Evaluasi kriteria goodness of fit (skripsi dan tesis)

Pada tahap ini dilakukan pengujian terhadap kesesuaian model melalui telaah
terhadap berbagai kriteria goodness of fit. Berikut ini beberapa indeks kesesuaian dan cut off value untuk menguji apakah sebuah model dapat diterima atau ditolak menurut Ferdinand (2000) :
1) Uji Chi-square, dimana model dipandang baik atau memuaskan bila nilai Chi-
square nya rendah. Semakin kecil nilai chi-square semakin baik model itu dan
nilai signifikansi lebih besar dari cut off value (p>0,05).
2) RMSEA (The Root Mean Square Error of Approximation), yang
menunjukkan goodness of fit yang dapat diharapkan bila model diestimasi
dalam populasi (Hair et.al., 1995). 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.
3) GFI (Goodness of Fit Index) adalah ukuran non statistikal yang mempunyai
rentang nilai antara 0 (poor fit) sampai dengan 1.0 (perfect fit). Nilai yang
tinggi dalam indeks ini menunjukkan sebuah “better fit“.
4) AGFI (Adjusted Goodness of Fit Index), dimana tingkat penerimaan yang
direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih
besar dari 0,90.
5) CMIN/DF adalah The Minimum Sample Discrepancy Function yang dibagi
dengan Degree of FreedomChi-square dibagi DF-nya disebut chi-square
relatif. Bila nilai chi-square relatif kurang dari 2.0 atau 3.0 adalah indikasi
dari acceptable fit antara model dan data.
6) TLI (Tucker Lewis Index), merupakan incremental index yang
membandingkan sebuah model yang diuji terhadap sebuah baseline model,
dimana sebuah model ≥ 0,95 dan nilai yang mendekati 1 menunjukkan a very
good fit.
7) CFI (Comparative Fit Index), dimana bila mendekati 1, mengindikasi tingkat
fit yang paling tinggi. Nilai yang direkomendasikan adalah CFI ≥ 0,94.
Dengan demikian indeks-indeks yang digunakan untuk menguji kelayakan

 

Memilih matriks input dan estimasi model (skripsi dan tesis)

SEM menggunakan input data yang hanya menggunakan matriks
varians/kovarians atau matriks korelasi untuk keseluruhan estimasi yang dilakukan. Matriks kovarian digunakan karena SEM memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi yang berbeda atau sampel yang berbeda, yang tidak dapat disajikan oleh korelasi. Hair et.al (1996) menyarankan agar menggunakan matriks varians/kovarians pada saat pengujian teori sebab lebih memenuhi asumsi-asumsi metodologi dimana standar error menunjukkan angka yang lebih akurat dibanding menggunakan matriks korelasi.

 Konversi diagram alur ke dalam persamaan Dalam SEM (skripsi dan tesis)

Persamaan yang didapat dari diagram alur yang dikonversi terdiri dari :
1) Persamaan struktural (structural equation) yang dirumuskan untuk
menyatakan hubungan kausalitas antar berbagai konstruk.
Variabel endogen = variabel eksogen + variabel endogen + error
2) Persamaan spesifikasi model pengukuran (measurement model), dimana harus ditentukan variabel yang mengukur konstruk dan menentukan serangkaian matriks yang menunjukkan korelasi antar konstruk atau variabel.

 

Pengembangan diagram alur dalam SEM (skripsi dan tesis)

Dalam langkah kedua ini, model teoritis yang telah dibangun pada tahap
pertama akan digambarkan dalam sebuah diagram alur, yang akan mempermudah untuk melihat hubungan kausalitas yang ingin diuji. Dalam diagram alur, hubungan antar konstruk akan dinyatakan melalui anak panah. Anak panah yang lurus menunjukkan sebuah hubungan kausal yang langsung antara satu konstruk lainnya. Sedangkan garis-garis lengkung antar konstruk dengan anak panah pada setiap ujungnya menunjukkan korelasi antara konstruk.
Konstruk yang dibangun dalam diagram alur dapat dibedakan dalam dua
kelompok, yaitu :
1) Konstruk eksogen (exogenous constructs), yang dikenal juga sebagai source
variables atau independent variables yang akan diprediksi oleh variabel yang
lain dalam model. Konstruk eksogen adalah konstruk yang dituju oleh garis
dengan satu ujung panah.
2) Konstruk endogen (endogen constructs), yang 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

Pengembangan model teoritis Dalam SEM (skripsi dan tesis)

Dalam langkah pengembangan model teoritis, hal yang harus dilakukan
adalah melakukan serangkaian eksplorasi ilmiah melalui telaah pustaka guna
mendapatkan justifikasi atas model teoritis yang akan dikembangkan. SEM
digunakan bukan untuk menghasilkan sebuah model, tetapi digunakan untuk
mengkonfirmasi model teoritis tersebut melalui data empirik

 

Bagian SEM (skripsi dan tesis)

Secara umum, sebuah model SEM dapat dibagi menjadi dua bagian utama, yaitu:
1. Measurement Model
Measurement model adalah bagian dari model SEM yang menggambarkan
hubungan antara variabel laten dengan indikator-indikatornya.
2. Structural Model
Structural model menggambarkan hubungan antar variabel-variabel laten atau antar variabel eksogen dengan variabel laten

Konsep dan Istilah (skripsi dan tesis)

1. Model jalur ialah suatu diagram yang menghubungkan antara variabel bebas,
perantara dan tergantung. Pola hubungan ditunjukkan dengan menggunakan anak panah. Anak panah tunggal menunjukkan hubungan sebab-akibat antara variabel-variabel eksogen atau perantara dengan satu variabel tergantung atau lebih. Anak panah juga menghubungkan kesalahan-kesalahan (variabel error) dengan semua variabel endogen masing-masing. Anak panah ganda menunjukkan korelasi antara pasangan variabel-variabel eksogen.
2. Model sebab akibat (causal modeling,) atau disebut juga analisis jalur (path
analysis), yang menyusun hipotesis hubungan sebab akibat (causal
relationships) diantara variabel- variabel dan menguji model-model sebab akibat (causal models) dengan menggunakan sistem persamaan linier. Model-model sebab akibat dapat mencakup variabel-variabel manifes (indikator), variabel-variabel laten atau keduanya.
3. Variabel eksogen dalam suatu model jalur ialah semua variabel yang tidak ada penyebab-penyebab ekspilsitnya atau dalam diagram tidak ada anak-anak panah yang menuju ke arahnya, selain pada bagian kesalahan pengukuran. Jika antara variabel eksogen dikorelasikan maka korelasi tersebut ditunjukkan dengan anak panah berkepala dua yang menghubungkan variabel-variabel tersebut.
4. Variabel endogen ialah variabel yang mempunyai anak panah-anak panah
menuju ke arah variabel tersebut. Variabel yang termasuk didalamnya mencakup semua variabel perantara dan tergantung.
5. Variabel laten adalah variabel yang tidak dapat diukur secara langsung kecuali diukur dengan satu atau lebih variabel manifes.
6. Variabel manifes adalah variabel yang digunakan untuk menjelaskan atau
mengukur sebuah variabel laten. Dalam satu variabel laten terdiri dari beberapa variabel manifes.
7. Koefisien jalur adalah koefisien regresi standar atau disebut “beta” yang
menunjukkan pengaruh langsung dari suatu variabel bebas terhadap variabel
tergantung dalam suatu model jalur tertentu.
8. Analisis faktor penegasan (confirmatory factor analysis), suatu teknik kelanjutan dari analisis faktor dimana dilakukan pengujian hipotesis-hipotesis struktur factor loadings dan interkorelasinya.
Isi sebuah model SEM pastilah variabel-variabel, baik itu variabel laten
maupun variabel manifes. Jika ada sebuah variabel laten, pastilah akan ada dua atau lebih variabel manifes. Banyak pendapat menyarankan sebuah variabel laten sebaiknya dijelaskan oleh paling tidak tiga variabel manifes. Cara sederhana untuk mengetahui apakah sebuah variabel dapat digolongkan menjadi sebuah variabel laten adalah dengan menguji apakah variabel tersebut dapat langsung diukur, jika tidak, dapat dikategorikan sebagai variabel laten yang membutuhkan sejumlah variabel manifes.
Dalam sebuah model SEM, sebuah variabel laten dapat berfungsi sebagai
variabel eksogen atau variabel endogen. Sebuah variabel dependen dapat saja menjadi variabel independen untuk variabel yang lain.

 

Sejarah SEM dan Pengertian (skripsi dan tesis)

Sewal Wright mengembangkan konsep ini pada tahun 1934, pada awalnya
teknik ini dikenal dengan analisa jalur dan kemudian dipersempit dalam bentuk
analisis Structural Equation Modeling (Yamin, 2009).
SEM (Structural Equation Modeling) adalah suatu teknik statistik yang mampu
menganalisis pola hubungan antara konstruk laten dan indikatornya, konstruk laten yang satu dengan lainnya, serta kesalahan pengukuran secara langsung. SEM memungkinkan dilakukannya analisis di antara beberapa variabel dependen dan independen secara langsung (Hair et al, 2006).
Teknik analisis data menggunakan Structural Equation Modeling (SEM), dilakukan untuk menjelaskan secara menyeluruh hubungan antar variabel yang ada dalam penelitian. SEM digunakan bukan untuk merancang suatu teori, tetapi lebih ditujukan untuk memeriksa dan membenarkan suatu model. Oleh karena itu, syarat utama menggunakan SEM adalah membangun suatu model hipotesis yang terdiri dari model struktural dan model pengukuran dalam bentuk diagram jalur yang berdasarkan justifikasi teori. SEM adalah merupakan sekumpulan teknik-teknik statistik yang memungkinkan pengujian sebuah rangkaian hubungan secara simultan. Hubungan itu dibangun antara satu atau beberapa variabel independen (Santoso, 2011).
SEM menjadi suatu teknik analisis yang lebih kuat karena mempertimbangkan
pemodelan interaksi, nonlinearitas, variabel-variabel bebas yang berkorelasi
(correlated independent), kesalahan pengukuran, gangguan kesalahan-kesalahan yang berkorelasi (correlated error terms), beberapa variabel bebas laten (multiple latent independent) dimana masing-masing diukur dengan menggunakan banyak indikator, dan satu atau dua variabel tergantung laten yang juga masing-masing diukur dengan beberapa indikator. Dengan demikian menurut definisi ini SEM dapat digunakan alternatif lain yang lebih kuat dibandingkan dengan menggunakan regresi berganda, analisis jalur, analisis faktor, analisis time series, dan analisis kovarian (Byrne, 2010).
Yamin (2009) mengemukakan bahwa di dalam SEM peneliti dapat melakukan tiga kegiatan sekaligus, yaitu pemeriksaan validitas dan reliabilitas instrumen (setara dengan analisis faktor konfirmatori), pengujian model hubungan antar variabel laten (setara dengan analisis path), dan mendapatkan model yang bermanfaat untuk prediksi (setara dengan model struktural atau analisis regresi).
Dua alasan yang mendasari digunakannya SEM adalah (1) SEM mempunyai
kemampuan untuk mengestimasi hubungan antar variabel yang bersifat multiple relationship. Hubungan ini dibentuk dalam model struktural (hubungan antara konstruk dependen dan independen). (2) SEM mempunyai kemampuan untuk menggambarkan pola hubungan antara konstruk laten dan variabel manifes atau variabel indikator

 

Model European Consumer Satisfaction Index (ECSI) (skripsi dan tesis)

Model ECSI merupakan model yang menjelaskan tentang indikator ekonomi untuk menganalisis dan mengukur kepuasan pelanggan (Bayol et. al, 2000). Michel Tenenhaus (2002), ECSI digunakan untuk mempermudah penyedia mengukur kepuasan pelanggan. Teori pada model ECSI yang disederhanakan terdiri dari 5 variabel laten yang saling berhubungan yaitu :
1 Citra (Image) Citra adalah bagaimana cara masyarakat atau publik menilai dan memandang suatu organisasi, perusahaan, seseorang,dll. Ada lima jenis citra yang dipaparkan Jefkins (2003) di buku Public Relation. Berikut lima jenis citra yang dipaparkan sebagai berikut :
 1. Citra bayangan (mirror image), adalah citra dimana suatu organisasi terhadap anggapan dari pihak luar tentang organisasinya.
 2. Citra yang berlaku (current image), adalah citra yang diyakini oleh pihak luar mengenai suatu organisasi.
 3. Citra harapan (wish image), adalah suatu citra dimana pemimpin organisasi menginginkan suatu pencapaian terhadap organisasinya agar bisa dikenal, dan diterima secara positif oleh publik.
 4. Citra perusahaan (coorporate image), adalah citra dari suatu organisasi yang tidak hanya dinilai dari produk dan pelayanannya, tapi dinilai secara keseluruhan.
 5. Citra majemuk (multiple image), adalah banyaknya jumlah anggota dari sebuah organisasi yang dapat memunculkan citra yang belum tentu sama dengan organisasi tersebut secara keseluruhan.
.2 Harapan Pengguna (Customer Expectation)
 Harapan pengguna suatu barang akan terus – menerus berkembang sesuai dengan perkembangan jaman. Suatu perusahaan dituntut untuk melayani harapan pengguna demi tercapainya suatu kepuasan yang dapat dirasakan oleh pengguna. Menurut Gilbert (2003) dalam Semuel (2006), elemen dari harapan pengguna dapat dikelompokkan sebagai berikut: 1. Tangible adalah segala sesuatu yang betujuan untuk mewujudkan dan mendukung operasional suatu layanan jasa apapun ke pelanggan.
 2. Realibility adalah kemampuan pengelola atau pelayanan jasa dalam mewujudkan, dan memberikan layanan jasa yang telah dijanjikan.
 3. Responsiveness adalah segala sesuatu yang dilakukan oleh pengelola atau layanan jasa secara tanggap untuk memenuhi keinginan dan kebutuhan pelanggan.
4. Competence adalah kemampuan untuk menciptakan kepercayaan pada pelanggan dengan memberikan suatu jaminan pengetahuan kepada pengelola atau pelayanan jasa.
5. Emphaty adalah sikap peduli, perhatian, pengertian dari pengelola atau pelayanan jasa akan kebutuhan dan keinginan pelanggan.
.3 Kepuasan Pengguna (Customer Satisfaction)
Menurut Kotler (2000) kepuasan pengguna merupakan suatu perasaan seseorang suka atau kecewa yang dihasilkan dari membandingkan suatu produk yang dihasilkan dalam kaitan dengan harapannya. Kepuasan pengguna adalah suatu kemampuan barang atau jasa untuk memenuhi atau melebihi kebutuhan pelanggan dan harapan (Boone & Kurtz, 1995). Maka dapat disimpulkan bahwa kepuasaan pengguna adalah mencangkup tentang membandingkan atau membedakan antara suatu harapan pelanggan terhadap produk dengan hasil atau kineja suatu produk.
4 Loyalitas Pengguna (Customer Loyality)
Loyalitas pengguna merupakan tindakan seseorang terhadap loyalitasnya pada suatu objek tertentu yang diinginkannya. Objek tersebut dapat berupa merk, produk, atau toko (Rowles & Dawes dalam Dharmesta & Darsono, 2005). Loyalitas pengguna suatu barang sangat penting bagi suatu penyedia jasa dalam mempertahankan produk yang mereka jual ke pelanggannya

Model Overall Goodness of Fit (skripsi dan tesis)

Evaluasi model struktural terlihat dari koefsien jalur dari variabel eksogen ke variabel endogen signifikan secara statistik. Oleh karena model strukturalnya signifikan maka langkah selanjutnya pada model GSCA adalah melihat modeloveral goodnes of fit dengan uji FIT.

 Uji FIT merupakan uji untuk mengukur seberapa besar varian dari datayang dijelaskan oleh model. Nilai FIT berkisar dari 0 sampai 1. Semakin besar nilai FIT semakin besar varian dari data yang dapat dijelaskan oleh model, tetapi nilai FIT sangat dipengaruhi oleh kompleksitas model sehingga diharuskan untuk melihat adjusted FIT (AFIT) yang telah memasukkan kompleksitas model.
Keterangan : d0 = nj, merupakan derajat bebas null model (W=0, A=0)
 d1 = nj-g, derajat bebas model yang diuji. n = banyaknya observasi j = banyaknya variabel observasi g = banyaknya parameter bebas.
 Overall goodness fit model GSCA selain dapat dilihat dari FIT dan AFIT dapat pula dengan melihat nilai GFI (Goodness of Fit index) dan SRMR (Standardized Root Means Residual). Nilai tertinggi dalam indeks menunjukkan better fit. Nilai GFI yang baik adalah ≥ 0.90 (Hair et al., 2010 p.667). SRMR menunjukkan kesalahan model estimasi goodness of fit. Nilai SRMR yang lebih rendah mewakili better fit dan nilai yang lebih tinggi mewakili worse fit, aturan praktis adalah bahwa bila nilai SMSR lebih dari 1 menunjukkan masalah dengan kecocokan model, nilai SRMR yang baik jika mendekati 0 (Hair et al., 2010).

