distribusi normal baku. Distribusi normal baku adalah data yang telah ditransformasikan ke dalam bentuk Z-Score dan diasumsikan normal.
Penerapan pada uji Kolmogorov Smirnov adalah bahwa jika nilai signifikan di bawah 0,05 berarti data yang akan diuji mempunyai perbedaan
yang besarsignifikan dengan data normal baku atau dalam arti lain data tersebut tidak normal. Jika nilai signifikan di atas 0,05 berarti tidak terdapat
perbedaan yang signifikan antara data yang akan diuji dengan data normal baku atau data yang diuji normal.
Ada beberapa hal yang bisa dilakukan jika data yang dianalisis tidak terdistribusi secara normal:
a. Menambah jumlah data b. Menghilangkan data yang menjadi outliner pencilan
c. Melakukan transformasi data
3.4.3 Structural Equation Modelling SEM
Structural equation modeling SEM adalah teknik statistik multivariat yang merupakan kombinasi antara analisis faktor dan analisis regresi
korelasi, yang bertujuan untuk menguji hubungan-hubungan antar variabel yang ada pada sebuah model, baik itu antar indikator dengan konstruknya,
ataupun hubungan antar konstruk. Marayuma 1998 menyebutkan SEM adalah sebuah model statistik
yang memberikan perkiraan perhitungan dari kekuatan hubungan hipotesis di antara variabel dalam sebuah model teoritis, baik secara langsung atau
melalui variabel antara. SEM adalah model yang memungkinkan pengujian sebuah rangkaian hubungan yang relatif rumit.
SEM telah dikemukakan oleh para ahli statistik pada tahun 1950-an namun baru mulai dikembangkan pada tahun 1970-an. Awal perkembangan
Metode SEM diawali dengan diciptakannya metode estimasi maximum likehood oleh Joreskog dan Sorbom hingga kemudian bermunculan berbagai
software khusus SEM seperti Amos, Lisrel, dan EQS. Prosedur SEM secara umum mengandung tahap-tahap sebagai berikut
Bollen dan Long, 1993:
a. Spesifikasi model model specification
Tahap ini berkaitan dengan pembentukan model awal persamaan struktural, sebelum dilakukan estimasi. Model awal diformulasikan
berdasarkan suatu teori atau penelitian sebelumnya. b.
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.
c. 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
dianalisis. d.
Uji kecocokan testing fit Tahap ini berkaitan dengan pengujian kecocokan antara model dengan
data. Beberapa kriteria ukuran kecocokan atau goodness of fit yang dapat digunakan untuk melaksanakan langkah ini antara lain:
1. X
2
Chi Square Statistic dan probabilitas Alat uji fundamental untuk mengukur overall fit adalah likehood
ratio chi square statistic. Model dikategorikan baik jika mempunyai chi square = 0 berarti tidak ada perbedaan. Tingkat signifikan
penerimaan yang direkomendasikan adalah p ≥ 0,05 yang berarti matriks input sebenarnya dengan matriks input yang diprediksi tidak
berbeda secara statistik. 2.
CMINDF Normed Chi Square CMINDF adalah ukuran yang diperoleh dari nilai chi square dibagi
degree of freedom. Nilai yang direkomendasikan untuk menerima kesesuaian sebuah model adalah nilai CMINDF yang lebih kecil
atau sama dengan 2,00.
3. GFI Goodness of Fit Index
Digunakan untuk menghitung proporsi tertimbang dari varian dalam matriks kovarian sampel yang dijelaskan oleh matriks kovarian
populasi yang terestimasikan. Indeks ini mencerminkan tingkat kesesuaian model secara keseluruhan yang dihitung dengan residual
kuadrat model yang diprediksi dibandingkan dengan data yang sebenarnya. Nilai Goodness of Fit Index biasanya dari nol sampai
satu. Nilai yang lebih baik mendekati satu mengindikasikan model yang diuji memiliki kesesuaian yang baik.
4. AGFI adjusted GFI
AGFI merupakan pengembangan dari GFI yang disesuaikan dengan degree of freedom yang tersedia untuk menguji diterima tidaknya
model. Tingkat penerimaan yang direkomendasikan adalah mempunyai nilai sama atau lebih besar dari 0,9.
5. TLI Tucker-Lewis Index
TLI adalah sebuah alternatif incremental fit index yang membandingkan sebuah model yang diuji terhadap sebuah baseline
model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah lebih besar atau sama dengan 0,9
dan nilai mendekati 1. e.
Respesifikasi respecification Tahap ini berkaitan dengan respesifikasi model berdasarkan atas hasil uji
kecocokan tahap sebelumnya.
IV. HASIL DAN PEMBAHASAN
