li Menggambarkan hubungan antara variabel-variabel laten atau antar
variabel eksogen dengan variabel laten Digunakannya SEM karena SEM mempunyai kelebihan diantaranya adalah :
a. Menyediakan metode yang langsung menangani multi hubungan secara
simultan, sekaligus memberikan pengujian statistik yang efisien. b.
Kemampuannya untuk mengakses hubungan secara komprehensif membuat SEM dapat menyediakan transisi antara eksploratori ke analisis
konformatori. Beberapa asumsi dan persyaratan penting yang perlu diperhatikan saat menggunakan
metode SEM adalah
sample size
, normalitas data, dan outlier. Penjelasannya adalah :
a. Sample size
Ukuran sampel memegang peranan penting dalam estimasi dan interpretasi hasil. Ukuran sampel akan menghasilkan dasar untuk mengestimasi kesalahan
sampling. Dengan menggunakan metode estimasi yang paling populer dalam analisis SEM, yaitu menggunakan
Maximum Likehood
ML, minimum diperlukan sampel sebanyak 100 sampel. Ketika sampel dinaikkan diatas 100 sampel, metode ML akan
meningkat sensitivitasnya untuk mendeteksi perbedaan antara data yang ada. Begitu jumlah sampel menjadi lebih banyak lagi, yaitu diatas 400-500, maka metode ML
menjadi sangat sensitif dan akan menghasilkan perbedaan secara signifikan, sehingga ukuran
goodness-of fit
menjadi jelek. Jadi, dapat direkomendasikan bahwa ukuran sampel antara 100-200 harus digunakan untuk metode estimasi ML Gozali, 2004.
b. Normalitas Data
lii SEM mensyaratkan data berdistribusi normal. Jika data berdistribusi sangat
tidak normal non normal, hasil analisis dikhawatirkan menjadi bias. Uji normalitas yang dilakukan pada SEM mempunyai dua tahapan. Pertama adalah menguji
normalitas untuk semua variabel, sedangkan tahap kedua, adalah pengujian normalitas semua variabel secara bersama-sama, yang disebut dengan
multivariate normality.
Hal ini disebabkan jika setiap variabel normal secara individu, tidak berarti jika diuji secara bersama
multivariate
juga pasti berdistribusi normal. Hal-hal yang terkait dengan uji normalitas adalah :
· Menghitung cr dari tingkat kemiringan
skewness
sebuah variabel. ·
Menghitung cr dari tingkat keruncingan
kurtosis
sebuah variabel ·
Menghitung distribusi data secara keseluruhan
multivariat
· Membandingkan cr
skewness
maupun
kurtosis
dengan standar tertentu. Sebuah ditribusi dikatakan normal jika data tidak miring kekiri atau kekanan
disebut simetris dengan nilai s
kewness
adalah 0, serta mempunyai keruncingan yang ideal angka
kurtosis
adalah 0. Namun angka tersebut sulit didapat dalam praktek. Karena itu yang akan diuji adalah seberapa miring atau seberapa runcing
sebuah distribusi, sehingga masih dapat dianggap normal, walaupun tidak benar- benar berdistribusi normal. Angka pembanding adalah angka z. Angka tersebut
didapat dengan melihat tabel z. Pada umumnya digunakan tingkat kepercayaan 99 . Pada tingkat kepercayaan tersebut, tingkat signifikasi adalah 100-99=1, dan
angka z adalah ± 2.58. Dengan demikian, sebuah distribusi dikatakan normal jika angka cr skewnwess atau angka cr kurtosis ada diantara -2.58 sampai +2.58. Jika
liii angka-angka tersebut ada dibawah -2.58 atau diatas +2.58, distribusi dapat dikatakan
tidak normal.
c. Outlier
