Model Persamaan Struktural (skripsi dan tesis)

Persamaan struktural atau juga disebut model struktural yaitu apabila setiap variabel endogen (endogenous) secara unik keadaannya ditentukan oleh seperangkat variabel eksogen (exogenous). Selanjutnya gambar meragakan struktur hubungan kausal antar variabel disebut diagram jalur. Jadi, persamaan ini Y=F(X1; X2; X3) dan Z=F(X1; X3;Y) merupakan persamaan struktural karena setiap persamaan menjelaskan hubungan kausal yaitu variabel eksogen X1, X2, dan X3 terhadap variabel endogen Y dan Z Persamaan model struktural untuk diagram jalur, yaitu: Jadi, secara sistematik analisis jalur mengikuti pola model struktural, sehingga langkah awal untuk mengerjakan atau penerapan model analisis jalur yaitu dengan merumuskan persamaan struktural dan diagram jalur yang berdasarkan kajian teori tertentu yang telah diuraikan.

Model Analisis Jalur (skripsi dan tesis)

Sebelum menghitung koefisien jalur yang didasarkan pada koefisien regresi, diagram jalur terlebih dahulu dibuatkan dengan lengkap. Adapun model diagram jalur dan persamaan struktural yang paling sederhana sampai dengan yang lebih rumit di antaranya:
1. Model Regresi Berganda Model ini merupakan pengembangan regresi berganda dengan menggunakan dua variabel exogenous, yaitu X1 dan X2 dengan satu variabel endogenous Y

2. Model Mediasi Model mediasi atau perantara di mana variabel Y memodifikasi pengaruh variabel X terhadap variabel Z
3. Model Kombinasi Model ini merupakan kombinasi model regresi berganda dan model mediasi, yaitu variabel X berpengaruh terhadap variabel Z secara langsung dan secara tidak langsung mempengaruhi variabel Z melalui variabel Y.
4  Model Kompleks Model ini merupakan model yang lebih kompleks, yaitu variabel X1 secara langsung mempengaruhi variabel Y2 dan melalui variabel X2 secara tidak langsung mempengaruhi Y2, sementara variabel Y2 juga dipengaruhi oleh variabel Y1.
5. Model Rekursif dan Model Non Rekursif
Dari sisi pandang arah sebab-akibat, ada dua tipe model jalur, yaitu rekursif dan non rekursif. Model tersebut dapat diterangkan sebagai berikut: – Anak panah menuju satu arah, yaitu dari 1 ke 2, 3, dan 4; dari 2 ke 3 dan dari 3 menuju ke 4. Tidak ada arah yang terbalik, misalnya dari 4 ke 1. – Hanya terdapat satu variabel exogenous, yaitu 1 dan tiga variabel endogenous, yaitu 2, 3, dan 4. Masing-masing variabel endogenous diterangkan oleh variabel 1 dan error (e1, e2, e3). – Satu variabel endogenous dapat menjadi penyebab variabel endogenous lainnya, tetapi bukan ke variabel exogenous. Model non rekursif terjadi jika anak panah tidak searah atau terjadi arah yang terbalik (looping), misalnya dari 4 ke 3 atau dari 3 ke 1 dan 2, atau bersifat sebabakibat (reciprocal cause). Ada tiga tipe model dalam model rekursif dan non rekursif, yaitu

Beberapa Istilah dalam Analisis Jalur (skripsi dan tesis)

Model jalur adalah ialah suatu diagram yang menghubungkan antara variabel bebas, perantara dan terikat. Pola hubungan ditunjukkan dengan menggunakan anak panah. Anak panah-anak panah tunggal menunjukkan hubungan sebabakibat antara variabel-variabel bebas (exogenous) atau perantara dengan satu variabel dengan variabel terikat atau lebih. Anak panah juga menghubungkan kesalahan (variable residue) dengan semua variabel terikat (endogenous) masingmasing. Anak panah ganda menunjukkan korelasi antara pasangan variabelvariabel exogeneus. Variabel exogenous dalam suatu model jalur ialah semua variabel yang tidak ada penyebab-penyebab eksplisitnya atau dalam diagram tidak ada anak-anak panah yang menuju ke arahnya, selain pada bagian kesalahan pengukuran. Jika antara variabel exogenous dikorelasikan maka korelasi tersebut ditunjukkan dengan anak panah dengan kepala dua yang menghubungkan variabel-variabel tersebut. Variabel endogenous ialah variabel yang mempunyai anak-anak panah menuju ke arah variabel tersebut. Variabel yang termasuk di dalamnya ialah mencakup semua variabel perantara dan terikat. Variabel perantara endogenous mempunyai anak panah yang menuju ke arahnya dan dari arah variabel tersebut dalam suatu model diagram jalur. Adapun variabel tergantung hanya mempunyai anak panah yang menuju ke arahnya. Koefisien jalur adalah koefisien regresi standar atau disebut „beta‟ yang menunjukkan pengaruh langsung dari suatu variabel bebas terhadap variabel terikat dalam suatu model jalur tertentu. Oleh karena itu, jika suatu model mempunyai dua atau lebih variabel-variabel penyebab, maka koefisien-koefisien jalurnya merupakan koefisien-koefisien regresi parsial yang mengukur besarnya pengaruh satu variabel terhadap variabel lain dalam suatu model jalur tertentu yang mengontrol dua variabel lain sebelumnya dengan menggunakan data yang sudah distandarkan atau matriks korelasi sebagai masukan. Jenis pengaruh dalam analisis jalur yaitu Direct Effect (DE) dan Indirect Effect (IE). Direct Effect (DE) adalah pengaruh langsung yang dapat dilihat dari koefisien dari satu variabel ke variabel lainnya, dan Indirect Effect (IE) adalah urutan jalur melalui satu atau lebih variabel perantara.

Manfaat Analisis Jalur (skripsi dan tesis)

Manfaat model analisis jalur di antaranya adalah: 1. Untuk penjelasan terhadap fenomena yang dipelajari atau permasalahan yang diteliti.  2. Prediksi nilai variabel terikat (Y) berdasarkan nilai variabel bebas (X), dan prediksi dengan analisis jalur ini bersifat kualitatif. 3. Faktor dominan terhadap variabel terikat (Y) dapat digunakan untuk menelusuri mekanisme pengaruh variabel bebas (X) terhadap variabel (Y). 4. Pengujian model mengggunakan teori trimming baik untuk uji reliabilitas konsep yang sudah ada ataupun uji pengembangan konsep baru.

Asumsi-asumsi Analisis Jalur (skripsi dan tesis)

Sebelum melakukan analisis, ada beberapa prinsip dasar atau asumsi yang mendasari analisis jalur, yaitu: 1. Pada model analisis jalur, hubungan antar variabel adalah bersifat linier, adaptif, dan bersifat normal. 2. Hanya sistem aliran kausal ke satu arah artinya tidak ada arah kausalitas yang berbalik. 3. Variabel terikat (endogen) minimal dalam skala ukur interval dan ratio. 4. Menggunakan sampel probability sampling yaitu teknik pengambilan sampel untuk memberikan peluang yang sama pada setiap anggota populasi untuk dipilih menjadi anggota sampel. 5. Variabel observasi diukur tanpa kesalahan (instrumen pengukuran valid dan reliabel) artinya variabel yang diteliti dapat diobservasi secara langsung. 6. Model yang dianalisis dispesifikasikan (diidentifikasi) dengan benar berdasarkan teori-teori dan konsep-konsep yang relevan artinya model teori yang dikaji atau diuji dibangun berdasarkan kerangka teoritis tertentu yang mampu menjelaskan hubungan kausalitas antar variabel yang diteliti.

Manfaat Analisis Jalur (skripsi dan tesis)

Manfaat model analisis jalur di antaranya adalah: 1. Untuk penjelasan terhadap fenomena yang dipelajari atau permasalahan yang diteliti.  2. Prediksi nilai variabel terikat (Y) berdasarkan nilai variabel bebas (X), dan prediksi dengan analisis jalur ini bersifat kualitatif. 3. Faktor dominan terhadap variabel terikat (Y) dapat digunakan untuk menelusuri mekanisme pengaruh variabel bebas (X) terhadap variabel (Y). 4. Pengujian model mengggunakan teori trimming baik untuk uji reliabilitas konsep yang sudah ada ataupun uji pengembangan konsep baru.

Asumsi-asumsi Analisis Jalur (skripsi dan tesis)

Sebelum melakukan analisis, ada beberapa prinsip dasar atau asumsi yang mendasari analisis jalur, yaitu: 1. Pada model analisis jalur, hubungan antar variabel adalah bersifat linier, adaptif, dan bersifat normal. 2. Hanya sistem aliran kausal ke satu arah artinya tidak ada arah kausalitas yang berbalik. 3. Variabel terikat (endogen) minimal dalam skala ukur interval dan ratio. 4. Menggunakan sampel probability sampling yaitu teknik pengambilan sampel untuk memberikan peluang yang sama pada setiap anggota populasi untuk dipilih menjadi anggota sampel. 5. Variabel observasi diukur tanpa kesalahan (instrumen pengukuran valid dan reliabel) artinya variabel yang diteliti dapat diobservasi secara langsung. 6. Model yang dianalisis dispesifikasikan (diidentifikasi) dengan benar berdasarkan teori-teori dan konsep-konsep yang relevan artinya model teori yang dikaji atau diuji dibangun berdasarkan kerangka teoritis tertentu yang mampu menjelaskan hubungan kausalitas antar variabel yang diteliti.

Pengertian Analisis Jalur (skripsi dan tesis)

Analisis jalur dikenal dengan path analysis dikembangkan pertama tahun 1920-an oleh seorang ahli genetika yaitu Sewall Wright. Analisis jalur sebenarnya sebuah teknik yang merupakan pengembangan korelasi yang diurai menjadi beberapa interpretasi akibat yang ditimbulkannya. Teknik ini juga dikenal sebagai model sebab-akibat (causing modeling). Definisi analisis jalur, di antaranya: “Analisis jalur ialah suatu teknik untuk menganalisis hubungan sebab akibat yang terjadi pada regresi berganda jika variabel bebasnya mempengaruhi variabel tergantungnya tidak hanya secara langsung, tetapi juga secara tidak langsung” (Robert D. Rutherford, 1993). Definisi lain mengatakan “Analisis jalur merupakan pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikansi (significance) hubungan sebab akibat hipotetikal dalam seperangkat variabel” (Paul Webley, 1997). Model analisis jalur digunakan untuk menganalisis pola hubungan antar variabel dengan tujuan untuk mengetahui pengaruh langsung maupun tidak langsung seperangkat variabel bebas (eksogen) terhadap variabel terikat (endogen). Model analisis jalur yang dibicarakan adalah pola hubungan sebab akibat. Oleh karena itu rumusan masalah penelitian dalam kerangka analisis jalur hanya berkisar pada variabel bebas (X1, X2, …, Xk) berpengaruh terhadap variabel terikat Y, atau berapa besar pengaruh kausal langsung, kausal tidak langsung, kausal total maupun simultan seperangkat variabel bebas (X1, X2, …, Xk) terhadap variabel terikat Y

Uji Kesesuaian dan Uji Statistik (skripsi dan tesis)

Menurut Schumaker dan Lomax, 1996: 124 – 126) untuk mengetahui apakah model cocok dengan data digunakan kriteria sebagai berikut: a. P > α model cocok dengan data Menurut Joreskog (dalam Ghozali, 2008: 32), bila nilai P-values for test of close fit (RMSEA < 0,05) lebih besar daripada 0,05 maka model dikatakan fit. b. GFI (Goodness of Fit Index) Goodness of Fit Index (GFI) merupakan suatu ukuran mengenai ketepatan model dalam menghasilkan observed matriks kovariansi. Nilai GFI harus berkisar antara 0 dan 1. Nilai GFI yang lebih besar daripada 0,9 menunjukkan fit suatu model yang baik. c. RMSEA (Root Mean Square Error of Approximation) Makin kecil kecocokan model dengan data makin baik. Nilai RMSEA yang kurang daripada 0,05 mengindikasikan adanya model fit ( Byrne dalam Ghozali, 2008: 32). RMSEA digunakan untuk mengukur penyimpangan nilai parameter pada suatu model dengan matriks kovarians ( Brown dan Cudec dalam Ghozali, 2008: 31). Nilai RMSEA yang berkisar antara 0,01 sampai dengan 0,08 menyatakan bahwa model fit yang cukup (MacCallum et all dalam Ghozali, 2008: 32)

