47 model variabel dependen dan independen di dalam suatu analisis Hair et al.
2006. Model SEM mempunyai karakteristik yang berbeda dengan regresi biasa. Regresi pada umumnya menspesifikasikan hubungan antara variabel-variabel
teramati, sedangkan pada model SEM, hubungan terjadi di antara variabel- variabel tidak teramati variabel laten. Gujarati 1995, diacu dalam Wijayanto
2008, menjelaskan kelebihan SEM dibandingkan dengan analisis regresi berganda. Penggunaan variabel-variabel laten pada regresi berganda
menimbulkan kesalahan-kesalahan pengukuran yang berpengaruh pada estimasi parameter. Masalah kesalahan pengukuran tersebut dapat diatasi oleh SEM
melalui persamaan-persamaan yang ada pada model pengukuran. Parameter- parameter dari persamaan pada model pengukuran SEM merupakan muatan faktor
dari variabel laten terhadap indikator yang terkait. Dengan demikian, model SEM tersebut selain memberikan informasi tentang hubungan di antara variabel-
variabelnya, juga memberikan informasi tentang muatan faktor dan kesalahan- kesalahan pengukuran.
4.5.4.1. Tahapan Prosedur SEM
Data-data yang telah terkumpul melalui kuisioner, kemudian direkapitulasi dengan menggunakan program MS Excel 2007. Hasil olahan tersebut selanjutnya
menjadi input dan dianalisis dengan metode SEM menggunakan bantuan program LISREL 8.72. Prosedur SEM secara umum mengandung tahap-tahap sebagai
berikut Bollen Long 1993, diacu dalam Wijayanto 2008; Sitinjak Sugiarto 2006:
1 Spesifikasi Model
Spesifikasi model dilakukan terhadap permasalahan yang diteliti. Model yang ditetapkan akan sangat baik jika didasarkan pada rujukan atau
teori ahli yang relevan. Spesifikasi model secara garis besar dijalankan dengan menspesifikasi model pengukuran serta menspesifikasi model
struktural. Spesifikasi model pengukuran meliputi aktivitas mendefinisikan variabel-variabel laten, mendefinisikan variabel-variabel teramati, dan
mendefinisikan hubungan antara variabel laten dengan variabel-variabel teramati. Spesifikasi model struktural dilakukan dengan mendefinisikan
hubungan di antara variabel-variabel laten. Hubungan diantara variabel-
48 variabel laten dan teramati dapat lebih mudah dipahami dengan
mengembangkan path diagram model hybrid. 2
Identifikasi Tahapan identifikasi dimaksudkan untuk menjaga agar model yang
dispesifikasikan bukan merupakan model yang under-identified atau unindentified
. Model yang dispesifikasi diharapkan merupakan over- identified
model, yaitu model dimana jumlah parameter yang diestimasi lebih kecil dari jumlah data yang diketahui. Pada kondisi over-identified,
penyelesaian model diperoleh melalui proses estimasi iteratif. 3
Estimasi Estimasi dilakukan untuk memperoleh nilai dari parameter-parameter
yang ada dalam model sedemikian rupa sehingga matrik kovarian yang diturunkan dari model
∑
sedekat mungkin atau sama dengan matrik kovarian populasi dari variabel-
variabel teramati ∑. Estimasi terhadap model dapat dilakukan menggunakan salah satu dari metode estimasi yang tersedia,
seperti maximum likelihood dan weighted least squares. 4
Uji Kecocokan Tahapan ini ditujukan untuk mengevaluasi derajat kecocokan atau
Goodness Of Fit GOF antara data dan model. Penilaian derajat kecocokan
suatu SEM secara menyeluruh tidak dapat dijalankan secara langsung sebagaimana pada teknik multivariat yang lain. Karena itu dikembangkan
beberapa ukuran derajat kecocokan yang dapat digunakan secara saling mendukung. Ukuran-ukuran GOF dikelompokkan ke dalam tiga bagian
antara lain absolute measures ukuran kecocokan absolut, incremental fit measures
ukuran kecocokan inkremental, dan parsimonious fit measures ukuran kecocokan parsimoni. Ukuran kecocokan absolut digunakan untuk
menentukan derajat prediksi model keseluruhan model struktural dan model pengukuran terhadap matrik korelasi dan kovarian. Ukuran kecocokan
inkremental digunakan untuk membandingkan model yang diusulkan dengan model dasar. Ukuran kecocokan parsimoni digunakan untuk mengetahui
derajat kehematan model. Kriteria kecocokan keseluruhan model yang diuji pada penelitian ini dapat dilihat pada Tabel 7 dan Tabel 8.
