P. 1
Testing Structural Equations Models Tugas-6

Testing Structural Equations Models Tugas-6

|Views: 14|Likes:
Published by FridRachman

More info:

Published by: FridRachman on Jan 11, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

03/18/2014

pdf

text

original

Mata Kuliah Dosen

: Statistik Multivariat : Dr. Abdul Hamid Habbe, SE.,M.Si

TESTING STRUCTURAL EQUATIONS MODELS

FATIMAH NURFITRIYANTI HALMI

P3400212007 P3400212008 P3400212009

Program Pascasarjana Magister Akuntansi Universitas Hasanuddin 2013

TESTING STRUCTURAL EQUATIONS MODELS APA ITU MODEL STRUKTURAL SEM adalah penggabungan antara dua konsep statistika, yaitu konsep analisis faktor yang masuk pada model pengukuran (measurement model) dan konsep regresi melalui model struktural (structural model). Model pengukuran menjelaskan hubungan antara variabel dengan indikator-indikatornya dan model struktural menjelaskan hubungan antar variabel. Model pengukuran merupakan kajian dari psikometrika sedangkan model struktural merupakan kajian dari statistika. Tujuan dari teori pengukuran adalah menghasilkan cara untuk mengukur konsep secara handal dan valid. Teori pegukuran diuji oleh seberapa baik variabel indikator dari konsruk teoritis berhubungan satu sama lain. Hubungan antara indikator ditemukan dalam matriks kovarians. CFA menguji teori pengukuran dengan menyediakan bukti keabsahan tindakan individu berdasarkan fit keseluruhan model dan bukti lain dari validitas konstruk. CFA sendiri terbatas dalam kemampuannya dalam memeriksa sifat hubungan antara konstruksi di luar korelasi sederhana. Dengan demikian, sebuah teori pengukuran lebih sering diartikan sebagai akhir untuk memeriksa hubungan antara konsruksi, bukan tujuan itu sendiri. Sebuah teori struktural adalah representasi konseptual dari hubungan struktural antara konstruksi. Hal ini dapat dinyatakan dalam model struktural yang merupakan teori dengan satu set persamaan struktural dan biasanya digambarkan dengan diagram visual. Hubungan struktural antara dua dua konstruksi diwakili secara empiris oleh estimasi parameter struktural, juga dikenal sebagai estimasi path. Model struktural disebut dengan beberapa istilah, termasuk model teoritikal atau kadang-kadang sebuah model kausal. Sebuah model kausal menyimpulkan bahwa hubungan memenuhi kondisi yang diperlukan untuk sebab-akibat. Peneliti harus berhati-hati untuk melukiskan model kesimpulan kausal kecuali semua persyaratan tersebut dipenuhi. Alasan yang mendasari digunakannya SEM adalah : 1. SEM mempunyai kemampuan untuk mengestimasi hubungan antara variabel yang bersifat multiple relationship. Hubungan ini dibentuk dalam model struktural (hubungan antara konstrak laten eksogen dan endogen). 2. SEM mempunyai kemampuan untuk menggambarkan pola hubungan antara konstrak laten (unobserved) dan variabel manifest (manifest variabel atau variabel indikator).

3. SEM mempunyai kemampuan mengukur besarnya pengaruh langsung, pengaruh tidak langsung, dan pengaruh total antara konstrak laten (efek dekomposisi). CONTOH SEDERHANA DARI MODEL STRUKTURAL Transisi dari model pengukuran untuk model struktural adalah penerapan teori struktural yang ketat dalam hal hubungan antar konstruksi. Sebuah model pengukuran biasanya mewakili semua konsruksi dengan hubungan noncausal atau hubungan korelasi diantara mereka. Model struktural menggunakan teori struktural dengan menetapkan konstruk terkait satu sama lain dan sifat dari setiap hubungan. Kami akan memeriksa contoh pengukuran model sderhana untuk menggambarkan hal ini. Gambar 1 menunjukkan sebuah model struktural dengan dua konstruk, Asumsi sekarang adalah konstruk pertama – dukungan supervisor – yang berhubungan dengan kepuasaan kerja dengan cara dimana hubungan dapat dinyatakan sebagai koofisien regresi. Dalam gambar hubungan ini ditampilkan sebagai hubungan struktural dan diberi label dengan P = perkiraan path. Dalam teori kausal, model menyatakan secara tidak langsung bahwa dukungan supervisor akan menyebabkan atau membantu membawa kepuasan kerja.

