4.4. Metode Pengolahan Data
4.4.2 Tahapan Prosedur SEM
Data kuantitatif pada penelitian ini diolah dengan menggunakan program MS Office Excel 2007 untuk mentabulasikan dan memudahkan pengolahan data. Analisis data yang dilakukan pada penelitian ini adalah analisis SEM dengan menggunakan paket program LISREL 8.72. Prosedur pemodelan SEM secara umum mengandung tahap-tahap sebagai berikut (Bollen dan Long dalam Wijanto, 2008):
1. Spesifikasi Model (Model Spesification)
Tahap ini berkaitan dengan pembentukan model awal persamaan struktural, sebelum dilakukan estimasi. Model awal ini diformulasikan berdasarkan suatu teori atau penelitian sebelumnya. Berikut adalah langkah-langkah spesifikasi model:
Definisikan variabel-variabel laten yang ada di dalam penelitian. Definisikan variabel-variabel teramati.
Definisikan hubungan antara setiap variabel laten dengan variabel-variabel teramati yang terkait.
2. Identifikasi (Identification)
Tahap ini berkaitan dengan pengkajian tentang kemungkinan diperolehnya nilai yang unik untuk setiap parameter yang ada di dalam model dan kemungkinan persamaan simultan tidak ada solusinya. Secara garis besar ada tiga kategori identifikasi dalam persamaan simultan, yaitu:
Under Identified Model adalah model dengan jumlah parameter yang di estimasi lebih besar dari jumlah data yang diketahui (data tersebut merupakan variance dan covariance dari variabel-variabel teramati). Dari definisi tersebut under identified model pada SEM mempunyai degree of
freedom < 0. Jadi dapat disimpulkan, bahwa model yang under identified
mempunyai degree of freedom negatif.
Just Identified Model adalah model dengan jumlah parameter yang di estimasi sama dengan data yang diketahui. Dari definisi tersebut just
identified model pada SEM mempunyai degree of freedom = 0. Jadi dapat
disimpulkan, bahwa model yang just identified mempunyai degree of
Over Identified Model adalah model dengan jumlah parameter yang di estimasi lebih kecil dari jumlah data yang diketahui. Dari definisi tersebut
over identified model pada SEM mempunyai degree of freedom = +1. Jadi
dapat disimpulkan, bahwa model yang over identified mempunyai degree
of freedom positif.
Di dalam SEM, berusaha untuk memperoleh model yang over identified dan menghindari model yang under identified. Meskipun demikian jika ada indikasi permasalahan berkaitan dengan identifikasi, kita perlu melihat sumber-sumber kesalahan yang sering terjadi (Hair et al. dalam Wijanto, 2008) yaitu: (1) banyaknya parameter yang diestimasi relative terhadap varian-kovarian matrik sampel, yang menandakan degree of freedom yang kecil (serupa dengan overfitting data problem yang banyak ditemui di teknik multivariat lainnya), (2) penggunaan reciprocal effect, (3) kegagalan dalam menetapkan skala dari konstruk.
(Mueller dalam Wijanto ,2008) menyarankan salah satu usaha yang dapat dilakukan untuk memperoleh model yang over identified adalah memilih satu dari dua pilihan sebagai berikut: (1) Menetapkan salah satu muatan faktor dari setiap variabel laten yang ada dalam model dengan nilai 1.0 atau (2) Variabel laten di standarisasikan ke unit variance, yaitu dengan menetapkan nilai 1 pada varian dari matrik.
Jika usaha di atas belum bisa mengatasi masalah identifikasi, maka menurut (Hair et al. dalam Wijanto, 2008) satu-satunya solusi adalah menentukan pembatasan-pembatasan (constraints) terhadap model lebih banyak lagi, yaitu dengan mengeliminasi beberapa koefisien atau muatan faktor yang ada di dalam model sampai masalah identifikasi dapat diatasi.
3. Estimasi (Estimation)
Tahap ini berkaitan dengan estimasi terhadap model untuk menghasilkan nilai-nilai parameter dengan menggunakan salah satu metode estimasi yang tersedia. Pemilihan metode estimasi yang digunakan seringkali ditentukan berdasarkan karakteristik dari variabel-variabel yang di analisis.
Metode estimasi yang digunakan pada penelitian ini adalah Maximum
difokuskan kepada model pengukuran (atau measurement equations) dan hal-hal sebagai berikut diperiksa:
Memeriksa hasil estimasi terhadap kemungkinan adanya offending
estimates (nilai-nilai estimasi yang melebihi batas yang dapat diterima),
terutama adanya negative error variances (heywod cases). Jika ada varian kesalahan negatif, maka salah satu cara untuk memperbaikinya adalah dengan menetapkan error variances tersebut ke nilai positif yang sangat kecil misalnya 0,005 atau 0,01.
