Anda di halaman 1dari 60

Structural Equation Modeling

Teknik-teknik analisis data telah digunakan secara meluas oleh para peneliti untuk menguji hubungan kausalitas/pengaruh antar variabel. Beberapa teknik analisis tersebut diantaranya adalah analisis regresi (regression analysis), analisis jalur (path analysis), dan analisis faktor konfirmatori (confirmatory factor analysis). Dalam perkembangan selanjutnya, structural equation modeling (SEM) mulai digunakan oleh para peneliti untuk mengatasi keterbatasan yang dimiliki oleh teknik-teknik analisis diatas. Sebagai teknik statistik multivariat, penggunaan SEM memungkinkan peneliti melakukan pengujian terhadap bentuk hubungan tunggal (regresi sederhana), regresi ganda, hubungan rekursif maupun hubungan resiprokal, atau bahkan terhadap variabel laten maupun variabel yang diobservasi/ diukur langsung. Makalah ini akan memperkenalkan konsep SEM dengan tujuan dapat diaplikasikan dalam penelitian di bidang persandian, terutama yang berkaitan dengan penelitian statistik. Aplikasi SEM yang akan diperkenalan adalah perangkat lunak ang dikembangkan oleh SPSS dan LISREL v.8.8 student yang merupakan piranti lunak SEM tertua. AMOS dan LISREL merupakan diantara tiga perangkat lunak SEM yang paling populer yaitu AMOS, SQL dan LISREL. Melalui penguasaan metode SEM, pada akhirnya diharapkan dapat meningkatkan pengembangan penelitian yang menggunakan penelitian statistik sebagai data dukungnya.

1. Pendahuluan
Structural Equation Modeling (SEM) merupakan teknik analisis multivariat yang dikembangkan guna menutupi keterbatasan yang dimiliki oleh model-model analisis sebelumnya yang telah digunakan secara luas dalam penelitian statistik. Model-model yang dimaksud diantaranya adalah regression analysis (analisis regresi), path analysis (analisis jalur), dan confirmatory factor analysis (analisis faktor konfirmatori) (Hox dan Bechger, 1998). Analisis regresi menganalisis pengaruh satu atau beberapa variabel bebas terhadap variabel terikat. Analisis pengaruh tidak dapat diselesaikan menggunakan analisis regresi ketika melibatkan beberapa variabel bebas, variabel antara, dan variabel

terikat. Penyelesaian kasus yang melibatkan ketiga variabel tersebut dapat digunakan analisis jalur. Analisis jalur yang dapat digunakan untuk mengetahui pengaruh langsung, pengaruh tidak langsung, dan pengaruh total suatu variabel bebas terhadap variabel terikat. Analisis lebih bertambah kompleks lagi ketika melibatkan latent variable (variabel laten) yang dibentuk oleh satu atau beberapa indikator observed variables (variabel terukur/teramati). Analisis variabel laten dapat dilakukan dengan menggunakan analisis faktor, dalam hal ini analisis faktor konfirmatori ( confirmatory factor analysis). Analisis pengaruh semakin bertambah kompleks lagi ketika melibatkan beberapa variabel laten dan variabel terukur langsung. Pada kasus demikian, teknik analisis yang lebih tepat digunakan adalah pemodelan persamaan struktural (Structural Equation Modeling). SEM merupakan teknik analisis multivariat generasi kedua, yang menggabungkan model pengukuran (analisis faktor konfirmatori) dengan model struktural (analisis regresi, analisis jalur). Yamin dan Kurniawan (2009) menjelaskan alasan yang mendasari digunakannya SEM adalah : 1. SEM mempunyai kemampuan untuk mengestimasi hubungan antara variabel yang bersifat multiple relationship. Hubungan ini dibentuk dalam model struktural (hubungan antara konstrak laten eksogen dan endogen). 2. SEM mempunyai kemampuan untuk menggambarkan pola hubungan antara konstrak laten (unobserved) dan variabel manifest (manifest variabel atau variabel indikator). 3. SEM mempunyai kemampuan mengukur besarnya pengaruh langsung, pengaruh tidak langsung, dan pengaruh total antara konstrak laten (efek dekomposisi). Memang telah banyak alat analisis untuk penelitian multidimensi, bahkan selama ini telah dikenal luas. Namun semuanya itu belum mampu melakukan analisis kausalitas berjenjang dan simultan. Kelemahan utama dari alat analisis multivariat dimaksud, terletak pada keterbatasannya yang hanya dapat menganalisis satu hubungan pada satu waktu. SEM merupakan sebuah jawaban. SEM kini telah dikenal luas dalam penelitian-penelitian bisnis

dengan berbagai nama : causal modeling, causal analysis, simultaneous equation modeling, analisis struktur kovarians, path analysis, atau confirmatory factor analysis. Sebagai teknik statistik multivariat, penggunaan SEM memungkinkan kita melakukan pengujian terhadap bentuk hubungan tunggal (regresi sederhana), regresi ganda, hubungan rekursif maupun hubungan resiprokal, atau bahkan terhadap variabel laten (yang dibangun dari beberapa variabel indikator) maupun variabel yang diobservasi/ diukur langsung. SEM kini telah banyak diaplikasikan di berbagai bidang ilmu sosial, psikologi, ekonomi, pertanian, pendidikan, kesehatan, dan lain-lain. Makalah ini akan memperkenalkan konsep SEM untuk diaplikasikan dalam penelitian statistik yang mendukung penelitian di bidang persandian.

2. Konsep Dasar Structural Equation Modeling (SEM)


2.1 Pengertian The Structural Equation Modeling (SEM) is a family of statistical models that seek to explain the relationships among multiple variables [ Arbuckle, 1997). Jadi dengan menggunakan SEM, peneliti dapat mempelajari hubungan struktural yang diekspresikan oleh seperangkat persamaan, yang serupa dengan seperangkat persamaan regresi berganda. Persamaan ini akan menggambarkan hubungan diantara konstruk (terdiri dari variabel dependen dan independen) yang terlibat dalam sebuah analisis. Hingga saat ini, teknik multivariabel diklasifikasikan sebagai teknik interdependensi atau dependensi. SEM dapat dikategorikan sebagai kombinasi yang unik dari kedua hal tersebut karena dasar dari SEM berada pada dua teknik multivariabel yang utama, yaitu analisis faktor dan analisis regresi berganda. Beberapa istilah umum yang berkaitan dengan SEM menurut Hair et al.(1995) diuraikan sebagai berikut : 1. Konstrak Laten. Pengertian konstrak adalah konsep yang membuat peneliti mendefinisikan ketentuan konseptual namun tidak secara langsung (bersifat laten), tetapi diukur dengan perkiraan berdasarkan indikator. Konstrak merupakan suatu

proses atau kejadian dari suatu amatan yang diformulasikan dalam bentuk konseptual dan memerlukan indikator untuk memperjelasnya. 2. Variabel Manifest. Pengertian variabel manifest adalah nilai observasi pada bagian spesifik yang ipertanyakan, baik dari responden yang menjawab pertanyaan (misalnya, kuesioner) maupun observasi yang dilakukan oleh peneliti. Sebagai tambahan, Konstrak laten tidak dapat diukur secara langsung (bersifat laten) dan membutuhkan indikator-indikator untuk mengukurnya. Indikator-indikator tersebut dinamakan variabel manifest. Dalam format kuesioner, variabel manifest tersebut merupakan item-item pertanyaan dari setiap variabel yang dihipotesiskan. 3. Variabel Eksogen, Variabel Endogen, dan Variabel Error. Variabel eksogen adalah variabel penyebab, variabel yang tidak dipengaruhi oleh variabel lainnya. Variabel eksogen memberikan efek kepada variabel lainnya. Dalam diagram jalur, variabel eksogen ini secara eksplisit ditandai sebagai variabel yang tidak ada panah tunggal yang menuju kearahnya. Variabel endogen adalah variabel yang dijelaskan oleh variabel eksogen. Variabel endogen adalah efek dari variabel eksogen. Dalam diagram jalur, variabel endogen ini secara eksplisit ditandai oleh kepala panah yang menuju kearahnya. 4. Indikator merupakan variabel-variabel yang diobservasi (observed variable), kadang disebut sebagai variabel manifest (manifest variables) atau variabel referensi (reference variables). Sebaiknya peneliti menggunakan empat variabel atau lebih. Tiga variabel juga sudah cukup dapat diterima. Jika hanya digunakan dua variabel, maka analisis akan bermasalah. Berkaitan dengan itu, jika hanya digunakan satu pengukuran, maka kesalahan (error) tidak dapat dibuat model. Model model yang menggunakan hanya dua indikator per variabel laten akan sulit diidentifikasi (underidentified) dan estimasi-estimasi kesalahan akan tidak reliabel. 5. Model pengukuran. Model pengukuran adalah bagian dari suatu model SEM yang berhubungan dengan variabel-variabel laten dan indikator-indikatornya. Model pengukuran murni disebut model analisis faktor konfirmatori atau confirmatory factor analysis (CFA) dimana terdapat kovarian yang tidak terukur antara masing-masing pasangan variabel-variabel yang memungkinkan. Terdapat anak panah lurus dari

variabel-variabel laten kearah indikator-indikator masing-masing. Terdapat anak panahanak panah lurus dari faktor kesalahan dan gangguan ( error and disturbance terms) kearah variabel-variabel masing-masing. Sekalipun demikian tidak ada pengaruh langsung atau anak panah lurus yang menghubungkan dengan variabel-variabel laten. Model pengukuran dievaluasi sebagaimana model SEM lainnya dengan menggunakan pengukuran uji keselarasan. Proses analisis hanya dapat dilanjutkan jika model pengukuran valid. 6. Model struktural. Model struktural dapat dikontraskan dengan model pengukuran. Model ini adalah seperangkat variabel exogenous dan endogenous dalam suatu model, bersamaan dengan efek langsung atau arah anak panah langsung yang menghungkannya, dan faktor gangguan untuk semua variabel tersebut. 7. Analisis faktor konfirmatori (Confirmatory factor analysis (CFA)) boleh digunakan untuk menegaskan bahwa semua indikator mengelompokan sendiri kedalam faktorfaktor yang berkaitan dengan bagaimana peneliti telah menghubungkan indikatorindikator dengan variabel-variabel laten. CFA mempunyai peranan penting dalam SEM. Model-model CFA dalam SEM digunakan untuk menilai peranan kesalahan pengukuran dalam model, untuk validasi model multifaktorial, dan untuk menentukan efek-efek kelompok pada faktor-faktor. 8. Spesifikasi model merupakan proses dimana peneliti meyakinkan bahwa efek-efeknya tidak ada (null), yang sesuai dengan nilai konstan biasanya sebesar 1.0, dan kadang juga bervariasi. Efek-efek variabel berhubungan dengan anak panahanak panah dalam model tersebut; sedang tidak adanya efek berhubungan dengan ketidak adanya anak panah. Efek-efek yang sudah pasti biasanya merefleksikan menetapkan suatu metrik untuk satu variabel laten. 9. Kesalahan dan faktor gangguan (error and disturbance terms). Kesalahan atau error term menunjuk pada faktor kesalahan pengukuran yang dikaitkan dengan indikator yang diberikan. Dimana model-model regresi secara implisit diasumsikan mempunyai kesalahan pengukuran sebesar 0. Faktor-faktor kesalahan secara eksplisit dibuat modelnya dalam SEM dan sebagai hasil dari koefesien-koefesien jalur yang dibuat efek-efek yang parameternya sudah ada dalam teori atau yang biasanya ditentukan sebesar 1.0 untuk

