LANDASAN TEORI
4. Pengukuran kinerja dapat membantu suatu perusahaan untuk
2.1.4. Structural Equation Modeling (SEM)
Structural equation modeling (SEM) adalah suatu teknik statistik yang mampu menganalisis pola hubungan antara konstruk laten dan indikatornya, konstruk laten yang satu dengan lainnya, serta kesalahan pengukuran secara langsung. SEM memungkinkan dilakukannya analisis di antara beberapa variabel dependen dan independen secara langsung (Hair et al, 2006).
Teknik analisis data menggunakan SEM, dilakukan untuk menjelaskan secara menyeluruh hubungan antar variabel yang ada dalam penelitian. SEM digunakan bukan untuk merancang suatu teori, tetapi lebih ditujukan untuk memeriksa dan membenarkan
Amount of Deposit Interest Saving Priority money in bank
Deposit 1 5 1/5 0.212 Interest 1/5 1 1/8 0.062 Saving 5 8 1 0.726
The priority in the table is computed using QMPMS software developed at DMEM. Level : 0
Factor : Amount of money in bank. Sub-factors : Initial deposit, Interest, Saving.
Row Absolutely Very Strong Weak Equal Weak Strong Very Absolutely Column Strong Strong 1.1 Deposit - - V - - - - - - 1.2 Interest 1.1 Deposit - - - - - - V - - 1.3 Saving 1.2 Interest - - - - - - - - V - 1.3 Saving (a) (b)
suatu model. Oleh karena itu, syarat utama menggunakan SEM adalah membangun suatu model hipotesis yang terdiri dari model struktural dan model pengukuran dalam bentuk diagram jalur yang berdasarkan justifikasi teori. SEM adalah merupakan sekumpulan teknik-teknik statistik yang memungkinkan pengujian sebuah rangkaian hubungan secara simultan. Hubungan itu dibangun antara satu atau beberapa variabel independen (Santoso, 2011).
SEM menjadi suatu teknik analisis yang lebih kuat karena mempertimbangkan pemodelan interaksi, nonlinearitas, variabel-variabel bebas yang berkorelasi (correlated independent), kesalahan pengukuran, gangguan kesalahan-kesalahan yang berkorelasi (correlated error terms), beberapa variabel bebas laten (multiple latent independent) dimana masing-masing diukur dengan menggunakan banyak indikator, dan satu atau dua variabel tergantung laten yang juga masing-masing diukur dengan beberapa indikator. Dengan demikian menurut definisi ini SEM dapat digunakan alternatif lain yang lebih kuat dibandingkan dengan menggunakan regresi berganda, analisis jalur, analisis faktor, analisis time series, dan analisis kovarian (Byrne, 2010).
Yamin (2009) mengemukakan bahwa di dalam SEM peneliti dapat melakukan tiga kegiatan sekaligus, yaitu pemeriksaan validitas dan reliabilitas instrumen (setara dengan analisis faktor konfirmatori), pengujian model hubungan antar variabel laten (setara dengan analisis path), dan mendapatkan model yang bermanfaat untuk prediksi (setara dengan model struktural atau analisis regresi).
Dua alasan yang mendasari digunakannya SEM adalah (1) SEM mempunyai kemampuan untuk mengestimasi hubungan antar variabel yang bersifat multiple relationship. Hubungan ini dibentuk dalam model struktural (hubungan antara konstruk
dependen dan independen). (2) SEM mempunyai kemampuan untuk menggambarkan pola hubungan antara konstruk laten dan variabel manifes atau variabel indikator.
Menurut Wijanto (2008), dari segi metodologi, SEM memainkan berbagai peran, dianataranya, sebagai sistem persamaan simultan, analisis kausal linier, analisis lintasan (path analysis), analysis of covariance structure, dan model persamaan struktural. Meskipun demikian, ada beberapa hal yang membedakan SEM dengan regresi biasa maupun teknik multivariat yang lain, karena SEM membutuhkan lebih dari sekedar perangkat statistik yang didasarkan atas regresi biasa dan analisis varian. SEM terdiri dari 2 bagian yaitu model variabel laten dan model pengukuran. Kedua model SEM ini mempunyai karakteristik yang berbeda dengan regresi biasa. Regresi biasa, umumnya, menspesifikasikan hubungan kausal antara variable-variabel teramati (observed variable), sedangkan pada model variabel laten SEM, hubungan kausal terjadi diantara variable-variabel tidak teramati (unobserved variables) atau variable-variabel laten.
Wijanto (2008) menunjukan bahwa penggunaan variable-variabel laten pada regresi berganda menimbulkan kesalahan-kesalahan pengukuran (measurements errors) yang berpengaruh pada estimasi parameter dari sudut biased-unbiased dan besar kecilnya variance. Masalah kesalahan pengukuran ini diatasi oleh SEM melalui persamaan-persamaan yang ada pada model pengukuran. Parameter-parameter dari persamaan pada model pengukuran SEM merupakan “muatan faktor” atau factor loadings dari variabel laten terhadap indicator-indikator atau variable-variabel termati yang terkait. Dengan demikian, kedua model SEM tersebut selain memberikan informasi tentang hubungan kausal simultan di antara variable-variabelnya juga memberikan informasi tentang muatan faktor dan kesalahan-kesalahan pengukuran. Wijanto (2008)
lebih mendorong penggunaan SEM dibandingkan regresi berganda karena 5 alasan sebagai berikut:
1. SEM memeriksa hubungan di antara variabel-variabel sebagai sebuah unit, tidak seperti pada regresi berganda yang pendekatannya sedikit demi sedikit (piecemeal).
