sem konsep dan prosedur

SEMSEMKonsep dan Konsep dan ProsedurProsedur

Dr. Setyo H. Wijanto([email protected])

Bab 1Bab 1PendahuluanPendahuluan

April 2009SEM - Konsep dan Prosedur3

Problem DasarProblem Dasar

Problem Dasar Scientific Inference dalam Ilmu Sosial dan Perilaku (Social and Behavioral Science)

Pengukuran (Measurement)• Apa yang sebenarnya diukur oleh suatu

pengukuran?• Bagaimana cara dan seberapa baik sebuah

pengukuran mengukur apa yang diukur tersebut.• Bagaimana validitas dan reliabilitas

pengukurannya?

Hubungan Kausal di antara variabel-variabel dan penjelasan tentang hubungan tersebut

• Bagaimana menyimpulkan hubungan kausal antar variabel yang kompleks dan tidak teramati secara langsung, melainkan melalui indikator-indikator?


Perkembangan SEMPerkembangan SEM

Usaha untuk Mengatasi Problem Dasar

Francis Galton Keponakan Charles Darwin ini

menghasilkan konsep korelasi dan regresi. Konsep “the common source” merupakan langkah awal dalam analisis faktor.

Karl Pearson (1857-1936) Murid dari Galton dan

merupakan ahli statistik terbesar sepanjang masa. Pearson tidak meneruskan ide “analisis faktor”, tetapi memperkenalkan konsep principal components yang penting dalam estimasi analisis faktor.



Poster dari Francis Galtons’ Anthropometric Laboratory di London, 1885-1891



Charles Spearman Spearman adalah murid dari

Wundt di Leipzig dan Galton di London. Ia mulai sebagai psikolog dan pada 1904 ia meletakkan dasar psikometri sebagai salah satu cabang dari ilmu kuantitatif. Konsep one factor model (dikenal sebagai g) yang diusulkan-nya membawa dia sebagai “ the father of factor analysis”.



Louis Leon Thurstone Thurstone memperluas

konsep one-factor model dari Spearman menjadi multiple factor model. Ia mengakomodasi Spearman’s g melalui konsep “second order” factor.

Louis Guttman (1916-1987) Guttman banyak memberi

kontribusi pada analisis faktor. Selain itu ia juga mengusulkan pendekatan alternatif dari analisis faktor.



Karl Joreskog Terobosan dilakukan oleh

Joreskog dalam mengatasi persoalan estimasi dan analisis faktor. Kontribusinya mencakup:

• Maximum likelihood sebagai metode praktis yang dapat digunakan.

• Confirmatory factor analysis. Digabungkan dengan hasil

dari Wiley dan Keesling menghasilkan model JKW



Model JKW (Joreskog, 1973; Keesling, 1972; Wiley, 1973), yang terdiri 2 bagian:

• Model Variabel Laten• Model ini serupa dengan persamaan

simultan pada ekonometri, hanya semua variabelnya adalah variabel laten.

• Model Pengukuran• Model ini menunjukkan indikator-indikator

sebagai efek dari variabel laten, seperti pada analisis-faktor yang banyak digunakan pada psikometri dan sosiometri.

Model Bentler & Week (1980) Model McArdle & McDonald (1984)



GaltonThe Common Source

SpearmanOne Factor Model

ThurstoneMultiple Factor Model

JoreskogMLE, CFA & LISREL

Simultaneous Equation Model(Econometric)

JKW Model

LISREL SEM

Factor Analysis (Psychometric)

Klein



Model JKW merupakan cikal bakal dari model LISREL (LInear Structural RELationship) dan dewasa ini juga dikenal sebagai Structural Equation Model (SEM)

Dukungan Perangkat Lunak Komputer Perangkat lunak komputer (computer software)

mendorong perkembangan dan popularitas SEM. Dua perangkat lunak SEM yang populer:

• LISREL• EQS• AMOS



Dukungan Perangkat Lunak Komputer Perangkat lunak SEM yang lain:

• LISCOMP• CALIS• EzPATH• COSAN

Arena Diskusi tentang SEM di Internet SEMNET

• http://www.gsu.edu/~mkteer/semfaq.html Websites para vendor SEM Software

• http://www.ssicentral.com/ (untuk LISREL)


SEM vs MultivariatSEM vs Multivariat

SEM mampu memodelkan konsep variabel laten yang tidak teramati secara langsung. (Pada multivariat lainnya semua variabelnya adalah variabel teramati)

SEM mampu memodelkan hubungan kausal yang kompleks di antara variabel-variabel Persamaan Simultan (Pada multivariat yang lain lazimnya hanya satu persamaan)

Hubungan kausal yang kompleks tersebut terjadi di antara variabel laten dan bisa diestimasi sekaligus atau simultan. (Pada multivariat yang lain, estimasi dilakukan satu persamaan setiap kali)

Bab 2Bab 2Konsep SEMKonsep SEM


Path DiagramPath Diagram

Path Diagram atau Diagram Lintasan merupakan sarana komunikasi yang efektif untuk menyampaikan ide konsep dasar model SEM (Hoyle, 1995)

Diagram Lintasan jika digambar secara benar dan mengikuti aturan yang telah ditetapkan, akan dapat diturunkan menjadi model matematik dari SEM


Komponen dalam Model Umum SEMKomponen dalam Model Umum SEM

2 JENIS VARIABEL Variabel Laten (Latent Variable) Variabel Teramati (Observed atau Measured

Variable)

2 JENIS MODEL Model Struktural (Structural Model) Model Pengukuran (Measurement Model)

2 JENIS KESALAHAN Kesalahan Struktural (Structural Error) Kesalahan Pengukuran (Measurement

Error)


VARIABEL DI DALAM SEMVARIABEL DI DALAM SEM

Variabel Laten Merupakan variabel kunci yang

menjadi perhatianMerupakan konsep abstrak.

(Contoh dalam psikologi adalah perilaku, sikap, perasaan, motivasi dllnya)

Hanya dapat diamati secara tidak langsung dan tidak sempurna melalui efeknya pada variabel-variabel teramati



Variabel Laten Ada 2 jenis variabel laten:

•Variabel laten eksogen Notasi variabel laten eksogen dengan huruf Yunani adalah (“ksi”)

•Variabel laten endogen • Notasi variabel laten endogen dengan

huruf Yunani adalah (“eta”).


VARIABEL DI DALAM SEMVARIABEL DI DALAM SEM Variabel Laten

Simbol Path Diagram dari Variabel Laten adalah lingkaran atau elips.

atau

Simbol untuk menunjukkan hubungan kausal adalah anak panah.

)(

Latent Eksogen Latent Endogen

)(



Variabel TeramatiVariabel Teramati adalah variabel

yang dapat diamati atau dapat diukur secara empiris dan sering disebut sebagai indikator.

Variabel teramati merupakan efek atau ukuran dari variabel laten (Reflektif).

Pada metode survai dengan menggunakan kuesioner, setiap pertanyaan pada kuesioner biasanya mewakili sebuah variabel teramati.



Variabel Teramati Notasi matematik untuk variabel

teramati yang merupakan efek dari variabel laten eksogen (ksi) adalah X, sedangkan yang merupakan efek dari variabel laten endogen (eta) adalah Y.

Simbol Diagram Lintasan dari variabel teramati adalah kotak

x y


MODEL DI DALAM SEMMODEL DI DALAM SEM

Model Struktural Menggambarkan hubungan-hubungan

yang ada di antara variabel laten. Hubungan-hubungan ini umumnya

linier, meskipun pada perluasan SEM hubungan non-linier dimungkinkan.

Sebuah hubungan di antara variabel laten serupa dengan sebuah persamaan regresi linier di antara variabel laten tersebut.

Beberapa persamaan regresi linier tersebut membentuk persamaan simultan di antara variabel-variabel laten (serupa persamaan simultan di ekonometri).



