Professional Documents
Culture Documents
Pengertian Dasar Structural Equation Model (Sem)
Pengertian Dasar Structural Equation Model (Sem)
pdfcrowd.com
Pada saat kita melakukan pencocokkan suatu model sebagaimana model dalam persamaan di atas, maka sebenarnya kita sedang
membuat estimasi untuk koefesien-koefesien a dan b yang meminimumkan fungsi kesalahan tertentu di observasi-observasi yang
sedang dilakukan, dengan keberadaan error yang diasumsikan. Dalam model yang dibuat di atas mengasumsikan bahwa semua
kasus dalam sekumpulan data tersebut mempunyai nilai-nilai sama untuk a dan b. Nilai-nilai tersebut cocok dalam populasi.
Persamaan di atas nampak seperti persamaan regresi tanpa intercept di sebelah kanan. Koefesien-koefesien a dan b mewakili
koefesein-koefesein regresi. nilai,
kualiats dan harga merupakan variable-variabel observasi. Error merupakan perbedaan antara nila-nilai yang observasi dan
yang diprediksi.untuk masing-masing kasus. Persamaan tersebut dapat juga dilihat sebagai gambaran suatu model faktor dimana
variable observasi disebut load nilai pada dua faktor, yaitu kualitas dan harga; sedang error dapat disebut sebagai keunikan.
Dalam persepktif ini, maka kualitas dan harga merupakan variable-variabel laten.
2.2 Mengenal Diagram Jalur SEM
Gambar 1.1 di bawah menunjukkan cara lain untuk menggambarkan suatu model persamaan pertama dalam bab
sebelumnya. Gambar tersebut disebut sebagai diagram jalur. Dengan menggunakan Amos kita dapat membuat diagram jalur secara
otomatis.
Gambar 2.1 Diagram Jalur untuk Nilai Yang Diterima (Perceived Value)
pdfcrowd.com
pdfcrowd.com
Koefesien-koefesien yang menggambarkan bagaimana variable-variabel tergantung bergantung pada variable-varaibel bebas
disebut sebagai koefesien jalur.Kita dapat menggunakan variable-variabel laten dalam persamaan struktural sebagai variable bebas
maupun variable tergantung. Pada saat kita menggunakan variable-varaibel laten dalam SEM, maka biasanya dibuat dalam model
dengan menggunakan dua atau lebih variable observasi yang disebut sebagai variabel indikator. Sebagai contoh, kita akan
membuta model loyalitas brand sebagai variable laten. Maka kita dapat bertanya pada kosnumen untuk membuat penilaian
kuantitatif mengenai penggunaan brand tersebut, keinginanan untuk terus menggunakannya, dan kemauan mereka untuk
merekomendasikan kepada orang lain. Kemudian kita dapat menggunakan jawaban-jawaban ini sebagai variable indikator untuk
membuat model kesetiaan sebagai satu variable laten. Bagaimana masing-masing variable indikator berhubungan dengan loyalitas
akan diekspresikan sebagai suatu factor loading.
Catatan:
Bagi pembaca yang kesulitan memahami diagram jalur sebaiknya membaca buku saya yang berjudul: Analisis Jalur Untuk Riset
Bisnis Menggunakan SPSS Aplikasi Riset Pemasaran, Keuangan, MSDM dan Kewirausahaan. Penerbit Andi, Yogyakarta.
2.3 Mengenal Model-Model Confirmatory
Ada perbedaan penting antara model-model analisis faktor yang sering digunakan dalam riset ekonomi pemasaran dengan
model estimasi menggunakan SEM. Dalam analisis faktor, analisis bersifat exploratory, atau menerangkan dengan tujuan untuk
mengungkap hubungan yang melandasi seperangkat variable. Salah satu tujuan menggunakan analisis faktor ialah untuk mengurangi
sejumlah variabel menjadi lebih kecil sehingga mempermudah untuk dianalisis. Kita dapat juga menggunakan analisis faktor
exploratory atau (Exploratory Factor Analysis (EFA)), atau analisis komponen utama (Principal Components Analysis (PCA))
dalam kasus mengurangi variable tersebut.
Jika kita menggunakan EFA ataupun PCA, loading dari setiap variable yang dibservasi pada setiap faktor dapat
mengasumsikan nilai berapa saja, yaitu pada variable-variabel dimana semua faktor tidak tetap, atau dikendalikan dengan berbagai
cara. Apa yang dikendalikan ialah jumlah faktor dan sering pulan korelasi antara faktor-faktor tersebut dikendalikan sampai dengan
nol. Sekalipun demikian variable-variabel yang diobservasi diijinkan untuk memuat setiap dan semua faktor. Kalau kita menggunakan
SEM, maka kita sebenarnya menggunakan pendekatan seperti analisis faktor konfirmasi ( Confirmatory Factor Analysis (CFA)).
