PENGANTAR
Penulis
panjatkan rasa syukur kepada Allah SWT, karena atas izin dan bimbingan-Nya
akhirnya buku yang berjudul Structural Equatuon Modeling Untuk
Penelitian Manajemen Menggunakan AMOS 18.00 ini dapat hadir ditengah-tengah
pembaca.
Secara
khusus tujuan menulis buku ini untuk ikut berpartisipasi memperkaya khasanah
kepustakaan di Indonesia khususnya dalam bidang Structural Equatuon Modeling
Untuk Penelitian Manajemen Menggunakan AMOS 18.00 yang hingga saat ini
dirasakan masih sangat langka. Secara
umum penulis ingin ikut berpartisipasi mempercepat upaya mencerdaskan kehidupan
bangsa.
Sasaran
utama pembaca buku ini adalah para mahasiswa dan dosen program studi ilmu-ilmu
Sosial dan Behavioral khususnya Bisnis dan Manajemen baik jenjang Sarjana (S1),
Magister (S2) dan Doktor (S3). Sedangkan sasaran berikutnya adalah para peminat
teori penelitian dari masyarakat umum lainnya.
Proses
penulisan buku ini dimulai dari mengumpulkan materi mengajar mata kuliah Statistika
dan Metodologi Penelitian di beberapa Program Pascasarjana (Magister Manajemen,
Magister Pendidikan, Magister Ilmu Pemerintahan dan Program Doktor Ilmu
Manajemen) yang penulis lakukan baik perguruan tinggi di Jakarta maupun luar
Jakarta.
Pada
kesempatan ini penulis sampaikan ucapan terima kasih dan penghargaan yang
setinggi-tingginya kepada :
1.
Ibu Hj. Rembjuk Kumbijah (Almh.) dan Bpk. H.
Paretun Hw. (Alm.) yang telah mendidik penulis hingga dewasa dan bisa seperti
sekarang ini.
2.
Istri dan anak-anak penulis yang selalu setia
dan memberi motivasi yang luar biasa sehingga selalu mendorong penulis untuk
terus berkaya semaksimal dan sebaik mungkin.
3.
Pihak-pihak lain yang tidak disebutkan satu per
satu namun telah berjasa dalam penerbitan buku ini.
Penulis
menyadari bahwa buku ini tentu masih belum sempurna. Oleh karenanya, penulis
dengan senang hati menerima segala bentuk kritik dan saran untuk perbaikan.
Jakarta, 01 November 2012
Prof.
Dr. H. Siswoyo Haryono, MM, M.Pd.
Parwoto
Wardoyo, ST, MM
DAFTAR ISI
Kata
Pengantar
........................................................................................................
|
i
|
Kata
Sambutan ……………………………………………………………………
|
ii
|
Daftar
Isi
.................................................................................................................
|
viii
|
Daftar
Tabel
............................................................................................................
|
xii
|
Daftar
Gambar
........................................................................................................
|
xiii
|
BAGIAN I TEORI
DAN KONSEP SEM
BAB 1
PENDAHULUAN
A.
|
Latar Belakang
..............................................................................................
|
1
|
B.
|
Sejarah
dan Perkembangan Structural Equation
Modeling .........................
|
3
|
C.
|
Manfaat
SEM dalam Penelitian ....................................................................
|
7
|
D.
|
Pengertian
SEM ............................................................................................
|
9
|
E.
|
Jenis-jenis
SEM ............................................................................................
|
11
|
1.
CB-SEM .......................................................................................................
|
12
|
|
2.
VB-SEM .......................................................................................................
|
14
|
|
F.
|
Hard Modeling VS Soft Modeling ................................................................
|
16
|
BAB 2
ANALISIS MULTI
VARIAT
A.
|
Analisis Statistik Mulivariat .........................................................................
|
18
|
B.
|
Uji Statistik Multivariat ................................................................................
|
20
|
C.
|
Jenis-Jenis
Analisis Statistika Multivariat ....................................................
|
21
|
1.
Teknik
Dependen ....................................................................................
|
22
|
|
2.
Teknik
Interdependen .............................................................................
|
23
|
|
3.
Model
Struktural .....................................................................................
|
24
|
BAB 3
KONSEP DASAR SEM
A.
|
Orientasi Dalam SEM ...................................................................................
|
26
|
B.
|
Hipotesis Fundamental .................................................................................
|
28
|
C.
|
Prosedur
Pengukuran Dan Pengembangan Konstruk ...................................
|
29
|
D.
|
Variabel-variabel
dalam SEM ......................................................................
|
31
|
1.
Peranan
teori dalam Membangun Variabel dan Kuesioner ....................
|
32
|
|
2.
Variabel
Tersembunyi (Un-observed/Latent ) .......................................
|
41
|
|
3.
Variabel
Teramati/Manifest (Observed ) ...............................................
|
41
|
|
4.
Variabel
Reflektif VS Formatif ..............................................................
|
41
|
|
E.
|
Konvensi Penulisan & Penggambaran Variabel ...........................................
|
44
|
F.
|
Model
dan Kesalahan Pengukuran ...............................................................
|
48
|
G.
|
Model
dan Kesalahan Struktural ..................................................................
|
52
|
H.
|
Estimasi Model .............................................................................................
|
53
|
I.
|
Identifikasi Model .........................................................................................
|
54
|
J.
|
Menilai Kriteria Goodness Of Fit .................................................................
|
65
|
K.
|
Asumsi Dasar SEM .......................................................................................
|
69
|
BAB 4
ANALISIS JALUR
DAN SEM
A.
|
Sejarah dan Perkembangan Analisis
Jalur (Path Analysis) ........................
|
72
|
B.
|
Model
Korelasi, Regresi, Diagram Jalur dan
Struktural ...........................
|
75
|
1.
Model
Korelasi
....................................................................................
|
75
|
|
2.
Model
Regresi
......................................................................................
|
77
|
|
3.
Model
Analisis Jalur (Path Analysis) ..................................................
|
81
|
|
4.
Model
Struktural
..................................................................................
|
82
|
|
C.
|
Resume
Beberapa Model Analisis
.............................................................
|
85
|
D.
|
Menyusun
Model Analisis Jalur
................................................................
|
86
|
1.
Model
Regresi Beganda
.......................................................................
|
89
|
|
2.
Model
Mediasi
.....................................................................................
|
89
|
|
3.
Model
Kombinasi Pertama dan Kedua
................................................
|
90
|
|
4.
Model
Kompleks
.................................................................................
|
90
|
|
5.
Model
Rekursif dan Non Rekursif
.......................................................
|
91
|
|
E.
|
Uji
Hipotesis Analisis Jalur
........................................................................
|
92
|
BAB 5
ANALISIS FAKTOR
KONFIRMATORI
A.
|
CFA
VS EFA
.............................................................................................
|
96
|
B.
|
First Order Confirmatory
..........................................................................
|
98
|
1.
Analisis
Satu Faktor Confirmatory .......................................................
|
98
|
|
2.
Analisis
Dua Faktor Confirmatory .......................................................
|
101
|
|
C.
|
Second Order CFA
.....................................................................................
|
103
|
D.
|
Uji Kelayakan ............................................................................................
|
105
|
E.
|
Uji Signifikansi Parameter .........................................................................
|
108
|
F.
|
Squared
Multiple Correlation (R2) ............................................................
|
109
|
G.
|
Respesifikasi Model ...................................................................................
|
109
|
BAB 6
PROSEDUR SEM
A.
|
Bentuk
Umum SEM
...................................................................................
|
112
|
B.
|
Spesifikasi Model .......................................................................................
|
114
|
C.
|
Identifikasi Model ......................................................................................
|
117
|
1.
Under-Identified Model ......................................................................
|
119
|
|
2.
Just-Identified Model ..........................................................................
|
119
|
|
3.
Over-Identified Model ........................................................................
|
119
|
|
D.
|
Estimasi Model ..........................................................................................
|
119
|
E.
|
Uji Kecocokan (Assessment of Fit) ............................................................
|
120
|
1.
Kecocokan Keseluruhan Model ..........................................................
|
120
|
|
2.
Kecocokan Model Pengukuran ...........................................................
|
131
|
|
3.
Kecocokan Model Struktural ..............................................................
|
133
|
|
F.
|
Respesifikasi / Modifikasi dan Strategi
Pemodelan ...................................
|
133
|
BAGIAN II TUTORIAL SEM DENGAN AMOS VERSI 18.00
BAB 7
MENGOPERASIKAN
AMOS UNTUK ANALISIS SEM
A.
|
Instalasi
Program AMOS versi 18.00
........................................................
|
136
|
B.
|
Memulai
AMOS 18.00
...............................................................................
|
137
|
C.
|
Layar Kerja dan Bagian-Bagian dari Menu
Utama AMOS 18.00 .............
|
138
|
1.
