PENENTUAN MODEL
PADA SUATU HUBUNGAN STRUKTURAL
I KETUT
SUWIJA
PROGRAM PASCASARJANA
INSTITUT PERTANIAN BOGOR
ABSTRAK
I KETUT S U W A . Penentuan Model pada suatu Hubungan StrukturaI. Dibimbing
oleh SISWADI dan BUD1 SUHARJO.
Mode1 Persamaan Struktural (MPS) dari suatu fenomena pada umumnya berlandaskan pada suatu teori tertentu. Validasi model yang dibangun berdasarkan teori tersebut pada data empiris tidak selalu menunjukkan model yang baik. Dengan
memperhatikan azas pemodelan bahwa The model mustfit the data, not vice versa,
maka perlu dilakukan penelusuran model, sehingga diperoleh model yang baik. Selain validasi model, sebagai upaya penelusuruan model yang lebih baik, LISREL juga dapat digunakan untuk membangun model berdasarkan data empiris.
Penelusuran tersebut dilakukan dengan algoritma sebagai berikut : (1) Berdasarkan
data matriks korelasi antar peubah indikator dan ukuran ketakmiripan korelasi,
analisis gerombol untuk penggerombolan peubah indikator dilakukan dengan menggunakan metode Ward dan Pautan Lengkap atau Pautan Raiaan.Sedangkan penggerombolan dengan metode Pautan Tunggal clan Pautan Terpusat tidak perIu,
karena model yang diperoleh juga diperoleh melalui salah satu dari ketiga metode
lainnya. Hasil penggerombolan ini digunakan untuk membangun MPS;
(2) Menambahkan satu lintasan antaz galat peubah indikator berdasarkan atas lintasan-lintasan yang signifikan hasil analisis Iintas terhadap peubah indikator antar
peubah laten eksogenous ataupun endogenous; (3) Modifikasi model berdasa-kan
Dengan ini saya menyatakan bahwa tesis yang berjudul:
PENENTUAN MODEL PADA SUATU HUBUNGAN STRUKTURAL
adalah benar hasil karya saya sendiri. Semua sumber data dan informasi yang
digunakan telah dinyatakan secara jelas dan dapat diperiksa kebenarannya.
Bogor, Januari 2002
,4c-
I Ketut Suwiia
PENENTUAN
MODEL
PADA SUATU HUSUNGAN STRUKTURAL
I m T U T SUWIJA
Tesis
-
sebagai salah satu syarat untuk memperoleh gelar
Magister Sains
pada
Program Pascasa jana Institut Pertaniar. Bogor
PROGRAM STUD1 STATISTIKA
PROGRAM PASCASARJANA
INSTITUT PERTANIAN
BOGORJudul Tesis : Penentuan Model pada suatu Hubungan Struktural
Naina : IKetutSuwija
N R P : 98115
Program Studi : Statistika
Menyetujui :
Kornisi Pembimbing
Dr. Tr. S i s w a d i. M.Sc. Ketua
Dr. Ir. Budi Suhario, M.S. Anggota
Mengetahui,
Ketua Prograin Studi Statistika Direktur Program Pascasarjana
,.
\
, .1
7Qj
d
r. ~ y d i m y o : M.S.
RIWAYAT
HIDUP
Penulis dilahirkan di Sesetan pada tanggal 19 Agustus 1966 sebagai
anak bungsu (4 bersaudara) dari pasangan I Wayan Kalot dan Ni Nyoman Jembor.
Pendidikan dasar dan menengah penulis selesaikan di Denpasar yaitu di
SD Negeri 2 Sesetan, SMP Negeri 2 Denpasar dan SMPP Negeri 32 Denpasar.
Pendidikan sarjana ditempuh di Program Studi Pendidikan Matematika, Fakuitas
Keguruan dan Ilmu Pendidikan UNUD Singaraja, lulus pada tahun 1990. Pada
tahun 1997 penulis diterima pada Program Pra-Pascasarjana IPB, dan pada tahun
1998 mendapat kesempatan melanjutkan ke Program Pascasarjana IPB Jurusan
Statistika dengan beasiswa BPPS.
Sejak tahun 1992 penulis bekerja sebagai dosen Kopertis Wilayah VIE,
dipekerjakan pada Institut Keguruan dan Ilmu Pendidikan (IKIP) Mataram,
Fakultas Pendidikan Matematika dan IImu Pengetahuan Alarn (FPMIPA) Jurusan
Pendidikan Matematika.
Penulis menikah dengan Ni Luh Sukerni, SE pada tanggal 3 Juli 1992
dan telah dikaruniai dua orang ariak, yaitu Luh Putu Anggyani Raka Siwi
PRAKATA
Puji syukur penulis panjatkan kehadapan Ida Sang Hyang Widi Wase (Tuhan
Yang Maha Esa), atas rahmat-Nya tulisan ini dapat diselesaikan sebagaimana
mestinya. Penelitian ini tidak mungkin terselenggara tanpa keterlibatan dari berbagai
pihak. OIeh karena itu, penulis menghaturkan terima kasih dan penghargaan yang
setulus-tulusnya kepada Bapak Dr. Ir. Siswadi, M.Sc. selaku ketua komisi
pembimbing serta Bapak Dr. Ir. Budi Suharjo, M.S. selaku anggota komisi
pembimbing, atas bimbingan, nasihat dan pengarahan sejak perencanaan, peIaksanaan
dan penyelesaian tulisan ini.
Terima kasih dan penghargaan disampaikan pula kepada Pengelola BPPS
Direktorat Jendral Pendidikan Tinggi, Rektor IKIP Mataram, Dekan FPMrPA KIP
Mataram, Rektor Institut Pertanian Bogor, Dircktur Program Pascasa j a n a IPB, Kctua
Program Studi Statistika Program Pascasarjana IPB, para dosen di Program Studi
Statistika IPB serta para staf karyawan Program Studi Statistika IPB, yang telah
memberikan kesempatan studi, fasilitas serta layanan kepada penulis selama studi,
penelitian sampai penyelesaian tulisan ini.
Penulis juga men~ampaikan terima kasih kepada rekan-rekan mahasiswa
Program Studi Statistika Program Pascasarjana, khususnya angkatan tahun 1998 atas
dukungan dan kerjasamanya selama mengikuti studi di IPB. Demikian juga terima
I'ascasatjana (I'unhnwaccrlla) 13;rIi 11'13, khususnya warga I'uri Cananysari
(Warga KPP 111 IPR, Blok G No. 6 Bogor) yang telah secara bersama-sama
inenciptakan dan ~nenjaga suasana belajar yang penuh kekeluargaan dan keakraban
selairia mengikuti studi di [ P B Hogor. T e r i ~ n a kasih juga penulis sampaikan kepada
selnua pihak yang tidak dapat penulis sebutkan satu persatu yang telah membantu
berupa saran, bantuan dan dukungan moral d e ~ n i kelancaran studi ini.
Akhirnya dengan hati yang tulus dan penuh cinta kasih ( P r e m a ) penulis
sarnpaikan rasa terilna kasih kepada seluruh kelurga, khususnya istri tercinta
Ni Luh Sukerni, anak-anak tercinta dan terkasih L u h P u t u Anggyani Raka Siwi
dan 1 M a d e Air-;r Wilcal~nnda, scrta kedua orang tua Rapak I W a y a n KaIot dan Ibu
N i N y o ~ n a n Jembol- atas hesetiaan, pengertian, kesabal-an, dukungan moral d a ~ i
cloa~iya yarky ~ncnycl-la; sclamn s l u d i in;.
I'enulis menyadari bahwa d a l a ~ n penyajian tulisan ini lnasih jauh dari
seinpurna. Oleh karenanya segala kritik dan saran yang bersifat meinbangun sangat
penulis harapkan. Penulis berharap selnoga tulisan yang sederhana ini dapat
bennant-kt bagi selnua pihak yang mernzrlukannya.
Om p m izo &vi s n r n s ~ ~ n t i , vnjebhir vnji'tzivnti, dlzinrtm nvitrynvnlu (Rgveda V1.61 4) 'Ya Tuhan Sarasvati Yang Maha Agung dan Kuasa! Seinoga Engkau yang
inerupakan sumber ilmu penyelahuan ineinelihara kecerdasan kami': Om A tzo
bharlri~lz krnftrtvo yrrizfcc ~~isvrtfnlt.(Kgveda 1 89 1 ) 'Ya Tuhan Yang Maha Kuasa 1
S e ~ n o g a pi kiran baik datang dari segala penjuru'.
