Structural Equation Modeling dengan Pendekatan Kovarian CBSEM Partial

Structural Equation Modeling dengan Pendekatan Kovarian (CBSEM), Partial Least Square (PLSSEM), dan Komponen (GSCA) (Menggunakan LISREL, Smart. PLS dan GESCA) Jonathan Sarwono Htttp: //www. jonathansarwono. info

1. 1 Structural Equation Modeling Berbasis Kovarian (CBSEM) Pengertian Menurut Byrne, istilah SEM mengandung dua aspek prosedur penting, yaitu: bahwa proses sebab akibat dalam suatu kajian diwakili oleh sekelompok persamaan struktural, yaitu persamaan regresi dan bahwa relasi struktural ini dapat digambarkan dalam suatu model untuk memperjelas konseptualisasi teori yang dipelajari. � Model yang dihipotesiskan dapat diuji secara statistik dalam suatu analisis simultan dari suatu sistem keseluruhan variabel – variabel untuk menentukan sejauh mana model tersebut sesuai dengan data. � Jika kecocokan model terpenuhi , maka model tersebut harus dapat menunjukkan kelayakan terhadap hubungan antar variabel sebagaimana disarankan. � Selanjutnya Byrne (2001) membuat definisi sendiri mengenai SEM sebagai berikut: ” SEM merupakan metode analisis populer yang memungkinkan untuk memeriksa berbagai model yang dapat menjelaskan struktur data. �

Cont… Holmes – Smith (2000) dalam The Sage Dictionary of Quantitative Management Research (2011) SEM merupakan metode analistis yang memperbaiki dan melengkapi metode lain seperti regresi linier berganda dan analisis jalur (path analysis) dalam ilmu manajemen. � SEM memungkinkan membuat perbedaan antara variabel laten dan variabel manifest, dapat mengestimasi inti dasar kesalahan pengukuran yang berkaitan dengan variabel – variabel terobservasi (manifest), dan memungkinkan pembobotan yang tidak sama untuk beberapa indikator dari konstruk laten (variabel laten) dalam model manajemen. � Sedang menurut Hair (2010) SEM merupakan salah satu prosedur statistik yang digunakan untuk menjelaskan hubungan beberapa variabel. � Dalam menjelaskan hubungan tersebut, SEM memeriksa struktur antar hubungan yang diekspresikan dengan beberapa persamaan yang mirip dengan persamaan dalam regresi linier berganda. Persamaan tersebut menggambarkan hubungan konstruk (variabel laten) yang dipergunakan dalam analisis. �

Perbedaan antara Variabel Laten dan Variabel yang Diobservasi Secara Langsung Dalam SEM yang berbasis kovarian variabel dibedakan secara umum menjadi dua, yaitu variabel laten dan variabel yang dapat diobservasi secara langsung. Variabel laten merupakan konstruk teoritis yang tidak dapat diamati secara langsung. � Konstruk teoritis ini merupakan gejala abstrak yang tidak dapat diukur secara langsung; itulah sebabnya konstruk ini disebut variabel laten atau faktor. Karena variabel laten tidak dapat diukur secara langsung, maka variabel tersebut harus didefinisikan secara operasional dalam kaitannya dengan perilaku yang mewakilinya. � Dalam kondisi seperti ini, maka variabel laten tersebut harus dihubungkan dengan setidak-tidaknya satu variabel yang dapat diamati secara langsung. Dengan demikian pengukuran terhadap variabel laten tersebut dimungkinkan. �

Cont… Logikanya ialah jika penilaian dilakukan terhadap perilaku tersebut; maka penilaian tersebut akan membangun pengukuran langsung terhadap variabel yang teramati secara langsung serta secara tidak langsung terhadap variabel laten tersebut yang noabene adalah konstruk yang mendasarinya. � Pengukuran terhadap variabel yang teramati secara langsung dapat dilakukan dengan menggunakan instrumen pengukuran seperti tes, pertanyaan dalam kuesioner, wawancara atau instrumen lain yang sesuai untuk pengambilan data. Hasil pengukuran ini disebut nilai pengukuran. � Itulah sebabnya nilai-nilai yang mewakili variabel tersebut disebut “terobservasi” yang memiliki namai lain sebagai variabel manifest. Dalam konteks SEM variabel ini berfungsi sebagai “indikator” dari konstruk yang mendasarinya. Itulah sebabnya variabel yang dapat diamati secara langsung disebut juga sebagai indikator atau variabel manifest; sedang variabel laten disebut juga sebagai konstruk atau faktor. �

Asumsi Dasar Asumsi-asumsi yang mendasari penggunaan SEM berbasis kovarian. Beberapa asumsi tersebut, diantaranya ialah: � Distribusi normal indikator – indikator multivariat (Multivariate normal distribution of the indicators): Masing-masing indikator atau variabel manifest mempunyai nilai yang berdistribusi normal terhadap masing-masing indikator lainnya. Jika asumsi normalitas multivariat tidak dipenuhi dapat menyebabkan perbedaan yang besar dalam pengujian chi-square, dengan demikian akan melemahkan kegunaannya. Secara umum, pelanggaran asumsi ini dapat menaikkan nilai chi-square sekalipun demikian didalam kondisi tertentu akan sebaliknya malah menurunkan nilainya. Selanjutnya jika digunakan skala pengukuran ordinal atau nominal akan menyebabkan adanya pelanggaran normalitas multivariat. Perlu diperhatikan bahwa normalitas multivariat diperlukan untuk estimasi kemiripan maksimum / maximum likelihood estimation (MLE), yang merupakan metode dominan dalam SEM yang akan digunakan untuk membuat estimasi koefesien - koefesien jalur struktural. Perlu diketahui bahwa metode MLE membutuhkan variabel endogenous yang berdistribusi normal.

Cont… � � Distribusi normal multivariat variabel-variabel tergantung laten ( Multivariate normal distribution of the latent dependent variables). Masing-masing variabel tergantung laten dalam model harus berdistribusi normal untuk masing-masing nilai dari masing-masing variabel laten lainnya. Oleh karena itu variabel-variabel laten dikotomi akan melanggar asumsi ini karena alasan-alasan tersebut. Linieritas (Linearity). SEM mempunyai asumsi adanya hubungan linear antara variabel-variabel manifest atau indikator dengan variabel-variabel laten, serta antar variabel-variabel laten sendiri. Sekalipun demikian, sebagaimana halnya dengan regresi, peneliti dimungkinkan untuk melakukan transformasi eksponensial, logaritma, atau non-linear lainnya dari suatu variabel asli ke dalam model yang dimaksud. Pengukuran tidak langsung (Indirect measurement): Secara tipikal, semua variabel dalam model merupakan variabel-variabel laten. Indikator jamak (Multiple indicators). Beberapa indikator harus digunakan untuk mengukur masing-masing variabel laten dalam model. Regresi dapat dikatakan sebagai kasus khusus dalam SEM dimana hanya ada satu indikator per variabel laten. Kesalahan pemodelan dalam SEM membutuhkan adanya lebih dari satu pengukuran untuk masing-masing variabel laten.

