3.7.2.2 Tahapan dalam Analisis SEM
SEM terdiri dari tujuh tahapan sebagai berikut Firdaus 2008: 1.
Pengembangan model berdasarkan teori. Pada prinsipnya tahap ini merupakan pengujian kausalitas secara
empiris yang sudah ada dan digunakan untuk mengkonfirmasi model teoritis tersebut. Tujuannya adalah untuk mengembangkan sebuah model yang
mempunyai justifikasi pembenaran secara teoritis yang kuat guna mendukung upaya analisis terhadap suatu maslah yang sedang dikajiditeliti.
2. Pengembangan diagram alur path diagram
Model teoritis yang telah dibangun pada tahap pertama akan digambarkan dalam sebuah diagram alur path diagram yang akan
mempermudah untuk melihat hubungan kausalitas yang akan diuji. 3.
Mengkonversi diagram alur kedalam persamaan struktural Langkah ini membentuk persamaan-persamaan pada model struktural
dan model pengukuran untuk menyatakan hubungan kausalitas. 4.
Pemilihan matriks input dan teknik estimasi. Tujuan tahap ini adalah menetapkan data input yang digunakan dalam
pemodelan dan teknik estimasi model.Data input SEM merupakan matriks kovarian untuk melakukan pengujian model dari teori yang ada setara dengan
regresi untuk digunakan dalam penjelasan atau prediksi fenomena yang dikaji. 5.
Evaluasi masalah identifikasi model. Tahap ini dilakukan untuk mendeteksi ada tidaknya masalah
identifikasi berdasarkan evaluasi terhadap hasil estimasi yang dilakukan program komputer. Masalah identifikasi pada prinsipnya merupakan masalah
mengenai ketidakmampuan model yang dikembangkan menghasilkan estimasi yang unik. Apabila setiap kali estimasi dilakukan muncul masalah
identifikasi, maka sebaiknya model dipertimbangkan ulang dengan mengembangkan lebih banyak konstruk.
6. Evaluasi Asumsi dan Kesesuaian model.
Suatu model SEM dapat diterima keabsahannya apabila memenuhi persyaratan ukuran kesesuaian goodness of fit. Hal ini karena dalam SEM
terdapat lebih dari satu alat uji statistik untuk mengukur atau menguji hipotesis mengenai model sehingga digunakan beberapa fit indeks untuk
mengukur kebenaran-kebenaran model. Beberapa indeks kesesuaian dan cut off value antara lain :
a. Degree of freedom DF; merupakan selisih antara banyaknya koragam
atau korelasi data dengan banyaknya koefisien yang akan diduga. Nilai DF harus positif yang menandakan model tidak underidentified. Pada
umumnya berkisar antara 2,0 sampai 3,0. b.
X
2
- Chi-Square; merupakan pengujian seberapa dekat matriks hasil dugaan dengan matriks data asal dengan menggunakan uji khi-kuadrat
X
2
. Semakin kecil nilai X
2
, semakin baik model tersebut dan diterima berdasarkan probabilitas dengan cut off value sebesar p 0,05 atau p 0,1
c. Root means square errors of approximation RMSEA. RSMEA
merupakan akar dari rata-rata sisaan kuadrat pada tingkat populasi. RSMEA menunjukkan goodness of fit yang diharapkan bila model
diestimasi dalam populasi. Syarat nilai RSMEA agar model dapat diterima atau menunjukkan close fit adalah kurang dari atau sama dengan 0,08.
d. Goodness of Fit Index GFI dan Adjusted Goodness of Fit Index AGFI;
merupakan ukuran non statistikal yang mempunyai rentang nilai antara 0 poor fit sampai dengan 1,0 perfect fit yang memperhitungkan proporsi
tertimbang dari varian dalam sebuah matriks kovarian contoh. Nilai GFI dan AGFI 0,9 menunjukkan good fit baik, jika berkisar 0,8 GFI dan
AGFI 0,9 menunjukkan moderate fit sedang. e.
Comparative Fit Index CFI; merupakan indeks yang besarannya tidak dipengaruhi oleh ukuran contoh, sehingga sangat baik untuk mengukur
tingkat penerimaan sebuah model. Nilai CFI yang diharapkan adalah 0,90.
f. Root Mean Residual RMR
Alat uji ini pada dasarnya menghitung selisih kovarian sampel dengan kovarian estimasi. Tingkat kecocokan model pada uji RMR menunjukkan
bahwa semakin kecil nilai RMR maka model tersebut akan semakin baik good fit.
g. Normed Fit Index NFI
Indeks ini pada dasarnya membandingkan χ
2
hitung pada berbagai model. Kisaran nilai NFI adalah antara 0 sampai dengan 1, dengan nilai yang
lebih tinggi adalah lebih baik. h.
Aikake Information Criterion AIC AIC merupakan informasi berdasarkan statistical information theory dan
digunakan untuk membandingkan beberapa model saturated dan independence model dengan jumlah konstruk yang berbeda. AIC tidak
berkaitan dengan ukuran sampel. Nilai AIC model yang lebih kecil daripada AIC yang diperoleh pada saturated dan independence model
mengindikasikan bahwa model adalah fit. i.
Expected Cross-Validation Index ECVI Proses pembandingan ECVI sama halnya dengan AIC, yaitu
membandingkan antara saturated model dan independence model. Nilai ECVI model yang lebih kecil daripada ECVI yang diperoleh pada
saturated dan independence model mengindikasikan bahwa model adalah fit.
Dengan demikian, indeks-indeks yang digunakan untuk menguji kelayakan sebuah model adalah seperti tercantum dalam tabel berikut:
Tabel 8. Indeks Pengujian Kelayakan Model
Goodness of fit index Cut-off value
X
2
Chi Square Diharapkan kecil
GFI Kisaran 0-1; GFI
≥ 0,90 good fit AGFI
Kisaran 0-1; AGFI ≥ 0,90 good fit
RMR Kisaran 0 -1; lebih kecil lebaih baik
NFI Kisaran 0-1; NFI
≥ 0,95 good fit CFI
Kisaran 0-1; CFI ≥ 0,95 good fit
PRATIO ≥ 0,95
RMSEA RMSEA ≤ 0,05: good fit; 0,08
RMSEA 0,1: moderate fit; RMSEA 0,1: poor fit
AIC
Nilai yang kecil dan mendekati AIC saturated
ECVI Nilai yang kecil dan mendekati ECVI
saturated
Sumber: Byrne 2010 7.
Interpretasi dan modifikasi model Tahap terakhir adalah melakukan interpretasi hasil dan modifikasi bagi
model-model yang tidak memenuhi syarat pengujian. Pedoman untuk mempertimbangkan perlu tidaknya dilakukan modifikasi model adalah nilai
residual yang dihasilkan model tersebut. Batas keamanan jumlah residual adalah 2. Apabila nilai residual lebih besar dari 2, maka sebuah
modifikasi perlu dilakukan.
BAB IV GAMBARAN UMUM ORGANISASI