Bogor, Januari 2002
DAFTAR
ISJ
... DAFTAR TABEL ... v111
DAFTAR GAMBAR ... ix DAFTAR LAMPRAN ... x
1.1. Latar Belakang ... 1 1.2. Tujuan Penelitian ... 2 1.3. Manfaat Penelitian ... 2
I1 . TINJAUAN PUSTAKA
2.1. Model Persamaan Struktural ... 3 2.2. Pendugaan clan Uji Efipotesis ... 5 2.3. Ukuran Kesesuaian Model ... 6
. .
2.4. Analrsls Gerombol ... 8 2.5. Analisis Lintas ... I1 2.6. Indeks Modifikasi dan Nilai t ... 13
111 . BAHAN DAN METODE
3.1. Bahan Penelitian ... 15 . .
3.2. Metode Penel~t~an ... 15 IV . HASIL DAN PEWAHASAN
. .
4.1. V a l ~ d a s ~ Mode1 ... 18 . .
4.2. A n a l ~ s ~ s Gerombol ... I 9 4.3. Penambahan Satu Lintasan antar Galat Peubah Indikator ... 27
4.3.1. Penambahan Satu Lintasan antar Galat Peubah Indikator
untuk Setiap Pasangan antar Galat Peubah Indikator ... 28
4.3.2. Penambahan Satu Lintasan antar Galat Peubah Indikator
Berdqsqrkan Lintasan-liutasan yqng Signifikan Hasil
Analjsis Lintas ... 29 4.4. Indeks Modifikasi dan Nilai t ... 31 .
V
. KESIMPULAN DAN SARAN5.1. Kesimpulan ... 39
...
5.2. Saran 40
DAFTAR TABEL
No Halaman
... I . Metode Gerornbol yang Menghasilkan MPS Terbaik Secara Empiris 25 2 . MPS dari Model Awal dan Model Hasil Penelusuran ... 32
DAFTAR
GAMBARNo Halaman
1 . Hubungan Kausal Sejumlah Peubah Penjelas dan Respons ... 11 ...
2 . Diagram Alur Penentuan M P S 17
3 . Diagram Lintas Hasil VaIidasi Model Kasusl (MI). Kasus2 (M2).
...
Kasus3 (M3) dan Kasus4 (M4) 18
4 . Dendrogram Peubah Indikator Kasusl Hasil Metode Ward ... 20
5
.
Diagram Lintas Model Konseptuai MlG23 ... 206
.
Dendrogram Peubah Indikator Kasus2 Hasil Metode Pautan Lengkap.Pautan Rataan dan Ward ... 21
7
.
Diagram Lintas Model Konseptual M2G5 1 ... 228
.
Dendrogram Peubah Indikator Peubah Laten Eksogenous Kasus3 HasilMetode Pautan Lengkap. Pautan Rataan. Pautan Terpusat dan Ward ... 23
9 . Dendrogram Peubah Indikator Peubah Laten Endogenous Kasus3
Hasil Kelima Metode Gerombol ... 23 10 . Diagram Lintas Model Konseptual M3G32 ... 24
11 . Dendrogram Peubah Indikator Peubah Laten Eksogenous Kasus4
Hasil Metode Pautan Lengkap dan Pautan Rataan ... 25
12
. Diagram Lintas Model Konseptual M4G42
... 2513
. Diagram Lintas Hasil Analisis Lintas antar Peubah Zndikator
ModelMlG23 ... 30
14 . Plot Ukuran Kesesuaian Model Kasusl dan Kasus2 ... 35 15
. Plot Ukuran Kesesuaian Model Kasus3 dan
Kasus4 ... 3616 . Diagram Lintas MPS Terbaik : (a) MIG23K3. (b) M2G51K1.
DAFTAR
LAMPIRAN
No Halaman
1. Penggerombolan Peubah Indikator yang Menghasilkan MPS Teridentifikasi dan Lintasan yang Signifikan antar Galat Peubah
Indikator yang Ditambahkan pada Model ... 42
2. Lintasan
-
Lintasan yang Ditambahkan Berdasarkan Indeks Modifikasiserta Lintasan-lintasan yang Dihapus Berdasarkan Nilai t ... 44
3. Ukuran Kesesuaian Model dari Model Awal clan
Model Hasil Peneluswan ... 46
4. Dendrogram Hasil Analisis Gerombol Kasusl dan Kasus2 ... 48
5. Dendrogram Hasil Analisis Gerombol Kasus3 ... 49 6. Dendrogram Hasil Analisis Gerombol Kasus4 ... 50
7 . Diagram Lintas Hasil Analisis Lintas terhadap Peubah Indikator antar
Peubah Laten dari MI'S pada Kasus l ... 5 I
8. Diagram Lintas Hasil Analisis Lintas terhadap Peubah Indikator
antar Peubah Laten dari MPS pada Kasus2 ... 52
9. Diagram Lintas Hasil Analisis Lintas terhadap Peubah Indikator
antar Peubah Laten dari MPS pada Kasus3 ... 53
10. Diagram Lintas Hasil Analisis Lintas terhadap Peubah Indikator
1.
PENDAHULUAN
1.1. L a t a r Belakang
Dalam suatu penelitian, seperti dalam bidang sosial, sering ditemukan adanya
fenomena yang tidak dapat diobservasi secara langsung (unobserved). Untuk
mengatasi ha1 ini, sering dilakukan pengukuran melalui peubah lain yang diduga
dapat mewakilinya. Dalam persamaan struktural, peubah (fenornena) yang tidak dapat
diobservasi disebut sebagai peubah laten (latent variable). Contoh ha1 tersebut antara
Iain ialah motivasi d m kepuasan. Sedangkan peubah terobsewasi (observed
variuble) yang diduga dapat mewakili peubah laten disebut indikator (Bollen, 1989).
Masalah menarik yang sering dikaji dalam suatu penelitian yang melibatkan banyak
peubah ialah mencari pola keterkaitan linear antar peubah yang urnumnya dapat
dipilah menjadi dua bagian yaitu peubah penjelas dan peubah respons. Berkaitan
dengan hat tersebut dewasa ini mulai dikembangkan suatu metode analisis yang
mempelajari struktur hubungan antar peubah respons dan peubah penjelas serta
sekaligus melibatkan peubah laten. Metode ini dikenal dengan beberapa nama seperti
LISREL (LZnear Structural RELationship) atau Model Struktur Koragam
(Covariarrce Structure ModeQ, atau Model Persamaan Struktural (Structural
Equatron Model) (Bollen, 1989). Dalam penerapannya LISREL sering digunakan
untuk rnelakukan suatu validasi terhadap model dimana model tersebut umumnya
Dalam validasi model, sering kali diternukan permasalahan bahwa model
yang ada tidak dapat menjelaskan struktur data secara baik. Artinya pola keterkaitan
yang ada dalam data tidak dapat sepenuhnya dijelaskan oleh model. Oleh karena itu
agar pola keterkaitan antar peubah yang ada dalam data dapat diketahui (bila ada),
maka perlu dilakukan perbaikan dalam mode1 melalui suatu kriteria tertentu. Hal ini
sesuai dengan azas pemodelan yaitu The model must fit the data, not vice versa.
Selain modifikasi model yang telah ada, LISREL juga dapat digunakan untuk
membangun model berdasarkan data empiris, yaitu dengan cara menelusuri struktur
koragamnya.
Berkaitan dengan permasalahan di atas, maka studi ini ditujukan untuk
mendapatkan suatu algoritma yang dapat digunakan untuk memperoleh suatu Model
Persarnaan Struktural yang baik. Akan tetapi mengingat kebaikan suatu model
bersifat relatif, dimana landasan teori yang berlaku akan sangat dominan, maka akan
dicari suatu algoritma guna menyusun Model Persamaan Struktural, yang semata-
mata dilandaskan pada informasi empiris yang memenuhi kriteria kebaikan tertentu.
1.2. Tujuan Penelitian
Penelitian ini bertujuan untuk mencari algoritma yang dapat digunakan untuk
mendapatkan Model Persamaan StrukturaI yang baik.
1.3. Manfaat Penelitian
Dengan diperolehnya algoritma ini, diharapkan upaya untuk mendapatkan
11.