model dalam SEM. Perlu diingat bahwa faktor-faktor kesalahan pengukuran tidak boleh disamakan dengan faktor-faktor kesalahan residual (residual error terms), yang juga disebut sebagai faktor-faktor gangguan (disturbance terms), yang merefleksikan varian yang tidak dapat diterangkan dalam variabel variabel laten endogenous variable disebabkan oleh beberapa penyebab yang tidak diukur. 10. Faktor-faktor kesalahan yang berkorelasi (correlated error terms) mengacu pada situasi dimana pengetahuan tentang residu satu indikator akan membantu dalam mengetahui residu yang dihubungkan dengan indikator yang lain. Faktor-faktor kesalahan yang tidak berkorelasi (uncorrelated error terms) merupakan suatu asumsi regresi, dimana faktor-faktor kesalahan korelasi dapat atau sebaiknya harus secara eksplisit dibuat model dalam SEM. Maksudnya, dalam regresi peneliti membuat model variabel-variabel, sedang dalam SEM peneliti harus membuat model kesalahan serta variabel variabel yang bersangkutan. 11. Koefesien Struktural atau Jalur merupakan besarnya efek yang dihitung dengan menggunakan program estimasi model. a. Tipe-tipe estimasi koefisien-koefesien dalam SEM. Koefesien-koefesien structural dalam SEM dapat dihitung dengan berbagai cara. Biasanya, peneliti akan mendapatkan estimasi yang mirip dengan setiap metode yang digunakan. Metode tersebut diantaranya ialah: 1. Estimasi kesamaan maksimum (Maximum likelihood estimation (MLE)) yang merupakan metode yang paling umum. MLE membuat estimasi didasarkan pada tindakan memaksimalkan probabilitas (likelihood) bahwa kovariankovarian yang diobservasi ditarik dari suatu populasi yang diasumsikan sama seperti yang direfleksikan dalam estimasi-estimasi koefisien. Artinya, MLE mengambil estimasi-estimasi yang mempunyai kesempatan terbesar untuk mereproduksi data yang diobservasi. 2. Metode estimasi lainnya memang ada dan mungkin dapat cocok dalam situasi-situasi tertentu, diantaranya, yaitu GLS (generalized least squares) yang merupakan metode kedua yang paling populer setelah MLE. GLS dapat bekerja dengan baik untuk sampel besar, misalnya diatas 2500 (n > 2500).

b.

Koefesien-koefesien Struktural atau Jalur yang sudah distandarisasi (Standardized structural (path) coefficients). Estimasi koefesien struktutral yang distandarisasi didasarkan pada data yang sudah distandarisasi yang mencakup matriks-matriks korelasi. Estimasi yang sudah distandarisasi digunakan untuk pada saat membandingkan efek-efek langsung terhadap satu variabel endogenous yang diberikan dalam suatu studi kelompok tunggal, yaitu sebagaimana dalam regresi OLS. Pembobotan yang sudah distandarisasi (the standardized weights) digunakan untuk membandingkan tingkat kepentingan relatif dari variabel-variabel bebas. Penafsirannya sama dengan regresi, yaitu jika suatu koefesien struktural yang sudah distandarisasi adalah sebesar 2.0, maka variabel laten tergantung akan meningkat menjadi sebesar 2.0 unitunit standard untuk masing-masing unit meningkat dalam variabel laten bebas .

c.

Rasio Kritis dan signifikansi koefesien-koefesien Jalur (The Critical Ratio (CR) and significance of path coefficients). Pada saat besarnya rasio krisis (CR) > 1.96 untuk pembobotan regresi (regression weight), dan jalur signifikan pada level 0,05.

d.

Rasio krisis dan signifikansi kovarian-kovarian faktor (The Critical Ratio and the significance of factor covariances). Signifikansi kovarian-kovarian yang diestimasi diantara variabel-variabel laten dinilai dengan cara yang sama, yaitu jika mereka mempunyai CR > 1.96, maka merka signifikan.

e.

Koefesien-koefesien Struktural atau Jalur yang tidak distandarisasi (Unstandardized structural (path) coefficients). Estimasi-estimasi yang tidak distandarisasi didasarkan pada data mentah atau matriks-matriks kovarian. Pada saat sedang membandingkan kelompok-kelompok, maka indikator-indikator dapat mempunyai varian-varian yang berbeda, seperti juga pada variabel-variabel laten, faktor-faktor kesalahan pengukuran (measurement error terms), dan faktor-faktor gangguan (disturbance terms). Jika kelompok-kelompok mempunyai varian-varian yang berbeda, maka perbandingan yang tidak distandarisasi akan lebih disukai. Untuk estimasi-estimasi yang tidak distandarisasi, koefesien-koefesien yang sama mempunyai makna efek-efek absolut yang sama terhadap y. Sedang estimasi-

estimasi yang distandarisai, koefesien-koefesien yang sama mempunyai makna efek-efek yang sama terhadap y relatif terhadap perbedaan-perbedaan dalam ratarata dan varian. 12. Muatan (Loadings): Variabel-variabel laten dalam SEM sama dengan faktor-faktor dalam analisis faktor, dan variabel-variabel indikator juga mempunyai muatan (loadings) pada variabel-variabel laten masing-masing. Seperti dalam analisis faktor, muatan-muatan tersebut dapat digunakan untuk memahami makna dari faktor-faktor atau variabel-variabel laten. Jumlah muatan yang dikuadratkan untuk semua indikator sama dengan korelasi jamak yang dikuadratkan untuk variabel-variabel laten Y atau X. Muatan juga digunakan untuk menilai reliabilitas variabel-variabel laten sebagaimana diterangkan di bagian berikut ini:
o

Pengujian untuk invariance pengukuran dalam lintas kelompok Testing for measurement invariance across groups (multigroup modeling) . Peneliti sering menginginkan dapat menentukan seandainya model SEM dapat diaplikasikan kedalam lintas kelompok. Prosedur umum adalah melakukan pengujian untuk invariance pengukuran antara model yang tidak dibatasi untuk semua kelompok yang dikombinasikan, kemudian untuk suatu model dimana parameter-parameter tertentu dibatasi menjadi sama diantara kelompok-kelompok tersebut. Jika statistik pembeda chi-square tidak membeberkan adanya perbedaan yang signifikan antara model asli dengan model sama yang, maka peneliti menyimpulkan bahwa model mempunyai invariance pengukuran lintas kelompok, oleh karena it modelnya dapat diaplikasikan dalam lintas kelompok. Pengujian untuk invariance struktural dalam lintas kelompok (Testing for Structural Invariance across Groups). Jika orang mendemonstrasikan invariance model pengukuran pada lintas kelompok sudah biasa, maka memungkinkan juga bagi peneliti untuk melakukan pengujian terhadap invariance struktural dalam lintas kelompok. Pengujian-pengujian seperti ini dilakukan dengan menghubungkan semua anak panah yang saling berhubungan dalam variabel - variabel laten satu dengan lainnya digambar secara benar dengan cara yang sama bagi masing-masing kelompok dalam suatu analisis. Prosedur ini sama dengan pengujian untuk

pengukuran invariance. Pengujian perbedaan chi-square dapat dilakukan. Jika model-model dasar dan yang dibatasi secara signifikan tidak berbeda, maka hal tersebut disimpulkan bahwa model struktural bersifat invariant antara sampel kalibrasi dan validasi, oleh karena itu pada model tersebut sebaiknya dilakukan validasi silang. Sebaliknya, Jika model-model dasar dan yang dibatasi secara signifikan berbeda, peneliti dapat membut kesimpulan bahwa ada efek moderasi pada hubungan sebab akibat dalam model dan efek bervariasi didasarkan kelompok masing-masing.
o

Reliabilitas konstruk (Construct reliability). Didasarkan pada konvensi besarnya setidak-tidaknya 0,70 untuk muatan-muatan faktor factor loadings. Misalnya X merupakan muatan-muatan yang distandarisasi (the standardized loadings) untuk semua indikator dalam variabel laten tertentu dan e i merupakan faktor kesalahan yang berkorepondensi (corresponding error terms), dimana kesalahan sebesar 1 minus reliabilitas indikator, yang merrupakan kudrat dari muatan indikator yang distandarisasi. Varian yang diekstrak (Variance extracted), didasarkan pada konvensi besarnya setidak-tidaknya 0,50. Formulanya merupakan variasi pada reliabiltas konstruk.

13. R kuadrat, Korelasi jamak yang dikuadratkan (R-squared, the squared multiple correlation). Ada satu R kuadrat atau disebut juga sebagai korelasi jamak yang dikuadratkan (squared multiple correlation (SMC)) untuk masing-masing variabel endogenous dalam suatu model tertentu, yaitu varian persen yang diterangkan dalam variabel tersebut. 14. Solusi yang distandarisasi secara lengkap: matriks korelasi Eta dan KSI (Completely standardized solution: correlation matrix of eta and KSI) : Dalam keluaran LISREL, ini merupakan matriks korelasi-korelasi variabel-variabel laten tergantung dan bebas. Eta merupakan koefesien korelasi nonlinear. 15. Pengujian keselarasan (Goodness of fit tests) menentukan jika suatu model sedang diuji harus diterima atau ditolak. Pengujian keselarasan total ini tidak akan menetapkan jalur-jalur khusus tersebut dalam suatu model untuk dapat menjadi signifikan. Jika

suatu model diterima, maka peneliti kemudian akan melakukan interpretasi terhadap koefesien-koefesien jalur dalam model tersebut. Perlu diketahui bahwa koefesien jalur yang signifikan dalam model-model yang tidak selaras akan tidak mempunyai arti.. 2.2 Tahapan dalam SEM Untuk membuat pemodelan yang lengkap dapat dilakukan dengan beberapa langkah yaitu : 1. Pengembangan model berbasis teori Dalam pengembangan model teoritis, harus dilakukan telaah pustaka yang intens guna mendapatkan justifikasi atas model teoritis yang akan dikembangkan. Tanpa dasar teori, SEM tidak dapat digunakan. Setelah itu model divalidasi secara empirik melalui komputasi program SEM. Pengajuan model kausalitas harus dengan menganggap adanya hubungan sebab akibat antara dua atau lebih variabel, bukan didasarkan pada metode analisis yang digunakan, tetapi haruslah berdasarkan justifikasi teoritis yang mapan. SEM bukan untuk menghasilkan kausalitas, tetapi untuk membenarkan adanya kausalitas teoritis melalui uji data empirik. Peneliti mempunyai kebebasan untuk membangun hubungan, sepanjang didukung oleh teori yang memadai. Kesalahan yang sering timbul adalah kurang atau terabaikannya satu atau beberapa variabel prediktif kunci dalam menjelaskan sebuah model, yang dikenal dengan specification error. Meskipun demikian untuk pertimbangkan praktis, jika jumlah variabel, faktor, konsep atau konstruk yang dikembangkan terlalu banyak, akan menyulitkan interpretasi hasil analisis, khususnya tingkat signifikansi statistiknya. 2. Pengembangan diagram lintasan (path diagram) Model teoritis yang telah dibangun kemudian digambar dalam bentuk suatu diagram, yang dikenal dengan diagram path. Penggambaran dalam bentuk diagram ini untuk mempermudah melihat hubungan-hubungan kausal antar variabel eksogen dan endogen yang akan diuji. Selanjutnya bahasa program akan mengkonversi gambar menjadi