Model Struktural Parameter yang menunjukkan

regresi variabel laten endogen pada variabel laten eksogen diberi label huruf Yunani (‘gamma”).

Parameter yang menunjukkan regresi variabel laten endogen pada variabel laten endogen yang lain diberi label huruf Yunani (‘beta”).


MODEL DI DALAM SEMMODEL DI DALAM SEM Model Struktural

Simbol dalam Diagram Lintasan

KSI1(ξ1)

ETA1(η1)

ETA2(η2)

ETA3(η3)

GAMMA11(γ11)

BETA31(β31)

BETA21(β21)

KSI2(ξ2)

GAMMA32(γ32)

GAMMA12(γ12)



Model Struktural RECIPROCAL CAUSATION (ETA1 ETA2)

UNANALYZED ASSOCIATION• Simbol asosiasi 2 variabel adalah panah

melengkung 2 arah. (KSI1 <-> KSI2)

KSI1

ETA1 ETA2

KSI2

BETA21

BETA12



Model Pengukuran Setiap variabel laten biasanya

mempunyai beberapa variabel teramati atau indikator.

Hubungan antara sebuah variabel laten dengan variabel-variabel teramati dimodelkan dalam bentuk analisis faktor (yang banyak digunakan di psikometri dan sosiometri)

Dalam model ini, setiap variabel laten dimodelkan sebagai sebuah faktor yang mendasari beberapa variabel teramati terkait



Model Pengukuran Muatan-muatan faktor atau loading

factors yang menghubungkan variabel laten dan variabel teramati diberi notasi (“lambda”), dimana pada sisi X adalah (lambda X) dan sisi Y adalah (lambda y).

Model pengukuran yang paling umum dalam aplikasi SEM adalah model pengukuran kon-generik (congeneric measurement model), dimana setiap variabel teramati hanya berhubungan dengan satu variabel laten.

xy



Model Pengukuran Simbol dalam Diagram Lintasan (Perhatikan

arah panah, yang menunjukkan bahwa variabel teramati merupakan efek atau refleksi dari variabel laten)

X1

X2

X3

KSI1

LAMBDA X11

LAMBDA X21

LAMBDA X31

)(11x

)(31x


KESALAHAN (ERROR) DI DALAM KESALAHAN (ERROR) DI DALAM SEMSEM

Kesalahan Struktural Umumnya variabel laten bebas tidak

dapat secara sempurna memprediksi variabel terikat, sehingga dalam model struktural biasanya ditambahkan komponen kesalahan struktural.

Kesalahan struktural diberi label dengan huruf Yunani (“zeta”)

Di dalam Diagram Lintasan, kesalahan struktural tidak ada simbolnya (kadang-kadang ada yang menggunakan simbol lingkaran atau elips kecil)

Penambahan kesalahan struktural pada model membuat model struktural menjadi lengkap.



Kesalahan dan Model Struktural

ETA1 = GAMMA11 x KSI1 + GAMMA12 x KSI2 + ZETA1ETA2 = BETA21 x ETA1+ ZETA2ETA3 = BETA31 x ETA1+ GAMMA32 x KSI2 + ZETA3

KSI1(ξ1)

ETA1(η1)

ETA2(η2)

ETA3(η3)

GAMMA11(γ11)

BETA31(β31)

KSI2(ξ2) GAMMA32

(γ32)

GAMMA12(γ12)

ZETA1(ζ1) ZETA2

(ζ2)

ZETA3(ζ3)

BETA21(β21)



Kesalahan Pengukuran Dalam SEM, variabel-variabel teramati

tidak dapat secara sempurna merefleksikan/menggambarkan variabel laten terkait.Untuk memodelkan ketidak-sempurnaan ini, dilakukan penambahan komponen kesalahan pengukuran ke dalam model.

Notasi matematik untuk kesalahan pengukuran yang berkaitan dengan variabel teramati X adalah (“delta”), sedangkan yang berkaitan dengan variabel teramati Y adalah (“epsilon”).



