Untuk mencapai tujuan penelitian serta pengujian hipotesis yang diajukan, maka data yang diperoleh selanjutnya akan diolah sesuai dengan kebutuhan analisis. Adapun langkah-langkah pembentukan model persamaan struktural (SEM) adalah sebagai berikut :
1. Pengembangan model berbasis teori
Langkah pertama dalam pengembangan model SEM adalah mengetahui hubungan klausalitas antar variabel, dimana perubahan terhadap satu variabel akan berakibat pada perubahan variabel lainnya. Kuatnya hubungan klausalitas antar dua variabel terletak pada justifikasi (pembenaran) teoritis yang kuat untuk mendukung analisis. SEM tidak digunakan untuk menghasilkan sebuah model, tetapi digunakan untuk mengkonfirmasi model teoritis tersebut melalui data empirik. 2. Pengembangan diagram jalur
Langkah kedua dalam SEM adalah menggambarkan model teoritis yang telah dibangun ke dalam sebuah diagram jalur. Gunanya yaitu untuk memudahkan dalam melihat hubungan-hubungan kausalitas yang akan diuji.
3. Konversi diagram jalur ke dalam persamaan
Langkah ketiga dalam SEM adalah mengkonversi diagram jalur yang sudah dibentuk ke dalam sebuah persamaan. Persamaan yang dibangun akan terdiri dari :
a. Persamaan-persamaan struktural (structural equations). Persamaan ini dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk. Tujuannya untuk melihat signifikansi hubungan antar variabel laten dalam model penelitian dengan melihat koefisien jalur (path coefficient).
b. Persamaan spesifikasi model pengukuran (measurement model). Pada spesifikasi ini peneliti menentukan variabel mana mengukur konstruk mana serta menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesakan antar konstruk atau variabel.
4. Memilih matriks input dan estimasi model
Perbedaan SEM dengan teknik-teknik multivariate lainnya adalah dalam input data yang digunakan dalam pemodelan dan estimasinya. SEM hanya menggunakan matriks varians / kovarians atau matriks korelasi sebagai data input untuk keseluruhan estimasi yang dilakukannya. Data mentah observasi individu yang dijadikan inputan akan dikonversi terlebih dahulu dalam bentuk matriks kovarians atau matriks korelasi sebelum melakukan estimasi.
Ukuran sampel memegang peranan penting dalam estimasi dan interpretasi hasil-hasil SEM. Ukuran sampel digunakan sebagai dasar untuk mengestimasi kesalahan sampling. Menurut Hair dkk. dalam buku yang ditulis oleh Ferdinand (2002), ukuran sampel yang sesuai digunakan dalam SEM adalah antara 100 – 200. Bila ukuran sampel menjadi terlalu besar misalnya lebih dari 400 maka metode menjadi sangat sensitif sehingga sulit untuk mendapatkan ukuran-ukuran goodness-of-fit yang baik. Ada beberapa teknik estimasi yang bisa digunakan, seperti Maximum Likelihood Estimation (ML), Generalized Least Square Estimation (GLS) dan lain sebagainya.
5. Kemungkinan munculnya masalah identifikasi
Selama proses estimasi model kausal ini, salah satu masalah yang akan dihadapi adalah masalah identifikasi. Masalah identifikasi itu sendiri adalah masalah mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik. Masalah identifikasi dapat diketahui melalui beberapa hal berikut ini:
a. Standard error untuk satu atau beberapa koefisien adalah sangat besar
b. Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan
c. Muncul angka-angka yang aneh seperti adanya varians error yang negatif d. Munculnya korelasi yang sangat tinggi antara koefisien estimasi yang didapat (misalnya lebih dari 0.9)
Olah Data dan Pendampingan Penyusunan Artikel Ilmiah