TINJAUAN PUSTAKA
2.1. Model Persamaan Struktural (MPS)
MI'S terdiri dari dua bagian yaitu persamaan struktural dan model
pengukuran. Persamaan struktural menjelaskan hubungan antar peubah laten,
sedangkan model pengukuran menjelaskan keterkaitan antara peubah indikator
dengan peubah laten. Persamaan struktural ialah :
q = B q
+ r e
+<
dimana :
q m l : vektor peubah laten endogenous
@,
,
: vektor peubah Iaten eksogenousB,, : matriks koefisien dari efek (pengaruh) peubah laten endogenous
terhadap peubah laten endogenous lainnya
r
,
,
: matriks koefisien regresi dari efek peubah laten eksogenousterhadap peubah laten endogenous
: vektor galat pada persamaan struktural
dengan asumsi : E(<) = 0;
<
tidak berkorelasi dengan 5 dan (I - B) tidak singularatau dengan kata lain (I - B).' ada. Peubah - peubah laten q dan
5 tidak dapat
diukur secara langsung, namun diukur melalui peubah indikator dengan model
Y = A y q + &
X = Ax< +
s
dimana :
Y
,,
: vektor peubah indikator peubah laten qX ,I : vektor peubah indikator peubah laten 5
: matriks koefisien regresi antara Y dengan q
A,,,, : matriks koefisien regresi antara X dengan 5
E pxl : vektor galat pada model pengukuran Y
6 ,I : vektor galat pada mode1 pengukuran X.
Galat pengukuran E dan 6 diasumsikan tidak berkorelasi satu sama lainnya, demikian
juga dengan galat persamaan struktural
(5) serta dengan peubah-peubah laten
(Bollen, 1989). Bila @-, , 0, dan Qs masing-masing adaIah rnatriks
koragam d a ~ i peubah laten 5, galat persamaan struktural 5, galat pengukuran Y dan
galat pengukuran X, maka matriks koragam peubah terobservasi (Y,X) pada MPS
ialah :
dimana A = (I - B)-I. Persarnaan (4) inenunjukkan bahwa setiap unsur matriks
koragam Z(9) adalah fungsi dari satu atau lebih parameter model yaitu A,, A,, B,
T,
2 . 2 . Pentlugaan dan Uji flil,otesis
I-l~potesis no1 dnn hipotesis alternatifnya pada MPS ialah
dilnana C adalah ~ n a l r i k s koragatn populasi, dan C(0) adalah rnatriks koragain MPS.
C(0) terdiri darl parameter MPS yang dihipotesiskan. Untuk ~nenguji hipotesis di atas
digunakan niatriks koragaln contoh (S) sebagai dugaan bagi C, dan
~ ( 6 )
=5
sebagai dugaan bagi C(0) (Bollen, 1989). Pengujian hipotesis di atas dilakukan
dengan statistik uji sebagai berikut :
(N-I)FL';,- X 2 d e n g a n d b - % ( p + q ) ( p + c l + 1 ) - t ( 5 )
d i ~ n a n a N adalah ukuran contoh, I;;, adalah fungsi pengepasan minimum, p adalah
banyaknya peubah indikator dari q , q adalah banyaknya peubah indikator dari 5 dan t
adaIah banyiikhya parameter yang diduga.
Salah satu rneiode per~dugaan parameter dalam MPS ia!ah metode
ke~nungkinan lnaksilnuln (Muxrmum I,ikelihood, ML ). Fungsi pengepasan ~ n e t o d e
ML, ialah :
Pada lnetode ML diasulnsikan bahwa peubah indikator adalah peubah kontinu yang
menyebar inultinonnal (Bollen,1989). Secara umuln asuinsi kenonralan sulit untuk
satu tindakan alternatif yang dapat dilakukan dalam analisis TvlPS ialah menggunakan
metode Weighted Leust S ~ j z ~ u r e (WLS) (BolIen, 1989). Fungsi pengepasan metode \NLS iaIah :
dengan s' = ( s , $ , sz,, szz, s j l , ..., ski, ..., skk) adalah vektor yang beranggotakan unsur
segitiga bawah ter~nasuk diagonal dari ~ n a i r i k s k o r a g a ~ n contoh (S), o' = ( a l l , (321,
o,,, n 3 1 , .... m k I , ..., mhl) b ~ r s c s ~ ~ a i i f n dcnyan s untuk lnatriks koragam dugaan
(k),
d i ~ n a n a k=p+q ialah banyaknya peubah indikator dari peubah laten endogenous dan
pc~lbali laten c k s o ~ c n o u s . Sedanghali W-I adalah invcrs dari rnatriks W,,,,,
(~1'k(k+l)/2). [JI~SLII- 11iat1-iks \V i i ~ l i ~ h \ V ~ I , , ~ , . d i m a ~ i a w,,,.,, cliduga olch kor-agnm
asi~ntotik antara s,~, dan s;, (ACOV(s,,,.s,,) = ( N - ' ( o , , ~ , , , ,. n,,c1,j )) (.liirrskog&
Siirboin, 1996).
Kriteria uji hipotesis inlah ~ n e n o l a k H , jika XZ > X' ,,,x,. Dalam pengujian kesesuaian M P S diharapkan I-I(, tidak ditolak (X2 I~~,~/,). Artinya
x2
diharapkanlebih kecil dari X2L.1,c~ a t a ~ ~ nilai p--nya (p-vulue) besar (DilIon & Goldstein, 1984).
Untuk dapat memilih model yang lebih baik, diperlukan suatu ukuran yang
dapat ~nembedakan baik buruknya suatu model dibandingkan inodel lainnya. Ukuran-
Nilai
x2
(berkaitan dengan nilai p) digunakan untuk menguji hipotesis.Apakah H,, ditolak atau diterima. Dalarn analisis MPS diharapkan menerima
6.
Padataraf nyata 5%, MPS dikatakan signifikan apabila X 2 I atau nilai p
>
0.05.Karena kisaran nilai p antara 0 sampai 1, maka M P S akan semakin baik apabila
nilai p mendekati 1.
Root Mean Square Residual (RMR) didefinisikan sebagai berikut
dimana s,, adalah koragam contoh dan
eij
adalah koragam dugaan. RMR sdalahukuran rata-rata selisih antara matriks koragam contoh (S) dengan matriks koragam
dugaan
( 2 )
yang dikaitkan dengan banyaknya peubah indikator. RMR ini digunakanuntuk membandingkan dua model dari data yang sama. Model yang mempunyai
RMR yang lebih kecil dikatakan model yang Iebih baik (Jijreskog & Sorbom, 1996).
Goodness-of-fit Index (GFI) didefinisikan sebagai berikut
GFI = 1 - t r [ ( k l s - I)']
t r [ ( % - L ~ ) 2 ]
Nilai batas GFI ialah 0.90 (Sharma, 1996). Model yang mempunyai GFI > 0.90
adalah model yang baik. GFI yang disesuaikan dengan derajat bebas model disebut
Adjusted Goodness-of-fit Index (AGFI). AGFI didefinisikan sebagai berikut :
AGFI = 1 - k(k
+
1) (1 - GFI) ...dimana d adalah clcrajxt bebas. Nilai batas AGFI ialah 0.80 (Sliarma, 1996). Model
yang mempunyai AGFI : 0.80 adalah 111odel yang baik. Seperti RMR, GFI dan AGFI
dapat digunakan sebagai pe~nbanding kebaikan dua model dari data yang sama. Suatu
model dikatakan lebih baik dari model yang lain, bila inodel tersebut me~niliki GFI
(AGFI) yang lebih bksar dari GFI (AG121) model yang lain. Selain dapat digunakan
sebagai ukuran untuk lnelnbandinykan dua nod el dari data yang salna, GFI dan AGFI
juga dapat digunakan untuk melnbandingkan dua inodel dari data yang b e ~ b e d a
(Joreskog & Sijrbom, 1996)
Selain ukuran-ukuran kesesuaian di atas, menurut Browne dan Cudeck dalam
Jdreskog & S o r b o ~ n ( 1 999) ukuran kesesuaian dari suatu model yang lain ialah Rool
A / / ~ L L / ~ Sqrrure Error. c?f i l l ~ p r f ~ . v i r i ~ c l / w (KMSEA). Ilkumn ini lnengukur kedekatan s~tntu modcl tcl-l~ad;~l? p o l ~ ~ ~ t a s i . I<MSIEA tli11y;llakan scbagai l>crikut :
RMSEA = rqrt[%] ; FO
,,,
= MAX[F ,,,, - ( d / n ) , 0 ] ... (1 1)dimana Fhor adatah nilai terkecil dari fungsi pengepasan, dan n = N-1. Nilai RMSEA
yang lebih kecil atau saina dengan 0.05 adalah model yang sangat baik, model
dengan RMSEA antara 0.05 sampai 0.08 ialah model yang relatif baik, sedangkan
model dengan RMSEA lebih besar dari 0.08 adalah rnodel yang jelek .
