PEMODELAN PERSAMAAN STRUKTURAL
Pengertian
Pemodelan Persamaan Struktural (SEM)
Structural Equation Modellingatau yang lebih dikenal dengan
singkatannya yaitu SEM. Metode SEM disebut juga metode Pemodelan Persamaan
Struktural (PPS). Metode atau teknik PPS adalah suatu teknik statistic yang
mampu menganalisis pola hubungan antara konstrak laten dan indikatornya,
konstrak laten yang satu dengan lainnya, serta kesalahan pengukuran secara
langsung. PPS dikelompokkan sebagai keluarga statistik multivariat dependen,
artinya ada variabel dalam PPS yang berperan sebagai variabel dependen dan ada
variabel yang berperan sebagai variabel independen. Istilah variabel dependen
dalam PPS disebut variabel endogen dan istilah variabel independen dalam PPS
disebut variabel eksogen. PPS memungkinkan peneliti untuk menguji hubungan
antara variabel laten sekaligus dapat menguji teori. Selain itu, secara
simultan, PPS juga dapat menguji indikator-indikatornya sehingga dapat menilai
kualitas pengukuran. Dengan kata lain, PPS dapat digunakan untuk menguji model
pengukuran yaitu pengukuran variable laten melalui
indikator-indikatornya, dan model struktural yaitu pola hubungan
antarvariabel yang ditampilkan dalam model. Teknik PPS memiliki dua tujuan
utama dalam analisnya, yaitu menentukan apakah model riset yang digunakan “fit”
(sesuai) berdasarkan data yang dimiliki, tujuan kedua adalah menguji berbagai
hipotesis (pola hubungan) yang telah dibangun sebelumnya.
Adapun
symbol-simbol yang digunakan dalam SEM:
ξ (ksi) = untuk variable laten X
(eksogen)
η (eta) = untuk variable laten Y
(endogen)
λ (lambda) =untuk muatan faktor (faktor
loading)
β (beta) = koefisien pengaruh variable
endogen terhadap variable endogen.
γ (gamma) = koefisien pengaruh variable
eksogen terhadap variable endogen.
φ (phi) = koefisien hubungan antar
variable laten X eksogen.
ζ (zeta) = peluang galat model
ε (epsilon) = kesalahan pengukuran pada
variable manifest untuk variable laten Y
δ (delta) = kesalahan pengukuran pada
variable manifest untuk variable laten X
λx (lambda besar) = matriks untuk muatan
faktor variable laten X
λy (lambda besar) = matriks untuk muatan
faktor variable laten Y
Persamaan dan
Perbedaan antara SEM dan Analisis Jalur
Analisis
SEM pada dasarnya untuk memperoleh suatu model structural. Model yang diperoreh
dapat digunakan untuk prediksi atau pembuktian model. Disamping itu, SEM juga
dapat digunakan untuk melihat besar kecilnya pengaruh, baik langsung, tak
langsung maupun pengaruh total variable bebas (variable eksogen) terhadap
variable terikat (endogen).
Antara
SEM dan analisis jalur terdapat persamaan dan perbedaan. Beberapa persamaan dan
perbedaan tersebut dapat dilihat pada deskripsi berikut.
1.
Persamaan SEM dan Analisis Jalur
·
Keduanya berkaitan dengan analisis konstruksi model.
·
Koefisien parameter model didasarkan atas analisis data
sampel.
·
Pengujian kecocokan model dilakukan dengan cara
membandingkan matriks varian-kovarian hasil dugaan dengan matriks data empiric
(observasi)
2.
Perbedaan SEM dan Analisis Jalur
·
Pada SEM dapat dilakukan dua analisis sekaligus yaitu:
analisis pengujian hubungan kausal antar variable laten (model structural) dan
analisis pengujian validitas dan reliabilitas yang didasarkan atas variable
manifest (model pengukuran).