Pembagian Lisrel (skripsi dan tesis)

Setiap file dalam Lisrel mengandung 4 bagian, yaitu: 1. Title: Judul 2. Data Specification: Spesifikasi Data 3. Model Specification: Spesifikasi Model 4. Output Specification: Spesifikasi Keluaran Untuk menggunakan Lisrel dengan baik, user harus mengetahui bahasa yang digunakan sebagai input. Ada dua bahasa yang dapat digunakan dalam Lisrel sebagai input yaitu bahasa Lisrel dan bahasa Simplis. Kedua jenis bahasa tersebut memiliki hasil yang relatif sama, namun dengan Lisrel pemodelan dapat dilakukan dengan hati-hati karena semua matrik yang akan diestimasi dipersiapkan terlebih dahulu. Untuk memudahkan aplikasi Lisrel, evaluasi serta menjaga kehati-hatian, sebelum menjalankan Lisrel sebaiknya dipersiapkan terlebih dahulu diagram jalur dan matrik yang dibutuhkan

Pengenalan Lisrel (skripsi dan tesis)

Menurut Chaniago (2008), lisrel merupakan singkatan dari Linear Structural Relationship juga merupakan program yang banyak digunakan untuk causal modeling. Hal ini disebabkan selain kemampuan Lisrel dalam mengestimasi berbagai masalah dalam model sebab akibat, tampilan Lisrel juga paling informatif dalam menyajikan hasil-hasil statistik. Lisrel adalah sebuah software yang dikembangkan khusus untuk menangani permasalahan causal modeling. Lisrel dikembangkan oleh dua orang ahli psikologi pendidikan yaitu Prof. Karl Joreskog dan Prof. Dag Sorbom pada tahun 1993 (Hisyam, 2009)

Uji Kesesuaian dan Uji Statistik (skripsi dan tesis)

a. χ 2 – Chi Square Statistic Semakin kecil nilai χ 2 semakin baik model itu dan diterima berdasarkan probabilitas dengan cut-off value sebesar p > 0,05 atau p > 0,10
 b. RMSEA (The Root Mean Square Error of Approximation) Merupakan suatu indeks yang digunakan untuk mengkonpen
sasi chisquare dalam sampel yang besar. c. GFI (Goodness of Fit Index) Merupakan ukuran non-statistical yang mempunyai rentang nilai antara 0 sampai dengan 1. Nilai yang tinggi dalam indeks ini menunjukkan sebuah “better fit”
. d. AGFI (Adjusted Godness of Fit Index) Merupakan kriteria yang memperhitungkan proporsi tertimbang dari varian dalam sebuah matrik kovarian sampel.
e. CMIN/DF (The Minimum Sample Discrepancy Functin Devided with degree of Freedom) Merupakan statistic chi-square χ 2 dibagi degree of freedom-nya sehingga disebut χ 2 relative.
f. TLI (Tucker Lewis Index) Merupakan incremental index yang membandingkan
 sebuah model yang diuji terhadap sebuah baseline model.
g. CFI (Comparative Fit Index) Rentang nilai sebesar 0 – 1 dimana semakin mendekati 1, semakin mengindikasikan tingkat fit yang paling tinggi.

Menu Utama Amos (skripsi dan tesis)

Menurut Mustafa dan Wijaya (2012), pada bagian atas terdapat menu utama AMOS yang terdiri dari menu File, Edit, View, Diagram, Analyze, Tools, Plugins, dan Help. Setiap menu terdiri dari beberapa submenu:
1. Menu File Terdiri dari beberapa submenu yaitu submenu untuk membuat File baru (New, New with Template), membuka File yang sudah ada (Open, Retrieve Backup), menyimpan File (Save, Save as, Save as Template), membuka File Data ( Data Files), mencetak (Print), menelusuri atau browsing diagram path yang sudah ada atau tersimpan (Browse Path Diagrams). File Manager yang dapat digunakan untuk melihat jenis dan nama-nama file yang sudah ada, termasuk juga u
ntuk membuka dan menghapus file tersebut dan submenu untuk keluar dari Amos (Exit).
 2. Menu Edit Terdiri dari beberapa submenu yang berguna untuk proses editing dengan fungsi utama mengopi gambar pada layar kerja (Copy to Clipboard), menghubungkan dengan data lain (Link), memindakan gambar (Move), merefleksikan indikator (Reflect), merotasi indikator (Rotate) dan menggeser (Drag) satu objek ke objek lainnya. Lebih lanjut akan dijelaskan dalam bagian penjelasan Toolbox yang lebih mempermudah pengoperasian Amos.
 3. Menu View Submenu yang ada dalam menu View banyak digunakan dalam proses analisis dan permodelan.
 4. Menu Diagram Terdiri dari beberapa submenu yang digunakan untuk membuat atau menggambarkan model atau diagram yang akan dianalisis.
5. Menu Analyze Terdiri dari beberapa submenu yang digunakan untuk memberikan perintah menjalankan analisis.
6. Menu Tools Terdiri dari beberapa submenu yang digunakan sebagai perlengkapan dalam mendukung proses pengolahan data dan tampilan seperti memberi kode, memilih karakter huruf.
7. Menu Plugins Terdiri dari beberapa submenu yang digunakan sebagai perlengkapan dalam melakukan analisis atau pembuatan model yang akan dianalisis seperti menggambar kovarian, menamakan parameter dan sebagainya.
 8. Menu Help Terdiri dari beberapa submenu yang dapat dimanfaatkan untuk membantu memberi penjelasan apabila terdapat masalah dalam pengoperasian Amos serta dapat dihubungkan dengan jaringan internet atau web

Keunggulan Amos (skripsi dan tesis)

 

1. Perhitungan yang rumit akan jauh lebih mudah dilakukan dibandingkan dengan menggunakan perangkat lunak lainnya 2. Penggunaan Amos akan mempercepat dalam membuat spesifikasi, melihat serta melakukan modifikasi model secara grafik dengan menggunakan tool yang sederhana. 3. Proses perhitungan dan analisis menjadi lebih sederhana bahkan orang-orang awam yang bukan ahli statistik akan dapat menggunakan dan memahami dengan mudah. Adapun keunggulan lain yang dimiliki Amos bila dibandingkan dengan perangkat lunak lainnya yaitu sebagai berikut: a. Program dapat melakukan analisis dengan menggunakan data yang berasal dari beberapa populasi secara sekaligus. b. Dapat menangani missing data secara baik, yaitu dengan membuat estimasi yang didasarkan pada informasi maximum likelihood yang sempurna dan tidak hanya bersandar pada metode yang sudah ada, yaitu listwise, pairwise deletion, atau mean imputation. c. Dapat membuat estimasi rata-rata untuk variabel-variabel exogenous dan intercepts dalam persamaan regresi. d. Amos dapat juga membuat bootstrapped standard errors dan confidence intervals yang ada dalam semua estimasi parameter, rata-rata sampel, varian, kovarian dan korelasi. e. Dapat membuat percentile intervals dan bias-corrected percentile intervals. f. Model-model jamak dapat disesuaikan dengan menggunakan analisis tunggal. g. Dapat melakukan pemeriksaan setiap pasangan model dimana satu model diperoleh dengan membatasi parameter-parameter model lainnya. h. Dapat membuat laporan beberapa angka statistik yang cocok untuk dilakukan perbandingan untuk model-model tersebut. i. Amos juga menyediakan pengujian normalitas univariat untuk masing-masing variabel yang diobservasi dan juga pengujian normalitas multivariat serta dapat mendeteksi outliers. j. Amos dapat memahami diagram jalur sebagai spesifikasi model dan memperlihatkan estimasi-estimasi parameter secara grafis dalam model diagram jalur. Diagram-diagram jalur digunakan sebagai spesifikasi model dan gambar-gambar digram jalur tersebut dapat diimpor ke program Word

Pengenalan Amos (skripsi dan tesis)

Menurut Sarwono (2012), Amos merupakan singkatan dari Analisis of Moment Structures yang digunakan sebagai pendekatan umum analisis data dalam model sebab akibat (causal modeling). Amos dikembangkan oleh Arbuckle pada tahun 1994. Amos semula merupakan perangkat lunak komputasi statistic yang mandiri namun dalam perkembangannya saat ini Amos diambil alih oleh SPSS sehingga versi-versinya mengikuti perkembangan SPSS.

Keuntungan dan Kelemahan Analisis Jalur (skripsi dan tesis)

Menurut Sarwono (2012), keuntungan menggunakan analisis jalur diantaranya : 1. Kemampuan menguji model keseluruhan dan parameter-parameter individual. 2. Kemampuan pemodelan beberapa variabel mediator/perantara. 3. Kemampuan mengestimasi dengan menggunakan persamaan yang dapat melihat semua kemungkinan hubungan sebab akibat pada semua variabel dalam model. 4. Kemampuan melakukan dekomposisi korelasi menjadi hubungan yang bersifat sebab akibat (causal relation), seperti pengaruh langsung (direct effect) dan pengaruh tidak langsung (indirect effect) dan bukan sebab akibat (non-causal association), seperti komponen semu (spurious). Kelemahan menggunakan analisis jalur diantaranya : 1. Tidak dapat mengurangi dampak kesalahan pengukuran. 2. Analisis jalur hanya mempunyai variabel-variabel yang dapat diobservasi secara langsung. 3. Analisis jalur tidak mempunyai indikator-indikator suatu variabel laten. 4. Karena analisis jalur merupakan perpanjangan regresi linier berganda, maka semua asumsi dalam rumus ini harus diikuti. 5. Sebab akibat dalam model hanya bersifat searah (one direction), tidak boleh bersifat timbal balik (reciprocal).

Model Analisis Jalur (skripsi dan tesis)

Beberapa istilah dan defenisi dalam analisis jalur. (1) Dalam Analisis Jalur, kita hanya menggunakan sebuah lambung variabel, yaitu X. Untuk membedakan X yang satu dengan X yang lainnya, kita menggunakan subscript (indeks). Contoh: X1, X2, X3, ….. , Xk. (2) Kita membedakan dua jenis variabel, yaitu variabel variabel yang menjadi pengaruh (exogenous variable), dan variabel yang dipengaruhi (endogenous variable). (3) Lambang hubungan langsung dari eksogen ke endogen adalah panah bermata satu, yang bersifat recursive atau arah hubungan yang tidak berbalik/satu arah. (4) Diagram jalur merupakan diagram atau gambar yang mensyaratkan hubungan terstruktur antar variabel (Harun Al Rasyid, 2005). Ada beberapa model yang dapat digunakan,mulai dari yang paling sederhana sampai dengan yang lebih rumit, diantaranya:
a. Analisis Jalur Model Trimming
 Model Trimming adalah model yang digunakan untuk memperbaiki suatu model struktur analisis jalur dengan cara mengeluarkan dari model variabel eksogen yang koefisien jalur diuji secara keseluruhan apabila ternyata ada variabel yang tidak signifikan. Walaupun ada satu, dua, atau lebih variabel yang tidak signifikan, perlu memperbaiki model struktur analisis jalur yang telah dihipotesiskan. b. Analisis Jalur Model Dekomposisi Model dekomposisi adalah model yang menekankan pada pengaruh yang bersifat kausalitas antar variabel, baik pengaruh langsung ataupun tidak langsung dalam kerangka analisis jalur, sedangkan hubungan yang sifatnya nonkausalitas atau hubungan korelasional yang terjadi antar variabel eksogen tidak termasuk dalam perhitungan ini. Perhitungan menggunakan analisis jalur dengan menggunakan model dekomposisi pengaruh kausal antar variabel dapat dibedakan menjadi tiga yaitu:
 1. Direct causal effects (Pengaruh Kausal Langsung) adalah pengaruh satu variabel eksogen terhadap variabel endogen yang terjadi tanpa melalui variabel endogen lain.
 2. Indirect causal effects (Pengaruh Kausal Tidak Langsung) adalah pengaruh satu variabel eksogen terhadap variabel endogen yang terjadi melalui variabel endogen lain terdapat dalam satu model kausalitas yang sedang dianalisis.
3. Total causal effects (Pengaruh Kausal Total) adalah jumlah dari pengaruh kausal langsung dan pengaruh kausal tidak langsung.
c. Model Regresi Berganda
 Model ini merupakan pengembangan regresi berganda dengan menggunakan dua variabel exogenous, yaitu X1 dan X2 dengan satu variabel endogenous Y.

d. Model Mediasi Model mediasi atau perantara ialah di mana variabel Y memodifikasi pengaruh variabel X terhadap variabel Z
e. Model Kombinasi Regresi Berganda dan Mediasi Model ini merupakan kombinasi antara model pertama dan kedua, yaitu variabel X berpengaruh terhadap variabel Z secara langsung dan secara tidak langsung mempengaruhi variabel Z melalui variabel Y.
f. Model Kompleks Model ini merupakan model yang lebih kompleks, yaitu variabel X1 secara langsung mempengaruhi Y2 dan melalui variabel X2 secara tidak langsung mempengaruhi Y2, sementara variabel Y2 juga dipengaruhi oleh variabel Y1.
g. Model Rekursif dan Non Rekursif Model rekursif adalah jika semua anak panah menuju anak panah
Model non rekursif terjadi jika arah anak panah tidak searah atau terjadi arah yang berbalik, misalnya dari 4 ke 3 atau dari 3 ke 1 dan 2, atau bersifat sebab akibat. Pada bagian berikut untuk mempermudah kita dalam memahami analisis jalur, maka kita bisa menggunakan model-model jalur berikut: 1. Model Persamaan Satu Jalur Model Persamaan satu jalur merupakan hubungan sebenarnya sama dengan regresi berganda, yaitu variabel bebas terdiri dari satu variabel dan variabel tergantungnya hanya satu. 2. Model Persamaan Dua Jalur Model ini terdiri dari tiga variabel bebas dan mempunyai dua variabel tergantung. 3. Model Persamaan Tiga Jalur Model ini terdiri dari tiga variabel bebas, salah satu variabel bebas menjadi variabel perantara dan mempunyai dua variabel tergantung.