Kesalahan Pengukuran

KSI1(ξ1)

X1

X2

X3

LAMBDAX11(λX11)

LAMBDAX31(λX31)

LAMBDAX21(λX21)

ETA1(η1)

Y1

1

DELTA1(δ1)

DELTA2(δ2)

DELTA3(δ3)

0


MODEL PENGUKURANMODEL PENGUKURAN

KSI-1

KSI-2

x2

x3

x4

x5

x6

x1d1

d2

d3

Confirmatory Factor Analysis (CFA) Model

d4

d5

d6


MODEL PENGUKURANMODEL PENGUKURAN

ETA-1

ETA-2

Y2

Y3

Y4

Y5

Y6

Y1

2nd Order CFA Model

KSI-1

z1

z2


MODEL HYBRID (FULL SEM MODEL)MODEL HYBRID (FULL SEM MODEL)


MODEL MATEMATIK SEMMODEL MATEMATIK SEM

MODEL STRUKTURAL

1 1 1

= + +

0 - - - - - - - - -

. - 0 . - .

. = - - 0 . + - .

. - - - 0 . -

- - - - 0 -m m

1

.

+ .

. .

(m x 1) (m x m) (m x 1) (m x n) (n x 1) (m x 1)n m



MODEL STRUKTURAL = Sebuah vektor dari variabel endogen

= Sebuah vektor dari variabel eksogen

dan = Matrik dari Koefisien Struktural

= Sebuah vektor dari kesalahan (errors) struktural

Matrik Kovarian dari variabe

1

2 1 2

3

2

2

2

2

l-variabel laten eksogen adalah (phi)

Matrik kovarian dari kesalahan struktural adalah (Psi)

= - -

- - - -

- - - - n

1

2 1 2

3

2

2

2

2

= - -

- - - -

- - - -

(n x n) (m x m)

m



MODEL PENGUKURAN VARIABEL ENDOGEN

11

21

pm

y

y1 11

y

y

= +

-. .. = +

. ..- - -

- - -

(px1) (pxm) (mx

p pm

y

y

y

1) (px1)



MODEL PENGUKURAN VARIABEL ENDOGEN

y

y = Sebuah vektor dari variabel teramati endogen

Sebuah matrik koefisien pengukuran/loading factors

= Sebuah vektor dari kesalahan pengukuran

Matrik kovarian dari kesalahan pengukuran adalah

1

2

3 2 3

2

2

2

2

(Theta Epsilon)

0 = = Matriks (p x p)

-

- - - p



MODEL PENGUKURAN VARIABEL EKSOGEN

11

21

qn

x

x1 11

x

x

x = +

-. .. = +

. ..- - -

- - -

(qx1) (qxn)

q qn

x

x

(nx1) (qx1)



MODEL PENGUKURAN VARIABEL EKSOGEN

x

x = Sebuah vektor dari variabel teramati eksogen

Sebuah matrik koefisien pengukuran/loading factors

= Sebuah vektor dari kesalahan (errors) pengukuran

Matrik kovarian dari kesalahan pengukuran

1

2 1 2

2

2

2

adalah (Theta Delta)

= = Matriks (q x q)

- 0 -

- - - q



ASUMSI MODEL MATEMATIK SEM

1. tidak berkorelasi dengan



4. , , dan tidak saling berkorelasi

(Mutually Uncorrelated)

5. (I - B) adalah Non Singular



8 MATRIK PARAMETER PADA MODEL SEM

x

= Structural Coefficients Matrix di antara

Variabel Laten Endogeen ( )

= Structural Coefficients Matrix antara Variable Laten

Eksogen ( ) dengan Variabel Laten Endogen ( )

= Facto

y

r Loadings Matrix dari Variabel Teramati X

terhadap Variabel laten

= Factor Loadings Matrix dari Variabel Teramati Y

terhadap Variabel laten



8 MATRIK PARAMETER PADA MODEL SEM

= Covariance Matrix di antara variabel laten eksogen ( )

= Covariance Matrix di antara structural equation errors ( )

= Covariance Matrix di antara measurement errors

dari variabel laten

eksogen ( )

= Covariance Matrix di antara measurements errors

dari veriabel laten endogen ( )

Bab 3Bab 3Prosedur SEMProsedur SEM


PENDAHULUAN Penerapan SEM dan Statistik untuk Penelitian

Penerapan Statistik• Didasarkan atas pengamatan atau observasi

secara individual.• Residual merupakan perbedaan antara nilai yang

dicocokkan (fitted) dengan nilai yang diamati untuk setiap kasus yang ada dalam sampel.

