Rabu, 12 Agustus 2015

Teknik Analisis SEM (Structural Equation Model)

oleh ABRISTA DEVI
-ANP expert dan penulis Buku Metodologi Penelitian Ekonomi Islam-


  • DEFINISI SEM
SEM adalah sekumpulan teknik-teknik statistical yang memungkinkan pengujian sebuah rangkaian hubungan yang relative rumit secara simultan (Ferdinand dalam Sutarso, 2008). Model yang rumit adalah model-model simultan yang dibentuk oleh lebih dari satu variabel dependen yang dijelaskan oleh satu atau beberapa variabel independen dan dimana sebuah variabel dependen pada saat yang sama berperan sebagai variabel independen bagi hubungan berjenjang lainnya. Biasanya SEM dipandang sebagai kombinasi antara analisis faktor dan analisis regresi, dan tentu saja diaplikasikan secara terpisah hanya dalam analisis faktor (Confirmatory Factor Analysis) atau hanya analisis regresi (Ferdinand dalam Sutarso, 2008).
Dari segi metodologi SEM memainkan berbagai peran, diantaranya adalah sebagai sistem persamaan simultan, analisis kausal linier, analisis lintasan (path analysis), analysis of covariance structure, dan model persamaan structural. Meskipun demikian ada beberapa hal yang membedakan SEM dengan regresi biasa maupun teknik multivariat yang lain, karena SEM membutuhkan lebih dari sekedar perangkat statistic yang didasarkan atas regresi biasa dan analisis varian.

  • KEUNGGULAN DAN KEKURANGAN SEM
Setiap metodologi memiliki Keunggulan dan kekurangan. Demikian halnya dengan metodologi SEM, keunggulan SEM diantaranya adalah:
  • Aplikasi SEM pada umumnya digunakan dalam penelitian manajemen karena kemampuannya untuk menampilkan sebuah model komprehensif;
  • Memiliki kemampuan untuk mengkonfirmasi dimensi-dimensi dari sebuah konsep atau faktor (yang lazim digunakan dalam manajemen);
  • Memiliki kemampuan untuk mengukur pengaruh hubungan-hubungan yang secara teoritis ada.

Disamping itu, menurut Kline and Klammer dalam Wijanto (2008) disebutkan beberapa kelebihan SEM dibandingkan dengan regresi, yaitu:
  • SEM memeriksa hubungan diantara variabel-variabel sebagai sebuah unit, tidak seperti pada regresi berganda yang pendekatannya sedikit demi sedikit (piecemeal).
  • Asumsi pengukuran yang andal dan sempurna pada regresi berganda tidak dapat dipertahankan, dan pengukuran dengan kesalahan dapat ditangani dengan mudah oleh SEM.
  • Modification Index yang dihasilkan oleh SEM menyediakan lebih banyak isyarat tentang arah penelitian dan permodelan yang perlu ditindaklanjuti dibandingkan pada regresi.
  • Interaksi juga dapat ditangani dalam SEM
  • Kemampuan SEM dalam menangani non recursive paths.