Model Struktural (Inner Model) (skripsi dan tesis)

Model stuktural dievaluasi dengan melihat nilai koefisien parameter dan nilai t-statistik serta signifikansi koefisien parameter tersebut. Nilai t-statistik diperoleh dari hasil bootstrapsing dengan membagi nilai koefisien parameter dengan nilai standar errornya. Jika nilai t-statistik > t tabel maka koefisien parameter yang diestimasi signifikan. Parameter Beta (), yaitu parameter pengaruh variabel laten eksogen terhadap variabel laten endogen dalam model struktural.
Hipotesis yang diuji:
H0 : i = 0 (parameter tidak signifikan)
H1 : i 0 (parameter signifikan)
 Parameter Gamma (), yaitu parameter pengaruh variabel laten endogen terhadap variabel laten endogen dalam model struktural.
 Hipotesis yang di uji:
H0 : i = 0 (parameter tidak signifikan)
 H1 : i 0 (parameter signifikan)
Penerapan metode resampling, memungkinkan berlakunya data terdistribusi bebas (distribution free), tidak memerlukan asumsi distribusi normal, serta tidak memerlukan sampel yang besar (sampel minimum 30). Kriteria pengambilan keputusan dilakukan dengan membandingkan nilai statistik uji t dengan ttabel. Kriteria uji dapat diartikan bahwa terdapat pengaruh yang bermakna antar variabel laten terhadap variabel laten lainnya, dimana hipotesis nol ditolak jika nilai statistik uji t > nilai ttabel

Model pengukuran (Outer Model) (skripsi dan tesis)

Convergent validity yaitu sejauh mana indikator dari konstruk tertentu konvergen (Hair et al., 2010 p.709) . Suatu variabel laten dinilai mempunyai convergent validity yang baik jika nilai loading factor lebih dari 0.70 dan signifikan. Discriminant validity yaitu sejauh mana suatu konstruk benar-benar berbeda dari konstruk lain (Hair et al., 2010 p.710). Discriminant validity model pengukuran dengan indikator reflektif dinilai dengan membandingkan nilai akar kuadrat dari average variance extracted (√ ) setiap variabel laten dengan 12 korelasi antara variabel laten bersangkutan dengan variabel laten lainnya dalam model. Nilai discriminant validity dikatakan baik, jika nilai akar kuadrat AVE tiap variabel laten lebih besar daripada nilai korelasi antara variabel laten lainnya dalam model (Fornell dan Lacker, 1981). AVE adalah koefisien yang menjelaskan varian di dalam indikator yang dapat dijelaskan oleh faktor umum

Model SEM pada GSCA (skripsi dan tesis)

GSCA dapat dikatakan sebagai SEM berbasis komponen atau varian jika variabel laten didefinisikan sebagai komponen dari indikatornya dengan persamaan. Jika [ ] melambangkan matriks variabel indikator berukuran n x j. GSCA dapat dipandang sebagai SEM berbasis komponen dimana variabel laten didefinisikan sebagai komponen dari indikatornya dengan persamaan (Hwang & Takane, 2010) : (2.1)

dimana adalah vektor variabel laten ukuran t x 1, vektor variabel indikator ukuran j x 1 untuk observasi i (i=1, … , N) dan W adalah matrik component weight dari variabel indikator berukuran j x t. 10 GSCA meliputi juga model pengukuran yang menggambarkan hubungan antara indikator dari variabel laten. Secara matematis model pengukuran dapat ditulis: (2.2) dimana C adalah matrik “loading” antara variabel laten dengan indikatornya berukuran t x j, 𝜺𝑖 adalah vektor residual berukuran j x 1 untuk . Sedangkan persamaan pada model struktural dinyatakan seperti persamaan dibawah ini: (2.3)
 dimana B adalah matrik koefisien jalur berukuran txt yang menghubungkan sesama variabel laten dan adalah vektor residual berukuran t x 1 untuk . GSCA mengintegrasikan ketiga persamaan di atas menjadi persamaan tunggal (Hwang & Takane, 2010), seperti berikut: (2.4) Dengan dan . Persamaan tersebut dikatakan sebagai model GSCA

Generalized Structured Component Analysis (GSCA) (skripsi dan tesis)

Generalized Structured Component Analysis (GSCA) dikembangkan oleh Heungsun Hwang, Hec Montreal dan Yoshio Takane pada tahun 2004. GSCA merupakan bagian dari SEM yang berbasis varian atau berbasis komponen. SEM berbasis varian atau komponen sering disebut sebagai soft modeling, SEM tidak didasari oleh banyak asumsi seperti data tidak harus berdistribusi normal X1 X2 X3 X1 X2 X3 Variabel Laten Variabel Laten 9 multivariate (indikator dengan skala kategori, ordinal,interval sampai ratio dapat digunakan pada model yang sama). Metode GSCA digunakan untuk mengatasi kelemahan Partial Least Squares (PLS) yaitu PLS tidak meyelesaikan masalah secara global optimization untuk estimasi parameter, yang menunjukkan bahwa tidak memiliki satu kriteria tunggal secara konsisten untuk meminumkan atau memaksimumkan penentuan estimasi parameter model (Hwang and Takane, 2004). Sehingga PLS tidak memberikan solusi yang optimal dan sulit untuk menilai prosedur PLS, dapat dikatakan PLS tidak menyediakan overall goodness-fit dari model. Maka sulit untuk menentukan seberapa baik model sesuai dengan datanya dan sulit untuk membandingkan dengan metode alternatif akibat tidak ada ukuran goodness-fit model secara menyeluruh (Hwang&Takane, 2004)

Indikator Reflektif dan Indikator Formatif (skripsi dan tesis)

Indikator Reflektif

 Indikator reflektif merupakan variabel teramati dan dipandang sebagai variabel yang dipengaruhi oleh variabel laten sesuai dengan konsep yang sama dan yang mendasarinya (Ghozali, 2008).

 Indikator Formatif
 Indikator formatif merupakan indikator-indikator yang membentuk atau menyebabkan adanya penciptaan atau perubahan di dalam sebuah variabel laten (Wijanto, 2008, hal. 26)

Variabel-Variabel SEM (skripsi dan tesis)

Variabel laten merupakan variabel yang tidak dapat diamati atau diukur secara langsung. Variabel laten tidak dapat diukur secara langsung tetapi dapat diwakili atau diukur oleh satu atau lebih variabel (indikator) (Hair et al., 2010:632). Sedangkan, variabel observasi atau manifest variable adalah variabel yang datanya harus dicari melalui penelitian lapangan misalnya melalui  instrumen-instrumen survey (Hair et al., 2010:635). Variabel observasi digunakan sebagai indikator dari variabel laten. Sehingga variabel laten bisa diukur secara tidak langsung melalui pengamatan pada variabel observasi. SEM mempunyai 2 jenis variabel laten yaitu variabel laten eksogen dan variabel laten endogen : 1. Variabel laten eksogen adalah variabel yang tidak dipengaruhi oleh variabel laten lainnya. Dalam diagram jalur, variabel laten eksogen ditandai sebagai variabel yang tidak ada kepala panah yang menuju kearahnya dari variabel laten lainnya (Hair et al., 2010:637). Variabel laten eksogen dinotasikan dengan Ksi (ξ). 2. Variabel laten endogen adalah variabel yang dipengaruhi oleh variabel laten lainnya. Dalam diagram jalur, variabel endogen ini ditandai oleh kepala panah yang menuju kearahnya dari variabel laten eksogen atau variabel laten endogen (Hair et al., 2010:637). Variabel laten endogen dinotasikan dengan Eta (η).

Structural Equation Modeling (SEM) (skripsi dan tesis)

Structural Equation Modeling (SEM) merupakan teknik dengan kombinasi dari analisis jalur (path) dan analisis regresi yang memungkinkan peneliti menguji secara simultan rangkaian hubungan yang saling terkait antara variabel terukur (measured variables) dan konstrak laten (latent constructs) (Hair et. al, 2010:634). Analisis SEM merupakan analisis multivariat yang bersifat kompleks, karena melibatkan sejumlah variable bebas (independent variable) dan variabel terikat (dependent variable) yang saling berhubungan membentuk sebuah model. Pada SEM tidak dapat dikatakan ada variabel bebas dan variabel terikat, karena sebuah variabel bebas dapat menjadi variabel terikat pada hubungan yang lain. SEM dapat dikategorikan menjadi 2 model yaitu model struktural dan model pengukuran. Model struktural yaitu model yang menggambarkan hubungan-hubungan yang ada diantara variabel-variabel laten. Sedangkan model pengukuran menggambarkan tentang hubungan antara variabel yang diamati (juga disebut indikator) dengan variabel laten yang mendasarinya (Kline, 1998).

Indikator Asimetri Informasi (skripsi dan tesis)

Menurut Arthaswadaya (2015) asimetri informasi diukur dengan beberapa indikator yaitu: 1) Informasi yang dimiliki bawahan dibandingkan dengan atasan Asimetri informasi ditandai dengan perbedaan informasi yang dimiliki manajer atas dengan manajer bawah. Manajer bawah seringkali memiliki informasi yang lebih banyak mengenai unit tanggung jawabnya daripada 28 manajer atas, hal tersebut karena manajer bawah terlibat langsung dalam pengoperasian unit tangung jawab yang di bawahinya. 2) Hubungan input-output yang ada dalam operasi internal Manajer bawah lebih mengetahui berapa jumlah pendapatan dengan pengeluaran dalam kegiatan operasi unit tanggung jawab yang mereka kelola 3) Kinerja potensial Karena manajer bawah terlibat langsung dalam proses pengoperasian unit tanggung jawabnya maka manajer bawah dapat memperkirakan kinerja potensian unit tanggung jawabnya leih baik daripada manajer atas yang tidak terlibat langsung. 4) Teknis pekerjaan Manajer bawah lebih mengetahui bagaimana cara unit tanggung jawabnya untuk mencapai tujuan daripada manajer atas. 5) Mampu menilai dampak potensial Manajer bawah terlibat langsung dalam proses pengoperasian unit tanggung jawabnya maka manajer bawah lebih dapat menilai resiko yang mungkin terjadi pada operasional unit tanggung jawabnya. 6) Pencapaian bidang kegiatan Manajer bawah lebih mengetahui bagaimana unit tanggung jawabnya dapat memenuhi pencapaian atas perencanaan yang sudah diciptakan.

Keunggulan Partisipasi Anggaran (skripsi dan tesis)

Menurut Anthony dan Govindarajan (2007) menyatakan bahwa penganggaran partisipasi memiliki dua keunggulan yaitu: 1) Tujuan anggaran akan dapat lebih mudah diterima apabila anggaran tersebut berada di bawah pengawasan manajer. 2) Penganggaran partisipasi menghasilkan pertukaran informasi yang efektif antara pembuat anggaran dan pelaksana anggaran yang dekat dengan produk dan pasar

Pendeteksian Heteroskedastisitas (skripsi dan tesis)

 

Uji White heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variansi dari residual satu pengamatan ke pengamatan yang lain.

Hipotesis

(tidak terdapat heteroskedastisitas)

untuk j = 1, 2, …, n (terdapat heteroskedastisitas)

Taraf Signifikansi    atau 0,05.

Statistik uji

dimana:

: Chi Square

  n           : banyak data

R2         : koefisien determinasi

db         : n-1

H0 ditolak jika  atau p­-value < α

Normalitas Residual (skripsi dan tesis)

 

Untuk melihat apakah residual model berdistribusi normal dapat digunakan uji Kolmogorov-Smirnov. Uji asumsi ini bertujuan untuk mengetahui apakah data residual telah memenuhi asumsi kenormalan atau belum Aswi dan Sukarna, 2006).

Hipotesis

H0 :F(x)=F0(x), (residual berdistribusi normal)

H1:F(x) F0(x), (residual tidak berdistribusi normal)

Taraf signifikansi  atau 0,05.

Statistik Uji

dengan:

Dn : deviasi absolut yang tertinggi

Fe  : frekuensi harapan

Fo  : frekuensi observasi

H0  ditolak   jika       atau         p-value > α.

Pengujian Parameter Secara Individu (skripsi dan tesis)

Untuk mengetahui apakah parameter variabel-variabel prediktor secara individu signifikan atau tidak dalam model digunakan statistik uji t (Gujarati, 2003).

Langkah-langkah pengujian hipotesis dengan menggunakan uji t adalah sebagai berikut:

Hipotesis

H0 :  (Variabel prediktor ke – tidak  berpengaruh terhadap variabel respon)

H1 :  untuk  (Variabel prediktor ke – berpengaruh terhadap variabel respon)

Taraf signifikansi  atau 0,05.

Statistik uji

dengan:

          : estimator parameter model regresi ke-j

:  standar error estimator parameter

model regresi ke-j.

H0 ditolak jika dengan  diperoleh dari Tabel Distribusi t dengan peluang 1-α/2 dan derajat kebebasan (dk) = n – k atau      p-value < α .

Pengujian Parameter Secara Serentak (skripsi dan tesis)

Untuk mengetahui apakah variabel prediktor secara serentak berpengaruh terhadap variabel respon digunakan statistik uji F. Langkah-langkah pengujian hipotesis dengan menggunakan uji F adalah sebagai berikut:

Hipotesis

H0  :  (Semua variabel prediktor secara serentak tidak berpengaruh terhadap variabel respon).

H1  :  Minimal satu nilai  ≠ 0;  (Semua variabel prediktor secara serentak berpengaruh terhadap variabel respon).

Taraf signifikansi  atau 0,05.

Statistik uji

Hditolak jika Fhitung  > Ftabel (α/2, n-1, nT-n-k) atau p-value < α.

Uji Chow (skripsi dan tesis)

 

Uji Chow digunakan untuk mengetahui apakah teknik regresi data panel dengan fixed effect lebih baik dari model regresi data panel tanpa variabel dummy dengan melihat residual sum of squares (RSS) (Yamin dkk, 2011).

Hipotesis

H0     : Model common effect

H1     : Model fixed effect

Taraf signifikansi  atau 0,05

Statistik uji

dengan:

RSSCE : Residual Sum of Squares model  common effect

RSSFE : Residual Sum of Squares model fixed effect

  n         : jumlah unit cross section

T        :  jumlah data time series

k         : jumlah variabel prediktor

H0 ditolak jika Chitung  > Ftabel (α/2, n-1, nT-n-k) atau      p-value < α.

Fixed Effect Model (FEM) (skripsi dan tesis)

Fixed effect adalah adanya perbedaan intersep antara individu namun sama antar waktu (time invariant), sedangkan koefisen regresi (slope) dianggap tetap baik antar kelompok individu maupun antar waktu. Walaupun intersep setiap individu berbeda, namun tidak berbeda menurut waktu. Membedakan intersep setiap individu dapat dilakukan dengan memasukkan variabel dummy untuk masing-masing individu.

Model regresi data panel yang menggunakan pendekatan fixed effect dinamakan Fixed Effect Model (FEM) yang juga sering disebut model Least Square Dummy Variable (LSDV). FEM atau LSDV merupakan model yang mengasumsikan koefisien slope konstan tetapi intersep bervariasi antar anggota panel. Istilah “fixed effect” ini dikarenakan fakta bahwa meskipun intersep berbeda antar anggota panel, namun antar waktu tetap sama. Kasus seperti ini dinamakan time invariant.

Perlu diperhatikan bahwa banyaknya pada persamaan tersebut dapat dijelaskan dengan pernyataan berikut, “jika suatu variabel kualitatif mempunyai kategori, maka hanya ada – 1 variabel dummy yang perlu diperkenalkan dalam model regresi, sedangkan satu variabel yang tidak diperkenalkan, rata-ratanya akan menjadi intersep atau titik potong dalam model (Greene, 2000).

Penaksiran parameter untuk model ini yakni dengan menggunakan metode Ordinary Least Square (OLS).

Common Effect Model (CEM)(skripsi dan tesis)

 

 

Model common effect mengasumsikan bahwa intersep dan koefisien slope konstan sepanjang waktu dan individu, dan error term menjelaskan perbedaan intersep dan koefisien slope sepanjang waktu dan individu tersebut. Regresi dilakukan dengan mengkombinasikan data time series  dan cross section. Dengan demikian, dalam pendekatan ini tidak memperhatikan dimensi individu maupun waktu. Secara umum model dalam bentuk sistem persamaannya adalah:  dengan .Penaksiran parameter untuk model ini menggunakan metode Ordinary Least Square (OLS).