Menu File .............................................................................................
|
138
|
|
2.
Menu Edit ............................................................................................
|
141
|
|
3.
Menu View ..........................................................................................
|
141
|
|
4.
Menu Diagram .....................................................................................
|
146
|
|
5.
Menu Analyze ......................................................................................
|
146
|
|
6.
Menu Tool ...........................................................................................
|
147
|
|
7.
Menu Plugins .......................................................................................
|
148
|
|
8.
Menu
Help
...........................................................................................
|
148
|
|
9.
Menu
Toolbox
.....................................................................................
|
149
|
|
D.
|
Langkah
Analisis Menggunakan AMOS 18.00 .........................................
|
154
|
1.
Mengambar
Diagram Jalur dengan AMOS 18.00 ...............................
|
154
|
|
2.
Mengambar
Diagram Jalur Variabel Laten
.........................................
|
156
|
|
3.
Menggambar Diagram Full Model ......................................................
|
162
|
|
4.
Format
Data File untuk Input AMOS 18.00 ........................................
|
163
|
BAB 8
CONTOH APLIKASI
AMOS 18.00 UNTUK ANALISIS REGRESI LINEAR
DAN JALUR
A.
|
Analisis
Regresi Berganda
...........................................................................
|
167
|
1.
Aplikasi
AMOS 18.00
Untuk Regresi Berganda ....................................
|
168
|
|
2.
Aplikasi
SPSS Versi 20.00 Untuk Regresi Berganda ………………….
|
177
|
|
B.
|
Analisis
Regresi Bivariate
............................................................................
|
179
|
1.
Aplikasi
AMOS 18.00
Dalam Analisis SEM Untuk Regresi
Bivariat.....................................................................................................
|
180
|
|
2.
Text Output AMOS 18.00
.......................................................................
|
181
|
|
C
|
Analisis
Jalur (Path Analysis)
......................................................................
|
182
|
1.
Aplikasi
AMOS 18.00
Dalam Analisis SEM Untuk Analisis Jalur…..
|
182
|
|
2.
Text Output AMOS 18.00
.....................................................................
|
184
|
BAB 9
CONTOH ANALISIS
FAKTOR KONFIRMATORI (CFA)
A.
|
Contoh CFA dan Respesifikasi karena Heywood Case .............................
|
188
|
B.
|
Contoh
CFA 1st Order
................................................................................
|
200
|
C.
|
Contoh CFA
2nd Order
...............................................................................
|
205
|
BAB 10
MODEL SEM DENGAN COMPOSITE INDICATOR (INDIKATOR
TUNGGAL KOMPOSIT)
A.
|
Pendahuluan
...............................................................................................
|
215
|
B.
|
Langkah Penyusunan Indikator Komposite ...............................................
|
216
|
C.
|
Contoh Kasus
.............................................................................................
|
222
|
BAB 11
CONTOH ANALISIS
SEM DALAM PENELITIAN MENGGUNAKAN
AMOS 18.00
A.
|
Judul
Penelitian
..........................................................................................
|
229
|
B.
|
Perumusan Masalah ...................................................................................
|
229
|
C.
|
Tujuan Penelitian .......................................................................................
|
230
|
D.
|
Kerangka
Pemikiran
...................................................................................
|
230
|
E.
|
Hipotesis
Penelitian
....................................................................................
|
230
|
F.
|
Metode
Penelitian
......................................................................................
|
231
|
1.
Populasi dan
Sampel
...........................................................................
|
231
|
|
2.
Definisi
Konseptual, Operasional, Dimensi, Kisi-Kisi Instrumen ......
|
232
|
|
G.
|
Teknik
Analisis Data
..................................................................................
|
239
|
1.
Analisis
Deskriftif
...............................................................................
|
239
|
|
2.
Analisis
Inferensial Statistik Dengan Analisis SEM ...........................
|
239
|
|
H.
|
Pengujian Hipotesis
....................................................................................
|
294
|
I.
|
Pengaruh Langsung, Tidak Langsung & Pengaruh Total ..........................
|
296
|
J.
|
Pembahasan ................................................................................................
|
297
|
K.
|
Kesimpulan, Implikasi & Saran
.................................................................
|
302
|
Daftar
Bacaan
|
306
|
DAFTAR TABEL
1.1.
|
Jenis-jenis
Software SEM …………………………………...…….
|
10
|
1.2.
|
Jenis
SEM dan Contoh Software yang Sesuai
…………...………..
|
11
|
1.3.
|
Kriteria
Penggunaan CB-SEM, PLS-SEM dan GSCA …………....
|
15
|
2.1.
|
Kesalahan di dalam Uji Hipotesis
…………………………………
|
20
|
2.2.
|
Jenis Teknik Mulivariate Dependen ………………………………
|
22
|
2.3.
|
Jenis Teknik
Multivariat Interdependen …………………………..
|
24
|
3.1.
|
Kisi-kisi Produktivitas Kerja …………………………………......
|
37
|
3.2.
|
Kuesioner Produktivitas Kerja …………………………………....
|
37
|
3.3.
|
Kisi-kisi Kepemimpinan Partisipatif
……………………………...
|
39
|
3.4.
|
Kuesioner
Kepemimpinan Partisipatif …………………………….
|
40
|
4.1.
|
Perbedaan Antara Regresi Dan Korelasi ………………………….
|
79
|
4.2.
|
Rangkuman Model:
Korelasi, Regresi, Path Analysis,
dan Struktural ………………………………………………………….
|
85
|
4.3.
|
Korelasi Awal dan
Korelasi Dari Analisis Jalur…………………...
|
94
|
6.1.
|
Perbandingan Ukuran-ukuran GOF
……………………………….
|
130
|
7.1.
|
Kisi-Kisi Konstruk Penelitian ……………………………………..
|
158
|
9.1.
|
Model Pengukuran dengan Notasi
LISREL ……………………....
|
190
|
9.2.
|
Goodness
Of Fit Index.
……………………………………………
|
200
|
9.3.
|
Hasil Pengujian Model CFA 1st Order
Konstruk Eksogen.
.............
|
204
|
9.4.
|
Hasil Pengujian Model_5 CFA 2st Order
Konstruk Eksogen.
.........
|
214
|
11.1.
|
Populasi Penelitian ………………………………………………
|
231
|
11.2.
|
Sampel Penelitian
………………………………………………...
|
232
|
11.3.
|
Kisi-kisi Instrumen Pengembangan Karier
......................................
|
234
|
11.4.
|
Kisi-kisi Instrumen Sertifikasi
Auditor ...........................................
|
235
|
11.5.
|
Kisi-kisi Instrumen Motivasi Kerja
................................................
|
237
|
11.6.
|
Kisi-kisi Instrumen Kinerja Auditor ………………………………
|
238
|
11.7.
|
Goodness
Of Fit Index ………………………………………………….
|
240
|
11.8.
|
Hasil Pengujian Model_5 CFA Konstruk Eksogen .........................
|
248
|
11.9.
|
Hasil Pengujian Model_2 CFA Konstruk Endogen .........................
|
257
|
11.10.
|
Goodness
Of Fit Index ……………………………………………….....
|
257
|
11.11.
|
Hasil Pengujian Full Model_4
……………………………………
|
281
|
11.12.
|
Assessment of
normality (Group
number 1) ……………………....
|
283
|
11.13.
|
Evaluasi
Outliers …………………………………………………
|
285
|
11.14.
|
Hasil
uji Reliabilitas Konstruk …………………………………….
|
288
|
11.15.
|
Korelasi
antar Konstruk dan
Akar Kuadrat AVE Konstruk
………
|
291
|
11.16.
|
Regression Weights: (Group number 1 - Default model) …………
|
291
|
11.17.
|
Pengaruh
Langsung ………………………………………………..
|
293
|
11.18.
|
Pengaruh
Tidak Langsung ………………………………………
|
293
|
11.19.
|
Pengaruh
Total ……………………………………………………
|
294
|
DAFTAR GAMBAR
1.1.
|
Contoh
Model Struktural. …………………………………………
|
5
|
1.2.
|
Skematik
Diagram Langkah-langkah Model SEM
……………….
|
6
|
1.3a.
|
Diagram
Model Regresi Linear Berganda………………………....
|
8
|
1.3b.
|
Diagram
SEM ……………………………………………………..
|
8
|
1.4.
|
Variabel
(Konstruk) Laten Kepemimpinan Dengan
Indikator
Bersifat Reflektif
………………………………………………….
|
13
|
1.5.
|
Variabel (Konstruk) Laten Status
Sosial Ekonomi Dengan
Indikator Bersifat Formatif.