Diagram 1 menunjukkan persamaan dengan model CFA. Tetapi ketika kita bergerak/berpindah dari model pengukuran (Model CFA) ke model struktural, terdapat beberapa perubahan dalam singkatan, teminologi, dan notasi. Tidak ada perubahan yang dibuat disisi kiri diagram yang mewakili konstruk dukungan pegawas. Tetapi ada perubahan di daerah lain, termasuk yang berikut :  Hubungan antara dukungan supervisor dan konsruksi kepuasan kerja di CFA akan diwakili oleh panah berkepala dua melengkung (hubungan korelasional). Ini adalah perubahan hubungan ke hubungan dependen dan sekarang diwakili dalam gambar 1 oleh panah tunggal berkepala (P = Perkiraan Path). Panah ini dapat dianggap sebagai hubungan yang

direpresentasikan dalam model regresi dan diperkirakan oleh koofisien regresi. Jalan ini menunjukkan arah hubungan dalam model sruktural dan merupakan hubungan struktural yang akan diperkirakan. Namun, jarang akan memiliki nilai yang sama dengan menggunakan SEM karena informasi lebih banyak digunakan untuk menurunkan nilainya, termasuk informasi yang memungkinkan koreksi untuk kesalahan pengukuran. Model Struktural di SEM berbeda dari model CFA karena penekanan bergerak dari hubungan antara konstruksi laten dan variabel indikator diukur dengan sifat dan besarnya hubungan antara konstruksi.  Konstruksi sekarang diidentifikasikan secara berbeda. Dalam CFA konsruksi eksogen dan endogen tidak dibedakan tetapi dengan model struktural kita harus membedakan antara konstruksi eksogen dan endogen. Variabel independen tradisional kini berlabel eksogen dan masih terhubung oleh korelasi (berkepala dua panah melengkung). Variabel dependen tradisional kini berlabel endogen. Teori ini diuji dengan memeriksa efek dari endogen konstruksi (prediktor) pada konstruksi endogen (hasil). Juga, dengan sebagian besar model SEM ada lebih dari satu konstruk endogen, sehingga Anda memiliki satu konstruk endogen untuk memprediksi yang lain. Dalam kasus seperti ini, satu atau lebih dari endogen yang membangun dioperasikan baik sebagai prediktor dan sebuah variabel hasil. Situasi ini tidak diwakili dalam Gambar 1, tetapi akan ditampilkan dalam contoh selanjutnya.  Variabel indkator diukur (item) tidak lagi semuanya diwakili oleh huruf X. Hanya variabel indikator untuk konstruk eksogen yang masih diwakili oleh huruf X. Sebaliknya, variabel indikator untuk konstruk endogen sekarang diwakili oleh huruf Y. Ini adalah perbedaan yang khas dalam model struktural dan konsisten dengan pendekatan yang digunakan dalam prosedur multivariat yang lain. (X terkait dengan prediksi, Y dikaitkan dengan hasil)  Istilah kesalahan varian sekarang juga memiliki notasi yang cocok untuk perbedaan eksogen-endogen. Kesalahan istilah untuk semua variabel diberi label oleh item yang sesuai (yaitu, variabel X atau variabel Y dan jumlah item)  Perkiraan memuat juga berubah untuk mengindikasikan konstruk eksogen dan endogen. Perkiraan beban variabel konstruk eksogen diwakili oleh X dan nomor item, sedangkan perkiraan beban variabel endogen untuk konstruksi yang diwakili oleh Y dan nomor. Model struktural berbeda dari model pengukuran dalam penekanan bergerak dari hubungan antara konstruk laten dan variabel pengukuran pada sifat dan besarnya hubungan antar