Istilah-istilah dasar dalam Analisis Jalur (skripsi dan tesis)

 Menurut Sarwono (2007), ada beberapa istilah yang digunakan dalam analisis jalur yaitu sebagai berikut:
1. Model Jalur Adalah suatu diagram yang menghubungkan antara variabel bebas, perantara dan tergantung. Pola hubungannya menggunakan anak panah. Anak panah tunggal menunjukkan hubungan sebab-akibat antara variabel exogenous dengan satu variabel tergantung atau lebih. Anak panah-anak panah juga menghubungkan kesalahan (variabel residue) dengan semua variabel endogenous masing-masing. Anak panah ganda menunjukkan korelasi antara pasangan variabel-variabel exogenous.
 2. Jalur penyebab untuk suatu variabel yang diberikan Meliputi pertama, jalur-jalur arah dari anak panah menuju ke variabel tersebut dan kedua, jalur-jalur korelasi dari semua variabel endogenous yang dikorelasikan dengan variabel-variabel lain yang mempunyai anak panahanak panah menuju ke variabel yang sudah ada tersebut.
3. Variabel exogenous Adalah semua variabel yang tidak ada penyebab–penyebab eksplisitnya atau dalam diagram tidak ada anak-anak panah yang menuju ke arahnya, selain pada bagian kesalahan pengukuran. Jika antara variabel ini dikorelasikan maka korelasi ditunjukkan dengan anak panah berkepala dua yang menghubungkan variabel-variabel tersebut. Variabel ini disebut pula independen variabel.
4. Variabel endogenous Adalah variabel yang mempunyai anak panah-anak panah menuju ke arahnya. Variabel yang termasuk di dalamnya mencakup semua variabel perantara dan tergantung. Variabel perantara endogenous mempunyai anak panah yang menuju ke arahnya dan dari arah variabel tersebut dalam suatu model. Adapun variabel tergantung hanya mempunyai anak panah yang menuju ke arahnya. Variabel ini disebut pula dependen variabel.
5. Koefisien jalur atau pembobotan jalur Adalah koefisien regresi standar atau disebut ‘beta’ yang menunjukkan pengaruh langsung dari suatu variabel bebas terhadap variabel tergantung dalam suatu model tertentu.
6. Variabel-variabel exogenous yang dikorelasikan Jika semua variabel exogenous dikorelasikan maka sebagai penanda hubungannya ialah anak panah dengan dua kepala yang dihubungkan di antara variabel-variabel dengan koefisien korelasinya.
7. Istilah gangguan Gangguan atau residue mencerminkan adanya varian yang tidak dapat diterangkan atau pengaruh dari semua variabel yang tidak terukur ditambah dengan kesalahan pengukuran. 8. Dekomposisi pengaruh Koefisien-koefisien jalur dapat digunakan untuk mengurai korelasi-korelasi dalam suatu model ke dalam pengaruh langsung dan tidak langsung yang berhubungan dengan jalur langsung dan tidak langsung yang direfleksikan dengan anak panah-anak panah dalam suatu model tertentu.
 9. Model Recursive Model penyebab mempunyai satu arah dan tidak ada pengaruh sebab akibat (reciprocal). Dalam model ini, satu variabel tidak dapat berfungsi sebagai penyebab dan akibat dalam waktu yang bersamaan.
10. Model Non-Recursive Model penyebab mempunyai arah yang membalik (feed back loop) dan ada pengaruh sebab akibat (reciprocal)

Asumsi dalam Analisis Jalur (skripsi dan tesis)

Asumsi yang melandasi analisis jalur diantaranya adalah (Solimun 2002, Riduan dan Kuncoro 2011 dikutip oleh Sunjoyo dkk, 2013): 1. Hubungan antar variabel haruslah linear dan aditif. 2. Ukuran sampel yang memadai sebaiknya diatas 100. 3. Pola hubungan antara variabel adalah rekursif (satu arah). 4. Data berskala interval.

Manfaat Analisis Jalur (skripsi dan tesis)

Menurut Saparina (2013), ada beberapa manfaat analisis jalur diantaranya adalah: 1. Sebagai penjelas terhadap fenomena yang dipelajari atau permasalahan yang diteliti. 2. Untuk prediksi nilai variabel endogenous (Y) berdasarkan nilai variabel eksogenous (X). 3. Sebagai faktor determinan yaitu penentuan variabel eksogenous (X) mana yang berpengaruh dominan terhadap variabel endogenous (Y), juga untuk menelusuri mekanisme (jalur-jalur) pengaruh variabel eksogenous (X) terhadap variabel endogenous (Y). 4. Pengujian model, menggunakan theory triming, baik untuk uji reabilitas konsep yang sudah ada ataupun uji pengembang konsep baru.

Pengertian Analisis Jalur (skripsi dan tesis)

Menurut Pedhazur dalam Kerlinger (1983) dikutip oleh Widiyanto (2013), analisis jalur merupakan suatu bentuk terapan dari analisis multiregresi. Dalam analisis ini digunakan diagram jalur untuk membantu konseptualisasi masalah atau menguji hipotesis yang kompleks dan juga untuk mengetahui pengaruh langsung dan tidak langsung dari variabel-variabel bebas terhadap variabel terikat. Analisis jalur ialah suatu tehnik untuk menganalisis hubungan sebab akibat yang terjadi pada regresi berganda jika variabel bebasnya mempengaruhi variabel tergantung tidak hanya secara langsung, tetapi juga secara tidak langsung (Robert D. Rutherford 1993 dikutip oleh Sarwono, 2007). Defenisi lain mengatakan “Analisis jalur merupakan pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikasi (significance) hubungan sebab akibat hipotetikal dalam seperangkat variabel” (Paul Webley 1997 dikutip oleh Sarwono, 2007). David Garson dari North Carolina State University mendefenisikan analisis jalur sebagai model perluasan regresi yang digunakan untuk menguji keselarasan matriks korelasi dengan dua atau lebih model hubungan sebab akibat yang dibandingkan oleh peneliti. Modelnya digambarkan dalam bentuk gambar lingkaran dan panah dimana anak panah tunggal menunjukkan sebagai penyebab. Regresi dikenakan pada masing-masing variabel dalam suatu model sebagai variabel tergantung (pemberi respons) sedang yang lain sebagai penyebab. Pembobotan regresi diprediksikan dalam suatu model yang dibandingkan dengan matriks korelasi yang diobservasi untuk semua variabel dan dilakukan juga penghitungan uji keselarasan statistik (David Garson 2003 dikutip oleh Sarwono, 2007)

Sejarah Analisis Jalur (skripsi dan tesis)

Path Analysis atau analisis jalur dikembangkan oleh Sewal Wright tahun 1934. Bohrnstedt mengartikan analisis jalur sebagai “a technique for estimating the effect’s a set of independent variables has on a dependent variable from a set of observed correlations, given a set of hypothesized causal asymetric relatin among the variables” (Riduan dan Kuncoro 2011 dikutip oleh Sunjoyo dkk, 2013). Analisis jalur ini merupakan perluasan atau kepanjangan dari regresi berganda yang digunakan untuk menaksir hubungan kausalitas (sebab-akibat) antar variabel yang telah ditetapkan sebelumnya, serta menguji besarnya sumbangan atau kontribusi masing-masing variabel eksogen terhadap variabel endogen (Ghozali 2006, Riduan dan Kuncoro 2011 dikutip oleh Sunjoyo dkk, 2013). Dalam pengujian hubungan kausal tersebut yang didasarkan pada teori yang memang menyatakan bahwa variabel yang dikaji memiliki hubungan secara kausal. Analisis jalur bukan ditujukan untuk menurunkan teori kausal, melainkan dalam penggunaannya harus didasarkan pada teori yang menyatakan bahwa hubungan antar variabel tersebut bersifat kausal. Dengan demikian, kuat lemahnya teori yang digunakan dalam menggambarkan hubungan kausal tersebut menentukan dalam penyusunan diagram jalur dan mempengaruhi hasil dari analisis serta pengimplementasian secara keilmuan (Widiyanto, 2013)

Asumsi-asumsi Path Analysis (skripsi dan tesis)

Menurut Sarwono (2012) asumsi-asumsi pada Path Analysis adalah sebagai berikut : 1. Adanya linieritas (Linierity) artinya hubungan antar variabel bersifat linier. 2. Adanya aditivitas (Aditivity) artinya tidak ada efek-efek interaksi. 3. Variabel terikat (endogen) minimal dalam skala interval dan rasio. 4. Semua variabel residual (yang tidak diukur) tidak berkolerasi dengan salah satu variabel dalam model. 5. Disturbance terms (gangguan) atau variabel residual tidak boleh berkolerasi dengan semua variabel endogen dalam model. 6. Terdapat multikolinieritas yang rendah, artinya dua atau lebih variabel bebas (penyebab) mempunyai hubungan yang sangat tinggi. Jika terjadi hubungan yang sangat tinggi maka akan mendapatkan standar error yang besar dari koefisien beta (ß) yang digunakan untuk menghilangkan varian biasa dalam melakukan analisis korelasi secara parsial. 7. Adanya rekursivitas artinya semua anak panah mempunyai satu arah, tidak boleh pemutaran kembali (looping) 8. Spesifikasi model sangat diperlukan untuk menginterprestasi koefisien-koefisien jalur. Kesalahan spesifikasi terjadi ketika variabel penyebab yang signifikan dikelurkan dalam model, semua koefisien jalur akan mereflesikan kovarian bersama dengan semua variabel yang tidak diukur dan tidak dapat diinterprestasi secara tepat dalam kaitanya dengan akibat langsun maupun tidak langsung. 9. Terdapat masukan korelasi yang sesuai, artinya jika menggunakan matriks korelasi sebagai masukan maka korelasi person digunakan untuk dua variabel skala interval. 10. Terdapat ukuran sampel yang memadai minimal 100. 11. Menggunakan sampel probability sampling yaitu teknik pengambilan sampel untuk memberikan peluang yang sama pada setiap anggota populasi untuk dipilih menjadi anggota sampel. 12. Obseverved variabels diukur tampa kesalahan (instrument pengukuran valid dan reliabel artinya variabel yang diteliti dapat diobservasi secara langsung. 13. Model yang dianalisis dispesifikasikan (diidentifikasi) dengan benar berdasarkan teori-teori dan konsep-konsep yang relavan. artinya model teori yang dikaji atau diuji dibangun berdasarkan kerangka teoritis tertentu yang mampu menjelaskan hubungan kausal antar variabel yang diteliti. Model Path Analysis berbeda dengan model regresi. Perbedaan tersebut terletak pada pola hubungan yang diinginkan. Model regresi digunakan untuk meramalkan atau menduga nilai sebuah variabel responden Y atas dasar nilai tertentu beberapa variabel prediktor X1; X2; …..,Xk atau pola hubungan yang mengisyaratkan besarnya pengaruh variabel penyebab X1; X2; …..,Xk terhadap sebuah variabel akibat Y, baik pengaruh yang langsung secara individu maupun bersaman. Telaah statistik menyatakan bahwa untuk peramalan / pendugaan niali Y atas dasar nilai-nilai X1; X2; …..,Xk, pola hubungan yang sesuai adalah pola hubungan yang mengikuti model regresi, sedangkan untuk mengetahui hubungan sebab akibat, pola yang tepat adalah model struktural (Kuncoro, 2007). Sacara matematik, Path Analysis mengikuti pola model struktural. Model struktural yaitu apabila setiap variabel terikat/endogen (Y) keadaanya ditentukan oleh seperangkat variabel bebas/eksogen (X)