………………………………………
|
13
|
2.1.
|
Jenis Data Statistik Berdasarkan Jumlah Variabel ………………..
|
19
|
3.1.
|
Pencocokan Model terhadap Data …………………………….......
|
28
|
3.2.
|
Prosedur Pengukuran
dan Pengembangan Konstruk………………
|
31
|
3.3.
|
Model Regresi Ganda
…………………………………………......
|
33
|
3.4.
|
Korelasi Antar
Variabel Independen ……………………………...
|
33
|
3.5.
|
Model Kualitas
Pelayanan-Regresi Ganda ………………………..
|
34
|
3.6.
|
Model Kualitas
Pelayanan-Analisis Jalur …………………………
|
35
|
3.7.
|
Konstruk Produktivitas Kerja ……………………………………..
|
38
|
3.8.
|
Dimensi Kepemimpinan Partisipatif
................................................
|
39
|
3.9.
|
Kepemimpinan Partisipatif
..............................................................
|
40
|
3.10.
|
Indikator Reflektif
vs Formatif ……………………………………
|
42
|
3.11.
|
Model Analisis Jalur……………………………………………….
|
46
|
3.12.
|
Full
Model Struktural ……………………………………………...
|
47
|
3.13.
|
Variabel laten TRUST
dengan tiga indikatornya …………………
|
49
|
3.14.
|
Variabel laten SATISFACTION
dengan empat indikatornya …….
|
50
|
3.15.
|
Variabel laten LOYALTY
dengan tiga indikatornya ……………..
|
50
|
3.16.
|
Single measurement model.
…………………………………………….
|
51
|
3.17.
|
Multidimensional model. ……………………………………………….
|
51
|
3.18.
|
Struktural Model
…………………………………………………..
|
52
|
4.1a.
|
Correlated
Path Model. ………………………………………………...
|
74
|
4.1b.
|
Mediated
Path Model. …………………………………………………..
|
75
|
4.1c.
|
Independent
Path Model. ………………………………………………
|
75
|
4.2a.
|
Korelasi Negatif
Sempurna. ……………………………………….
|
76
|
4.2b.
|
Korelasi Positif Sempurna.
………………………………………..
|
76
|
4.2c.
|
Tidak
Ada Korelasi. ……………………………………………....
|
76
|
4.34.
|
Model
Korelasi Sederhana (Simple Correlation).
………………...
|
77
|
4.3b.
|
Korelasi Ganda (Multiple Correlation). …………………………..
|
77
|
4.4.
|
Hubungan
Antar Variabel. ……………………………………......
|
78
|
4.5.
|
Diagram
Jalur Hubungan kausal X1, X2, X3, ke Y dan Z. ……….
|
83
|
4.5a.
|
Gambar
Sub Struktur Satu. ……………………………………….
|
83
|
4.5b.
|
Gambar
Sub Struktur Dua. ………………………………………..
|
84
|
4.6.
|
Model Analisis Jalur.
……………………………………………...
|
87
|
4.7.
|
Model Regresi Berganda.
…………………………………………
|
89
|
4.8.
|
Model
Mediasi. …………………………………………………...
|
89
|
4.9.
|
Model
Kombinasi Pertama dan Kedua. …………………………..
|
90
|
4.10.
|
Model
Kompleks. …………………………………………………
|
90
|
4.11.
|
Model
Rekursif ……………………………………………………
|
91
|
4.12.
|
Contoh
model hipotesis analisis jalur …………………………….
|
92
|
4.13.
|
Koefisien
analisis jalur. …………………………………………...
|
93
|
5.1.
|
Model analisis satu faktor konfirmatori.
………………………….
|
99
|
5.2.
|
Model pengukuran konstruk produktivitas.
………………………
|
101
|
5.3.
|
Model
analisis dua faktor konfirmatori. …………………………..
|
102
|
5.4.
|
Model
analisis dua faktor konfirmatori yang berkorelasi. ……….
|
102
|
5.5.
|
Analisis faktor konfirmatori
tingkat kedua. ………………………
|
104
|
5.6.
|
Model
Analisis Faktor Confirmatori
Tingkat Kedua……………...
|
105
|
5.7.
|
Respesifikasi model satu variabel laten.
………………………….
|
111
|
5.8.
|
Respesifikasi
model dua variabel laten. …………………………
|
111
|
6.1.
|
SEM
dengan Satu variabel Eksogen. ……………………………
|
113
|
6.2.
|
SEM dengan DuaVariabel Eksogen
………………………………
|
113
|
6.3.
|
SEM Dengan Dua Variabel Eksogen Yang
Berkorelasi. ………
|
113
|
6.4.
|
SEM
Dengan Satu Variabel Eksogen Intermediasi. ……………...
|
114
|
6.5.
|
SEM Dengan duaVariebel Eksogen,
Intermediasi/Intervening dan Endogen dan Berkorelasi. ………………………………………...
|
114
|
6.6.
|
SEM yang Bersifat Resiprokal
(Kausalaitas). …………………….
|
114
|
6.7.
|
Model Pengukuran Konstruk Unidimensional dengan Indikator
Reflektif. …………………………………………………………..
|
115
|
6.8.
|
Model
Pengukuran Konstruk Unidimensional
dengan Indikator Formatif. …………………………………………………………..
|
116
|
6.9.
|
Model Struktural dengan
Konstruk Unidimensional. …………….
|
116
|
6.10.
|
Model Pengukuran Konstruk Multidimensional. …………………
|
117
|
6.11.
|
Model Struktural dengan Konstruk Multidimensional……………
|
117
|
7.1.
|
Tampilan
Amos Graphic. …………………………………………
|
138
|
7.2.
|
Menu
Utama AMOS………………………………………………
|
138
|
7.3.
|
Tampilan
Menu File……………………………………………….
|
139
|
7.4.
|
Tampilan
Save As. ………………………………………………..
|
139
|
7.5.
|
Tampilan
Open. …………………………………………………...
|
140
|
7.6.
|
Menu
Edit. ………………………………………………………...
|
141
|
7.7.
|
Menu
View. ……………………………………………………….
|
141
|
7.8.
|
Interface Properties
(Page Layout). ………………………….....
|
142
|
7.9.
|
Layar Kerja Model Portrait. ……………………………………...
|
142
|
7.10.
|
Layar Kerja Model Landscape. …………………………………...
|
143
|
7.11.
|
Tampilan
Analysis Properties. ……………………………………
|
143
|
7.12.
|
Tampilan
Object Properties dengan tidak ada Object yang ditunjuk……………………………………………………………
|
145
|
7.13.
|
Tampilan
Object Properties Object yang
ditunjuk. …………….
|
145
|
7.14.
|
Menu
Diagram…………………………………………………….
|
146
|
7.15.
|
Menu
Analyze. ……………………………………………………
|
146
|
7.16.
|
Menu
Tools. ………………………………………………………
|
147
|
7.17.
|
Tampilan
Figure Caption. ………………………………………...
|
147
|
7.18.
|
Menu
Plugins. ………………………………………………….....
|
148
|
7.19.
|
Menu
Help. ………………………………………………………..
|
148
|
7.20.
|
Toolbox …………………………………………………………...
|
149
|
7.21.
|
Tombol
model dasar atau model input. …………………………...
|
153
|
7.22.
|
Model Analisis Jalur. ……………………………………………..
|
156
|
7.23.
|
Diagram Jalur Variabel Kepemimpinan…………………………...
|
158
|
7.24.
|
Diagram Jalur Variabel Pengembangan Karir……………………..
|
160
|
7.25.
|
Diagram Jalur Variabel Sertifikasi Auditor………………………..
|
160
|
7.26.
|
Diagram
Jalur Variabel Motivasi Kerja…………………………...
|
161
|
7.27.
|
Diagram Jalur Variabel Kinerja Auditor…………………………..
|
161
|
7.28.
|
Diagram Full
Model Awal………………………………………...
|
162
|
7.29.
|
Diagram Full
Model Awal dengan tampilan uji GOFI……………..
|
163
|
7.30.
|
Data mentah dengan skala Likert dalam
Format Excel. ………….
|
164
|
7.31.
|
Data mentah dengan sekala Likert dalam Format SPSS…………..
|
164
|
7.32.
|
Data interval hasil tranformasi dari data katagori
dalam format Excel………………………………………………..
|
165
|
7.33.
|
Data
covarian matrik dalam format Excel. ……………………….
|
166
|
7.34.
|
Data corelasi matrik dalam format Excel……………………….
|
166
|
9.1.
|
Diagram CFA 1st Order Konstruk Eksogen………………………
|
201
|
9.2.
|
Diagram CFA 1st Order Konstruk Eksogen (Unstandardized)…….
|
201
|
9.3.
|
Diagram CFA 1st
Order Konstruk Eksogen
(Standardized)………
|
202
|
9.4.
|
Model Awal CFA 2nd Order Konstruk Eksogen..............................
|
205
|
9.5.
|
Model_1 CFA 2nd Order Konstruk Eksogen (Unstandardized).......
|
206
|
9.6.
|
Model_2 CFA 2nd Order Konstruk Eksogen (Unstandardized).......
|
206
|
9.7.
|
Model_3 CFA 2nd Order Konstruk Eksogen (Unstandardized).......
|
207
|
9.8.
|
Model_4 CFA 2nd Order Konstruk Eksogen (Unstandardized).......
|
210
|
9.9.
|
Model_5 CFA 2nd Order Konstruk Eksogen (Unstandardized).......
|
211
|
10.1.
|
Variabel Laten Kepuasan Konsumen……………………………...
|
216
|
10.2a.
|
Model Variabel Laten
Kepuasan Konsumen
dengan
Indikator Tunggal Komposite……………………………..
|
220
|
10.2b.
|
Model Variabel Laten
Kepuasan Konsumen
dengan Indikator
Tunggal Komposite……………………………..
|
220
|
10.2c.
|
Model Variabel Laten
Kepuasan Konsumen
dengan Indikator
Tunggal Komposite ………………………….....
|
221
|
10.3a.
|
Full
Structural Model …………………………………………..
|
222
|
10.3b.
|
Full
Structural Model…………………………………………...
|
224
|
10.4a.
|
Full
Structural Model …………………………………………..
|
226
|
10.4b.
|
Full
Structural Model …………………………………………..
|
227
|
11.1.
|
Model Teoritik Penelitian.
