Posted on by Kresna

SEM AMOS

Permodelan penelitian dengan memnggunakan SEM memungkinkan seorang peneliti dapat menjawab pertanyaan penelitian yang bersifat dimensional dan regresi.

Penelitian ini menggunakan dua macam teknik analisis yaitu :

  1. Analisis faktor konfirmatori (confirmatory factor analysis)

Analisis faktor konfirmatori pada SEM digunakan untuk mengkonfirmasikan faktor-faktor yang paling dominan dalam satu kelompok variabel. Pada penelitian ini analisis faktor konfirmatori digunakan untuk menguji indikator yang membentuk gaya kepemimpinan, budaya organisasi, komitmen organisasional dan kinerja karyawan.

  • Regression weight

Regression weight pada SEM digunakan untuk meneliti seberapa besar pengaruh hubungan variabel-variabel yang secara teoritis ada. Dalam penelitian ini variabel-variabel tersebut terdiri dari gaya kepemimpinan, budaya organisasi, komitmen organisasional dan kinerja karyawan, sehingga pada penelitian ini regression weight digunakan untuk menguji hipotesis H1,H2,H3,H4.

Augusty (2000), menyatakan terdapat tujuh langkah yang harus dilakukan apabila menggunakan permodelan SEM. Sebuah permodelan SEM yang lengkap pada dasarnya terdiri dari measurement model dan structural model. Measurement model atau model pengukuan ditujukan untuk mengkonfirmasi dimensi-dimensi yang dikembangkan pada sebuah faktor. Structural model adalah model mengenai struktur hubungan yang membentuk atau menjelaskan kausalitas antara faktor.

Untuk membuat permodelan yang lengkap beberapa langkah berikut perlu dilakukan :

  1. Mengembangkan teori berdasarkan model

SEM berdasarkan pada hubungan sebab akibat, dimana perubahan yang terjadi pada satu variabel diasumsikan untuk menghasilkan perubahan pada variabel yang lain.

  • Membentuk sebuah diagram alur dari hubungan kausal

Langkah berikutnya adalah menggambarkan hubungan antara variabel pada sebuah diagram alur yang secara khusus dapat membantu dalam menggambarkan serangkaian hubungan kausal antar konstruk dari model teoritis yang telah dibangun pada tahap pertama. Adapun dalam menyusun bagan alur digambarkan dengan hubungan antara konstruk melalui anak panah. Anak panah yang digambarkan lurusmenyatakan hubungan kausal yang langsung antara satu konstruk dengan konstruk lainnya. Sedangkan garis-garis lengkung yang terdapat antar konstruk dengan anak panah pada setiap ujungnya menunjukkan korelasi antar konstruk.

Augusty (2000), menyatakan konstruk-konstruk yang dibangun dalam diagram alur dapat dibedakan dalam dua kelompok konstruk yaitu :

  1. Konstruk eksogen, dikenal juga sebagai source variables atau independent variables yang tidak di prediksi oleh variabel yang lain dalam model. Konstruk eksogen adalah konstruk yang dituju oleh garis dengan satu ujung panah.
  2. Konstruk endogen, merupakan faktor-faktor yang diprediksi oleh satu atau beberapa konstruk. Konstruk endogen dapat memprediksi satu atau beberapa konstruk endogen lainnya, tetapi konstruk eksogen hanya dapat berhubungan kausal dengan konstruk endogen.
  3. Mengubah alur diagram ke dalam persamaan struktural dan model pengukuran. Pada langkah ketiga ini, persamaan struktural dan model pengukuran yang spesifik siap dibuat yaitu dengan mengubah diagram alur ke model pengukuran. Persamaan yang dibangun dari diagram alur yang dikonversi terdiri dari :
  4. Persamaan struktural, yang dirumuskan untuk menyatakan hubungan kausalitas, bahwa setiap konstruk endogen merupakan variabel dependen yang terpisah. Sedangkan variabel independen adalah semua konstruk yang mempunyai garis dengan anak panah yang menghubungkan ke konstruk endogen, dengan pedoman sebagai berikut :

Variabel endogen = variabel eksogen + variabel endogen + error

Persamaan struktural :

Komitmen Organisasi = l1.1 Gaya Kepemimpinan + l1.2 Budaya Organisasi + e1

Kinerja karyawan = l2.1 Gaya Kepemimpinan +  l2.2 Budaya Organisasi + β2.1 Komitmen Organisasi + e2

  1. Memilih matriks input dan estimasi model

Hair et al (1995), menyarankan agar menggunakan matriks varians/kovarians pada saat pengujian teori sebab matriks varian/kovarians lebih memenuhi asumsi metodologi dimana standar error yang dilaporkan menunjukkan angka yang lebih akurat dibandingkan dengan matriks korelasi (dimana dalam matriks korelasi rentang umum berlaku antara 0 s/d 1)

Ukuran sampel yang sesuai adalah antara 100-200 karena ukuran sampel akan menghasilkan dasar estimasi kesalahan sampling. Program computer yang digunakan untuk mengestimasi model adalah program AMOS 16.0 dengan menggunakan teknik maximum likelihood estimation.