Cont… � Secara teoritis tidak sedang atau baru saja diidentifikasi (Underidentified). Suatu model baru saja teridentifikasi jika terdapat banyak parameter yang harus diestimasi sebanyak adanya elemen – elemen dalam matriks kovarian. Sebagai contoh, dalam suatu model dimana variabel 1 mempengaruhi variabel 2 dan juga mempengaruhi variabel 3, dan variabel 2 juga mempengaruhi variabel 3. Dengan demikian ada tiga parameter dalam model, dan ada tiga unsur kovarian (1, 2; 1, 3; 2, 3). Dalam kasus yang baru saja teridentifikasi, peneliti dapat menghitung parameter – parameter jalur tetapi untuk melakukannya harus memanfaatkan semua derajat kebebasan yang tersedia (degrees of freedom) dan peneliti tidak dapat menghitung uji keselarasannya. � Suatu model disebut underidentified, jika parameternya yang sedang diestimasi lebih besar dari data yang sudah diketahui, atau dengan kata lain adalah jika terdapat lebih parameter yang harus diestimasi daripada elemen dalam matriks kovarian. Karakteristik matematis model-model yang sedang diidentifikasi menghalangi penyelesaian parameter yang diestimasi dan dilakukan pengujian keselarasan dalam model. Pemecahan masalah ini ialah dengan cara menambah lagi lebih banyak variabel-variabel eksogen, yang harus dilakukan sebelum koleksi data.

Cont… � Tidak menggunakan data ordinal: data yang dianalisi tersebut harus mempunyai jumlah nilai yang besar atau dengan kata lain untuk menggunakan SEM kita harus menggunakan data yang besar. Jika variabel – variabel mempunyai jumlah data yang sangat kecil, maka masalah metodologi akan muncul pada saat peneliti membandingkan varian dan kovarian, yang merupakan masalah sentral dalam SEM. � Residual-residual acak dan kecil: Rata-rata residual – residual atau kovarian hasil pengitungan yang diestimasikan minus harus sebesar 0, sebagaimana dalam regresi. Suatu model yang sesuai akan hanya mempunyai residual – residual kecil. Residual – residual besar menunjukkan kesalahan spesifikasi model, sebagai contoh, beberapa jalur mungkin diperlukan untuk ditambahkan ke dalam model tersebut. Residual merupakan nilai selisih antara nilai observasi dengan nilai yang diprediksi. Nilai residual semakin kecil menunjukkan prediksi yang dibuat semakin akurat. Sebaliknya nilai residual yang besar menghasilkan prediksi yang semakin bias. � Kesalahan yang tidak berkorelasi (Uncorrelated error terms): seperti dalam regresi, maka kesalahan (error term / disturbance term) tidak boleh berkorelasi dengan variabel bebas. Sekalipun demikian, jika memang ada dan dispesifikasi secara eksplisit dalam model oleh peneliti, maka kesalahan

Cont… � Kesalahan residual yang tidak berkorelasi (Uncorrelated residual error): Kovarian nilai – nilai variabel tergantung yang diprediksi dan residual – residual harus sebesar 0. � Multikolinearitas: dalam SEM multikolinearitas diasumsikan tidak ada. Terjadi multikolinieritas jika antar variabel bebas berkorelasi sangat tinggi atau mendekati 1. Multikolinearitas akan menghasilkan matriks kovarian tunggal, yang mana peneliti tidak dapat melakukan penghitungan tertentu, misalnya inversi matrix karena pembagian dengan 0 akan terjadi. � Ukuran Sampel: Ukuran sampel tidak boleh kecil karena SEM bergantung pada pengujian-pengujian yang sensitif terhadap ukuran sampel dan kekuatan perbedaan-perbedaan matriks kovarian. Secara teori, untuk ukuran sampelnya berkisar antara 200 - 400 untuk model-model yang mempunyai indikator antara 10 - 15. Satu survei terhadap 72 penelitian yang menggunakan SEM didapatkan ukuran sampel sebanyak 198. Sampel di bawah 100 akan kurang baik hasilnya jika menggunakan SEM.

Acuan Indeks Kecocokan Model Untuk mengetahui apakah model yang dibuat didasarkan pada data observasi sesuai dengan model teori atau tidak diperlukan acuan indeks kecocokan model. Berikut ini nilai-nilai indeks kecocokan model yang sering digunakan dalam SEM, yang merupakan indeks kecocokan model utama dan pelengkap diantaranya: 1) Indeks Kecocokan Model Absolut Prosedur SEM berbasis kovarian harus memenuhi indeks kecocokan model absolut. Indeks kecocokan model utama ini terdiri atas Chi Square, Goodness of Fit Index (GFI), Root Mean Square Error of Approximation (RMSEA), Root Mean Square Residual (RMR) dan Standardized Root Mean Residual (SRMR), dan Normed Chi Square. � Nilai Chi Square (χ2): Nilai ini merupakan nilai yang paling fundamental untuk kecocokan model (Goodness of Fit atau GOF) dalam SEM. Semakin kecil maka model semakin sesuai antara model teori dan data sampel. Nilai ideal sebesar <3 � Nilai Indeks Kecocokan (goodness of fit index) (GFI): mengukur jumlah relatif varian dan kovarian yang besarnya berkisar dari 0 – 1. Jika nilai besarnya mendekati 0 maka model mempunyai kecocokan yang rendah sedang nilai mendekati 1 maka model mempunyai kecocokan yang baik �

Cont… � � � Root Mean Square Error of Approximation (RMSEA): berfungsi sebagai kriteria untuk pemodelan struktur kovarian dengan mempertimbangkan kesalahan yg mendekati populasi. Kecocokan model yg cocok dengan matriks kovarian populasi. Model baik jika nilainya lebih kecil atau sama dengan 0, 05 ; cukup baik sebesar atau lebih kecil dari 0, 08. Sedang menurut Hair (2010) RMSEA yang ideal ialah antara 0, 03 dan 0, 08 dengan tingkat keyakinan sebesar 95%. Root Mean Square Residual (RMR) dan Standardized Root Mean Residual (SRMR): nilai rata-rata semua residual yang distandarisasi. Nilai ini bermanfaat untuk membandingkan kecocokan terhadap beberapa model. Nilai RMR berkisar mulai 0 – 1, suatu model yang cocok mempunyai nilai RMR < 0. 05. Sekalipun demikian tidak ketentuan baku dalam menentukan nilai kecocokan ideal. Ketentuannya ialah jika nilai RMR semakin kecil maka model semakin benar; sebaliknya jika nilai RMR semakin tinggi maka model semakin salah. Normed Chi Square: merupakan nilai rasio dari chi square (χ2) terhadap Derajat Kebebasan (Degree of Freedom atau DF). Umumnya rasio antara χ2 dengan DF ialah 3: 1 atau lebih kecil untuk model yang baik.

Cont… 2) Indeks Kecocokan Model Pelengkap Disamping indeks kecocokan model absolut, dalam SEM berbasis kovarian dikenal juga indeks kecocokan model tambahan lainnya. Berikut ini indeks kecocokan model tambahan tersebut. � Rasio Kritis (Critical Ratio): Rasio deviasi tertentu dari nilai rata-rata standard deviasi. Nilai ini diperoleh dari estimasi parameter dibagi dengan standard error. Besar nilai CR adalah 1, 96 untuk pembobotan regresi dengan significance sebesar 0, 05 untuk koefesien jalurnya. Jika nilai CR > 1, 96 maka kovarian - kovarian faktor mempunyai hubungan signifikan � Koefesien Standar : Jika koefesien struktural dibuat standar, misalnya 2; maka var laten tergantung akan meningkat sebesar 2 � Kesalahan Pengukuran: Untuk model yang baik sebaiknya kesalahan pengukuran sebesar 0 � Pembobotan Regresi (Regression Weight): pembobotan regresi sebesar 1, tidak boleh sama dengan 0, bersifat random jika ada tanda ‘$’ � Spesifikasi model: spesifikasi model dengan nilai konstan 1