konstruksi. Model pengukuran diuji dengan menggunakan CFA. Mdel CFA kemudian diubah berdasarkan sifat hubungan antara konstruksi. Hasilnya adalah spesifikasi model struktural yang digunakan untuk menguji hipotesis model teoritis. BAGIAN I ANALISIS LAJUR ANALISIS LAJUR (PATH ANALYSIS) 1.1. KORELASI Sebelum membahas analisis lajur, pada subbagian ini akan dibahas masalah analisis korelasi. Analisis korelasi ini merupakan dasar, selain analisis regresi, di dalam membentuk analisis jalur (path analysis). Korelasi menunjukkan derajat asosiasi atau keeratan hubungan antara satu variabel dengan variabel lainnya. Korelasi antar variabel bisa dibedakan berdasarkan jumlah variabel yang dianalisis di dalam korelasi. Ada tiga jenis korelasi yaitu : 1. Korelasi sederhana (simple correlation). Korelasi sederhana bila kita hanya mencari keeratan hubungan antara dua variabel. 2. Korelasi parsial (partial correlation). Korelasi parsial bila variabel yang dianalisis lebih dari dua variabel tetapi kita hanya tertarik mencari korelasi dua variabel sedangkan variabel lain dianggap tetap atau mengontrol variabel lain. 3. Korelasi berganda (multiple correlation). Ketika variabel yang dianalisis lebih dari dua variabel dan sekaligus mencari korelasi secara bersama-sama maka korelasi ini disebut dengan korelasi berganda. 1.2. ANALISIS LAJUR (PATH ANALYSIS) Analisis jalur adalah sebuah metode untuk mempelajari efek langsung (dirrect effect) maupun efek tidak langsung (indirect effect) dari variabel. Dengan demikian analisis lajur inibukan merupakan metodeuntuk menentukan hubungan penyebab satu variabel terhadap variabel lain, tetapi hanya menguji hubungan teoritis antar variabel. Selainitu, semua variabel di dalam analisis lajur baik dependen maupun independen merupakan variabel yang bisa diukur langsung (obsevable). Sedangkan bila variabel di dalam analisis lajur merupakan variabel yang tidak bisa diukur langsung (unobservable) maka disebut dengan model persamaan struktural (Structural Equating Modelling = SEM). Ada beberapa tahap yang harus dilalui di dalam analisis lajur. Pertama, kita membuat spesifikasi model analisis jalur. Di dalam membuat model analisis jalur hubungan satu

variabel dengan variabel lain seharusnya dilakukan berdasarkan landasan teori yang ada. Kedua, setelah kita membuat spesifikasi model maka langkah selanjutnya adalah melakukan estimasi untuk mendapatkan koofisien analisis lajur. Ketiga, melakukan uji signifikansi analisis lajur. 1.2.1. SPESIFIKASI MODEL ANALISIS LAJUR Spesifikasi model merupakan dasar di dalam menentukan hubungan antar variabel di dalam analisis lajur sebagaimana model regresi berganda. Bila kita tidak mempunyai dasar teori dalam model analisis jalur, beberapa hubungan yang berbeda antar variabel dapat dibentuk. Sebagai contoh, misalnya kita mempunyai tiga variabel yakni X₁, X₂ dan Y. Maka hubungan ketiga variabel tersebut akan digambarkan dalam ilustrasi di bawah ini.

Gambar 1
X₁ X₂ ₁ X₁ Y Y

Gambar 3
X₁ ₁

X₂

Y

Gambar 2
X₂ ₁

Gambar 4
X₁ X₂ ₁ Y

Gambar 5
X₁ Y ₁ X₂

Pada Gambar 1, variabel X₁ mempengaruhi X₂ dan selanjutnya variabel X₂ mempengaruhi Y. Disini tidak ada pengaruh langsung dari variabel X₁ ke variabel Y. Pada Gambar 2, variabel X₂ mempengaruhi X₁ dan selanjutnya variabel X₁ mempengaruhi Y. Disini tidak ada pengaruh langsung dari variabel X₂ ke variabel Y. Selanjutnya pada Gambar 3, variabel X₁ mempengaruhi variabel X₂ dan variabel Y. Pada Gambar 4, variabel X₂ mempengaruhi variabel X₁ dan variabel Y. Dan pada kasus yang