Model Regresi Data Panel (skripsi dan tesis)

 

Model regresi data panel merupakan suatu model regresi yang observasi datanya didasarkan pada data panel. Secara umum, model regresi data panel dituliskan sebagai:

dengan Yit  merupakan nilai variabel respon pada unit observasi ke-i dan waktu ke-t, X1it, X2it, …, Xkit merupakan nilai variabel prediktor pada unit observasi ke-i dan waktu ke-t, β0 merupakan parameter intersep atau titik potong antara sumbu tegak Y dan garis fungsi linier nilai Yit , β1, …,βk merupakan koefisien slope atau koefisien arah atau koefisien kemiringan dan εit merupakan kekeliruan atau galat atau komponen error pada unit observasi ke-i dan waktu ke-t (Widarjono, 2007).

Variabel Dummy (skripsi dan tesis)

 

 

Dalam analisis regresi, sering dijumpai saat variabel respon tidak hanya dipengaruhi oleh variabel yang dapat segera dinyatakan secara kuantitatif pada skala yang didefinisikan dengan baik (misalnya: pendapatan, hasil, harga, temperatur), tetapi juga dipengaruhi oleh variabel yang  pada dasarnya bersifat kualitatif (misalnya: jenis kelamin, ras, agama, kebangsaan, warna kulit).

Variabel yang mengambil nilai pemisalan, misalnya 0 dan 1, disebut variabel dummy. Jadi variabel dummy adalah variabel yang menggambarkan kuantifikasi dari variabel kualitatif. Nama lainnya adalah variabel indikator, variabel binary (dua angka), variabel bersifat kategori, variabel kualitatif, dan variabel yang membagi dua (dichotomous).

Bukan merupakan hal yang mutlak dalam mengambil pemisalan 0 dan 1. Pasangan (0, 1) dapat ditransformasikan ke dalam setiap pasangan lain dengan fungsi linear seperti Z = a + bD (b ≠ 0), dengan a dan b merupakan konstanta dan D = 1  atau D = 0. Jika D = 1, diperoleh Z = a + b; dan jika D = 0, diperoleh Z = a, akibatnya pasangan (0,1) dapat ditulis menjadi (a, a+b).

Ordinary Least Square (skripsi dan tesis)

 

Salah satu metode yang sering digunakan menyangkut analisis regresi adalah metode kuadrat terkecil biasa atau yang lebih dikenal dengan istilah metode Ordinary Least Square (OLS) yaitu merupakan dalil yang mengungkapkan bahwa garis lurus terbaik yang dapat mewakili titik hubungan variabel prediktor (independent variable) dan varibel respon (dependent variable) adalah garis lurus yang memenuhi kriteria jumlah kuadrat selisih antara titik observasi dengan titik yang ada pada garis adalah minimum. Metode kuadrat terkecil akan menghasilkan estimator yang mempunyai sifat tidak bias, linier dan mempunyai varian yang minimum (Best Linear Unbiased Estimator = BLUE).

Data Panel (skripsi dan tesis)

Istilah data panel berkaitan dengan data dua dimensi. Hal ini berbeda dengan data time series dan cross section, yang keduanya merupakan data satu dimensi.
Data panel adalah kombinasi/gabungan dari data time series (runtun waktu) dan data cross section (antar individu/ruang). Untuk menggambarkan data panel secara singkat, misalkan pada data cross section, nilai dari satu variabel atau lebih dikumpulkan untuk beberapa unit sampel pada suatu waktu. Dalam data panel, unit cross section yang sama di survei dalam beberapa waktu (Gujarati, 2003)
Kelebihan data panel dibandingkan dengan data time series dan data cross section adalah sebagai berikut:
1. Data panel memberikan data yang lebih informatif, lebih variatif, kurang korelasi antar variabelnya, lebih banyak derajat kebebasannya, dan lebih efisien.
2. Lebih sesuai untuk mempelajari perubahan secara dinamis, misalnya untuk mempelajari pengangguran atau perpindahan pekerjaan.
3. Data panel dapat digunakan untuk mempelajari model-model perilaku, misalnya pembelajaran fenomena perubahan skala ekonomi dan teknologi.

Aturan Identifikasi (skripsi dan tesis)

Aturan identifikasi sistem persamaan simultan: a. Jika J-j < m-1, persamaan itu mengalami underidentified, tidak dapat dilakukan estimasi parameter, solusinya dengan membentuk model lain. b. Jika J-j = m-1, persamaan itu mengalami just identified, teknik estimasi parameter yaitu metode kuadrat terkecil tidak langsung atau Indirect Least Square (ILS). c. Jika J-j > m-1, persamaan itu mengalami overidentified, teknik estimasi parameter yaitu metode kuadrat terkecil dua tahap atau Two Stages Least Square (2SLS). dimana m = banyak variabel endogen dalam persamaan; j = banyak variabel eksogen dalam persamaan; J = banyak variabel eksogen dalam sistem.

Model Persamaan Simultan (skripsi dan tesis)

Supranto (2004) mendefinisikan suatu sistem persamaan simultan ialah suatu himpunan persamaan di mana variabel tak bebas dalam satu atau lebih persamaan juga merupakan variabel bebas dalam beberapa persamaan lainnya, yaitu keadaan dimana di  dalam sistem persamaan suatu variabel sekaligus mempunyai dua peranan, yaitu sebagai variabel tak bebas dan variabel bebas, jadi tidak hanya variabel tak bebas Y yang ditentukan, misalnya oleh variabel bebas X, tetapi bisa juga X ditentukan oleh Y sehingga X dan Y nilainya ditentukan secara bersama-sama (jointly of simultaneous determined). Dalam model persamaan simultan, terdiri atas variabel endogen (endogenous variables) dan variabel eksogen (exogenous variables). Variabel endogen ialah variabel tak bebas di dalam sistem persamaan simultan, yang nilainya ditentukan di dalam sistem persamaan, walaupun variabel-variabel tersebut mungkin juga muncul sebagai variabel bebas di dalam sistem persamaan lain. Gujarati (2007) menyebut variabel-variabel ini sebagai variabel tergantung bersama. Di sini lah terjadi simultanitas. Sedangkan variabel eksogen ialah variabel yang nilainya ditentukan di luar model termasuk variabel endogen beda kala (lagged endogeneous variables), sebab nilainya sudah diketahui sebelumnya. Adanya simultanitas antar variabel endogen menyebabkan terjadinya korelasi antara variabel respon Y dengan faktor residual. Karena salah satu asumsi klasik metode estimasi ordinary least square (OLS) yaitu nonautokorelasi dilanggar, maka jika tetap digunakan OLS secara langsung pada persamaan struktural, estimator akan bersifat bias dimana akan terjadi overestimation atau underestimation serta tidak konsisten. Dalam model persamaan simultan, dikenal dua macam persamaan, yaitu persamaan stuktural (structural equations) dan persamaan bentuk tereduksi (reduced form equations). Persamaan struktural atau tingkah laku menguraikan struktur suatu perekonomian atau tingkah laku dari para pelaku ekonomi seperti konsumen, produsen, dan penyalur. Ada satu persamaan struktural untuk setiap variabel endogen di dalam model persamaan simultan. Koefisien setiap persamaan struktural disebut parameter struktural (structural parameter) dan menunjukkan pengaruh langsung dari setiap variabel bebas terhadap variabel tak bebas

Model Regresi Data Panel (skripsi dan tesis)

Menurut Baltagi (2005), yang disebut data panel adalah data yang merupakan
hasil dari pengamatan pada beberapa individu atau (unit cross-sectional) yang
merupakan masing-masing diamati dalam beberapa periode waktu yang berurutan (unit waktu). Menurut Wanner & Pevalin sebagaimana dikutip oleh Sembodo (2013) menyebutkan bahwa regresi panel merupakan sekumpulan teknik untuk memodelkan pengaruh peubah penjelas terhadap peubah respon pada data panel. Ada beberapa model regresi data panel, salah satunya adalah model dengan slope konstan dan intercept bervariasi. Model regresi panel yang dipengaruhi oleh salah satu unit saja disebut (unit cross-sectional atau unit waktu) disebut model komponen satu arah, sedangkan model regresi panel yang dipengaruhi oleh kedua unit (unit cross-sectional dan unit waktu) disebut model komponen dua arah. Secara umum terdapat dua pendekatan yang digunakan dalam menduga model dari data panel yaitu model tanpa
pengaruh individu (common effect) dan model dengan pengaruh individu (fixed effect dan random effect).
Analisis regresi data panel adalah analisis regresi yang didasarkan pada data
panel untuk mengamati hubungan antara satu variabel terikat (dependent variabel) dengan satu atau lebih variabel bebas (independent variabel). Berikut beberapa model yang dapat diselesaikan dengan data panel, yaitu:
Model 1: semua koefisien baik intercept maupun slope koefisien konstan.
𝑌𝑖𝑡 = 𝛽1 + ∑𝛽𝑘𝑋𝑘𝑖𝑡𝐾

𝑘=2+ 𝜀𝑖𝑡
(7)
Model 2: slope koefisien konstan, intercept berbeda akibat perbedaan unit cross section.
𝑌𝑖𝑡 = 𝛽1𝑖 + ∑𝛽𝑘𝑋𝑘𝑖𝑡𝐾
𝑘=2+ 𝜀𝑖𝑡
(8)
Model 3: slope koefisien konstan, intercept berbeda akibat perbedaan unit cross section
dan berubahnya waktu.
𝑌𝑖𝑡 = 𝛽1𝑖𝑡 + ∑𝛽𝑘𝑋𝑘𝑖𝑡 𝐾
𝑘=2 + 𝜀𝑖𝑡 (9)
Model 4: slope koefisien dan intercept berbeda akibat perbedaan unit cross section.
𝑌𝑖𝑡 = 𝛽1𝑖 + ∑𝛽𝑘𝑖𝑋𝑘𝑖𝑡𝐾
𝑘=2+ 𝜀𝑖𝑡(10)
Model 5: slope koefisien dan intercept berbeda akibat perbedaan unit cross section dan
berubahnya waktu.
𝑌𝑖𝑡 = 𝛽1𝑖𝑡 + ∑𝛽𝑘𝑖𝑡𝑋𝑘𝑖𝑡𝐾

𝑘=2 + 𝜀𝑖𝑡 (11)
Dengan:
𝑖 = 1,2, … , 𝑁
𝑡 = 1,2, … , 𝑇
𝑁 ∶ Banyak unit cross section
𝑇 ∶ Banyak data time series
𝑌𝑖𝑡 ∶ Nilai variabel terikat cross section ke- 𝑖 time series ke- 𝑖
𝑋𝑖𝑡 : Nilai variabel bebas ke- 𝑘 untuk cross section ke- 𝑘 tahun ke- 𝑘
𝛽𝑖𝑡 : Parameter yang ditaksir
𝜀𝑖𝑡 : Unsur gangguan populasi
𝐾 : Banyak parameter yang ditaksir

Analisis Regresi (skripsi dan tesis)

Regresi adalah persamaan matematik yang menjelaskan hubungan variabel
respon dan variabel prediktor. Dalam analisis regresi terdapat dua variabel, yaitu variabel respon dan variabel prediktor. Variabel respon disebut juga variabel dependen yang dipengaruhi oleh variabel lainnya, dinotasikan dengan Y. Sedangkan variabel prediktor adalah variabel bebas yang disebut juga dengan variabel independen yang dinotasikan dengan X.
Berdasarkan hubungan antar variabel bebas, regresi linier terdiri dari dua, yaitu
analisis regresi sederhana dan analisis regresi berganda. Namun, berdasrakan kelineran regresi dikelompokkan menjadi dua, yaitu regresi linier dan regresi nonlinier.
Dikatakan regresi linier apabila hubungan antara variabel dependen dan independen adalah segaris atau linier. Sedangkan, dikatakan nonlinier apabila variabel dependen dan independen tidak segaris atau tidak linier.
Dari hubungan stokastik antara dua variabel X dan Y, bentuk paling sederhananya adalah “model regresi linear”.
𝑌𝑖 = 𝛼 + 𝛽𝑋𝑖 + 𝜀𝑖 (𝑖 = 1,2, … , 𝑛) (1)
Keterangan :
𝑌 = Varibael terikat (dependent)
𝑋 = Variabel bebas (independent)
𝜀 = Variabel gangguan atau stokastik
𝛼 , 𝛽 = Parameter-parameter regresi
𝑖 = Parameter yang ke- 𝑖
𝑛 = Banyaknya observasi
Secara umum model regresi linier ganda (Judge, 1988) dapat ditulis:
𝑌𝑖 = 𝛽𝑖 + 𝛽2𝑋2𝑖 + 𝛽3𝑋3𝑖 + ⋯ + 𝛽𝑘𝑋𝑘𝑖 + 𝜀𝑖 (𝑖 = 1,2, … , 𝑛) (2)
Keterangan:
𝛽1 = intercept
𝛽2, 𝛽3, … 𝛽𝑘 = slope
repository.unimus.ac.id
𝜀 = error
𝑖 = Parameter yang ke- 𝑖
𝑛 = Banyaknya observasi
Karena 𝑖 menunjukkan observasi maka 𝑛 persamaan:
𝑌𝑖 = 𝛽𝑖 + 𝛽2𝑋21 + 𝛽3𝑋31 + ⋯ + 𝛽𝑘𝑋𝑘1 + 𝜀1
𝑌𝑖 = 𝛽𝑖 + 𝛽2𝑋22 + 𝛽3𝑋32 + ⋯ + 𝛽𝑘𝑋𝑘2 + 𝜀2⋮
𝑌𝑖 = 𝛽𝑖 + 𝛽2𝑋2𝑛 + 𝛽3𝑋3𝑛 + ⋯ + 𝛽𝑘𝑋𝑘𝑛 + 𝜀�

Pemodelan Spasial (skripsi dan tesis)

Pemodelan spasial adalah pemodelan yang berhubungan dengan pendekatan titik dan area. Tahapan untuk melakukan pemodelan spasial adalah regresi linier berganda; uji asumsi residual (asumsi homoskedasitas, asumsi independensi, asumsi distribusi normal, asumsi multikolinieritas); pemilihan model regresi data panel dengan Uji Chow, Uji Breusch-Pagan; menentukan matriks pembobot spasial, model panel spasial (SAR); Uji Hausman

Data Kualitatif (skripsi dan tesis)

 

Data kualitatif mempunyai bentuk yang jelas, yaitu berupa: ’bahasa’ dan ’teks’. Walaupun demikian tidak dapat dipungkiri ada bentuk-bentuk ungkapan budaya dalam bentuk lainnya, seperti: gambar, simbol, dan praktek-praktek sosial. Data kualitatif tidak dapat direduksi menjadi angkaangka. Bahkan teks seringkali harus dimengerti dari keadaan-keadaan yang merupakan konteks dari data yang digambarkan tersebut. Penelitian kualitatif dikategorikan sebagai penelitian deduktif dan bersifat eksploratif–yaitu penelitian yang sedang mencari-cari, sehingga tidak bisa digunakan kaidah-kaidah statistik sebagai tolok ukur, karena datanya mempunyai pola yang tersebar/tidak ada pola secara matematis. Hal-hal yang dianalisis dalam data kualitatif, antara lain: (1) construction of meanings. Melakukan revalidasi dengan mencocokkan literatur yang dibaca; (2) categories. Melakukan cluster-cluster, seperti: kesepahaman, perbadaan pendapat, stigmatisasi, ekspresi kekecewaan/kema-ahan; (3) patterns; (4) relationships (termasuk kausalitas); contrasts (variations); dan (5) designations (power of subjects)

Pemodelan (skripsi dan tesis)

Model dapat digunakan untuk menampilkan, mengeksplorasi, dan menjelaskan data proyek. Menciptakan sebuah model adalah untuk menunjukkan hubungan antara berbagai item dalam sebuah proyek, misalnya: menggunakannya untuk mendemonstrasikan teori yang sedang dibangun, isu permasalahan dalam sebuah kerja tim, atau bagaimana mendukung data dengan dugaan/hipotesa awal. Model yang diperoleh merupakan visualisasi dari konsep-konsep yang hubungannya dicari dan akan makin jelas setelah dianalisis  (Santosa, 2005)

Pemilihan Model Regresi Data Panel (skripsi dan tesis)

  1. Uji Chow, pengujian yang dilakukan untuk mengetahui apakah metode fixed effect lebih baik digunakan daripada menggunakan metode common effect.
  2. Uji Hausman, pengujian yang dilakukan untuk mengetahui apakah metode random effect merupakan metode yang lebih baik untuk digunakan bila dibandingkan dengan metode fixed effect.
  3. Uji Breusch Pagan, pengujian dilakukan untuk mngetahui apakah terdapat efek individu/waktu (atau keduanya) di dalam panel data.

Model Regresi Data Panel (skripsi dan tesis)

Terdapat tiga pendekatan dalam perhitungan model regresi data panel, yaitu Common Effect ModelsFixed Effect Models, dan Random Effect Models.