Cont… � � � Maximum Likehood Estimation (MLE): MLE akan bekerja dengan baik pada sampel sebesar >2500. MLE merupakan kriteria untuk membuat estimasi suatu parameter populasi nilai, misalnya nilai rata. Nilai ini merupakan nilai yang terkandung dalam data dari suatu sampel dan asumsi tertentu mengenai distribusi data tersebut. Significance Level (Probabilitas atau P- value). Nilai signifikansi sebaiknya < 0. 05 Reliabilitas Konstruk (Construct Reliability): Nilai reliabilitas konstruk minimal sebesar 0, 70 untuk faktor loadings Varian Ekstrak: nilai ini digunakan untuk uji lanjut reliabilitas dengan nilai minimal 0. 5 semakin mendekati 1 semakin reliabel. Adjusted Goodness of Fit Index (AGFI): Nilai AGFI mempunyai fungsi yang sama dengan GFI sedang perbedaannya terletak pada penyesuaian nilai Degree of Freedom (DF) terhadap model yang dispesifikasi. Nilai AGFI sama dengan atau lebih besar dari 0, 9. Jika nilai lebih besar dari 0, 9 maka model mempunyai kesesuaian model keseluruhan yang baik

Cont… � � The Minimum Sample Discrepancy Function (CMNF): merupakan nilai statistik Chi Square dibagi dengan nilai derajat kebebasan (Degree of Freedom (DF)) disebut juga Chi Square relatif dengan besaran nilai kurang dari 0, 2 dengan toleransi dibawah 0, 3 yang merupakan indikator diterimanya suatu kecocokan model dan data Indeks Tucker Lewis (Tucker Lewis Index (TLI)): Nilai ini untuk menentukan penerimaan sebuah model dengan nilai sebesar sama dengan atau lebih besar dari 0, 95. Jika nilai mendekati 1 maka model tersebut menunjukkan kecocokan yang sangat tinggi. Kisaran nilai TLI ialah 0 sampai dengan 1. Comparative Fit Index (CFI)): Nilai CFI mempunyai kisaran antara 0 - 1 dengan ketentuan jika nilai mendekati angka 1 maka model yand dibuat mempunyai kecocokan yang sangat tinggi sedang jika nilai mendekati 0, maka model tidak mempunyai kecocokan yang baik. Nilai idealnya ialah ≥ 0, 9 Parsimony Fit Index: Nilai ini digunakan untuk kecocokan model yang paling layak dari beberapa model yang ada. Kecocokan model yang layak nilainya >0, 9. Indeks ini secara konseptual sama dengan nilai 2

Cont… � � Uji Reliabilitas: untuk menghitung reliabilitas model yang menunjukkan adanya indikator-indikator yang mempunyai derajat kesesuaian yang baik dalam satu model satu dimensi. Reliabilitas merupakan ukuran konsistensi internal indikator-indikator suatu konstruk yang menunjukkan derajat sejauh mana setiap indikator tersebut menunjukkan sebuah konstruk laten yang umum. Reliabilitas berikutnya ialah Varian Extracted dengan besar diatas atau sama dengan 0, 5. Dengan ketentuan nilai yang semakin tinggi menunjukkan bahwa indikator-indikator sudah mewakili secara benar konstruk laten yang dikembangkan Parameter dengan nilai 0: mempunyai arti tidak ada hubungan antar variabel yang diobservasi. Parameter dapat secara bebas diestimasi dengan nilai tidak sama dengan 0. Fixed parameter diestimasi tidak berasal dari data, misalnya 1; free parameter diestimasi dari data sampel yang diasumsikan oleh peneliti tidak sama dengan 0. Parsimony Based Indexes of Fit (PGFI): Parsimony model yang berfungsi untuk mempertimbangkan kekompleksitasan model yang dihipotesiskan dalam kaitannya dengan kecocokan model secara menyeluruh. Nilai kecocokan ideal adalah 0. 9 Normed Fit Index (NFI): Nilai NFI mulai 0 – 1 diturunkan dari perbandingan antara model yang dihipotesiskan dengan suatu model independen tertentu. Model mempunyai kecocokan tinggi jika nilai mendekati 1

Cont… � � � Relative Fit Index (RFI): merupakan turunan dari NFI dengan nilai 0 -1. Model mempunyai kecocokan yang ideal dengan nilai 0. 95 First Fit Index (PRATIO): berkaitan dengan model parsimony Noncentrality Parameter (NCP): parameter tetap yang berhubungan dengan Degree of Freedom (DF) yang berfungsi untuk mengukur perbedaan antara matriks kovarian populasi dengan matriks kovarian observasi. Dengan Interval Kepercayaan (Confidence Interval) sebesar 90% maka NCP berkisar antara 29, 983 – 98, 953 The Expected Cross Validation Index (ECVI): Nilai ini digunakan untuk mengukur perbedaan antara matriks kovarian yang dicocokkan dalam sampel yg dianalisis dengan matriks kovarian yang diharapkan yang akan diperoleh dari sampel lain dengan ukuran yang sama. Nilai ECVI dapat berapa saja dan tidak ada kisarannya. Jika model mempunyai nilai ECVI terkecil, maka model tersebut dapat direplikasi. Hoelter’s Critical N (CN): berfungsi untuk melihat kecukupan ukuran sampel yang digunakan dalam riset. CN mempunyai ketentuan suatu model mempunyai ukuran sampel yang cukup jika nilai CN > 200. Residual: merupakan perbedaan antara matriks kovarian model dengan matriks kovarian sampel, semakin kecil perbedaan maka model semakin benar. Idealnya nilai residual ialah 0.

Model Hubungan Antar Variabel Model hubungan antar variabel dalam SEM berbasis kovarian mempunyai diagram jalur seperti di bawah ini: Maksud dari diagram di atas ialah: � Hubungan antara variabel laten ξ 1 dengan η 1 disebut model hubungan struktural. � Hubungan antara variabel laten ξ 1 dengan variabel manifest X 1, X 2 dan X 3 serta variabel laten η 1 dengan variabel manifest Y 1, Y 2 dan Y 3 disebut sebagai model hubungan pengukuran.

Cont… � Ada dua variable laten, yaitu ξ 1 sebagai variable eksogen (variabel bebas / independen) dan η 1 sebagai variable endogen (variabel tergantung / dependen) � Ada 5 variabel manifest / indikator, yaitu X 1, X 2, dan X 3 yang berfungsi sebagai indikator dari variable laten ξ 1 serta Y 1 dan Y 2 yang berfungsi sebagai indikator variable laten η 1. � Ada satu kesalahan residual (residual term), yaitu ζ 1 yang berhubungan dengan prediksi nilai variable laten η 1 � Ada dua kesalahan pengukuran (error term) untuk Y 1 dan Y 2, yaitu ε 1 dan ε 2 serta tiga kesalahan pengukuran untuk X 1, X 2 dan X 3, yaitu δ 1, δ 2 dan δ 3. � Anak panah searah dari ξ 1 ke η 1 menunjukkan bahwa variable laten eksogen ξ 1 mempengaruhi variable laten endogen η 1. � Anak panah searah dari ξ 1 ke X 1, X 2 dan X 3, serta dari η 1 ke Y 1 dan Y 2 yang diwakili dengan λ adalah jalur regresi, yang menunjukkan bahwa adanya pengaruh dari masing-masing variable laten ke masing-masing indikatornya. � Anah panah dua arah antara X 1 dan X 2 merupakan kovarian / korelasi antara indikator X 1 dan X 2

1. 2 Structural Equation Modeling Berbasis Partial Least Square (PLSSEM) Pengertian � PLSSEM merupakan suatu alternatif untuk menggunakan analisis SEM dimana data tidak berdistribusi normal; oleh karena itu PLSSEM dikenal juga sebagai teknik pemodelan lunak dimana persyratan-persyaratannya tidak seketat yang ada pada SEM yang berbasis kovarian CBSEM, misalnya dalam hal skala pengukuran, ukuran sampel dan distribusi residual. � Lantas apa letak perbedaan antara SEM berbasis Partial Least Square dan SEM berbasis kovarian. � SEM menggunakan PLS mengijinkan data tidak berdistribusi normal sedang SEM berbasis kovarian mengharuskan data berdistribusi normal. � Selama ini orang mengenal SEM dengan didasarkan pada kovarian yang dikembangkan oleh Joreskorg (1978), maka SEM dengan menggunakan PLS merupakan alternatif lain selain SEM yang selama ini kita kenal. SEM dengan PLS disebut juga sebagai pemodelan jalur PLS dikembangkan oleh Wold (1985) dan Lohmoller (1989) sedikit berbeda dengan SEM yang berbasis kovarian.

