Teknik Pengumpulan Data METODE PENELITIAN

53 Model persamaan structural didasarkan pada hubungan kausalitas, dimana perubahan satu variabel diasumsikan akan berakibat pada perubahan variabel lainnya. Hubungan kausalitas dapat berarti hubungan yang ketat seperti yang ditemukan dalam proses fisik seperti reaksi kimia atau dapat juga hubungan yang kurang ketat seperti dalam riset prilaku yaitu alasan seseorang membeli produk tertentu. Kuatnya hubungan kausalitas antara dua variabel yang diasumsikan oleh peneliti bukan terletak pada metode analisis yang dia pilih tetapi terletak pada justifikasi pembenaran secara teoritis untuk mendukung analisis. Jadi jelas bahwa hubungan antar variabel dalam model merupakan deduksi dari teori. Langkah kedua dan ketiga 2 dan 3 : Menyusun Diagram Jalur dan Persamaan Struktural Langkah berikutnya adalah menyusun hubungan kausalitas dengan diagram jalur dan menyusun persamaan strukturalnya. Ada dua hal yang perlu dilakukan yaitu menyususn model structural yaitu menghubungkan antar konstruk laten baik endogen maupun eksogen dan menyususn measurement model yaitu menghubungkan konstruk laten endogen atau eksogen dengan variabel indicator atau manifest. Langkah keempat 4 : Memilih Jenis Input Matrik dan Estimasi Model Model persamaan structural berbeda dari tekhnik analisis multivariate lainnya. SEM hanya menggunakan data input berupa matriks variankovarian atau matriks korelasi. Data mentah observasi indiviu dapat dimasukkan dalam program AMOS, tetapi program AMOS akan merubah dahulu data mentah menjadi matriks 54 kovarian atau matriks korelasi. Analisis terhadap data outlier harus dilakuakan sebelum matriks kovarian atau korelasi dihitung. Teknik estimasi model persamaan structural pada awalnya dilakukan dengan ordinary least square OLS regression, tetapi teknik ini telah digantikan oleh Maximum Likedhood Estimation ML yang lebih efisien dan unbiased jika asumsi normalitas multivariate dipenuhi. Langkah kelima 5 : Menilai Identifikasi Model Struktural Selama proses estimasi berlangsung dengan program computer, sering didapat hasil estimasi yang tidak logis atau meaningless dan hal ini berkaitan dengan masalah identifikasi model structural. Problem identifikasi adalah ketidak mampuan proposed model untuk menghasilkan unique estimate. Cara mendeteksi ada tidaknya problem identifikasi adalah dengan melihat hasil estimasi yang meliputi : 1 adanya nilai standar error yang besar untuk satu atau lebih koefisien, 2 ketidakmampuan program untuk invert information matrix, 3 nilai estimasi yang tidak mungkin misalkan error variance yang negative, 4 adanya nilai korelasi yang tinggi .0.90 antar koefisisen estimasi. Langkah keenam 6 : Menilai Kriteria Goodnes-fit Salah satu tujuan dari analisis jalur path analysis adalah menentukan apakah model masuk akalfit. Suatu model penelitian dikatakan baik apabila memiliki model yang fit pula. Tingkat kesuaian model menurut Imam Ghozali 2008 adalah sebagai berikut: 1. Absolute Fit Measures