Analisis Structural Equation Modeling SEM Tahapan Prosedur SEM

dua responden Nazir, 2005. Skala likert menggunakan skor tertentu untuk tiap jawaban Rangkuti, 1997. Adapun skor dan respon yang digunakan dalam penelitian ini disajikan dalam Tabel 4: Tabel 4. Kriteria Skor Skala Likert Kriteria Skor Sangat Setuju 5 Setuju 4 Cukup Setuju 3 Kurang Setuju 2 Tidak Setuju 1

4.4 Metode Pengolahan Data

4.4.1 Analisis Structural Equation Modeling SEM

Structural Equation Modelling SEM merupakan salah satu analisis multivariat yang dapat menganalisis hubungan variabel secara kompleks. Analisis ini pada umumnya digunakan untuk penelitian-penelitian yang menggunakan banyak variabel. Teknik analisis data menggunakan Structural Equation Modelling SEM, dilakukan untuk menjelaskan secara menyeluruh hubungan antar variabel yang ada dalam penelitian. SEM digunakan bukan untuk merancang suatu teori, tetapi lebih ditujukan untuk memeriksa dan membenarkan suatu model. Oleh karena itu, syarat utama menggunakan SEM adalah membangun suatu model hipotesis yang terdiri dari model struktural dan model pengukuran dalam bentuk diagram jalur yang berdasarkan justifikasi teori. Salah satu kelebihan SEM tersebut yakni dapat mengukur suatu hubungan yang tidak bisa diukur secara langsung Ghozali dalam Agisty ,2005. Seperti halnya dalam pengukuran kepuasan, banyak peubah yang tidak bisa diukur secara langsung. Hal ini dikarenakan kepuasan merupakan faktor yang sulit diukur karena tidak muncul dengan sendirinya tetapi dipengaruhi oleh faktor-faktor lain. Model SEM ini mempunyai karakteristik yang berbeda dengan regresi biasa. Regresi biasa, umumnya menspesifikasikan hubungan kausal antara variabel- variabel teramati observed variables, sedangkan pada model variabel laten SEM, hubungan kausal terjadi di antara variabel-variabel tidak teramati unobserved variables atau variabel-variabel laten.

4.4.2 Tahapan Prosedur SEM

Data kuantitatif pada penelitian ini diolah dengan menggunakan program MS Office Excel 2007 untuk mentabulasikan dan memudahkan pengolahan data. Analisis data yang dilakukan pada penelitian ini adalah analisis SEM dengan menggunakan paket program LISREL 8.72. Prosedur pemodelan SEM secara umum mengandung tahap-tahap sebagai berikut Bollen dan Long dalam Wijanto, 2008: 1. Spesifikasi Model Model Spesification Tahap ini berkaitan dengan pembentukan model awal persamaan struktural, sebelum dilakukan estimasi. Model awal ini diformulasikan berdasarkan suatu teori atau penelitian sebelumnya. Berikut adalah langkah-langkah spesifikasi model:  Definisikan variabel-variabel laten yang ada di dalam penelitian.  Definisikan variabel-variabel teramati.  Definisikan hubungan antara setiap variabel laten dengan variabel-variabel teramati yang terkait. 2. Identifikasi Identification 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. Secara garis besar ada tiga kategori identifikasi dalam persamaan simultan, yaitu:  Under Identified Model adalah model dengan jumlah parameter yang di estimasi lebih besar dari jumlah data yang diketahui data tersebut merupakan variance dan covariance dari variabel-variabel teramati. Dari definisi tersebut under identified model pada SEM mempunyai degree of freedom 0. Jadi dapat disimpulkan, bahwa model yang under identified mempunyai degree of freedom negatif.  Just Identified Model adalah model dengan jumlah parameter yang di estimasi sama dengan data yang diketahui. Dari definisi tersebut just identified model pada SEM mempunyai degree of freedom = 0. Jadi dapat disimpulkan, bahwa model yang just identified mempunyai degree of freedom nol.  Over Identified Model adalah model dengan jumlah parameter yang di estimasi lebih kecil dari jumlah data yang diketahui. Dari definisi tersebut over identified model pada SEM mempunyai degree of freedom = +1. Jadi dapat disimpulkan, bahwa model yang over identified mempunyai degree of freedom positif. Di dalam SEM, berusaha untuk memperoleh model yang over identified dan menghindari model yang under identified. Meskipun demikian jika ada indikasi permasalahan berkaitan dengan identifikasi, kita perlu melihat sumber-sumber kesalahan yang sering terjadi Hair et al. dalam Wijanto, 2008 yaitu: 1 banyaknya parameter yang diestimasi relative terhadap varian-kovarian matrik sampel, yang menandakan degree of freedom yang kecil serupa dengan overfitting data problem yang banyak ditemui di teknik multivariat lainnya, 2 penggunaan reciprocal effect, 3 kegagalan dalam menetapkan skala dari konstruk. Mueller dalam Wijanto ,2008 menyarankan salah satu usaha yang dapat dilakukan untuk memperoleh model yang over identified adalah memilih satu dari dua pilihan sebagai berikut: 1 Menetapkan salah satu muatan faktor dari setiap variabel laten yang ada dalam model dengan nilai 1.0 atau 2 Variabel laten di standarisasikan ke unit variance, yaitu dengan menetapkan nilai 1 pada varian dari matrik. Jika usaha di atas belum bisa mengatasi masalah identifikasi, maka menurut Hair et al. dalam Wijanto, 2008 satu-satunya solusi adalah menentukan pembatasan-pembatasan constraints terhadap model lebih banyak lagi, yaitu dengan mengeliminasi beberapa koefisien atau muatan faktor yang ada di dalam model sampai masalah identifikasi dapat diatasi. 3. Estimasi Estimation 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 ditentukan berdasarkan karakteristik dari variabel-variabel yang di analisis. Metode estimasi yang digunakan pada penelitian ini adalah Maximum Likelihood Estimator MLE, maka analisis awal terhadap hasil estimasi difokuskan kepada model pengukuran atau measurement equations dan hal- hal sebagai berikut diperiksa:  Memeriksa hasil estimasi terhadap kemungkinan adanya offending estimates nilai-nilai estimasi yang melebihi batas yang dapat diterima, terutama adanya negative error variances heywod cases. Jika ada varian kesalahan negatif, maka salah satu cara untuk memperbaikinya adalah dengan menetapkan error variances tersebut ke nilai positif yang sangat kecil misalnya 0,005 atau 0,01.  T-values dari muatan faktor estimasi 1,96. Jika ada nilai-t dari estimasi muatan faktor 1,96, berarti estimasi muatan faktor tersebut tidak signifikan dan variabel teramati yang terkait bisa dihapuskan dalam model.  Jika ada nilai standardized loading factors muatan faktor standar 0,50 tetapi masih ≥ 0,γ0 maka variabel yang terkait bisa dipertimbangkan untuk tidak dihapus. Penggunaan batas kritikal 0,30 atau 0,50 sepenuhnya terserah kepada peneliti, dengan mempertimbangkan teori atau subtansi yang mendasari model, banyaknya varabel teramati yang tersisa setelah penghapusan dan reliabilitas model pengukuran yang terkait. 4. Uji Kecocokan Model Testing Fit 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.