·
SEM dapat diterapkan untuk model rekursif ataupun
resiprokal, sedangkan analisis jalur hanya dapat diterapkan pada model kausal
satu arah dan rekursif.
·
SEM tidak terganggu dengan adanya korelasi antar kesalahan
(error), sedangkan pada analisis jalur, antara error harus bebas (tidak saling
tergantung).
·
Hasil SEM mencangkup faktor diterminan, model structural,
dan model penggukuran. Analisis jalur hanya mencakup faktor diterminan.
model pengukuran
Salah
satu kegiatan dalam SEM adalah analisis pengujian validitas konstruk dan
reliabilitas indicator. Kegiatan ini dapat dilakukan pada analisis model
pengukuran. Pendekatan yang digunakan dalam analisis model pengukuran ini
adalah analisis model faktor konfirmatori.
Untuk
melihat besarnya koefisien realibilitas indicator dapat melihat nilai (1- δ) untuk variable eksogen dan nilai (1-ε) untuk variable endogen. Semakin besar
nilai (1- δ) atau (1-ε) maka semakin reliabelindikator
tersebut. Analisis pengujian reabilitas ini dapat juga dilakukan dengan
pengujian nilai t (t-value) sepeti halnya pengujian validitas. Nilai t untuk
masing-masing parameter (λ dan 1- δ atau
1-ε) merupakan hasil transformasi dari
para meter tersebut.hubungan antar variable dikatakan signifikan apabila
tampilan dalam output program LISREL menunjukan garis warna hitam dan tidak
signifikan apabila hubungan antar variable menunjukan warna merah.
Analisis Jalur
Secara matematika persamaan model
structural hubungan antar variable dapat ditampilkan seperti pada tabel ini.
Tabel: Model Persamaan Struktural
Hubungan Antar Variabel)
|
|
Eksogen
|
Endogen
|
kesalahan
|
||||||
|
eksogen
|
ξ1
|
ξ2
|
|
η1
|
η2
|
η3
|
η4
|
|
|
|
η1
|
γ11ξ1
|
γ12ξ2
|
+
|
|
|
|
|
+
|
ζ1
|
|
η2
|
γ21ξ1
|
|
+
|
|
|
|
|
+
|
ζ2
|
|
η3
|
γ31ξ1
|
γ32ξ2
|
+
|
|
|
|
|
+
|
ζ3
|
|
η4
|
γ41ξ1
|
Γ42ξ2
|
+
|
β41η1 β42η2 β43η3
|
+
|
ζ4
|
|||
Secara Matematika model struktural pada
Gambar di Muka dapat di tampilkan seperti pada Tabel dibawah ini.
TABEL:
MODEL PERSAMAAN STRUKTURAL FAKTOR-FAKTOR YANG MEMPENGARUHI
ORIENTASI BIDANG KEAHLIAN
|
Variabel
|
Eksogen
|
Kesalahan
|
||
|
Eksogen
|
ξ1
|
ξ2
|
+
|
|
|
X1
|
λ 11 ξ1
|
|
+
|
δ 1
|
|
X2
|
λ 21 ξ1
|
|
+
|
δ 2
|
|
X3
|
λ 31 ξ1
|
|
+
|
δ 3
|
|
X4
|
λ 41 ξ1
|
|
+
|
δ 4
|
|
X5
|
|
λ 52 ξ2
|
+
|
δ 5
|
|
X6
|
|
λ 62 ξ2
|
+
|
δ 6
|
|
X7
|
|
λ 72 ξ2
|
+
|
δ 7
|
|
Variable
|
Endogen
|
Kesalahan
|
||||
|
Endogen
|
η1
|
η 2
|
η3
|
η4
|
|
|
|
Y1
|
λ 11 η1
|
|
|
|
+
|
ξ1
|
|
Y2
|
λ 21 η1
|
|
|
|
+
|
ξ 2
|
|
Y3
|
λ 31 η1
|
|
|
|
+
|
ξ 3
|
|
Y4
|
|
λ 42 η 2
|
|
|
+
|
ξ 4
|
|
Y5
|
|
λ 52 η 2
|
|
|
+
|
ξ 5
|
|
Y6
|
|
λ 62 η 2
|
|
|
+
|
ξ 6
|
|
Y7
|
|
|
λ 73 η3
|
|
+
|
ξ 7
|
|
Y8
|
|
|
λ 83 η3
|
|
+
|
ξ 8
|
|
Y9
|
|
|
λ 93 η3
|
|
+
|
ξ 9
|
|
Y10
|
|
|
|
λ 104 η4
|
+
|
ξ 10
|
|
Y11
|
|
|
|
λ 114 η4
|
+
|
ξ 11
|
|
Y12
|
|
|
|
λ 124 η4
|
+
|
ξ 12
|
Langkah-Langkah dalam Pemodelan
Persamaan Struktural (SEM).