terakhir Gambar 5, variabel X₁ dan X₂ mempengaruhi variabel Y dan terdapat korelasi antara variabel X₁ dan X₂ yang ditunjukkan dengan adanya tanda panah melengkung. Setelah kita mengetahui berbagai kemungkinan analisis jalur seperti pada gambar diatas, pertanyaan yang muncul adalah analisis jalur mana yang benar? Model analisis jalur yang benar tergantung dari landasan teori yang melatarbelakangi hubungan antar variabel yang ada. Seperti yang telah dijelaskan sebelumnya, analisis lajur bukan suatu metode untuk membangun sebuah teori. Analisis lajur tidak menyediakan cara untuk melakukan spesifikasi model untuk membentuk teori baru, tetapi hanya sekedar mengestimasi dampak antar variabel setelah model ditentukan berdasarkan teori yang ada. Pengaruh satu variabel terhadap variabel dianalisis dengan menggunakan analisis regresi. Sedangkan korelasi antara variabel independen dihitung dengan menggunakan korelasi dari Karl Pearson. 1.2.2. CONTOH HIPOTESIS ANALISIS LAJUR 1.2.3. UJI SIGNIFIKANSI KOOFISIEN ANALISIS LAJUR Karena koofisien analisis lajur dihitung dari analisis regresi, koofisien analisis lajur dapat diuji tingkat signifikansinya yaitu pengaruh variabel independen terhadap variabel dependen dengan menggunakan uji statistika t sebagaimana di dalam analisis regresi berganda. Jika t hitung lebih besar dari nilai t kritisnya atau p-value lebih kecil dari tingkat signifikansi α maka variabel independen signifikan. Oleh karena itu, hipotesis nol bahwa koofisien analisis jalur sama dengan nol ditolak. Hal ini mengindikasikan bahwa terhadap hubungan signifikan antara dua variabel sebagaimana dijelaskan dalam hubungan di dalam analisis jalur. Sebaliknya jika t hitung lebih kecil dari nilai t kritisnya atau p-value lebih besar dari tingkat signifikansi α maka variabel independen tidak signifikan. Hipotesis nol bahwa koofisien analisis lajursama dengan nol diterima. Dengan demikian, hal ini menunjukkan bahwa tidak ada hubungan signifikan antara dua variabel sebagaimana dijelaskan dalam hubungan di dalam analisis jalur. 1.3. UJI KEBAIKAN MODEL Kelayakan model analisis jalur dapat diuji dengan menggunakan beberapa uji statistika. Salah satunya adalah uji statistika Chi Square. Uji Chi Square ini untuk mengetahui apakah model cocok dengan datanya atau tidak (model fit). Jika berdasarkan uji statistika Chi Square

signifikan maka model tidak cocok dengan datanya. Sebaliknya jika uji statistika Chi Square tidak signifikan maka model cocok dengan datanya. Namun uji Chi Square ini mengandung kelemahan yaitu sangat sensitif terhadap jumlah sampel, sehingga digunakan alternatif lain seperti Root Mean Square Error Approximation (RMSEA). BAGIAN II ANALISIS FAKTOR KONFIRMATORI Selain analisis jalur yang merupakan dasar pembentukan hubungan simultan antara variabel di dalam SEM, pemahaman masalah SEM sangat terkait erat dengan pemahaman kita tentang analisis faktor konfirmatori. Kalu di dalam analisis jalur semua variabel merupakan variabel yang bisa diukur secara langsung (observable) sedangkan di dalam SEM variabel merupakan variabel yang tidak bisa diukur secara langsung (unobservable). Variabel unobservable bisa diukur dari beberapa variabel indikator yang membentuk variabel unobservable tersebut. Analisis faktor konfirmatori yaitu suatu alat untuk menentukan apakah variabel indikator ini membentuk variabel yang terukur langsung tersebut. 2.1. ANALISIS FAKTOR KONFIRMATORI Analisis faktor merupakan cara untuk mencari atau mendapatkan sejumlah variabel indikator yang mampu memaksimumkan korelasi antara variabel indikator. Ada dua jenis analisis faktor yaitu analisis faktor eksploratori (Exploratory Factor Analysis = EFA) dan analisis faktor konfirmatori (Confirmatory factor Analysis = CFA). Pada analisis faktor eksploratory kita mencari sejumlah indikator untuk membuat faktor umum (common factor) tanpa ada landasan teori sebelumnya. Dengan kata lain analisis faktor eksploratori merupakan sebuah metode untuk membangun sebuah teori (theory building). Sedangkan pada analisis faktor konfirmatori kita mencari sejumlah variabel indikator yang membentuk variabel yang tidak terukur langsung tersebut didasarkan pada landasan teori yang ada. Ada tiga jenis analisis faktor konfirmatori yakni : (1) Analisis satu faktor konfirmatory, (2) Analisis dua faktor konfirmatori, dan (3) Analisis faktor konfirmatori tingkat kedua. 2.2. Uji Kelayakan Model Setelah kita melakukan estimasi analisis faktor konfirmatori, maka langkah pertamadi dalam menginterpretasikan hasil dari analisis faktor konfirmatori adalah mengevaluasi kebaikan sesuai model secara menyeluruh (overall model fit) atau uji kelayakan model. Ada beberapa metode untuk melihat kebaikan sesuai model secara menyeluruh yaitu : (1) uji