Istilah-istilah dalam Path Analysis (skripsi dan tesis)

Dalam metode Path Analysis ada beberapa istilah yang digunakan, istilah-istilah tersebut antara lain (Sarwono, 2007) :
1. Model jalur. Model jalur ialah suatu diagram yang menghubungkan antara variabel bebas, perantara dan tergantung. Pola hubungan ditunjukkan dengan menggunakan anak panah. Anak panah-anak panah tunggal menunjukkan hubungan sebab–akibat antara variabel-variabel exogenous atau perantara dengan satu variabel tergantung atau lebih. Anak panah juga menghubungkan kesalahan (variabel residue) dengan semua variabel endogenous masing-masing. Anak panah ganda menunjukkan korelasi antara pasangan variabel-variabel exogenous
. 2. Jalur penyebab untuk suatu variabel yang diberikan. meliputi pertama jalur-jalur arah dari anak-anak panah menuju ke variabel tersebut dan kedua jalur-jalur korelasi dari semua variabel endogenous yang dikorelasikan dengan variabel-variabel yang lain yang mempunyai anak panah-anak panah menuju ke variabel yang sudah ada tersebut.
3. Variabel exogenous ialah semua variabel yang tidak ada penyebab-penyebab eskplisitnya atau dalam diagram tidak ada anak-anak panah yang menuju kearahnya, selain pada bagian kesalahan pengukuran. Jika antara variabel exogenous dikorelasikan maka korelasi tersebut ditunjukkan dengan anak panah dengan kepala dua yang menghubungkan variabel-variabel tersebut. Dalam istilah lain, dapat disebut pula sebagai independen variabel.
 4. Variabel endogenous. Variabel endogenous ialah variabel yang mempunyai anakanak panah menuju kearah variabel tersebut. Variabel yang termasuk didalamnya ialah mencakup semua variabel perantara dan tergantung. Variabel perantara endogenous mempunyai anak panah yang menuju kearahnya dan dari arah variabel tersebut dalam sutau model diagram jalur. Sedang variabel tergantung hanya mempunyai anak panah yang menuju kearahnya. Atau dapat disebut juga sebagai variabel dependen.
5. Koefesien jalur / pembobotan jalur. Koefesien jalur adalah koefesien regresi standar atau disebut ‘beta’ yang menunjukkan pengaruh langsung dari suatu variabel bebas terhadap variabel tergantung dalam suatu model jalur tertentu. Oleh karena itu, jika suatu model mempunyai dua atau lebih variabel-variabel penyebab, maka koefesienkoefesien jalurnya merupakan koefesien-koefesien regresi parsial yang mengukur besarnya pengaruh satu variabel terhadap variabel lain dalam suatu model jalur tertentu yang mengontrol dua variabel lain sebelumnya dengan menggunakan data yang sudah distandarkan atau matriks korelasi sebagai masukan.
 6. Mediasi. Mediasi ialah perantara yang berfungsi sebagai variabel endogenous pertama terhadap variabel sebelumnya (variabel axogenous) dan sebagai variabel exogenous terhadap variabel endogenous kedua, atau variabel yang secara teoritis memengaruhi hubungan antar variabel independent dengan variabel dependen menjadi hubungan yang tidak langsung dan tidak dapat diamati dan di ukur. Dalam urutan posisi diagram jalur berada pada antara dua variabel dimana pengaruh tidak langsung akan diukur.
7. Total effect. Pengaruh tidak langsung dari satu variabel exogenous melalui variabel endogenous perantara menuju ke variabel endogenous kedua.
 8. Direct effect. Pengaruh langsung dari suatu variabel exogenous menuju variabel endogenous.
9. Pengaruh gabungan. Pengaruh dari semua variabel exogenous terhadap satu variabel endogenous yang dikenal dengan nilai r2 .
10. Pengaruh parsial. Pengaruh setiap variabel exogenous masing-masing terhadap satu variabel endogenous

Manfaat Path Analysis (skripsi dan tesis)

Manfaat dari model Path Analysis sebagai berikut (Kuncoro, 2007) : 1. Menjelaskan explanation terhadap fenomena yang dipelajari atau permasalahan yang diteliti. 2. Memprediksi nilai variabel terikat (Y) berdasarkan nilai variabel bebas (X), dan memprediksi dengan Path Analysis ini bersifat kualitatif. 3. Faktor determinan yaitu penentu variabel bebas (X) mana yang berpengaruh dominan terhadap variabel terikat (Y), juga dapat digunakan untuk menelusuri mekanisme (jalur-jalur) pengaruh variabel (X) terhadap variabel terikat (Y). 4. Pengujian model

Tujuan Path Analysis (skripsi dan tesis)

Menurut Sarwono, 2012, tujuan menggunakan Path Analysis diantaranya adalah: 1. variabel tetentu terhadap variabel lain yang dipengaruhinya. 2. Menghitung besarnya pengaruh satu variabel Melihat hubungan antar variabel dengan didasarkan pada model apriori. 3. Menerangkan mengapa variabel-variabel berkorelasi dengan menggunakan suatu model yang berurutan secara temporer. 4. Menggambarkan dan menguji suatu model matematis dengan menggunakan persamaan yang memadai. 5. Mengidentifikasi jalur penyebab suatu independen exogenous atau lebih terhadap variabel dependen endogenous lainnya

Pengertian Path Analysis (skripsi dan tesis)

“Path Analysis ialah suatu teknik untuk menganalisis hubungan sebab akibat yang tejadi pada regresi berganda jika variabel bebasnya memengaruhi variabel tergantung tidak hanya secara langsung tetapi juga secara tidak langsung”. (Robert D. Retherford 1993 dikutip oleh Widaryano, 2005). Sedangkan definisi lain mengatakan: “Path Analysis merupakan pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikansi (significance) hubungan sebab akibat hipotetikal dalam seperangkat variabel.” (Paul Webley 1997 dikutip oleh Sarwono 2007). David Garson dari North Carolina State University mendefinisikan Path Analysis sebagai “Model perluasan regresi yang digunakan untuk menguji keselarasan matriks korelasi dengan dua atau lebih model hubungan sebab akibat yang dibandingkan oleh peneliti. Modelnya digambarkan dalam bentuk gambar lingkaran dan panah dimana anak panah tunggal menunjukkan sebagai penyebab. Regresi dikenakan pada masing-masing variabel dalam suatu model sebagai variabel tergantung (pemberi respon) sedang yang lain sebagai penyebab. Pembobotan regresi diprediksikan dalam suatu model yang dibandingkan dengan matriks korelasi yang diobservasi untuk semua variabel dan dilakukan juga penghitungan uji keselarasan statistik. (David Garson, 2003 dikutip oleh Sunyoto 2011). Menurut Kuncoro, 2007, teknik Path Analysis adalah teknik yang digunakan dalam menguji besarannya sumbangan (kontribusi) yang ditunjukan oleh koefisien jalur pada setiap diagram jalur dari hubungan kausal antar variabel X1, X2,dan X3 terhadap Y serta dampaknya terhadap Z

Sejarah Path Analysis (skripsi dan tesis)

Path Analysis atau juga dikenal dengan sebutan analisis jalur dikembangkan pertama kali pada tahun 1920-an oleh seorang ahli genetika bernama Sewall Wrigh. mengartikan Path Analysis sebagai “ a technique for estimating the effect’s a set independents variabels has on a dependents variabel from a set correlation, given a set of hypothesized causal asymmetric relation among variabels” (Kuncoro, 2007). Teknik-teknik yang dikembangkan Sewall Wrigh merupakan pengembangan korelasi yang diurai menjadi beberapa inteprestasi akibat yang ditimbulkannya. Lebih lanjut, Path Analysis mempunyai kedekatan dengan regresi berganda. Dengan kata lain, regresi berganda merupakan bentuk khusus dari analisis jalur. Teknik ini juga dikenal sebagai model sebab akibat (causing modeling). Penamaan ini didasarkan pada alasan bahwa analisis jalur memungkinkan pengguna dapat menguji proposisi teoritis mengenai hubungan sebab akibat tampa memanipulasi variabel-variabel. Manipulasi variabelveriabel maksudnya ialah memberi perlakuan (treatment) terhadap variabel-variabel tertentu dalam pengukurannya. Asumsi dasar model ini ialah beberapa variabel sebenarnya mempunyai hubungan yang sangat dekat satu dengan lainya (Sarwono, 2007)

sejarah path analysis (skripsi dan tesis)