• Fungsi yang diminimumkan adalah perbedaan antara nilai yang diamati dengan nilai yang diprediksi.

Penerapan SEM• Didasarkan atas kovarian dari nilai-nilai yang

ada di dalam sampel• Residual merupakan perbedaan antara kovarian

yang diprediksi/dicocokkan dengan kovarian yang diamati.

• Fungsi yang diminimumkan adalah perbedaan antara kovarian sampel dengan kovarian yang diprediksi oleh model


PENDAHULUAN

PROSES PENCO-COKAN MODEL


PENDAHULUAN PROSES PENCOCOKAN MODEL

Data = Model + Residual

Data: mewakili nilai pengukuran yang berkaitan dengan variabel-variabel teramati dan membentuk sampel penelitian

Model: mewakili model yang dihipotesiskan/ dispesifikasikan oleh peneliti

Residual: Perbedaan antara model yang dihipotesiskan dengan data yang diamati.

Tujuan Pencocokan Model:Minimisasi Residual atau Residual

0


PENDAHULUAN Hipotesis Fundamental

Hipotesis Nol

= () Di mana:

• adalah matrik kovarian populasi dari variabel-variabel teramati

() adalah matrik kovarian dari model yang dispesifikasikan/dihipotesiskan

Jika pada statistik biasanya yang dipentingkan adalah signifikansi atau yang dicari adalah penolakan terhadap H0 (seperti pada regresi berganda), pada SEM yang diusahakan adalah agar H0 tidak ditolak atau Ho diterima.


PROSEDUR SEM Prosedur SEM secara umum (Bollen and

Long, 1993)

1. Spesifikasi Model (Model Specification)

2. Identifikasi (Identification)3. Estimasi (Estimation)4. Uji Kecocokan (Testing Fit)5. Respesifikasi (Re-specification)


SPESIFIKASI MODEL Contoh Spesifikasi Model Path Diagram (Diagram Lintasan)

Gambar 3.2. Path Diagram Stability Alienation (Wheaton et.al. 1977)

EDUC (X1)

SEI (X2)

ANOMIA67 (Y1)

Ses (ξ1)

Alien67(η1)

Alien71(η2)

POWERL67 (Y2 )

ANOMIA71 (Y3)

POWERL71 (Y4)

ME1 (δ1)

Z2 (ς2)

L3(λY11)

G2 (γ21)

G1 (γ11) L1

(λX11)

L2 (λX21)

ME2 (δ2)

L4(λY21)

L5(λY32)

L6(λY42)

Z1 (ς1)

B1 (β21)

ME4 (ε2)

ME5 (ε3)

ME6 (ε4)

ME3 (ε1)


IDENTIFIKASI Langkah ini ditujukan untuk menjaga agar

model yang dispesifikasikan bukan merupakan model yang under-identified atau unidentified.

Identifikasi dalam persamaan simultan: Under-Identified Just Identified Over Identified

Contoh sederhana dari Under-Identified (Contoh 1)

X + Y = 6

1 persamaan (data) dengan 2 bilangan tidak diketahui (parameter yang diestimasi) Tidak ada solusi yang Unik


IDENTIFIKASI Contoh sederhana dari Just-Identified (Contoh 2)

X + Y = 62X +Y = 10

2 persamaan dengan 2 bilangan tidak diketahui Hanya ada 1 solusi yaitu X = 4 dan Y = 2

Contoh sederhana dari Over-Identified (Contoh 3)