2.4. Analisis Gerombol
Analisis gero~nbol adalah suatu eksplorasi data yang berusaha untuk
ketakmiripan (Siswadi & Suharjo, 1997). Analisis gerombol dapat juga dilakukan
untuk menggerombolkan peubah - peubah ke dalam suatu gerombol-gerombol
peubah berdasarkan koefisien korelasi antar peubah tersebut (Johnson & Wichern,
1998). Diharapkan peubah
-
peubah dalam satu gerombol mempunyai sifat yangsecara urnurn sama yaitu mengukur peubah laten yang sama (Sharma, 1996).
Sehingga analisis gerombol dapat dilakukan untuk membuat gerombol-geromboI dari
peubah-peubah indikator, baik untuk peubah laten endogenous maupun peubah laten
eksogenous. Dari hasil analisis gerombol, akan didapat berberapa model
penggerombolan, dengan jumlah gerombol yang berbeda-beda. Hal ini sangat
mendukung dalam penelusuran MPS. Seperti yang dinyatakan oleh Loehlin (1992)
bahwa salah satu upaya untuk memperbaiki MPS adalah dengan mengubah jumlah
peubah laten.
Ukiiran ketakmiripan yang digunakan dalam penggerombolan peubah
indikator ialah ukuran ketakmiripan korelasi yaitu dij = 1 - ri,, di mana ri, adalah
korelasi antara peubah indikator ke-i dengan peubah indikator ke-j (Siswadi &
Suharjo, 1997). Berdasarkan ukuran ketakmiripan ini peubah indikator dapat
digerombolkan dengan berbagai metode gerombol. Menurut Sharma (1996) metode
gerombol dibedakan atas metode hierarki dan non hiaarki. Sedangkan metode
hierarki terbagi atas dua jenis yaitu penggabungan (agglomerative) dan pembagian
(divisive). Beberapa metode hierarki penggabungan antara lain :
1. Pautan Tunggal (Single Linkage). &ran ketakmiripan yang di y n a k a n ialah
2. Pautan Lengkap (Complete Linkage). Ukuran ketakmiripan yang digunakan ialah
dk(i,) = maksimum (dkirdk,) ... (13)
3. Pautan Rataan (Average Linkage). Ukuran ketakmiripan yang digunakan ialah
4. Pautan Terpusat (Centroid Linkage). Ukuran ketakmiripan yang digunakan ialah
5. Ward. Ukuran ketakmiripan yang digunakan ialah
dimana ni , nj , nk adalah banyaknya objek &lam gerombol ke-ij,k, qij, adaIah
banyaknya objek dalam gerombol gabungan antara gerombol ke-i dengan
gerombol ke-j.
Secara umum ukuran ketakmiripan yang digunakan ialah
d,,,, = a i d ,
+ a j d k j
+ p d i j + & I d , -d,,I
... (17)yang akan menjadi ukuran ketakrniripan Pautan Tunggal jika ai = a, = !4 ,
P
= 0 dan6 = -%; Pautan Lengkap jika q = aj = %, f3 = 0 dan 8 = 55; Pautan Rataan jika
ai = ni/(ni+nj), a, = nj/(ni+nj), dan
0
= 6 = 0; Pautan Terpusat jika ai = ni/(ni+nj),a, = nj/(ni+nj),
0
=-%a,
clan 6 = 0; dan Ward jika % = (nk+n,)/(nk+rqi,,).I 1
2.5. Analisis Lintas
Analisis lintas pertama kali dikembangkan oleh SewaIl Wright pada tahun
192 1. Analisis lintas berupaya untuk menganalisis sistem pada persamaan struktural
(BoIlen 1989). Heise (1971) mengatakan analisis lintas dapat digunakan untuk
mengetahui hubungan sebab akibat antar peubah indikator. Besaran hubungan sebab
akibat ini dinyatakan dengan koefisien lintas. Nilai koefisien lintas sesungguhnya
[image:102.471.18.428.8.529.2]sama dengan koefisien beta, yaitu koefisien regresi baku.
Gambar 1. Hubungan Ibusal SejumLah Peubah Penjelas dan keubah Respons.
Misalkan suatu hubungan kausal dari sejumlah peubah penjelas dan peubah
respons seperti Gambar I di atas, maka dapat dibentuk persamaan regresi baku
sebagai berikut :
ZI = pelEl ... (1 8a)
2 2 = ~21Zl + ... (18b)
Z 3 = p3iZ1 + ~ 3 2+ ~~2 ~ 3 ~ 3... (Igc)
...
dimana Zi = (Xi
-Xi)/csi
merupakan bentuk baku dari Xi , pi, adalah koefisien lintasdari peubah Xi ke Xi. Dengan mengambil bentuk produk momen dari koefisien
korelasi : rij = (l/n)ZZ,Z, , yaitu korelasi antara Xi dengan Xj, serta dengan asumsi
bahwa galat tidak berkorelasi dengan peubah penjelas, maka akan diperoleh :
Dalam bentuk matriks dan vektor persamaan (19) dapat ditulis sebagai berikut :
1 0 0 0 0 0
O l r , , 0 0 0
o r , , 1 0 0 0
0 0 0 1 r,, r,,
0 0 0 r,, 1 r,,
0 0 0 r,, r,, 1
dimana r adalah vektor korelasi antara peubah respons dengan peubah penjelas, R
adalah matriks korelasi antar peubah penjelas dan p adalah vektor koefisien lintas
(Wright, 1960). Koefisien lintas (pi,) didapat dengan menyelesaikan persamaan
p = R-' r, dengan syarat R adalah matriks nonsingular. Koefisien lintas galat pada
dimana In adalah b a n y a k n ~ a peubah penjelas Xj Cj=1,2 ,..., ~ n ) yang mempengaruhi
peubah respons Xi.
Selain mengubah jumlah peilbah lalen, Loehlin (1992) lnenyatakan bahwa
upaya lain untuk ~nendapatkan MPS yang lebih baik ialah dengar. mengkorelasikan
galat antar peubah" indikator. Pengkorelasian ini secara visual ialah dengan
menambahkan lintasan antar galai peubah indikator. Sebagai upaya efisiensi,
pena~nbaharl lintasan ini dilakukan berdasarkan lintasan-lintasan yang signitikan
yang diperoleh dari analisis lintas.
2.6. Indeks Modifiliasi tlali Nilai t
Paranlctcr l ~ a d a MI'S tlihcdakan atas tiga jenis, yaitu Iparalneter bchas, tetap
dan cerkendala. I'nl-an1ctc1- bcbas adalalt paramelet. yang nifainya akan ciiduya.
Parameter tetap adnlah p ; ~ r a ~ n e t e r y a n g tidak d i d u p , d i ~ n a n a nilainya sama dengan
nol. Sedangkan parameter terkendala adalah parameter yang nilainya dikondisikan
satna dengan salah satu nilai parameter bebas.
Indeks modif-ikasi adatah suatu ukuran yang dikaitkan dengan parameter tetap
atau terkendala dari suatu model. Pada program LISREL, dalam analisis suatu MPS,
selalu dilakukan analisis terhadap model lain, d i ~ n a n a pada model ini satu dari
parameter tetap atau terkendala mode1 sebelumnya diubah ~ n e n j a d i peralneter bebas
(diduga). FIal ini dilakukan ~tntuk setiap parameter tetap dan terkendaIa. Perbedaarl X 2
dari kedua model tel-sebut tiinyatakan sebagai lndeks modifikasi. Jadi indeks
tetap atau parameter terkendala diubah menjadi parameter bebas (Joreskog &
Sorbom, 1996). Dalam penelitian ini indeks modifikasi ini dijadikan dasar untuk
menambahkan suatu lintasan baru pada suatu model, agar mendapatkan model yang
lebih baik.