persamaan, dan persamaan menjadi estimasi. Pada langkah ini ditentukan variabel independen dan variabel dependennya. Hubungan antar konstruk dinyatakan melalui anak panah sesuai dengan arah kausalitasnya. Anak panah yanglurus menunjukkan sebuah hubungan kausal yang langsung antara satu konstruk dengan konstruk lainnya. Anak panah lengkung dengan lancip dikedua ujungnya menunjukkan korelasi antar konstruk. Konstrukkonstruk dalam diagram path, dapat dibedakan menjadi dua : Konstruk Eksogen, dikenal sebagai variabel independen yang tidak diprediksi oleh variabel lain dalam model. Dalam diagram konstruk eksogen digambarkan sebagai konstruk yang dituju oleh garis dengan satu ujung panah. Konstruk Endogen, yaitu konstruk yang diprediksi oleh satu atau beberapa konstruk. Konstruk ini dapat memprediksi satu atau beberapa konstruk endogen lainnya, Sedangkan konstruk eksogen hanya dapat berhubungan kausal dengan konstruk endogen. Dengan pijakan teoritis yang ada, maka dapat ditentukan mana yang akan dianggap sebagai konstruk endogen dan mana yang eksogen. 3. Mengkonversi diagram jalur kedalam persamaan struktural Langkah ini membentuk persamaan-persamaan pada model struktural dan model pengukuran, yang akan dibahas selanjutnya. 4. Pemilihan data input dan teknik estimasi Tujuannya adalah menetapkan data input yang digunakan dalam pemodelan dan teknik estimasi model. Input data yang digunakan dalam analisis SEM adalah menggunakan matrik kovarian antara individual tetap atau matrik korelasi. Input ini. data Data inilah yang membedakan dapat dientry SEM dengan teknik analisis multivariate yang lain. Meskipun demikian, observasi diperlukan dalam program individual

menggunakan program lain. Setelah masuk program SEM data segera dikonversi dalam bentuk matrik kovarian atau matrik korelasi. Walaupun observasi individual tidak menjadi input analisis, tetapi ukuran sampel penting dalam estimasi dan interpretasi hasil SEM. Menurut pakar SEM sampel yang baik adalah besarnya antara 100 200. Jika sampel

terlalu besar, akan menjadi sangat sensitif terhadap ukuran-ukuran goodness of fit. Sebagai pedoman ukuran sampel antara 100 200 sampel antara 5 10 kali jumlah parameter yang diestimasi antara 5 10 kali jumlah indikator.

5. Evaluasi masalah identifikasi model Problem identifikasi pada prinsipnya adalah untuk mendeteksi masalah mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik. Problem identifikasi ini dapat dideteksi dari gejala-gejala yang muncul antara lain Standar error untuk satu atau beberapa koefisien sangat besar. Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan. Munculnya angka-angka aneh misalnya varians error yang negatif. Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat.

6. Evaluasi Asumsi dan Kesesuaian model Kesesuaian model dapat dievaluasi dengan melihat berbagai kriteria goodness of fit. Secara garis besar uji goodness of fit model dapat digolongkan menjadi 4 hal yaitu : pengujian parameter hasil dugaan, uji model keseluruhan, uji model struktural, dan uji pengukuran (validitas dan reliabilitas). Angka-angka indeks yang dapat digunakan untuk menguji kelayakan sebuah model diantaranya : a. Uji kesesuaian model (model fit) dan uji statistik yang dalam SEM tidak ada alat uji statistik tunggal untuk mengukur ataupun menguji hipotesis model yang dibuat, diantaranya: 1. Untuk pengujian model dilakukan dengan menggunakan Chi Square dengan ketentuan semakin kecil nilai Chi Square, maka semakin baik model yang dibuat.

2. Root Mean Square Error of Approximation (RMSEA) jika nilai RMSEA sebesar 0.08 atau lebih kecil maka nilai tersebut menunjukkan indeks untuk dapat diterimanya model yang dibuat. 3. Nilai indeks keselarasan (goodness of fit index) yang besarnya berkisar dari 01. Jika nilai besarnya mendekati 0 maka model mempunyai kecocokan yang rendah sedang nilai mendekati 1 maka model mempunyai kecocokan yang baik. 4. Nilai indeks keselarasan yang disesuaikan (Adjusted Goodness of Fit Index (AGFI)) dengan ketentuan nilai AGFI sama dengan atau lebih besar dari 0,9. Jika nilai lebih besar dari 0,9 maka model mempunyai kesesuaian model keseluruhan yang baik. 5. Fungsi perbedaan sampel minimum (The minimum sample discrepancy function (CMNF)) yang merupakan nilai statistik Chi Square dibagi dengan nilai derajat kebebasan (degree of freedom (df)) disebut juga Chi Square relatif dengan besaran nilai kurang dari 0,2 dengan toleransi dibawah 0,3 yang merupakan indikator diterimanya suatu kecocokan model dan data. 6. Indeks Tucker Lewis (Tucker Lewis Index (TLI)) dengan ketentuan sebagai penerimaan sebuah model sebesar sama dengan atau lebih besar dari 0,95. Jika nilai mendekati 1 maka model tersebut menunjukkan kecocokan yang sangat tinggi. 7. Indeks Kecocokan Komparatif (Comparative Fit Index (CFI)) dengan nilai antara 01 dengan ketentuan jika nilai mendekati angka 1 maka model yand dibuat mempunyai kecocokan yang sangat tinggi sedang jika nilai mendekati 0, maka model tidak mempunyai kecocokan yang baik. b. Uji Reliabilitas. Uji berikutnya ialah penilaian terhadap unidimensionalitas dan reliabilitas. Yang pertama asumsi yang dipergunakan untuk menghitung reliabilitas model yang menunjukkan adanya indikator-indikator yang mempunyai derajat kesesuaian yang baik dalam satu model satu dimensi. Reliabilitas merupakan ukuran konsistensi internal indikator-indikator suatu konstruk yang menunjukkan derajat sejauh mana setiap indikator tersebut menunjukkan sebuah konstruk laten yang umum. Reliabilitas berikutnya ialah Varian Extracted dengan besar diatas atau sama dengan 0,5. Dengan ketentuan nilai yang semakin tinggi menunjukkan bahwa indikatorindikator sudah mewakili secara benar konstruk laten yang dikembangkan.

7. Interpretasi dan modifikasi model Tujuannya adalah untuk memutuskan bentuk perlakuan lanjutan setelah dilakukan evaluasi asumsi dan uji kesesuaian model. Oleh karena itu, menurut Stoelting ada lima langkah menyangkut penyusunan SEM, yaitu 1. Spesifkasi Model merupakan latihan secara formal menyatakan suatu model. Tahap ini merupaka langkah dimana parameter- parameter ditentukan untuk bersifat tetap (fixed) atau bebas (free). Parameter- parameter tetap (fixed parameters) tidak diestimasi dari data dan biasanya tetap pada besaran 0 yang mempunyai arti tidak ada hubungan antar variabel yang diobservasi. Jalur-jalur parameter- parameter tetap diberi label secara numerik; terkecuali diberi nilai 0 dengan sendirinya tidak ada jalur yang akan dibuat dalam diagram SEM. Parameter- parameter bebas (free parameters) diestimasikan dari data yang diobservasi dan dipercaya oleh peneliti bukan 0. Tanda asteris dalam diagram SEM menandai jalur-jalur parameter- parameter bebas. Penentuan parameter- parameter mana merupakan parameter- parameter yang tetap dan yang bebas dalam SEM sangat penting karena hal itu akan menentukan parameter- parameter mana yang akan digunakan untuk membandingkan diagram yang dihipotesiskan dengan varian populasi yang diambil (the sample population variance) serta matriks koovarian dalam pengujian model pada tahap berikutnya. Pemilihan parameter- parameter mana yang dianggap bebas dan tetap dalam suatu model sepenuhnya terserah peneliti. Pemilihan ini mewakili hipotesis a priori peneliti mengenai jalur-jalur mana (pathways) dalam suatu sistem menjadi penting dalam memunculkan struktur relasional sistem yang diobservasi, misalnya varian sampel yang diobservasi dan matriks kovarian. 2. Identifikasi Model menyangkut apakah nilai unik untuk masing-masing dan setiap parameter bebas dapat diperoleh dari data yang diobservasi. Semua itu tergantung pada pilihan model serta spesifikasi parameter- parameter tetap dan dibatasi serta parameterparameter bebas. Suatu parameter dibatasi ketika parameter tersebut dibuat sama

dengan parameter lain. Model-model harus di identifikasi secara menyeluruh (overidentified) supaya dapat diestimasi serta untuk melakukan pengujian hipotesis menyangkut hubungan antar variabel. Kondisi yang diwajibkan untuk melakukan overidentification adalah bahwa poin-poin data (jumlah varian dan kovarian) kurang dari jumlah variabel yang diobservasi dalam model. 3. Estimasi Dalam tahap ini, nilai parameter-parameter awal yang bebas dipilih untuk memunculkan matriks kovarian populasi yang diestimasidari model tersebut. Nilai awal dapat dipilih oleh peneliti dari informasi sebelumnya dengan menggunakan program-program komputer yang digunakan untuk membangun model dalam SEM, atau dari analisis regresi jamak. Tujuan estimasi ialah untuk menghasilkan berkonvergensi pada matriks kovarian populasi yang diobservasi. 4. Modifikasi Model . Jika matriks kovarian/varian yang di estimasi oleh model tidak dapat mereproduksi matriks kovarian/varian sampel secara memadai, maka hipotesishipotesis dapat disesuaikan dan model dapat diuji ulang. Untuk menyesuaikan model, jalur-jalur baru ditambahkan dan yang lama dihilangkan. Dengan kata lain, parameterparameter diubah dari tetap ke bebas atau sebaliknya. 5. Presentasi Akhir Model: Pada saat model telah menghasilkan kecocokan yang dapat diterima, estimasi-estimasi individual bagi parameter-parameter bebas dapat dinilai. Parameter-parameter bebas dibandingkan dengan nilai nol, dengan menggunakan statistik distribusi z-. Statistik z diperoleh dengan membagi estimasi parameter dengan menggunakan standard error estimasi tersebut. Ratio pengujian ini harus diatas +/-1.96 agar hubungan bersifat signifikan. Setelah hubungan-hubungan individual dalam model dinilai, maka estimasi parameter dibakukan untuk presentasi model akhir. Ketika estimasi-estimasi parameter dibakukan, maka estimasi tersebut dapat diinterpretasi sebagai referensi untuk parameter-parameter lainnya dalam model serta kekuatan relatif jalur dalam model tersebut dapat dibandingkan. 2.3 Pemodelan Diagram lintasan (path diagram) dalam SEM digunakan untuk menggambarkan atau mespesifikasikan model SEM dengan lebih jelas dan mudah, jika dibandingkan dengan

model persamaan matematik. Untuk dapat menggambarkan diagram jalur sebuah persamaan secara tepat, perlu diketahui tentang variabel-variabel dalam SEM berserta notasi dan simbol yang berkaitan. Kemudian hubungan diantara model-model tersebut dituangkan dalam model persamaan struktural dan model pengukuran. Variabel-variabel dalam SEM : - Variabel laten (latent variable) Variabel laten merupakan konsep abstrak, misalkan : perilaku, perasaan, dan motivasi. Variabel laten ini hanya dapat diamati secara tidak langsung dan tidak sempurna melalui efeknya pada variabel teramati. Variabel laten dibedakan menjadi dua yaitu variabel eksogen dan endogen. Variabel eksogen setara dengan variabel bebas, sedangkan variabel endogen setara dengan variabel terikat. Notasi matematik dari variabel laten eksogen adalah (ksi) dan variabel laten endogen ditandai dengan (eta).