Seperti apa sejarah path analysis itu? Teknik path analysis, yang dikembangkan oleh Sewal Wright di tahun 1934, sebenarnya merupakan pengembangan korelasi yang diurai menjadi beberapa interpretasi akibat yang ditimbulkannya. Sewall Wright adalah seorang ahli genetika yang mengembangkan path analysis untuk membuat kajian hipotesis hubungan sebab akibat dengan menggunakan korelasi. Lebih lanjut, path analysis mempunyai kedekatan dengan regresi berganda; atau dengan kata lain, regresi berganda merupakan bentuk khusus dari path analysis. Teknik ini juga dikenal sebagai model sebab-akibat (causing modeling). Penamaan ini didasarkan pada alasan bahwa analisis jalur memungkinkan pengguna dapat menguji proposisi teoritis mengenai hubungan sebab dan akibat tanpa memanipulasi variabel-variabel. Memanipulasi variabel maksudnya ialah memberikan perlakuan (treatment) terhadap variabel-variabel tertentu dalam pengukurannya. Asumsi dasar model ini ialah beberapa variabel sebenarnya mempunyai hubungan yang sangat dekat satu dengan lainnya. Dalam perkembangannya saat ini path analysis diperluas dan diperdalam kedalam bentuk analisis “Structural Equation Modeling” atau dikenal dengan singkatan SEM. Sebenarnya gagasan Sewal Wright ini diilhami oleh penemuan – penemuan rumus sebelumnya diantaranya ialah pada tahun 1901 Karl Pearson, penemu rumus korelasi Pearson, menemukan principal component analysis dan Charles Spearman, penemu rumus korelasi Spearman, pada tahun 1904 menemukan teknik analisis faktor yang banyak memberikan pengaruh terhadap perkembangan Structural Equation Modelling (SEM) yang didasari oleh path analysis (PA) yang oleh sebagian besar orang dimasukkan dalam kategori yang sama antara SEM dan PA. Kesamaan dasar antara SEM dan PA semata-mata hanya karena masalah hubungan sebab akibat (casuality). Yang kemudian pada perkembangannya PA lebih merupakan representasi model yang hubungan kasualitas yang bersifat searah (yang secara tekniks disebut recursive) sedang SEM merupakan representasi model hubungan sebab akibat yang bersifat searah dan dua arah / timbal balik / reciprocal (yang secara tekniks disebut non recursive) Kontribusi Wright yang terbesar ialah penemuannya mengenai metode koefesien jalur dalam konteks hubungan kasualitas yang menjadi landasan dalam mengubungan antara masalah statistik dengan masalah sebab akibat. Sehingga dalam perkembangan berikutnya orang kemudian mengaitkan antara hubungan kasualitas dengan path analysis secara tidak sengaja. Sebenarnya tidak ada landasan teori yang memberikan justifikasi bahwa ada hubungan antara path analysis dengan model kasualitas; sebagaimana adanya teori yang mengatakan bahwa ada hubungan antara regresi linier dengan hubungan kasualitas. Sekalipun demikian, menurut Dennis dan Legerski (2006) terdapat sejarah yang membuktikan bahwa ada hubungan antara path analysis dan kasualitas. Hanya dari faktor sejarahlah orang dapat memberikan justifikasi bahwa path analysis berkaitan dengan kasualitas. Itulah sebabnya pada bagian berikut ini akan dibahas secara singkat sejarah karya-karya Sewal Right yang menjadi landasan pemikiran mengapa akhirnya orang menyimpulkan ada hubungan antara path analysis dengan model kasualitas. Sewal Wright adalah seorang sarjana lulusan biologi dari Universitas Illinois yang kemudian mendalami bidang genetika. Dia tertarik mengenai peranan genetika dalam menentukan turunan warna dalam binatang. Dia berhasil melakukan riset dengan menggunakan path analysis terhadap transmisi dalam suatu kelinci percobaan pada tahun 1920. Sebenarnya Sewal Wright pertama kali menggunakan path analysis 286 Jurnal Ilmiah Manajemen Bisnis, Vol. 11, No. 2, November 2011: 285 – 296 pada tahun 1918 dalam artilenya yang berjudul: “On the Nature of Size Factors.” Dengan menggunakan hasil risetnya yang pernah diterbitkan di Castle pada tahun 1914, dimana dia menemukan korelasi antara berbagai pengukuran tulang pada kelinci yang dia teliti; Sewal Wright kemudian menyusun metode kuantitatif, yaitu suatu metode yang dirancang untuk membuat estimasi tingkatan dimana suatu pengaruh yang diberikan ditentukan oleh setiap jumlah penyebab. Tulisan berikutnya yang muncul pada tahun 1920 yang berjudul membahas keseriusannya dalam usahanya menemukan suatu metode analisis statistik baru. Maka dalam artikel yang berjudul “The Relative Importance of Heredity and Environment in Determining the Piebald Pattern of Guinea-Pigs,”, Sewal Wright menyusun suatu model kuantitatif yang dapat digunakan dalam membuat estimasi kepentingan relatif hereditas dan lingkungan dalam transmisi generasi warna pada kelinci percobaannya. Dalam makalahnya tersebut dia menyebutkan secara tidak langsung mengenai konsep “sebab – akibat” yang menjadi dasar dari rumus Path Analysis. Dalam papernya ini juga Sewal Wright menggambarkan suatu jaringan yang berkaitan dengan hereditas dan lingkungan dari induk ke anak-anaknya pada kelinci percobaannya yang kelak pada perkembangannya disebut sebagai diagram jalur. Dalam diagram jalur tersebut dia menunjukkan induk laki-laki dan perempuan menghasilkan anak-anak yang mempunyai warna beda. Intinya Sewal ingin mengatakan bahwa kekhasan suatu individu ditentukan oleh H (Heredity), E (Environment / lingkungan anak – anak sebelum dilahirkan) dan D (residu, ketidakberaturan dalam perkembangan). Masalah yang kemudian muncul ialah menemukan cara dalam menentukan tingkat diterminasi / pengaruh ketiga faktor tersebut. Dalam makalah tersebut diatas Sewal juga menyebutkan fondasi logika awal dan diagram jalur generik untuk metode koefesien-koefesien jalur. Diagram jalur sederhana yang dia paparkan seperti di bawah ini digunakan untuk menjelaskan hipotesis yang mengatakan bahwa: “ Dua kuantitats X dan Y ditentukan sebagaian oleh penyebab-penyebab yang independen”. Penyebab-penyebab independen yang dihipotesiskan tersebut diberikan oleh kuantitas A dan D. Sedang penyebab B dan C yang dihubungan dengan anak panah dua arah, dihipotesiskan sebagai pengaruh yang berkorelasi. Maksudnya terdapat hubungan antara B dan C yang merupakan penyebab secara parsial terhadap X dan Y. Koefesien jalur didefinisikan oleh Sewall Wright sebagai “mengukur pentingnya suatu jalur pengaruh yang ada dari sebab ke akibat yang didefinisikan sebagai ratio variabilitas akibat yang diketemukan saat semua penyebab bersifat konstan kecuali satu dalam pertanyaan, variabilitas yang dipertahankan tetap tidak berubah, terhadap variabilitas total”. Kesimpualnnya ialah bahwa Wright ingin menjelaskan bagaimana caranya mengukur suatu pengaruh jalur yang diasumsikan sebagai jalur penyebab. Dengan kata lain ia ingin mengatakan jika asumsi sebab-akibat dibuat, dan arah sebab – akibat tersebut juga diasumsikan ; maka orang dapat mengukur pengaruh sepanjang jalur penyebab tersebut Kesimpulannya agar orang dapat menggunakan metode ini, maka orang perlu mengetahui dua hal, yaitu: pertama, pengetahuan sebelumnya mengenai hubungan sebab akibat; kedua, pengetahuan korelasi antar variabel yang dimasukkan dalam sistem. Oleh karena itu metode ini akan bermanfaat diaplikasikan jika proses-proses sebab akibat dapat diasumsikan secara apriori. Dengan demikian metode sebab akibat yang terkandung dalam koefesien jalur menurut Wright bersifat independen terhadap metode sebab akibat dalam matematika.

Sejarah Analisis Jalur (skripsi dan tesis)

Path Analysis atau analisis jalur dikembangkan oleh Sewal Wright tahun
1934. Bohrnstedt mengartikan analisis jalur sebagai “a technique for estimating the effect’s a set of independent variables has on a dependent variable from a set of observed correlations, given a set of hypothesized causal asymetric relatin among the variables” (Riduan dan Kuncoro 2011 dikutip oleh Sunjoyo dkk, 2013).
Analisis jalur ini merupakan perluasan atau kepanjangan dari regresi
berganda yang digunakan untuk menaksir hubungan kausalitas (sebab-akibat)
antar variabel yang telah ditetapkan sebelumnya, serta menguji besarnya
sumbangan atau kontribusi masing-masing variabel eksogen terhadap variabel endogen (Ghozali 2006, Riduan dan Kuncoro 2011 dikutip oleh Sunjoyo dkk, 2013).
Dalam pengujian hubungan kausal tersebut yang didasarkan pada teori
yang memang menyatakan bahwa variabel yang dikaji memiliki hubungan secara kausal. Analisis jalur bukan ditujukan untuk menurunkan teori kausal, melainkan dalam penggunaannya harus didasarkan pada teori yang menyatakan bahwa hubungan antar variabel tersebut bersifat kausal. Dengan demikian, kuat lemahnya teori yang digunakan dalam menggambarkan hubungan kausal tersebut menentukan dalam penyusunan diagram jalur dan mempengaruhi hasil dari analisis serta pengimplementasian secara keilmuan (Widiyanto, 2013)

Asumsi-asumsi Path Analysis (skripsi dan tesis)

Menurut Sarwono (2012) asumsi-asumsi pada Path Analysis adalah sebagai
berikut :
1. Adanya linieritas (Linierity) artinya hubungan antar variabel bersifat linier.
2. Adanya aditivitas (Aditivity) artinya tidak ada efek-efek interaksi.
3. Variabel terikat (endogen) minimal dalam skala interval dan rasio.
4. Semua variabel residual (yang tidak diukur) tidak berkolerasi dengan salah satu variabel dalam model.
5. Disturbance terms (gangguan) atau variabel residual tidak boleh berkolerasi dengan semua variabel endogen dalam model.
6. Terdapat multikolinieritas yang rendah, artinya dua atau lebih variabel bebas
(penyebab) mempunyai hubungan yang sangat tinggi. Jika terjadi hubungan yang sangat tinggi maka akan mendapatkan standar error yang besar dari koefisien beta (ß) yang digunakan untuk menghilangkan varian biasa dalam melakukan analisis korelasi secara parsial.
7. Adanya rekursivitas artinya semua anak panah mempunyai satu arah, tidak boleh pemutaran kembali (looping)
8. Spesifikasi model sangat diperlukan untuk menginterprestasi koefisien-koefisien jalur. Kesalahan spesifikasi terjadi ketika variabel penyebab yang signifikan dikelurkan dalam model, semua koefisien jalur akan mereflesikan kovarian bersama dengan semua variabel yang tidak diukur dan tidak dapat diinterprestasi secara tepat dalam kaitanya dengan akibat langsun maupun tidak langsung.
9. Terdapat masukan korelasi yang sesuai, artinya jika menggunakan matriks korelasi sebagai masukan maka korelasi person digunakan untuk dua variabel skala interval.
10. Terdapat ukuran sampel yang memadai minimal 100.
11. Menggunakan sampel probability sampling yaitu teknik pengambilan sampel untuk memberikan peluang yang sama pada setiap anggota populasi untuk dipilih menjadi anggota sampel.
12. Obseverved variabels diukur tampa kesalahan (instrument pengukuran valid dan reliabel artinya variabel yang diteliti dapat diobservasi secara langsung.
13. Model yang dianalisis dispesifikasikan (diidentifikasi) dengan benar berdasarkan teori-teori dan konsep-konsep yang relavan. artinya model teori yang dikaji atau diuji dibangun berdasarkan kerangka teoritis tertentu yang mampu menjelaskan hubungan kausal antar variabel yang diteliti.
Model Path Analysis berbeda dengan model regresi. Perbedaan tersebut terletak pada pola hubungan yang diinginkan. Model regresi digunakan untuk meramalkan atau menduga nilai sebuah variabel responden Y atas dasar nilai tertentu beberapa variabel prediktor X1; X2; …..,Xk atau pola hubungan yang mengisyaratkan besarnya pengaruh variabel penyebab X1; X2; …..,Xk terhadap sebuah variabel akibat Y, baik pengaruh yang langsung secara individu maupun bersaman. Telaah statistik menyatakan bahwa untuk peramalan / pendugaan niali Y atas dasar nilai-nilai X1; X2; …..,Xk, pola hubungan yang sesuai adalah pola hubungan yang mengikuti model regresi, sedangkan untuk mengetahui hubungan sebab akibat, pola yang tepat adalah model struktural (Kuncoro, 2007). Sacara matematik, Path Analysis mengikuti pola model struktural. Model struktural yaitu apabila setiap variabel terikat/endogen (Y) keadaanya ditentukan oleh seperangkat variabel bebas/eksogen (X)

 

Model Path Analysis (skripsi dan tesis)

Ada beberapa model Path Analysis yang dapat digunakan, mulai dari yang paling sederhana sampai yang paling rumit. Menurut Sunyoto, 2011 model Path Analysis tersebut diantaranya:
1. Model Regresi Berganda (model analisis satu jalur)
Model ini merupakan pengembangan regresi berganda dengan menggunakan dua variabel eksogen, yaitu X1 dan X2 dengan satu variabel endogen. 
2. Model Mediasi
Model mediasi atau perantara yaitu dimana variabel Y memodifikasi variabel X
terhadap variabel Z.
3. Model Kombinasi
Model kombinasi adalah kombinasi antara model regresi berganda dan model
mediasi. Maksudnya variabel X berpengaruh terhadap variabel Z secara langsung dan sacara tidak langsung memengaruhi variabel Z melalui variabel Y.
4. Model Kompleks
Model kompleks yaitu variabel X1 memengaruhi secara langsung Y2 dan melalui variabel X2 secara tidak langsungmemengaruhi Y2, sementara variabel Y2 juga dipengaruhi oleh Y1

 

Istilah-istilah dalam Path Analysis (skripsi dan tesis)