2. Asumsi pengukuran yang andal dan sempurna pada regresi berganda tidak dapat dipertahankan, dan pengukuran dengan kesalahan dapat ditangani dengan mudah oleh SEM.
3. Modification Index yang dihasilkan SEM menyediakan lebih banyak isyarat tentang arah penelitian dan pemodelan yang perlu ditindaklanjuti dibandingkan pada regresi.
4. Interaksi juga dapat ditangani dalam SEM.
5. Kemampuan SEM dalam menangani non recursive path.
2.1.4.1. Penerapan SEM dalam Metode QMPMS
Tiga langkah utama metode QMPMS dalam penyusunan sistem pengukuran kinerja dapat dianalisis menggunakan metode structural equation modeling. Dengan penggunaan SEM pada langkah-langkah dalam QMPMS maka tidak perlu digunakan lagi cognitive map, tree diagram, cause and effect diagram, dan analytical hierarchy process sebagai alat bantu. Prosedur pengujian SEM yang dilakukan adalah sebagai berikut:
Tahap ini untuk mengidentifikasi seluruh faktor yang mempengaruhi kinerja dan hubungannya, apakah berpengaruh langsung (direct effect), tidak langsung (indirect effect), atau self-interaction effect. Tujuan dari pengembangan model struktural untuk menguji validitas dan realibilitas pola hubungan antar variabel dari sebuah konsep atau teori yang direpresentasikan dengan sebuah model sehubungan dengan masalah yang akan diteliti.
2. Pengembangan diagram jalur pola hubungan sebab akibat antar variabel laten eksogen dan variabel laten endogen
Langkah satu adalah visualisasi pola hubungan tersebut dalam diagram sehingga lebih mudah untuk dilakukan pengujian. Karena goodness of fit test
akan dikenakan terhadap model tersebut untuk menguji kesesuaiannya dengan realita maka sebaiknya disiapkan beberapa alternatif model pola hubungan.
3. Pengembangan model persamaan struktural dan model pengukuran
Setalah proses identifikasi maka dilakukan penyusunan faktor-faktor secara hirarki menggunakan diagram pohon dan diagram sebab akibat. Untuk menunjukkan tingkatan (level) dari setiap faktor (variabel) dan hubungannya.
Apabila diagram jalur pola hubungan antara variabel laten eksogen dan endogen telah jelas dan koefisien hubungan masing-masing variabel diidentifikasi maka model persamaan struktural dan model persamaan pengukuran telah dapat dirumuskan. Langkah berikutnya dilakukan
perumusan hipotesis yang ditindaklanjuti dengan pengumpulan data dengan menggunakan instrumen yang mengacu kepada variabel manifes dari masing-masing variabel laten. Untuk pengujian hipotesis dalam teknik SEM perhitungan skor butir-butir yang valid dan reliabel dilakukan dengan menggunakan metode confirmatory factor analysis (CFA).
4. Menyusun matriks input dan estimasi model
Tahap terakhir dalam perancangan model pengukuran kinerja ini adalah dengan mengukur pengaruh dari faktor-faktor terhadap kinerja dengan menggunakan perbandingan matriks dalam prosedur SEM. Ada dua tipe matriks yang perlu dibuat. Matriks pertama adalah matriks korelasi yaitu matriks yang elemen-elemennya adalah hasil perhitungan koefisien korelasi antar variabel laten. Berdasarkan variabel laten akan diketahui variabel laten eksogen mana yang lebih kuat pengaruhnya terhadap variabel laten endogen tertentu. Disamping itu, dengan diketahuinya koefisien korelasi antar variabel laten dalam diagram jalur maka dapat pula diketahui jalur-jalur mana yang mempunyai pengaruh yang lebih dominan.
Matriks kedua ialah matriks kovarians yaitu matriks yang ele-men-elemennya adalah hasil perhitungan kovarians antar variabel yang dapat diobservasi langsung yaitu antar variabel manifes X dan variabel manifes Y. Koefisien kovarians mengukur hubungan antar dua variabel laten dalam struktur.
∑ ̅ ̅
5. Melakukan evaluasi kesesuaian model
Evaluasi kesesuaian model dapat dibagi atas dua bagian yaitu pertama menguji kesesuaian model secara keseluruhan (overall model fit test) dan kedua menguji secara individual signifikansi hasil estimasi parameter model. Pengujian model keseluruhan berkaitan dengan masalah generalisasi yaitu mengevaluasi sejauh mana hasil esitimasi parameter model dapat diberlakukan terhadap populasi. Pengujian signifikansi berkaitan dengan pengujian hipotesis penelitian yang diajukan.
Evaluasi kesesuaian model pada dasarnya adalah evaluasi tentang kesesuaian pola hubungan antar variabel laten terhadap data empiris. Tujuan yang ingin dicapai dari pengujian kesesuaian model pengukuran ialah untuk mengetahui apakah model pengukuran sesuai (fit) dengan data.
Untuk menguji kesesuaian model digunakan ukuran goodness of fit test
(GFT) melalui uji statistik chi kuadrat X2 test) pada .
∑ ...(2.2.) 6. Interpretasi dan modifikasi model
Fokus dari interpretasi hasil analisis adalah penjelasan tentang arti dan hasil dari hasil pengujian kesesuaian model baik jika hasil pengujian fit ataupun tidak fit dengan data empiris. Interpretasi juga diberikan terhadap hasil pengujian signifikansi masing-masing koefisien bobot (load) dikaitkan dengan hasil pengujian validitas dan realibilitas. Khusus untuk jalur
interpretasi diberikan terhadap masing-masing efek baik, efek langsung, tidak langsung maupun efek total.