………………………………………..
|
230
|
11.2.
|
Dimensi Pengembangan Karir. …………………………………...
|
233
|
11.3.
|
Dimensi Sertifikasi Auditor.
……………………………………...
|
235
|
11.4.
|
Dimensi Motivasi Kerja. ………………………………………….
|
236
|
11.5.
|
Dimensi Kinerja.
…………………………………………………
|
238
|
11.6.
|
Model_1
CFA Konstruk Eksogen ………………………………...
|
240
|
11.7.
|
Model_2
CFA Konstruk Eksogen ………………………………...
|
241
|
11.8.
|
Model_3
CFA Konstruk Eksogen ………………………………...
|
241
|
11.9.
|
Model_4
CFA Konstruk Eksogen ………………………………...
|
245
|
11.10.
|
Model_5
CFA Konstruk Eksogen ………………………………...
|
245
|
11.11.
|
Model_1
CFA Konstruk Endogen ………………………………..
|
248
|
11.12.
|
Model_2
CFA Konstruk Endogen………………………………...
|
253
|
11.13.
|
Model_3 CFA Konstruk Endogen ………………………………..
|
257
|
11.14.
|
Full Model_1
……………………………………………………...
|
262
|
11.15.
|
Full
Model_2 ……………………………………………………...
|
267
|
11.16.
|
Full
Model_3 ……………………………………………………...
|
273
|
11.17a.
|
Full
Model_4 (Unstandardized) …………………………………..
|
279
|
11.17b.
|
Full
Model_4 (Standardized)……………………………………
|
279
|
|
BAB 1
|
PENDAHULUAN
Sub-Bab
|
Pembahasan
|
A.
|
Latar
Belakang.
|
B.
|
Sejarah
dan Perkembangan Structural Equation
Modeling.
|
C.
|
Manfaat SEM dalam
Penelitian.
|
D.
|
Pengertian
SEM.
|
E.
|
Jenis-jenis
SEM.
|
1.
CB-SEM.
|
|
2.
VB-SEM.
|
|
F.
|
Hard Modeling VS
Soft Modeling.
|
A. Latar
Belakang.
Secara
naluri, sifat dasar manusia ingin terus maju dan berkembang guna mencapai
kualitas kehidupan yang lebih baik. Hal ini juga terjadi dalam dunia
penelitian. Para ahli ilmu-ilmu sosial atau behavioral
termasuk manajemen secara pragmatis terus mengembangkan metode penelitian yang
dapat digunakan untuk mendapatkan kualitas hasil penelitian yang lebih baik,
sempurna, cepat, akurat, efektif dan efisien.
Sejak
awal dekade 1950-an, para ahli dalam bidang ahli ilmu-ilmu sosial atau
behavioral termasuk manajemen telah mengembangkan sebuah metode penelitian yang
disebut Structural Equation Modeling (SEM).
Pada awalnya, metode SEM hanya bagus pada tataran konsepsi. Metode SEM pada
saat itu masih belum bisa dioperasionalisasikan karena keterbatasan teknologi.
Dengan pesatnya perkembangan teknologi komputer, metode SEM saat ini menjadi semakin
dikenal dan banyak digunakan dalam penelitian behavioral dan manajemen.
Metode
SEM merupakan perkembangan dari analisis jalur (path analysis) dan
regresi berganda (multiple regression) yang sama-sama merupakan bentuk model
analisis multivariat (multivariate analysis).
Dalam analisis yang bersifat asosiatif, multivariate-korelasional
atau kausal-efek, metode SEM seakan mematahkan dominasi penggunaan analisis
jalur dan regresi berganda yang telah digunakan selama beberapa dekade sampai
dengan sebelum memasuki tahun 2000-an.
Dibandingkan
dengan analisis jalur dan regresi berganda, metode SEM lebih unggul karena
dapat menganalisis data secara lebih komporehensif. Analisis data pada analisis
jalur dan regresi berganda hanya dilakukan terhadap data total score variabel yang merupakan jumlah dari butir-butir
instrumen penelitian. Dengan demikian, analisis jalur dan regresi berganda
sebenarnya hanya dilakukan pada tingkat variabel laten (unobserved). Sedangkan analisis data pada metode SEM bisa menusuk
lebih dalam karena dilakukan terhadap setiap score butir pertanyaan sebuah instrumen variabel penelitian.
Butir-butir instrumen dalam analisis SEM disebut sebagai variabel
manifes (observed) atau indikator dari sebuah konstruk
atau variabel laten.
Metode
SEM memiliki kemampuan analisis dan prediksi yang lebih hebat (stronger predicting power) dibandingkan
analisis jalur dan regresi berganda karena SEM mampu menganalisis sampai pada
level terdalam terhadap variabel atau konstruk yang diteliti. Metode SEM lebih koprehensif
dalam menjelaskan fenomena penelitian. Sementara analisis jalur dan regresi
berganda hanya mampu menjangkau level variabel laten sehingga mengalami jalan
buntu untuk mengurai dan menganalisis fenomena empiris yang terjadi pada level
butir-butir atau indikator-indikator dari variabel
laten.
Dilihat
dari data yang digunakan, analisis jalur dan regresi berganda sejatinya hanya menjangkau kulit luar sebuah
model penelitian. Sedangkan metode SEM dapat diibaratkan mampu menjangkau
sekaligus mengurai dan menganalisis isi perut terdalam sebuah model penelitian.
Metode SEM diharapkan mampu menjawab kelemahan dan kebuntuan yang dihadapi
metode multivariat generasi sebelumnya, yaitu analisis jalur dan regresi berganda.
Perkembangan
metode SEM menjadi semakin signifikan dalam praktek penelitian sosial, behavioral dan manajemen seiring dengan
kemajuan teknologi informasi. Banyak metode statistik multivariat yang pada
tahun 1950-an sulit dioperasionalisasikan secara manual, seperti analisis
faktor, regresi berganda yang lebih dari tiga variabel bebas, analisis jalur
dan analisis diskriminan berangsur-angsur menjadi niscaya karena ditemukannya
program-program komputer seperti : SPSS (Statistical
Package for Social Science), Minitab, Prostat, QSB, SAZAM, dll.
Metode
SEM saat ini
diperkirakan sebagai metode multivariate yang paling dominan. Program komputer
yang saat ini dapat
digunakan untuk mengolah data pada penelitian metode SEM diantaranya AMOS,
LISREL, PLS, GSCA, dan
TETRAD .
Fokus pembahasan
buku ini adalah teori-teori atau konsep-konsep metode SEM serta contoh-contoh aplikasinya
dengan bantuan program komputer AMOS versi 18.00. Setelah diuraikan secara
seksama teori dan konsep metode SEM pada Bagian I, pada Bagian II buku ini
diberikan contoh aplikasi atau tutorial.
Untuk
membantu para pembaca menginstalasi program AMOS versi 18.00, penulis
menyertakan copy dalam bentuk CD software installer AMOS versi 18.00. Keping
CD tersebut juga diisi seluruh file data yang digunakan untuk tutorial dan latihan
dalam buku ini. Dengan demikian pembaca dapat mencoba latihan secara mandiri (self study) dengan menggunakan data dan
beberapa contoh latihan yang tersedia dalam CD tersebut.
B.
Sejarah dan Perkembangan Structural Equation Modeling .