  1. Common Effect Models, merupakan pendekatan yang paling sederhana untuk mengestimasi model regresi data panel. Estimasi untuk model ini dapat dilakukan dengan menggunakan metode OLS (Ordinary Least Square).
  2. Fixed Effect Models (FEM), FEM diasumsikan bahwa koefisien slope bernilai konstan tapi intercept bersifat tidak konstan. Metode yang dapat dilakukan untuk estimasi model dalam FEM, yaitu metode Least Square Dummy Variable atau yang sering disebut LSDV. Dalam metode LSDV, estimasi dilakukan dengan memasukkan variabel dummy yang digunakan untuk menjelaskan nilai intersep yang berbeda-beda akibat perbedaan nilai unit.
  3. Random Effect Models (REM), pada FEM atau model efek tetap, perbedaan karakteristik unit dan periode waktu diakomodasikan pada intercept, sehingga intercept dapat berubah antar waktu. Sementara untuk REM atau model efek random, perbedaan karakteristik unit dan periode waktu diakomodasikan pada error atau residual dari model. Dikarenakan ada dua komponen yang berkontribusi pada pembentukan error, yakni unit dan periode waktu, maka random error dalam REM perlu diurai menjadi error gabungan dan error untuk periode waktu

Regresi Data Panel (skripsi dan tesis)

Regresi Data Panel adalah gabungan antara data cross section dan data time series, dimana unit cross section yang sama diukur pada waktu yang berbeda. Maka dengan kata lain, data panel merupakan data dari beberapa individu sama yang diamati dalam kurun waktu tertentu. Jika kita memiliki T periode waktu (t =1, 2, …, T) dan N jumlah individu (i = 1, 2, …, N), maka dengan data panel akan memiliki total unit observasi sebanyak N, T. Jika jumlah unit waktu sama untuk setiap individu, maka data disebut balanced panel. Jika sebaliknya, yakni jumlah unit waktu berbeda untuk setiap individu, maka disebut unbalanced panel.

Pengujian Signifikansi Parameter Pada Regresi Data Panel (skripsi dan tesis)

Pengujian signifikansi parameter pada regresi data panel pada dasarnya identik dengan pengujian signifikansi pada regresi linier berganda. Karena data panel berangkat dari analisis regresi linier berganda. Pengujian ini dimaksudkan untuk mengetahui apakah parameter yang terdapat dalam model regresi data panel telah menunjukkan hubungan yang tepat antara variabel independen dengan variabel dependen serta untuk mengetahui apakah model yang memuat parameter tersebut telah mampu menggambarkan keadaan data yang sebenarnya. Ada dua tahap pengujian parameter dalam regresi data panel, yaitu pengujian secara serentak (overall) dan pengujian secara parsial.

Metode Kuadrat Terkecil (skripsi dan tesis)

Metode Ordinary Least square atau yang dikenal dengan metode kuadrat terkecil merupakan salah satu metode yang populer untuk menduga nilai parameter dalam persamaan regresi linier. Metode ini tidak memerlukan asumsi distribusi. Pada prinsipnya metode ini meminimumkan jumlah kuadrat error dengan menurunkannya terhadap parameter secara parsial dan mengeset hasilnya sama dengan 0. Dengan demikian diharapkan nilai-nilai parameter yang didapat mendekati nilai yang sebenarnya.

Random Effect Model (skripsi dan tesis)

Dalam mengestimasi data panel melalui pendekatan FEM, variabel dummy menunjukkan ketidakpastian model yang digunakan. Untuk mengatasi masalah ini, digunakan variabel residual yang dikenal dengan pendekatan random effect model (REM). Ide dasar dari REM adalah mengasumsikan error bersifat random. REM diestimasi dengan metode Generalized Least Square (GLS)

Mixed Effect Model (skripsi dan tesis)

Menurut Sukendar dan Zainal (2007), pada pendekatan model efek tetap, diasumsikan bahwa intersep dan slope dari persamaan regresi (model) dianggap konstan baik antar unit cros section maupun antar unit time series. Satu cara untuk memperhatikan unit cross-section atau unit time-series adalah dengan memasukkan variabel boneka/semu (dummy variable) untuk mengizinkan terjadinya perbedaan nilai parameter yang berbeda-beda, baik lintas unit cross-section maupun antar unit time series. Pendekatan yang paling sering dilakukan adalah dengan mengizinkan intersep bervariasi antar unit cross-section namun tetap mengasumsikan bahwa slope koefisien adalah konstan antar unit crosssection. Pendekatan ini dikenal dengan sebutan model efek tetap (fixed effect model/FEM)

Common Effect Model (skripsi dan tesis)

Teknik yang paling sederhana dalam mengestimasi model regresi data panel adalah dengan mengkombinasikan data time series dan cross section lalu melakukan pendugaan (pooling). Data dikombinasikan tanpa memperhatikan perbedaan antar waktu dan antar individu. Pada pendekatan ini, digunakan metode OLS untuk mengestimasi model (Sukendar & Zainal, 2007). Pendekatan ini disebut estimasi common effect model atau pooled least square. Di setiap observasi terdapat regresi sehingga datanya berdimensi tunggal. Metode ini mengasumsikan bahwa nilai intersep masing-masing variabel adalah sama begitu pun dengan slope koefisien. Metode ini mudah, namun model bisa saja mendistorsi gambaran yang sebenarnya dari hubungan antara variabel dependen dan variabel independen antar unit cross section (Sukendar & Zainal, 2007)

Pemilihan Teknik Estimasi Regresi Data Panel (skripsi dan tesis)

Seperti diketahui terdapat tiga jenis teknik estimasi model regresi data panel, yaitu model dengan metode OLS (common), model Fixed Effect dan model Random Effect. Pertanyaan yang muncul adalah teknik mana yang sebaiknya dipilih untuk regresi data panel
1. Uji Statistik F
Uji Statistik F digunakan untuk memilih antara metode OLS tanpa variabel dummy atau Fixed Effect. Setelah kita melakukan regresi dua model yaitu model dengan asumsi bahwa slope dan intersep sama dan model dengan asumsi bahwa slope sama tetapi beda intersep, pertanyaan yang muncul adalah model mana yang lebih baik? Apakah penambahan dummy menyebabkan residual sum of squares menjadi menurun atau tidak? Keputusan apakah kita sebaiknya menambah variabel dummy untuk mengetahui bahwa intersep berbeda antar perusahaan dengan metode Fixed Effect dapat diuji dengan uji F statistik. Uji F Statistik disini merupakan uji perbedaan dua regresi sebagaimana uji Chow. Sekarang uji F kita gunakan untuk mengetahui apakah teknik regresi data panel dengan fixed effect lebih baik dari model regresi data panel tanpa variabel dummy dengan melihat residual sum of squares (RSS).
.2. Uji Langrange Multiplier (LM)
Uji ini digunakan untuk memilih antara OLS tanpa variabel dummy atau Random Effect
3. Uji Hausman
 Uji ini untuk memilih antara Fixed Effect atau Random Effect

Model Efek Random (Random Effect) (skripsi dan tesis)

Bila pada Model Efek Tetap, perbedaan antar-individu dan atau waktu dicerminkan lewat intercept, maka pada Model Efek Random, perbedaam tersebut diakomodasi lewat error. Teknik ini juga memperhitungkan bahwa error mungkin berkorelasi sepanjang time series dan cross section

Model Efek Tetap (Fixed Effect) (skripsi dan tesis)

Pada pembahasan sebelumnya kita mengasumsikan bahwa intersep maupun slope adalah sama baik antar waktu maupun antar perusahaan. Namun, asumsi ini jelas sangat jauh dari kenyataan sebenarnya. Adanya variabel-variabel yang tidak semuanya masuk dalam persamaan model memungkinkan adanya intercept yang tidak konstan. Atau dengan kata lain, intercept ini mungkin berubah untuk setiap individu dan waktu. Pemikiran inilah yang menjadi dasar pemikiran pembentukan model tersebut.

Koefisien Tetap Antar Waktu dan Individu (Common Effect) (skripsi dan tesis)

Ordinary Least Square Teknik ini tidak ubahnya dengan membuat regresi dengan data cross section atau time series. Akan tetapi, untuk data panel, sebelum membuat regresi kita harus menggabungkan data cross-section dengan data time series (pool data). Kemudian data gabungan ini diperlakukan sebagai suatu kesatuan pengamatan untuk mengestimasi model dengan metode OLS. Metode ini dikenal dengan estimasi Common Effect. Akan 2 tetapi, dengan menggabungkan data, maka kita tidak dapat melihat perbedaan baik antar individu maupun antar waktu. Atau dengan kata lain, dalam pendekatan ini tidak memperhatikan dimensi individu maupun waktu. Diasumsikan bahwa perilaku data antar perusahaaan sama dalam berbagai kurun waktu Bila kita punya asumsi bahwa α dan β akan sama (konstan) untuk setiap data time series dan cross section, maka α dan β dapat diestimasi dengan model berikut menggunakan NxT pengamatan Yit = α + β Xit + εit ; i = 1,2,….,N; t = 1,2,….., T

Estimasi Regresi Data Panel (skripsi dan tesis)

Secara umum dengan menggunakan data panel kita akan menghasilkan intersep dan slope koefisien yang berbeda pada setiap perusahaan dan setiap periode waktu. Oleh karena itu, di dalam mengestimasi persamaan (3) akan sangat tergantung dari asumsi yang kita buat tentang intersep, koefisien slope dan variabel gangguannya. Ada beberapa kemungkinan yang akan muncul, yaitu: a. Diasumsikan intersep dan slope adalah tetap sepanjang waktu dan individu (perusahaan) dan perbedaan intersep dan slope dijelaskan oleh variabel gangguan b. Diasumsikan slope adalah tetap tetapi intersep berbeda antar individu c. Diasumsikan slope tetap tetapi intersep berbeda baik antar waktu maupun antar individu d. Diasumsikan intersep dan slope berbeda antar individu e. Diasumsikan intersep dan slope berbeda antar waktu dan antar individu

Kelebihan Regresi Data Panel (skripsi dan tesis)

Menurut Widarjono (2007: 249), ada beberapa keuntungan yang diperoleh dengan menggunakan data panel. Pertama, data panel merupakan gabungan dua data cross section dan time series mampu menyediakan data yang lebih banyak sehingga akan menghasilkan derajat kebebasan (degree of freedom) yang lebih besar. Kedua, menggabungkan informasi data dari cross section dan time series dapat mengatasi masalah yang timbul ketika ada masalah penghilangan variabel.

Alasan Penggunaan Regresi Data Panel (skripsi dan tesis)

Sebagaimana telah dijelaskan bahwa regresi data panel digunakan pada saat jenis datanya adalah data panel yaitu data yang memiliki karakteristik cross section dan time series. Apakah setiap analisis hubungan kausalitas dengan data panel harus menggunakan regresi data panel? Tentu saja tidak. Perlu beberapa pertimbangan dalam penggunaan regresi data panel selain dari jenis datanya, seperti tujuan penelitiannya. Jika tujuan penelitian tidak menginginkan adanya analisis terhadap pengaruh perbedaan entitas (individu) dan atau pengaruh perbedaan periode pengamatan, maka tidak perlu menggunakan analisis regresi data panel cukup regresi linier saja. Tetapi jika tujuan penelitian menginginkan adanya pengaruh beda entitas dan atau periode maka regresi data panel cocok digunakan sebagai model penelitian. Meskipun demikian, bukan berarti tidak boleh sebuah penelitian yang memiliki data panel tetapi tidak memiliki spesifikasi tujuan seperti disebut di atas menggunakan regresi data panel, boleh-boleh saja, tetapi perlu dipertimbangakan kompleksitas model dan intepretasinya. Apabila kita mengabaikan tujuan spesifik seperti yang disebutkan di atas, analisis regresi data panel memiliki kelebihan dibandingkan dengan analisis regresi linier, salah satunya alternatif pilihan model yang relatif lebih banyak (tidak hanya satu) dan pada saat tertentu tidak wajibnya pemenuhan asumsi klasik sebagaimana metode OLS dalam regresi linier.

Pengertian Regresi Data Panel (skripsi dan tesis)

Regresi data panel merupakan pengembangan dari regresi linier dengan metode OLS yang memiliki kekhususan dari segi jenis data dan tujuan analisisnya. Dari segi jenis data, regresi data panel memiliki karakteristik (jenis) data cross section dan time series. Sifat cross section data ditunjukkan oleh data yang terdiri lebih dari satu entitas (individu), sedangkan sifat time series ditunjukkan oleh setiap individu memiliki lebih dari satu pengamatan waktu (periode). Misal pada suatu penelitian diamati entitas yang terdiri dari empat perusahaan dengan masing-masing perusahaan memiliki periode pengamatan yang sama yaitu 15 tahun dari tahun 1935 sampai dengan 1954.

Dilihat dari tujuan analisis data, data panel berguna untuk melihat dampak ekonomis yang tidak terpisahkan antar setiap individu dalam beberapa periode, dan hal ini tidak bisa didapatkan dari penggunaan data cross section atau data time series secara terpisah. Adanya perbedaan karakteristik variabel terikat dari setiap entitas atau adanya pengaruh variabel lain di luar model yang ingin diamati pengaruhnya penggunaan regresi data panel akan efektif karena regresi linier tidak dapat melakukannya.

PENENTUAN MODEL ESTIMASI (skripsi dan tesis)

Dalam metode estimasi model regresi dengan menggunakan data panel dapat dilakukan melalui tiga pendekatan, antara lain:

Common Effect Model atau Pooled Least Square (PLS)

Merupakan pendekatan model data panel yang paling sederhana karena hanya mengkombinasikan data time series dan cross section. Pada model ini tidak diperhatikan dimensi waktu maupun individu, sehingga diasumsikan bahwa perilaku data perusahaan sama dalam berbagai kurun waktu. Metode ini bisa menggunakan pendekatan Ordinary Least Square (OLS) atau teknik kuadrat terkecil untuk mengestimasi model data panel.

Fixed Effect Model (FE)

Model ini mengasumsikan bahwa perbedaan antar individu dapat diakomodasi dari perbedaan intersepnya. Untuk mengestimasi data panel model Fixed Effects menggunakan teknik variable dummy untuk menangkap perbedaan intersep antar perusahaan, perbedaan intersep bisa terjadi karena perbedaan budaya kerja, manajerial, dan insentif. Namun demikian slopnya sama antar perusahaan. Model estimasi ini sering juga disebut dengan teknik Least Squares Dummy Variable (LSDV).

Random Effect Model (RE)

Model ini akan mengestimasi data panel dimana variabel gangguan  mungkin saling berhubungan antar waktu dan antar individu. Pada model Random Effect perbedaan intersep diakomodasi oleh error terms masing-masing perusahaan. Keuntungan menggunkan model Random Effect yakni menghilangkan heteroskedastisitas. Model ini juga disebut dengan Error Component Model (ECM) atau teknik Generalized Least Square (GLS) .

Keuntungan Regresi Data Panel (skripsi dan tesis)

Keuntungan melakukan regresi data panel, antara lain:

  1. Pertama, dapat memberikan peneliti jumlah pengamatan yang besar, meningkatkan degree of freedom (derajat kebebasan), data memiliki variabilitas yang besar dan mengurangi kolinieritas antara variabel penjelas, di mana dapat menghasilkan estimasi ekonometri yang efisien.
  2. Kedua, panel data dapat memberikan informasi lebih banyak yang tidak dapat diberikan hanya oleh data cross section atau time series saja.
  3. Ketiga, panel data dapat memberikan penyelesaian yang lebih baik dalam inferensi perubahan dinamis dibandingkan data cross section.

Asumsi Regresi Data Panel (skripsi dan tesis)

Metode Regresi Data Panel akan memberikan hasil pendugaan yang bersifat Best Linear Unbiased Estimation (BLUE) jika semua asumsi Gauss Markov terpenuhi diantaranya adalah non-autcorrelation.

Non-autocorrelation inilah yang sulit terpenuhi pada saat kita melakukan analisis pada data panel. Sehingga pendugaan parameter tidak lagi bersifat BLUE. Jika data panel dianalisis dengan pendekatan model-model time series seperti fungsi transfer, maka ada informasi keragaman dari unit cross section yang diabaikan dalam pemodelan. Salah satu keuntungan dari analisis regresi data panel adalah mempertimbangkan keragamaan yang terjadi dalam unit cross section.