  • Menganalisis kemungkinana munculnya masalah identifikasi

masalah identifikasi adalah ketidakmampuan model yang dikembangkan untuk menghasilkan estimasi yang baik. Bila estimasi tidak dapat dilakukan maka software AMOS 16.0. akan memunculkan pesan pada monitor computer tentang kemungkinan penyebabnya.

Salah satu cara untuk mengatasi identifikasi adalah dengan memperbanyak constrain pada model yang dianalisis dan berarti sejumlah estimated coefficient di eliminasi.

  • Mengevaluasi kriteria goodness-of-fit

Pada langkah ini dilakukan evaluasi terhadap kesesuaian model melalui telaah terhadap berbagai kriteria goodness-of-fit, urutannya adalah :

  1. Asumsi-asumsi SEM

Tindakan pertama adalah mengevaluasi apakah data yang digunakan dapat memnuhi asumsi-asumsi SEM, yaitu :

  1. Ukuran sampel
  2. Normalitas dan linearitas
  3. Outliers
  4. Multikolinearitas dan singularitas
  5. Uji kesesuaian dan uji statistik

Beberapa indeks kesesuaian dan cut-off untuk menguji apakah sebuah model dapat diterima atau di tolak adalah :

  1. Chi-square statistic

Pengukuran yang paling mendasar adalah likehood ratio chi-square statistic. Model yang di uji akan dipandang baik apabila nilai chi-squarenya rendah karena chi-square yang rendah/kecil dan tidak signifikan yang diharapkan agar hipotesis nol sulit ditolak dan dasar penerimaan adalah probabilitas dengan cut-off value sebesar p ≥ 0,05 atau p ≥ 0,10 (Augusty, 2002).

  • Probability

Nilai probability yang dapat diterima adalah p ≥ 0,05

  • Goodness-of-fit (GFI)

Indeks ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarian sampel yang dijelaskan oleh matriks kovarians populasi yang terestimasikan. GFI adalah sebuah ukuran non statistical yang mempunyai rentang nilai antara 0 (poor fit) sampai dengan 1,0 (perfect fit). Nilai yang tinggi dalam indeks menunjukkan sebuah “better fit”.

  • Adjusted goodness-of-fit index (AGFI)

Tingkat penerimaan yang direkomendasikan adalah apabila AGFI mempunyai nilai sama dengan atau lebih besar dari 0,90 (Hair, et al. 1995). Nilai sebesar 0,95 dapat di interpretasikan sebagai tingkatan yang baik-good overall model fit sedangkan besaran nilai antara 0,9 – 0,95 menunjukkan tingkatan cukup – adequates fit.

  • Comparative fit index (CFI)

Besaran indeks ini adalah pada rentang nilai sebesar 0 – 1, dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi – a very good fit (Arbuckle, 1997). Nilai yang direkomendasikan adalah CFI ≥ 0,95

.

  • Tucker lewis index (TLI)

TLI adalah sebuah alternatif increamental fit index yang membandingkan sebuah model yang di uji terhadap sebuah baseline model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan ≥ 0,95 (Hair, 1995) dan nilai yang sangat mendekati I menunjukkan a very good fit (Arbuckle, 1997).

  • The minimum sample discrepancy function (CMIN)

Dibagi dengan Degree of Freedom (DF). CMIN/DF adalah salah satu indikator untuk mengukur tingkat fitnya sebuah model. Dalam hal ini CMIN/DF tidak lain adalah Chi-Square dibagi DF atau Chi-Square Relatif (=X2 relatif). Nilai X2 Relatif ≤ 2.

  • The root mean square error of approximation (RMSEA)

RMSEA adalah sebuah indeks yang dapat digunakan untuk mengGaya Kepemimpinan chi-square statistic dalam sampel yang besar. Nilai RMSEA menunjukkan goodness of fit yang dapat diharapkan apabila model di estimasi 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 (Brown, 1993 dalam Augusty, 2000).

  • Intrepretasi dan modifikasi model

Pada tahap selanjutnya model di intrepretasikan dan dimodifikasi. Bagi model yang tidak memenuhi syarat pengujian yang dilakukan. Setelah model di estimasi, residual kovariansnya haruslah kecil atau mendekati nol dan distribusi frekuensi dari kovarians residual harus bersifat simetrik. Batas kemanan untuk jumlah residual yang dihasilkan oleh model adalah 5%.

Nilai residual values yang lebih besar atau sama dengan 2,58 di interpretasikan sebagai signifikan secara statis pada tingkat 1% dan residual yang signifikan ini menunjukkan adanya prediction error yang substansial untuk sepasang indikator.