Kita membuat spesifikasi dimana semua loading, dan koefesien jalur dapat bervariasi. Kita juga dapat membuat spesifikasi apakah
semua variable bersifat independen satu dengan lainnya atau apakah mereka tidak independent.
open in browser PRO version
pdfcrowd.com
pdfcrowd.com
Persamaan 2 di atas akan dicabangkan dalam model persamaan 1. Persamaan kedua tersebut menggunakan satu atau kurang dari
satu derajat kebebasannya (degree of
Freedom) yang setara dengan model persamaan 1. Jika kita sudah mencocokkan dua model tersebut dengan menggunakan regresi
least squares, maka kita dapat melakukan pengujian F test untuk perbedaan dalam R2 model. Namun jika menggunakan Amos
Kita akan membandingkan nilai chi square (2) . Contoh lainnya ialah jika model A memungkinkan terjadinya korelasi antara Y dan
X serta model B membutuhkan korelasi sebesar 0.50, kemudian B dicabangkan kedalam Y.
2.5 Ukuran Sampel
Ukuran sample menjadi salah satu pertimbangan penting dalam riset yang sedang dilaksanakan. Untuk menghasilkan hasil
analisis yang baik dalam SEM pada umumnya menggunakan sample ukuran besar. Pada umumnya aplikasi-aplikasi dalam SEM
menggunakan 200-400 kasus (ukuran sample) untuk mencocokkan model-model yang mempunyai 10-15 variable yang diobservasi..
2.6 Dua Hal Penting Dalam Penggunaan SEM
Ada dua isu yang bersifat metodologis yang muncul dalam SEM berkaitan dengan kekuatan menganalisis data. Pertama,
apakah parameter-parameter yang akan kita estimasi dapat diidentifikasi. Lebih lanjut apakah kita dapat memperoleh estimasi unik
parameter tersebut. Pada saat semua parameter dalam suatu model teridentifikasi,. Maka model tersebut dikatakan teridentifikasi.
Masalah indentifikasi ini seperti persamaan dalam aljabar yang digunakan untuk mengetahui apakah terdapat persamaan independent
yang memadai untuk memecahkan X, Y dan Z.Idealnya, kita menginginkan semua parameter model dapat diidentififikasi. Amos
dapat mendeteksi serta memberitahu kita kisaran masalah-masalah identifikasi. Disamping itu juga Amos menawarkan remedi untuk
mengatasi masalah ini. Kita dapat mengatasi masalah indentifikasi dengan menggunakan pengendalian-pengendalian tertentu.
.
Isu kedua ialah ekuvalensi model. Dua model SEM akan equivalen jika kedua model tersebut dapat memprediksi nilai-nilai
yang sama dari data yang sama pula. Apa yang dianalisis pada saat melakukan pencocokan dalam SEM ialah matriks kovarian atau
matriks korelasi. Sekalipun demikian dalam SEM kadang kita juga menggunakan rata-rata (mean) hasil observasi juga pada saat
intercept atau rata-rata faktor diestimasi. Setiap dua model SEM yang memprediksi momen yang sama, misanya kovarian, means,
dan lainnya diperlakukan equivalen. Sampai saat ini belum ada prosedur yang komprehensif untuk menghitung semua kemungkinan
model yang ingin kita spesifikasi.. Untuk mengatasi masalah ini, maka kita harus bersandar pada informasi diluar data untuk memilih
model-model yang terbaik. Informasi ini dapat diperoleh dari riset sebelumnya, pengetahuan tentang lingkungan dimana data
dikoleksi, intuisi manajerial dan pengalaman-pengalaman meneliti sebelumnya. Pemahaman ekuivalensi tidak jauh berbeda dengan
pemahaman dimana variable-variabel tertentu bergantung pada lainnya dan mana yang tidak bergantung.
