3. Mengembangkan Persamaan Structural
Tahap ini adalah mengkonversikan diagram jalur ke dalam model persamaan, contoh persamaan Keadilan
Measurement Equation : X11 =
λ1 Keadilan + er 1 X12 =
λ2 Keadilan + er 2 X13 =
λ3 Keadilan + er 3 Persamaan diatas dinyatakan dalam sebuah pengukuran model untuk
diuji unidimensionalitasnya melalui confirmatory factor analysis, maka model pengukuran dengan contoh Keadilan akan nampak sebagai
berikut :
Gambar 4. Contoh Model Pengukuran Keadilan
Keterangan : X11 = Pertanyaan survey gaji.
X12 = Pertanyaan evaluasi suatu nilai pekerjaan atau jabatan. X13 = Pertanyaan tarif upah atau tingkatan upah.
Er_j = error term X1 j Demikian juga faktor lain seperti Kebijakan, Faktor Hukum, Serikat
Pekerja, Kompensasi, Motivasi dan Kinerja Karyawan. er_2
er_1
er_3 Keadilan
X11
X12
X13 1
1
1
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4. Pemilihan Matriks Input dan Teknik Estimasi Model
Pemilihan matriks input dan teknik estimasi atas model yang dibangun, dalam SEM input data hanya ada dua macam, yaitu : matriks korelasi
atau matrix covariace. Analisis data bertujuan melakukan pengujian suatu model yang telah mendapatkan justifikasi teori, sehingga input
datanya adalah data matriks varian-kovarian, dimana tidak dilakukan interpretasi terhadap besar kecilnya pengaruh kualitas pada jalur-jalur
dalam model. Input data matrik korelasi dapat digunakan bilamana tujuan analisis
adalah ingin mendapatkan penjelasan mengenai pola hubungan kausal antar variabel, dimana peneliti dapat melakukan eksplorasi jalur-jalur
mana yang memiliki pengaruh kualitas lebih dominan dibandingkan dengan jalur lainnya. Teknik estimasi yang digunakan adalah teknik
estimasi Maximum Likelihood Solimun, 2002.
5. Menilai Problem Identifikasi Penilaian Identifikasi Model
Penilaian identifikasi model ini untuk menilai problem identifikasi yaitu problem mengenai ketidakmampuan suatu model yang diusulkan
dalam menghasilkan suatu estimasi yang unik. Salah satu cara mengatasi masalah ini adalah dengan memberikan lebih banyak
konstrain pada model yang dianalisis tersebut. Ciri-ciri adanya problem identifikasi adalah sebagai berikut :
a. Munculnya standard error yang sangat besar pada satu atau
beberapa faktor.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
b. Program tidak mampu menghasilkan matriks informasi yang seharusnya disajikan.
c. Munculnya angka-angka aneh, misalnya varian error negatif.
d. Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat lebih dari 0,9.
e. Pendugaan tidak dapat diperoleh, misalnya terjadi matriks tidak defisit positif.
6. Evaluasi Penerimaan Model Evaluasi Goodness of Fit Model
Kategori