Cont… � Jika SEM yang berbasis kovarian membuat estimasi parameter – parameter model dengan menghasilkan perbedaan kovarian matriks antara estimasi dan sampel menjadi kecil; maka pada SEM dengan menggunakan PLS varian – varian dari variabel laten endogen yang dijelaskan dimaksimalkan dengan membuat estimasi hubungan model parsial dalam urutan iterasi regresi kuadrat terkecil biasa (OLS). � Pada SEM dengan PLS nilai-nilai variabel laten diestimasi sesuai dengan kombinasi linier dari variabel – variabel manifest / indikator yang terkait dengan variabel laten tersebut serta diperlakukan sebagai pengganti variable -variabel manifest tersebut. � Jika SEM yang berbasis kovarian mengharuskan data dengan distribusi normal; maka SEM dengan PLS mengijinkan data yang tidak berdistribusi normal digunakan dalam prosedur ini. � Tujuan utama menggunakan SEM dengan PLS ialah memaksimalkan variabel laten endogen (tergantung) yang dijelaskan. � Hal ini berlawanan dengan SEM yang berbasis kovarian yang bertujuan untuk mereproduksi matriks kovarian yang didasarkan teori tanpa berfokus pada varian yang dijelaskan.

Spesifikasi Model SEM berbasis PLS mempunyai tiga skema, yaitu: � Model struktural atau disebut juga model bagian dalam (inner model). Model struktural merupakan hubungan antar variabel laten satu dengan variabel laten lainnya. Pada gambar hubungan antara variabel laten eksogen X dengan variabel laten endogen Y. Model ini akan menghasilkan koefesien jalur yang diberi simbol “p”. � Model pengukuran atau disebut juga model bagian luar (outer model). Model pengukuran merupakan hubungan antar variabel laten dengan variabel manifest atau indikatornya. Dalam pengertian SEM berbasis PLS hubungan antara variabel laten dengan manifestnya disebut sebagai blok. Dalam gambar hubungan antar variabel laten eksogen X dengan variabel manifest atau indikator I 1 X, I 2 X dan I 3 X serta variabel laten endogen Y dengan variabel manifest atau indikator I 1 Y, I 2 Y dan I 3 Y. Setidak-tidaknya dalam satu blok terdiri atas satu variabel laten dengan satu variabel manifest. Model ini akan menghasilkan koefesien jalur yang disebut “outer loadings”

Cont… � Skema pembobotan dimana bagian ketiga ini merupakan ciri khusus SEM dengan PLS dan tidak ada pada SEM yang berbasis kovarian. Pembobotan (weight) merupakan koefesien jalur dari variabel laten baik eksogen maupun endogen ke masing-masing indikatornya. Koefesien jalur ini disebut “outer weight” yang diberi simbol “w”. Gambar 1. Spesifikasi Model dalam SEM Berbasis PLS

Hubungan antar Variabel Dalam SEM berbasis PLS hubungan antar variabel hanya bersifat recursif (searah) tidak seperti dalam SEM berbasis kovarian yang dapat bersifat recursif dan non-recursif. Sekalipun demikian SEM berbasis PLS mempunyai kelebihan dalam kaitannya dengan hubungan antara variabel laten dengan manifest atau indikatornya dapat bersifat refleksif dan formatif. � Hubungan reflektif mempunyai pengertian bahwa setiap variabel manifest atau indikatornya merefleksikan variabel laten yang bersangkutan. � Hubungan formatif mempunyai pengertian bahwa setiap variabel manifest atau indikatornya membentuk variabel laten yang bersangkutan

Data yang Digunakan Data yang digunakan dalam PLS SEM tidak harus memenuhi persyaratan asumsi normalitas data; dengan demikian PLS – SEM memberi kelonggaran pada data yang tidak berdistribusi normal. Hal ini berbeda dengan SEM yang berbasis kovarian yang selama ini dikenal banyak orang dimana normalitas data menjadi suatu keharusan dalam prosedur tersebut. � Dengan demikian PLS SEM menjadi suatu prosedur alternatif selain SEM yang berbasis kovarian, karena dalam praktik / kenyataan kita sering menemukan bahwa data yang akan kita oleh tidak berdistribusi normal. � Oleh karena itu sebelum kita menggunakan prosedur ini, sebaiknya kita melakukan pengujian terlebih dahulu seperti apa distribusi data kita. � Sekalipun demikian data yang berdistribusi normal juga dapat dipergunakan dalam PLS SEM sebagaimana kita menggunakan data tersebut dalam SEM yang berbasis kovarian. �

Skala Pengukuran � PLS SEM memberi kelonggaran kepada pengguna untuk menggunakan skala pengukuran selain interval dimana hal ini tidak diijinkan dalam SEM yang berbasis kovarian yang selama ini kita kenal. Dengan demikian variabel-variabel dengan skala ordinal dan nominal dimungkinkan untuk dianalisis dengan SEM berbasis PLS. Asumsi Beberapa asumsi dalam PLS SEM diantaranya: � Asumsi utama dalam penggunaan PLS SEM ialah tidak mengharuskan mengikuti asumsi normalitas karena PLS SEM tidak memperlakukan data sebagaimana dalam SEM yang berbasis kovarian dimana dalam SEM tersebut data diharuskan berdistribusi normal. Kelonggaran ini memungkinkan kita menggunakan data yang tidak berdistribusi normal. �

Cont… Asumsi berikutnya ialah PLS SEM dapat menggunakan ukuran sampel yang kecil tidak seperti pada SEM yang berbasis kovarian yang mengharuskan peneliti menggunakan ukuran sampel yang besar dikarenakan SEM merupakan suatu prosedur yang dikategorikan kedalam prosedur multivariat dimana hampir semua prosedur multivariat mengharuskan jumlah data yang besar, misalnya setidak-tidaknya 400. Sebaliknya PLS SEM tidak mengharuskan peneliti menggunakan jumlah data yang besar. Dengan demikian prosedur ini memberikan keuntungan bagi pengguna saat kesulitan mencari data dalam jumlah yang besar. � Tidak mengharuskan randomisasi sampel dengan demikian sampel yang dipilih dengan pendekatan non-probabilitas, seperti ‘accidental sampling’, ‘purposive sampling’ dan sejenisnya dapat digunakan dalam PLS SEM. � Memberbolehkan indikator formatif dalam mengukur variabel laten selain indikator reflektif. Hal ini tidak diijinkan dalam SEM berbasis kovarian yang menggunakan indikator reflektif saja. �

Cont… PLS SEM mengijinkan adanya variabel laten dikotomi � Distribusi residual dalam PLS SEM tidak diharuskan seperti pada SEM yang berbasis kovarian dimana dalam SEM tersebut distribusi residual harus sekecil mungkin seperti pada regresi linier. � PLS SEM cocok digunakan sebagai prosedur yang digunakan untuk mengembangkan teori pada tahap awal. Hal ini berbeda dengan SEM yang berbasis kovarian yang menggunakan teori untuk dikonfirmasi dengan menggunakan data sampel. � Pendekatan regresi dalam PLS SEM lebih cocok dibandingkan dalam SEM yang berbasis kovarian. � Dalam PLS SEM hanya diperbolehkan model recursive (sebab - akibat ) saja dan tidak mengijinkan model non – recurisve (timbal balik) sebagaimana dalam SEM yang berbasis kovarian. � PLS SEM memungkinkan model sangat kompleks dengan banyak variabel laten dan indikator �

Model Pengukuran Terdapat dua model pengukuran dalam SEM berbasis PLS, yaitu model pengukuran untuk hubungan reflektif dan formatif. � Pengukuran untuk model hubungan reflektif: nilai – nilai yang digunakan dalam model ini ialah: � Reliabilitas komposit (ρc): ≥ 0, 6 � Reliabilitas indikator: nilai loading baku absolut bagian luar dengan nilai > 0, 7 � AVE (Average Variance Extracted): Nilai AVE setidak – tidak nya sebesar 0, 5 � Kriteria Fornell – Larcker: Digunakan untuk meyakinkan validitas diskriminan, maka AVE untuk setiap variabel laten harus lebih tinggi dari pada R 2 dengan semua variabel laten lainnya. Dengan demikian, masing – masing variabel laten berbagi varian lebih dengan masing-masing blok indikatornya daripada dengan variabel laten lainnya yang mewakili satu blok indikator yang berbeda � Cross – loadings: Digunakan untuk pengecekan validitas diskriminan selain kriteria di atas. Jika suatu indikator mempunyai korelasi yang lebih tinggi dengan variabel laten lainnya daripada dengan variabel latennya

Cont… � Pengukuran untuk model hubungan: � Validitas nomologi: Hubungan antara indeks formatif dan variabel – variabel laten lainnya dalam suatu model jalur tertentu, yang harus sudah terbukti dalam riset sebelumnya, harus signifkan dan kuat � Validitas eksternal: Indeks formatif harus menjelaskan sebagian besar varian dari pengukuran reflektif alternatif variabel laten yang terkait � Signfikansi bobot: Bobot estimasi model pengukuran formatif harus signifikan � Tidak terjadi multikolinieritas: Variabel manifest / indikator – indikator dalam suatu blok formatif harus diuji multikolinieritasnya. Pengujian terjadi atau tidaknya multikolinieritas antar indikator dalam blok formatif menggunakan nilai VIF. Jika nilai VIF > 5 terjadi kolinieritas antar indikator dalam satu blok formatif tersebut.

1. 3 Structural Equation Modeling Berbasis Komponen (GSCA) Pengertian � Generalized Structured Component Analysis (GSCA) merupakan suatu pendekatan yang berbasis komponen terhadap strutuctural equation modeling (SEM) yang dikembangkan oleh Hwang dan Takane. � Metode ini mengganti pendekatan Partial Least Square (PLS) yang digunakan dalam SEM berbasis Partial Least Square (PLS) dengan komponen, yaitu dengan cara mengganti faktor – faktor (variabel laten) dengan kombinasi linier nyata dari variabel yang terobservasi (variabel manifest atau indikator) � Metode ini mengenakan kriteria kuadrat terkecil yang didefinisikan dengan benar untuk membuat estimasi paramater – parameter dalam model. � Metode ini melengkapi prosedur SEM berbasis PLS (PLSSEM) dengan cara memanfaatkan keunggulan PLSSEM yang memberi kelonggaran terhadap asumsi normalitas data atau dengan kata lain PLSSEM mengijinkan data yang dianalisis tidak berdistribusi normal dan kelonggaran ini juga diaplikasikan dalam GSCA. � Dengan menggunakan metode ini GSCA mampu menganalisis hubungan antar variabel yang kompleks seperti halnya PLSSEM dan dapat menangani hubungan yang lebih rumit dibandingkan PLSSEM.

Cont… � GSCA sebagaimana namanya menggunakan tradisi analisis komponen untuk mengganti faktor-faktor yang ada dalam PLSSEM. GSCA juga menggunakan kirteria optimasi kuadrat terkecil global yang secara konsisten diminimisasi untuk memperoleh estimasi parameter – parameter dalam model. � Itulah sebabnya GSCA tetap menggunakan indeks kecocokan model keselururuhan disamping kecocokan model pengukuran dan kecocokan model strukutral seperti pada PLSSEM dan CBSEM. � GSCA juga mempunyai kelebihan yaitu mampu menangani diagram jalur yang lebih bervariasi dibandingkan dengan PLSSEM dan CBSEM. � Hubungan antar variabel yang dapat secara reflektif dan formatif merupakan salah stau keunggulan GSCA dan yang dapat dilakukan pula dalam pemodelan dengan PLSSEM tetapi tidak pada CBSEM. � PLSSEM dapat menangani model hubungan antar variabel secara reflektif dan formatif dalam dua model yang berbeda; sedang CBSEM hanya dapat menangani model hubungan antar variabel yang reflektif saja. � Berikut ini diberikan contoh hubungan antar variabel dalam GSCA.

Gambar 1. Model Jalur dengan Dua Komponen (Sumber: Hwang: 2004)

Spesifikasi Model Dalam GSCA spesifikasi model hubungan antar variabel mempunyai 3 sub-model, yaitu: � Model Pengukuran: merupakan model pengukuran antara variabel laten dan manifest yang dalam konteks GSCA disebut hubungan antara komponen dengan variabel manifest. � Model Strukutural: merupakan model pengukuran antara variabel laten satu dan dengan variabel laten lainnya yang dalam konteks GSCA disebut hubungan antara satu komponen dengan komponen lainnya. � Model Keseluruhan: merupakan model pengukuran antara satu komponen beserta variabel manifest dengan komponen beserta variabel manifest lainnya. � Ketiga model tersebut kemudian dikombinasikan menjadi satu model tunggal. Spesifikasi Model Dalam GSCA estimasi parameter menggunakan: � Fungsi memaksimalkan kuadrat terkecil tunggal ( single least square) bandingkan dengan PLSSEM yang menggunakan kuadrat terkecil parsial (partial least square). � Algoritma kuadrat terkecil yang berulang-ulang

Sub model GSCA mempunyai sub-model: � Model struktural atau model bagian dalam (inner) � Model pengukuran atau model bagian luar (outer) � Jika digambarkan akan seperti di bawah ini. Model struktural atau model bagian dalam merupakan hubungan antar variabel laten γ 1 dan γ 2; sedang model pengukuran atau model bagian luar merupakan hubungan antara variabel laten γ 1 dengan variabel manifest / indikator Z 1 dan Z 2 serta variabel laten γ 2 dengan variabel manifest / indikator Z 3 dan Z 4. Gambar 1. Sub model GSCA (Sumber: Hwang, Deperatment of Psychology, Mc. Gill Univeristy, April 2013)

Pengertian Komponen � Dalam GSCA variabel laten didefinisikan sebagai komponen atau jumlah bobot dari variabel – variabel manifest atau indikator. Itulah sebabnya jalur dari komponen atau variabel laten satu ke variabel manifest lainnya diberi simbol W seperti pada gambar di bawah ini. Gambar 2. Hubungan antara Komponen dan Variabel Manifest (Sumber: Hwang, Deperatment of Psychology, Mc. Gill Univeristy, April 2013)