Di samping menambahkan lintasan, modifikasi model juga dilakukan dengan
menghapus Iintasan yang tidak signifikan. Penghapusan lintasan ini berdasarkan nilai
t dari nilai dugaan parameter yang bersesuaian dengan lintasan tersebut. Untuk taraf
nyata a% ( t- = tcO0,d2;~ ), lintasan yang dihapus ialah lintasan yang mempunyai
nilai t antara -t(a%/2;db) dan t(a0/a/2;db)- Penghapusan lintasan dimulai dari lintasan yang
111.
BAHAN
DAN METODE
3.1. Bahan Penelitian
Bahan atau data yang digunakan dalam penelitian ini adalah contoh-contoh
MPS yang terdapat pada Program LISREL 8.30 versi student, yaitu EXIOI.LS8
(Kasusl), EX62.LS8 (Kasus2) dan EX1.LSX (Kasus3) (Joreskog & Sorbom, 1996).
Contoh-contoh di atas pada dasarnya merupakan suatu model awal sehingga dapat
dibandingkan dengan model yang dibangun melalui metode yang sedang dipelajari.
Ketiga contoh di atas diasumsikan mempunyai data pengamatan peubah
kontinu, dimana analisis data diIakukan dengan metode
MI,.
Sebagai upayamemperkaya metode analisis, juga dipilih satu contoh MPS dengan data pengamatan
peubah ordinal, dimana analisis data dilakukan dengan metode WLS. Contoh tersebut
ialah Australian Employee Satisfaction (Kasus4) (MacLean & Gray, 1998 j.
3.2. Metode Penelitian
Tahapan - tahapan analisis data ialah sebagai berikut :
1. Validasi model, yaitu analisis data cmpiris berciasarkan model tertentu.
I
- Analisis g a m b o l (program MINITAB) (5 metode hi& penggabungan)- Ten- model gerombol
+
- Penyusunan din- lintas &
Mi's n- satu model
penggerombolan
- Analisis model dengan program LISREL
+
tidak F'ilih model terbaikI
Penambahan satu lintasan Anahsis lintas terhadap pubah
antar galat peubah indikator &&tor antar peubah laten
@*warn LISREL)
-
Penambaban satu lintasan sntar galat peubah indikator p d a MPS bedsarkan
lintasan-lhtasan yang signifikan pa&
analisis lintas
Modifikasi model bedsarkan indeks modifkasi
Hapus lintasan yang tidak
signifilcan Mdifikasi model bedsarkan
indeks modifikasi
1
+
[image:108.471.55.428.48.489.2]-
Gambar 2. Diagram Alur Penentuan MPS.
Rangkurn ban ke-usian model
Hapus Lintasan yang tidak signifrkan
+
R a n m ukuran
kesesuaian model
ya
tidak
IV. HASEL
DAN PEMSAHASAN
4.1. Validasi Model
Sebelum dilakukan penelusuran model yang lebih baik untuk setiap Kasus,
terlebih dahuIu dilakukan analisis data empiris berdasarkan model yang diberikan
pada kasus tersebut (validasi model). Diagram lintas hasiI validasi model untuk setiap
kasus disajikan pada Gambar 3.
[image:109.471.54.440.183.517.2]d f - 2 4 , C h i
Dilihat dari ukuran kesesuaian model, model pada Kasusl, Kasus2 dan
Kasus4 merupakan model yang tidak baik, karena nilai p dari ketiga kasus tersebut
lebih kecii dari 0.05. Sedangkan model pada Kasus3 merupakan model yang baik,
narnun demikian penelusuran model pada Kasus3 tetap dilakukan guna mendapatkan
kemungkinan model yang lebih baik. Sehingga penelusuran model dilakukan untuk
keempat kasus tersebut.
4.2. Analisis Gerombol
Tahap pertarna yang dilakukan untuk inendapatkan model yang baik ialah
melakukan analisis gerombol. Analisis ini dilakukan dengan tujuan untuk
menggerombolkan peubah-peubah indikator menjadi sejumlah peubah laten yang
diinginkan (bila mungkin dapat diinterpretasikan). MisaInya peubah-peubah indikator
digerombolkan menjadi dua gerombol, tujuannya untuk mengukur dua peubah laten.
Seperti diketahui bahwa dewasa ini terdapat beberapa metode yang dapat
digunakan dalam analisis gerombol. Umumnya metode-metode ini memberikan hasil
yang relatif berbeda satu sama lainnya. Oleh karena itu perlu untuk dikaji metode-
metode mana saja yang menghasilkan gerombol peubah indikator sehingga MPS
yang dibangun berdasarkan gerombol tersebut merupakan MPS yang baik.
Misalkan pada Kasusl, dendrogram yang disajikan pada Gam-bar 4 di bawah
adalah hasil analisis gerombol dengan metode Ward (dendrogratil hasil
penggerombolan peubah-peubah indikator dari semua metode disajikan pada
Lampiran 4). Jika dendrosam pada Gambar 4 di bawah dipotong seperti pada posisi
gerombol yaitu {1,2,3,7,8,9) dan (4,5,6). Misalkan gerombol peubah indikator
{1,2,3,7,8,9) mengukur peubah laten eksogenous pertama (Ksil) dan (4,5,6}
mengukur peubah laten eksogenous yang kedua (Ksi2), model konseptual yang
[image:111.474.33.422.26.542.2]dibangun berdasarkan gerombol tersebut ialah mode1 M1G23 yang disajikan pada
Gambar 5.
Gambar 4. Dendrogram Peubah Imdikator Kasusl HasiI Metode Ward.
Gambr 5. Diagram Lintas Model Konseptual MlG23.
Gambar 6 di bawah adalah dendrogram hasil anaIisis gerombol dengan
metode Pautan Lengkap, Pautan Rataan dan Ward bagi peubah-peubah indikator
Kasus2 (dendrogram hasil penggerombolan peubah indikator dari semua metode
Kasus2 disajikan pada Lampiran 4). Jika peubah-peubah indikator digerombolkan
indikator terpilah atas geromboi 1 2 (3,4), {5,6}, {7,8) clan {9,10).
Penggerombolan ini persis sama seperti penggerornbolan model awal ( M 2 ) . Oleh
karenanya nama peubah laten untuk model konseptual berdasarkan penggerombolan
ini masih memungkinkan menggunakan nama peubah Iaten yang lama, yaitu
gerombol peubah indikator {1,2) mengukur peubah laten Gescom, {3,4} m e n y k u r
peubah laten Conword, { 5 , 6 } mengukur peubah laten Hidpat, (7,s) mengukur
peubah laten Tings dan (9,101 mengukur peubah laten Vocabu. Model konseptual
yang dibangun berdasarkan gerombal tersebut ialah model M2G5 1 yang disajikan
pada Gambar 7.
Conpl%le Linkage ( d j = l - n ~ A v e r a p Linkage (dikl-rij) Sm-CI
,zs - --- ---- --- --- -- .
7. ,a
.mm Vane- Ward's Linkage (dij=l,ij)
smlsnv -7,,5
'xi!illa
vr,ab*rm1.
.z=
,mm
van-
G a m b a r 6. Dendrogram Peubah Indikator Kasus2 Hasil Metode
[image:112.474.30.428.11.531.2]Gambar 7. Diagram Lintas Model Konseptual M2G51.