statistika Chi Square; (2) Goodness of Fit Index (GFI); (3) Adjusted Goodness of Fit Index (AGFI); dan Root Mean Squares Residual (RMSR). Dari beberapa uji kelayakan model tersebut, model dikatakan layak jika paling tidak salah satu metode uji kelayakan model terpenuhi. Tetapi akan jauh lebih baik jika uji kelayakan model bisa memenuhi lebih dari satu kriteria kelayakan model. Model analisis konfirmatori akan jaub lebih baik daripada hanya satu yang terpenuhi. 2.2.1. Chi Square Uji statistika chi square digunakan untuk menguji kelayakan model analisis faktor konfirmatori. Hipotesis nol dalam uji chi square ini adalah perbedaan antara sampel dan matriks kovarians yang diestimasi adalah nol sedangkan hipotesis alternatifnya menyatakan ada perbedaan antara sampel dan matriks kovarian yang diestimasi. Nilai df untuk uji chi square ini besarnya sama dengan jumlah elemen kovarians matriks yang tidak sama dikurangi dengan jumlah parameter yang diestimasi. Jika nilai chi square lebih besar dari chi square kritis maka kita menolak hipotesis nol dan sebaliknya jika nilai chi square lebih kecil dari chi square kritisnya maka kita menerima hipotesis nol. Atau kita bisa menerima atau menolak hipotesis nol dengan membandingkan antara p-value dengan besarnya α yaitu derajat kepercayaan yang kita pilih. Jika nilai p-value lebih kecil dari α maka kita menolak hipotesis nol dan sebaliknya jika p-value lebih besar dari α maka kita menerima hipotesis nol. Jika kita menerima hipotesis nol atau menolak hipotesis alternatif berarti kita bisa menyimpulkan bahwa tidak ada perbedaan antara sampel dan matriks kovarians. Artinya model yang kita pilih sudah layak. Sedangkan bila kita menolak hipotesis nol atau menerima hipotesis alternatif maka model tidak layak. 2.2.2. Root Mean Squares Error of Approximiation (RMSEA) Kelemahan uji chi square adalah sangat sensitif terhadap jumlah sampel. Sebagai alternatif dan pembanding uji chi square para ahli telah mengembangkan uji kelayakan analisis faktor konfirmatori. Salah satunya adalah Root Mean Squares Error
Approximation (RMSAE). Sebagai rule of tumb untuk melihat kelayakan model, cut off value adalah bila RMSEA ≤ 0.08. Jika nilai RMSEA besarnya 0.08 atau lebih kecil maka model dianggap layak. Sebaliknya jika nilainya diatas 0.08 maka model dianggap tidak layak.