Model Hubungan antara Komponen dan Variabel Manifest Dalam GSCA model hubungan antara komponen dan variabel manifest dapat: � Model hubungan reflektif. Model dimana variabel – variabel manifest merefleksikan komponen � Model hubungan formatif. Model dimana variabel – variabel manifest membentuk komponen. Syarat Kecocokan Model Evaulasi atau validitas model mencakup model pengukuran, model struktural dan model keseluruhan dengan ketentuan sebagai berikut: � Model pengukuran menggunakan nilai AVE: AVE > 0, 5 dan composite reliability pc > 0, 6 � Model struktural dengan nilai R 2 > 0, 5 atau 50% (semakin mendekati 1 semakin baik) � Model keseluruhan dengan nilai Fit > 0, 5 atau 50% (semakin mendekati 1 semakin baik) � Nilai AFIT digunakan untuk membandingkan model lebih dari satu dan diambil model yang mempunyai nilai lebih besar (semakin mendekati 1 semakin baik)

Cont… Uji kelayakan tambahan menggunakan: � Standardized Root Mean Residual (SRMR): nilai rata-rata semua residual yang distandarisasi. Nilai ini bermanfaat untuk membandingkan kecocokan terhadap beberapa model. Nilai SRMR berkisar antara 0 – 1; nilai kecocokan model yang baik < 0, 05 � Goodness of fit index (GFI): mengukur jumlah relatif varian dan kovarian yang besarnya berkisar dari 0 – 1. Jika nilai besarnya mendekati 0 maka model mempunyai kecocokan yang rendah sedang nilai mendekati 1 maka model mempunyai kecocokan yang baik

1. 4 Cara Menjalankan LISREL Versi Student 8. 8 dalam WINDOWS Langkah – Langkah Menjalan LISREL Untuk menjalankan LISREL versi Windows caranya ialah: � Klik Program > LISREL 8. 8 S Untuk membuka file yang ada pada LISREL caranya ialah: � File > Open > C > Program File > LISREL 88 S � LS 8 EX > pilih file yang akan dibuka, misalnya ASTMHA 1. PR 2 > Open Akan keluar tampilan sebagai berikut:

Untuk menganalisis file tersebut caranya ialah: � Terdapat pilihan sebagai berikut: � Syntax Only: jika kita akan membuat perintah dalam bentuk syntax dalam jendela yang tersedia � Output: jika kita akan membuat keluaran � PRELIS Data: jika kita akan membuat proyek dengan PRELIS � SIMPLIS Project: jika kita akan membuat proyek dengan SIMPLIS � LISREL Project: jika kita akan membuat project LISREL � Path Diagram: Jika kita akan membuat diagram jalur File > Run LISREL Untuk membuat file baru, caranya � File > New � Akan keluar jendela dialog seperti di bawah ini

Cara Membuat Diagram Jalur Dengan SIMPLIS � Kasus dalam contoh ini ialah penelitian Holzinger dan Swineford (1939) yang ada dalam file LISREL. Data dalam bentuk matriks korelasi seperti di bawah ini � Gambar diagram jalurnya seperti di samping ini

Cont… � Sintak dalam SIMPLIS seperti di bawah ini Untuk menggunakan SIMPLIS diatas hal-hal yang harus diperhatikan: � Matriks korelasi dibaca dari file eksternal. Dengan demikian data untuk matriks korelasi harus dibuat terlebih dahulu* (lihat cara membuat matriks korelasi di bagian bawah). � Ada 2 variabel laten dalam model: Visual dan Verbal � Perintah untuk membuat decimal sebanyak 4 digit menggunakan Number of Decimals

Cont… Langkah-Langkahnya: � Langkah-langkahnya ialah sebagai berikut: Pertama : Memasukkan Data � File > New > Path Diagram � Dalam perintah Save as beri nama file, misalnya cfa 6. pth dan masukkan ke dalam folder dengan nama splex � Klik Save � Dari Menu Output, pilih SIMPLIS Output � Lakukan beberapa penyesuaian sesuai dengan model di atas seperti berikut ini

Cont… � Pada pilihan Method of Estimation, cek Maximum Likelihood � Pada pilihan Set Check Admissibility to …… Iteration. Isikan 20 � Pada pilihan Number of Decimal in the outpur, isikan 4 � Pada pilihan Invoke Path Diagram, lakukan cek (v) � Klik OK

Cont… � Sebelum mengambar diagram jalur dari Menu View pilih Toolbars, kemudian cek untuk pilihan Toolbar, Status Bar, Type Bar, Variables, Drawing Bar dan dapat ditambahkan sebagai opsi pilihan Grid Line. � Dari menu Set up pilih Title and Comments Dialog

Cont… � Kemudian pada kotak Title tuliskan judul utama, misalny: ”Confirmatory factor with 6 variables”, isikan tambahan komentar, misalnya “Subset of the 9 variables in the SIMPLIS language guide”. Kemudian klik Next ke kotak dialog Group Names.

Cont… � Karena dalam contoh ini hanya ada satu (1) matriks korelasi; maka kita tidak perlu memasukkan informasi ke Group Label. Kemudian klik Next untuk menuju ke kotak dialog Labels. Jumlah variabel bawaan (default) dalam LISREL adalah dua (2), yaitu VAR 1 dan VAR 2. Dalam contoh di atas kta mempunyai 6 variabel manifest / indikator maka kita harus memilih opsi Add / Read Variables. Cek pada pilihan Add list of variables dan masukkan label VIS PERC, CUBES, LOZENGES, PAR COMP, SEN COMP dan WORDMEAN satu persatu ke dalam kotak Var List.

Cont… � Karena terdapat 2 variabel laten Visual dan Verbal, prosedur di atas diulangi sekali lagi dengan cara memilih Add List pada Latent Variables pada bagian kotak dialog Labels. Tambahkan var 1 -var 2 kemudian klik OK. Kemudian beri label nama pada Visual dan Verbal dengan cara meng-klik nomor variabel. Kemudian klik Next menuju ke kotak dialog Data.

Cont… � Pilih Correlations pada Statistic dari: kotak dialog ‘drop-down’ dan juga pilihan Correlations pada kotak dialog Matrix to be analysed. Pada kotak pilihan Number of Observations ketikkan 145. Pada piliha File Type, pilih External ASCII data dan pindahkan file ex 5. cor ke dalam folder splex yang sudah kita buat. Kemudian klik OK.

Cont… Kedua: Menggambar Diagram Jalur � Untuk menggambar diagram jalur dari model diatas caranya ialah: � Klik label VIS PERC pada bagian Observed Variables dibagian kotak dialog Labels. Tahan mouse dan tarik ke arah area gambar kemudian letakkan ke area gambar yang kita inginkan sampai muncul gambar kotak empat persegi panjang dan lepaskan mouse setelah muncul gambar kotak tersebut. Hal yang perlu diperhatikan: 1) variabel yang terobservasi secara langsung / manifest / indikator diasumsikan sebagai variabel X (variabel independen / bebas ) kecual jika kotak dalam kolom Y di klik; 2) variabel aten diasumsikan sebagai KSI (variabel independen / bebas ) kecual jika kotak dalam kolom ETA di klik.

Cont… � Ulangi prosedur di atas sampai dengan semua variabel manifest tergambar dalam area gambar seperti di samping ini.

Cont… Untuk mengatur tampilan gambar kotak tersebut caranya ialah: � Pilih Edit > Select All dan gambar kotak di sekitar obyek yang kita ingingkan dengan mouse. � Letakkan mouse di tempat obyek tersebut. Kemudian klik mouse bagian kanan maka menu akan keluar seperti ini

Cont… Pilih Align > Left � Pilih Even space > Vertically �

Cont… � Setelah semua variabel manifest tergambar, maka kita akan menggambar dua variabel laten Visual dan Verbal dalam bentuk gambar lingkaran elips. Untuk menggambar kedua variabel laten tersebut caranya sama, yaitu dengan mengklik gambar dan menarik dengan mouse ke area gambar dan jatuhkan di lokasi yang kita inginkan.