Latan
(2012 : 1) menjelaskan terciptanya
piranti lunak (software) Structural
Equation Modeling (SEM) berawal dari dikembangkannya analysis covariance oleh Joreskog (1973), Keesling (1972) dan Wiley
(1973). Software SEM pertama yang
dihasilkan adalah LISREL (Linear
Structural Relationship) oleh Karl Joreskog dan Dag Sorbom
(1974). Tujuan utama dari pekembangan software
SEM waktu itu untuk menghasilkan suatu alat analisis yang lebih powerful dan dapat menjawab berbagai
masalah riset yang lebih substantif dan komprehensif.
Menurut
Ghozali (2008 : 3) SEM merupakan gabungan dari dua
metode statistik yang terpisah yaitu analisis faktor (factorial analysis) yang
dikembangkan dalam psikologi dan psikometri serta model persamaan simultan (simultaneous equation modeling) yang
dikembangkan dalam ekonometrika.
Analisis
faktor pertama kali diperkenalkan oleh Galton (1869) dan Pearson (1904). Penelitian
Spearman (1904) mengembangkan model analisis faktor umum. Berkaitan dengan
penelitian struktur kemampuan mental, Spearman menyatakan bahwa uji
interkorelasi antar kemampuan mental dapat
menentukan faktor kemampuan umum dan faktor-faktor kemampuan khusus.
Penelitian
yang dilakukan Spearman (1904), Thomson (1956) dan Vernon (1961) yang dikenal
dengan Teori Analisis Faktor British (British
School of Factor Analysis) kemudian pada tahun 1930 perhatian bergeser pada
penelitian Thurston et. al. dari
Universitas Chicago.
Pada
tahun 1950-an dan 1960-an analisis faktor mendapatkan popularitas di kalangan
peneliti dan dikembangkan oleh tokoh yang terkenal Joreskog (1967) dan Joreskog dan Lawley (1971) yang
menggunakan pendekatan Maximum Likelihood
(ML). Pendekatan ML ini memungkinkan peneliti menguji hipotesis bahwa ada
sejumlah faktor yang dapat menggambarkan interkorelasi antar variabel. Dengana
cara meminimumkan fungsi ML maka diperoleh Likelihood
Ratio Chi-Square Test untuk menguji hipotesis bahwa model yang diuji hipotesisnya
adalah sesuai atau fit dengan data.
Perkembangan
lebih lanjut menghasilkan Analisis Faktor Konfirmatori (Confirmatory Factor Analysis) yang memungkinkan pengujian
hipotesis jumlah faktor dan pola loading-nya.
Analisis faktor eksploratori dan konfirmatori merupakan analisis kuantitatif
yang sangat populer di bidang penelitian ilmu sosial.
Model persamaan
struktural adalah gabungan analisis faktor dan analisis jalur (path analysis) menjadi satu metode
statistik yang komprehensif. Analisis jalur sebagai cikal bakal persamaan
struktural bermula dari penelitian Sewll Wright (1918, 1921, 1934, dan 1960)
dalam bidang biometrika. Wright mampu menunjukkan korelasi antar variabel dapat
dihubungkan dengan parameter dari suatu model yang digambarkan dengan diagram
jalur (path diagram). Kontribusi
Wright selanjutnya adalah model persamaan yanag dihasilkan dapat digunakan
untuk mengestimasi pengaruh langsung, tidak langsung dan total. Aplikasi
pertama analisis jalur oleh Wright secara statistik ekuivalen dengan analisis
faktor yang dikembangkan Spearman.
Perkembangan
lebih lanjut persamaan struktural terjadi di bidang ekonometrika yang
menggambarkan model matematik suatu fenomena ekonomi oleh Haavelmo (1943). Haavelmo mengembangkan persamaan struktural interdependent antar variabel ekonomi dengan menggunakan
sistem persamaan simultan. Model yang dikembangkan Haavelmo adalah :
y = By + Ѓx + ξ
y = vektor
variabel endogeneous (dependent)
x = vektor
variabel exogenous (independent)
ξ = vektor
gangguan (error of disturbance)
B
dan Ѓ = koefisien
matrik
Agenda
lebih lanjut dari persamaan simultan ini dikembangkan dalam Cowles Commission for Research in Economics
yang berkumpul di University of Chicago tahun 1945. Kelompok diskusi ini
menghasilkan persamaan simultan dengan metode estimasi maximum likelihood (ML).
Dari
uraian di atas jelaslah bahwa model persamaan struktural merupakan gabungan
dari model persamaan simultan diantara variabel laten. Menurut Joreskog (1973) dalam Ghozali (2008 : 5)
model umum persamaan struktural terdiri dari dua bagian, yaitu :
a. Bagian pengukuran yang
menghubungkan observed variabel ke latent variabel melalui model faktor
komfirmatori.
b. Bagian struktural yang
menghubungkan antar latent variabel
melalui sistem persamaan simultan.
Estimasi
terhadap parameter model menggunakan maximum
likelihood (ML). Jika tidak terdapat kesalahan pengukuran di dalam observed variabel, maka model tersebut menjadi
model persamaan simultan yang dikembangkan dalam ekonometrika.
Berikut
disajikan contoh model persamaan struktural yang diambilkan dari salah satu hasil
penelitian Manajemen Sumber Daya Manusia (MSDM) dengan judul : “Pengaruh
Kepemimpinan dan Kompensasi terhadap Motivasi Kerja Serta Implikasinya pada
Kinerja Pegawai”.
Gambar
1.1. Contoh Model Struktural.
Gambar
1.1. adalah contoh model persamaan struktural yang memiliki empat variabel laten
yaitu : Kepemimpinan, Kompensasi, Motivasi
Kerja dan Kinerja Pegawai. Semua variabel disebut variabel laten (latent) atau konstruk (construct) yaitu variabel yang tidak
dapat diukur secara langsung. Oleh karenanya, variabel laten atau konstruk juga
disebut un-observed variabel.
Model struktural
tersebut memiliki dua persamaan yaitu persamaan sub-struktur dan persamaan struktural. Persamaan sub-struktur terdiri dari dua variabel exogen (Kepemimpinan & Kompensasi) dan satu variabel endogen (Motivasi
Kerja).
Sedangkan
persamaan struktural terdiri dari dua variabel exogen (Kepemimpinan
& Kompensasi),
dan dua variabel endogen (Motivasi
Kerja & Kinerja Pegawai). Motivasi Kerja dalam persamaan struktural diatas berperan sebagai
variabel mediasi atau intervening
karena memiliki anteseden (variabel yang mendahului) dan konsekuen
(variabel yang mengikuti).
Variabel
disebut exogen (independent) jika
posisi variabel dalam diagram model struktural
tidak didahului oleh variabel sebelumnya (predecesor).
Sedangkan variabel endogen (dependent)
adalah posisi variabel dalam diagram model
struktural didahului oleh posisi variabel sebelumnya.
Pada
Gambar 1.1. terdapat satu variabel intervening
atau intermediating yaitu Motivasi Kerja.
Posisi variabel ini memiliki variabel predecesor
(variabel sebelumnya) yaitu Kepemimpinan dan Kompensasi, serta memiliki satu
variabel konsekuen (variabel sesudahnya) yaitu Kinerja Pegawai.
Secara
umum, steps atau tahapan-tahapan
dalam praktek penelitian yang menggunakan persamaan struktural dalam ilmu-ilmu sosial-behavioral dan manajemen dapat dijelaskan
dalam sekematik diagram berikut :
Gambar
1.2. Skematik Diagram Langkah-langkah
Model SEM.
Dalam
membuat sebuah model persamaan struktural atau SEM, langkah pertama adalah
mengkaji berbagai teori dan literatur yang merupakan temuan-temuan terdahulu
yang relevan (previous relevan facts
finding). Dari kajian dan sintesis teori serta temuan-temuan sebelumnya
lalu disusunlah model persamaan struktural. Langkah ini disebut membuat
spesifikasi model persamaan struktural.
Kurniawan
dan Yamin (2011 : 3) menyatakan landasan awal
analisis SEM adalah sebuah teori yang secara jelas terdefinisi oleh peneliti. Landasan
teori tersebut kemudian menjadi sebuah konsep keterkaitan antar vaiabel.
Hubungan kausalitas antara variabel laten (unobserved)
tidak ditentukan oleh analisis SEM, melainkan dibangun oleh landasan teori yang
mendukungnya. Dapat dikatakan bahwa analisis SEM berguna untuk mengkonfirmasi suatu bentuk model
berdasarkan data empiris yang ada.
Hasil
yang diharapkan dari analisis teori adalah menentukan definisi konseptual dan
operasional untuk menyusun instrumen penelitian yang akan digunakan untuk
mengukur variabel latent. Hasil dari
proses pada tahap ini dapat digunakan untuk mengembangkan questionaire atau instrumen penelitian
Persamaan
struktural yang digambarkan oleh diagram jalur (path analysis) adalah representasi teori. Jadi jalur-jalur yang
menghubungkan antar variabel latent
pada persamaan struktural merupakan manifestasi atau perwujudan teori-teori
yang telah dikaji sebelumnya.