Pengertian Regresi Data Panel (skripsi dan tesis)

Regresi Data Panel adalah gabungan antara data cross section dan data time series, dimana unit cross section yang sama diukur pada waktu yang berbeda. Maka dengan kata lain, data panel merupakan data dari beberapa individu sama yang diamati dalam kurun waktu tertentu. Jika kita memiliki T periode waktu (t = 1,2,…,T) dan N jumlah individu (i = 1,2,…,N), maka dengan data panel kita akan memiliki total unit observasi sebanyak NT. Jika jumlah unit waktu sama untuk setiap individu, maka data disebut balanced panel. Jika sebaliknya, yakni jumlah unit waktu berbeda untuk setiap individu, maka disebut unbalanced panel. Sedangkan jenis data yang lain, yaitu: data time-series dan data cross-section. Pada data time series, satu atau lebih variabel akan diamati pada satu unit observasi dalam kurun waktu tertentu. Sedangkan data cross-section merupakan amatan dari beberapa unit observasi dalam satu titik waktu.(skripsi dan tesis)

Uji Statistik F (skripsi dan tesis)

Uji Statistik F digunakan untuk memilih antara metode OLS tanpa variabel dummy atau Fixed Effect. Setelah kita melakukan regresi dua model yaitu model dengan asumsi bahwa slope dan intersep sama dan model dengan asumsi bahwa slope sama tetapi beda intersep, pertanyaan yang muncul adalah model mana yang lebih baik? Apakah penambahan dummy menyebabkan residual sum of squares menjadi menurun atau tidak? Keputusan apakah kita sebaiknya menambah variabel dummy untuk mengetahui bahwa intersep berbeda antar perusahaan dengan metode Fixed Effect dapat diuji dengan uji F statistik. Uji F Statistik disini merupakan uji perbedaan dua regresi sebagaimana uji Chow. Sekarang uji F kita gunakan untuk mengetahui apakah teknik regresi data panel dengan fixed effect lebih baik dari model regresi data panel tanpa variabel dummy dengan melihat residual sum of squares (RSS).

Model Efek Tetap (Fixed Effect) (skripsi dan tesis)

Pada pembahasan sebelumnya kita mengasumsikan bahwa intersep maupun slope adalah sama baik antar waktu maupun antar perusahaan. Namun, asumsi ini jelas sangat jauh dari kenyataan sebenarnya. Adanya variabel-variabel yang tidak semuanya masuk dalam persamaan model memungkinkan adanya intercept yang tidak konstan. Atau dengan kata lain, intercept ini mungkin berubah untuk setiap individu dan waktu. Pemikiran inilah yang menjadi dasar pemikiran pembentukan model tersebut

Koefisien Tetap Antar Waktu dan Individu (Common Effect) (skripsi dan tesis)

Ordinary Least Square Teknik ini tidak ubahnya dengan membuat regresi dengan data cross section atau time series. Akan tetapi, untuk data panel, sebelum membuat regresi kita harus menggabungkan data cross-section dengan data time series (pool data). Kemudian data gabungan ini diperlakukan sebagai suatu kesatuan pengamatan untuk mengestimasi model dengan metode OLS. Metode ini dikenal dengan estimasi Common Effect. Akan  tetapi, dengan menggabungkan data, maka kita tidak dapat melihat perbedaan baik antar individu maupun antar waktu. Atau dengan kata lain, dalam pendekatan ini tidak memperhatikan dimensi individu maupun waktu. Diasumsikan bahwa perilaku data antar perusahaaan sama dalam berbagai kurun waktu Bila kita punya asumsi bahwa α dan β akan sama (konstan) untuk setiap data time series dan cross section, maka α dan β dapat diestimasi dengan model berikut menggunakan NxT pengamatan Yit = α + β Xit + εit ; i = 1,2,….,N; t = 1,2,….., T

Estimasi Regresi Data Panel (skripsi dan tesis)

Secara umum dengan menggunakan data panel kita akan menghasilkan intersep dan slope koefisien yang berbeda pada setiap perusahaan dan setiap periode waktu. Oleh karena itu, di dalam mengestimasi persamaan (3) akan sangat tergantung dari asumsi yang kita buat tentang intersep, koefisien slope dan variabel gangguannya. Ada beberapa kemungkinan yang akan muncul, yaitu: a. Diasumsikan intersep dan slope adalah tetap sepanjang waktu dan individu (perusahaan) dan perbedaan intersep dan slope dijelaskan oleh variabel gangguan b. Diasumsikan slope adalah tetap tetapi intersep berbeda antar individu c. Diasumsikan slope tetap tetapi intersep berbeda baik antar waktu maupun antar individu d. Diasumsikan intersep dan slope berbeda antar individu e. Diasumsikan intersep dan slope berbeda antar waktu dan antar individu

Pemodelan Data Panel (skripsi dan tesis)

Model regresi linier menggunakan data cross section dan time series.
 Model dengan data cross section Yi = α + β Xi + εi ; i = 1,2,….,N N: banyaknya data cross section (1)
 Mode dengan data time series Yt = α + β Xt + εt ; t = 1,2,….,T (2) N: banyaknya data time series 1 Mengingat data panel merupakan gabungan dari data cross section dan data time series, maka modelnya dituliskan dengan: Yit = α + β Xit + εit ; i = 1,2,….,N; t = 1,2,….., T
di mana : (3) N T = banyaknya observasi = banyaknya waktu N x T = banyaknya data panel

Pengertian Data Panel (skripsi dan tesis)

Data panel adalah gabungan antara data runtut waktu (time series) dan data silang (cross section). Data runtut waktu biasanya meliputi satu objek/individu (misalnya harga saham, kurs mata uang, SBI, atau tingkat inflasi), tetapi meliputi beberapa periode (bisa harian, bulanan, kuartalan, atau tahunan). Data silang terdiri dari atas beberapa atau banyak objek, sering disebut responden (misalnya perusahaan) dengan beberapa jenis data (misalnya; laba, biaya iklan, laba ditahan, dan tingkat investasi) dalam suatu periode waktu tertentu. Ketika kita melakukan suatu observasi perilaku unit ekonomi seperti rumah tangga, perusahaan atau Negara, kita tidak hanya akan melakukan observasi terhadap unit-unit tersebut di dalam waktu yang bersamaan tetapi juga perilaku unit-unit tersebut pada berabagai periode waktu Regresi dengan menggunakan data panel disebut model regresi data panel. Ada beberapa keuntungan yang diperoleh dengan menggunakan data panel. Pertama, data panel merupakan gabungan data data time seris dan cross section mampu menyediakan data yang lebih banyak sehingga akan menghasilkan degree of freedom yang lebih besar. Kedua, menggabungkan informasi dari data time series dan cross section dapat mengatasi masalah yang timbul ketika ada masalah penghilangan variabel (ommited-variable).

BENTUK UMUM SEM (skripsi dan tesis)

Dalam SEM terdapat beberapa komponen model umum, pertama terdapat 2 jenis variabel yaitu variabel laten dan variabel teramati (Observed atau measured Variable). Komponen model kedua adalah terdapat dua jenis model yaitu model struktural dan model pengukuran. Terakhir terdapat dua jenis kesalahan yaitu kesalahan struktural dan kesalahan pengukuran [3].
1. Variabel a. Variabel laten Variabel laten merupakan suatu konsep yang abstrak dan tidak dapat diukur secara langsung. Variabel laten hanya dapat diamati secara tidak langsung melalui efeknya pada variabel-variabel teramati (observed variabel). Terdapat dua jenis variabel laten yaitu variabel laten eksogen dan variabel laten endogen. Variabel laten eksogen adalah variabel laten yang bebas dan dilambangkan dengan  (ksi), sedangkan variabel laten endogen merupakan variabel laten yang terikat dan sering dilambangkan dengan  (eta). Variabel laten disimbolkan dengan elips atau lingkaran. b. Variabel teramati Variabel teramati adalah variabel yang dapat diamati atau dapat diukur dan sering disebut indikator. Variabel teramati berupa ukuran dari variabel laten. Variabel teramati yang terbentuk dari variabel laten eksogen dilambangkan dengan X, sedangkan yang terbentuk dari variabel laten endogen dilambangkan dengan Y.
2. Model a. Model struktural Model struktural menggambarkan hubungan antar variabel laten. Parameter yang menunjukkan hubungan antara variabel laten eksogen terhadap variabel laten endogen adalah  (gamma). Parameter yang menunjukkan hubungan antara variabel laten endogen terhadap variabel endogen lainnya adala  (beta). b. Model pengukuran Model pengukuran menggambarkan hubungan antara variabel laten dan veriabel teramati. Factor loading yang menghubungkan variabel laten dan variabel teramati dinotasikan  (lambda).
 3. Kesalahan dalam SEM a. Kesalahan struktural Variabel latent bebas tidak dapat secara sempurna memprediksi variabel terikat, sehingga dalam model struktural ditambahkan komponen kesalahan struktural  (zeta). b. Kesalahan pengukuran Variabel-variabel teramati tidak dapat secara sempurna menggambarkan variabel latent, sehingga perlu ditambahkan komponen kesalahan pengukuran. Kesalahan pengukuran yang berkaitan dengan variabel teramati X dinotasikan dengan  (delta), sedangkan yang berkaitan dengan variabel teramati Y dinotasikan dengan  (epsilon)

UKURAN SAMPEL SEM (skripsi dan tesis)

Ukuran sampel yang ideal untuk SEM sebaiknya antara 200 – 400. Jika menginginkan hasilnya semakin tepat, maka sebaiknya lebih besar dari 400 dengan 10-15 variable yang diobservasi dan dengan tingkat kesalahan sebesar 5%. Untuk tingkat kesalahan 1% diperlukan data sekitar 3200.

KONSEP IDENTIFIKASI MODEL (skripsi dan tesis)

Model – Model Struktural dapat berupa dalam SEM ialah: 1) just – identified, 2) over – identified, dan 3) under – identified
Model ‘Just – identified’– : jumlah poin data varian dan kovarian sama dengan jumlah parameter yang harus diestimasi. Model ini secara ilmiah tidak menarik karena tidak ada Degree of Freedom (DF) sehingga model harus selalu diterima / tidak dapat ditolak (Catatan: DF = data – parameter)
Model ‘Over – identified’– : jumlah poin data varian dan kovarian variabel-variabel yang teramati lebih besar dari jumlah parameter yang harus diestimasi. Dengan demikian terdapat DF positif sehingga memungkinkan penolakan model
Model ‘Under – identified’– : jumlah poin data varian dan kovarian lebih kecil dibandingkan dengan jumlah parameter yang harus diestimasi. Dengan demikian model akan kekurangan informasi yang cukup untuk mencari pemecahan estimasi parameter karena akan terdapat solusi yang tidak terhingga untuk model yang seperti ini.
Saturated Model– : mempunyai parameter bebas sebanyak jumlah moments (rata-rata dan varian). Jika dianalisis dengan data yang lengkap, maka model akan selalu cocok dengan data sampel secara sempurna (Chi square = 0.0; DF = 0)

ASUMSI DASAR (skripsi dan tesis)

Untuk menggunakan SEM, peneliti memerlukan pengetahuan tentang asumsi-asumsi yang mendasari penggunaannya. Beberapa asumsi tersebut, diantaranya ialah: • Distribusi normal indikator – indikator multivariat (Multivariate normal distribution of the indicators): Masing-masing indikator mempunyai nilai yang berdistribusi normal terhadap indikator lainnya. Karena permulaan yang kecil normalitas multivariat dapat menuntun kearah perbedaan yang besar dalam pengujian chi-square, dengan demikian akan melemahkan kegunaannya. Secara umum, pelanggaran asumsi ini menaikkan chi-square sekalipun demikian didalam kondisi tertentu akan menurunkannya. Selanjutnya penggunaan 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) struktur. Khusus MLE membutuhkan variabel-variabel endogenous yang berdistribusi normal. Secara umum, sebagaimana ditunjukkan dalam suatu studi-studi simulasi menunjukkan, bahwa dalam kondisi – kondisi data yang sangat tidak normal, estimasi-estimasi parameter SEM, misalnya estimasi jalur masih dianggap akurat tetapi koefesien-koefesien signifikansi yang bersangkutan akan menjadi terlalu tinggi sehingga nilai-nilai chi-square akan meningkat. Perlu diingat bahwa untuk uji keselarasan chi-square dalam model keseluruhan, nilai chi-square tidak harus signifikan jika ada keselarasan model yang baik, yaitu: semakin tinggi nilai chi-square, semakin besar perbedaan model yang diestimasi dan matrices kovarian sesungguhnya, tetapi keselarasan model semakin buruk. Chi-square yang meninggi dapat mengarahkan peneliti berpikir bahwa model-model yang sudah dibuat memerlukan modifikasi dari apa yang seharusnya. Kurangnya normalitas multivariat biasanya menaikkan statistik chi-square, misalnya, statistik keselarasan chi-square secara keseluruhan untuk model yang bersangkutan akan bias kearah kesalahan Type I, yaitu menolak suatu model yang seharusnya diterima. Pelanggaran terhadap normalitas multivariat juga cenderung menurunkan (deflate) kesalahan-kesalahan standar mulai dari menengah sampai ke tingkat tinggi. Kesalahan-kesalahan yang lebih kecil dari yang seharusnya terjadi mempunyai makna jalur-jalur regresi dan kovarian-kovarian faktor / kesalahan didapati akan menjadi signifikan secara statistik dibandingkan dengan seharusnya yang terjadi. • Distribusi normal multivariat variabel-variabel tergantung laten ( Multivariate normal distribution of the latent dependent variables). Masing-masing variabel tergantung laten dalam model harus didistribusikan secara normal untuk masing-masing nilai dari setiap variabel laten lainnya. Variabel-variabel laten dichotomi akan melanggar asumsi ini karena alasan-alasan tersebut. • Linieritas (Linearity). SEM mempunyai asumsi adanya hubungan linear antara variabel-variabel indikator dan variabel-variabel laten, serta antara variabel-variabel laten sendiri. Sekalipun demikian, sebagaimana halnya dengan regresi, peneliti dimungkinkan untuk menambah 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. • Beberapa indikator (Multiple indicators). Beberapa indikator harus digunakan untuk mengukur masingmasing 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. • Rekursivitas (Recursivity): Suatu model disebut rekursif jika semua anak panah menuju satu arah, tidak ada arah umpan balik (feedback looping), dan faktor gangguan (disturbance terms) atau kesalahan tersisa (residual error) untuk variabel-variabel endogenous yang tidak dikorelasikan. Dengan kata lain, model-model recursive merupakan model dimana semua anak panah mempunyai satu arah tanpa putaran umpan balik, dan peneliti dapat membuat asumsi kovarian – kovarian gangguan kesalahan semua 0. Hal itu berarti bahwa semua variabel yang tidak diukur yang merupakan determinan dari variabel-variabel endogenous tidak dikorelasikan satu dengan lainnya sehingga tidak membentuk putaran umpan balik (feedback loops). Model – model dengan gangguan kesalahan yang berkorelasi dapat diperlakukan sebagai model recursive hanya jika tidak ada pengaruh-pengaruh langsung diantara variabel-variabel endogenous • Data interval: Sebaiknya data interval digunakan dalam SEM. Sekalipun demikian, tidak seperti pada analisis jalur tradisional, kesalahan model-model SEM yang eksplisit muncul karena penggunaan data ordinal. Variabel-variabel exogenous berupa variabel-variabel dichotomi atau dummy dan variabel dummy kategorikal tidak boleh digunakan dalam variabel-variabel endogenous. Penggunaan data ordinal atau nominal akan mengecilkan koefesien matriks korelasi yang digunakan dalam SEM. Jika data ordinal yang digunakan maka sebelum di analisis dengan SEM, data harus diubah ke interval dengan menggunakan method of successive interval (MSI) • Ketepatan yang tinggi: Apakah data berupa data interval atau ordinal, data-data tersebut harus mempunyai jumlah nilai yang besar. Jika variabel – variabel mempunyai jumlah nilai yang sangat kecil, maka masalah-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. • Gangguan kesalahan yang tidak berkorelasi (Uncorrelated error terms) seperti dalam regresi, maka gangguan kesalahan diasumsikan saja. Sekalipun demikian, jika memang ada dan dispesifikasi secara eksplsit dalam model oleh peneliti, maka kesalahan yang berkorelasi (correlated error) dapat diestimasikan dan dibuat modelnya dalam SEM. • Kesalahan residual yang tidak berkorelasi (Uncorrelated residual error): Kovarian nilai – nilai variabel tergantung yang diprediksi dan residual – residual harus sebesar 0 Multikolinearitas yang lengkap: multikolinearitas diasumsikan tidak ada, tetapi korelasi antara semua variabel bebas dapat dibuat model secara eksplisit dalam SEM. Multikolinearitas yang lengkap akan menghasilkan matriks – matriks kovarian tunggal, yang mana peneliti tidak dapat melakukan penghitungan tertentu, misalnya inversi matrix karena pembagian dengan 0 akan terjadi. • Ukuran Sampel tidak boleh kecil karena SEM bergantung pada pengujian-pengujian yang sensitif terhadap ukuran sampel dan magnitude perbedaan-perbedaan matrices 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 ditemukan median ukuran sampel sebanyak 198. Sampel di bawah 100 akan kurang baik hasilnya jika menggunakan SEM.