Dalam metode Path Analysis ada beberapa istilah yang digunakan, istilah-istilah tersebut antara lain (Sarwono, 2007) :
1. Model jalur. Model jalur ialah suatu diagram yang menghubungkan antara variabel bebas, perantara dan tergantung. Pola hubungan ditunjukkan dengan menggunakan anak panah. Anak panah-anak panah tunggal menunjukkan hubungan sebab–akibat antara variabel-variabel exogenous atau perantara dengan satu variabel tergantung atau lebih. Anak panah juga menghubungkan kesalahan (variabel residue) dengan semua variabel endogenous masing-masing. Anak panah ganda menunjukkan korelasi antara pasangan variabel-variabel exogenous.
2. Jalur penyebab untuk suatu variabel yang diberikan. meliputi pertama jalur-jalur arah dari anak-anak panah menuju ke variabel tersebut dan kedua jalur-jalur korelasi dari semua variabel endogenous yang dikorelasikan dengan variabel-variabel yang lain yang mempunyai anak panah-anak panah menuju ke variabel yang sudah ada tersebut.
3. Variabel exogenous ialah semua variabel yang tidak ada penyebab-penyebab eskplisitnya atau dalam diagram tidak ada anak-anak panah yang menuju kearahnya, selain pada bagian kesalahan pengukuran. Jika antara variabel exogenous dikorelasikan maka korelasi tersebut ditunjukkan dengan anak panah dengan kepala dua yang menghubungkan variabel-variabel tersebut. Dalam istilah lain, dapat disebut pula sebagai independen variabel.
4. Variabel endogenous. Variabel endogenous ialah variabel yang mempunyai anak-anak panah menuju kearah variabel tersebut. Variabel yang termasuk didalamnya ialah mencakup semua variabel perantara dan tergantung. Variabel perantara endogenous mempunyai anak panah yang menuju kearahnya dan dari arah variabel tersebut dalam sutau model diagram jalur. Sedang variabel tergantung hanya mempunyai anak panah yang menuju kearahnya. Atau dapat disebut juga sebagai variabel dependen.
5. Koefesien jalur / pembobotan jalur. Koefesien jalur adalah koefesien regresi standar atau disebut ‘beta’ yang menunjukkan pengaruh langsung dari suatu variabel bebas terhadap variabel tergantung dalam suatu model jalur tertentu. Oleh karena itu, jika suatu model mempunyai dua atau lebih variabel-variabel penyebab, maka koefesien-koefesien jalurnya merupakan koefesien-koefesien regresi parsial yang mengukur besarnya pengaruh satu variabel terhadap variabel lain dalam suatu model jalur tertentu yang mengontrol dua variabel lain sebelumnya dengan menggunakan data yang sudah distandarkan atau matriks korelasi sebagai masukan.
6. Mediasi. Mediasi ialah perantara yang berfungsi sebagai variabel endogenous pertama terhadap variabel sebelumnya (variabel axogenous) dan sebagai variabel exogenous terhadap variabel endogenous kedua, atau variabel yang secara teoritis memengaruhi hubungan antar variabel independent dengan variabel dependen menjadi hubungan yang tidak langsung dan tidak dapat diamati dan di ukur. Dalam urutan posisi diagram jalur berada pada antara dua variabel dimana pengaruh tidak langsung akan diukur.
7. Total effect. Pengaruh tidak langsung dari satu variabel exogenous melalui variabel endogenous perantara menuju ke variabel endogenous kedua.
8. Direct effect. Pengaruh langsung dari suatu variabel exogenous menuju variabel endogenous.
9. Pengaruh gabungan. Pengaruh dari semua variabel exogenous terhadap satu variabel endogenous yang dikenal dengan nilai r
10. Pengaruh parsial. Pengaruh setiap variabel exogenous masing-masing terhadap satu variabel endogenous.

 

Manfaat Path Analysis (skripsi dan tesis)

Manfaat dari model Path Analysis sebagai berikut (Kuncoro, 2007) :
1. Menjelaskan explanation terhadap fenomena yang dipelajari atau permasalahan yang diteliti.
2. Memprediksi nilai variabel terikat (Y) berdasarkan nilai variabel bebas (X), dan memprediksi dengan Path Analysis ini bersifat kualitatif.
3. Faktor determinan yaitu penentu variabel bebas (X) mana yang berpengaruh dominan terhadap variabel terikat (Y), juga dapat digunakan untuk menelusuri mekanisme (jalur-jalur) pengaruh variabel (X) terhadap variabel terikat (Y).
4. Pengujian model

Tujuan Path Analysis (skripsi dan tesis)

Menurut Sarwono, 2012, tujuan menggunakan Path Analysis diantaranya adalah:
1. variabel tetentu terhadap variabel lain yang dipengaruhinya.
2. Menghitung besarnya pengaruh satu variabel Melihat hubungan antar variabel dengan didasarkan pada model apriori.
3. Menerangkan mengapa variabel-variabel berkorelasi dengan menggunakan suatu model yang berurutan secara temporer.
4. Menggambarkan dan menguji suatu model matematis dengan menggunakan persamaan yang memadai.
5. Mengidentifikasi jalur penyebab suatu independen exogenous atau lebih terhadap variabel dependen endogenous lainnya

 

Pengertian Path Analysis (skripsi dan tesis)

Path Analysis ialah suatu teknik untuk menganalisis hubungan sebab akibat yang tejadi pada regresi berganda jika variabel bebasnya memengaruhi variabel tergantung tidak hanya secara langsung tetapi juga secara tidak langsung”. (Robert D. Retherford 1993 dikutip oleh Widaryano, 2005).
Sedangkan definisi lain mengatakan: “Path Analysis merupakan pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikansi (significance) hubungan sebab akibat hipotetikal dalam seperangkat variabel.” (Paul Webley 1997 dikutip oleh Sarwono 2007).
David Garson dari North Carolina State University mendefinisikan Path Analysis sebagai “Model perluasan regresi yang digunakan untuk menguji keselarasan matriks korelasi dengan dua atau lebih model hubungan sebab akibat yang dibandingkan oleh peneliti. Modelnya digambarkan dalam bentuk gambar lingkaran dan panah dimana anak panah tunggal menunjukkan sebagai penyebab. Regresi dikenakan pada masing-masing variabel dalam suatu model sebagai variabel tergantung (pemberi respon) sedang yang
lain sebagai penyebab. Pembobotan regresi diprediksikan dalam suatu model yang dibandingkan dengan matriks korelasi yang diobservasi untuk semua variabel dan dilakukan juga penghitungan uji keselarasan statistik. (David Garson, 2003 dikutip oleh Sunyoto 2011).
Menurut Kuncoro, 2007, teknik Path Analysis adalah teknik yang digunakan
dalam menguji besarannya sumbangan (kontribusi) yang ditunjukan oleh koefisien jalur pada setiap diagram jalur dari hubungan kausal antar variabel X1, X2,dan X3 terhadap Y serta dampaknya terhadap Z

 

Sejarah Path Analysis (skripsi dan tesis)

Path Analysis atau juga dikenal dengan sebutan analisis jalur dikembangkan
pertama kali pada tahun 1920-an oleh seorang ahli genetika bernama Sewall Wrigh. mengartikan Path Analysis sebagai “ a technique for estimating the effect’s a set independents variabels has on a dependents variabel from a set correlation, given a set of hypothesized causal asymmetric relation among variabels” (Kuncoro, 2007).
Teknik-teknik yang dikembangkan Sewall Wrigh merupakan pengembangan
korelasi yang diurai menjadi beberapa inteprestasi akibat yang ditimbulkannya. Lebih lanjut, Path Analysis mempunyai kedekatan dengan regresi berganda. Dengan kata lain, regresi berganda merupakan bentuk khusus dari analisis jalur. Teknik ini juga dikenal sebagai model sebab akibat (causing modeling). Penamaan ini didasarkan pada alasan
bahwa analisis jalur memungkinkan pengguna dapat menguji proposisi teoritis mengenai hubungan sebab akibat tampa memanipulasi variabel-variabel. Manipulasi variabel-veriabel maksudnya ialah memberi perlakuan (treatment) terhadap variabel-variabel tertentu dalam pengukurannya. Asumsi dasar model ini ialah beberapa variabel
sebenarnya mempunyai hubungan yang sangat dekat satu dengan lainya (Sarwono, 2007)

Structural Equation Model (SEM) (skripsi dan tesis)

Structural Equation Model (SEM) pertama dikenalkan oleh seorang ilmuwan bernama Joreskog pada tahun 1970. SEM merupakan teknik statistika yang kuat dalam menetapkan model pengukuran dan model struktural [1]. SEM juga didasarkan pada hubungan kausalitas, yakni terjadinya perubahan pada satu variabel berdampak pada perubahan variabel yang lainnya. Sebagai contoh dalam bidang pemasaran, kwalitas barang akan mempengaruhiharga barang, kepuasan konsumen dan sebagainya. Kejadian seperti ini juga banyak terjadi pada penelitian sosial, psikologi, bidang bisnis termasuk Manajemen Sumber Daya Manusia (MSDM), bidang pemasaran (Marketing Research), Pasar Modal, Manajemen KeuanganPerusahaan dan Manajemen secara umum. Oleh karena itu,dalam bidang sosial SEM sangat membantu karena dapat melihat keterkaitan antar variabel yang diteliti [2]. Metode SEM memiliki kemampuan analisis dan prediksi yang lebih baik dibandingkan analisis jalur dan regresi berganda karena SEM mampu menganalisis sampai pada level terdalam terhadap variabel atau model yang dite liti. Metode SEM lebih koprehensif dalam menjelaskan fenomena penelitian. Sementara analisis jalur dan regresi berganda hanya mampu menjangkau level variabel laten sehingga mengalami kesulitan dalam mengurai atau menganilisis fenomena empiris yang terjadi pada levellevel butir atau indikator-indikator variabel laten [3]. Pendugaan parameter pada SEM atau biasa dikenal dengan SEM berbasis Covariance (CB-SEM)biasanya menggunakan metode pendekatan MaximumLikelihood. Pada metode MaximumLikelihood ini dalam mengestimasi model membutuhkan sampel yang besar dan data harus multivariat normal. Pendugaan parameter dengan metode Maximum Likelihood membutuhkan beberapa asumsi kritis seperti ukuran sampel minimal 10 kali banyaknya indikator atau lebih dari 100 unit pengamatan, data menyebar mengikuti sebaran normal. Selain permasalahan asumsi sebaran dan banyaknya data, kendala lain yang dihadapi pemodelan struktural menggunakan Prosiding Seminar Nasional Matematika, Universitas Jember, 19 November 2014 3 LISREL (Linear Structural Relations) adalah indikator (variabel manifest) penelitian hanya dimungkinkan bersifat reflektif (variabel laten mempengaruhi variabel manifest) [4]. Pada tahun 1975, Wold menyelesaikan sebuah soft modeling untuk analisis hubungan antara beberapa blok dari variabel teramati pada unit statistik yang sama. Me tode ini dikenal sebagai pendekatan PLS ke SEM (SEM-PLS) atau PLS PathModeling (PLSPM) yang merupakan metode SEM berbasis varian. PLS merupakan metode analisis yang powerful karena dapat diterapkan pada semua skala data, tidak membutuhkan banyak asumsi dan ukuran sampel tidak harus besar. PLS selain dapat digunakan sebagai konfirmasi teori juga dapat digunakan untuk membangun hubungan yang belum ada landasan teorinya atau untuk pengujian proposisi. PLS juga dapat digunakan untuk pemodelan struktural dengan indikator bersifat reflektif ataupun formatif [4]. MetodeSEM-PLSsudahterdapatdalam programkomputer sepertiLISREL, Smart PLS, Amos,R dan masih banyak yang lainnya. Pada penelitian ini menggunakan program R i386 3.03 untuk menunjukkan seberapa ukuran sampel yang digunakan dalam metode analisis SEM-PLS dengan bantuan bootstrapping serta menunjukkan perbandingan hasil analisis data serdosmenggunakan metode SEM-PLS dengan metode CB-SEM.

Langkah Structural Equation Modeling (skripsi dan tesis)

Menurut Ferdinand (2002), langkah-langkah pemodelan SEM sebagai berikut: 1. Pengembangan model teoritis. 2. Pengembangan diagram alur (Path Diagram). 3. Konversi diagram alur ke dalam persamaan SEM. 4. Pemilihan matriks input dan teknik estimasi. 5. Menilai problem identifikasi. 6. Evaluasi model. 7. Interpretasi dan modifikasi model.

Structural Equation Modeling (skripsi dan tesis)

Structural Equation Modeling (SEM) merupakan teknik analisis multivariat yang dikembangkan guna menutupi keterbatasan yang dimiliki oleh model analisis sebelumnya yang telah digunakan secara luas dalam penelitian statistika. Keunggulan SEM dalam penelitian antara lain: 1. Dapat menguji hubungan kausalitas, validitas, dan reliabilitas sekaligus. 2. Dapat digunakan untuk melihat pengaruh langsung dan tidak langsung antar variabel. 3. Menguji beberapa variabel dependen sekaligus dengan beberapa variabel independen. 4. Dapat mengukur seberapa besar variabel indikator mempengaruhi variabel faktornya masing-masing. 5. Dapat mengukur variabel faktor yang tidak dapat diukur secara langsung melalui variabel indikatornya.

