TINJAUAN PUSTAKA
2.2. Pendekatan Teori Analisis
2.2.3. Structural Equation Modelling (SEM)
2.2.3.1. Definisi Structural Equation Modelling (SEM)
Structural Equation Modelling (SEM) merupakan suatu teknik statistika yang mampu menganalisi hubungan peubah laten, peubah indikator dan kesalahan pengukuran secara langsung. Disamping hubungan kausal searah, metode SEM memungkinkan untuk menganalisis hubungan dua arah (Ghozali, et al. 2005).
Variabel laten adalah variabel-variabel yang yang tidak dapat diobservasi, sehingga tidak dapat diukur secara langsung. Pengamatan pada variabel laten melalui efek pada variabel-variabel terobservasi. Variabel terobservasi adalah indikator-indikator yang dapat diukur (Ghozali, et al. 2005).
Dalam model SEM, variabel laten berdasarkan fungsinya dibagi menjadi dua yaitu: variabel eksogen dan variabel endogen. Variabel eksogen adalah suatu variabel yang tidak dapat dipengaruhi oleh variabel lain (atau disebut variabel independen didalam model regresi). Sedangkan variabel endogen adalah variabel yang dapat dipengaruhi variabel lain. Dalam model SEM, variabel endogen dapat berperan menjadi variabel independen apabila variabel tersebut dapat mempengaruhi variabel lain (Ghozali, et al. 2005).
Secara teknis SEM dibagi dalam 2 (dua) kelompok yaitu SEM berbasis kovarian yang diwakili oleh LISREL dan SEM variance atau sering disebut
Component Based SEM yang mempergunakan software SmartPLS dan PLS
Graph. Perbedaan utama antara Covariance Based SEM dan Component Based
SEM dengan PLS (yang selanjutnya akan disebut sebagai Variance based dengan PLS) adalah pada Covariance Based SEM model yang dianalisis harus dikembangkan berdasarkan pada teori yang kuat dan bertujuan untuk mengkonfirmasi model dengan data empirisnya. Sedangkan Variance based
dengan PLS lebih menitikberatkan pada model prediksi sehingga dukungan teori yang kuat tidak begitu menjadi hal terpenting (Imam Ghozali, 2006).
Menurut Ghozali (2006), masalah yang muncul dalam penggunaan
Covariance Based SEM antara lain: (1) terjadinya improper solution karena adanya nilai variance yang negatif (Heywood case), (2) factor indeterminacy yang mengakibatkan program tidak memberikan hasil analisis karena model
unidentified, dan (3) Non-covergence algorithm. Jika hal ini terjadi maka tujuan penelitian diturunkan, tidak lagi mencari hubungan kausalitas antara variabel
tetapi hubungan linear prediktif optimal. Tabel 2 menunjukkan perbedaan
Covariance Based SEM dengan Variance based dengan PLS.
Tabel 2. Perbedaan Covariance Based SEM (LISREL) dengan Component Based SEM (PLS)
No Kriteria PLS LISREL
1 Tujuan Berorientasi prediksi Berorientasi pendugaan parameter
2 Pendekatan Berbasis varian (ragam) Berbasis covarian (peragam)
3 Hubungan antara peubah laten dan
manifest/indikator
Formatif atau reflektif Reflektif
4 Peubah Laten Setiap peubah laten merupakan kombinasi linear dari peubah
manifest/indikator
Peubah laten diduga oleh seluruh peubah
manifest/indikator 5 Komplesitas
model
Sampai komplesitas besar 100 laten atau 1000
manifest
Sampai komplesitas sedang (kurang dari 100 laten)
6 Ukuran contoh Rekomendasi sekitar 30 – 100
Rekomendasi sekitar 300 – 800
7 Persyaratan teori Fleksibel, bebas sebaran Asumsi kuat, sebaran normal
8 Perlakuan
missing data
Algoritma NIPALS Model kemungkinan maksimum
9 Identifikasi Dalam model rekursif selalu teridentifikasi
Bergantung kepada model idealnya, lebih dari 4
manifest per laten untuk
over determinasi, 3 untuk identifikasi yang sesuai
Sumber : Ghozali (2006)
2.2.3.2. Bentuk Structural Equation Modelling (SEM) dengan Partial Least Squares (PLS)
PLS pertama kali dikembangkan oleh Herman Wold (1966) sebagai metode umum untuk mengestimasi path model yang menggunakan konstruk laten dengan
multipleindikator. Pendekatan PLS adalah distribution free (tidak mengasumsikan data berdistribusi tertentu, dapat berupa nominal, kategori, ordinal, interval dan rasio). PLS merupakan metode analisis powerfull karena tidak didasarkan banyak asumsi, jumlah sampel kecil dan residul distribusi. Walaupun PLS juga dapat
digunakan untuk mengkonfirmasi teori, tetapi juga untuk menjelaskan ada tidaknya hubungan antara variabel laten.