X + Y = 62X + Y= 103X + Y = 12

3 persamaan dengan 2 bilangan tida diketahui Solusi diperoleh melalui estimasi iteratif, dan yang cukup mendekati adalah x = 3.0 dan Y = 3.3


IDENTIFIKASI Identifikasi di dalam SEM dan Degree of

Freedom (df) Under-Identified model adalah model

dimana jumlah parameter yang diestimasi lebih besar dari jumlah data yang diketahui (variance dan covariance dari variabel-variabel teramati) df = Jumlah data - Jumlah parameter yang diestimasi; df (contoh 1) = 1 -2 = -1 df negatif

Just –Identified model adalah model dimana jumlah parameter yang diestimasi sama dengan data yang diketahui. df (contoh 2) = 2 -2 = 0 df =0

Over-Identified model adalah model dimana jumlah parameter yang diestimasi lebih kecil dari jumlah data yang diketahui. df (contoh 3)=3 -2 =1 df positif.


IDENTIFIKASI Untuk memperoleh model SEM yang

Over-Identified (Mueller, 1996)1. Jumlah varian-kovarian non-redundan

variabel teramati (jumlah data) >= Jumlah parameter model yang diestimasi

2. Setiap variabel laten dalam model harus diberi sebuah unit pengukuran. Untuk itu dapat digunakan salah satu dari dua cara di bawah ini:– Menetapkan salah satu koefisien

struktural/faktor loading, Lambda dengan nilai 1.0 atau

– Variabel laten distandarisasikan ke unit variance, yaitu dengan menetapkan nilai 1 pada komponen diagonal dari matrik Phi (variances).


ESTIMASI Langkah ini ditujukan untuk memperoleh

estimasi setiap parameter dispesifikasikan dalam model yang membentuk matrik sedemikian sehingga nilai parameter sedekat mungkin dengan nilai yang ada dalam matrik S (matrik kovarian dari variabel teramati/ Sampel).

Karena matrik kovarian populasi tidak diketahui maka ini diwakili oleh matrik kovarian sampel S.

Dengan demikian, berdasarkan hipotesis nol, maka diusahakan agar S - mendekati atau sama dengan nol. Hal ini dapat dilaksanakan dengan meminimilasikan suatu fungsi F(S, ) melalui iterasi.

( )

( )

( )


ESTIMASI Estimasi terhadap model dapat dilakukan

menggunakan salah satu dari metode estimasi yang tersedia:

Instrumental Variable (IV) Two Stage Least Square (TSLS) Unweighted Least Squares (ULS) Generalized Least Squares (GLS) Maximum Likelihood (ML) Generally Weighted Least Squares (WLS) Diagonally Weighted Least Squares (DWLS)

Metode estimasi yang paling banyak digunakan adalah ML dan WLS (ADF= Arbitrary Distribution Function)


ESTIMASI Untuk estimasi menggunakan ML, fungsi yang

diminimalisasikan adalah:

Sedangkan untuk estimasi WLS, fungsi tersebut:

Minimisasi fungsi tersebut dapat dilakukan melalui iterasi (dimulai dengan initial value) sampai diperoleh nilai yang kecil atau minimal. Beberapa algoritma untuk iterasi tersedia (Loehlin 1992):

Fletcher-Powell (variant-nya digunakan pada LISREL)

Gauss – Newton (digunakan di EQS) Newton – Rhapson Dan lain-lainnya

-1MLF = log + tr(S ) - log S - (p+q)

-1WLSF ( ) = (s- ) W (s- )


ESTIMASI Offending Estimates (Hair et.al. 1998)

negative error variances (Heywood Cases) atau nonsignificant error variances untuk konstruk-konstruk yang ada,

standardized coefficients melebihi atau sangat dekat dengan 1, atau

standard errors yang berhubungan dengan koefisien-koefisien yang diestimasi mempunyai nilai sangat besar.

Untuk mengatasinya Negative error variances error variances

ditetapkan = nilai positif kecil, misalnya 0.005 atau 0.01.