Penulisan dan Penggambaran Variabel Dalam SEM (skripsi dan tesis)

 Dalam SEM yang menjadi perhatian lebih adalah variabel laten yaitu konsep abstrak psikologi pelanggan. Peneliti harus mengamati hubungan variabel laten tersebut dengan variabel manifes. Berikut akan dijelaskan mengenai penulisan dan penggambaran variabel – variabel yang terdapat pada SEM.
1. Variabel laten (variabel yang tidak dapat diukur secara langsung) Di dalam SEM, variabel laten digambarkan dengan bulat oval atau elips. Ada dua jenis variabel laten yaitu variabel laten endogen dan variabel laten eksogen. Variabel laten endogen adalah variabel laten yang bergantung, atau variabel laten yang tidak bebas. Variabel laten eksogen adalah variabel laten yang bebas. Dalam SEM variabel laten eksogen dilambangkan dengan karakter ‘ksi’ (ߦ (dan variabel laten endogen dilambangkan dengan karakter ‘eta’ (ߟ .( Dalam bentuk grafis variabel laten endogen menjadi target dengan satu anak panah (→) atau hubungan regresi, sedangkan variabel laten eksogen menjadi target dengan 2 anak panah (↔) atau hubungan korelasi.

2. Variabel manifest
 Variabel manifest adalah variabel yang langsung dapat diukur. Variabel manifest digunakan sebagai indikator pada konstruk laten. Variabel manifest digambarkan dengan kotak. Variabel manifest digunakan untuk membentuk konstruk laten. Variabel manifest ini diwujudkan dengan pertanyaan – pertanyaan kepada responden dengan skala likert. Responden akan diberi pertanyaan dengan 5 ketegori jawaban yaitu sangat tidak setuju, tidak setuju, netral, setuju, dan sangat setuju (Ghozali, 2005:11). Varibel manifest untuk membentuk konstruk laten eksogen diberi symbol X sedangkan varibel manifest untuk membentuk konstruk laten endogen diberi simbol Y.
3. Model Struktural
 Model struktural meliputi hubungan antar variabel laten dan hubungan ini dianggap linear. Parameter yang menggambarkan hubungan regresi antar variabel laten umumnya ditulis dengan lambang  untuk regresi variabel laten eksogen ke variabel endogen dan ditulis dengan lambang  untuk regresi satu variabel laten endogen ke variabel endogen yang lainnya. Variabel laten eksogen dapat pula dikorelasikan satu sama lain dan parameter yang menghubungkan korelasi ini ditulis dengan lambang  . (Ghozali, 2005:11)

Pengertian dan Konsep Dasar SEM (skripsi dan tesis)

Teknik analisis data menggunakan 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. SEM adalah salah satu metode penelitian multivariate yang paling sering digunakan untuk penelitian di bidang ilmu sosial, psikologi, menejemen, ekonomi, sosiologi, ilmu politik, ilmu pemasaran, dan pendidikan. Alasan yang mendasari digunakannya SEM dalam penelitian – penelitian tersebut adalah karena SEM dapat menjelaskan hubungan antar beberapa variabel yang ada dalam penelitian. Persamaan dalam SEM menggambarkan semua hubungan antar konstruk (variabel dependen dan independen) yang terlibat dalam suatu analisis. Konstruk adalah faktor yang tidak dapat langsung diukur atau faktor laten yang direpresentasikan dengan beberapa variabel.
SEM merupakan gabungan dari 2 teknik multivariat yaitu analisis faktor dan model persamaan simultan. Perbedaan yang paling jelas nyata di antara SEM dan teknik multivariat lain adalah penggunaan dari hubungan terpisah untuk masing-masing perangkat variabel dependen. Dalam kondisi sederhana, SEM menaksir satu rangkaian terpisah yang saling bergantung. Perbedaan yang lain adalah teknik statistika yang lain biasanya hanya memperhitungkan variabel – variabel yang dapat diukur secara langsung saja (manifest variable), padahal dalam ilmu sosial sering kali muncul variabel yang tidak dapat langsung diukur (latent variable). Pengukuran variabel laten tersebut perlu direpresentasikan dengan beberapa indikator. Munculnya variabel laten dikarenakan penelitian pada bidang-bidang sosial tidak memiliki alat ukur khusus. Oleh karena alasan tersebut, SEM ditawarkan sebagai teknik statistika yang memperhitungkan variabel manifest dan variabel laten. Dewasa ini, penggunaan SEM dalam penelitian sosial semakin banyak. Ada tiga alasan mengapa SEM banyak digunakan dalam penelitian yaitu (Kline, 1998) : 1. Penelitian umumnya menggunakan pengukuran-pengukuran untuk menjabarkan variabel laten. 2. Para peneliti sosial sangat tertarik terhadap prediksi. Dalam melakukan prediksi tidak hanya melibatkan model dua variabel, tapi dapat melibatkan model yang lebih “rumit” berupa struktur hubungan antara beberapa variabel penelitian. 3. SEM dapat melayani sekaligus suatu analisis kualitas pengukuran dan prediksi. Khususnya dalam model-model variabel laten

Data Kualitatif dan Kuantitatif (skripsi dan tesis)

Data kualitatif adalah data yang sifatnya hanya menggolongkan saja. Data yang termasuk data kualitatif adalah data dengan skala nominal dan ordinal. Sebagai contoh data kulitatif adalah jenis kelamin seseorang. Sedangkan data kuantitatif adalah data yang bersifat angka. Data yang termasuk data kuantitatif adalah data dengan skala interval dan rasio. Contoh data kuantitatif adalah keuntungan suatu perusahaan.

Skala Pengukuran (skripsi dan tesis)

  Skala Nominal Skala pengukuran nominal merupakan skala pengukuran yang paling sederhana. Skala ini digunakan untuk mengklasifikasikan objek-objek ke dalam kelompok yang terpisah untuk menunjukkan kesamaan atau perbedaan ciri-ciri tertentu dari objek yang diamati. Dengan skala pengukuran nominal, hasil pengukuran yang diperoleh bisa dibedakan tetapi tidak bisa diurutkan mana yang lebih tinggi, atau mana yang lebih utama. Contoh data dengan skala nominal adalah data jenis kelamin.
 Skala Ordinal Ukuran yang ada pada skala ordinal tidak memberikan nilai absolut pada objek, tetapi hanya memberikan urutan (ranking) relatif saja. Jarak antara golongan satu dengan golongan dua tidak perlu harus sama dengan jarak antara golongan dua dan tiga, begitu juga seterusnya. Contoh data dengan skala ordinal adalah jenjang karir, jabatan, dan kelas sosial.
 Skala Interval Skala interval adalah suatu pemberian angka kepada kelompok dari objek-objek yang mempunyai sifat skala nominal dan ordinal ditambah dengan satu sifat lain yaitu jarak yang sama dari suatu peringkat dengan peringkat di atasnya atau di bawahnya. Suatu ciri penting dari skala interval adalah datanya bisa ditambah, dikurangi, digandakan, dan dibagi tanpa mempengaruhi jarak relatif di antara skor-skornya. Karakteristik penting lainnya adalah skala ini tidak memiliki nilai nol mutlak. Contoh data dengan skala interval adalah data nilai, orang yang memiliki nilai 80 bukan berarti dua kali lebih cerdas dibandingkan orang yang memiliki nilai 40.
 Skala Rasio Skala rasio adalah skala pengukuran yang mempunyai semua sifat skala interval ditambah satu sifat lain yaitu memberikan keterangan tentang nilai absolut dari objek yang diukur. Skala rasio menggunakan titik baku mutlak. Angka pada skala rasio menunjukkan nilai yang sebenarnya dari objek yang diukur. Contoh data dengan skala rasio adalah data umur, tinggi badan, ukuran berat, dll (Sugiarto,dkk, 2001:18)

Metode Pengumpulan Data dengan Angket (skripsi dan tesis)

Pengumpulan data dengan angket adalah salah satu metode pengumpulan data primer. Data primer merupakan data yang didapat dari sumber pertama baik individu maupun perseorangan. Dalam metode pengumpulan data primer, peneliti melakukan observasi sendiri baik di lapangan maupun di laboratorium.
Perolehan data dengan angket memiliki keuntungan lain bila dibandingkan dengan metode wawancara karena selain dapat dikirimkan melalui pos, secara kuantitatif peneliti dapat memperoleh data yang cukup banyak yang tersebar merata dalam wilayah yang akan diselidiki (Sugiarto,dkk, 2001:18).
1. Pembuatan kuesioner
Di dalam membuat suatu kuesioner, perlu diketahui bahwa kuesioner tidak
hanya untuk menampung data sesuai kebutuhan, tetapi kuesioner juga merupakan kertas
kerja yang harus dipergunakan dengan baik.
Ada 4 komponen inti dari kuesioner yang baik (Umar, 2002:172):
 Adanya subjek yang melaksanakan riset
 Adanya ajakan, yaitu permohonan dari periset kepada responden untuk turut serta mengisi secara aktif dan obejektif setiap pertanyaan dan pernyataan yang disediakan.
 Adanya petunjuk pengisian kuasioner, dan petunjuk yang tersedia harus mudah dimengerti dan tidak bias.
 Adanya pertanyaan maupun pernyataan beserta beserta tempat mengisi jawaban, baik secara tertutup, semi tertutup , ataupun terbuka. Dalam membuat pertanyaan ini harus dicantumkan isian untuk identitas responden.

Nonprobability Sampling (Metode Tak Acak) (skripsi dan tesis)

 Dalam melakukan penelitian dengan metode tak acak, peneliti tidak perlu membuat kerangka sampel dalam pengambilan sampelnya. Hal ini menjadi salah satu keuntungan terkait dengan pengurangan biaya dan permasalah yang timbul karena pembuatan kerangka sampel. Hal lain yang menjadi keburukan pengambilan sampel dengan metode tak acak adalah ketepatan dari informasi yang diperoleh akan terpengaruh, karena hasil penarikan sampel dengan metode tak acak ini mengandung bias dan ketidaktentuan. Metode tak acak ini sering digunakan peneliti dengan petimbangan yang terkait dengan penghematan biaya, waktu, tenaga, serta keterandalan subjektivitas peneliti. Di samping itu pertimbangan lainnya adalah walaupun metode acak mungkin saja lebih unggul dalam teori, tetapi dalam pelaksanaannya sering kali dijumpai adanya beberapa kesalahan oleh peneliti. Dalam penggunaan metode tak acak, pengetahuan, kepercayaan, dan pengalaman seseorang sering dijadikan pertimbangan untuk menentukan anggota populasi yang akan dipilih sebagai sampel. Dengan menggunakan metode tak acak, peneliti tidak dapat mengemukakan berbagai macam kemungkinan untuk memilih objek-objek yang akan dijadikan sampel. Kondisi ini tentu saja akan menciptakan terjadinya bias dalam memilih sampel yang sebetulnya kurang representatif. Di samping itu, dengan penarikan sampel secara tidak acak, peneliti tidak dapat membuat pernyataan peluang tentang populasi yang mendasarinya, yang dapat dilakukan hanyalah membuat pernyataan deskriptif tentang populasi. (Sugiarto,dkk, 2001:37).
 Salah satu prosedur metode tak acak yang sering digunakan oleh peneliti adalah judgment sampling. Dengan teknik ini, sampel diambil berdasarkan pada kriteria-kriteria yang telah dirumuskan terlebih dahulu oleh peneliti. Sampel yang diambil dari anggota populasi dipilih sekehendak hati oleh peneliti menurut pertimbangan dan intuisinya. Pada judgment sampling dikenal adanya expert sampling dan purposive sampling. Pada expert sampling, pemilihan sampel yang representatif didasarkan atas pendapat ahli, sehingga siapa, dalam jumlah berapa sampel harus dipilih sangat tergantung pada pendapat ahli yang bersangkutan. Dalam puposive sampling, pemilihan sampel bertitik tolak pada penilaian pribadi peneliti yang menyatakan bahwa sampel yang dipilih benar-benar representatif. Untuk itu peneliti harus menguasai bidang yang akan ditelitinya tersebut. Situasi dimana judgment sampling dianjurkan untuk digunakan adalah:  Metode acak tidak dapat digunakan sama sekali  Peneliti menguasai bidang yang diteliti sehingga dapat memastikan bahawa sampel yang diambil benar-benar representatif. Kendala yang dihadapi dalam penggunaan judgment sampling adalah tuntutan adanya kejelian dari peneliti dalam mendefinisikan populasi dan membuat pertimbangannya. Pertimbangan harus masuk akal dengan maksud penelitian. (Sugiarto,dkk, 2001:41).