Cont… � Bagian akhir ialah menggambar anak panah searah dari variabel laten menuju ke variabel manifest masing-masing dengan cara memilih pada menu toolbar Draw kemudian pilih anak panah satu arah. Tempelkan dengan mouse dari variabel laten Visual dan tarik menuju kearah variabel manifest VIS PERC.

Cont… � Lalukan untuk semua variabel yang ada dalam model seperti gambar diagram jalur di bawah ini.

Cont… � Kemudian pilih menu Set up > Build SIMPLIS Syntax. Kemudian sintak SIMPLIS akan dibuat oleh program dan diberi nama sebagai cfa 6. spj. Kemudian klik Run LISREL pada menu File > Run Lisrel atau pada menu gambar visual yang tersedia. Hasilnya akan seperti gambar di bawah ini.

Cont… � Jika kita ingin melakukan perubahan pada model, misalnya dengan menetapkan memberikan nilai tetap (fix value) pada bagian kovarian maka caranya ialah dengan menempelkan mouse pada bagian area anak panah dua arah yang menghubungkan variabel laten Visual dan Verbal kemudian klik kanan dan pilih Fix.

Cont… � Klik Run Lisrel lagi untuk mengubah model diatas dan hasilnya akan seperti di bawah ini. � Untuk intepretasi keluaran nilai tersebut akan dibahas pada bagian contoh kasus di bagian buku berikutnya.

Cara Membuat Matriks Korelasi � Input data yang akan diolah dalam SPSS dan beri nama”data_matriks_korelasi. sav” � Aktifkan program LISREL versi 8. 8 S � Pilih File > Input Data dengan Files of Type pilih SPSS � Cari dan pilih lokasi file ”data_matriks_korelasi. sav” dalam SPSS tersebut � Open � Pilih menu Statistics > Output Options

Cont… � Pada pilihan Moment Matrixs pilih Correlation Pada pilihan Data cek (v) Save the Transformed Data to File. Beri nama mk. cor (jangan lupa memberi ekstensi cor dan tempatkan pada folder sebagai contoh My. Document>Folder. Matrik s. Korelasi>mk. cor)

1. 5 Cara Menjalankan Smart. PLS Versi Student 3. 2 Program Smart. PLS dapat diperoleh di http: //smartpls. de secara gratis untuk versi student. Versi student dapat digunakan untuk menganalisis data maksimal 100 observasi. Untuk membuat proyek baru dapat dilakukan dengan cara sebagai berikut: � Pertama : Aktifkan Smart. PLS, maka akan muncul tampilan seperti di bawah ini

� Klik File > New > Create New Project dengan tampilan sebagai berikut � Kemudian tuliskan nama proyek baru, misalnya ‘contoh 1’ � Tekan Ok. Smart. PLS akan menampilkan jendela seperti di bawah ini

Cont… Kedua: Siapkan data dalam excell � Data dalam contoh dibei nama data. xlsx seperti di bawah ini �

Cont… Ketiga: ubah file tersebut menjadi file dengan format csv � File> Save as � File name: beri nama data � Save as type: CSV (comma delimited) � � Tekan Save

Cont… � Keempat: Aktifkan data dengan mengklik di perintah: “Double Click to Import the data” Cari Lokasi file � Import the data > pilih OK Tampilan akan menjadi �

Cont… Kelima: Membuat gambar diagram jalur � Klik 2 kali pada nama file : contoh 1” disebelah kiri pada kolom Project Explorer sampai keluar tampilan seperti di bawah ini �

Cont… Keenam: Gambar diagram jalur di area sebelah kanan yang tersedia � Buat variabel laten X dan Y dengan cara memilih atau klik Laten Variabel dan kemudian tarik ke area gambar sampai muncul seperti di bawah ini �

� Tempel mouse di gambar lingkaran warna merah dan klik kanan untuk memberi nama dengan memilih perintah Rename � Pada pilihan “Name displayed in the model” dan “Name displayed in the report”, ketikkan X. � Klik OK � Ulangi untuk variabel laten Y dengan cara yang sama � Untuk membuat variabel manifest atau indikator, kita tinggal menarik (drag) dari kolom Indicators yang tersedia di sebelah kolom kiri bawah. Caranya tempel mouse dan tarik ke area gambar.

Cont… � Pada pilihan “Name displayed in the model” dan “Name displayed in the report”, ketikkan X. Klik OK � Ulangi untuk variabel laten Y dengan cara yang sama � Untuk membuat variabel manifest atau indikator, kita tinggal menarik (drag) dari kolom Indicators yang tersedia di sebelah kolom kiri bawah. Caranya tempel mouse dan tarik ke area gambar. �

Cont… � Lakukan dengan cara yang sama untuk indikator – indikator yang lain. Sampai muncul tampilan seperti di bawah in.

� Untuk merapikan tampilan caranya tempelkan mouse ke indikator tersebut dan tarik ke lokasi sesuai keinginan kita. � Hubungkan kedua variabel laten dengan perintah “Connect”. Sampai warna merah berubah menjadi warna biru seperti di bawah ini

Cont… Hasilnya akan seperti di bawah ini � Diagram Jalur dengan nilai – nilai paramater yang dihitung akan seperti di bawah ini �

Cont… � Untuk melihat keluaran teks kita dapat mengklik pada sub-menu di bagian bawah: Final Result dan � Quality Criteria � � Untuk intepretasi keluaran nilai tersebut akan dibahas pada bagian contoh kasus di bagian buku berikutnya.

1. 6 Cara Menjalankan Program GESCA Untuk melakukan penghitungan GSCA sampai saat ini hanya dapat dilakukan secara online melalui alamat berikut ini: www. sem-gesca. org sedang langkah -langkah penghitungan dapat dilakukan sebagai berikut: � Pertama: mempersiapkan data dalam file Excell dengan ketentuan sebagai berikut: � Baris pertama berisi nama indikator – indikator � Data dimasukkan mulai baris kedua � Berikut ini adalah contoh data nya

Cont… Kedua: Buka program GESCA � Pertama kali dibuka maka muncul perintah “Run” untuk menjalankan program seperti di bawah ini. Untuk menjalankan klik pilihan Run. �

Cont… Ketiga: Upload data � Upload data melalui perintah Upload Data. �

Cont… � Sesudah itu semua indikator akan muncul pada jendela bagian kiri dengan label “Indicators”.

Cont… Kelima: Membuat spesifikasi model persamaan strukutral � Untuk membuat spesifikasi model persamaan strukutral langkahnya: 1) Gambar variabel laten melalui perintah Draw Latent Variables seperti gambar berikut in �

Cont… � Klik mouse sebelah kiri dengan kursor ditempatkan pada jendela “Model Specification” sebanyak variabel laten yang akan kita gambar. Secara default variabel laten akan diberi nama LV_1 sampai LV_4.

Cont… 2) Menggambar indikator-indikator untuk masing-masing variabel laten (model pengukuran) � Setelah selesai membuat variabel – variabel laten, maka kita harus membuat spesifikasi model pengukuran dengan cara sebagai berikut: � Klik satu kali ikon Assign Indicators di bagian kanan kemudian klik satu variabel laten tertentu yang berhubungan dengan indikator tersebut di jendela Model Specifiation.