Pada Kasus3, kecuali metode Pautan terpusat, semua metode penggerombolan
menghasilkan terpotongnya dendrogram yang relatif sama, bila peubah-peubah
indikator eksogenous digerombolkan menjadi tiga gerombol. Gerombo: tersebut yaitu
{1,2), {3,4,5) dan {6,7). Dendrogram penggerornbolan tersebut disajikan pada
Gambar 8 di bawah. Misalkan gerombol peubah indikator { 1,2) mengukur peubah
laten eksogenous pertama (Ksil), (3,431 mengukur peubah laten eksogenous kedua
(Ksi2) dan (6,7} rnenykur peubah laten eksogenous ketiga (Ksi3). Sedangkan
pengerombolan peubah indikator endogenous memberikan hasil yang sama untuk
sernua metode penggerombolan yang digunakan. Bila ditentukan jumlah gerombol
sebanyak dua, maka akan diperoleh hasil seperti model awal (M3), dimana gerombol
yang terbentuk anggotanya ialah {1,2} dan (3,4}. Dendrogram penggerombolan
tersebut disajikan pada Gambar 9 di bawah. Model konseptual yang dibangun
berdasarkan gerombol peubah indikator eksogenous dan endogenous tersebut ialah
CotqAete 1 i n b s (dj=T-rij) A v e m ~ Linlage (di:=I-rl)
0,starr;e
0 95
o - l r n l
m]&g.
a-
om
Varla- ,.'aM-
Centroid Linkage (dj=l-rij) Ward's Linkage (diel-riD
w n c e
o a
*
0 21
-- --- --- --- -- --
om
[image:114.471.35.431.39.540.2] [image:114.471.48.427.283.479.2]Variat4es V a m k
Gambar 8. Dendrogram Peubah Indikator Peubah Later. Eksogenous Kasus3 Hasil Metode Pautan Lengkap, Pautan Rataan, Pautan Terpusat dan Ward.
Srngle Linkaga I d ~ ~ T - r t i CarrpMe Linkage (dij=l -riD
a-0
:
;
I
---- --- ----'In1
qrn ---- --- ----
.M
van- vm*
Certroid Lmhga (diFl4j)
Average Lintege [diFl-ti# Waras Lr*age (dip3 +a
-"re
::py-J
---- --- ----1
-m:n]
---- --- ----n
;
p
;
0 07 ---- --- ----
am .-
V u u k Val- vm-
Gambar 10. Diagram Lintas Model Konseptual M3G32.
Pada Kasus4, misalkan peubah indikator eksogenous digerombolkan menjadi
ernpat gerombol, maka penggerombolannya ialah {I ,2,3,4,5}, (61, (7) dan {8,9}.
Dendrogram penggerombolan tersebut disajikan pada Gambar 11 di bawah.
Penggerombolan ini dihasilkan oleh metode Pautan Lengkap dan Pautan Rataan.
Misalkan gerombol peubah indikator ( 1,2,3,4,5} mengukur peubah laten eksogenous
pertarna (Ksil), {6} mengukur peubah laten eksogenous kedua (Ksi2), {7} mengukur
peubah laten eksogenous ketiga (Ksi3) dan {8,9} mengukur peubah laten eksogenous
keempat (Ksi4). Model konseptual yang dibangun berdasarkan gerombol tersebut
ialah model M4G42 yang disajikan pada Gambar 12.
Dari hasil analisis data empiris, tidak setiap model gerombol memberikan
MPS teridentifikasi yaitu setiap parameter bebas pada MPS tersebut dapat diduga.
Penggerombolan peubah-peubah indikator seperti yang terangkum pada Lampiran 1
adalah model gerombol yang memberikan MPS teridentifikasi. Metode gerombol
yang digunakan untuk penggerombolan peubah indikator sehingga model yang
dibangun berdasarkan penggerombolan tersebut mempakan MPS terbaik secara
Gambar 11. Dendrogram Peubah Indikator Peubah Laten Eksogenous Kasus4 Hasil Metode Pautan Lengkap dan Pautan Rataan.
Gambar 12. Diagram Lintas Model Konseptual M4G42.
Tabel 1, Metode Geromboi yang Menghasilkan MPS Terbaik Secara Empiris
Dari Tabel 1 dapat dilihat bahwa metode Pautan Tunggal tidak menghasilkan
model terbaik secara empiris. Metode ini hanya menghasilkan model yang baik
bersama-sama dengan metode penggerombolan Pautan Lengkap, Pautan Rataan dan Kasus4
- x x -
Metode Gerombol
]
Pautan Tunggal Pautan Lengkap Pautan Rataan Pautan Terpusat Ward Kasusl -
-
-
x Kasus2 - x x - Kasus3-
x x xWard, seperti pada Kasul (MlG2 1K1, MlG21K2, MlG21K3) dan pada Kasus2
(MIG4IKI , ... , MlG41K5) yang terangkurn pada Lampiran 1. Metode Pautan
Terpusat menghasiIkan model terbaik secara empiris pada Kasus3 bersama-sama
dengan metode Pautan Lengkap dan Pautan Rataan. Metode Putan Lengkap dan
Pautan Rataan menghasilkan model terbaik secara empiris pada kasus yang sama
(Kasus2, Kasus3 dan Kasus4). Metode Ward tidak selalu secara bersama-sama
menghasilkan model terbaik secara empiris dengan metode Pautan Lengkap dan
Pautan Rat-.
Berdasarkan uraian di atas, maka dalarn tahap penggerombolan peubah
indikator, penggerombolan cukup dilakukan dengan menggunakan metode Ward dan
metode Pautan Lengkap atau Pautan Rataan. Sedangkan penggerombolan dengan
metode Pautan Terpusat dan Pautan Tunggal tidak perlu, karena model-model yang
dihasilkannya dapat juga diperoleh dengan menggunakan salah satu dari ketiga
metode lainnya.
Telah dinyatakan secara implisit sebelumnya bahwa MPS yang dibangun
berdasarkan gerombol peubah indikator hasil analisis gerombol, ada yang
teridentifikasi dan ada juga yang tidak. Dengan mengambil nilai signifikansi 0.05,
maka MPS yang teridentifikasi dapat dipilah menjzdi dua bagian yaitu MPS dengan
nilai p r 0.05 dan MPS dengan nilai p < 0.05. MPS yang tidak teridentifikasi
menunjukkan bahwa pola hubungan struktural pada model tersebut tidak dapat
menjelaskan pola keterkaitan antar peubah pada data, sehingga pada model-model
dilakukan untuk model-model yang teridentifikasi, baik model yang mempunyai nilai
p 2 0.05, maupun untuk model yang mempunyai nilai p < 0.05. Tujuannya ialah
untuk mendapatkan model yang Iebih baik. Dari hasiI analisis menunjukkan bahwa
ada kalanya model dengan nilai p < 0.05 setelah dilakukan modifikasi diperoleh
model dengan nilai p yang lebih bcsar dibandingkan dengan model yang memiliki
nilai p awal yang lebih besar. Hal ini dapat dilihat pada Kasus 1, dimana nilai p model
MlG23 (0.00031) Iebih kecil dari nilai p model MlG32 (0.00682), tetapi setelah
penelusuran lebih lanjut, model terbaik diperoleh dari model MlG23, yaitu model
M1 G23K3. Demikian juga pada Kasus4, dimana nilai p mode1 M4G42 (0.00000)
lebih kecil dari nilai p model M4G43 (0.00051), tetapi setelah penelusuran lebih
Ianjut, model terbaik diperoleh dari model M4G42, yaitu model M4G42K1 atau
model M4G42K4.
4.3. Penambailan Satu Lintasan antar Galat Peubah Indikator
Setelah diperoleh MPS berdasarkan hasil analisis gerombol, maka penelu-
suran lebih lanjut dilakukan dengan menambahkan satu lintasan antsr galat peubah
indikator. Hal ini dilakukan sebagai upaya untuk mendapatkan variasi model dari
mode1 konseptual yang sama. Penambahan lintasan antar galat peubah indikator
dilakukan untuk menduga koragam antar galat peubah indikator atau dengan kata
lain penambahan lintasan ini adalah mengkorelasikan antar galat peubah indikator
(Loehlin, 1992). Penambahan ini dilakukan baik untuk peubah indikator eksogenous
Penambahan lintasan kedua, ketiga dan seterusnya dilakukan berdasarkan indeks
modifikasi.
Penambahan satu lintasan antar galat peubah indikator dilakukan dengan dua
cara yaitu : ( I ) melaIui satu pasangan galat peubah indikator dari semua pasangan
galat peubah indikator yang mungkin dan (2) berdasarkan lintasan yang signifikan
dari hasil analisis lintas.
4.3.1. Penambahan Satu Lintasan antar Galat Peubah Indikator untuk Setiap
Pasangan antar Galat Peubah Indikator
Cara pertama yang dilakukan dalam penarnbahan satu lintasan antar galat
peubah indikator ialah menarnbahkan satu lintasan antar galat peubah indikator untuk
semua pasangan antar galat peubah indikator. Misalkan model MlG23 pada Kasus 1.