  • LANGKAH-LANGKAH UJI ANALISIS SEM

Ada beberapa langkah yang harus dilakukan dalam menggunakan SEM, diantaranya adalah (Sutarso, 2008):
  • Pengembangan model teoritis
Langkah pertama dalam pengembangan model SEM adalah pencarian atau pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat. Setelah itu model tersebut divalidasi secara empirik melalui pemograman SEM. Teknik ini digunakan untuk menguji sebuah teori yang untuk pembuktiannya diperlukan sebuah pengujian empirik. Pengujian empirik itulah yang dilakukan melalui SEM, sehingga metode SEM tidak digunakan untuk membentuk teori kausalitas, tetapi dapat digunakan untuk menguji kausalitas yang sudah ada teorinya. Karena itulah pengembangan sebuah teori yang berjustifikasi ilmiah adalah syarat utama dan pertama sebelum menggunakan permodelan SEM ini.
  • Pengembangan diagram alur (Path Diagram)
Model teoritis yang telah dibangun pada langkah pertama akan digambarkan dalam sebuah path diagram. Path diagram tersebut akan mempermudah peneliti melihat hubungan-hubungan kausalitas yang ingin diuji. Didalam permodelan SEM, peneliti biasanya bekerja dengan atau, yaitu konsep yang memiliki pijakan teoritis yang cukup untuk menjelaskan berbagai bentuk hubungan.
Konstruk-konstruk yang dibangun dalam permodelan SEM dibedakan dalam dua kelompok, yaitu:
  • Konstruk Eksogen (Exogenous Cosntructs)
Konstruk ini dikenal juga sebagai “” atau “” yang tidak diprediksi oleh variabel yang lain dalam model. Secara diagramatis konstruk eksogen adalah konstruk yang dituju oleh garis dengan satu ujung panah.
  • Konstruk Endogen (Endogenous Construct)
Yaitu faktor-faktor yang diprediksi oleh satu atau beberapa konstruk. Konstruk endogen dapat memprediksi satu atau beberapa konstruk endogen lainnya, tetapi konstruk endogen hanya dapat berhubungan kausal dengan konstruk endogen.
  • Konversi diagram alur kedalam persamaan
Setelah teori model teoritis dikembangkan dan digambarkan dalam sebuah diagram alur, peneliti dapat mulai mengkonversi spesifikasi model tersebut kedalam rangkaian persamaan. Persamaan yang dibangun akan terdiri dari:
  • Persamaan Struktural (Structural Equation)
Persamaan ini dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk. Persamaan struktural pada dasarnya dibangun dengan pedoman berikut ini:

Variabel endogen = variabel eksogen + variabel endogen + error

  • Persamaan spesifikasi model pengukuran (Measurement model)
Pada spesifikasi ini, peneliti menentukan variabel mana menenetukan variabel mana dan mengukur yang mana, serta menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesiskan antar konstruk atau variabel. Komponen-komponen ukuran mengidentifikasikan varibael laten dan komponen-komponen struktural untuk mengevaluasi hipotesis hubungan kausal antara variabel laten pada model kausal dan menunjukkan sebuah pengujian seluruh hipotesis dari model sebagai satu atau keseluruhan.
  • Memilih matriks input dan Estimasi model
Langkah berikutnya adalah memilih jenis input yang sesuai, karena penelitian ini akan menguji kausalitas, maka Hair, dkk dalam Ferdinand dalam Sutarso (2008) menyarankan agar input yang diambil adalah kovarians. Terdapat dua aspek yang akan dijelaskan dalam memilih matrik input dan estimasi model, yaitu:
  • Konstruk >< korelasi
SEM merupakan alat analisis berbasis kovarian. Matrik kovarian digunakan karena dapat menunjukkan perbandingan yang valid antara populasi yang berbeda atau sampel yang berbeda, dimana hal tersebut tidak dapat dilakukan oleh korelasi. Matrik kovarian lebih banyak dipakai dalam penelitian mengenai hubungan, karena dari berbagai penelitian menggunakan angka yang kurang akurat bila matrik korelasi digunakan sebagai input (Ferdinand dalam Sutarso, 2008). Matrik varian/kovarian merupakan bentuk data yang lebih sesuai untuk memvalidasi hubungan-hubungan kausalitas (Hair dalam Sutarso, 2008).
  • Ukuran Sampel
Ukuran sampel mempunyai peranan yang penting dalam mengestimasi hasil-hasil SEM. Ukuran sampel menghasilkan dasar dalam mengestimasi kesalahan . Hair dalam Sutarso (2008) menyatakan bahwa ukuran sampel yang representatif adalah antara 100-200 dan memberi saran bahwa ukuran sampel minimum adalah sebanyak 5 observasi untuk setiap .
  • Kemungkinan munculnya masalah identifikasi
Problem identifikasi model struktural adalah ketidakmampuan model untuk menghasilkan estimasi yang unik () untuk setiap parameter yang diestimasi pada model (Hair et al., dalam Sutarso, 2008). Indikator kunci untuk mengidentifikasi problem adalah degree of freedom. Jika df>0 maka model dapat diidentifikasi.