Gambar 1. Simbol Variabel Laten - Variabel teramati (observed variable) atau variaebel terukur (measured variable) Variabel teramati adalah variabel yang dapat diamati atau dapat diukur secara enpiris dan sering disebut sebagai indikator. (Efferin, 2008 : 11). Variabel teramati merupakan efek atau ukuran dari variabel laten. Pada metoda penelitian survei dengan menggunakan kuesioner, setiap pertanyaan pada kuesioner mewakili sebuah variabel teramati. Variabel teramati yang berkaitan atau merupakan efek dari variabel laten eksogen diberi notasi matematik dengan label X, sedangkan yang berkaitan dengan variabel laten endogen diberi label Y. Simbol diagram lintasan dari variabel teramati adalah bujur sangkar atau empat persegi panjang.

Gambar 2. Simbol Variabel Teramati Model persamaan struktural memiliki dua elemen atau model, yaitu model struktural dan model pengukuran. 1. Model Struktural (Structural Model) Model ini menggambarkan hubungan diantara variabel-variabel laten. Parameter yang menunjukkan regresi variabel laten endogen pada eksogen dinotasikan dengan (gamma). Sedangkan untuk regresi variabel endogen pada variabel endogen lainnya dinotasikan dengan (beta). Variabel laten eksogen dinotasikan dengan (ksi) Sedangkan variabel laten endogen dinotasikan (eta). Variabel laten eksogen yang berhubungan dalam dua arah (covary) dinotasikan dengan (phi). Notasi

untuk error adalah (zeta).

Gambar 3. Model Struktural SEM Persamaan dalam model struktural dibangun dengan persamaan : Variabel laten endogen = var laten endogen + var laten eksogen + error

sehingga untuk persamaan matematik untuk model Struktural diatas adalah :

dengan persamaan dalam bentuk matriks :

2. Model Pengukuran (Measurement Model) Setiap variabel laten mempunyai beberapa ukuran atau variabel teramati atau indikator. Variabel laten dihubungkan dengan variabel-variabel teramati melalui model pengukuran yang berbentuk analisis faktor. Setiap variabel laten dimodelkan sebagai sebuah faktor yang mendasari variabel-variabel terkait. Muatan faktor (factor loading) yang menghubungkan variabel laten dengan variabel teramati diberi label (lambda). Error dalam model pengukuran variabel eksogen dinotasikan untuk dengan (delta), sedangkan variabel endogen dinotasikan dengan (epsilon).

Gambar 4. Model Pengukuran SEM Persamaan dalam model pengukuran dibangun dengan persamaan : Indikator = konstruk + error X = variabel laten eksogen + error

Y = variabel laten endogen + error sehingga untuk persamaan matematik untuk model pengukuran struktural diatas :

Dengan persamaan dalam bentuk matriks :

Penggabungan model struktural dan pengukuran membentuk bentuk umum SEM (Full atau Hybrid Model), seperti berikut :

Gambar 5. Model Full Hybrid SEM

ANALISIS JALUR (PATH ANALISYS)


a. Pengertian Telaah statistika menyatakan bahwa untuk tujuan peramalan/ pendugaan nilai Y atas dasar nilai-nilai X1, X2, ., Xi, pola hubungan yang sesuai adalah pola hubungan yang mengikuti Model Regresi, sedangkan untuk menganalisis pola hubungan kausal antar variabel dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung, secara serempak atau mandiri beberapa variabel penyebab terhadap sebuah variabel akibat, maka pola yang tepat adalah Model Analisis Jalur Analisis jalur (Path Analysis) dikembangkan oleh Sewall Wright (1934). Path analysis digunakan apabila secara teori kita yakin berhadapan dengan masalah yang berhubungan sebab akibat. Tujuannya adalah menerangkan akibat langsung dan tidak langsung seperangkat variabel, sebagai variabel penyebab, terhadap variabel lainnya yang merupakan variabel akibat. Sebelum melakukan analisis, hendaknya diperhatikan beberapa asumsi sebagai berikut: (1) Hubungan antar variabel haruslah linier dan aditif. (2) Semua variabel residu tak punya korelasi satu sama lain. (3) Pola hubungan antar variabel adalah rekursif atau hubungan yang tidak melibatkan arah pengaruh yang timbal balik. (4) Tingkat pengukuran semua variabel sekurang-kurangnya adalah interval (Harun Al Rasyid, 2005). Beberapa istilah dan definisi dalam Path Analysis: (1) Dalam Path Analysis, kita hanya menggunakan sebuah lambang variabel, yaitu X. Untuk membedakan X yang satu dengan X yang lainya, kita menggunakan subscript (indeks). Contoh : X1, X2, X3 . Xk. (2) Kita membedakan dua jenis variabel, yaitu 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 hubugan terstruktur antar variabel (Harun Al Rasyid, 2005). Secara matematik analisis jalur mengikuti pola Model Struktural yang ditentukan dengan seperangkat persamaan : Y1 = F1 (Xa, , Xq ; A11, , A1k) Y2 = F2 (Xa, , Xq ; A21, , A2k) Yp = Fp (Xa, , Xq ; Ap1, , Apk) yang mengisyaratkan hubungan kausal dari X1, X2, ., Xq ke Y1, Y2, ., Yp. Apabila setiap variabel Y secara unique keadaanya ditentukan (disebabkan) oleh seperangkat variabel X, maka persamaan di atas dinamakan persamaan struktural, dan modelnya disebut model struktural. b. Diagram Jalur dan Persamaan Struktural Pada saat akan melakukan analisis jalur, disarankan untuk terlebih dahulu menggambarkan secara diagramatik struktur hubungan kausal antara variabel penyebab dengan variabel akibat. Diagram ini disebut Diagram Jalur (Path Diagram), dan bentuknya ditentukan oleh proposisi teoritik yang berasal dari kerangka pikir tertentu. Gambar 1 Diagram Jalur Yang Menyatakan Hubungan Kausal Dari X1 Sebagai Penyebab Ke X2 Sebagai Akibat

X1

X2

Keterangan:

X1 adalah variabel eksogenus (exogenous variable), untuk itu selanjutnya variabel penyebab akan kita sebut sebagai variabel eksogenus. X2 adalah variabel endogenus (endogenous variable), sebagai akibat, dan adalah variabel residu (residual variable), yang merupakan gabungan dari: (1) Variabel lain, di luar X1, yang mungkin mempengaruhi X2 dan telah teridentifikasi oleh teori, tetapi tidak dimasukan dalam model. (2) Variabel lain, di luar X1, yang mungkin mempengaruhi X2 tetapi belum teridentifikasi oleh teori. (3) Kekeliruan pengukuran (error of measurement), dan (4) Komponen yang sifatnya tidak menentu (random component). Gambar 1 merupakan diagram jalur yang paling sederhana. Gambar 6.1 menyatakan bahwa X2 dipengaruhi secara langsung oleh X1, tetapi di luar X1, masih banyak penyebab lain yang dalam penelitian yang sedang dilakukan tidak diukur. Penyebab penyebab lain itu dinyatakan oleh . Persamaan struktural yang dimilik oleh gambar 1 adalah X2 = x
2 x1

X1 + .

Selanjutnya tanda anak panah satu arah menggambarkan pengaruh langsung dari variabel eksogenus terhadap variabel endogenus. Gambar 2. Diagram jalur yang menyatakan hubungan kausal dari X1, X2, X3 ke X4
X1 X2 X4

Gambar 2 menunjukkan bahwa diagram jalur tersebut terdapat tiga buah variabel eksogenus, yaitu X1, X2, dan X3, sebuah variabel endogenus (X4) serta sebuah variabel residu . Pada diagram di atas juga mengisyaratkan bahwa hubungan antara X 1 dengan X4, X2 dengan X4 dan X3 dengan X4 adalah hubungan kausal, sedangkan hubungan antara X 1 dengan X2, X2 dengan X3 dan X1 dengan X3 masing-masing adalah hubungan korelasional.

X3

Perhatikan panah dua arah, panah tersebut menyatakan hubungan korelasional. Bentuk persamaan strukturalnya adalah : X4 = p x
4 x1

X1 + p x

4 x2

X2 + p x

4 x3

X3 + .

Gambar 3. Hubungan kausal dari X1, X2 ke X3 dan dari X3 ke X4


X1 X3 X4 X2 bahwa pada gambar 3 di atas, teradapat dua buah sub-struktur. Pertama, Perhatikan

sub-struktur yang menyatakan hubungan kausal dari X 1 dan X2 ke X3, serta kedua, sub1 2 struktur yang mengisyaratkan hubungan kausal dari X 3 ke X4. Persamaan struktural untuk gambar 3 adalah : X3 = p x3 x1 X1 + p x3 x 2 X2 + 1 dan X4 = p x
4 x3

X3 + 2.