Hair,
dkk. (1998:592-639) mendeskripsikan langkah-langkah dalam SEM seperti berikut
ini : (1) pengembangan model berbasis teori, (2) mengkonstruksi diagram jalur
untuk hubungan kausal, (3) mengkonversi diagram jalur ke dalam model struktural
dan model pengukuran, (4) memilih matriks input dan estimasi model, (5) menilai
identifikasi model struktural, (6) evaluasi kecocokan model berdasarkan
kriteria goodness-of-fit dan (7) interpretasi dan modifikasi model.
Langkah 1. Pengembangan Model Berbasis Teori
Ada
dua prinsip berdasarkan SEM, yaitu 1) untuk menganalisis hubungan kausal antara
variabel eksogen dan endogen, dan 2) untuk menguji validitas dan reabilitas
indikator variabel laten. Kegiatan dalam
langkah pertama ini adalah mengembangkan model hipotetik, artinya mengembangkan
suatu model ini diuji berdasarkan atas data empirik melalui SEM.
Berdasarkan
uraian diatas maka di dalam mengembangkan pemodelan, peneliti harus memiliki
wawasan dan landasan teori yang luas yang berkaitan dengan permasalahan yang
diteliti. Hasil kajian atau eksplorasi terhadap teori-teori yang relevan akan
membentuk model hipotetik untuk kemudian diverifikasi berdasarkan data empirik
dengan menggunakan SEM.
Disamping
untuk verifikasi model hipotetik, SEM juga dapat digunakan untuk membentuk
konsep baru. Hal ini bisa dilakukan bila landasan teori atau konsep baru. Hal
ini bisa dilakukan bila landasan teori atau konsep untuk membentuk model tidak
tersedia. Dengan justifikasi empiris SEM maka model dapat menjadi konsep baru .
untuk itu, diperlukan kajian sejumlah penelitian seehingga konsep yang
dikembangkan menjadi kokoh dan universal.
Langkah 2. Mengkonstruksi Diagram Jalur untuk Hubungan
Kausal
Diagram
jalur sangat berguna untuk melihat hubungan kausal antara variabel eksogen dan
variabel endogen. Hubungan kausal antara variabel ini divisualisasikan dalam
bentuk gambar sehingga mudah dan jelas untuk dipahami serta lebih menarik. Jika
model yang dibuat belum cocok (fit) maka dapat dibuat beberapa model untuk
diperoleh model yang cocok dengan menggunakan analisis SEM. Contoh diagram
jalur seperti tampak pada Gambar 10.2 di muka.
Langkah 3. Mengkonversi Diagram Jalur Ke dalam Model
Struktural Dan Model Pengukuran
Contoh
konversi diagram jalur dan model pengukuran kedalam model matematika
ditunjukkan pada Tabel A dan B.