Setelah
didapatkan spesifikasi model dan questionnaires
langkah selanjutnya adalah menentukan sampel dan pengukurannya. Setelah itu
peneliti melakukan estimasi terhadap parameter model. Pada tahap ini dapat
dilakukan estimasi terhadap setiap variabel, baru diikuti model struktural atau
model keseluruhan (full model). Kemudian lakukan pengujian
kesesuaian model (goodness of fit test).
Jika masih dihasilkan model yang belum fit,
maka lakukan modifikasi atau respesifikasi model.
Dengan
proses iterasi yang terus menerus, akhirnya dapat dihasilkan model yang paling sesuai
atau fit. Selanjutnya
dilakukan pengujian terhadap hipotesis yang diajukan dan menarik kesimpulan. Langkah terakhir adalah melakukan
pembahasan.
C.
Manfaat SEM dalam Penelitian.
Secara
umum, SEM dapat digunakan untuk
menganalisis model penelitian yang memiliki beberapa variabel independen (exogen) dan dependen (endogen) serta variabel moderating
atau intervening.
Secara
lebih spesifik menurut Latan (2012 : 7), Ghozali (2008b : 1), Jogiyanto (2011 : 48) dan Wijaya (2009 : 1) SEM
memberikan beberapa manfaat dan keuntungan bagi para peneliti, diantaranya
:
a. Membangun model penelitian dengan
banyak variabel.
b. Dapat meneliti variabel atau
konstruk yang tidak dapat teramati
atau tidak dapat diukur secara langsung (unobserved
).
c. Menguji kesalahan pengukuran (measurement error) untuk variabel atau
konstruk yang teramati (observed ).
d. Mengkonfirmasi teori sesuai
dengan data penelitian (Confirmatory
Factor Analysis).
e. Dapat menjawab berbagai masalah
riset dalam suatu set analisis secara lebih sistematis dan komprehensif.
f. Lebih ilustratif, kokoh dan
handal dibandingkan model regresi ketika memodelkan interaksi, non-linieritas, pengukuran error, korelasi error terms, dan korelasi antar variabel laten independen berganda.
g. Digunakan sebagai alternatif
analisis jalur dan analisis data runtut waktu (time series) yang berbasis kovariat.
h. Melakukan analisis faktor, jalur
dan regresi.
i. Mampu menjelaskan keterkaitan
variabel secara kompleks dan efek langsung maupun tidak langsung dari satu atau
beberapa variabel terhadap variabel lainnya.
j. Memiliki fleksibilitas yang lebih
tinggi bagi peneliti untuk menghubungkan antara teori dengan data.
Contoh beberapa
manfaat yang diperoleh dengan menggunakan metode SEM dapat dilihat dari Gambar
1.3. berikut :
Gambar
1.3.a. Diagram Model Regresi Linear Berganda.
Gambar
1.3.b. Diagram SEM.
Pada Gambar 1.3.a. seorang peneliti
dapat menyelesaikan analisis hanya dengan satu kali regresi linear berganda.
Sedangkan untuk Gambar
1.3.b. jika seorang peneliti masih tetap ingin menggunakan analisis regresi berganda,
maka ia harus membuat sekurangnya dua persamaan regresi untuk menyelesaikannya.
Namun
jika peneliti menggunakan SEM maka hanya
dibutuhkan satu kali estimasi untuk meyelesaikan analisis model persamaan
tersebut. Analisis dapat menggunakan metode estimasi Maximum
Likelihood (ML),
Generalized Least Squares (GLS), Weighted Least Squares (WLS) atau Asymptotically Disribution Free (ADF). Hal ini bisa terjadi karena
SEM memiliki keunggulan dibanding teknis analisis multivariat biasa seperti
analisis faktor, analisis diskriminan, regresi linear berganda, dan lain-lain.
D.
Pengertian SEM.
Ghozali
(2008c : 3) menjelaskan model persamaan struktural (Structural Equation Modeling) adalah generasi kedua teknik
analisis multivariat yang memungkinkan peneliti menguji hubungan antar variabel
yang komplek baik recursive maupun non-recursive untuk memperoleh gambaran
yang komprehensif mengenai keseluruhan model. SEM dapat menguji secara
bersama-sama :
1. Model struktural : hubungan
antara konstruk
independen dengan dependen.
2. Model measurement : hubungan (nilai
loading) antara indikator dengan konstruk (laten ).
Digabungkannya
pengujian model struktural dengan pengukuran tersebut memungkinkan peneliti
untuk :
1. Menguji kesalahan pengukuran (measurement error) sebagai bagian yang
tidak terpisahkan dari SEM.
2. Melakukan analisis faktor
bersamaan dengan pengujian hipotesis.
Pada
saat ini SEM telah banyak digunakan dalam berbagai bidang ilmu seperti : marketing, SDM, behavioral science, psikologi, ekonomi, pendidikan dan ilmu-ilmu
sosial lainnya. SEM dikembangkan sebagai jalan keluar dari berbagai kesulitan
atau keterbatasan analisis multivariat. Pada perkembangan selanjutnya, SEM
banyak digunakan dalam penelitian akademis baik pada tingkat sarjana (S-1),
magister (S-2) maupun doktor (S-3).
Maruyama
(1998) dalam Wijaya (2001 : 1) menyebutkan SEM adalah sebuah model statistik
yang memberikan perkiraan perhitungan dari kekuatan hubungan hipotesis diantara
variabel dalam sebuah model teoritis, baik langsung atau melalu variabel antara
(intervening or moderating ). SEM
adalah model yang memungkinkan pengujian sebuah rangkain atau network model yang lebih rumit.
Latan
(2012 : 5) mengutip pendapat Chin (1988), Gefen et.all. (2000), Kirby dan
Bolen (2009), Gefen et.all. (2011),
Pirouz (2006) yang mengatakan bahwa model persamaan struktural (Structural Equation Modeling) adalah
teknik analisis multivariat generasi kedua yang menggabungkan analisis faktor
dan jalur sehingga memungkinkan peneliti menguji dan mengestimasi secara
simultan hubungan antara multiple
exogeneous dan endogeneous dengan banyak indikator.
SEM
sudah diperkenalkan sejak setengah abad yang lalu dan saat ini tersedia banyak
piranti lunak komputer (software) yang
dapat digunakan. Beberapa software
yang tersedia untuk umum di pasaran, diantaranya dapat dilihat pada Tabel 1.1. berikut :
Tabel
1.1. Jenis-jenis Software SEM.
No
|
Nama
Software
|
Penemu
|
1
|
AMOS(Analysis of Moment Structures)
|
Arbuckle
|
2
|
CALIS(Covaiance Analysis and Linear structural
Equations)
|
Hartman
|
3
|
COSAN
|
Fraser
|
4
|
EQS(Equations)
|
Bentler
|
5
|
GSCA (Generalized Structural
Component Analysis)
|
Hwang dan Tukane
|
6
|
LISCOMP(Linear Structural Equations with
Comprehensive Measurement Model)
|
Muthen
|
7
|
LISREL(Linear Structural Relationship)
|
Karl G. Joreskog and Dag Sorbon
|
8
|
LVPLS
|
Lahmoller
|
9
|
MECOSA
|
Arminger
|
10
|
MPLUS
|
Muthen and Muthen
|
11
|
TETRAD
|
Glaymour,
Scheines, Spirtes dan Kelly
|
12
|
SMART PLS
|
Ringle, Wende dan
Will
|
13
|
VISUAL PLS
|
Fu, Park
|
14
|
WARP PLS
|
Kock
|
15
|
SPAD PLS
|
Test and Go
|
16
|
REBUS PLS
|
Trinchera dan
Epozito Vinci
|
17
|
XLSTAT
|
Addinsoft Country: France |
18
|
NEUSREL
|
Buckler
|
19
|
PLS GRAPH
|
Chin
|
20
|
PLS GUI
|
Li
|
21
|
RAM
|
Mc Ardle dan
McDonald
|
22
|
RAMONA(Recticular Action Model or Near
Approximation)
|
Browne dan Mels
|
23
|
SEPATH(SEM and Path Analysis)
|
Steiger
|
Sumber: Diringkas oleh penulis dari
berbagai sumber bacaan.
Software SEM yang banyak digunakan di
Indonesia pada saat ini diantaranya AMOS, LISREL, TETRAD, PLS dan GCSA.
Pemilihan software SEM sebagai alat
bantu analisis tentu saja harus ditentukan oleh peneliti sebelum digunakan agar
hasilnya sesuai dengan yang diharapkan. Hal ini menjadi penting karena
jenis-jenis software SEM memiliki
persyaratan atau spesifikasi dan ketentuan yang harus sesuai dengan
karakteristik model SEM yang dikembangkan.
