
Hubungan yang rumit ini dapat dibangun antara satu atau beberapa variabel dependen dengan satu atau beberapa variabel independen.
c.
Masing-masing variabel dependen dan independen dapat berbentuk faktor
konstruk yang dibangun dari beberapa variabel indikator dan variabel –
variabel itu dapat berbentuk sebuah variabel tunggal yang diobservasi atau
yang diukur langsung dalam sebuah proses penelitian.
d.
Indikator atau observed variable digambarkan dengan bentuk persegi
sedangkan konstrukfaktorlatent variabelunobserved variable
digambarkan dengan bentuk oval atau elips. Konstruk eksogen adalah
konstruk yang dituju oleh garis dengan satu ujung panah dan konstruk endogen adalah faktor-faktor yang diprediksi oleh
satu atau beberapa konstruk. Di dalam SEM analisa regresi ditunjukkan dengan garis anak panah satu arah yang menunjukkan adanya
hubungan kausal dimana yang ditunjuk oleh anak panah
merupakan variabel dependen dan analisa korelasi ditunjukkan dengan garis anak panah dua arah.
3.5.1.2. Asumsi-asumsi Dasar yang Digunakan SEM
Asumsi-asumsi yang harus dipenuhi dalam prosedur pengumpulan dan pengolahan data yang dianalisis dengan pemodelan SEM adalah sebagai
berikut:
29
a. Ukuran Sampel
Ukuran sampel yang harus dipenuhi dalam pemodelan ini adalah minimum berjumlah 100 seratus dan selanjutnya menggunakan
perbandingan 7 tujuh observasi untuk setiap estimated parameter. Untuk itu mengembangkan model dengan 48 parameter, karena teknik
estimasinya menggunakan maximum likelihood minimum sampel yang harus digunakan adalah sebanyak 100 seratus sampel.
b. Normalitas atau Linearitas
Sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi sehingga data dapat diperoleh lebih lanjut untuk pemodelan
SEM ini. Normalitas dapat diuji dengan melihat gambar histogram data atau dapat diuji dengan metode-metode statistik. Uji normalitas ini perlu
dilakukan baik untuk normalitas terhadap data tunggal maupun normalitas multivariat dimana beberapa variabel digunakan sekaligus
dalam analisis akhir. Uji linearitas dapat dilakukan dengan mengamati scatterplots dari data yaitu dengan memilih pasangan data dan dilihat
pola penyebarannya untuk menduga ada tidaknya linearitas.
c. Outlier
Outliers adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariat yaitu yang muncul karena
kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya. Dapat diadakan treatment
khusus pada outliers ini asal diketahui bagaimana munculnya outliers itu. Outlier pada dasarnya dapat muncul dalam empat kategori :
1.
Pertama, outlier muncul karena kesalahan prosedur seperti kesalahan dalam memasukkan data atau kesalahan dalam mengkoding data.
Misalnya, nilai 7 diketik 70 sehingga jauh berbeda dengan nilai-nilai lainnya dalam sebuah rentang jawaban responden antara 1 – 10. Bila
hal semacam ini lolos supervisi pengetikan data untuk pengolahan melalui komputer, maka angka 70 dapat menjadi sebuah nilai
ekstrim.
2. Kedua, outlier dapat saja muncul karena keadaan yang benar – benar
khusus yang memungkinkan profil datanya lain daripada yang lain, tetapi peneliti mempunyai penjelasan mengenai apa penyebab
munculnya nilai ekstrim itu. 3.
Ketiga, outlier dapat muncul karena adanya sesuatu alasan tetapi peneliti tidak dapat mengetahui apa penyebab atau tidak ada
penjelasan mengenai sebab-sebab munculnya nilai ekstrim itu. Contohnya, sama dengan survai pendapat mengenai, dimana datanya
menunjukkan hanya ada 1 satu orang wanita yang sangat senang. Jawaban ini akan menjadi outliers, dimana peneliti tidak tahu
penyebab munculnya nilai ekstrim itu.
30
4. Keempat, outlier dapat muncul dalam range nilai yang ada, tetapi
bila dikombinasi dengan variabel lainnya, kombinasinya menjadi tidak lazim atau sangat ekstrim. Inilah yang disebut dengan
multivariate outliers. d.
Multicollinearity dan Singularity Multikolinearitas dapat dideteksi dari determinan matriks kovarians.
Nilai determinan matriks kovarians yang sangat kecil extremely small memberi indikasi adanya problem multikolinearitas atau singularitas.
Pada umumnya program-program komputer SEM telah menyediakan fasilitas “warning” setiap kali terdapat indikasi multikolinearitas atau
singularitas. Bila muncul pesan itu, telitilah ulang data yang digunakan untuk mengetahui apakah terdapat kombinasi linear dari variabel yang
dianalisis. Perlakuan data data treatment yang dapat diambil adalah keluarkan variabel yang menyebabkan singularitas itu. Bila singularitas
dan multikolinearitas ditemukan dalam data yang dikeluarkan itu, salah satu treatment yang dapat diambil adalah dengan menciptakan
“composite variables”, lalu gunakan composite variable itu dalam analisis selanjutnya Ferdinand, 2002 : 51 – 54.
3.5.1.3. Perbedaan SEM dengan Alat Multivariat yang Lain