Cont… � Variabel laten dapat diberi nama lain dengan mengetttikan pada label di jendela Assign Indcators. � Pilih indikator yang tersedia di daftar di sebelah kiri kemudian pindahkan ke ke kanan ke jendela Model Specification dimana variabel laten digambar. � Tetntukan indikator bersifat reflektif atau formatif. (Secara bawaan indikator akan digambarkan secara reflektif) � Ulangi proses tersebut sampai dengan keempat variabel laten yang ada

Cont… 3) Gambar koefesien jalur (model struktural) � Untuk menggambarkan koefesien jalur caranya: � Klik ikon Draw Path Coefficient di sebelah kanan.

Cont… � Tarik jalur dari variabel laten eksogen ke variabel laten endogen dan lakukan dengan cara yang sama sampai semua variabel laten terhubung sesuai dengan spesifikasi model.

Cont… 4) Jalankan program GESCA � Untuk menjalankan program GESCA pilih dan klik menud Run.

Cont… � Hasilnya akan seperti di bawah ini � Hasil di atas dapat kita kopi dengan perintah Crtl a (Blok) > Ctrl c (Copy) > Ctrl v (Paste) ke Word.

Keluaran Indeks Kecocokan Model � Dalam GSCA variabel laten didefinisikan sebagai komponen atau jumlah bobot dari variabel – variabel manifest atau indikator. Itulah sebabnya jalur dari komponen atau variabel laten satu ke variabel manifest lainnya diberi simbol W seperti pada gambar di bawah ini.

Cont… Penafsiran indeks kecocokan model di atas adalah: � Nilai FIT: nilainya berkisar antara 0 – 1 semakin mendekati 1 maka semakin besar varian variabel – variabel yang diteliti yang dapat dijelaskan dalam model. � Nilai AFIT: sama dengan FIT nilai ini digunakan untuk membuat perbandingan model. Jika ada lebih dari satu model, maka model dengan nilai AFIT yang lebih besar harus dipilih. � GFI: Nilai GFI semakin mendekati 1 menunjukkan kecocokan model yang baik SRMS: nilai SRMS semakin mendekati 0 menunjukkan kecocokan model yang baik � NPAR: menrupakan jumlah parameter yang diestimasi termasuk diantaranya bobot (weight), muatan (loadings) dan koefesien jalur (path coefficients). �

Keluaran Bagian Model Pengukuran

Cont… Tabel di atas menampilkan estimasi: � Muatan (loadings) untuk setiap indikator: nilai koefesien jalur dari variabel laten kearah indikatornya. Sebagai contoh nilai muatan dari variabel laten LV_1 ke indikator cei 1 sebesar 0, 781 � Bobot (weights) untuk setiap indikator. Nilai pembobotan dari variabel laten kearah indikatornya. Sebagai contoh nilai bobot dari variabel laten LV_1 ke indikator cei 1 sebesar 0, 150

Cont… � R 2 (Squared Multiple Correlation (SMC)): nilai ini merupakan nilai muatan ((loadings) yang dikuadratkan yang menunjukkan seberapa besar varian indikator yang dapat dijelaskan dengan menggunakan variabel latennya. Sebagai contoh nilai SMC dari variabel laten LV_1 ke indikator cei 1 sebesar 0, 609 � Nilai rasio kritis bootstrap absolut (Critical Rasio (CR)): digunakan untuk pengujian sigifikansi estimasi. Sebagai contoh, suatu estimasi dikatakan signifikan pada tingkat 0, 05 jika nilai CR setara atau lebih besar dari dua dalam nilai absolut dengan asumsi bahwa distribusi bootstrap estimasi normal. Sebagai contoh nilai CR dari variabel laten LV_1 ke indikator cei 1 sebesar 31, 03 (loadings); 14, 5 (weight) dan 15, 5 (SMC). � Nilai AVE (Average Variance Extracted) merupakan jumlah rata-rata varian indikator yang dapat dijelaskan oleh variabel latennya. Nilai ini sebaiknya lebih besar dari 0, 5. Sebagai contoh nilai AVE dari variabel laten LV_1 ke indikator – indikatornya sebesar 0, 641 � Nilai Alpha menunjukkan nilai Cronbach’s alpha. Nilai ideal ialah 0, 8; sedang ambang bawah ialah 0, 7. Nilai semakin mendekati 1 menujukkan reliabilitas yang semakin tinggi. Sebagai contoh nilai Alpha dari variabel laten LV_1 ke indikatornya sebesar 0, 919. � Jika indikator formatif maka nilai muatan dan R 2 tidak akan ditampilkan.

Keluaran Model Struktural � Keluaran di atas menunjukkan estimasi koefesien jalur, kesalahan baku (standard errorr), dan nilai rasio kritis (CR). Nilai koefesien jalur merupakan nilai koefesien regresi dari satu variabel laten ke variabel laten lainnya. Sebagai contoh nilai koefesien jalur dari variabel laten LV_1 ke LV_2 sebesar 0, 362 dengan nilai S. E sebesar 0, 067 dan CR 5, 51 � Nilai SE (Standard Error of Estimate) nilai ini merupakan nilai estimasi kesalahan baku dengan ketentuan semakin kecil atau mendekati 0 menunjukkan hasil estimasi yang semakin baik. �

Keluaran R 2 Variabel Laten � Keluaran di atas menampilkan nilai R 2 untuk setiap variabel laten endogen yang menunjukkan seberapa besar variabel laten endogen dapat dijelaskan oleh variabel laten eksogennya. Sebagai contoh nilai R 2 untuk variabel laten endogen LV_2 ialah sebesar 0, 131. Sedang variabel LV_1 adalah variabel laten eksogen.

Keluaran Nilai Rata-Rata Variabel – Variabel Laten � Keluaran di atas merupakan keluaran nilai rata-rata variabel- variabel laten. Sebagai contoh nilai rata-rata untuk variabel laten LV_1 sebesar 4, 078.

Keluaran Korelasi Antar Variabel Laten � Keluaran di atas merupakan keluaran nilai korelasi antar variabel laten dengan disertai nilai kesalahan bakunya (SE). Sebagai contoh nilai korelasi antara variabel laten LV_1 dengan LV_2 ialah 0, 362 dengan nilai SE sebesar 0, 067.

Daftar Pustaka � Byrne, B. M. (2001). Structural Equation Modeling With LISREL, Basic Concepts, Applications, and Programming. New Jersey: Lawrence Erlbaum Associates Publishers. � Cramer, D. & Howitt, D. (2006). The Sage Dictionary of Statistics. Thousand Oaks, California. Sage Publications Inc � Hwang, H. , Montreal, H. , & Takane, Y. (2004) Generalized Structured Component Analysis. Psychometrika. Vol. 69, No. 1, 88 -89 March 2004. � Hwang, H. (2013). Generalized Structured Component Analysis. A Component Approach to Structural Equation Modeling. April 2013 � Hair, Joseph F. et al. (2010). Multivariate Data Analysis: A Global Perspective. New Jersey: Pearson Prentice Hall � Henseler, J. Ringle, C. M. & Sinkovicks, R. R. (2009). The use of partial least square modeling in international marketing. New Challenges to International Marketing Advances in International Marketing, Volume 20, 277 -319 � Monecke, A. & Leisch, F. (2012) SEM PLS: Structural Equation Modeling Using Partial Least Square. Journal of Statistic Software. � Ringle, C. M. , Wende, S. & Will, A. (2005). Smart. PLS. http: //smartpls. de � Tenenhaus, M. Component Based Structural Equation Modeling. 2009. HEC School of Management, La rue de la liberation, Jouy –en- Josas France � Toit, M. D & Toit, SD (2015) Interactive LISREL : User’s Guide. Scientific Software International, Inc.