(skripsi dan tesis)

Aplikasi utama Structural Equation Modeling (skripsi dan tesis)

Aplikasi utama Structural Equation Modeling meliputi: 1. Model sebab akibat (causal modeling,) atau disebut juga analisis jalur (path analysis), yang menyusun hipotesa hubungan-hubungan sebab akibat (causal relationships) diantara variabel – variabel dan menguji model-model sebab akibat (causal models) dengan menggunakan sistem persamaan linier. Model-model sebab akibat dapat mencakup variabel-variabel manifest (indikator), variabel-variabel laten atau keduanya; 2. Analisis faktor penegasan (confirmatory factor analysis), suatu teknik kelanjutan dari analisis faktor dimana dilakukan pengujian hipotesis – hipotesis struktur factor loadings dan interkorelasinya; 3. Analisis faktor urutan kedua (second order factor analysis), suatu variasi dari teknik analisis faktor, dimana matriks korelasi dari faktor-faktor tertentu (common factors) dilakukan analisis pada faktornya sendiri untuk membuat faktor-faktor urutan kedua; 4. Model-model regresi (regression models), suatu teknik lanjutan dari analisis regresi linear, dimana bobot regresi dibatasi agar menjadi sama satu dengan lainnya, atau dilakukan spesifikasi pada nilainilai numeriknya; 5. Model-model struktur covariance (covariance structure models), yang mana model tersebut menghipotesakan bahwa matrix covariance mempunyai bentuk tertentu. Sebagai contoh, kita dapat menguji hipotesis yang menyusun semua variabel yang mempunyai varian yang sama dengan menggunakan prosedur yang sama; 6. Model struktur korelasi (correlation structure models), yang mana model tersebut menghipotesakan bahwa matrix korelasi mempunyai bentuk tertentu. Contoh klasik adalah hipotesis yang menyebutkan bahwa matrix korelasi mempunyai struktur circumplex

FUNGSI SEM (skripsi dan tesis)

Beberapa fungsi SEM, diantaranya ialah: • memungkinkan adanya asumsi-asumsi yang lebih fleksibel; Pertama, • Kedua, penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk mengurangi kesalahan pengukuran dengan memiliki banyak indikator dalam satu variabel laten; • daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca keluaran hasil Ketiga, analisis; Keempat, kemungkinan adanya pengujian model secara keseluruhan dari pada koefesien-koefesien secara sendiri-sendiri; • Kelima, kemampuan untuk menguji model – model dengan menggunakan beberapa variabel tergantung; • kemampuan untuk membuat model terhadap variabel-variabel perantara; Keenam, • Ketujuh, kemampuan untuk membuat model gangguan kesalahan (error term); • Kedelapan, kemampuan untuk menguji koefesien-koefesien diluar antara beberapa kelompok subyek; • Kesembilan, kemampuan untuk mengatasi data yang sulit, seperti data time series dengan kesalahan otokorelasi, data yang tidak normal, dan data yang tidak lengkap.

Pengertian SEM (skripsi dan tesis)

 

Apa sebenarnya yang dimaksud dengan structural equation modeling (SEM) itu? SEM mempunyai beberapa definisi, diantaranya ialah sebagai berikut: Structural equation modeling, yang dalam buku ini untuk selanjutnya akan disebut SEM, adalah suatu teknik modeling statistik yang bersifat sangat cross-sectional, linear dan umum. Termasuk dalam SEM ini ialah analisis faktor (factor analysis), analisis jalur (path analysis) dan regresi (regression). Definisi lain menyebutkan structural equation modeling (SEM) adalah teknik analisis multivariat yang umum dan sangat bermanfaat yang meliputi versi-versi khusus dalam jumlah metode analisis lainnya sebagai kasus-kasus khusus. Definisi berikutnya mengatakan bahwa Structural equation modeling (SEM) merupakan teknik statistik yang digunakan untuk membangun dan menguji model statistik yang biasanya dalam bentuk model-model sebab akibat. SEM sebenarnya merupakan teknik hibrida yang meliputi aspek-aspek penegasan (confirmatory) dari analisis faktor, analisis jalur dan regresi yang dapat dianggap sebagai kasus khusus dalam SEM. Sedikit berbeda dengan definisi-definisi sebelumnya mengatakan structural equation modeling (SEM) berkembang dan mempunyai fungsi mirip dengan regresi berganda, sekalipun demikian nampaknya SEM menjadi suatu teknik analisis yang lebih kuat karena mempertimbangkan pemodelan interaksi, nonlinearitas, variabel – variabel bebas yang berkorelasi (correlated 2 independents), kesalahan pengukuran, gangguan kesalahan-kesalahan yang berkorelasi (correlated error terms), beberapa variabel bebas laten (multiple latent independents) dimana masing-masing diukur dengan menggunakan banyak indikator, dan satu atau dua variabel tergantung laten yang juga masing-masing diukur dengan beberapa indikator. Dengan demikian menurut definisi ini SEM dapat digunakan alternatif lain yang lebih kuat dibandingkan dengan menggunakan regresi berganda., analisis jalur, analisis faktor, analisis time series, dan analisis kovarian Dari definisi di atas dapat disimpulkan bahwa SEM mempunyai karakteristik yang bersifat sebagai teknik analisis untuk lebih menegaskan (confirm) dari pada untuk menerangkan. Maksudnya, seorang peneliti lebih cenderung menggunakan SEM untuk menentukan apakah suatu model tertentu valid atau tidak dari pada menggunakannya untuk menemukan suatu model tertentu cocok atau tidak, meski analisis SEM sering pula mencakup elemen-elemen yang digunakan untuk menerangkan.

Pengertian Kompetensi(skripsi dan tesis) (skripsi dan tesis)

Kata kompetensi sering didengar ataupun diucapkan oleh banyak orang. Setiap orang memiliki persepsi masing-masing terkait dengan kompetensi itu sendiri. Perbedaan tersebut merupakan hal yang wajar dan tetap sah-sah saja sebab masing-masing individu belum memahami makna asal atau makna aslinya. Ada yang mengintepretasikan kompetensi sepadan dengan kemampuan atau kecakapan. Ada lagi yang mengintepretasikan sepadan dengan ketrampilan, pengetahuan dan berpendidikan tinggi. Bahkan ada pula yang mengintepretasikan sepadan dengan layak (feasible), handal (reliable), cocok, dapat dipercaya dan cerdas (Sudarmanto, 2009: 45). 57 Menurut Richard E. Boyatzis (1982: 23) sebagaimana dikutip oleh Sudarmanto (2009: 46), kompetensi adalah karakteristik-karakteristik yang berhubungan dengan kinerja unggul dan atau efektif di dalam pekerjaan. Menurut Lyle Spencer & Signe Spencer (1993: 9) sebagaimana dikutip oleh Sudarmanto (2009: 46), kompetensi merupakan karakteristik dasar perilaku individu yang berhubungan dengan kriteria acuan efektif dan atau kinerja unggul di dalam pekerjaan atau situasi. Menurut McAshan (1981: 45) sebagaimana dikutip oleh Sudarmanto (2009: 48), kompetensi merupakan pengetahuan, keahlian, dan kemampuan yang dimiliki/dicapai seseorang, yang menjadi bagian dari dirinya sehingga dapat menjalankan penampilan kognisi, afeksi, dan perilaku psikomotorik tertentu. Adapun menurut Badan Kepegawaian Negara (2003) mendefinisikan kompetensi sebagai kemampuan dan karakteristik yang dimiliki seorang Pegawai Negeri Sipil yang berupa pengetahuan, keterampilan, dan sikap perilaku yang diperlukan dalam pelaksanaan tugas jabatannya sehingga Pegawai Negeri Sipil tersebut dapat melaksanakan tugasnya secara professional, efektif, dan efisien. Dari beberapa definisi di atas dapat disimpulkan bahwa kompetensi pada dasarnya merupakan karakteristik dasar yang berupa pengetahuan, keterampilan, dan sikap yang dimiliki individu yang melekat pada dirinya dalam melaksanakan tugas dan pekerjaan di tempat kerja.

Program LISREL (skripsi dan tesis)

LInear Structural RELationship (LISREL) adalah program SEM pertama yang dikembangkan oleh Karl G. Joreskog dan Dag Sorbom pada tahun 1974. Program LISREL dibuat oleh perusahaan Scientific Software International.Inc. 50 LISREL merupakan satu-satunya program SEM yang paling canggih dan paling dapat mengestimasi berbagai masalah SEM yang bahkan nyaris tidak dapat dilakukan oleh program lain, seperti AMOS, EQS dan program lainnya (Ghozali & Fuad , 2008). Selain itu, LISREL merupakan program SEM yang sangat informatif dalam menghasilkan hasil uji statistiknya sehingga modifikasi model dan penyebab buruknya goodness of fit model dapat dengan mudah diatasi (Latan, 2013: 6). Menurut Lei & Wu (2007: 40), “LISREL (linear structural relationships) is one of the earliest SEM programs and perhaps the most frequently referenced program in SEM articles” dan “Its version 8 (Joreskog & Sorbom, 1996a, 1996b) has three components: PRELIS, SIMPLIS, and LISREL.” Menurut Wijanto (2008: 75), LISREL 8.80 diperkenalkan dan mengandung berbagai fitur tambahan seperti full information maximum likelihood estimation for continuous variables with data missing at random, multiple imputation of data with value missing at random, and two-level nonlinear random coefficients models. Dalam penggunaan SEM, peneliti dapat menganalisis struktur kovarians (struktur yang menunjukkan hubungan linear antar variabel) yang rumit, variabel laten, saling ketergantungan antar variabel dan timbal balik sebab akibat yang dapat ditangani dengan mudah menggunakan model pengukuran dan persamaan terstruktur

Respesifikasi Model (skripsi dan tesis)

Setelah melakukan uji kecocokan model dan didapat model yang diuji tidak fit maka perlu dilakukan respesifikasi model. Respesifikasi model harus didukung teori karena tujuan dari CB-SEM untuk mengkonfirmasi teori. Apabila model telah direspesifikasi maka model yang baru harus di cross-validated (validasi silang) dengan data yang baru. Apabila model yang dihipotesiskan belum mencapai model yang fit, maka dapat dilakukan respesifikasi model untuk mencapai nilai fit yang baik. Oleh karena itu, pendekatan teori yang benar ketika melakukan respesifikasi model ini dibutuhkan. Respesifikasi model dilakukan dengan memodifikasi program SIMPLIS. Dalam memodifikasi model ada beberapa cara yang dapat dilakukan yaitu (1) Menghapus variabel teramati yang tidak memenuhi syarat validitas dan reliabilitas yang baik; (2) Memanfaatkan informasi yang terdapat dalam modification indices, yaitu a. menambahan path (lintasan) baru diantara variabel teramati dengan variabel laten dan antar variabel laten; b. menambahan error covariance diantara dua buah error variances

Kecocokan Model Struktural (skripsi dan tesis)

Tujuan model struktural untuk memastikan hubungan-hubungan yang dihipotesiskan pada model konseptualisasi didukung oleh data empiris yang diperoleh melalui survey. Dalam hal ini terdapat tiga hal yang perlu diperhatikan yaitu (1) Tanda (arah) hubungan antara variabel-variabel laten mengidentifikasikan hasil hubungan antara variabel-variabel tersebut memiliki pengaruh yang signifikan atau tidak dengan yang dihipotesiskan. (2) Signifikansi parameter yang diestimasi memberikan informasi yang sangat berguna mengenai hubungan antara variabel-variabel laten. Batas untuk menerima atau menolak suatu hubungan dengan tingkat signifikan 5 % adalah 1,96 (mutlak), dimana apabila nilai t terletak antara -1,96 dan 1,96 maka hipotesis yang menyatakan adanya pengaruh harus ditolak sedangkan apabila nilai t lebih besar daripada 1,96 atau lebih kecil dari -1,96 harus diterima dengan taraf signifikansi | | (3) Koefisien determinasi pada persamaan struktural mengindikasikan jumlah varian pada variabel laten endogen yang dapat dijelaskan secara simultan oleh variabel-variabel laten independen. Semakin tinggi nilai maka semakin besar variabel-variabel independen tersebut dapat menjelaskan variabel endogen sehingga semakin baik persamaan struktural

Kecocokan Model Pengukuran (skripsi dan tesis)

 Uji kecocokan model pengukuran dilakukan terhadap setiap konstruk atau model pengukuran secara terpisah melalui (1) Evaluasi terhadap validitas dari model pengukuran; dan (2) Evaluasi terhadap reliabilitas dari model pengukuran. Validitas berhubungan dengan apakah suatu variabel mengukur apa yang seharusnya diukur. Meskipun validitas tidak akan pernah dapat dibuktikan tetapi dukungan kearah pembuktian tersebut dapat dikembangkan. Menurut Rigdon & Ferguson (1991) dan Doll, Xia & Torkzadeh (1994) sebagaimana dikutip oleh Wijanto (2008: 65) suatu variabel dikatakan 47 mempunyai validitas yang baik terhadap konstruk atau variabel latennya jika memenuhi syarat i. Nilai t muatan faktornya (loading factors) lebih besar dari nilai kritis (atau atau untuk praktisnya ; dan ii. Muatan faktor standarnya (standardized loading factors) Menurut Igbaria et.al (1997) sebagaimana dikutip oleh Wijanto (2008: 65), tentang relative importance and significant of the factor loading of each item, menyatakan bahwa muatan faktor standar Reliabilitas adalah konsistensi suatu pengukuran. Apabila reliabilitas tinggi menunjukkan indikator-indikator mempunyai konsistensi tinggi dalam mengukur konstruk latennya. Secara umum teknik mengestimasi reliabilitas adalah test-retest, alternative forms, split-halves, dan Cronbach’s alpha. Dari berbagai pendekatan tersebut, ternyata koefisien Cronbach’s alpha yang menggunakan batasan asumsi paling sedikit

Uji Kecocokan Model (skripsi dan tesis)

Setelah melakukan metode estimasi terhadap model, langkah selanjutnya adalah melakukan uji kecocokan model. Uji kecocokan model dilakukan untuk menguji apakah model yang dihipotesiskan merupakan model yang baik untuk merepresentasikan hasil penelitian. Menurut Hair dkk sebagaimana dikutip oleh Wijanto (2008: 49), evaluasi terhadap tingkat kecocokan data dengan model dilakukan melalui beberapa tahapan, yaitu (1) Kecocokan Keseluruhan Model (Overall Model Fit); (2) Kecocokan Model Pengukuran (Measurement Model Fit); dan  (3) Kecocokan Model Struktural (Structural Model Fit).

Weighted Least Square (WLS) (skripsi dan tesis)

Weighted Least Square (WLS) disebut juga Asymptotic distribution Free (ADF). ADF merupakan suatu metode estimasi pada LISREL yang tidak tergantung dengan jenis distribusi data. Weighted Least Square (WLS) memiliki kelebihan dibandingkan dengan estimasi Maximum Likelihood (ML), tetapi ukuran sampel yang dibutuhkan untuk melakukan estimasi dengan WLS lebih besar dibandingkan ML. Menurut Bentler & Chou (1987) sebagaimana dikutip oleh Wijanto (2008) menyarankan bahwa paling rendah rasio 5 responden per variabel akan mencukupi untuk distribusi normal ketika sebuah variabel laten mempunyai beberapa indicator (variabel teramati) dan rasio 10 responden per variabel teramati akan mencukupi untuk distribusi yang lain.   Berdasarkan hal tersebut sebagai rule of thumb, estimasi ML memerlukan ukuran sampel minimal 5 responden untuk setiap variabel teramati yang ada di dalam model sedangkan estimasi WLS memerlukan ukuran sampel minimal 10 responden untuk setiap variabel teramati. Menurut Wijanto (2008), estimasi WLS dan estimasi ML memiliki perbedaan dalam bentuk distribusi yang mendasarinya.