49 Tabel 7. Absolute Measures Ukuran Kecocokan Absolut
UKURAN KECOCOKAN ABSOLUT UKURAN
DERAJAT KECOCOKAN
TINGKAT KECOCOKAN YANG BISA DITERIMA Root Mean Square
Error of Approximation
RMSEA Rata-rata perbedaan per degree of freedom yang diharapkan
terjadi dalam
populasi dan
bukan dalam
sampel, RMSEA
≤ 0,05 adalah close fit, 0,05 RMSEA ≤ 0,08 adalah good fit
, 0,08 RMSEA ≤ 0,10 adalah marginal fit, sedangkan
RMSEA 0,10 adalah poor fit Goodness of Fit
Index GFI
Nilai berkisar antara 0-1 dengan nilai lebih tinggi adalah lebih baik. GFI ≥ 0,90 adalah good fit, 0,80 ≤ GFI 0,90 adalah
marginal fit, sedangkan GFI 0,80 adalah poor fit
Sumber: Wijayanto 2008
Tabel 8. Incremental Fit Measures Ukuran Kecocokan Inkremental
UKURAN KECOCOKAN INKREMENTAL UKURAN
DERAJAT KECOCOKAN
TINGKAT KECOCOKAN YANG BISA DITERIMA Normed Fit Index
NFI Nilai berkisar antara 0-1 dengan nilai lebih tinggi adalah lebih
baik. ζFI ≥ 0,90 adalah good fit, 0,80 ≤ ζFI 0,90 adalah marginal fit,
sedangkan GFI 0,80 adalah poor fit Tucker-Lewis
Index atau Non-
Normed Fit Index TLI atau NNFI
Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. TδI ≥ 0,90 adalah good-fit, 0,80 ≤ TδI 0,90 adalah
marginal fit, sedangkan GFI 0,80 adalah poor fit
Comparative Fit Index
CFI Nilai berkisar antara 0-1 dengan nilai lebih tinggi adalah lebih
baik. CFI ≥ 0,90 adalah good fit, 0,80 ≤ CFI 0,90 adalah marginal fit,
sedangkan GFI 0,80 adalah poor fit Incremental Fit
Index IFI
Nilai berkisar antara 0-1 dengan nilai lebih tinggi adalah lebih baik. IFI ≥ 0,90 adalah good fit, 0,80 ≤ IFI 0,90 adalah marginal
fit, sedangkan GFI 0,80 adalah poor fit
Relative Fit Index RFI
Nilai berkisar antara 0-1 dengan nilai lebih tinggi adalah lebih baik. RFI ≥ 0,90 adalah good fit, 0,80 ≤ RFI 0,90 adalah
marginal fit, sedangkan GFI 0,80 adalah poor fit
Sumber: Wijayanto 2008
Parsimonious Fit Measures Ukuran Kecocokan Parsimoni diukur
menggunakan derajat kecocokan normed chi-square. Normed chi-square yaitu r
asio antara chi-square dibagi dengan degree of freedom. Nilai yang disarankan yaitu batas bawah = 1,0 dan batas atas = 3,0, untuk melihat kesesuaian
model dengan data good fit.
50 5
Respesifikasi Tahapan ini ditujukan untuk melakukan spesifikasi ulang terhadap
model untuk memperoleh derajat kecocokan yang lebih baik. Respesifikasi ini sangat tergantung kepada strategi pemodelan yang dipilih. Pada penelitian
ini strategi yang dipilih yaitu model generating atau model development strategy
. Tahapan yang dilakukan dimulai dari spesifikasi suatu model awal, dilanjutkan dengan pengumpulan data empiris. Selanjutnya dilakukan
analisis dan pengujian apakah data cocok dengan model. Jika tingkat kecocokan kurang baik, maka model dimodifikasi dan diuji kembali dengan
data yang sama. Respesifikasi model diperlukan jika modelnya tidak memiliki kemampuan yang diharapkan. Proses ini dapat dilakukan berulang-
ulang sampai diperoleh tingkat kecocokan terbaik.
4.5.4.2. Formulasi Model SEM