Pada sub-struktur pertama X1 dan X2 merupakan variabel eksogenus, X3 sebagai variabel endogenus dan 1 sebagai variabel residu. Pada sub-struktur kedua, X 3 merupakan variabel eksogenus, X4 sebagai variabel endogenus dan 2 sebagai variabel residu. Berdasarkan contoh-contoh diagram jalur di atas, maka kita dapat memberikan kesimpulan bahwa makin kompleks sebuah hubungan struktural, makin kompleks diagram jalurnya, dan makin banyak pula sub-struktur yang membangun diagram jalur tersebut. c. Koefiesien Jalur Besarnya pengaruh langsung dari suatu variabel eksogenus terhadap variabel endogenus tertentu, dinyatakan oleh besarnya nilai numerik koefisien jalur ( path coefficient) dari eksogenus ke endogenus. Gambar 4. Hubungan kausal dari X1, X2 ke X3
p X3 X2 p p

X1 r

Hubungan antara X1 dan X2 adalah hubungan korelasional. Intensitas keeratan hubungan tersebut dinyatakan oleh besarnya koefisien korelasi r x1 x2 . Hubungan X1 dan X2 ke X3 adalah hubungan kausal. Besarnya pengaruh langsung dari X 1 ke X3, dan dari X2 ke X3, masing-masing dinyatakan oleh besarnya nilai numerik koefisien jalur p
x3 x1

dan p x

3 x2

Koefisien jalur p x3 menggambarkan besarnya pengaruh langsung variabel residu (implicit exogenous variable) terhadap X3. koefisien jalur adalah : 1. Gambarkan dengan jelas diagram jalur yang mencerminkan proposisi hipotetik yang diajukan, lengkap dengan persamaan strukturalnya. Di sini kita harus bisa menterjemahkan hipotesis penelitian yang kita ajukan ke dalam diagram jalur, sehingga bisa tampak jelas variabel apa saja yang merupakan variabel eksogenus dan apa yang menjadi variabel endogenusnya. 2. Menghitung matriks korelasi antar variabel.
1 2 1 rx1 x 2 R= 1

Langkah kerja yang dilakukan untuk menghitung

... ... 1

rx1 xu rx 2 xu ... 1

Xu

Formula untuk menghitung koefisen korelasi yang dicari adalah menggunakan Product Moment Coefficient dari Karl Pearson. Alasan penggunaan teknik koefisien korelasi dari Karl Pearson ini adalah karena variabel-variabel yang hendak dicari korelasinya memiliki skala pengukuran interval. Formulanya :
rxy =

[ N X

N XY (X ).(Y )
2

(X ) 2 . N Y 2 (Y ) 2

][

3. Identifikasikan sub-struktur dan persamaan yang akan dihitung koefisien jalurnya. Misalkan saja dalam sub-struktur yang telah kita identifikasi terdapat k buah variabel eksogenus, dan sebuah (selalu hanya sebuah) variabel endogenus X u yang dinyatakan oleh persamaan : Xu = p xu x1 x1 + p xu x 2 x2 + + p xu x k xk + . Kemudian hitung matriks korelasi antar variabel eksogenus yang menyusun substruktur tersebut.

1 rx1x2 R = 1
X1

X1 X2

... rx1xk ... rx2 xk 1 ... 1


Xk

Xk

4. Menghitung matriks invers korelasi variabel eksogenus, dengan rumus :


C11 C12 ... C1k R1-1 = C 22 ... C 2 k ... ... C kk 5. Menghitung semua koefisien jalur p xu xi , dimana i = 1,2, k; melalui rumus :
X2

xu x1 xu x2 = ... xu xk
Catatan :

C11

C12 C22

C1k ... C2 k ... ... Ckk ...

rxu x1 r xu x2 ... rxu xk

Contoh di atas merupakan model analisis jalur kompleks, sehingga langkah-langkah perhitungan untuk mencari koefisien jalurnya dapat mengikuti pola di atas. Sementara besarnya koefisien jalur untuk model analisis jalur sederhana, yang terdiri dari satu variabel

eksogen dan satu variabel endogen (perhatikan Gambar 6.1), nilainya sama dengan besarnya koefisien korelasi antara kedua variabel tersebut (p x
u

xi

=rx

xi

).

d. Besarnya Pengaruh Variabel Eksogen Terhadap Variabel Endogen Pengaruh yang diterima oleh sebuah variabel endogenus dari dua atau lebih variabel eksogenus, dapat secara sendiri-sendiri maupun secara bersama-sama. Pengaruh secara sendiri-sendiri (partial), bisa berupa pengaruh langsung, bisa juga berupa pengaruh tidak langsung, yaitu melalui variabel eksogen yang lainnya. Menghitung besarnya pengaruh langsung, pengaruh tidak langsung serta pengaruh total variabel eksogenus terhadap variabel endogenus secara parsial, dapat dilakukan dengan rumus :

Besarnya pengaruh langsung variabel eksogenus terhadap variabel endogenus = p xu xi x p xu xi

Besarnya pengaruh tidak langsung variabel eksogenus terhadap variabel endogenus = p x


u

xi

x r x1 x2 x p x

xi

Besarnya pengaruh total variabel eksogenus terhadap variabel endogenus adalah penjumlahan besarnya pengaruh langsung dengan besarnya pangaruh tidak langsung = [p x
u

xi

xpx

xi

] + [p x

xi

x r x1 x2 x p x

xi

Selanjutnya pengaruh bersama-sama (simultan) variabel eksogenus terhadap variabel endogenus dapat dihitung dengan menggunakan rumus:

R 2 xu ( x1 , x2 ,... xk ) = xu x1 xu x2 ... xu xk
Dimana :

rxu x1 r xu x2 ... rxu xk

R2 xu ( x1 , x 2 ... x k ) adalah koefisien determinasi total X1, X2, Xk terhadap Xu atau besarnya pengaruh variabel eksogenus secara bersama-sama (gabungan) terhadap variabel endogenus.

( (r

xu x1

xu x 2
rxu x 2

... xu xk adalah koefisien jalur ... rxu x k

x u x1

adalah koefisien korelasi variabel eksogenus X 1, X2, Xk

dengan variabel endogenus Xu.

e. Pengujian Koefisien Jalur Menguji kebermaknaan (test of significance) setiap koefisien jalur yang telah dihitung, baik secara sendiri-sendiri maupun secara bersama-sama, serta menguji perbedaan besarnya pengaruh masing-masing variabel eksogenus terhadap variabel endogenus, dapat dilakukan dengan langkah kerja berikut : 1. Nyatakan hipotesis statistik (hipotesis operasional) yang akan diuji. Ho : p xu xi = 0, artinya tidak terdapat pengaruh variabel eksogenus (Xu) terhadap

variabel endogenus (Xi). H1 : p x


u

xi

0,

artinya terdapat pengaruh variabel eksogenus (Xu) terhadap

variabel endogenus (Xi). dimana u dan i = 1, 2, , k 2. Gunakan statistik uji yang tepat, yaitu : Untuk menguji setiap koefisien jalur :

t=

p xu xi (1 R 2 xu ( x1 x2 ... x k ) )Cii n k 1

dimana: i = 1,2, k

k = Banyaknya variabel eksogenous dalam substruktur yang sedang diuji t = Mengikuti tabel distribusi t, dengan derajat bebas = n k 1 Kriteria pengujian : Ditolak H0 jika nilai hitung t lebih besar dari nilai tabel t. ( t 0 > ttabel (n-k-1)). Untuk menguji koefisien jalur secara keseluruhan/bersama-sama :

(n k 1)( R 2 xu ( x1 , x2 ,... xk ) ) F= k (1 R 2 xu ( x1 , x2 ,... xk ) )


dimana : i = 1,2, k k = Banyaknya variabel eksogenus dalam substruktur yang sedang diuji t = Mengikuti tabel distribusi F Snedecor, dengan derajat bebas (degrees of freedom) k dan n k 1 Kriteria pengujian : Ditolak H0 jika nilai hitung F lebih besar dari nilai tabel F. (F 0 > Ftabel (k, n-k-1)). Untuk menguji perbedaan besarnya pengaruh masing-masing variabel eksogenus terhadap variabel endogenus.

t=

p xu xi px u x j (1 R 2 xu ( x1 x2 ... x k ) )(Cii + C jj 2Cij ) n k 1

Kriteria pengujian : Ditolak H0 jika nilai hitung t lebih besar dari nilai tabel t. (t0 > ttabel (n-k-1)).

3. Ambil kesimpulan, apakah perlu trimming atau tidak. Apabila terjadi trimming, maka perhitungan harus diulang dengan menghilangkan jalur yang menurut pengujian tidak bermakna (no significant).

f. Analisis Jalur Analisis Jalur (Path Analysis) dikembangkan oleh Sewall Wright (1934) dengan tujuan menerangkan akibat langsung dan tidak langsung seperangkat variabel, sebagai variabel penyebab, terhadap seperangkat variabel lainnya yang merupakan variabel akibat. Secara matematik Analisis Jalur mengikuti pola Model Struktural. a. Diagram Jalur dan Persamaan Struktural Pada saat akan melakukan Analisis Jalur, disarankan untuk terlebih dahulu menggambarkan secara diagramatik struktur hubungan kausal antara variabel-penyebab dengan variabel-akibat. Diagram ini disebut Diagram Jalur (Path Analysis), dan bentuknya ditentukan oleh proposisi teoritik yang berasal dari kerangka pikir tertentu. Dalam pembicaraan kita selanjutnya, kita akan menggunakan sebuah lambang saja, yaitu X, baik sebagai variabel-penyebab maupun variabel-akibat, yang dibedakan oleh indeksnya (subscript).

X1

X2

Gambar 1. Diagram Jalur yang menyatakan hubungan kausal dari X1, sebagai penyebab, ke X2, sebagai akibat X1 : Variabel Eksogenus (Exogenous Variable) Untuk selanjutnya variabel-penyebab akan kita sebut sebagai Variabel Eksogenus. X2 : Varibel Endogenus (Endogenous Variable) : Variabel Residu (Residual Variable), yang merupakan gabungan dari 1. Variabel lain, diluar X1, yang mungkin mempengaruhi X2 dan telah terindentifikasi oleh teori, tetapi tidak dimasukkan ke dalam model. 2. Variabel lain, diluar X1, yang mungkin mempengaruhi X2, tetapi belum terindentifikasi oleh teori 3. Kekeliruan pengukuran (error of measurement) 4. Komponen yang sifatnya tak menentu (random component) Gambar 1. menyatakan bahwa X2 dipengaruhi secara langsung oleh X1, tetapi diluar X1 masih banyak penyebab-penyebab lain itu dinyatakan oleh . Gambar 1. merupakan diagram jalur yang paling sederhana, yang dinyatakan oleh persamaan :
X 2 = PX 2 X 1 X1 +

(anak panah satu arah) menggambarkan pengaruh langsung dari variabel eksogenus terhadap variabel endogenus. Perhatikan bahwa panah yang kita gunakan menunjukkan satu arah dari eksogenus ke endogenus.

X1

X2 X3

X4

Gambar 2. Diagram jalur yang menyatakan hubungan kausal dari X1, X2, X3, ke X4 X3 4

Gambar 2. mengisyaratkan bahwa hubungan antara X1 dengan X4, X2 dengan X4, dan X3 dengan X4, adalah hubungan kausal, sedangkan hubungan antara X1 dengan X2, X1 dengan X3, dan X2 dengan X3 masing-masing adalah hubungan korelasional.
X 4 = PX 4 X1 X1 + PX 4 X 2 X 2 + PX 4 X 3 X 3 +

perhatikan bahwa panah dua arah

menyatakan hubungan korelasional.

Perhatikan pula bahwa pada diagram jalur di atas terdapat tiga buah variabel eksogenus, yaitu X1, X2, dan X3, sebuah variabel endogenus, X4, dan sebuah variabel residu .

X1 X3 X2 1 2
Gambar 3. Hubungan kausal dari X1 dan X2 ke X3 dan dari X3 ke X4 Perhatikan bahwa pada gambar 3. terdapat dua buah sub-struktur. Pertama substrktur yang menyatakan hubungan kausal dari X 1 dan X2 ke X3 dan sub-struktur kedua mengisyaratkan hubungan kausal dari X3 ke X4. persamaan untuk gambar 3.
X 3 = PX3X1 X 1 + PX3X 2 X 2 + 1

X4

X2

X 4 = PX 4 X 3 X 3 + 2

pada sub-struktur pertama, X1 dan X2 merupakan variabel eksogenus, X3 sebagai endogenus dan 1, sebagai variabel residu. Pada sub-struktur kedua, X3 merupakan eksogenus, X4 endogenus dan 2 sebagai residu. Makin kompleks sebuah hubungan struktural, makin kompleks diagram jalurnya, dan makin banyak pula sub-struktur yang membangun diagram jalur tersebut.

b.