Model ini terdiri dari 9 peubah indikator, berarti ada sebanyak 36 ( c ; ) model yang
masing-masing berbeda pada lintasan antar gzlat peubah indikator. Beberapa Iintasan
yang signifikan ialah TD 5 6 (MlG23K2) dan TD 6 7 (MlG23K3) (Tabel 2). Misal
model M2G51 pada Kasus2. Model ini terdiri dari I 0 peubah indikator, berarti ada
sebanyak 45 ( C y ) model yang masing-masing berbeda pada lintasan antar galat
peubah indikator. Beberapa lintasan yang signifikan ialah TE 1 5 (M2G51 K I ) , TE 4
I 0 (M2G51K3) dan TE 7 9 (M2G51 K4) (Tabel 2).
Penambahan lintasan antar galat peubah indikator untuk setiap pasangan antar
galat peubah indikator tentunya kurang efisien, karena terdapat banyak lintasan yang
hams dicoba. Untuk itu diupayakan suatu cara yang dapat mengefisiensikan
lintasan-lintasan yang sibmifikan hasil analisis lintas dari peubah indikator antar
peubah laten eksogenous (endogenous).
4.3.2. Penambahan Satu Lintasan antar Galat Peubah Indikator Berdasarkan
Lintasan-lintasan yang Signifikan Hasil Analisis Lintas
Analisis lintas dilakukan dengan tujuan agar mendapatkan lintasan yang
signifikan, baik antar galat peubah indikator maupun antar peubah indikator.
Lintasan-lintasan ini akan digunakan sebagai acuan untuk menambahkan satu lintasan
antar galat indikator pada MPS. Analisis lintas dapat dilakukan prtda program
LISREL, dimana dari sejumlah peubah indikator tersebut dipilah menjadi dua bagian
yaitu sebagian peubah ditetapkan sebagai peubah penjelas dan sebagian ditetapkan
sebagai peubah respons. Dalam penelitian ini analisis Iintas dilakukan terhadap
peubah indikator dari dua peubah laten baik eksogenous maupun endogenous.
Gerombol peubah indikaior dari peubah laten pertama ditetapkan sebagai peubah
penjelas dan gerombol peubah indikator dari peubah laten yang kedua ditetapkan
sebagi peubah respons, atau sebaliknya.
Misal model MlG23 pada kasusl. Analisis lintas dilakukan dengan gerombol
peubah lndikator { 1,2,3,7,8,9) sebagai peubah penjelas dan (4,5,6} sebagai peubah
respons. Diagram lintas dari hasil analisis linbs tersebut disajikan pada Gambar 13a.
Atau sebaliknya, gerombol peubah indikator {4,5,6} sebagai peubah penjelas dan
{1,2,3,7,8,9) sebagai peubah respons. Diagram lintas dari hasil analisis lintas tersebut
disajikan pada Gambar I3b. Diagram lintas hasil analisis lintas untuk kasus lainnya
(a> {1,2,3,7,8,91 (4,5,61 (b) {4,5,61
C
1,2,3,7,8,91Gambar 13. Diagram Lintas Hasit Analisis Lintas antar Peubah Indikator
Model MlG23.
Dari analisis Iintas antar peubah indikator model MlG23 diperoleh 16 lintasan
berbeda yang signifikan (Gambar 13). Ini berarti ada 16 Iintasan yang dapat
ditambahkan pada model MlG23 secara saw persatu, yang berarti ada 16 model yang
berbeda pada lintasan antar galat peubah indikator. Misal, dari Gambar 13b dapat
dilihat bahwa lintasan antara peubah indikator ke 6 (Word Cla) dan peubah indikator
ke 7 (Fig Reg) men~pakan lintasan yang signifikan, ini berarti pada MlG23 dapat
ditambahkan satu lintasan (TD 6 7) yaitu lintasan antar galat peubah indikator ke 6
dan galat peubah indikator ke 7 (model MlG23K3 disajikan pada Tabel 2). Dilihat
dari ukuran kesesuaian model, model yang baik secara empiris dapat diperoleh
dengan menambahkan Iintasan-lintasan signifikan hasil analisis lintas tersebut
(Tabel 3 ) . Hal ini menunjukkan bahwa penelusuran model yang baik melalui
penambahan lintasan antar galat peubah indikator berdasarkan lintasan-lintasan yang
signifikan hasil analisis lintas akan lebih efisien dibandingkan dengan penelusuran
model yang baik melalui penambahan satu lintasan antar galat peubah indikator
4.4. Indeks Modifikasi dan NiIai t
Setelah diperoleh MPS berdasarkan hasil analisis gerombol dan penambahan
satu lintasan antar galat peubah indikator, penelusuran model yang Iebih baik
dilanjutkan berdasarkan indeks modifikasi. Penambahan lintasan tersebut dilakukan
satu lintasan - satu lintasan. Penambahan lintasan pertama dimulai dari lintasan yang
mempunyai indeks modifikasi terbesar (Joreskog & Sorbom, 1996). Apabila
penambahan lintasan tidak signifikan, maka penambahan lintasan tersebut dibatalkan
dan diganti dengan lintasan yang memiliki indeks modifikasi terbesar kedua. Begitu
seterusnya sehingga ditemukan satu lintasan yang signifikan.
Penambahan lintasan yang kedua, ketiga dan seterusnya berdasarkan atas
indeks modifikasi dari analisis model satu langkah sebelumnya. Proses penambahan
lintasan ini sarna seperti proses penambahan lintasan pertama, yaitu dimulai dari
indeks modifikasi terbesar. Penambahan lintasan ini berakhir jika lintasan yang
ditambahkan terakhir tidak signifikan. Lintasan-lintasan yang ditambahkan
berdasarkan indeks modifikasi terangkum pada Lampiran 2.
Setelah penelusuran model yang lebih baik berdasarkan indeks modifikasi,
modifikasi model dilanjutkan dengan menghapus lintasan - lintasan yang tidak
signifikan. Untuk taraf nyata 5 % ( tabel =
4 0 . ~ 2 ~ ; ~ ~ )
). lintasan yang dihapus ialahlintasan yang mempunyai nilai t antara -40 ozs,db) dan t(0 025,db). Setiap penghapusan
lintasan hanya dilakukan untuk satu lintasan. Penghapusan selanjutamya berdasarkan
atas nilai t analisis model sebelurnnya. Penghapusan lintasan dimulai dari lintasan
Tabel 2. MPS dari Model Awal dan Model Hasil Penelusuran
w = Ward, semua = s w a m metode gerornbol; E b = Eksogaous; End = Endogenous
4.5. Model Terbaik
Tahap pertama yang dilihat dari ukuran kesesuaian model adalah nilai p (XZ).
Karena nilai p menunjukkan signifikansi suatu model. Model yang signifikan adalah
model yang memiliki nilai p 2 0.05. Model yang memiliki nilai p yang semakin
besar (mendekati I), menyatakan koragam model (Z(0)) tersebut semakin dekat
dengan koragam populasi ( C ) . Yang berarti model tersebut dapat menjelaskan dengan
semakin baik hubungan strukturaI linear antar peubah pada data.
Selanjutnya model-model yang signifikan tersebut dapat dilihat keterdekatan
model terhadap populasi. Ukuran kesesuaian yang dapat digunakan untuk tujuan
tersebut adalah RMSEA. RMSEA yang semakin kecil (mendekati 0) menunjukkan
model tersebut semakin dekat dengan populasi. Artinya semakin kecil RMSEA, maka
model tersebut semakin baik. Dan Gambar 14 clan 15 yaitu plot ukuran kesesuaian
inodel awal dan model hasil akhir penelusuran seperti terangkum pada Lampiran 3,
dapat diIihat bahwa nilai p dan RMSEA berbanding lurus terbalik. Artinya
meningkatnya nilai p diikuti dengan menurunnya RMSEA. Dengan kata lain semakin
baik suatu model (nilai p mendekati I ) maka model tersebut semalun dekat dengan
populasi (RMSEA mendekati 0).
Untuk rnembandingkan dua model dalam data yang sama, dapat digunakan
ukuran kesesuaian RMR, GFI dan AGFI. Dari Gambar 14 clan 15 dapat dilihat
bahwa GFI dan AGFI berbanding lurus dengan niIai p. Naik/tumnnya nilai p diikuti
dengan naiklturunnya GFI dan AGFI. Model yang memiliki nilai p yang lebih besar
Sehingga model yang mempunyai niali p yang lebih besar adalah model yang lebih
baik. Sedangkan untuk ukuran kesesuaian RMR, secara umum dari Gambar 14 dan
15 dapat dilihat bahwa nilai p berbanding lurus terbalik dengan RMR. Artinya
naiknya nilai p diikuti dengan turunnya RMR. Sehingga model yang memiiiki nilai p
yang lebih besar, secara umum akan meimiliki RMR yang lebih kecil.