2.2.3. Goodness of Fit Index (GFI) Selain RMSEA, uji kelayakan model analisis faktor konfirmatori juga bisa dievaluasi dengan menggunakan Goodness of Fit Index (GFI). Uji kelayakan GFI ini seperti nilai koofisien determinasi (R²) di dalam uji kelayakan atau kebaikan hasil regresi, nilainya 0 ≤ GFI ≤ 1. Semakin tinggi nilai GFI atau mendekati 1 maka semakin layak model sedangkan nilai GFI semakin mendekati model maka semakin tidak layak model. Sebagai rule of thumb biasanya model dianggap layak bila nilai GFI ≥ 0.90 sebagai cut of valuenya. 2.2.4. Adjusted Goodness of Fit Index (AGFI) Uji kelayakan Adjusted Goodness of Fit Index (AGFI) merupakan uji kelayakan GFI yang disesuaikan. AGFI ini analog dengan koofisien determinasi yang disesuaikan (adjusted R²) dalam regresi berganda. AGFI ini merupakan GFI yang disesuaikan dengan derajat kebebasan (degree of freedom). Nilainya terletak antara 0 ≤ GFI ≤ 1. Sebagaimana uji kekayakan GFI, semakin nilainya mendekati 1 maka semakin baik model dan sebaliknya semakin mendekati 0 maka semakin tidak layak model. Namun, tidak ada nilai yang pasti AGFI untuk menentukan apakah model layak. Sebagai rule of thumb, cut off value adalah bila AGFI ≥ 0.80 sebagai model yang layak (goodness of fit) 2.2.5. Root Mean Squares Residual (RMSR) Uji kelayakan model analisis faktor konfirmatori juga bisa dilihat dengan menggunakan Root Mean Squares Residual (RMSR). RMSR ini merupakan akar dari rata-rata pangkat residual. Semakin kecil nilai RMSR model semakin sesuai (FIT) atau layak karena ada kesesuaian model dan data dan sebaliknya semakin besar nilai RMSR model semakin tidak sesuai atau kurang layak. Para peneliti biasanya menggunakan cut off value sebesar 0.05. Jika nilai RMSR sama atau kurang dari 0.05 maka model adalah baik (fit) sedangkan kalau nilainya lebih dari 0.05 maka model kurang baik. 2.3. Uji Signifikansi Setelah kita mendapatkan model yang baik dengan menggunakan beberapa uji kelayakan model (goodness of fit) maka langkah selanjutnya adalah melakukan uji signifikansi parameter estimasi. Uji statistika t digunakan untuk mengevaluasi signifikansi

parameter estimasi. Uji statistika t digunakan untuk mengevaluasi signifikansi parameter estimasi. Dalam hal ini dilakukan dengan membandingkan nilai t hitung dengan nilai kritisnya. Jika nilai t hitung lebih besar dari nilai kritisnya signifikan dan sebaliknya bila nilai t hitung lebih kecil dari nilai kritisnya maka tidak signifikan. Kita juga bisa membuat keputusan signifikan tidaknya variabel indikator dengan membandingkan antara nilai pvalue dengan nilai tingkat signifikansi yang kita pilih (α). Besarnya nilai α biasanya atau secara konvensional ditetapkan sebesar 5% (0.05). Jika nilai t hitung lebih besar dari ±1,96 maka variabel indikator dikatakan signifikandan jika tidak maka tidak signifikan. Atau jika p-value lebih kecil dari α = 5% maka variabel indikator dikatakan signifikansedangkan bila p-value lebih besar dari α = 5% maka variabel indikator dikatakan tidak signifikan. 2.4. SQUARED MULTIPLE CORRELATION (R²) Setelah uji signifikansi parameter dilakukan dan menunjukkan signifikansinya maka langkah selanjutnya adalah melihat seberapa besar vaian variabel laten menjelaskan variabel indikator. Koofisien korelasi berganda yang dikuadratkan digunakan untuk mengetahui seberapa besar varian variabel laten menjelaskan variabel indikator. Total varian dari setiap indikator dapat dipilah menjadi dua bagian. Pertama, varian yang berhubungan dengan variabel laten. Kedua, varian yang berhubungan faktor spesifik yang erasal dari error atau residual. Proporsi varian yang berhubungan dengan faktor laten ini disebut communality dari variabel indikator. Communality inilah yang disebut dengan squared multiple correlation. Dengan demikian, semakin besar squared multiple correlation semakin bisa dipercaya (more reliable) variabel indikator sebagai pemgukur variabel laten. Sebaliknya semakin kecil squared multiple correlation semakin tidak bisa dipercaya (less reliable) variabel indikator sebagai pengukur variabel laten. 2.5. RESPESIFIKASI MODEL Langkah terakhir dari analisis faktor konfirmatori adalah respesifikasi model. Respesifikasi model ini harus dilakukan jika uji kelayakan model dengan mengunakan salah satu uji kelayakan model menghasilkan model yang tidak layak. Di dalam analisis faktor konfirmatori, jika model tidak layak kita harus memodifikasi model agar sesuai dengan data. Modifikasi model inidisebut dengan respesifikasi model. Ada beberapa cara yang bisa kita lakukan agar bisa memenuhi kelayakan model, yaitu: 1. Melakukan korelasi antara variabel indikator