Pertimbangan
utama dalam pemilihan atau penggunaan software
adalah jenis SEM yang dianalisis. Secara garis besar terdapat dua jenis SEM,
yaitu :
1. SEM berbasis kovarian (Covariance Based SEM) yang sering disebut sebagai CB-SEM, dan
2. SEM berbasis komponen atau varian
(Component atau Varian Based – SEM) yang
sering disebut sebagai VB-SEM.
Karena terdapat
dua jenis SEM, maka peneliti harus benar-benar memahami beberapa persyaratan dalam
penggunaan jenis software SEM
sehingga hasil pengolahan compatible
atau sesuai dan akurat.
Tabel
1.2. di bawah ini menjelaskan jenis-jenis SEM dan software komputer
yang cocok untuk digunakan :
Tabel 1.2. Jenis SEM dan Contoh Software yang Sesuai.
Jenis
SEM
|
Software Yang
Sesuai
|
Covariance Based
(CB-SEM)
|
AMOS
|
LISREL
|
|
EQS
|
|
M-plus
|
|
Variance/Component Based (VB-SEM)
|
TETRAD
|
PLS-PM
|
|
GSCA
|
|
PLS-Graph
|
|
Smart- PLS
|
|
Visual-PLS
|
E. Jenis-jenis
SEM.
Seperti
yang telah diungkapkan diatas, secara
garis besar metode
SEM dapat digolongkan menjadi
dua jenis, yaitu SEM berbasis covariance atau Covariance
Based Structural Equation Modeling (CB-SEM) dan SEM berbasis varian atau komponen / Variance atau Component Based SEM (VB-SEM) yang meliputi Partial
Least Square (PLS)
dan Generalized Structural Component
Analysis (GSCA).
Menurut Berenson dan Levin (1996
: 120), Ghozali (2008c : 25) dan Kurniawan dan Yamin (2009 : 13) varian adalah
penyimpangan
data dari nilai mean (rata-rata) data
sampel.
Variance mengukur penyimpangan data
dari nilai mean suatu sampel, sehingga
merupakan suatu ukuran untuk variabel-variabel metrik. Secara matematik, varians adalah rata-rata perbedaan
kuadrat antara tiap-tiap observasi dengan mean,
sehingga varians adalah nilai rata-rata
kuadrat dari standar deviasi. Suatu variabel pasti memiliki varians yang selalu bernilai positif,
jika nol maka bukan variabel tapi konstanta.
Sedangkan covariances menurut Newbold (1992 : 16)
menunjukkan hubungan linear yang terjadi antara dua variabel, yaitu X dan Y.
Jika suatu variabel memiliki hubungan linear positif, maka kovariannya adalah
positif. Jika hubungan antara X dan Y berlawanan, maka kovariannya adalah
negatif. Jika tidak terdapat hubungan antara dua variabel X dan Y, maka
kovariannya adalah nol.
1.
Covariance
Based Structural Equation Modeling (CB-SEM).
SEM
berbasis covariance (Covariance Based SEM atau CB-SEM) dikembangkan pertama kali
oleh Joreskog
(1973), Keesling
(1972) dan Wiley (1973). Menurut Ghozali (2008b : 1) CB-SEM mulai populer
setelah tersedianya program LISREL III yang dikembangkan oleh Joreskog dan
Sorbom pada pertengahan tahun 1970-an. Dengan menggunakan fungsi Maximum
Likelihood (ML), CB-SEM berusaha meminimumkan perbedaan antara covariance matrix sampel dengan covariance matrix prediksi oleh model teoritis sehingga proses estimasi
menghasilkan residual covariance matrix yang nilainya kecil mendekati nol. Beberapa hal
yang perlu diperhatikan dalam analaisis CB-SEM diantaranya :
a.
Asumsi
penggunaan CB-SEM seperti analisis parametrik. Asumsi yang harus dipenuhi yaitu variabel
yang diobservasi harus memiliki multivariate
normal distribution serta observasi harus independen satu sama lain. Jika
sample kecil dan tidak asimptotik akan memberikan hasil estimasi paramater dan model statistik yang
tidak baik atau bahkan menghasilkan varian negatif yang disebut Heywood Case.
b.
Jumlah sampel yang kecil secara potensial
akan menghasilkan kesalahan Tipe II yaitu model yang jelek masih menghasilkan
model yang fit.
c.
Analisis
CB-SEM mengharuskan bentuk variabel laten yang indikator-indikatornya bersifat reflektif.
Dalam model reflektif, indikator atau manifest dianggap variabel yang
dipengaruhi oleh variabel laten sesuai dengan teori pengukuran klasik. Pada
model indikator reflektif, indikator-indikator pada suatu konstruk (variabel
laten) dipengaruhi oleh konsep yang sama. Perubahan dalam satu item atau
indikator akan mempengaruhi perubahan indikator lainnya dengan arah yang sama.
Gambar
1.4. di bawah ini adalah contoh-contoh
gambar variabel laten kepemimpinan
dengan indikator reflektif. Perhatikan arah panah dalam gambar menjauh dari
variabel laten kepemimpinan menuju masing-masing dimensi atau indikator : demokratis, autoktatis dan laizez-faire.
Gambar
1.4. Variabel (Konstruk) Laten Kepemimpinan
Dengan
Indikator Bersifat Reflektif.
Menurut
kenyataan yang sesungguhnya indikator dapat dibentuk dalam bentuk formatif. Dalam model formatif,
indikator dipandang sebagai variabel yang mempengaruhi variabel laten.
Indikator formatif tidak sesuai dengan teori klasik atau model analisis faktor.
Contoh variabel formatif yang diberikan oleh Cohen et.al. (1970) dalam Ghozali (2008b : 3) adalah variabel laten
Status Sosial Ekonomi (SSE) dengan indikator-indikator : pendidikan, prestise pekerjaan dan pendapatan. Dalam variabel laten SSE ini, jika salah satu
indikator meningkat maka variabel SSE akan meningkat pula. Contoh variabel
formatif lain adalah variabel laten Stress
dengan indikator-indikator : kehilangan pekerjaan, perceraian dan kematian
dalam keluarga.
Gambar
1.5. di bawah ini adalah contoh contoh gambar variabel laten Status Sosial
Ekonomi (SSE) dengan indikator formatif.
Perhatikan arah panah dalam gambar menuju pusat dari variabel laten Status
Sosial Ekonomi (SSE) dimensi atau indikator : pendidikan, prestise pekerjaan dan pendapatan.
Gambar 1.5. Variabel
(Konstruk) Laten Status Sosial Ekonomi
Dengan Indikator Bersifat Formatif.
Menggunakan
model indikator formatif dalam CB-SEM akan menghasilkan model yang unidentified yang berarti terdapat covariance bernilai nol diantara
beberapa indikator. Teori dalam analisis CB-SEM berperan sangat penting.
Hubungan kausalitas model struktural dibangun atas teori dan CB-SEM hanya ingin
mengkonfirmasi apakah model berdasarkan teori tidak berbeda dengan model empirisnya.
CB-SEM
memiliki beberapa keterbatasan diantaranya jumlah sampel yang harus besar, data
harus terdistribusi secara multivariat normal, indikator harus bersifat
reflektif, model
harus berdasarkan teori, adanya indeterminasi. Untuk
mengatasi keterbatasan-keterbatasan itu maka dikembangkanlah SEM berbasis komponen atau
varian yang disebut Partial Least Square (PLS).
2.
Variance atau Component Based SEM (VB-SEM).
a.
PLS-SEM.
Secara
umum, PLS-SEM bertujuan untuk menguji hubungan prediktif antar konstruk dengan melihat
apakah ada hubungan atau pengaruh antar konstruk tersebut. Konsekuensi logis
penggunaan PLS-SEM adalah pengujian dapat dilakukan tanpa dasar teori yang
kuat, mengabaikan beberapa asumsi (non-parametrik) dan parameter ketepatan
model prediksi dilihat dari nilai koefisien determinasi (R2). PLS-SEM
sangat tepat digunakan pada penelitian yang bertujuan mengembangkan teori.
b. GSCA.
GSCA
menggabungkan karakteristik yang terdapat pada CB-SEM dan PLS-SEM . GSCA dapat
meng-handle variabel laten dengan
banyak indikator sama seperti PLS-SEM, mensyaratkan kriteria goodness of fit model serta indikator
dan konstruknya harus berkorelasi seperti CB-SEM. Menurut Latan (2012 : 10)
metode GSCA sampai saat ini jarang digunakan secara luas oleh para peneliti
karena metode ini relatif masih baru.
GSCA
memiliki tujuan yang sama dengan PLS-SEM, tidak mensyaratkan asumsi multivariate normality data, dan bisa
dilakukan pengujian tanpa dasar teori yang kuat dengan jumlah sampel yang
kecil.