Koefisien Jalur (Path Coefficient) Besarnya pengaruh langsung (relative) dari suatu variabel eksogenus ke variabel

endogenus tertentu, dinyatakan oleh besarnya nilai nomerik Koefisien Jalur ( Path Coefficient) dari eksogenus tersebut ke endogenusnya.

X1

PX1X 2
X2

PX3X1 PX3X 2

X3

PX3

Gambar 4. Hubungan kausal dari X1 dan X2 ke X3 Hubungan antara X1 dan X2 adalah hubungan korelasional. Intensitas keeratan hubungan tersebut dinyatakan oleh besarnya koefisien korelasi PX1X 2 . Hubungan X1 dan X2 ke X3 adalah hubungan kausal. Besarnya pengaruh langsung (relatif) dari X 1 ke X3 dan X2 ke X3, masing-masing, dinyatakan oleh besarnya nilai numerik koefisien jalur PX
3 X1

dan PX

3X 2

. Koefisien jalur PX menggambarkan besarnya pengaruh langsung (relatif)


1

variabel residu (implicit exogenous variable) terhadap X3. c. Menghitung Koefiesien Jalur Untuk model Struktur Rekursit (model yang tidak melibatkan arah pengaruh yang timbal-balik). Penghitungan koefisien jalur bisa dilakukan melalui metode kuadrat terkecil (Least Squares) yang telah kita ketahui dalam analisis regresi. Langkah-langkah yang disarankan untuk diikuti adalah sebagai berikut, 1. Gambarkan dengan jelas diagram jalur yang mencerminkan proposisi hipotetik yang diajukan, lengkap dengan persamaan strukturalnya. Disini kita harus bisa menterjemahkan hipotesis penelitian yang kita ajukan ke dalam diagram jalur, sehingga bisa tampak jelas variabel apa saja yang merupakan variabel eksogenus dan apa yang menjadi variabel endogenusnya. 2. Hitung Matriks Korelasi antar variabel

X
1

X2
R X1X 2

Xu RX X RX X
1 2

R=

1
3. Identifikasikan sub-struktur dan persamaan yang akan dihitung koefisien jalurnya. Misalkan saja dalam sub-struktur yang telah kita identifikasi terdapat k buah variabel eksogenus, dan sebuah (selalu hanya sebuah) variabel endogenus Xu yang dinayatakan oleh persamaan,
X u = PX u X1 X 1 + PX u X 2 X 2 + ... + PX u X k X k + 1

d. Theory Trimming Oleh karena data yang kita gunakan untuk menguji proposisi hipotetik yang kita kemukakan dalam penelitian dasarnya adalah sampel berukuran n, maka sebelum kita

menarik kesimpulan mengenai hubungan kausal yang digambarkan oleh diagram jalur, kita perlu menguji kebermaknaan (test of significance) setiap koefisien jalur yang telah kita hitung. Pengujian seperti ini disebut Theory Trimming. Langkah kerja pengujian 1. Nyatakan Hipotesis Statistik (Hipotesis Operasional) yang akan diuji.
H 0 : PX u X i = 0 H1 : PX u X i 0 , i =1,2, ..., k

Perhatikan bahwa arah pengujian secara statistik (satu arah, atau dua arah) tergantung kepada proposisi hipotetik yang diajukan. 2. Gunakan Statistik Uji

ti =

(1 - R

PX u X I
2 X u ( X1X 2 ...X k )

( n - k - 1)

).C

ii

i k ti

= 1,2, , k = banyaknya variabel eksogenus dalam sub-struktur yang sedang diuji = menguji distribusi t-Student, dengan derajat bebas (degrees of freedom) n-k-1.

3. Hitung nilai-p (p-value) 4. Ambil kesimpulan, apakah perlu trimming atau tidak. Apabila terjadi trimming, maka penghitungan harus diulang dengan menghilangkan jalur yang menurut pengujian tidak bermakna (nonsignificant). e. Menguji Perbedaan Besarnya Koefisien Jalur Dalam Sebuah Sub-Struktur. Mungkin pada suatu saat kita ingin memperoleh keterangan mana yang lebih besar pengaruhnya terhadap Xu , apakah Xi , atau Xj , untuk i j. Pengujian seperti ini biasanya post hoc. Langkah Kerja 2. Tentukan koefisien jalur yang akan diuji perbedaannya. Tentukan Hipotesis Statistik yang akan diuji

H 0 : PX u X i =PX u X j H 1 : PX u X i PX u X j , i j

Perhatikan bahwa arah pengujian ditentukan oleh kerangka pikir tertentu mengenai keadaan besarnya pengaruh masing-masing variabel eksogenus terhadap endogenus. 3. Gunakan Statistik Uji

t=

(1 - R

PX u Xi - PX u X j
2 X u ( X1X 2 ...X k )

).C

ii

+ C jj - 2C ij

n - k -1
t mengikuti distribusi t-Student dengan derajat bebas n-k-1 4. Hitung nilai-p (p-value) 5. kesimpulan f. Pengaruh Langsung dan Pengaruh Taklangsung Hubungan antara variabel yang digambarkan oleh diagram jalur bisa

mengisyaratkan beberapa keadaan. 1. Pengaruh Langsung Pengaruh langsung Xi ke Xu ditujukkan oleh panah satu arah dari Xi ke Xu. pada gambar 5 panah satu arah dari X1 ke X3 (atau dari X2 ke X3) menggambarkan pengaruh langsung X1 ke X3 (atau X2 ke X3). Pada gambar 4 pengaruh langsung X1 ke X3 ditunjukkan oleh PX 3X1 dan pengaruh langsung dari X2 ke X3 dinyatakan oleh
PX 3 X 2 .

2. Pengaruh Taklangsung Pengaruh tak langsung dari Xi ke Xu ditunjukkan oleh panah satu arah dari X i ke Xt dan panah satu arah dari Xt ke Xu. Pada gambar 3 pengaruh taklangsung dari X1 ke X4 adalah panah satu arah dari X1 ke X3 dan dari X3 ke X4. Pengaruh taklangsung dari X1 ke X4 ditunjukkan dari X1 ke X4 ditunjukkan oleh ( PX 3X1 X PX 4 X 3 ).

g. Asumsi yang Mendasari Analisis Jalur Pada saat melakukan analisis jalur seperti yang kita bicarakan di atas, hendaknya diperhatikan beberapa asumsi di bawah ini. 1. Hubungan antara variabel haruslah linear dan aditif. 2. Semua variabel residu tak punya korelasi satu sama lain 3. Pola hubungan antar variabel adalah rekursif. 4. Tingkat pengukuran semua variabel sekurang-kurangnya interval.

Langkah-langkah Aplikasi Analisis Program Lisrel


Data awal yang berasal jawaban responden atas kuesioner, kemudian dianalisis dengan program Lisrel. 8.8 student. diperoleh dari program Lisrel.8.8 adalah sebagai berikut :
W_A_R_N_I_N_G: Matrix to be analyzed is not positive definite, ridge option taken with ridge constant = 0.100

Hasil yang

Hal ini menunjukkan bahwa terdapat data pencilan (outlier), terjadi multikolonieritas dan data tidak normal. Sebelum dilakukan proses lebih lanjut dengan program Lisrel, terlebih dulu harus dilakukan uji asumsi statistik yang meliputi: uji Multivariat Outliers, Uji normalitas Data dan Uji Uultikolinieritas, Uji asumsi statistik perlu dilakukan dalam persamaan pengukuran dan persamaan struktural agar proses estimasi dapat dilakukan dengan baik dan output yang dihasilkan tidak bersifat bias. Ada tiga macam uji asumsi statistik yang harus dilakukan, yaitu:

c. Uji Outliers Outliers atau data pencilan adalah data yang mempunyai nilai ekstrim yang menyimpang dari data-data lain pada umumnya. Menurut Hair (2006), jika dalam suatu meodel terdapat data outliers, maka akan menyebabkan bias pada analisis selanjutnya. Oleh karena itu, data outliers harus dikeluarkan dari model. Uji terhadap keberadaan Outlier dapat dilakukan dengan 2 cara, yaitu membuat nilai z (Standardisasi data), menampilkan data dalam bentuk Scater Plot. Cara untuk mendeteksi adanya outliers adalah dengan melihat hasil statistik nilai z, bila nilai z berada diantara Output uji multivariat outliers dengan SPSS 18 b. Uji Normalitas Salah satu asumsi yang harus dipenuhi dalam SEM adalah normalitas data. Normalitas data diperlukan untuk mengetahui normal tidaknya suatu distribusi data. Hal ini penting agar estimasi parameter yang dihasilkan tidak bias sehingga kesimpulan yang diambil tepat. Dalam LISREL cara untuk menguji normalitas suatu data dapat dilakukan dengan melihat hasil output dan grafik Qplot sebagai berikut :
Largest Negative Residual for X14 Residual for X15 Largest Positive Residual for X14 Standardized Residuals and X8 -2.90 and X8 -3.38 Standardized Residuals and X6 2.81

2,5 atau - 2,5,

maka data tersebut tidak terdapat gejala Outliers . Untuk memperoleh

Dari output Lisrel ada peringatan Largest Negative Standardized Residuals dan Largest Positive Standardized Residuals. Ini menunjukkan adanya data yang tidak normal. Hal ini bisa dilihat dari Grafik a. QPlot

bahwa data standardized residual banyak yang menyimpang dari garis diagonal sebagai acuan normalitas data. Kemudian dilakukan modifikasi dalam Lisrel , yaitu dengan menambahkan Asymptotic Covariance Matrix pada input data, sehingga diperoleh hasil output sebagai berikut :
Smallest Standardized Residual = -1.09 Median Standardized Residual = 0.00 Largest Standardized Residual = 2.52

Hasil output setelah modifikasi tidak lagi ada peringatan Largest Negative Standardized Residuals dan Largest Positive Standardized Residuals, dan dari Grafik b. Qplot menunjukkan sebaran data standardized residual sudah searah dan mendekati garis diagonal. Dengan demikian data sudah dinyatakan normal dan dapat diteruskan dengan analisis berikutnya. c. Multikolinieritas Dalam model persamaan struktural, asumsi secara empiris yang tidak boleh dilanggar adalah multikolinieritas. Adanya multikolinieritas dapat memberikan efek yang fatal yaitu model menjadi non identified yang artinya parameter dalam model tidak dapat diestimasi dan keluaran dalam bentuk diagram jalur tidak dapat ditampilkan atau jika parameter berhasil diestimasi dan output diagram jalur berhasil ditampilkan, tetapi hasilnya dapat bias. Hal ini dapat ditunjukkan dengan besaran hasil estimasi parameter model pengukuran dan struktural yang distandarkan (standardized loading factor) ada yang bernilai lebih individual signifikan. hasil estimasi parameter model esar dari satu, atau statistik tidak besaran koefisien determinasi (R) yang sangat tinggi tetapi secara secara

