METODE PENELITIAN
3. Structural Equation Model (SEM)
Analisis SEM ini bertujuan untuk mengestimasi beberapa persamaan regresi terpisah akan tetapi masing-masing mempunyai hubungan yang simultan atau bersamaan. Dalam model ini terdapat beberapa variabel independen, yang dimungkinkan menjadi variabel independen bagi variabel dependen lainnya. Model struktural dibentuk untuk menguji
commit to user
28
hubungan sebab akibat antar variabel. Jika ada salah satu variabel yang diubah, maka akan mengakibatkan terjadinya perubahan pada variabel lainnya.
Pada prinsipnya, model struktural bertujuan untuk menguji hubungan sebab akibat antar variabel sehingga jika salah satu variabel diubah, maka terjadi perubahan pada variabel yang lain. Dalam studi ini, data diolah dengan menggunakan Analysis of Moment Structure atau AMOS BASIC versi 16.0.
Analisis SEM memungkinkan perhitungan untuk mengestimasi beberapa persamaan regresi secara bersamaan, simultan, berganda dan saling berhubungan. Beberapa karakteristik penggunaan analisis SEM antara lain (Hair et al,. 1998 dalam Sondoh et.al, 2007):
a) Analisis ini digunakan untuk mengestimasi hubungan dependen ganda yang saling berkaitan
b) Memiliki kemampuan untuk memunculkan konsep yang tidak terobservasi dalam hubungan serta mampu menentukan kesalahan pengukuran dalam proses estimasi
c) Mengungkap hubungan variabel independen, dependen serta variabel laten.
commit to user
29 1) Evaluasi Asumsi SEM
a) Asumsi Kecukupan Sampel
Sampel yang harus dicukupi dalam model SEM harus berjumlah minimal lima kali jumlah parameter jumlah parameter yang akan diestimasi. Jumlah sampel ini memenuhi prosedur
Maximum Likelihood Estimation yaitu penarikan sampel antara 100-200 sampel (Lihat Ghozali, 2009).
b) Asumsi Normalitas
Dalam analisis multivariate, asumsi ini paling fundamental karena merupakan bentuk distribusi data pada variabel matriks tunggal yang menghasilkan distribusi normal (Hair et al, 1998 dalam Sondoh et.al, 2007). Jika asumsi ini tidak dipenuhi dan penyimpangan data normalitasya terlalu besar maka akan mengakibatkan hasil uji yang bias. Uji normalitas dapat digunakan dengan menggunakan nilai critical statistic ratio skewness yang menggambarkan penyimpangan distribusi simetris dan kurtosis atau tingkat kecuraman secara berturut-turut. Nilai statistik untuk menguji normalitas disebut z value (critical ratio / CR pada output
AMOS 16.0) dari ukuran skewness dan kurtosis ditribusi data. Bila nilai CR lebih besar dari nilai critical value, maka diduga distribusi data tidak normal. Critical value dapat ditentukan berdasar tingkat signifikansi 1% yaitu 2,58.
commit to user
30 c) Asumsi Outlier
Outlier merupakan observasi yang muncul dengan nilai-nilai ekstrim yang memiliki karakter unik, sangat berbeda dari observasi lain, muncul dalam bentuk nilai ekstrim, baik variabel tunggal atau kombinasi. Umumnya perlakuan terhadap outliers adalah dengan mengeluarkannya dari data dan tidak diikut sertakan dalam perhitungan berikutnya. Bila tidak terdapat alasan khusus untuk mengeluarkan outliers, maka observasi dapat diikut sertakan dalam analisis selanjutnya.
Outliers dapat dievaluasi dengan nilai mahalonobis distance, dengan nilai degree of freedom sejumlah dengan variabel yang dipergunakan dalam studi pada tingkat < 0,05. Dalam hal ini, variabel yang dimaksud adalah jumlah item pengukuran pada model.
2) Evaluasi Kriteria Goodness of fit
Dalam studi ini, pendekatan yang digunakan untuk menguji model struktural adalah Multigroup Structural Equation Model
(MSEM). Pendekatan ini digunakan untuk menguji model struktural pada kelompok yang berbeda secara simultan. Beberapa kriteria yang menjadi pertimbangan dalam pengujian model struktural antara lain adalah:
commit to user
31 a) Chi Square
Tujuan analisis ini adalah mengembangkan dan menguji sebuah model yang sesuai dengan data. Data pengujian dengan nilai X2 yang rendah dan menghasilkan tingkat signifikansi ≥ 0,05 akan mengindikasikan tidak adanya perbedaan yang signifikan antara matriks kovarians yang diestimasi. Chi square sangat bersifat sensitif terhadap sampel yang terlalu kecil maupun yang terlalu besar.
b) Goodness of Fit Index (GFI)
Indeks ini mencerminkan tingkat kesesuaian model secara keseluruhan yang dihitung dari residual kuadrat dari model yang diprediksi dibandingkan data yang sebenarnya. Nilai yang mendekati 1 mengisyaratkan model yang diuji memiliki kesesuaian yang baik.
c) Root Mean Square Error of Approximation (RMSEA)
RMSEA adalah indeks yang digunaan untuk mengukur fit
model menggantikan chi square statistik dalam jumlah sampel yang besar. Nilai RMSEA ≤ 0,08 mengindikasi indeks yang baik untuk menerima kesesuaian sebuah model.
d) Adjusted Goodnes of Fit Index (AGFI)
Indeks ini merupakan pengembangan dari GFI yang telah disesuaikan dengan rasio dari degree of freedom model yang diajukan dengan degree of freedom dari null model (model
commit to user
32
konstruk tunggal dengan semua indicator pengukuran konstruk). Nilai yang direkomendasikan adalah AGFI ≥ 0,90. semakin besar nilai AGFI, maka semakin baik kesesuaian yang dimiliki model. e) Trucker Lewis Index (TLI)
TLI merupakan indeks kesesuaian incremental yang membandingkan model yang diuji dengan null model. Nilai penerimaan yang direkomendasikan adalah nilai TLI ≥ 0,95. TLI merupakan indeks kesesuaian yang kurang dipengaruhi oleh ukuran sampel.
f) Comparative Fit Index (CFI)
CFI juga merupakan indeks kesesuaian incremental. Besaran indeks ini adalah dalam rentang 0 sampai dengan1, dan nilai yang mendekati 1 mengindikasi model memiliki tingkat kesesuaian model yang baik. Indeks ini sangat dianjurkan untuk dipakai karena indeks ini relatif tidak sensitif terhadap besarnya sampel dan kurang dipengaruhi oleh kerumitan model. Nilai penerimaan yangdirekomendasikan adalah CFI ≥ 0,90.
g) Normed Chi Square (CMIN/DF)
CMIN/DF adalah ukuran yang diperoleh dari nilai chi square
dibagi dengan degree of freedom. Indeks ini merupakan indeks kesesuaian parsimonious yang mengukur hubungan goodnes of fit
commit to user
33
mencapai tingkat kesesuaian. Nilai yang direkomendasikan untuk menerima kesesuaian model adalah CMIN/DF < 2,0.
Tabel III.1
Indikator Goodnes-of-Fit Model
Kriteria Control of Value Keterangan
X2 Chi Square Diharapkan kecil Baik
X2 Significance Probability ≥ 0,05 Baik GFI ≥ 0,90 Baik RMSEA ≤ 0,80 Baik AGFI ≥ 0,90 Baik TLI ≥ 0,95 Baik CFI ≥ 0,90 Baik CMIN/DF < 2,00 – 5,00 Baik
commit to user
34 BAB IV