Pada
prinsipnya seorang peneliti yang akan menggunakan model persamaan struktural
harus terlebih dahulu mengetahui atau menentukan alat analisis apa yang akan
digunakan. Tabel 1.3. di bawah menjelaskan pedoman pengunaan jenis SEM apakah
CB-SEM, PLS-SEM atau GCSA.
Tabel
1.3. Kriteria Penggunaan CB-SEM, PLS-SEM dan GSCA.
NO
|
KRITERIA
|
CB-SEM
|
PLS-SEM
|
GSCA
|
1
|
Tujuan Penelitian
|
Untuk
menguji teori atau mengkonfirmasi teori (orientasi parameter)
|
Untuk
mengembangkan teori atau membangun teori (orientasi prediksi)
|
Untuk
mengembangkan atau membangun teori (orientasi prediksi)
|
2
|
Pendekatan
|
Berdasarkan
covariance
|
Berdasarkan
variance
|
Berdasarkan
variance
|
3
|
Spesifikasi Model Pengukuran
|
Mensyaratkan
adanya error terms dan indikator
hanya berbentuk reflective.(indikator
bisa juga berbentuk formatif tetapi
memerlukan prosedur yang kompleks)
|
Indikator
dapat berbentuk formative dan reflective serta tidak mensyaratkan adanya
error terms
|
Indikator
dapat berbentuk reflective dan formative serta dapat dilakukan
spesifikasi model
|
4
|
Model Struktural
|
Model
dapat berbentuk recursive dan non-recursive dengan tingkat kompleksitas
kecil sampai menengah
|
Model
dengan kompleksitas besar dengan banyak konstruk dan banyak indikator
|
Model
dengan kompleksitas besar dengan banyak konstruk dan banyak indikator
|
5
|
Karakteristik Data dan Alogaritma
|
Mensyaratkan
jumlah sampel yang besar dan asumsi multivariate
normality terpenuhi (parametrik)
|
Jumlah
sampel dapat kecil dan bisa dilanggarnya asumsi multivariate normality (non-parametik)
|
Jumlah
sampel dapat kecil dan tidak mensyaratkan asumsi multivariate normality (non-parametik)
|
6
|
Evaluasi Model
|
Mensyaratkan
terpenuhinya kriteria goodness of fit sebelum
estimasi parameter
|
Estimasi
parameter dapat langsung dilakukan tanpa persyaratan kriteria goodness of fit
|
Mensyaratkan
terpenuhinya kriteria goodness of fit untuk
evaluasi model
|
7
|
Pengujian Signifikansi
|
Model
dapat diuji dan difalsifikasi
|
Tidak
dapat diuji dan difalsifikasi
|
Tidak
dapat diuji dan difalsifikasi
|
8
|
Software
Error
|
Sering
bermasalah dengan inadmissible dan
faktor indeterminacy
|
Relatif
tidak menghadapi masalah (crashing)
dalam proses iterasi model
|
Sering
bermasalah dengan inadmissible dan
faktor indeterminacy
|
9
|
Besar sample
|
Kekuatan
analisis didasarkan pada model spesifik-minimal direkomendasikan berkisar
dari 200 sampai 800
|
Kekuatan
analisis didasarkan pada porsi dari model yang memiliki jumlah prediktor
terbesar. Minimal direkomendasikan berkisar dari 30 sampai 100 kasus
|
-
|
10
|
Asumsi
|
Multivariate
normal distribution, independence observation
|
Spesifisik
prediktor
(nonparametric)
|
-
|
11
|
Implikasi
|
Optimal
untuk ketepatan parameter
|
Optimal
untuk ketepatan prediksi
|
-
|
12
|
Estimasi Parameter
|
Konsisten
|
Konsisten
sebagai indikator dan sample size
meningkat (consistency at large)
|
-
|
13
|
Kompleksitas Model
|
Kompleksitas
kecil sampai menengah (kurang dari 100 indikator)
|
Kompleksitas
besar (100 konstruk dan 1000 indikator)
|
-
|
14
|
Skore Variabel Laten
|
Indeterminate
|
Secara
eksplisit di estimasi
|
-
|
Sumber
: Diolah penulis diambil dari berbagai sumber bacaan.
F.
Hard
Modeling VS Soft Modeling.
Menurut
Ghozali (2010 : 7) model Covariance-Based
SEM (CB-SEM) sering disebut
Hard-Modeling, sedangkan
Component-based atau Variance-based modeling disebut Soft-Modeling. Hard
modeling bertujuan memberikan pernyataan tetang hubungan kausalitas atau
memberikan deskripsi mekanisme hubungan kausalitas (sebab-akibat). Hal ini
memberikan gambaran yang ideal secara ilmiah dalam analisis data.
Namun demikian, data yang akan
dianalisis tidak selalu memenuhi kriteria ideal sehingga tidak dapat dianalisis
dengan hard modeling. Sebagai
solusinya, soft modeling mencoba
menganalisis data yang tidak ideal. Secara harafiah, soft sebenarnya memiliki arti lunak atau lembut, namun dalam kontek
penelitian soft diartikan sebagai
tidak mendasarkan pada asumsi skala pengukuran, distribusi data dan jumlah sampel.
Tujuan utama analisis dengan hard modeling adalah menguji hubungan
kausalitas antar yang sudah dibangun
berdasarkan teori, apakah model dapat dikonfirmasi dengan data empirisnya.
Sedangkan tujuan utama analisis soft
modeling bertujuan mencari hubungan linear prediktif antar
konstruk laten.
Perlu dipahami bahwa hubungan kausalitas
atau estimasi tidak sama dengan
hubungan prediktif.
Pada hubungan kausalitas, CB-SEM
mencari invariant parameter yang
secara struktural atau fungsional menggambarkan bagaimana sistem di dunia ini
bekerja. Invariant parameter
menggambarkan hubungan kausalitas antar variabel dalam sistem tertutup (closed system) sehingga kejadian yang
ada dapat dikendalikan secara penuh.
Sedangkan pada Partial Least Square, Variance atau Component-Based SEM, hubungan linear
yang optimal antar laten dihitung dan
diinterpretasikan sebagai hubungan prediktif terbaik yang tersedia dengan
segala keterbatasan yang ada. Sehingga kejadian yang ada tidak dapat
dikendalikan secara penuh.
Jika data yang akan dianalisis
memenuhi semua asumsi yang dipersyaratkan oleh CB-SEM, maka sebaiknya peneliti
menganalisis data dengan hard modeling
menggunakan Software
yang sesuai, seperti AMOS, LISREL, dll. Jika data tidak memenuhi semua
asumsi yang dipersyaratkan namun peneliti tetap menggunakan analisis hard modeling atau CB-SEM, maka beberapa
masalah yang mungkin akan dihadapi adalah :
a. Terjadi im-proper solution atau solusi yang tidak sempurana, karena adanya Heywood Case, yaitu gejala nilai varian
yang negatif.
b. Model menjadi un-identified karena terjadi faktor indeterminacy.
c. Non-convergence
algorithm.
Bila kondisi di atas terjadi dan
kita masih ingin menganalisis data, maka tujuan kita rubah bukan mencari
hubungan kausalitas antar variabel, tapi mencari hubungan linear prediktif
optimal dengan menggunakan Component atau Variance Based-SEM.
Menurut Jogiyanto (2011 : 38) berdasarkan tujuannya riset
empiris paradigma kuantitatif dapat
dibagi menjadi dua, yaitu estimasi
dan prediksi.
Riset estimasi adalah riset yang
bertujuan untuk menguji suatu model empiris dengan pengukur-pengukur yang valid
dan reliabel. Pengujian dan pengukuran dilakukan pada level indikator. Hipotesis
yang diuji adalah hipotesis model. Kriteria pengukuran untuk menguji kelayakan
model disebut goodness of fit test. Untuk
tujuan riset estimasi, CB-SEM adalah teknik yang tepat untuk digunakan.
Riset prediksi adalah riset yang bertujuan untuk menguji pengaruh
antar konstruk untuk memprediksi hubungan sebab
akibat. Pengujian dan pengukuran dilakukan pada level konstruk atau
variabel laten.
Hipotesis yang dilakukan pada umumnya hipotesis parsial. Kriteria pengujian
parsial dengan uji signifikansi prediksi hubungan antar variabel dengan
menggunakan uji t-statistik. Teknik
PLS-SEM dan regresi adalah pilihan teknik statistik yang tepat untuk digunakan.
Jadi Component atau Vaiance Based SEM (PLS dan GSCA) hanya digunakan
jika data yang kita miliki tidak dapat diselesaikan dengan Covariance-Based SEM (CB-SEM).
Dalam
buku yang sedang anda baca ini, Component atau Vaiance Based
SEM (PLS dan
GSCA) tidak dibanyak dibahas lebih lanjut. Buku ini lebih
banyak membahas Covariance-Based SEM (CB-SEM).
Ikuti tampilan Bab-bab selanjutnya pada publikasi serial berikutnya...