Problem identifikasi dapat diketahui dengan melakukan langkah-langkah berikut:
  • Model diestimasi berulang kali dengan starting value yang berbeda-beda, bila model tidak dapat di onvergen pada titik yang sama setiap kali estimasi dilakukan maka indikasi terjadi identifikasi.
  • Model diestimasi lalu angka koefisien dari salah satu variabel dicatat. Koefisien tersebut ditentukan sebagai suatu yang fix pada variabel itu kemudian dilakukan estimasi ulang. Bila overall fit index-nya berubah total dan berbeda jauh dari sebelumnya, maka diduga terjadi problem identifikasi.
Gejala problem indentifikasi adalah:
  • Standar error untuk satu atau beberapa koefisien adalah sangat besar.
  • Program tidak mampu menghasilkan matrik info yang seharusnya disajikan
  • Muncul angka-angka yang aneh seperti adanya varians error yang negatif
  • Munculnya korelasi yang sangat tingi antar koefisien estimasi yang didapat (>0.90)
Cara untuk mengatasi problem identifikasi adalah dengan memberikan lebih banyak konstain pada model yang dianalisis. Hal ini berarti mengeliminasi jumlah estimate coefficients. Bila ini dilakukan, hasilnya adalah sebuah model yang overidentified. Oleh karena itu bila setiap estimasi dilakukan muncul problem identifikasi, maka perlu dipertimbangkan ulang antara lain dengan mengembangkan lebih banyak konstruk (Ferdinand dalam Sutarso, 2008).
  • Evaluasi Kriteria GOF (Goodness of Fit)
Evaluasi kritesia yang akan dilakukan meliputi dua langkah:
  • , data yang digunakan hanya dapat memenuhi asumsi-asumsi SEM. Evaluasi atas asumsi-asumsi SEM yang harus dipenuhi adalah sebagai berikut:
  • Ukuran sampel minimum adalah sebanyak 100 dan selanjutnya menggunakan 5 observasi untuk setiap estimate parameternya
  • Sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi. Normalitas dapat diuji melalui gambar histogram data. Uji liniearitas dapat dilihat melalui scatterplots dari data, yaitu dengan memilih pasangan data dan dilihat pola penyebarannya untuk menduga ada tidaknya linearitas.
  • Outliers, yang merupakan observasi dengan nilai-nilai ekstrim baik secara univariate maupun multivariate yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya. Dapat dilakukan treatment pada outliers ini asal diketahui bagaimana outliers tersebut muncul. Outliers dapat muncul dalam empat (4) kategori:
    • Outliers mucul karena kesalahan prosedur seperti kesalahan dalam memasukkan data atau kesalahan dalam mengkoding data.
    • Outliers mucul karena keadaan khusus yang memungkinkan profil datanya lain daripada yang lain. tetapi terdapat penjelasan mengenai penyebab munculnya nilai ekstrim itu.
    • Outliers mucul karena suatu alasan tetapi tidak diketahui penyebabnya atau tidak ada penjelasan mengenai sebab-sebab munculnya nilai-nilai ekstrim tersebut.
    • Outliers mucul dalam range nilai yang ada, tetapi bila dikombinasikan dengan variabel yang lainnya, kombinasi menjadi tidak lazim atau sangat ekstrim. Dalam Ferdinand (2000) ini disebut dengan multivariate outliers.
    • Mendeteksi multikolinearitas dan singularitas dari determinan matrik kovarians yang sangat kecil memberikan indikasi adanay problem multikolinearitas atau singularitas. Treatment yang dilakukan adalah dengan mengeluarkan variabel yang menyebabkan multikolinearitas atau singularitas tersebut.
Catatan: langkah beberapa uji statistik terhadap data seperti diatas dilakukan apabila faktor analisis SEM dianalisa dengan menggunakan tool AMOS. Akan tetapi jika menggunakan tool LISREL tidak perlu ada uji statistik sebagaimana disebutkan diatas. Dan jika ingin melihat langkah awal apakah data reliable atau tidak cukup dengan melakukan uji reliabilitas dan uji validitas. Hal ini juga berlaku untuk analisis dengan menggunakan tool AMOS.
Kedua, dilakukan uji kesesuaian dan uji statistik terhadap model penelitian berdasarkan indeks kesesuaian dan cut-off value (Wijanto, 1997):
  • X2 – Chi-Square Statistic, dimana model dipandang baik atau memuaskan bila nilai Chi-Square-nya rendah. Semakin kecil nilai X2 maka akan semakin baik model tersebut dan diterima berdasarkan probabilitas dengan cut-off value sebesar p > 0.05 atau p > 0.10.
  • RMSEA (The Root Mean Square Error of Approximation), yang menunjukkan goodness of fit yang dapat diharapkan bila model diestimasi dalam populasi. Nilai RMSEA yang lebih kecil atau sama dengan 0.08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan degrees of freedom.
  • GFI (Goodness of Fit Index), dimana ukuran non statistical yang mempunyai rentang nilai antara 0 (poor fit) sampai dengan 1.0 (perfect fit). Nilai yang tinggi dalam indeks ini menunjukkan sebuah “better fit”. GFI ≥ 0.90 adalah good fit, sedang 0.80 ≤ GFI < 0.90 adalah marginal fit.
  • AGFI (Adjusted Goodness of Fit Index)
Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. AGFI ≥ 0.90 adalah good fit, sedang 0.80 ≤ AGFI < 0.90 adalah marginal fit.
  • TLI atau NNFI (Tucker-Lewis Index atau Non-Normed Fit Index)
Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. TLI ≥ 0.90 adalah good fit, sedang 0.80 ≤TLI < 0.90 adalah marginal fit.
  • CFI (Comparative Fit Index)
Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. CFI ≥ 0.90 adalah good fit, sedang 0.80 ≤ CFI < 0.90 adalah marginal fit.