Maximum Likelihood (skripsi dan tesis)

Menurut Bollen (1989: 134) sebagaimana dikutip oleh Wijanto (2008:45), MLE secara iterative akan meminimasikan fungsi ∑ dimana diasumsikan ∑ dan adalah definit positif; X dan Y adalah multinormal distribution, dan S mempunyai Wishart distribution merupakan banyaknya variabel teramati (X dan Y) dalam model. Menurut Bollen (1989) sebagaimana dikutip oleh Thanjoyo (2012: 47), Maximum Likelihood (ML) mempunyai beberapa karakteristik yang penting dan karakteristik ini adalah asimptotik sehingga berlaku untuk sampel yang besar. Beberapa karakteristik tersebut antara lain
(1) ML secara asimptotik tidak bias, meskipun estimator ini bias untuk sampel kecil,
(2) ML adalah konsisten,
(3) ML adalah asymptotically efficient, sedemikian sehingga diantara estimator yang konsisten, tidak ada yang mempunyai asymptotic variance lebih kecil, dan
(4) Distribusi dari estimator mendekati distribusi normal ketika ukuran sampel meningkat. Menurut Thanjoyo (2012: 47), meskipun ML popular penggunaannya dalam SEM tetapi ada kekurangannya yang perlu diperhatikan yaitu ketika nonormality atau excessive kurtosis mengancam validitas dari uji signifikansi ML.
Menurut Bollen (1989) sebagaimana dikutip oleh Thanjoyo (2012: 47) menyarankan beberapa alternatif untuk mengatasi hal ini, yaitu
 (1) Mentransformasikan variabel sedemikian rupa sehingga mempunyai multinormalitas yang lebih baik dan menghilangkan kurtosis yang berlebihan.
(2) Menyediakan penyesuaian pada uji signifikan dan kesalahan standar biasa sehingga hasil modifikasi uji signifikan dari adalah secara asimptotis benar (asymptotically correct).
(3) Menggunakan bootstrap resampling procedures.
 (4) Menggunakan estimator alternatif yang menerima ketidaknormalan (nonnormality) dan estimator tersebut asymptotically efficient.
Weighted Least Square (WLS) adalah salah satu di antara metode berikut. Menurut Ghozali & Fuad (2008: 36), Maximum Likelihood disarankan menggunakan ukuran sampel sebesar 100-200. Apabila data yang digunakan sebesar lebih dari 200 maka akan menghasilkan indeks goodness of fit yang buruk. Menurut Chou et al. (1991) & Hu et al. (1992) sebagaimana dikutip oleh Ghozali & Fuad (2008: 193), beberapa peneliti membolehkan penggunaan skala interval sebagai data continous dan sehingga dapat langsung dianalisis (data mentah atau covariance matrix) dengan menggunakan maximum likelihood dan melakukan koreksi atas beberapa bias yang mungkin timbul. Menurut Bryne (1998) sebagaimana dikutip oleh Ghozali & Fuad (2008: 202), dalam penggunaan data ordinal yang diberlakukan sebagai data continous dan menggunakan ML lebih baik apabila ukuran data yang kecil dan jumah kategori yang lebih dari 3 dibandingkan menggunakan estimasi WLS

Identifikasi Model (skripsi dan tesis)

 

Menurut Wijanto (2008: 37), secara garis besar ada 3 kategori dalam persamaan secara simultan, yaitu (1) Under-identified model Adalah model dengan jumlah parameter yang diestimasi lebih besar dari jumlah data yang diketahui (data tersebut merupakan varians dan kovarians dari variabel-variabel yang teramati). (2) Just-identified model Adalah model dengan jumlah parameter yang diestimasi sama dengan jumlah data yang diketahui. 30 (3) Over-identified model Adalah model dengan jumlah parameter yang diestimasi lebih kecil dari jumlah data yang diketahui. Besarnya degree of freedom (df) pada SEM adalah besarnya jumlah data yang diketahui dikurangi jumlah parameter yang diestimasi yang nilainya kurang dari nol (df = (jumlah data yang diketahui – jumlah parameter yang diestimasi) < 0). Cara melihat ada tidaknya problem identifikasi adalah dengan melihat hasil estimasi yang meliputi (1) adanya nilai standart error yang besar untuk 1 atau lebih koefisien; (2) ketidakmampuan program untuk invert information matrix; (3) nilai estimasi yang tidak mungkin error variance yang negatif; dan (4) adanya nilai korelasi yang tinggi (> 0,90) antar koefisien estimasi. Jika diketahui ada problem identifikasi maka ada tiga hal yang harus dilihat (1) besarnya jumlah koefisien yang diestimasi relatif terhadap jumlah kovarian atau korelasi, yang diindikasikan dengan nilai degree of freedom yang kecil; (2) digunakannya pengaruh timbal balik atau respirokal antar konstruk (model non recursive); atau (3) kegagalan dalam menetapkan nilai tetap (fix) pada skala konstruk.

Spesifikasi Model (skripsi dan tesis)

Tahap spesifikasi model merupakan pembentukan hubungan antara variabel laten yang satu dengan variabel laten lainnya dan juga hubungan antara variabel laten dengan variabel manifest didasarkan pada teori yang berlaku.Menurut Wijanto (2008: 35), melalui langkah-langkah berikut dapat diperoleh model yang diinginkan, yaitu (1) Spesifikasi model pengukuran a. Mendefinisikan variabel-variabel laten yang ada di dalam penelitian b. Mendefinisikan variabel-variabel yang teramati c. Mendefinisikan hubungan di antara variabel laten dengan variabel yang teramati (2) Spesifikasi model struktural Mendefinisikan hubungan kausal di antara variabel-variabel laten tersebut. (3) Menggambarkan diagram jalur dengan hybrid model yang merupakan kombinasi dari model pengukuran dan model struktural, jika diperlukan (bersifat opsional).

Tahapan dan Prosedur SEM (skripsi dan tesis)

Menurut Bollen & Long (1993) sebagaimana dikutip oleh Thanjoyo (2012: 43), secara umum prosedur SEM mengandung tahap-tahap sebagai berikut 28 (1) Spesifikasi model (model specification) Tahap ini berkaitan dengan pembentukan model awal persamaan struktural. Model awal ini diformulasikan suatu teori atau penelitian sebelumnya. (2) Identifikasi (identification) Tahap ini berkaitan dengan pengkajian tentang kemungkinan diperolehnya nilai yang unik untuk setiap parameter yang ada di dalam modeldan kemungkinan persamaan simultan tidak ada solusinya. (3) Estimasi (estimation) Tahap ini berkaitan dengan estimasi terhadap model untuk menghasilkan nilai-nilai parameter menggunakan salah satu metode estimasi yang tersedia. Pemilihan metode estimasi yang digunakan seringkali ditentukan berdasarkan karakteristik dari variabel-variabel yang dianalisis. (4) Uji kecocokan (testing fit) Tahap ini berkaitan dengan pengujian kecocokan antara model dengan data. Beberapa kriteria ukuran kecocokan atau Goodness of Fit (GOF) dapat digunakan untuk melaksanakan langkah ini. (5) Respesifikasi (Respecification) Tahap ini dapat juga disebut modifikasi yang berkaitan dengan respesifikasi model berdasarkan hasil uji kecocokan pada tahap sebelumnya

Normalitas (skripsi dan tesis)

 Normalitas merupakan asumsi yang paling mendasar dalam analisis multivariat yang membentuk suatu distribusi data pada suatu variabel matriks tunggal dalam menghasilkan distribusi normal. Apabila asumsi normalitas tidak dapat dipenuhi dan penyimpangan normalitas besar maka seluruh hasil uji statistik tidak valid. Menurut Ghozali & Fuad (2008: 37), normalitas dibagi menjadi dua yaitu (1) Univariate normality (normalitas univariat), (2) Multivariate normality (normalitas multivariat). Normalitas univariat dapat diuji menggunakan data ordinal maupun data continous. Uji normalitas multivariat hanya dapat dilakukan pada data continous. Apabila suatu data memiliki normalitas multivariat maka data tersebut pasti memiliki normalitas univariat. Tetapi apabila data normalitas univariat belum tentu data tersebut juga normalitas multivariat. Asumsi normalitas dapat diuji dengan nilai statistik z untuk skewness dan kurtosis

Dalam multivariate normality, LISREL menghasilkan 4 jenis chi-square beserta probabilitasnya yang berbeda yaitu Minimum Fit Function Chi-Square (C1), Normal Theory Weighted Least Squares Chi-Square (C2), Satorra-Bentler Scaled Chi-Square (C3), dan Chi-Square Corrected for Non-Normality (C4). Estimasi model berdasarkan asumsi normalitas yang terpenuhi akan menghasilkan 2 jenis Chi-Square, yaitu C1 dan C2. Sedangkan jika asumsi normalitas tidak terpenuhi dengan memberikan asymptotic covariance matrix akan menghasilkan 4 jenis Chi-Square yaitu C1, C2, C3, dan C4. C3 merupakan nilai chi-square setelah mengkoreksi timbulnya bias akibat tidak normalnya data. Menurut Curran et.al (1996) sebagaimana dikutip oleh Ghozali & Fuad (2008: 37) membagi jenis distribusi data menjadi tiga bagian antara lain (1) Normal, (2) Moderately non-normal, dan (3) Extremely non-normal. Ketiga distribusi data di atas dinilai berdasarkan nilai kurtosis dan skewness. Apabila nilai skewness kurang dari 2 dan nilai kurtosis kurang dari 7 maka data adalah normal. Sedangkan, jika nilai skewness berkisar antara 2 sampai 3 dan nilai kurtosis berkisar antara 7 sampai 21 maka data adalah Moderately nonnormal. Distribusi data termasuk sangat tidak normal (Extremely non-normal) apabila nilai skewness lebih besar daripada 3 dan nilai kurtosis lebih besar dari 21. Ketidaknormalitasan data tidak termasuk permasalahan serius. Hal itu dapat diatasi dengan program LISREL antara lain 27 (1) Menambahkan estimasi asymptotic covariance matrix. Hal itu akan mengakibatkan estimasi parameter beserta goodness of fit statistic akan dianalisis berdasarkan pada keadaan data yang tidak normal; (2) Mentransformasi data untuk data continous. Data ordinal tidak diperolehkan menggunakan transformasi data karena akan mengakibatkan data sulit diinterprestasikan; (3) Menggunakan metode estimasi selain Maximum Likelihood seperti Generalized Least Square (GLS) atau Weighted Least Square (WLS); dan (4) Bootstrapping dan Jackniffing yang merupakan metode baru yang mengasumsikan data di-“resampling” dan kemudian dianalisis. Menurut Ghozali & Fuad (2008: 250), ada dua asumsi mengenai ketidaknormalan data sebagai berikut (1) Mengasumsikan bahwa data yang tidak normal akan dijalankan berdasarkan pada keadaan normal seperti biasa (metode ML dan data disimpan dalam covariance matrix) atau dengan kata lain mengestimasi model yang salah karena data yang tidak normal. (2) Mengestimasi model dengan menggunakan metode ML, tetapi mengkoreksi standart error dan beberapa goodness of fit indices akibat ketidaknormalan distribusi data

Direct, Indirect dan Total Effect (skripsi dan tesis)

SEM secara diagram lintasan maupun model matematika menggambarkan hubungan pengaruh diantara variabel-variabel yang ada didalamnya. Secara umum, SEM dapat membedakan pengaruh ke pengaruh langsung (direct effects), tidak langsung (indirect effects), dan pengaruh keseluruhan (total effects). Pengaruh langsung terjadi apabila ada sebuah panah yang menghubungkan kedua variabel laten yang pengaruh ini dapat diukur dengan sebuah koefisien structural. Pengaruh tidak langsung terjadi ketika tidak ada panah langsung yang menghubungkan kedua variabel laten tetapi melalui satu atau lebih variabel laten lain sesuai dengan lintasan yang ada. Pengaruh keseluruhan merupakan penjumlahan dari pengaruh langsung dan semua pengaruh tidak langsung yang ada

Confirmatory Factor Analysis (CFA) (skripsi dan tesis)

CFA model merupakan model pengukuran yang menunjukkan adanya sebuah variabel laten yang diukur oleh satu atau lebih variabel teramati. CFA adalah salah satu pendekatan utama dalam analisis faktor, dimana pendekatan lainnya adalah Exploratory Factor Analysis (EFA). CFA dan EFA memiliki perbedaan yang mendasar, yaitu (1) EFA menunjukkan hubungan antara variabel laten dengan variabel teramati tidak dispesifikasikan terlebih dahulu, EFA memiliki jumlah variabel laten tidak ditentukan sebelum analisis dilakukan, dan kesalahan pengukuran tidak boleh berkorelasi. (2) CFA membentuk model terlebih dahulu, jumlah variabel laten ditentukan oleh analisis, pengaruh suatu variabel laten terhadap suatu variabel teramati ditenetukan terlebih dahulu, beberapa efek langsung variabel laten terhadap variabel teramati dapat ditetapkan sama dengan nol atau suatu konstanta, kesalahan pengukuran boleh berkorelasi, kovarian variabel-variabel laten dapat diestimasi atau ditetapkan pada nilai tertentu, dan identifikasi parameter diperlukan. CFA memiliki dua jenis yaitu  a. First order confirmatory factor analysis First order confirmatory factor analysis merupakan gambaran hubungan antara variabel teramati yang mengukur variabel latennya secara langsung. b. Second order confirmatory factor analysis Second order confirmatory factor analysis merupakan gambaran model pengukuran yang terdiri dari dua tingkat. Tingkat pertama adalah CFA yang menunjukkan hubungan antara variabel teramati sebagai indikator dari variabel terkait. Tingkat kedua menunjukkan hubungan antara variabel laten pada tingkat pertama sebagai indikator dari sebuah variabel laten tingkat kedua

Kesalahan yang terjadi dalam SEM (skripsi dan tesis)

Dalam SEM terdapat 2 jenis kesalahan yang sering terjadi dalam melakukan analisis yaitu
(1) Kesalahan Struktural Adanya kesalahan struktural karena variabel laten eksogen tidak dapat secara sempurna memprediksi variabel laten endogen. Dalam memperoleh hasil estimasi parameter yang konsisten, kesalahan struktural diasumsikan tidak berkorelasi dengan variabel-variabel eksogen dari model.

(2) Kesalahan Pengukuran Kesalahan pengukuran disebabkan oleh variabel-variabel manifest yang tidak dapat secara sempurna memprediksi variabel laten. Komponen kesalahan pengukuran yang terkait dengan variabel manifest X (variabel manifest yang terkait dengan variabel laten eksogen) diberi label (delta), sementara komponen kesalahan pengukuran yang terkait dengan variabel Y (variabel manifest yang terkait dengan variabel laten endogen) diberi label KSI1 𝜉 KSI2 𝜉 ETA1 (𝜂 ETA2 (𝜂 ETA3 (𝜂 ∅ 𝜎𝜉21 GAMMA11 𝛾 GAMMA12 𝛾 GAMMA32 𝛾 BETA21 𝛽 BETA31 𝛽 ZETA1 (𝜁 ZETA2 (𝜁 ZETA3 (𝜁 19 (epsilon).

Model dalam SEM (skripsi dan tesis)

Dalam model perhitungan SEM, terdapat dua jenis model yaitu

(1) Model Struktural Model struktural merupakan seperangkat hubungan antar variabel laten dan hubungan ini dapat dianggap linear, meskipun pengembangan lebih lanjut memungkinkan memasukkan persamaan non-linear. Dalam bentuk grafis, garis dengan satu kepala anak panah menggambarkan hubungan regresi dalam karakter Greek ditulis “gamma” untuk regresi variabel eksogen ke variabel endogen dan dalam karakter Greek ditulis “beta” untuk regresi satu variabel endogen ke variabel endogen lainnya, sedangkan garis dengan dua kepala anak panah menggambarkan hubungan korelasi atau kovarian yang dalam karakter Greek ditulis “phi” untuk korelasi antar variabel eksogen.

2)(skripsi dan tesis)

Model Pengukuran Model pengukuran merupakan bagian dari suatu model SEM yang biasanya dihubungkan dengan variabel-variabel laten dan indikator-indikatornya. Hubungan dalam model ini dilakukan lewat model analisis faktor konfirmatori atau confirmatory factor analysis (CFA) dimana terdapat kovarian yang tidak terukur antara masing-masing pasangan variabelvariabel yang memungkinkan. Model pengukuran ini dievaluasi sebagaimana model SEM lainnya dengan menggunakan pengukuran uji keselarasan. Proses analisis ini hanya dapat dilanjutkan jika model pengukuran valid. Pada model ini menghasilkan validitas konvergen

Kelemahan SEM (skripsi dan tesis)

Adapun beberapa kelemahan yang dimiliki SEM adalah sebagai berikut (1) SEM tidak digunakan untuk menghasilkan model namun untuk mengkonfirmasi suatu bentuk model. (2) Hubungan kausalitas diantara variabel tidak ditentukan oleh SEM, namun dibangun oleh teori yang mendukungnya. (3) SEM tidak digunakan untuk menyatakan suatu hubungan kausalitas, namun untuk menerima atau menolak hubungan sebab akibat secara teoritis melalui uji data empiris.   (4) Studi yang mendalam mengenai teori yang berkaitan menjadi model dasar untuk pengujian aplikasi SEM

Keunggulan SEM (skripsi dan tesis)

Menurut Narimawati & Sarwono (2007: 3), keunggulan-keunggulan SEM dibanding dengan regresi berganda antara lain (1) memungkinkan adanya asumsi-asumsi yang lebih fleksibel; (2) penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk mengurangi kesalahan pengukuran dengan memiliki banyak indikator dalam satu variabel laten; (3) daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca keluaran hasil analisis; (4) kemungkinan adanya pengujian model secara keseluruhan dari pada koefisien-koefisien secara sendiri-sendiri; (5) kemampuan untuk menguji model-model dengan menggunakan beberapa variabel terikat; (6) kemampuan untuk membuat model terhadap variabel-variabel perantara;   (7) kemampuan untuk membuat model gangguan kesalahan (error term); (8) kemampuan untuk menguji koefisien-koefisien diluar antara beberapa kelompok subjek; (9) kemampuan untuk mengatasi data yang sulit, seperti data time series dengan kesalahan autokorelasi, data yang tidak normal, dan data yang tidak lengkap

Spesifikasi Model SEM (skripsi dan tesis)

Langkah ini merupakan langkah dalam melakukan identifikasi terhadap permasalahan penelitian, sehingga hubungan antar variabel-variabel yang dihipotesiskan harus didukung oleh teori yang kuat. Spesifikasi model tersebut berdasarkan teori atau penelitian sebelumnya atau bisa juga dengan menggunakan diagram path. Langkah-langkah memperoleh model yaitu: 1) Spesifikasi model pengukuran, yaitu dengan cara: a) Mendefinisikan variabel laten yang ada dalam penelitian. b) Mendefinisikan variabel teramati. c) Mendefinisikan hubungan antara setiap variabel laten dengan variabel teramati yang terkait. 2) Spesifikasi model struktural Dengan cara mendefinisikan hubungan kausal di antara variabel laten. 3) Gambar diagram path dari model hybrid Model hybrid adalah bentuk umum dari SEM yang merupakan kombinasi model pengukuran dan struktural. Model hybrid mengandung variabel-variabel laten maupun variabel-variabel teramati yang terkait. 2.8 Identifikasi Tujuan dari dilakukannya identifikasi model yaitu untuk menentukan analisis dapat dilakukan lebih lanjut atau tidak, maka identifikasi model perlu dilakukan. Berikut ini kategori hasil identifikasi model dalam SEM yaitu: 1) Under-Identified, yaitu model dengan jumlah parameter yang diestimasi lebih besar dari jumlah data yang diketahui. Nilai df pada model ini adalah kurang dari 0 (nol)/negatif. 2) Just-Identified, yaitu model dengan jumlah parameter yang diestimasi sama dengan data yang diketahui. Nilai df pada model ini adalah 0 (nol). 3) Over-Identified, yaitu model dengan jumlah parameter yang diestimasi lebih kecil dari jumlah data yang diketahui. Nilai df pada model ini adalah lebih dari 0 (nol)/positif. Analisis dalam SEM dapat dilakukan jika model yang diperoleh adalah OverIdentified dan SEM menghindari model Under-Identified agar data dapat dianalisis. Pada saat identifikasi kemungkinan diperoleh nilai unik untuk setiap parameter.