open in browser PRO version
pdfcrowd.com
pdfcrowd.com
2.8 Kenggulan-keunggulan SEM lainnya dibandingkan dengan regresi berganda diantaranya ialah
1. Pertama, memungkinkan adanya asumsi-asumsi yang lebih fleksibel;
2. Kedua, penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk mengurangi kesalahan pengukuran
dengan memiliki banyak indikator dalam satu variabel laten;
3. Ketiga, daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca keluaran hasil analisis;
4. Keempat, kemungkinan adanya pengujian model secara keseluruhan dari pada koefesien-koefesien secara sendiri-sendiri;
5. Kelima, kemampuan untuk menguji model model dengan menggunakan beberapa variabel tergantung;
6. Keenam, kemampuan untuk membuat model terhadap variabel-variabel perantara;
7. Ketujuh, kemampuan untuk membuat model gangguan kesalahan (error term);
8. Kedelapan, kemampuan untuk menguji koefesien-koefesien diluar antara beberapa kelompok subyek;
9. Kesembilan kemampuan untuk mengatasi data yang sulit, seperti data time series dengan kesalahan otokorelasi, data yang
tidak normal, dan data yang tidak lengkap.
2.9 Langkah-Langkah Analisis Dalam SEM
Untuk melakukan analisis SEM diperlukan langkah-langkah sebagai berikut:
Pertama kita membuat spesifikasi model yang didasarkan pada teori, kemudian menentukan bagaimana mengukur konstrukkonstruk, mengumpulkan data, dan kemudian masukkan data ke Amos.
Kedua Amos akan mencocokkan data kedalam model yang sudah dispesifikasi kemudian memberikan hasil yang mencakup
semua angka-angka statistik kecocokan model dan estimasi-estimasi parameter.
Ketiga masukkan data yang biasanya dalam bentuk matriks kovarian dari variable-variabel yang sedang diukur, misalnya nilaiopen in browser PRO version
pdfcrowd.com
nilai butir-butir pertanyaan yang digunakan,. Bentuk masukan lainnya dapat berupa matriks korelasi dan rata-rata (mean).
Data dapat berupa data mentah kemudian diubah menjadi kovarian dan rata-rata.
Kelima mencocokkan data dengan model yang sudah dibuat.
2.10 Ringkasan
SEM merupakan salah satu metode analisis dalam riset yang menggunakan pendekatan kuantitatif. Dalam analisisnya SEM
melakukan pencocokkan model yang dibuat oleh peneliti didasarkan pada teori yang ada dengan menggunakan data empiris. Data
dalam SEM berbentuk matriks kovarian atau matriks korelasi atau kemungkinan lainnya nilai rata-rata (mean) hasil observasi.
Kecocokan didasarkan pada nilai-nilai statistik tertentu, misalnya Chi Square. Dalam praktiknya peneliti berusaha membuat model
yang terbaik.
2.11 Konsep-Konsep yang Harus Dipahami
Variabel endogenous
Variabel exogenous
Variabel observasi
Variabel laten
Diagram jalur
Model recursive dan non recursive
Keselarasan / kecocokan model
Matriks kovarian
Model confirmatory
2.12 Latihan dan Tugas
1. Terangkan pengertian SEM!
2. Apa yang dimaksud dengan variabel endogenous?
3 Apa yang dimaksud dengan variabel exogenous?
4. Apa yang dimaksud dengan variabel observasi?
5. Apa yang dimaksud dengan variabel laten?
6. Apa yang dimaksud dengan diagram jalur? Berikan contohnya!
open in browser PRO version
pdfcrowd.com
Arbuckle, J. (1997), Amos Users Guide Version 3.6, Chicago IL: Smallwaters Corporation.
Arbuckle James L. Amos 16.0 Users Guide
Bollen, K.A. (1989), Structural Equations with Latent Variables, New York: Wiley.
Browne, M.W. (1984), Asymptotically distribution-free methods for the analysis of covariance structures," British Journal of
Mathematical and Statistical Psychology, 37, 62-83.
Browne, M.W. and R. Cudeck (1993), Alternative ways of assessing model fit, in Testing Structural Equation Models, ed.
K.A. Bollen and Long. S., Newbury Park CA: Sage, 136-162.
Jreskog, K.G. (1971), Statistical analysis of sets of cogeneric tests, Psychometrika,
36, 109-136.
Lynd D. Bacon, Ph.D., Using Amos for structural equation modeling in market research Lynd Bacon & Associates, Ltd. and SPSS
Inc.
Narimawati, Umi dan Jonathan Sarwono (2006) Structural Equation Model Untuk Riset Ekonomi. Menggunakan LISREL.
Yogyakarta: Penerbit Gava Media
Sarwono, Jonathan. (2007) Analisis Jalur Untuk Riset Bisnis: Aplikasi Riset Pemasaran, Keuangan, MSDM dan
open in browser PRO version
pdfcrowd.com
pdfcrowd.com