66 observed variables, sedangkan pada model variabel laten SEM,
hubungan kausal terjadi di antara variabel-variabel tidak teramati unobserved variables atau variabel-variabel laten.
Kline dan Klammer 2001 lebih mendorong penggunaan SEM dibandingkan regresi berganda karena 5 alasan berikut: 1 SEM
memeriksa hubungan di antara variabel-variabel sebagai sebuah unit, tidak seperti pada regresi berganda yang pendekatanya sedikit demi
sedikit piecemeal. 2 Asumsi pengukuran yang handal dan sempurna pada regresi berganda tidak dapat dipertahankan, dan pengukuran dengan
kesalahan dapat ditangani dengan mudah oleh SEM. 3 Modification index
yang dihasilkan oleh SEM menyediakan lebih banyak isyarat tentang arah penelitian dan pemodelan yang perlu ditindak-lanjuti
dibandingkan pada regresi. 4 Interaksi juga dapat ditangani dalam SEM. 5 Kemampuan SEM dalam menangani non recursive paths.
a. Variabel-variabel dalam SEM 1 Variabel Laten
Dalam SEM variabel kunci yang menjadi perhatian adalah variabel laten Latent Variables, sering disingkat LV atau
konstruk laten. Variabel laten merupakan konsep abstrak, sebagai contoh: perilaku orang, sikap attitude perasaan dan
motivasi.variabel laten ini hanya dapat diamati secara tidak langsung dan tidak sempurna melalui efeknya pada variabel
teramati.
67
2 Variabel Teramati Manifest
Variabel teramati adalah variabel yang dapat diamati atau dapat diukur secara empiris dan sering disebut sebagai
indikator. Variabel teramati merupakan efek atau ukuran dari variabel laten.
b. Prosedur SEM 1 Orientasi dalam SEM
Penerapan statistik pada penelitian umumnya didasarkan atas pemodelan pengamatan atau observasi secara individual.
Misalnya dalam regresi berganda atau ANOVA analysis of variance
, estimasi koefisien regresi atau varian kesalahan diperoleh dengan meminimisasikan jumlah kuadrat perbedaan
antara variabel terikat diprediski dengan variabel terikat diamatidiukur untuk setiap kasus atau observasi. Dalam hal ini,
analisis residual menunjukan perbedaan antara nilai yang dicocokkan fitted dengan nilai yang diamatidiukur untuk
setiap kasus yang ada di dalam sampel. Penerapan SEM pada penelitian memerlukan orientasi yang
berbeda dengan penerapan statistik di atas. Prosedur dalam SEM lebih menekankan penggunaan kovarian dibandingkan
dengan kasus-kasus secara individual. Jika dalam analisis statistik biasa, fungsi yang diminimumkan adalah perbedaan
68 antara nilai-nilai yang diamati dengan yang diprediksi, maka
pada SEM yang diminimumkan adalah perbedaan antara kovarian sampel dengan kovarian yang diprediksi oleh model.
Dengan demikian yang dimaksus residual dalam SEM adalah perbedaan antara kovarian yang diprediksi dicocokkan dengan
kovarian yang teramati, oleh karena itu SEM sering juga disebut sebagai analysis of covariance structure.
2 Tahapan dalam prosedur SEM a Spesifikasi Model
Tahap ini berkaitan dengan pembentukan model awal persamaan struktural, sebelum dilakukan estimasi. Model
awal ini diformulasikan berdasarkan suatu teori atau penelitian sebelumnya.
b Identifikasi
Tahap ini berkaitan dengan pengkajian tentang kemungkinan diperolehnya nilai yang unik untuk setiap
parameter yang ada di dalam model dan kemungkinan persamaan simultan tidak ada solusinya.
c Estimasi
Tahap ini berkaitan dengan estimasi terhadap model untuk
menghasilkan nilai-nilai
parameter dengan
menggunakan salah satu metode estimasi yang tersedia. Pemilihan metode estimasi yang digunakan seringkali
69 ditentukan berdasarkan karakteristik dari variabel-variabel
yang dianalisis.
d Uji Kecocokan
Tahap ini berkaitan dengan pengujian kecocokan antara model dengan data. Beberapa kriteria ukuran
kecocokan atau Goodness of Fit GOF dapat digunakan untuk melaksanakan langkah ini.
e Respesifikasi
Tahap ini berkaitan dengan respesifikasi model berdasarkan atas hasil uji kecocokan tahap sebelumnya.
3 Evaluasi Model Struktural
Evaluasi ini adalah mengkonfirmasi hipotesis penelitian yang diajukan peneliti apakah ada hubungan kausal yang
signifikan antara variabel laten eksogen dengan variabel laten endogen Yamin, 2014.
Based on a probability level of 0.05, then, the test statistic needs to be
+ -
1,96 before the hypothesis that the estimate equals 0.0 can be rejected. Nonsignificant parameters, with the
exception of error variances, can be considered unimportant to the model; in the intesrest of scientific parsimony, albeit given
an adequate sample size, they should be deleted from the model. Berdasarkan pada level probabilitas 0.05, uji statistik butuh
untuk mencapai
+ -
1,96 yang diestimasi setara dengan 0.0
70 dapat ditolak. Parameter yang tidak signifikan, dengan
pengecualian perubahan yang eror, dapat dianggap sebagai model yang tidak penting dalam penelitian, walaupun ukuran
sampel memadai, parameter tersebut harus dihapus dari model Bryne, 2010:68.
2. Statistik Deskriptif