TABEL A:
MODEL
MATEMATIKA PADA DIAGRAM JALUR
VARIABEL
EKSOGEN
|
Variabel
|
Eksogen
|
Kesalahan
|
||
|
Eksogen
|
Ξ1
|
Ξ 2
|
|
|
|
X1
|
λ 111Ξ1
|
|
+
|
Δ1
|
|
X2
|
λ 21Ξ1
|
|
+
|
Δ2
|
|
X3
|
λ 31Ξ1
|
|
+
|
Δ3
|
|
X4
|
|
λ 41Ξ1
|
+
|
Δ4
|
|
X5
|
|
λ 52Ξ2
|
+
|
Δ5
|
|
X6
|
|
λ 62Ξ2
|
+
|
Δ6
|
|
X7
|
|
λ 72Ξ2
|
+
|
Δ7
|
Tabel B
Langkah 4. Memilih Matrik Input dan
Estimasi Model
Dalam
SEM, matrik inputnya dapat berupa matrik korelasi atau matrik
varians-kovarians. Matrik korelasi di gunakanuntuk tujuan memperoleh kejelasan
tentang pola hubungan kausal anntar variabel laten. Dengan matrik ini, peneliti
dapat melihat dua hal, yaitu: 1) Jalur-jalur mana yang memiliki efek kausal
yang lebih dominan di bandingkan denga jalur-jalur yang lain, dan 2) variabel
eksogen yang mana yang efeknya lebih besar terhadap variabel endogen di
bandingkan dengan variabel yang lainnnya.
Matrik
varians-kovarians digunakan untuk pengujian model yang telah di landasi
berbagai kajian teori. Analisis yang digunakan tidak untuk melihat besar
kecilnya efek kausal pada jalur-jalur yang ada dalam model. Hasiil analisis
yang di peroleh dapat di gunakan untuk eksplanasi fennomenal yang di teliti
atau untuk keperluan prediksi.
Langkah 5. Menilai Idfentifikasi Model
Struktural
Di
dalam analisis model struktural sering di jumpai adanya permasalahan yaitu pada
proses pendugaan parameter. Jika di dalam prosesnya ada un-identified maka
pendugaan parameter akan menemui banyak kendala. Ketidak mampuan model
menghasilkan identifikasi yang tepat menyebabkan proses perhitungan menjadi
terganggu.
Beberapa
gejala yang sering muncul akibat adanya ketidak tepatan identifikasi ini antara
lain yaitu:
a)
Terdapat kesalahan standar yang terlalu besar
b)
Matrik informasi yang disajikan tidak sesuai harapan
c)
Matrik yang diperoleh tidak definitive positif
d)
Terdapat kesalahan varians yang negative
e)
Terdapat korelasi yang tinggi antar koevisien hasil dugaan
(>0,9).
Langkah 6. Evaluasi Kecocokan Model
Berdasarkan Kriteria Goodness-of-fit
Untuk
menganalisis dengan SEM perlu di perhatikan asumsi-asumsi yang berkaitan dengan
model dan asumsi-asumsi yang berkaitan dengan pendugaan parameter dan pengujian
hipotesis.
Asumsi-asumsi yang berkaitan dengan
model antara lain:
a)
Semua hubungan antar vaariabel berbentuk linier
b)
Model yang di kembangkan bersifat adiktif
Asumsi-asumsi yang berkaitan dengan
perdugaan parameter dan pengujian hipotesis antara lain:
a)
Pengambilan sampel secara acak
b)
Data harus lengkap, artinya tidak ada missing data
c)
Tidak ada data aneh (autliers)
d)
Ukuran sampel minimum 100
e)
Penyebaran data bersifat normal
f)
Tidak ada multi kolinieritas
Pengujian model structural di
lakukan untuk mengetahui sejauh mana model hubungan antar variabel yang disusun
secara teoritis di dukung oleh kenyataan yang ada pada data empiris. Uji
kesesuaian antara model teoritis dan data empiris dapat dilihat pada tingkat
(goodness of fiit statistic). Keputusan kesesuaian model dapat menggunakan
beberapa harga statistic seperti CHI kuadrat (X2) p > 0.05; RMSEA
(Root Mean squer Error of Approkimation) < 0.08; GFI (Goodness Of
Fit Index) > 0.9 dan yang lainnya yang akan menguji bahwa perbedaannya
tidak bermakna sehingga hipotesis nihil tidak di tolak (signifikan). Bila
demikian maka dikatakan tidak ada perbedaan antara model teoritis dibandingkan
dengan data empiri. Artinya model teoritis sesuai (fit) dengan data
empiri.