Model analisis jalur semua variabel laten dalam PLS terdiri dari 3 (tiga) set hubungan, yaitu :
1. Inner Model(Inner relation, structural modeldansubstantive theory) yang menspesifikasi hubungan antar variabel laten berdasarkan pada teori. Model struktural dievaluasi dengan melihat nilai R-Square untuk konstruk laten dependen, Stone Geisser Q-square test untuk predictive relevance dan uji t, serta signifikansi dari koefisien parameter jalur struktural. Perubahan nilai R-square dapat digunakan untuk menilai pengaruh variabel laten independen terhadap variabel laten dependen. Model persamaan dapat ditulis dalam bentuk :
………..(1) Keterangan :
η = vektor variabel laten endogen (dependen)
ξ = vektor variabel laten eksogen (independen)
ζ = vektor variabel residual (unexplained variance)
B = Matriks koefisien variabel laten tak bebas (endogen) terhadap endogen berukuran m x m
Γ = matrik koefisien variabel laten bebas (eksogen) terhadap endogen berukuran m x ndengan,
m = jumlah variabel endogen n = jumlah variabel eksogen
2. Outer Model(Outer relationataumeasurementmodel) yang menspesifikasihubunganantarvariabellatendenganindikator. Outer Model
terdiri dari 2 (dua) macam mode, yaitu mode reflective (mode A) dan mode
formative (mode B).
Mode reflektif merupakan relasi dari peubah laten ke peubah indikator atau ”effect”. Sedangkan mode formatif merupakan relasi dari perubah indikator membentuk peubah laten ”causal”.
Model persamaan untuk indikator refleksif dapat ditulis dalam bentuk :
………(2) Keterangan :
x dan y = indikator atau manifest variabel untuk variabel laten eksogen (ξ) dan variabel laten endogen (η)
Λx dan Λy
ε
= matrik loading yang menggambarkan koefisien regresi sederhana yang menghubungkan variabel laten dengan indikatornya.
x dan εy = residual atau kesalahan pengukuran
Model persamaan untuk indikator refleksif dapat ditulis dalam bentuk :
………..(3) Keterangan :
Πx dan Πy
δx dan δy = residual dari regresi = koefisien regresi berganda dari variabel laten dan blok indikator
3. Weight Relation, Inner dan Outer model memberikan spesifikasi yang diikuti dalam estimasi algoritma PLS. Nilai kasus untuk setiap variabel laten diestimasi dalam PLS sebagai berikut :
Keterangan :
Wkb dan Wki = k weight yang digunakan untuk membentuk estimasi variabel laten ξb dan ηi
Seperti telah dijelaskan sebelumnya bahwa tujuan Partial Least Square
(PLS) adalah membantu peneliti untuk mendapatkan variabel laten untuk tujuan prediksi. Menurut Chin 1998 (dalam Imam Ghozali, 2006), menyatakan bahwa karena PLS tidak mengasumsikan adanya distribusi tertentu untuk estimasi parameter, maka teknik parametrik untuk menguji signifikansi parameter tidak diperlukan. Model evaluasi PLS berdasarkan pada pengukutan prediksi yang mempunyai sifat non parametrik. Dalam model evaluasi PLS terdapat tahap-tahap sebagai berikut:
.
a. Model Pengukuran atau Outer Model
Model pengukuran dengan indikator refleksif dievaluasi dengan
validity dari model pengukuran dengan refleksif indikator dengan penilaian didasarkan pada korelasi antara item score dengan construk score.
Discriminant validity dari model pengukuran dengan refleksif indikator dinilai berdasarkan cross loading pengukuran dengan konstruk, atau membandingkan dengan nilai square root of average variance extracted
(AVE) setiap konstruk dengan korelasi antara konstruk dengan konstruk lainnya dalam model (Chin, 1998 dalam Imam Ghozali, 2006).
Convergent validity dari model pengukuran dengan indikator refleksif dinilai berdasarkan korelasi antara item score atau component score dengan
construct score yang dihitung dengan PLS. Ukuran refleksif individual dikatakan tinggi jika berkorelasi lebih dari 0,70 dengan konstruk yang ingin diukur. Namun demikian untuk penelitian awal dari pengembangan skala pengukuran nilai loading 0,50 sampai dengan 0,60 dianggap cukup (Chin, 1998 dalam Imam Ghozali, 2006).
Discriminat validity dari model pengukuran dengan indikator refleksif dinilai berdasarkan cross loading pengukuran dengan konstruk. Jika korelasi konstruk dengan item pengukuran lebih besar daripada ukuran konstruk lainnya, maka hal itu menunjukkan bahwa konstruk laten memprediksi ukuran pada blok mereka lebih baik daripada ukuran pada blok lainnya. Cara lain adalah melihat nilai square root of average variance extracted (AVE) setiap konstruk dengan korelasi antara konstruk dengan konstruk lainnya dalam model. Jika nilai akar AVE setiap konstruk lebih besar daripada nilai korelasi antara konstruk dengan konstruk lainnya dalam model, maka dikatakan memiliki nilai discriminant validity yang baik (Fornell dan Larcker, 1981 dalam Imam Ghozali, 2006). Selain itu dievaluasi juga compositre reliability dari blok indikator. Composite reliabilty blok indikator yang mengukur suatu konstruk dapat dievaluasi dengan dua macam ukuran yaitu internal consistensy dan Cronbach’s Alpha.
b. Model Struktural atau Inner Model
Model struktural atau inner model dievaluasi dengan melihat persentase
variance yang dijelaskan yaitu dengan melihat nilai R-square untuk konstruk laten dependen, Stone-Geisse Q-square test untuk predictive relevance dan
uji t serta signifikansi dari koefisien parameter jalur struktural. Interpretasinya sama dengan interpretasi pada analisis regresi.
2.2.3.3. Uji Independent T test
Alat uji ini digunakan untuk menganalisis perbedaan terhadap tingkat komitmen karyawan. Alat uji yang digunakan adalah Independent Sampel T test. Untuk melihat homogenitas variance data antara auditor pria dan perempuan, peneliti melakukan uji Levene's test. Level confidence pada penelitian ini adalah 95 % dengan level toleransi kesalahan adalah 5 %.