Dalam LISREL adanya multikolinieritas dapat diidentifikasi dengan output yang dihasilkan berupa :
W_A_R_N_I_N_G: Matrix to be analyzed is not positive definite, ridge option taken with ridge constant = 0.100

yang artinya matriks yang akan diolah adalah matriks singular yang memiliki determinasi (R) mendekati nol atau sama dengan nol. Dalam hal korelasi dalam nilai solusi standar melebihi nilai 1 atau dua estimasi berkorelasi tinggi maka perlu dipertimbangkan untuk mengeleminasi salah satunya (Wijanto, 2008 : 48). Usaha yang bisa dilakukan untuk mengatasi adanya multikolinearitas menurut Kusnendi (2007), adalah: 1) mengeluarkan variabel yang menyebabkan multikolinearitas, 2) mengidentifikasi dan mengeluarkan data observasi yang bersifat outliers, 3) menambah jumlah observasi. Misalnya, dari uji multikolinearitas maka variabel-variabel yang harus dikeluarkan adalah : X4 memiliki errorvar = 0.10 dan R = 0.90; X13 memiliki errorvar = 0.07 dan R = 0.93; X15 memiliki errorvar = 0.02 dan R = 1.02 (Lihat Model Struktural), Sedangkan variabel X 8 dibuang karena Loading X8 = 0.32 < 0.50. 2. Analisis Model Pengukuran Di dalam proses penelitian dengan SEM terdapat dua analisis model, yaitu analisis model pengukuran dan model struktural. Untuk memperoleh hasil model struktural yang baik sangat ditentukan oelh hasil analisis model pengukuran, sesuai dengan pendekatan dua tahap (Two Step Approach). Pertama dilakukan analisis model pengukuran dengan uji kecocokan keseluruhan model (Goodness of Fit Indices), uji validitas dan uji

reliabilitas. Setelah hasil ketiga uji tersebut menyatakan good fit, maka baru bisa dilanjutkan dengan analisis model struktural. Setelah dilakukan uji mulitivariate outliers dengan SPSS, data responden tinggal ...... dan variabel teramati X4, X8, X3 dan X15 dikeluarkan karena menyebabkan multikolinieritas. Selanjutnya model pengukuran siap dianalisis. Analisis pengukuran terdiri dari tiga tahap, yang meliputi analisis kecocokan keseluruhan model yang dilihat dari hasil Goodness of Fit Indices (GOFI), analisis validitas dan analisis reliabilitas. Model yang dikatakan mempunyai tingkat kecocokan yang baik adalah hasil penghitungan GOFI model dibandingkan dengan nilai estndar GOFI. Setelah hasil GOFI untuk keseluruhan model dinyatakan fit, langkah selanjutnya adalah analisis validitas dan reliabilitas. Menurut Bollen (1989:197) definisi validitas yang digunakan dalam SEM adalah validitas untuk mengukur variabel dalam suatu konstruk/variabel laten yang mempunyai tingkat hubungan langsung antara variabel laten dan teramati. Validitas yang baik menurut Wijanto (2008) adalah variabel laten yang mempunyai ukuran: 1. Nilai t (t-value) > 1.96 2. Nilai muatan faktor (Standardized Loading Factor / SLF) > 0.50 3. Reliabilitas dari model pengukuran menggunakan dua kriteria yaitu Construct reliability (CR) dan Variance Extracted (VE) yang nilainya 1. Analisis Model Pengukuran Confirmatory Faktor Analysis Model Pengukuran Confirmatory Faktor Analysis (CFA) merupakan tahap pengukuran terhadap dimensi-dimensi yang membentuk variabel laten. kesederhanan yang mampu Tujuan Confirmatory Faktor Analysis untuk mencari seminimal mungkin dengan prinsip menghasilkan korelasi diantara dimensi yang diobsevasi.. Dalam melakukan Confirmatory Faktor Analysis, hal pertama yang perlu dilakukan adalah mengetahui apakah data yang ada cukup memenuhi persyaratan. Data yang tidak memenuhi

persayaratan Confirmatory Faktor Analysis direduksi untuk menghasilkan faktor yang lebih sedikit dan mampu menjelaskan korelasi antara dimensi yang diobervasi. Syarat kecukupan Confirmatory Faktor Analysis, jika nilai Standardized faktor loding > 0.50..

Pada gambar diatas, dimensi dari masing-masing variabel laten yang tidak memenuhi persyaratan atau Standardized faktor loding < 0,50 yaitu IALH2 < SLF 0,45

dan IATK2 < SLF 0.42 sedangkan IATR1 menghasilkan nilai SLF negatif. Oleh karena itu, SLF < 0,50 akan direduksi, sehingga model Confirmatory Faktor Analysis yang telah direduksi seperti terlihat pada gambar berikut ini :

Pada gambar diatas memperlihatkan bahwa Standardized faktor loding (SFL) masingmasing dari variabel laten telah memenuhi persyaratan model Confirmatory Faktor Analysis. Sedangkan terhadap secara keseluruhan kelayakan model ( goodness of fit) dari Confirmatory Faktor Analysis secara keseluruhan seperti terlihat pada tabel berikut ini.

Goodness of Fit Index (GOFI) Model Pengukuran


GOFI p-value RMSEA NFI NNFI CFI IFI RFI SRMR GFI AGFI Nilai Hasil 0.00028 0.13 0.97 0.96 0.97 0.97 0.94 0.04 0.93 0.85 Nilai Standar p-value 0,05 RMSEA 0,08 NFI 0,90 NNFI 0,90 CFI 0,90 IFI 0,90 RFI 0,90 SRMR 0,05 GFI 0,90 AGFI 0,90 Kesimpulan Kecocokan Kurang Baik Kecocokan Kurang Baik Kecocokan Baik Kecocokan Baik Kecocokan Baik Kecocokan Baik Kecocokan Baik Kecocokan Baik Kecocokan Baik Kecocokan Kurang Baik

Dari tabel diatas dapat dijelaskan bahwa semua konstruk yang digunakan untuk membentuk sebuah model penelitian, pada proses Confirmatory Faktor Analysis secara keseluruhan telah memenuhi kriteria nilai goodness of fit, kecuali. p-value 0.05, RMSEA
0,08, dan AGFI 0,90. (Lihat Covariance untuk diseting)

2. Evaluasi Terhadap Validitas, Reliabilitas dan Variance Extracted Analisis Model Pengukuran (Measurement Model) ini dilakukan untuk memastikan, 1). Apakah berbagai indikator atau variabel teramati yang ditentukan secara teoritis merupakan indikator yang valid pada kelompok masing-masing variabel laten dalam model penelitian 2). Apakah model pengukuran dari setiap variabel laten dalam model penelitian mempunyai validitas yang baik. Validitas dikatakan baik Prosedur yang dilakukan untuk mengukur reliabilitas dan validitas data, yaitu : (1) Uji konsistensi internal (reliabilitas), (2) Uji validitas konstruk berkaitan dengan tingkat skor. Menurut Hair at al, (1995) untuk menguji validitas kontruk dapat dilakukan melalui

nilai t muatan faktor loading lebih besar dari nilai kritis t tabel = 0.05 (1.645) dan muatan faktor (Standardized Loading Factors (SLF) dikatakan valid bila SLF > 0,50. Sedangakan realiabiltas dikatakan baik, jika Construct Reliability (CR) > 0,70 dan Variance Extracted (VE) > 0,50. Formula untuk menghitung nilai Construct Reliability dan Variance Extracted sebagai berikut : a. Construct Reliability
( standar loading) 2

Construct reliability =

(standar loading) 2 j

b. Variance Extracted
( standar loading) 2

Variance - extracted =

(standar loading) 2 j

Untuk lebih jelasnya masing-masing dari hal diatas akan diuraikan sebagai berikut :

Standardized faktor loding Variabel Independen Auditor (Lambda)


Item pertanyaan IALH1 IALH3 IATK1 IATK3 IATK4 IATK5 IATK6 LAMA HUBUNGAN 0.79 0.79 - - - - - TEKANAN DARI KLIEN - - 0.58 0.87 0.83 0.76 0.81

Berdasarkan Tabel diatas, Indikator IALH1 dan IALH2 yang mengukur kontrak laten Lama Hubungan mempunyai nilai validitas yang baik ( > 0.05 ). Hal yang sama dengan indikator IATK1, IATK3, IATK4, IATK5, dan IATK6 yang mengukur kontrak laten Lama Hubungan mempunyai nilai validitas yang baik ( > 0.05 ). Demikian juga dengan Construct Reability > 0.70 dan Variance Extracted > 0.05, kecuali Variance

Extracted untuk kontrak laten lama hubungan. Adapun hasil perhitungan Construct Reability dan Variance Extracted adalah sebagai berikut :

a. Construct Reliability 1. Lama Hubungan Std. Loading > 0.79 + 0.79 = 1.58 ej > 0.37 + 0.37 = 0.74 CR > (1.58) / ((1.58) + 0.74) = 2.50 / ( 2.50 + 0.74) = 0.77 2. Tekanan Dari Klien Std. Loading > 0.58 + 0.87 + 0.83 + 0.76 + 0.81 = 3.85 ej > 0.67 + 0.24 + 0.32 + 0.42 + 0.34 = 1.99 CR > (3.85) / ((3.85) + 1.99) = 14.82 / ( 14.82 + 1.99) = 0.88 b. Variance Extracted 1. Lama Hubungan Std. Loading > 0.79 + 0.79 = 0.62 ej > 0.37 + 0.37 = 0.74 VE > (0.62) / ((0.62) + 0.74) = 0.46

2. Tekanan Dari Klien Std. Loading > 0.58 + 0.87 + 0.83 + 0.76 + 0.81 = 3.03 ej > 0.67 + 0.24 + 0.32 + 0.42 + 0.34 = 1.99 VE > (3.03) / ((3.03) + 1.99) = 0.60 Berdasarkan uraian diatas dapat dilihat bahwa semua nilai t > 1.96. (Lihat Model Struktural) dan Standardized Loading Factor (SLF) dari variabel teramati terhadap variabel latennya > 0.50. Dengan demikian dapat disimpulkan bahwa validitas dari model pengukuran adalah baik dan signifikan sebagai indikator konstruk. Demikian juga dengan nilai CR dari model pengukuran > 0.70 dan nilai VE > 0.50, yang berarti reliabilitas model pengukuran variabel laten compliance adalah baik. Selanjutnya analisis model struktural antara variabel laten

eksogen dan endogen yang merupakan hasil akhir dari penelitian. 3. Evaluasi Terhadap Koefisien Model Struktural Tujuan evaluasi terhadap model struktural berkaitan dengan pengujian hubungan antar variabel yang sebelumnya dihipotesiskan. Apakah koefisien korelasi antar variabel tersebut signifikan secara statistik atau tidak. Apabila menggunakan pengujian dua arah dengan taraf signifikansi 5%, maka titik kritis adalah 1,96. Tabel berikut ini hasil evaluasi terhadap koefisien model struktural kaitannya dengan hipotesis.

