10 Seperti telah dijelaskan dalam Analisis Path, bahwa panah satu arah
menunjukkan hubungan pengaruh kausalitas, sedangkan panah bolak-balik menunjukkan adanya korelasi.
Dapat dengan mudah dipahami bahwa variabel motivasi,
task- spesific self-esteem,
dan
job satisfaction
merupakan variabel yang bersifat
unobservable
. Untuk mengukur variabel-variabel tersebut dikembangkan indikator sebagai variabel manifest:
a Motivasi : X
1
dan X
2
b Task-spesific self-esteem : X
3
dan X
4
c Intelligence : X
5
d Performance : Y
1
e Job satisfaction : Y
2
dan Y
3
.
Gambar 7. Diagram Path Model Struktural dan Model Pengukuran Dengan demikian, bilamana measurement model ini dimasukkan ke
dalam diagram path, maka diperoleh diagram path model struktural dan model pengukuran secara terintegrasi seperti pada Gambar 7.
c. Konversi Diagram Path ke dalam Model Struktural
Konversi diagram path, Model Struktural, ke dalam model matematika menjadi sebagai berikut:
1
=
1 2
+
2
ξ
2
+
3
ξ
3
+
1 2
=
2 1
+
1
ξ
1
+
2
atau: Job satisfaction =
1
Performance +
2
Task +
3
Intelligence +
1
Performance =
2
Job satisfaction +
1
εotivasi +
2
Motiv
Task
Inteligenc Perform
Satisfac
Y3 Y2
Y1 X1
X2
X3 X4
X5
11 Konversi diagram path, model pengukuran, ke dalam model
matematika menjadi sebagai berikut: X
1
= λ
1
ξ
1
+
1
X
2
= λ
2
ξ
1
+
2
X
3
= λ
3
ξ
2
+
3
X
4
= λ
4
ξ
2
+
4
X
5
= λ
5
ξ
3
+
5
d. Memilih Matriks Input Data input untuk SEM dapat berupa matriks korelasi atau matriks
kovarians. Kalau dalam
Prinsile Component Analysis
atau
Factor Analysis
, data input berupa matriks korelasi, bilamana data dari variabel yang akan dianalisis memiliki unit satuan dan atau skala yang berbeda-
beda, sedangkan digunakan matriks ragam-peragam bilamana data dari variabel yang akan dianalisis memiliki unit satuan skala sama.
Dalam SEM input data berupa matriks kovarian, bilamana tujuan dari analisis adalah pengujian suatu model yang telah mendapatkan
justifikasi teori. Sehingga tidak dilakukan interpretasi terhadap besar- kecilnya pengaruh kausalitas pada jalur-jalur yang ada di dalam model.
Hal ini sulit dilakukan, mengingat setiap koefisien harus dilakukan interpretasi sesuai dengan unit satuan variabel latennya. Di samping itu,
bilamana input data berupa matriks kovarian, maka interpretasi hasil analisis setara dengan pendugaan parameter pada ILS atau TSLS atau
Model Rekursif. Dengan demikian hasil analisis SEM mirip dengan Analisis Regresi, dimana model yang diperoleh dapat digunakan untuk
penjelasan fenomena yang dikaji atau dapat digunakan untuk kepentingan prediksi prakiraan.
Sedangkan input data matrik korelasi dapat digunakan bilamana tujuan analisis ingin mendapatkan penjelasan mengenai pola hubungan
kausal antar variabel laten. Dengan input data berupa matrik korelasi, peneliti dapat melakukan eksplorasi jalur-jalur mana yang memiliki
pengaruh kausalitas lebih dominan dibandingkan jalur lainnya. Demikian juga dapat diketahui variabel eksogen mana yang kontribusi pengaruhnya
lebih besar terhadap variabel endogen dibandingkan yang lainnya. Pembandingan ini dapat dilakukan, mengingat dalam proses perhitungan
matriks korelasi, semua variabel ditransformasikan ke variabel baku normal standar sehingga semuanya tidak memiliki satuan dan
mempunyai skala sama -4 sd +4. Y
1
= λ
6 1
+
1
Y
2
= λ
7 2
+
2
Y
3
= λ
8 2
+
3
12
e. Menilai Masalah Identifikasi