Nilai koefisien dan errors standar yang besar mungkin karena misspecification dari model periksa modelnya (dan ubah kalau perlu)


UJI KECOCOKAN Langkah ini ditujukan untuk mengevaluasi

derajat kecocokan atau Goodness Of Fit (GOF) antara data dan model.

Langkah uji kecocokan ini merupakan langkah yang banyak mengundang perdebatan dan kontroversi (Bollen dan Long, 1993).

Menurut Hair et.al. (1995) evaluasi terhadap GOF model dilakukan melalui beberapa tingkatan, yaitu:

Kecocokan keseluruhan model (overall model fit)

Analisis atau Kecocokan model pengukuran (measurement model fit)

Analisis atau Kecocokan model struktural (structural model fit)


UJI KECOCOKAN Nested Models

Independence Model, Mi merupakan model yang paling dibatasi

Saturated Model, Ms merupakan model yang paling tidak dibatasi, just identified, atau df= c-p=0.

sM kM hMjM

iM

Most restricted model(least free parameter)Highest overall chi square(worst fit)

least restricted model(most free parameter)zero overall chi square(best fit)

Nested within


UJI KECOCOKAN

Kecocokan Keseluruhan Model

Daftar ukuran GOF serta tingkat penerimaan kecocokan yang berhasil dikompilasi dari Hair et.al (1995), Chin dan Todd (1995), Doll, Xia dan Torkzadeh (1994), Joreskog dan Sorbom (1993) dan Byrne (1998) dapat dilihat pada Wijanto (2008)


UJI KECOCOKAN

Goodness of Fit Index (GOFI) yang sering digunakan

GOFI Ukuran Kecocokan Yang Baik

p-value of Χ2 ≥ 0.05

RMSEA ≤0.08

NFI ≥ 0.90

NNFI ≥ 0.90

RFI ≥ 0.90

CFI ≥ 0.90

IFI ≥ 0.90

Standardized RMR ≤0.05

GFI

AGFI

≥ 0.90≥ 0.90


UJI KECOCOKAN Kecocokan atau Analisis Model

Pengukuran Evaluasi ini dilakukan terhadap setiap

konstruk secara terpisah melalui:

Evaluasi terhadap validitas (validity) konstrukValiditas berhubungan dengan apakah suatu

variabel mengukur apa yang seharusnya diukur

Evaluasi terhadap reliabilitas (reliability) konstruk

Reliabilitas adalah konsistensi suatu pengukuran. Reliabilitas tinggi menunjukkan bahwa indikator-indikator (variabel-variabel teramati) mempunyai konsistensi tinggi dalam mengukur konstruk/variabel laten-nya.



Pengukuran Evaluasi terhadap validitas

Menurut Rigdon dan Ferguson (1991), dan Doll, Xia, Torkzadeh (1994), suatu variabel dikatakan mempunyai validitas yang baik terhadap konstruk atau variabel latennya, jika:

• Nilai t muatan faktornya (factor loadings) lebih besar dari nilai kritis (≥1.96 atau untuk praktisnya ≥ 2)

• Muatan faktor standarnya (standardized factor loadings) lebih besar atau sama dengan 0.70

Igbaria, et.al. (1997) yang menggunakan guidelines dari Hair et.al. (1995) tentang relative importance and significant of the factor loading of each item:

• Loadings ≥ 0.50 adalah very significant



Pengukuran Evaluasi terhadap reliabilitas

Untuk SEM pengukuran reliabilitas dapat dilakukan dengan menggunakan (Hair et.al. 1995):

• Composite/Construct Reliability Measure (Ukuran Reliabilitas Komposit/Konstruk)

• Variance Extracted Measure (Ukuran Ekstrak Varian)

Reliabilitas kostruk yang baik, jika • nilai construct reliability-nya ≥ 0.70

dan • nilai variance extracted-nya ≥ 0.50


UJI KECOCOKAN Kecocokan atau Analisis Model Pengukuran Reliabilitas Komposit suatu Konstruk dihitung sbb:

Ekstrak varian mencerminkan jumlah varian keseluruhan dalam indikator yang dijelaskan oleh konstruk laten. (Fornel and Laker 1981)

2

2j

( std.loading)Construct Reliability =

( std.loading) + e

2

2j

2

j

std.loadingVariance Extracted =

std.loading + e

std.loading =

Dimana: std. loading = standardized loading

e = measurement error

N

N = banyaknya variabel teramati dalam model


UJI KECOCOKAN Kecocokan atau Analisis Model Struktural Uji kecocokan ini dilakukan terhadap koefisien –

koefisien persamaan struktural dengan menspesifikasikan tingkat signifikansi tertentu. Dalam hal tingkat signifikansi adalah 0.05, maka nilai t dari persamaan struktural harus ≥ 1.96 atau untuk praktisnya ≥2

Selain itu juga perlu dilakukan evaluasi terhadap solusi standar dimana semua koefisien mempunyai varian yang sama dan nilai maximumnya adalah 1.

Sebagai ukuran menyeluruh terhadap persamaan struktural, overall coefficient of determination (R2) dievaluasi seperti pada regresi berganda. (Lihat Catatan tentang R2 di Wijanto (2008))


RESPESIFIKASI Langkah ini ditujukan untuk melakukan

spesifikasi ulang terhadap model untuk memperoleh GOF yang lebih baik.

Respesifikasi ini sangat tergantung kepada strategi pemodelan yang dipilih.

Ada 3 strategi pemodelan yang dapat dipilih dalam SEM: (Joreskog dan Sorbom 1993) atau (Hair et. Al. 1995) Strictly Confirmatory/SC atau

Confirmatory Modeling Strategy Alternative/Competing Models/AM atau

Competing Model Strategy Model Generating/MG atau Model

Development Strategy


RESPESIFIKASI Strictly Confirmatory/SC

Suatu model tunggal dispesifikasikan Pengumpulan data empiris Pengujian dilakukan untuk menghasilkan

penerimaan atau penolakan terhadap model tersebut

Tidak ada respesifikasi• Alternative Model/AM

- Beberapa model alternatif dispesifikasikan- Pengumpulan data empiris- Analisis terhadap model-model tersebut dan

dipilih salah satu yang paling sesuaiRespesifikasi hanya diperlukan jika model-

model alternatif dikembangkan dari beberapa model yang ada


RESPESIFIKASI Model Generating/MG

Suatu model awal dispesifikasikan Pengumpulan data empiris Analisis dan pengujian apakah data cocok

dengan model Jika tingkat kecocokan kurang baik, maka

model dimodifikasi dan diuji kembali dengan data yang sama.

Proses respesifikasi dapat dilakukan berulang-ulang sampai diperoleh tingkat kecocokan terbaik. Proses respesifikasi dilakukan berdasarkan theory driven atau data driven, meskipun respesifikasi berdasar theory driven lebih dianjurkan.

Dari SC, AM dan MG, yang paling banyak diterapkan adalah MG, dan paling sedikit adalah SC.


ONE STEP VS TWO STEP APPROACH ONE STEP APPROACH

Pendekatan analisis dan pengujian model secara keseluruhan sekaligus (measurement dan structural model)

TWO STEP APPROACH Pendekatan analisis dan pengujian

model melalui 2 tahap: (James, Mulaik dan

Brett 1982; Anderson dan Gerbing 1988)• Analisis dan pengujian terhadap

measurement model• Analisis dan pengujian terhadap structural

model


ONE STEP VS TWO STEP APPROACH

Masih ada pro dan kontra terhadap pendekatan di atas. Menurut Joreskog dan Sorbom (1993, hal 113) “ … The testing of structural model, i.e. the

testing of initially specified theory may be meaningless unless it is first established that measurement model holds. If the chosen indicators for a construct do not measure that construct, the specified theory must be modified before it can be tested. Therefore, the measurement model should be tested before the structural relationships are tested …”

sem konsep dan prosedur

Documents