Probability Sampling (Metode Acak) (skripsi dan tesis)

Pemilihan sampel dengan metode acak, tidak dilakukan secara subjektif. Dalam hal ini berarti sampel yang terpilih tidak didasarkan semata-mata pada keinginan peneliti. Setiap anggota polpulasi memiliki kesempatan yang sama untuk terpilih sebagai sampel. Dengan metode acak ini, diharapkan sampel yang dipilih dapat digunakan untuk menduga karakteristik populasi secara objektif. Di samping itu, teori-teori peluang yang dipakai dalam metode acak memungkinkan peneliti untuk mengetahui bias yang muncul dan sejauh mana bias yang muncul tersebut menyimpang dari perkiraan. Hasil perhitungan yang diperoleh dapat digunakan untuk menyimpulkan variasi-variasi yang mungkin ditimbulkan oleh tiap-tiap teknik sampling. (Sugiarto,dkk, 2001:36).

Sejarah SEM dan Pengertian (skripsi dan tesis)

Sewal Wright mengembangkan konsep ini pada tahun 1934, pada awalnyateknik ini dikenal dengan analisa jalur dan kemudian dipersempit dalam bentukanalisisStructural Equation Modeling(Yamin, 2009).SEM (Structural Equation Modeling) adalah suatu teknik statistik yang mampumenganalisis pola hubungan antara konstruk laten dan indikatornya, konstruk latenyang satu dengan lainnya, serta kesalahan pengukuran secara langsung. SEMmemungkinkan dilakukannya analisis di antara beberapa variabel dependen danindependen secara langsung (Hair et al, 2006).Teknik analisis data menggunakanStructural Equation Modeling(SEM), dilakukanuntuk menjelaskan secara menyeluruh hubungan antar variabel yang ada dalampenelitian. SEM digunakan bukan untuk merancang suatu teori, tetapi lebih ditujukanuntuk memeriksa dan membenarkan suatu model. Oleh karena itu, syarat utamamenggunakan SEM adalah membangun suatu model hipotesis yang terdiri dari modelstruktural dan model pengukuran dalam bentuk diagram jalur yang berdasarkanjustifikasi teori. SEM adalah merupakan sekumpulan teknik-teknik statistik yangmemungkinkan pengujian sebuah rangkaian hubungan secara simultan. Hubungan itudibangun antara satu atau beberapa variabel independen (Santoso, 2011).
Image of page 1
SEM menjadi suatu teknik analisis yang lebih kuat karena mempertimbangkanpemodelan interaksi, nonlinearitas, variabel-variabel bebas yang berkorelasi(correlated independent), kesalahan pengukuran, gangguan kesalahan-kesalahan yangberkorelasi (correlated error terms), beberapa variabel bebas laten (multiple latentindependent) dimana masing-masing diukur dengan menggunakan banyak indikator,dan satu atau dua variabel tergantung laten yang juga masing-masing diukur denganbeberapa indikator. Dengan demikian menurut definisi ini SEM dapat digunakanalternatif lain yang lebih kuat dibandingkan dengan menggunakan regresi berganda,analisis jalur, analisis faktor, analisistime series, dan analisis kovarian (Byrne, 2010).Yamin (2009) mengemukakan bahwa di dalam SEM peneliti dapat melakukan tigakegiatan sekaligus, yaitu pemeriksaan validitas dan reliabilitas instrumen (setaradengan analisis faktor konfirmatori), pengujian model hubungan antar variabel laten(setara dengan analisispath), dan mendapatkan model yang bermanfaat untukprediksi (setara dengan model struktural atau analisis regresi).Dua alasan yang mendasari digunakannya SEM adalah (1) SEM mempunyaikemampuan untuk mengestimasi hubungan antar variabel yang bersifatmultiplerelationship.Hubungan ini dibentuk dalam model struktural (hubungan antarakonstruk dependen dan independen). (2) SEM mempunyai kemampuan untukmenggambarkan pola hubungan antara konstruk laten dan variabel manifes atauvariabel indikator.
Image of page 2

Bootstrap (skripsi dan tesis)

Bootstrap adalah salah satu prosedur dalam statistika untuk melihat tingkat ketidakpastian dari hasil estimasi. Bootstrap meliputi langkah-langkah memilih sampel secara random dari suatu set data dengan pengembalian dan melakukan analisis setiap sampel dengan cara yang sama. Setiap sampel yang diambil dikembalikan sebelum mengambil sampel berikutnya. Dengan demikian, satu titik data sangat mungkin untuk terambil lebih dari sekali dalam satu sampel bootstrap. Jumlah elemen dalam setiap sampel sama dengan jumlah elemen dari set data aslinya. Tujuan dari bootstrap yaitu memperbaiki ukuran sampel untuk mengevaluasi kebenaran dalam situasi yang tidak standar.

Bootstrap merupakan sebuah pendekatan untuk membuktikan kebenaran model multivariat dengan menggambarkan sejumlah besar subsampel dan menduga model untuk setiap subsampel. Pendugaan dari semua subsampel kemudian digabungkan, tidak hanya menyediakan pendugaan koefisien terbaik. Pendekatan
ini tidak bergantung pada asumsi statistik tentang populasi untuk menilai signifikansi statistik, melainkan membuat penilaiannya hanya berdasarkan data sampel (Hair et.al., 2007).

Salah satu bentuk aplikasi metode resampling bootstrap adalah mengestimasi selang kepercayaan dari parameter sampel. Pada kasus selang kepercayaan dan pengujian hipotesis pengambilan sampel bootstrap paling sedikit sebanyak 1000 replikasi bootstrap (Chernick, 2007).

Pendugaan bootstrap dapat diperoleh dengan cepat tanpa iterasi untuk beberapa model persamaan struktural yang berguna pada tahap awal penelitian. Metode bootstrap dapat menghasilkan nilai standar eror. Nilai standar eror digunakan untuk menentukan sebuah parameter yang diuji signifikan atau tidak. Sayangnya, metode bootstrap memerlukan data yang lengkap.

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.

Variabel teramati adalah variabel yang dapat diamati atau dapat diukur secara empiris dan disebut sebagai indikator. Variabel teramati merupakan efek atau ukuran dari variabel laten. Variabel teramati yang berkaitan dengan variabel eksogen diberi notasi matematik dengan label X, sedangkan yang berkaitan dengan dengan variabel laten endogen diberi label Y. Disimbolkan dengan bujur sangkar atau kotak, variabel ini merupakan indikator. Pemberian nama variabel teramati pada diagram lintasan bisa mengikuti notasi matematiknya atau nama/kode dari pertanyaan-pertanyaan pada kuisioner.

Structural Equation Modeling (SEM) (skripsi dan tesis)

Pemodelan persamaan struktural (Structural Equation Modeling, SEM) adalah salah satu teknik peubah ganda yang dapat menganalisis secara simultan beberapa peubah laten endogenous dan eksogenous (Bollen, 1989). SEM dilakukan untuk menganalisis serangkaian hubungan secara simultan sehingga memberikan efisiensi secara statistik. Pendugaan atas persamaan regresi yang berbeda tetapi terkait satu sama lain secara bersama-sama dilakukan dengan model struktural dalam SEM (Hair et.al., 2007). Dari segi metodologi, SEM memiliki beberapa peranan, di antaranya, sebagai sistem persamaan simultan, analisis kausal linear, analisis lintasan (path analysis), analisis struktur kovarians, dan model persamaan struktural (Wijanto, 2008).

Komponen-komponen yang terdapat dalam SEM yang menjadi karakteristik dalam model tersebut yaitu: 1) Variabel yaitu variabel laten dan variabel teramati. 2) Model yaitu model struktural dan model pengukuran. 3) Galat yaitu galat struktural dan galat pengukura

Interpretasi dan modifikasi model Dalam SEM (skripsi dan tesis)

Tahap terakhir ini adalah menginterpretasikan model dan memodifikasi model
bagi model-model yang tidak memenuhi syarat pengujian yang dilakukan. Tujuan modifikasi adalah untuk melihat apakah modifikasi yang dilakukan dapat menurunkan nilai chi-square; seperti diketahui, semakin kecilnya angka chi-square menunjukkan semakin fit model tersebut dengan data yang ada.
Proses SEM tentu tidak bisa dilakukan secara manual selain karena
keterbatasan kemampuan manusia, juga karena kompleksitas model dan alat statistik yang digunakan. Walaupun banya ahli yang sudah menyadari perlunya membuat model yang dapat menjelaskan banyak fenomena sosial dalam hubungan banyak variabel, namun mereka belum dapat menangani kompleksitas perhitungan matematisnya. Saat ini banyak software yang khusus digunakan untuk analisis model SEM, seperti LISREL, AMOS, EQS dan Mplus. Pada penelitian ini, peneliti menggunakan AMOS 18.0 sebagai alat analisisnya.
Sebagai sebuah model persamaan struktur, AMOS telah sering digunakan
dalam pemasaran dan penelitian manajemen strategik. Model kausal AMOS
menunjukkan pengukuran dan masalah yang struktural dan digunakan untuk
menganalisis dan menguji model hipotesis. AMOS sangat tepat untuk analisis seperti ini, karena kemampuannya untuk : (1) memperkirakan koefisien yang tidak diketahui dari persamaan linier struktural, (2) mengakomodasi model yang meliputi latent variabel, (3) mengakomodasi kesalahan pengukuran pada variabel dependen dan independen, (4) mengakomodasi peringatan yang timbal balik, simultan dan saling ketergantungan

 

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

 Asumsi (skripsi dan tesis)

Untuk menggunakan SEM diperlukan asumsi-asumsi yang mendasari
penggunaannya. Asumsi tersebut diantaranya adalah:
1. Normalitas Data
Uji normalitas yang dilakukan pada SEM mempunyai dua tahapan. Pertama menguji normalitas untuk setiap variabel, sedangkan tahap kedua adalah pengujian normalitas semua variabel secara bersama-sama yang disebut dengan multivariate normality. Hal ini disebabkan jika setiap variabel normal secara individu, tidak berarti jika diuji secara bersama (multivariat) juga pasti berdistribusi normal.
2. Jumlah Sampel
Pada umumnya dikatakan penggunaan SEM membutuhkan jumlah sampel yang besar. Menurut pendapat Ferdinand (2002) dalam Wuensch (2006) bahwa ukuran sampel untuk pengujian model dengan menggunakan SEM adalah antara 100-200 sampel atau tergantung pada jumlah parameter yang digunakan dalam seluruh variabel laten, yaitu jumlah parameter dikalikan 5 sampai 10. Satu survei terhadap 72 penelitian yang menggunakan SEM didapatkan median ukuran sampel sebanyak 198. Untuk itu jumlah sampel sebanyak 200 data pada umumnya dapat diterima sebagai sampel yang representatif pada analisis SEM.
3. Multicolinnearity dan Singularity
Suatu model dapat secara teoritis diidentififikasi tetapi tidak dapat diselesaikan karena masalah-masalah empiris, misalnya adanya multikolinearitas tinggi dalam setiap model.
4. Data interval
Sebaiknya data interval digunakan dalam SEM. Sekalipun demikian, tidak seperti pada analisis jalur, kesalahan model-model SEM yang eksplisit muncul karena penggunaan data ordinal. Variabel-variabel eksogenous berupa variabel-variabel dikotomi 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.

 

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).

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

Data Panel (skripsi dan tesis)

Data panel merupakan sebuah set data yang berisi data sampel individu pada
sebuah periode waktu tertentu (Ekananda, 2014). Selanutnya akan didapatkan berbagai observasi pada individu di dalam sampel. Dengan kata lain, data panel merupakan gabungan antara data lintas waktu (time series) dan data lintas individu (crosssectional).
Menurut Hsiao (2003), secara umum model regresi data panel adalah sebagai
berikut:
𝑌𝑖𝑡 = 𝑋𝑖𝑡𝛽 + 𝜇𝑖 + 𝑢𝑖𝑡
(6)
Dimana:
𝑖 : indeks unit; 𝑖 = 1,2,3, … ,N
𝑡 : indeks periode waktu; 𝑡 = 1,2,3, … ,T
𝑌𝑖𝑡 : observasi variabel dependen pada unit 𝑖 dan waktu 𝑡
𝑋𝑖𝑡 : variabel independen berupa vektor baris berukuran 1 x k, dengan k adalah
banyaknya variabel independen
𝛽 : vektor parameter berukuran k x 1
𝑢𝑖𝑡 : error unit individu ke- 𝑖 dan unit waktu ke- �

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.