Dari waian tersebut diatas, secara umum dapat dikatakan bahwa model yang
memiliki nilai p yang lebih besar, ada kecendrungan akan memiliki GFI dan AGFI
yang lebih besar, serta RMSEA dan
RMR
yang lebih kecil. Sehingga untuk memilihmodel yang lebih baik, secara umum dapat dipilih model yang memiliki nilai p yang
lebih besar. Demikian juga model terbaik secara empiris adalah model yang memiliki
nilai p terbesar. Pada Tabel 3 disajikan beberapa model yang baik secara empiris dan
model terbaik secara empiris (yang dicetak tebal) (selengkapnya disajikan pada
Lampiran 3 ) .
Penelusuran model yang lebih baik secara empiris diperoleh tidak hanya pada
contoh dengan ukuran kesesuaian model yang tidak baik (Kasusl, Kasus2 dan
Kasus4), tetapi juga diperoIeh pada contoh dengan ukuran kesesuaian model yang
baik (Kasus3). Untuk Kasusl model terbaik secara empiris ialah model MlG23K3
dengan nilai p = 0.62064, untuk Kasus2 model terbaik secara empiris ialah model
MZG5 1 K1 dengan nilai p = 0.970 19, untuk Kasus3 model terbaik secara empiris
iaIah model M3G32K2 dengan nilai p = 0.73919 dan untuk Kasus4 mode1 terbaik
secara empiris ialah model M4G42K1 dengan niIai p = 0.74801. Diagram lintas dari
PLOT U K U R A N K E S E S U A I A N MODEL K A S U S 1
[image:126.476.55.421.66.479.2]PLOTUKURAN KESESUAIAN MODEL KASUS2
PLOT UKURAN K E S E S U A I A N MODEL K A S U S J
PLOT U K U M N KESESUAIAN MODEL KASUS4
[image:127.476.57.421.62.464.2]Model
V.
K E S I M P U L A N DAN SARAN
5.1. I < e s i r n p u l a ~ ~
'IS, dpirl
13~1-dasal-lian liasil ~ ~ c l ~ c l u s ~ ~ l a n MI'S dnri L.;ccmllat I c n s ~ t s di . I ( .
.
d.disiinpulkan bahwa algorit~na ~lntuk rnendapatkan MI'S yang baik ialah sebagai
berikut :
1. Melakukan penggeroinbolan terhadap peubah indikator ~ r e i a l u i matriks koreiasi
(koragarn) dengan menggunakan ukuran ketakmiripan korelasi dengan tujuan
untulc ~nendapatkan gerombol-geroinbol peubah indikator yang masing-inasing
~nengukur satu peubah laten, yang lnana gerombol-gerombol ini sebagai dasar
untuk membangun MPS. Metode geroinbol yang dapat digunakan ialah metode
Ward dan Pautan Lengkap atau Pautan Rataan. Sedangkan metode Pautan
Tunggal dan Pautan Terpusat tidak perlu digunakan, karena model yang
diperoleh juga diperoleh denyan menggunakan salah saiu dari tiga metode
Iainnya.
2. Penambahan satu lintasan antar galat peubah indikator dengan tujuan
inengkorelasikan antar galat peubah indikator, dilakukan berdasarkan lintasan-
lintasan yang signifikan hasil analisis lintas terhadap peubah indikator antar
peubah laten eksogenous (endogenous).
3 . Tahap ketiga ialah ~noditikasi model berdasarkan indeks modifikasi.
5.2, S a r a n
Dari kesi~npulan di atas ~ n a k a dapat disarankan sebagi berikut :
1. Dalaln analisis M P S yang dibangun berdasarkan konstruksi teori, wdlaupun hasil
validasi inodel menunjukkan model yang baik, penelusuran MPS berdasarkan
algoritln;l ierscbu( di atas lciap dapat dilakukan guna mcndapatkan kemungkinan
MI'S yang baik lainnya sebagai khasanah baru pada teori tersebut.
2. Jika konstruksi teori dari suatu fknornena tidak diketahui, ~ n a k a algoritma tersebut
di alas dapat digunakar~ 1r111uk rncndapatkan MPS yang baik.
3. Pnda Lahapan penggero~nbolan peubah indikator, selain dcngan analisis gerombol
perlu d i l e l u s ~ ~ r i analisis l a i n yang dapat melakukan penggero~nbolan peubah
DAFTAR PUSTAKA
Bollen, K. A. 1989. Structural 25-quations with Latent Variables. John Wiley & Sons. Canada.
Dillon, W.R. & M. Goldstein. 1984. Multivariate Analysis Methods and Applications.
John Wiley & Sons. New York.
Heise, D.R. 1971. Causal Analysis. John Wiley & Sons. Canada.
Johnson, R.A. & D. W. Wichern. 1998. Applied Multivariate Statistical Analysts.
Fourth Edition. Prentice-Hal\ International. Canada.
Joreskog, K.G. & D. Sorbom. 1996. Lisrel 8. User's Reference Guide. Scientific
Sofhyare International. Chicago.
Joreskog, K.G. & D. Sorbom. 1999. Software Lisrel 8.30 Versi Student. Website :
www.ssicentral.com. [20 Januari 19993
Loehlin, J.C. 1992. Latent Variable Models : An Introduction to Factor. Path, and
Structural Analysis. Lawrence Erlbaum Associates. New Jersey.
MacLean, S & K. Gray. 1998. Structural Equation Modelling in Market Research.
http://www. smallwaters.com/whitepauer/marketin~~#abstract. [2 1 Juni 200 11
Sharma, S. 1996. Applied MulCivariate Techniques. John Wiley & Sons. New York.
Siswadi & B. Suharjo. 1997. Analisis Ehplorasi Data Peubah Ganda. Jurusan
Matematika FMIPA IPB. Bogor.
Wright, S. 1960. Path Coeficienf and Path Regressions : Alternative or
Lampiran 1 : Penggerombolan Peubah Indikator yang Menghasilkan h4PS Teridentifikasi dan Lintasan yang Signifikan antar Galat Peubah
Lampiran 1 : Lanjutan
1 1 I
M3G32K2
I
- sda-
T D 4 5Signifrian pada An. Lintas
- - . - -
-3,4), mtd : semua
I
31
M3G12KlI
1
I
I
I I tM4G42K3
I
- sda - T D 4 5 ya Lintasar. antaiGalat P. Indikator yang ditambahkan
- sda -
I
M4G42K4 - s d a
-
T D 5 7 y aT14G43 Eks : f 1,2,3,4) ( 5 , 6 ) ( 7 ) {8,9) 1
Penggerombolai~ Peubah Indikatorl Metode
Eks : ( 1,2,3) {3,4,5) (6.7) End : { 1,2) /3,4f
Eks : f 1.2) (3.43) {6,7) mtd : PI, vr. PV, w
No
TD 3 4 ya
- -~ ~ ~ Model / Diagram Lintas Kasus3 (M3) EXl.LS8 M3G32
1
I
1
-
- sda - T D 3 6 tidak M4G43K2M4G43K3
M4G43K4
I
mtd : w1
I
- sda - - sda - - sda -
M4G43K6
M4G43K7
ya M4G43K1
I
- sda - TD 1 2TD 1 3
TD 1 7 T D 2 4
Kctezangan : mld = rnetodq pt = P a u h Tunggal; pl = Pautan Lsngkap; pr = P a u h R a m ; pp = Pautan Terpusat;
w = metode Ward; semua = semua metode gerombol; Eks = Eksogenous; End = Endogenous
TEfIQ Oheta EpsilomTheta Delta) lintasan antar galat peubah indikator peubah laten EndogenouElisogenous
- s d a - - sda -
~a
Y a
Y a
T D 4 S
T D 6 9
ya
Lampiran 2. Lintasan
-
Lintasan yang Ditambahkan Berdasarkan lndeks Modifikasi serta Lintasan-Lintasan yang Dihapus Berdasarkan Nilai t