Langkah 7. Interpretasi dan Modifikasi Model
Langkah
terakhir dari SEM adalah melakukan interpretasi bilamana model yang dihasilkan
sudah cukup baik. Interpretasi dilakukan terhadap model struktural yang
menggunakan matrik kovarians dan interpretasi terhadap analisis jalur yang
menggunakan matriks korelasi. Khusus untuk interpretasi pada analisis jalur
yang dilihat antara lain : efek langsung, efek tak langsung, dan efek total.
1. Model Pengukuran
Berdasarkan
model pengukuran pada gambar 10.5 maka dapat dibuat tabel ringkasan yang
menunjukkan informasi tentang validitas dan reabilitas factor/indikator yang
membentuk variabel laten orientasi pilihan bidangkeahlian seperti tampak pada
tabel 10.4 berdasarkan tabel 10.4 dapat disimpulkan bahwa faktor kemampuan
manual, kemampuan penalaran dan persepsi terhadap pendidikan lanjut memberikan
pengaruh yang bermakna terhadap orientasi pilihan bidang keahlian siswa.
TABEL
KOEFISIEN
VALIDITAS DAN RELIABILITAS INTRUMEN
ORIENTASI
PILIHAN BIDANG KEAHLIAN
|
NO.
|
Faktor
|
Koefisian Validitas (λ)
|
Koefisien Reliabilitas (1- δ )
|
|
1.
|
Kemampuan manual
|
0,57
|
0,83
|
|
2.
|
Kemampuan Penalaran
|
0,51
|
0,75
|
|
3.
|
Persepsi pada pendidikan Lanjut
|
0,46
|
0,70
|
Hasil
ini menunjukkan bahwa faktor keahlian
yang berorentasi pada kemampuan penalaran, keahlian yang berorientasi pada
kemampuan manual dan kemampuan mempersepsi pendidikan lanjut merupakan
faktor-faktor yang memberikan kontribusi pada konstruk indikator orientasi
pilihan bidang keahlian siswa SMP.
2.
Model Stuktural
Gambar
10.6 adalah contoh modal struktural yang cocok (fit model) menurut kriteria
Goodness-of-fit. Berdasarkan Gambar 10.6 tersebut dapat di kemukakan beberapa
informasi yang berkaitan dengan efek langsung dan efek tak langsung. Efek
langsung mencakup hubungan antara variable bebas dan variable terikat. Efek tak
langsung mencakup hubungan antara variable eksogen dan variable terikat
(indirect effects of KSI on ETA).
1.
Efek langsung Variable Bebas terhadap
Variabel Terikat
Variabel
bebasnya adalah : Kualitas Orang Tua, Kualitas Sekolah, melek Teknologi,
Kemampuan Umum, dan Pemahaman Diri. Variabel terikatnya adalah orientasi
pilihan bidag keahlian.
Berdasarkan Gambar sebelumnya dapat ditampilkan model hubungan struktural langsung
antara variable bebas dan variable terikat seperti tampak pada Gambar dibawah
ini.
Gambar
model hubungan struktural variabel bebas dan variabel terikat
Analisis
efek langsung antar variabelini dapat dilihat pada estimasi koefisien
struktural dan nilai-t dari masing-masing parameter. Secara ringkas, hasil
analisis perhitungan besarnya estimasi koefisien struktural tersebut dapat
dilihat pada tabel.