T-values dari muatan faktor estimasi < 1,96. Jika ada nilai-t dari estimasi muatan faktor < 1,96, berarti estimasi muatan faktor tersebut tidak signifikan dan variabel teramati yang terkait bisa dihapuskan dalam model. Jika ada nilai standardized loading factors (muatan faktor standar) < 0,50 tetapi masih ≥ 0,30 maka variabel yang terkait bisa dipertimbangkan untuk tidak dihapus. Penggunaan batas kritikal 0,30 atau 0,50 sepenuhnya terserah kepada peneliti, dengan mempertimbangkan teori atau subtansi yang mendasari model, banyaknya varabel teramati yang tersisa setelah penghapusan dan reliabilitas model pengukuran yang terkait.
4. Uji Kecocokan Model (Testing Fit)
Tahap ini berkaitan dengan pengujian kecocokan antara model dengan data. Beberapa kriteria ukuran kecocokan atau Goodness of Fit (GOF) dapat digunakan untuk melaksanakan langkah ini.
a. Uji Kecocokan Keseluruhan Model
Uji kecocokan keseluruhan model atau overall model fit berkaitan dengan analisis terhadap GOF statistik yang dihasilkan oleh program. Pengujian ini menggunakan pedoman ukuran-ukuran GOF. Ukuran yang dapat digunakan sebagai patokan kecocokan keseluruhan model dalam SEM adalah sebagai berikut (Firdaus dalam Elbany, 2009):
Nilai chi-square dan probabilitas (P).
Ukuran ini pada dasarnya merupakan pengujian seberapa dekat matriks hasil dugaan dengan matriks data asal dengan menggunakan uji
chi-square. Semakin kecil nilai ukuran ini maka model yang digunakan
harus didampingi dengan ukuran kesesuaian model yang lain. Untuk memperoleh chi-square relatif, uji chi-square biasanya dibandingkan dengan nilai derajat bebas (degree of freedom). Model yang baik membutuhkan nilai chi-square yang lebih kecil daripada nilai derajat bebasnya. Nilai p berkisar antara 0 sampai 1 dan model persamaan struktural akan semakin baik jika nilai p mendekati 1.
Root Mean Square Error of Approximation (RMSEA).
RMSEA mengukur penyimpangan nilai parameter pada suatu model dengan matriks kovarians populasinya atau bisa dikatakan RMSEA mengukur kedekatan suatu model terhadap populasi. Suatu model dikatakan baik apabila nilai RMSEA kurang dari 0,05; reasonable jika lebih kecil dari 0,08, cukup apabila kurang dari 0,1 dan buruk apabila lebih dari 0,1.
Root Mean Square Residuals (RMR).
Ukuran ini menunjukkan nilai sisaan dari kovarian suatu model yang dibangun. Suatu model dikatakan baik apabila nilai sisaannya lebih kecil dari 0,1. Nilai sisaan yang semakin kecil dan mendekati 0, maka model dikatakan semakin baik.
Goodness of Fit Index (GFI).
GFI merupakan ukuran yang menunjukkan seberapa besar model yang mampu menerangkan keragaman data. Nilai GFI harus berkisar antara 0-1. Batas minimal 0,9 sering dijadikan patokan suatu model dikatakan baik. Model yang memiliki nilai GFI lebih besar dari 0,9 berarti model semakin baik.
Adjusted Goodness of Fit Index (AGFI).
Ukuran ini merupakan modifikasi dari GFI dengan mengakomodasi derajat bebas model dengan model lain yang dibandingkan. Sama halnya dengan GFI, nilai AGFI sebesar 1 menunjukkan bahwa model memiliki perfect fit. Sedangkan model yang dikatakan fit adalah yang memiliki nilai minimal AGFI sebesar 0,9.
b. Analisis Model Pengukuran
Setelah kecocokan model dengan data secara keseluruhan adalah baik, langkah berikutnya adalah evaluasi atau analisis model pengukuran. Evaluasi ini akan dilakukan terhadap setiap model pengukuran atau konstruk secara terpisah melalui evaluasi terhadap validitas (validity) dari model pengukuran dan evaluasi terhadap reliabilitas (reliability) dari model pengukuran. Kedua evaluasi tersebut akan diuraikan lebih lanjut dibawah ini.
Evaluasi terhadap validitas (validity) dari model pengukuran.
Ghozali dan Fuad (2005) mengatakan bahwa validitas suatu indikator dapat dievaluasi dengan tingkat signifikansi pengaruh antara variabel laten dengan indikatornya. Jika nilai loadingnya (λ) signifikan yaitu nilai t lebih besar dari 1,96 dengan tingkat signifikansi lima persen, maka suatu indikator tersebut adalah valid (memberikan pengaruh yang nyata).