  • Interpretasi model
Langkah terakhir adalah menginterpretasikan model solusi standard, yaitu melihat besarnya pengaruh atau kontribusi variabel indikator terhadap variabel laten dan besarnay pengaruh antar variabel laten.


BAHAN BACAAN:

Ferdinand, A.T, 2006, SEM Dalam Penelitian Manajemen, Badan Penerbit Universitas Diponegoro Semarang, Indonesia.

Hair, J.F., Anderson, R.E., Tatham, R.L and Black, W.C., 1998, Multivariate Data Analysis, 5th Edition, Prentice Hall, Upper Saddle River, USA.

Sutarso, Bagus Mohamad Ghandi, 2008, Strategi Meningkatkan Kepuasan Konsumen-Studi Kasus PT.PLN (Persero) di Wilayah Semarang. Tesis Program Studi Magisten Manajemen Program Pasca Sarjana Universitas Diponegoro: Semarang.

Wijanto, Setyo Hari, 2008, Structural Equation Modeling dengan Lisrel 8.8, Graha Ilmu: Yogyakarta.

2 komentar:

  1. assalamualaikum ibu saya mau bertanya bagaimana menetukan model SEM untuk sebuah jural jika judulnya "PENGARUH SOSIAL MEDIA (INSTAGRAM) TERHADAP MINAT BELI KONSUMEN SERTA LOYALITAS konsumen" mohon bantuannya

    BalasHapus
  2. Olah Data Envelopment Analysis (DEA) Dengan DEAP 2.1 Dan Warwick DEA (WDEA)
    Salah satu metode evaluasi yang paling popular untuk mengukur kriteria efisiensi adalah DEA atau data envelopment analysis.
    Data Envelopment Analysis (DEA) sebagai Metode Pengukuran Efisiensi
    Terima Olah Data Envelopment Analysis (DEA) Menggunakan
    WINDEAP (DEAP 2.1 For Windows) Dan WDEA (Warwick DEA)
    Olah Data Semarang (Timbul Widodo)
    WhatsApp : 085227746673
    PIN BB : D04EBECB
    IG : @olahdatasemarang

    BalasHapus