a. Uji Kecocokan Keseluruhan Model

Uji kecocokan keseluruhan model atau overall model fit berkaitan dengan analisis terhadap GOF statistik yang dihasilkan oleh program. Pengujian ini menggunakan pedoman ukuran-ukuran GOF. Ukuran yang dapat digunakan sebagai patokan kecocokan keseluruhan model dalam SEM adalah sebagai berikut Firdaus dalam Elbany, 2009:  Nilai chi-square dan probabilitas P. Ukuran ini pada dasarnya merupakan pengujian seberapa dekat matriks hasil dugaan dengan matriks data asal dengan menggunakan uji chi- square. Semakin kecil nilai ukuran ini maka model yang digunakan semakin baik. Ukuran ini sensitif terhadap ukuran contoh sehingga harus didampingi dengan ukuran kesesuaian model yang lain. Untuk memperoleh chi-square relatif, uji chi-square biasanya dibandingkan dengan nilai derajat bebas degree of freedom. Model yang baik membutuhkan nilai chi-square yang lebih kecil daripada nilai derajat bebasnya. Nilai p berkisar antara 0 sampai 1 dan model persamaan struktural akan semakin baik jika nilai p mendekati 1.  Root Mean Square Error of Approximation RMSEA. RMSEA mengukur penyimpangan nilai parameter pada suatu model dengan matriks kovarians populasinya atau bisa dikatakan RMSEA mengukur kedekatan suatu model terhadap populasi. Suatu model dikatakan baik apabila nilai RMSEA kurang dari 0,05; reasonable jika lebih kecil dari 0,08, cukup apabila kurang dari 0,1 dan buruk apabila lebih dari 0,1.  Root Mean Square Residuals RMR. Ukuran ini menunjukkan nilai sisaan dari kovarian suatu model yang dibangun. Suatu model dikatakan baik apabila nilai sisaannya lebih kecil dari 0,1. Nilai sisaan yang semakin kecil dan mendekati 0, maka model dikatakan semakin baik.  Goodness of Fit Index GFI. GFI merupakan ukuran yang menunjukkan seberapa besar model yang mampu menerangkan keragaman data. Nilai GFI harus berkisar antara 0-1. Batas minimal 0,9 sering dijadikan patokan suatu model dikatakan baik. Model yang memiliki nilai GFI lebih besar dari 0,9 berarti model semakin baik.  Adjusted Goodness of Fit Index AGFI. Ukuran ini merupakan modifikasi dari GFI dengan mengakomodasi derajat bebas model dengan model lain yang dibandingkan. Sama halnya dengan GFI, nilai AGFI sebesar 1 menunjukkan bahwa model memiliki perfect fit. Sedangkan model yang dikatakan fit adalah yang memiliki nilai minimal AGFI sebesar 0,9.

b. Analisis Model Pengukuran