Muatan faktor standarnya (standardized loading factors) ≥ 0,30 (Igbaria et al. dalam Wijanto, 2008).
Evaluasi terhadap reliabilitas (reliability) dari model pengukuran. Reliabilitas dari suatu indikator dapat dilakukan dengan menghitung
composite reliability (reliabilitas gabungan) atau construct reliability
(reliabilitas konstruk) dengan rumus sebagai berikut (Ghozali dan Fuad, 2005) :
Construct Reliability =
Dimana std.loading (standardized loadings) dapat diperoleh secara langsung dari keluaran program LISREL dan adalah measurement
error untuk setiap indikator atau variabel teramati.
Menurut Bagozzi dan Yi dalam Ghozali dan Fuad, (2005) tingkat
out-off untuk dapat mengatakan bahwa reliability gabungan atau reliability
konstruk bagus adalah 0,6 walaupun angka itu bukanlah sebuah ukuran “mati”. Maholtra dalam Solimun, (2002) berpendapat bahwa bila penelitian yang dilakukan adalah ekploratori maka nilai dibawah 0,6
pun masih dapat diterima sepanjang disertai dengan alasan-alasan empirik yang terlihat dalam proses eksplorasi3.
c. Analisis Model Struktural
Bagian ini berhubungan dengan evaluasi terhadap koefisien-koefisien atau parameter-parameter yang menunjukkan hubungan kausal atau pengaruh satu variabel laten terhadap variabel laten yang lain. Biasanya hubungan-hubungan kausal inilah yang dihipotesiskan dalam suatu penelitian. Evaluasi terhadap model struktural ini mencakup:
T-value dari koefisien atau parameter > 1,96 yang menunjukkan semua koefisien pada model struktural adalah signifikan.
Komponen ini menunjukkan nilai R2
(yang juga dikenal dengan Koefisien Determinasi) yang dapat diartikan seberapa besar variasi dari variabel dependen yang dapat dijelaskan oleh variabel independen.
5. Interpretasi dan modifikasi model. Setelah model diterima interpretasi
dilakukan mengikuti teori yang mendasarinya.
Model SEM dinyatakan juga dalam bentuk diagram lintas. Keuntungan digunakannya (path diagram) antara lain mempermudah dalam memahami hubungan antar peubah baik dalam model pengukuran maupun model struktural. Berikut ini adalah keterangan yang berkaitan dengan diagram lintas dalam model SEM :
a. Peubah laten digambarkan dalam bentuk oval. Peubah laten dalam SEM dapat berupa peubah endogen yang dilambangkan dengan huruf yunani ”eta” (η) yaitu apabila dipengaruhi oleh peubah laten lain. Peubah laten eksogen yang dilambangkan dengan ”ksi”(ξ) yaitu apabila hanya mempengaruhi peubah laten lain.
b. Model struktural, pada diagram lintas model SEM, panah satu arah menunjukkan hubungan pengaruh sedangkan panah dua arah menunjukkan hubungan korelasi. Besarnya pengaruh dari peubah endogen ke pengaruh endogen lain di lambangkan dengan ”beta” (β), sedangkan besarnya pengaruh
dari peubah eksogen ke peubah endogen dilambangkan dengan ”gamma” (γ). Besarnya korogam antar peubah laten dilambangkan dengan ”phi”(Ф).
c. Galat struktural. Model hubungan antar peubah laten melibatkan komponen
acak yang disebut dengan galat struktural yang dilambangkan dengan ”zeta” (ς).
d. Peubah manifes, digambarkan dalam bentuk kotak. Peubah manifes berkaitan dengan peubah laten endogen, dilambangkan dengan ”Y” sedangkan yang berkaitan dengan peubah laten eksogen dilambangkan dengan ”X”.
e. Model pengukuran merupakan model antara peubah laten dengan peubah-peubah manifesnya. Penyusunan peubah-peubah laten dari peubah-peubah-peubah-peubah manifesnya menggunakan alat analisis faktor, dimana peubah laten merupakan common
factor yang mendasari peubah-peubah manifesnya. Besarnya loading antara
peubah laten dengan peubah manifes dilambangkan dengan ”lamda” (λ) dengan λx untuk peubah eksogen dan λy untuk peubah endogen.
f. Kesalahan pengukuran antara peubah laten dengan peubah manifesnya seringkali terjadi. Kaitannya dengan analisis faktor pada model adalah unique
factor yang bersesuaian dengan masing-masing peubah manifes. Kesalahan
pengukuran yang berkaitan dengan peubah eksogen dilambangkan dengan ”delta (δ) sedangkan yang berkaitan dengan peubah endogen dilambangkan dengan ”epsilon” (ε).