Prosedur SEM (skripsi dan tesis)

 

Suatu model dikatakan baik jika dapat mendeskripsikan suatu kejadian yang sebenarnya dengan galat yang kecil. Munculnya galat tidak dapat dihindari karena kejadian sebenarnya sangat kompleks sedangkan model hanya menjelaskan hubungan pokoknya saja. Detail dari kejadian yang tidak bisa dijelaskan oleh model akan masuk dalam komponen galat (residual). Terkait dengan data dapat dinyatakan dengan: Data Model Residual di mana: Data adalah nilai pengukuran yang berkaitan dengan variabel-variabel teramati dan membentuk sampel penelitian. Residual adalah perbedaan antara model yang dihipotesiskan dengan data yang diamati. Model adalah model yang dihipotesiskan atau dispesifikasikan oleh peneliti. Jika nilai residual mendekati 0 (nol), maka kecocokan data-model yang dihasilkan baik. Dalam SEM, selain data mentah, matriks kovarians dan matriks korelasi dari variabel yang diuji dapat digunakan sebagai input. Matriks kovarians adalah matriks yang terdiri dari nilai kovarians antara semua indikator setiap variabel Hipotesis Fundamental Hipotesis fundamental dalam prosedur SEM adalah bahwa matriks kovarians data dari populasi (matriks kovarians variabel teramati) adalah sama dengan matriks kovarians yang diturunkan dari model (θ). Jika model yang dispesifikasikan benar dan jika parameter – parameter (θ) dapat diestimasi nilainya, maka matriks kovarians populasi ( ) dapat dihasilkan kembali dengan tepat. Formulasi dari hipotesis fundammental yaitu: di mana, (2.10) matriks kovarians populasi dari variabel-variabel teramati (θ) matriks kovarians dari model dispesifikasikan θ vektor yang berisi parameter-parameter model tersebut Pada uji hipotesis terhadap hipotesis fundamental, hipotesis harus menghasilkan tidak tolak. Hal ini dilakukan agar didapatkan nilai residual sama dengan nol atau. Berbeda dengan pada uji hipotesis statistik pada umumnya yang menginginkan ditolak. Dengan tidak ditolaknya, itu berarti bahwa data mendukung model yang kita spesifikasikan (Bollen, 1989).

Jenis SEM (skripsi dan tesis)

Berikut ini jenis-jenis yang digunakan dalam model persamaan struktural: 1) Diagram Path Diagram path adalah representasi grafis dari sebuah model yang menggambarkan seluruh hubungan antara variabel-variabel yang ada di dalamnya. Variabelvariabel yang terdapat dalam diagram path adalah variabel teramati dan tidak mengandung variabel laten. Diagram path dibuat untuk mempermudah melihat hubungan yang ada pada model. 2) Confirmatory Factor Analysis (CFA) Analisis faktor konfirmatori atau Confirmatory Factor Analysis (CFA) dalam SEM merupakan model pengukuran sebuah variabel laten diukur oleh satu atau lebih variabel-variabel teramati. CFA didasarkan pada variabel-variabel teramati adalah indikator-indikator tidak sempurna dari variabel laten atau konstruk tertentu yang mendasarinya. Karakteristik dalam model CFA yaitu: a. Model dibentuk lebih dahulu. b. Jumlah variabel laten ditentukan oleh analisis. c. Pengaruh suatu variabel laten terhadap variabel teramati ditentukan lebih dahulu. d. Beberapa efek langsung variabel laten terhadap variabel teramati dapat ditetapkan sama dengan nol atau konstan. e. Galat pengukuran boleh berkorelasi. f. Kovarians variabel-variabel laten dapat diestimasi atau ditetapkan pada nilai tertentu. g. Identifikasi parameter diperlukan.

Galat Pengukuran (Measurement Error) (skripsi dan tesis)

Variabel teramati X dilambangkan dengan dilambangkan dengan delta dan variabel teramati Y epsilon. Matriks kovarians dari δ diberi tanda dengan huruf Yunani Θδ theta delta dan untuk matriks kovarians dari ε yaitu Θε theta epsilon. Galat pengukuran berpengaruh pada penduga parameter dan besar kecilnya varians. Hal ini dapat diatasi oleh SEM melalui persamaan-persamaan yang ada pada model pengukuran.

Variabel SEM (skripsi dan tesis)

Variabel-variabel pada SEM masing-masing saling mempengaruhi. Variabelvariabel yang terdapat dalam SEM meliputi: 1) Variabel laten (Latent Variable) Dalam SEM variabel yang menjadi perhatian adalah variabel laten. Variabel laten atau konstruk laten adalah variabel yang tidak terukur secara langsung, sebagai contoh: perilaku, sikap, perasaan, dan motivasi. Variabel laten terdapat dua jenis, yaitu: a) Eksogen Variabel laten eksogen dinotasikan dengan huruf Yunani adalah ksi. Variabel bebas (independenet latent variable) pada semua persamaan yang ada pada SEM, dengan simbol lingkaran dengan anak panah menuju keluar. b)endogen Variabel laten endogen dinotasikan dengan huruf Yunani adalah eta. Variabel terikat (dependent latent variable) pada paling sedikit satu persamaam dalam model, dengan simbol lingkaran dengan anak panah menuju keluar dan satu panah ke dalam. Simbol anak panah untuk menunjukkan adanya hubungan kausal (ekor anak panah untuk hubungan penyebab dan kepala anak panah untuk variabel akibat). Pemberian nama variabel laten pada diagram lintasan bisa mengikuti notasi matematiknya (ksi atau eta) atau sesuai dengan nama dari variabel dalam penelitian.

Loyalitas Pengguna (Customer Loyality) (skripsi dan tesis)

Loyalitas pengguna merupakan tindakan seseorang terhadap loyalitasnya pada suatu objek tertentu yang diinginkannya. Objek tersebut dapat berupa merk, produk, atau toko (Rowles & Dawes dalam Dharmesta & Darsono, 2005). Loyalitas pengguna suatu barang sangat penting bagi suatu penyedia jasa dalam mempertahankan produk yang mereka jual ke pelanggannya.

Kepuasan Pengguna (Customer Satisfaction) (skripsi dan tesis)

Menurut Kotler (2000) kepuasan pengguna merupakan suatu perasaan seseorang suka atau kecewa yang dihasilkan dari membandingkan suatu produk yang dihasilkan dalam kaitan dengan harapannya. Kepuasan pengguna adalah suatu kemampuan barang atau jasa untuk memenuhi atau melebihi kebutuhan pelanggan dan harapan (Boone & Kurtz, 1995). Maka dapat disimpulkan bahwa kepuasaan pengguna adalah mencangkup tentang membandingkan atau membedakan antara suatu harapan pelanggan terhadap produk dengan hasil atau kineja suatu produk.

Harapan Pengguna (Customer Expectation) (skripsi dan tesis)

Harapan pengguna suatu barang akan terus – menerus berkembang sesuai dengan perkembangan jaman. Suatu perusahaan dituntut untuk melayani harapan pengguna demi tercapainya suatu kepuasan yang dapat dirasakan oleh pengguna. Menurut Gilbert (2003) dalam Semuel (2006), elemen dari harapan pengguna dapat dikelompokkan sebagai berikut:
1. Tangible adalah segala sesuatu yang betujuan untuk mewujudkan dan mendukung operasional suatu layanan jasa apapun ke pelanggan.
2. Realibility adalah kemampuan pengelola atau pelayanan jasa dalam mewujudkan, dan memberikan layanan jasa yang telah dijanjikan.
3. Responsiveness adalah segala sesuatu yang dilakukan oleh pengelola atau layanan jasa secara tanggap untuk memenuhi keinginan dan kebutuhan pelanggan.
 4. Competence adalah kemampuan untuk menciptakan kepercayaan pada pelanggan dengan memberikan suatu jaminan pengetahuan kepada pengelola atau pelayanan jasa.
5. Emphaty adalah sikap peduli, perhatian, pengertian dari pengelola atau pelayanan jasa akan kebutuhan dan keinginan pelanggan

Model European Consumer Satisfaction Index (ECSI) (skripsi dan tesis)

Model ECSI merupakan model yang menjelaskan tentang indikator ekonomi untuk menganalisis dan mengukur kepuasan pelanggan (Bayol et. al, 2000). Michel Tenenhaus (2002), ECSI digunakan untuk mempermudah penyedia mengukur kepuasan pelanggan. Teori pada model ECSI yang disederhanakan terdiri dari 5 variabel laten yang saling berhubungan yaitu :
1 Citra (Image) Citra adalah bagaimana cara masyarakat atau publik menilai dan memandang suatu organisasi, perusahaan, seseorang,dll. Ada lima jenis citra yang dipaparkan Jefkins (2003) di buku Public Relation. Berikut lima jenis citra yang dipaparkan sebagai berikut :
1. Citra bayangan (mirror image), adalah citra dimana suatu organisasi terhadap anggapan dari pihak luar tentang organisasinya.
2. Citra yang berlaku (current image), adalah citra yang diyakini oleh pihak luar mengenai suatu organisasi.
 3. Citra harapan (wish image), adalah suatu citra dimana pemimpin organisasi menginginkan suatu pencapaian terhadap organisasinya agar bisa dikenal, dan diterima secara positif oleh publik.
4. Citra perusahaan (coorporate image), adalah citra dari suatu organisasi yang tidak hanya dinilai dari produk dan pelayanannya, tapi dinilai secara keseluruhan.
5. Citra majemuk (multiple image), adalah banyaknya jumlah anggota dari sebuah organisasi yang dapat memunculkan citra yang belum tentu sama dengan organisasi tersebut secara keseluruhan

Evaluasi Model GSCA (skripsi dan tesis)

Evaluasi terhadap model GSCA terdiri dari tiga tahap. Pertama evaluasi terhadap model pengukuran (outer model), kedua evaluasi terhadap model struktural (inner model), dan ketiga evaluasi terhadap overall goodness of fit model :
1 Model pengukuran (Outer Model)
 Convergent validity yaitu sejauh mana indikator dari konstruk tertentu konvergen (Hair et al., 2010 p.709) . Suatu variabel laten dinilai mempunyai convergent validity yang baik jika nilai loading factor lebih dari 0.70 dan signifikan. Discriminant validity yaitu sejauh mana suatu konstruk benar-benar berbeda dari konstruk lain (Hair et al., 2010 p.710). Discriminant validity model pengukuran dengan indikator reflektif dinilai dengan membandingkan nilai akar kuadrat dari average variance extracted (√ ) setiap variabel laten dengan 12 korelasi antara variabel laten bersangkutan dengan variabel laten lainnya dalam model. Nilai discriminant validity dikatakan baik, jika nilai akar kuadrat AVE tiap variabel laten lebih besar daripada nilai korelasi antara variabel laten lainnya dalam model (Fornell dan Lacker, 1981). AVE adalah koefisien yang menjelaskan varian di dalam indikator yang dapat dijelaskan oleh faktor umum.
 Dimana merupakan komponen loading factor, dan = var ( ). Pengukuran AVE dapat digunakan untuk mengukur reliabilitas component score variabel laten dan hasilnya lebih konservatif dibanding nilai composite reliability ( ) (Fornell & Lacker, 1981). Nilai AVE harus lebih besar dari 0,50. Composite reliability dapat digunakan untuk memeriksa seberapa baik suatu konstruksi diukur oleh indikatornya. Pengukuran sebuah variabel laten dapat dikatakan baik jika memiliki nilai composite reliability > 0,7 mempunyai reliabilitas yang tinggi.

2 Model Struktural (Inner Model) Model stuktural dievaluasi dengan melihat nilai koefisien parameter dan nilai t-statistik serta signifikansi koefisien parameter tersebut. Nilai t-statistik diperoleh dari hasil bootstrapsing dengan membagi nilai koefisien parameter  dengan nilai standar errornya. Jika nilai t-statistik > t tabel maka koefisien parameter yang diestimasi signifikan. Parameter Beta (), yaitu parameter pengaruh variabel laten eksogen terhadap variabel laten endogen dalam model struktural.
 Penerapan metode resampling, memungkinkan berlakunya data terdistribusi bebas (distribution free), tidak memerlukan asumsi distribusi normal, serta tidak memerlukan sampel yang besar (sampel minimum 30). Kriteria pengambilan keputusan dilakukan dengan membandingkan nilai statistik uji t dengan ttabel. Kriteria uji dapat diartikan bahwa terdapat pengaruh yang bermakna antar variabel laten terhadap variabel laten lainnya, dimana hipotesis nol ditolak jika nilai statistik uji t > nilai ttabel.

Estimasi Parameter (skripsi dan tesis)

Diestimasinya parameter GSCA yang tidak diketahui V, W dan A sehingga nilai jumlah kuadrat (SS) dari semua residual , sekecil mungkin untuk semua observasi. Hal ini sama dengan meminimumkan kriteria kuadrat terkecil (least square). Dengan memperhatikan V, W dan A. Komponen didalam dan dinormalisasi untuk tujuan identifikasi, misalnya Persamaan   tidak dapat diselesaikan dengan cara analisis karena W dan A memiliki elemen nol atau elemen tetap lainnya.Untuk meminimumkan persamaandikembangkanlah algoritma Alternating Least Square (ALS) (Hwang & Takane, 2004)

Generalized Structured Component Analysis (GSCA) (skripsi dan tesis)

Generalized Structured Component Analysis (GSCA) dikembangkan oleh Heungsun Hwang, Hec Montreal dan Yoshio Takane pada tahun 2004. GSCA merupakan bagian dari SEM yang berbasis varian atau berbasis komponen. SEM berbasis varian atau komponen sering disebut sebagai soft modeling, SEM tidak didasari oleh banyak asumsi seperti data tidak harus berdistribusi normal X1 X2 X3 X1 X2 X3 Variabel Laten Variabel Laten   multivariate (indikator dengan skala kategori, ordinal,interval sampai ratio dapat digunakan pada model yang sama). Metode GSCA digunakan untuk mengatasi kelemahan Partial Least Squares (PLS) yaitu PLS tidak meyelesaikan masalah secara global optimization untuk estimasi parameter, yang menunjukkan bahwa tidak memiliki satu kriteria tunggal secara konsisten untuk meminumkan atau memaksimumkan penentuan estimasi parameter model (Hwang and Takane, 2004). Sehingga PLS tidak memberikan solusi yang optimal dan sulit untuk menilai prosedur PLS, dapat dikatakan PLS tidak menyediakan overall goodness-fit dari model. Maka sulit untuk menentukan seberapa baik model sesuai dengan datanya dan sulit untuk membandingkan dengan metode alternatif akibat tidak ada ukuran goodness-fit model secara menyeluruh (Hwang&Takane, 2004)