2. Melakukan korelasi antara variabel residual 3. Melakukan korelasi antara variabel laten 4. Menambah variabel indikator baru dari variabel indikator yang ada kepada setiap variabel laten. BAGIAN III ANALISIS FAKTOR KONFIRMATORI 3.1. VARIABEL LATEN DAN VARIABEL INDIKATOR Di dalam SEM ada dua jenis variabel yaitu variabel laten (laten/construct variable) dan variabel indikator (indicator variable). Variabel laten adalah variabel yang tidak bisa diukur secara langsung (unobservable). Variabel ini hanya bisa diukur secara tidak langsung. Sedangkan variabel indikator adalah variabel yang dapat diukur secara langsung. Variabel indikator merupakan pembentuk variabel laten. Selanjutnya kita juga bisa membagi jenis variabel laten menjadi dua yaitu variabel independen dan variabel laten dependen. Didalam memilih variabel indikator untuk membentuk vaiabel laten harus dipertimbangkan tentang validitas dan reabilitas variabel indikator. Adanya kesulitan di dalam mendapatkan pengukuran yang dipercaya dan valid dengan hanya satu variabel indikator maka di dalam SEM disarankan menggunakan lebih dari satu variabel indikator untuk membentuk variabel laten. 3.2. MODEL PENGUKURAN Metode pengukuran variabel laten menggunakan metode analisis faktor konfirmatori. Analisis faktor konfirmatori merupakan model pengukuran dimana variabel indikator membentuk variabel laten. Model pengukuran mendefinisikan atau membentuk baik variabel independen laten maupun variabel dependen laten. 3.3. MODEL PERSAMAAN STRUKTURAL Model persamaan struktural atau SEM merupakan model yang menjelaskan hubungan antara variabel laten sehingga model SEM ini seringkali disebut dengan analisis variabel laten (latent variable analysis). Di dalam menjelaskan hubungan antara variabel laten, SEM berbeda dengan model analisis jalur di mana analisis jalur menggunakan variabel yang terukur (observable) sedangkan SEM menggunakan variabel yang tidak terukur secara langsung (unobservable).

Sebagai model yang kompleks di dalam menganalisis hubungan antar variabel, ada beberapa tahap yang perlu dilakukan di dalam analisis model SEM yaitu : 1. Spesifikasi Model 2. Identifikasi 3. Esrimasi Model 4. Uji Kelayakan Model dan Uji Signifikansi 5. Respesifikasi Model Spesifikasi model pada tahap pertama berkaitan dengan pembentukan hubungan antar variabel di dalam SEM. Karena SEM bukan merupakan metode untuk membangun sebuah teori maka spesifikasi model ini harus didasarkan pada teori yang ada. Langkah kedua didalam SEM adalah persoalan identifikasi untuk menentukan apakah model sudah tepat atau masih ada kesalahan spesifikasi model. Jika model sudah tepat maka kita bisa mendapatkan parameter estimasi dari hubungan antar variabel di dalam SEM. Langkah ketiga dalah melakukan estimasi. Ada beberapa metode estimasi yang dapat digunakan seperti Ordinary Least Square (OLS) dan maximum likelihood (ML). Setelah diestimasi, langkah keempat adalah uji kelayakan model. Jika model sudah layakmaka kita bisa melakukan uji signifikansi hubungan antar variabel di dalam SEM. Langkah terakhir, jika model tidak layak maka kita perlu melakukan respesifikasi model agar bisa mendapatkan model yang layak Hubungan antar variabel di dalam model SEM membentuk apa yang disebut dengan model struktural. Model struktural ini dapat dijelaskan melalui persamaan struktural seperti di dalam analisis regresi. Persamaan struktural ini dapat dijelaskan melalui persamaan struktural seperti di dalam analisis regresi. Persamaan struktural ini menjelaskan prediksi variabel independen laten terhadap variabel dependen laten. 3.4. PEMBENTUKAN SEM DENGAN GRAFIK 3.5. EFEK LANGSUNG, EFEK TIDAK LANGSUNG DAN TOTAL Hubungan antar variabel di dalam model SEMdapat dibagi menjadi tiga kategori yaitu efek langsung (direct effect), efek tidak langsung (indirect effect) dan efek total (total effect). Kita mendefinisikan efek langsung antara dua variabel laten ketika terdapat anak panah satu arah yang menghubungkan keduanya. Besarnya efek langsung ini diukur dengan koofisien struktur (structur cooficient). Pengaruh tidak langsung terjadi jika