TABEL :
RINGKASAN
HASIL ANALISIS EFEK LANGSUNG
VARIABEL
BEBAS TERHADAP VARIABEL TERIKAT
|
No
|
Variabel
|
Parameter
|
Estimasi
|
Nilai-T
|
|
1
|
Kualitas orang tua dengan orientasi
pilihan bidang keahlian
|
ϒ41
|
0,33
|
4,69
|
|
2
|
Kualitas sekolah dengan orientasi
pilihan bidang keahlian
|
ϒ42
|
0,70
|
7,25
|
|
3
|
Kemampuan umum dengan orientasi
pilihan bidang keahlian
|
Β41
|
0,20
|
4,45
|
|
4
|
Melek teknologi dengan orientasi
pilihan bidang keahlian
|
Β42
|
-0,37
|
-4,89
|
|
5
|
Pemahaman diri dengan orientasi
pilihan bidang keahlian
|
Β43
|
0,21
|
2,87
|
Berdasarkan Tabel 10.5 dapat dijelaskan
gambaran efek langsung variabel-varriabel bebas terhadap variabel terikat
sebagai berikut.
a.
Terdapat efek langsung dan bermaknas kualitas orang tua
terhadap orientasi pilihan bidang keahlian siswa SMP dengan harga estimasi ϒ41 = 0,33 dan nilai-t = 4,69 > 1,96
b.
Terdapat efek langsung dan bermakna kualitas sekolah
terhadap orientasi pilihan bidang keahlian siswa SMP dengan harga estimasi ϒ42 =0,70 dan nilai-t = 7,25 > 1,96
c.
Terdapat efek langsung dan bermakna kemampuan umum terhadap
orientasi pilihan bidang keahlian siswa SMP dengan harga estimasi β 41 = 0,20 dan nilai-t = 4,45
> 1,96
d.
Terdapat efek langsung dan negatif Melek Teknologi terhadap
orientasi pilihan Bidang Keahlian siswa. SMP dengan harrga estimasi β 42 = - 0,37 dan nilai –t =
-4,89>1,96
e.
Terdapat efek langsung dan bermakna pemahaman diri terhadap
orientasi pilihan bidang keahlian siswa SMP dengan harga estimasi β 43 = 0,21 dan nilai-t =
2,87 > 1,96
2.
Efek Tak LangsungVariabel Eksogen terhadap Variabel Terikat (Indirect Effecs of
KSI on ETA)
Variabel eksogen meliputi kualitas
orang tua dan kualitas sekolah, sedangkan orientasi pilihan bidang keahlian
sebagai variabel terikat.
Analisis efek tak langsung antar
variabel ini dapat di lihat pada estimasi koefisien struktural dan nilai-T dari
masing-masing parameter. Secara ringkas, hasil analisis perhitungan besarnya
estimasi koefisien structural tersebut dapat di lihat pada tabel diatas.
a.
Terdapat efek tak langsung dan bermakna kualitas orang tua
terhadap orientasi pilihan bidang keahlian siswa SMP melalui variabel kemampuan
umum, Melek teknologi, dan pemahaman diri yaitu dengan harga estimasi 0,05 dan
nilai-T 3,57>1,96.
b.
Terdapat efek tak langsung dan bermakna kualitas sekolah
terdapat orientasi pilihan bidang keahlian siswa SMP melalui variabel kemampuan
umum dan pemahaman diri dengan harga estimasi 0,17 dan nilai-T 2,56>1,96.
Untuk menentukan model structural
cocok (fit) atau tidak dapat menggunakan kriteria berikut seperti pada tabel
10.7.
Tabel :
GOODNESS OF FIT STATISTICS
|
No.
|
Statistik
|
Kriteria “fit”
|
|
1.
|
X2
|
p>0,05
|
|
2.
|
Noncentrality parameter (NCP)
|
<<<
|
|
3.
|
Root mean square error of approximation (RMSEA)
|
<0,08
|
|
4.
|
Exspected cross-validation index (ECVI)
|
ECVI< ECVI sat. & indep. Model
|
|
5.
|
Akaike information criteria (AIC)
|
AIC<AIC sat. & indep. Model
|
|
6.
|
Goodness-of-fit-index (GFI)
|
>0,9
|
|
7.
|
Adjusted goodness-of-fit-index (AGFI)
|
>0,9
|
|
8.
|
Parsimanious goodness-of-fit-index (PGFI)
|
>0,9
|
|
9.
|
Normed fit index (NFI)
|
>0,9
|
|
10.
|
Parsimanious Normed fit index (PNFI)
|
>0,9
|
|
11.
|
Comperative fit index (CFI)
|
>0,9
|
|
12.
|
Non-normed fit index (NNFI)
|
>0,9
|
|
13.
|
Incremental fit index (IFI)
|
>0,9
|
|
14.
|
Relative fit index (RFI)
|
>0,9
|
|
15.
|
Standardized root mean square residual (SRMR)
|
<0,05
|
|
16.
|
Critical N (CN)
|
<N
|
Kesimpulan
1.
Structural Equation Modellingatau yang lebih dikenal dengan singkatannya
yaitu SEM adalah suatu teknik statistic yang mampu menganalisis pola hubungan
antara konstrak laten dan indikatornya, konstrak laten yang satu dengan
lainnya, serta kesalahan pengukuran secara langsung.
2.
symbol-simbol yang digunakan dalam SEM:
·
ξ (ksi) = untuk variable laten X
(eksogen)
·
η (eta) = untuk variable laten Y
(endogen)
·
λ (lambda) =untuk muatan faktor (faktor
loading)
·
β (beta) = koefisien pengaruh variable
endogen terhadap variable endogen.
·
γ (gamma) = koefisien pengaruh variable
eksogen terhadap variable endogen.
·
φ (phi) = koefisien hubungan antar
variable laten X eksogen.
·
ζ (zeta) = peluang galat model
·
ε (epsilon) = kesalahan pengukuran pada
variable manifest untuk variable laten Y
·
δ (delta) = kesalahan pengukuran pada
variable manifest untuk variable laten X
·
λx (lambda besar) = matriks untuk muatan
faktor variable laten X
·
λy (lambda besar) = matriks untuk muatan
faktor variable laten Y
3.
Persamaan SEM dan Analisis Jalur
·
Keduanya berkaitan dengan analisis konstruksi model.
·
Koefisien parameter model didasarkan atas analisis data
sampel.
·
Pengujian kecocokan model dilakukan dengan cara
membandingkan matriks varian-kovarian hasil dugaan dengan matriks data empiric
(observasi)
4.
Perbedaan SEM dan Analisis Jalur
·
Pada SEM dapat dilakukan dua analisis sekaligus yaitu:
analisis pengujian hubungan kausal antar variable laten (model structural) dan
analisis pengujian validitas dan reliabilitas yang didasarkan atas variable
manifest (model pengukuran).
·
SEM dapat diterapkan untuk model rekursif ataupun
resiprokal, sedangkan analisis jalur hanya dapat diterapkan pada model kausal
satu arah dan rekursif.
·
SEM tidak terganggu dengan adanya korelasi antar kesalahan
(error), sedangkan pada analisis jalur, antara error harus bebas (tidak saling
tergantung).
·
Hasil SEM mencangkup faktor diterminan, model structural,
dan model penggukuran. Analisis jalur hanya mencakup faktor diterminan.
5.
Hair, dkk. (1998:592-639) mendeskripsikan langkah-langkah
dalam SEM seperti berikut ini : (1) pengembangan model berbasis teori, (2)
mengkonstruksi diagram jalur untuk hubungan kausal, (3) mengkonversi diagram
jalur ke dalam model struktural dan model pengukuran, (4) memilih matriks input
dan estimasi model, (5) menilai identifikasi model struktural, (6) evaluasi
kecocokan model berdasarkan kriteria goodness-of-fit dan (7) interpretasi dan
modifikasi model.
Tidak ada komentar:
Posting Komentar