antara dua variabel laten terdapat anak panah satu arah langsung yang menghubungkan keduanya, akan tetai variabel laten pertama mempengaruhi variabel laten kedua melalui satu atau lebih variabel laten yang lain. Besarnya efek tidak langsung bisa dihitung dengan perkalian koofisien variabel laten yang terlibat dalam hubungan tidak langsung tersebut. Akhirnya setelah efek langsung dan efek tidak langsung didapatkan, selanjutnya kita bisa menghitung efek total. Efek total dari dua variabel laten adalah jumlah baik efek langsung maupun efek tidak langsung yang menghubungkan kedua variabel laten tersebut. 3.6. UJI KELAYAKAN MODEL Setelah kita melakukan estimasi model SEM, langkah pertama di dalam menginterpretasikan hasil dari SEM adalah mengevaluasi uji kelayakan model. Ada beberapa metode untuk melihat kelayakan sebuah model SEM seperti dalam analisis konfirmatori, yaitu : 1. Uji Statistika Chi Squared; 2. Goodness of Fit Index (GFI); 3. Adjusted Goodness of Fit Index (AGFI); 4. Root Mean Squares Residual (RMSR). Sama seperti faktor konfirmatori, model dikatakan layak jika paling tidak salah satu metode uji kelayakan model tersebut terpenuhi karena dalam praktiknya sangat sulit bisa memenuhi kelima uji kelayakan tersebut. Namun, bila uji kelayakan model bisa memenuhi lebih dari satu kriteria kelayakan model, Mdel SEM akan jauh lebih baik daripada hanya satu yang terpenuhi. 3.7. UJI SIGNIFIKANSI Hubungan antar variabel di dalam model SEM adalah hubungan kausal atau penyebab sebagaimana hubungan dalam analisis regresi. Ada tidaknya hubungan kausal ini bisa diuji dengan menggunakan uji statistika t. Melauli uji statistika t kita bisa mengetahui apakah variabel laten signifikan atau tidak terhadap variabel laten lainnya. Caranya dengan membandingkan nilai t hitung dengan nilai kritisnya. Bila nilai t hitung lebih besar dari nilai kritisnya dengan α tertentu maka signifikan dan sebaliknya jika nilai t hitung lebih kecil dari nilai kritisnya maka tidak signifikan.

Kita juga bisa membuat keputusan signifikan tidaknya variabel indikator dengan membandingkan antara nilai p-value dengan tingkat signifikansi yang kita pilih. Bila nilai p-value lebih kecil dari α = 5% maka variabel laten dikatakan signifikan sedangkan bila p-value lebih besar dari α = 5% maka variabel laten dikatakan tidak signifikan. 3.8. RESPESIFIKASI MODEL Sebagaimana analisis faktor konfirmatori, jika model SEM tidak layak berdasarkan uji kelayakan maka kita perlu melakukan respesifikasi model. Respesifikasi model bisa dilakukan dengan berbagai cara : Namun perlu diingat bahwa metode respesifikasi model untuk memperoleh model yang layak harus dilandaskan pada teori yang ada. SEM tidak dapat dilakukan tanpa dasar teori yang kuat untuk spesifikasi dari dua pengukuran yakni model pengukuran dan model struktural. Beberapa peranan penting dari teori dalam analisis SEM adalah : 1. Menentukan hubungan yang mendefinisikan model tersebut; 2. Menetapkan penyebab, terutama ketika menggunakan cross-sectional data 3. Pengembangan strategi permodelan.

3.9. ASUMSI SEM Ada beberapa asumsi SEM yang melatarbelakangi model SEM, yaitu : 1. Normalitas Sebagai model yang berdasarkan pada sampel, maka sebaran data harus memenuhi asumsi normalitas data. Jika asumsi normalitas data terpenuhi maka kita bisa melakukan uji statistika yang ada. 2. Linearitas Asumsi yang kedua adalah hubungan antara variabel bersifat linear 3. Multikolineraitas Asumsi yang ketiga adalah tidak kolineraitas atau hubungan sempurna antar variabel 4. Outliner Asumsi keempat adalah data tidak mengandung outliner. Outliner adalah data yang bersifat ekstrim

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->