Evaluasi Terhadap Koefien Model Struktural


Hipotesis 1 2 3 4 5 Estimasi 0.12 0.32 0.31 - 0.15 0.23 Nilai t 1.71 4.34 4.26 -1.87 3.05 Kesimpulan Signifikan ( Hipotesis 1 diterima ) Signifikan ( Hipotesis 2 diterima ) Signifikan ( Hipotesis 3 diterima ) Signifikan ( Hipotesis 4 diterima ) Signifikan ( Hipotesis 5 diterima )

6 7 8

0.10 0.31 0.14 - 0.18 0.28 0.33 - 0.28

1.51 4.26 4.43 -2.39 3.76 4.42 -3.60

Signifikan ( Hipotesis 6 diterima ) Signifikan ( Hipotesis 7 diterima ) Signifikan ( Hipotesis 8 diterima )

4. Path Analisys ( Analisa Jalur) Analisis jalur (Path Analysis) sebagai suatu model analisis yang digunakan untuk menjelaskan pola hubungan antar variabel dengan tujuan untuk mengetahui pengaruh langsung maupun tidak langsung dari sejumlah variabel yang dihipotesiskan sebagai variabel sebab (eksogenus) terhadap variabel lainnya yang merupakan variabel akibat (Endogenus) berdasarkan pengetahuan dan pertimbangan teoritis. Oleh karena itu, rumusan masalah penelitian dalam kerangka analisa jalur berkisar pada (1). pengaruh kausal langsung, Apakah variabel eksogen (X1, X2 ....., Xk) berpangaruh terhadap variabel endogen; (2). Berapa besar kausal tidak langsung, kausal total maupun simultan seperangkat variabel eksogen (X1, X2 ....., Xk) terhadap variabel endogen Y. Pengaruh satu variabel terhadap variabel lain dianalisis menggunakan regresi, sedangkan hubungan antara variabel dianalisis dengan menggunakan korelasi. Dengan demikian, hubungan regresi dan maupun korelasi dalam model persamaan struktural merupakan dasar dari perhitungan koefisien jalur. Koefisien jalur terdiri dari koefisien regresi parsial terstandarisai () dan atau koefisien korelasi (r). Dengan demikian analisis jalur bukan merupakan metode untuk menentukan hubungan penyebab satu variabel terhadap variabel lain, tetapi hanya menguji hubungan teoritis antar variabel. Pengaruh langsung maupun tidak langsung dari sejumlah variabel dapat dijelaskan pada gambar berikut ini :

Gambar diatas mencerminkan proposisi besarnya pengaruh langsung atau tidak lansung dari satu variabel eksogenus ke variabel endogenus tertentu. Secara matematik pengaruh langsung atau tidak langsung dari satu variabel eksogenus ke variabel endogenus tertentu dapat menggunakan analisa koefisien jalur yang mengikuti pola model struktural yang ditentukan dengan seperangkat persamaan sebagai berikut : 1. Koefisien Jalur Sub-Struktur 1 Koefisien Jalur Sub-Struktur 1 mengenai pengaruh Independensi Auditor (X1) dan Komitmen Organisasi Profesi (X2) terhadap kepuasan Kerja (Y) dapat digambarkan ke dalam sub struktur seperti dibawah ini.

Koefisien Jalur Sub-Struktur 1 mengenai pengaruh X1, X2 terhadap Y dinyatakan kedalam persamaan struktural sebagai berikut : Y = Pyx1.x1 + Pyx2.x2 + Py1 Dengan demikian besarnya pengaruh variabel Independensi Auditor dan Komitmen Organisasi Profesi terhadap Kepuasan Kerja dapat dinyatakan dengan rincian sebagai berikut : 1. Kepuasan Kerja (Y) dipengaruhi oleh Independensi Auditor (X1) Pengaruh Langsung dari X1 ke Y P11 Pyx1. Pyx1 Pengaruh Tidak Langsung Melalui X2 P12 Pyx1 . Px2x1 . Pyx2 Total Pengaruh Variabel X1 Terhadap Y P1 P11 + P12 2. Kepuasan Kerja (Y) dipengaruhi oleh Komitmen Organisasi Profesi (X2) Pengaruh Langsung dari X2 ke Y P21 Pyx2 . Pyx2

Pengaruh Tidak Langsung Melalui X1 Total Pengaruh Variabel X2 Terhadap Y

P22 Pyx2 . Px2x1 . Pyx1 P2 P21 + P22

Untuk mengetahui seberapa besar prosentase sumbangan dari variabel independen X1, X2 secara bersama-sama terhadap kepuasan kerja (Y) sebagai variabel dependen dapat dilihat dari besarnya koefisien determinasi (R). Dimana R menjelaskan seberapa besar variabel independen yang digunakan dalam penelitian ini mampu menjelaskan variabel dependen. Besarnya sumbangan pengaruh variabel Independensi Auditor (X1) dan Komitmen Organisasi Profesi (X2) terhadap Kepuasan Kerja (Y) adalah sebagai berikut : Ryx1x2 = P1 + P2 Dimana P1 P2 : = Total Pengaruh X1 terhadap Y = Total Pengaruh X2 terhadap Y

Sedangkan pengaruh variabel lain diluar Independensi Auditor (X1) dan Komitmen Organisasi Profesi (X2) terhadap Kepuasan Kerja (Y) dipengaruhi oleh faktor lain (Py1) adalah sebagai berikut : Py1 = 1 - Ryx1x2

5. Pengujian Hipotesis Pengujian terhadap hipotesis hubungan kausal dalam penelitian ini dilakukan dengan cara sebagai berikut :

1. Uji Parsial (Uji t ) Uji Parsial digunakan untuk mengetahui pengaruh masing-masing variabel bebas terhadap variabel terikat. Uji Parsial dilakukan dengan membandingkan antara nilai t
hitung

dengan nilai t tabel. Untuk menentukan nilai t tabel ditentukan dengan tingkat signifikasi 5% dengan derajat kebebasan df = (n-k-1) dimana : a. Untuk menguji hipotesis korelasional, dengan menggunakan rumus : 1. Koefisien korelasi.
r= n . X.Y - X .

n . X 2

(X )

Y n . Y - (Y )
2

Di mana : r = X = Y = 2 X = Y2 = XY = n =

Korelasi Jumlah skor-skor X Jumlah skor-skor Y Jumlah skor-skor X yang dikuadratkan Jumlah skor-skor Y yang dikuadratkan Jumlah dari hasil perkalian antara skor X dan skor Y Banyaknya sampel

= Sigma/jumlah

2. t hitung = r Keterangan : t = t hitung r = Koefisien korelasi n = Jumlah sampel b. Untuk menguji hipotesis Kausalitas, dengan menggunakan rumus : PXuXi t hitung = 1 - RXu (X1,X2...Xk) . Cii n - k - 1 Keterangan : PxuXi RXu (X1,X2...Xk)
n-2 1- r2

: :

Koefisien Analisis Jalur Koefisien Determinasi Total

Cii N k

Koefiesien Regresi atau Koefiesien Korelasi : Jumlah Sampel : Jumlah Variabel Bebas
:

Kriteria pengujian yang digunakan adalah : Jika t hitung > t tabel (n-k-1) maka Ho ditolak Jika t hitung < t tabel (n-k-1) maka Ho diterima Selain itu uji t tersebut dapat pula dilihat dari besarnya probabilitas value (p value) dibandingkan dengan 0,05 (Taraf signifikansi = 5%). Adapun Kriteria pengujian yang digunakan adalah : Jika p value < 0,05 maka Ho ditolak Jika p value > 0,05 maka Ho diterima 2. Uji Simultan (Uji F) Uji Simultan ini digunakan untuk mengetahui ada tidaknya pengaruh secara bersama-sama (simultan) variabel-variabel independen (bebas) terhadap variabel dependen terikat). Pembuktian dilakukan dengan cara membandingkan nilai F hitung dengan F tabel pada tingkat kepercayaan 5% dan derajat kebebasan (degree of freedom) df = (n-k-1) dimana : ( n k 1 ) Ryx1x2x3x4 F hitung = k ( 1 - Ryx1x2x3x4 ) Kriteria pengujian yang digunakan adalah : Jika F hitung > F tabel (n-k-1) maka Ho ditolak Arti secara statistik data yang digunakan membuktikan bahwa semua variabel independen ( X1 dan X2 ) berpengaruh terhadap nilai variabel (Y) Jika F hitung < F tabel (n-k-1) maka Ho diterima Arti secara statistik data yang digunakan membuktikan bahwa semua variabel independen (X1 dan X2) tidak berpengaruh terhadap nilai variabel (Y). Selain itu uji F dapat pula dilihat dari besarnya probabilitas value (p value) dibandingkan dengan 0,05

(Taraf signifikansi = 5%). Adapun Kriteria pengujian yang digunakan adalah : Jika p value < 0,05 maka Ho ditolak Jika p value > 0,05 maka Ho diterima

Contoh Penelitian Dengan Judul : APLIKASI ANALISIS FAKTOR KONFIRMATORI UNTUK MENGETAHUI HUBUNGAN PEUBAH INDIKATOR DENGAN PEUBAH LATEN YANG MEMPENGARUHI PRESTASI MAHASISWA

DI JURUSAN MATEMATIKA FMIPA UNSRI Metodologi Penelitian Tabel 1. Peubah indikator, peubah laten dan simbolnya.
Peubah Laten Latar belakang Keluarga Lingkungan belajar diluar kampus Simbol Peubah laten 1 Simbol Peubah indikator X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16 X17 X18 X19

Peubah indikator 1.Pendidikan ayah 2.Pendidikan ibu 3.Penghasilan orang tua 1.Waktu tempuh ke kampus 2.Fasilitas belajar di rumah 3.Belajar kelompok 4.Menyelesaikan tugas 5.Konsentrasi belajar 1.Keputusan memilih UNSRI 2.Keaktifan berorganisasi 3.Fasilitas ruang belajar di jurusan 4.Fasilitas perpustakaan 5.Fasilitas komputer di jurusan 6.Hubungan dengan dosen 1.Kesukaan terhadap dosen 2.Sistem evaluasi oleh dosen 3.Sistem pembelajaran oleh dosen 4.Sistem Penugasan oleh Dosen 5.Hubungan dengan PA

Sikap terhadap almamater

Presepsi terhadap mahasiswa dosen

Model hubungan antara peubah-peubah indikator dengan peubah-peubah laten 1

X1 X2 X3 X4 X5 X6

2 3 4 5

1 2 3

4 5 6 7

7 8 14 15

X7 X8 X9 X10 X11 X12 X13 X14 X15 X16 X17 X18 X19

16 17 18 19 15 16

14 15 16 17 18 19

17 18 19

15 16 17 18 19

Gambar 1 Model Analisis Faktor Konfirmatori untuk 1, 2, 3 dan 4 adalah peubah laten eksogen (berupa lingkaran), untuk i = 1, 2, 3 dan 4 untuk : i = 1, 2, ..., 19

Xi adalah peubah indikator pembentuk peubah laten eksogen (berupa kotak), i adalah galat peubah indikator, untuk : i = 1, 2, 3,...,19

Hasil pendugaan Metode Kemungkinan Maksimum dan Interpretasi Dengan mensubstitusikan nilai delta () dan nilai dugaan parameter lamda () untuk masing-masing peubah indikator pada Gambar 2 ke dalam persamaan 12 untuk

masing-masing peubah laten, maka diperoleh hubungan antara peubah indikator dengan peubah latennya, yaitu sebagai berikut: a. Peubah Laten Latar Belakang Keluarga (e1 = 1 ) Model untuk peubah laten latar belakang keluarga, yaitu: x1 = 0,75 1 + 0,44 , x 2 = 0,85 1 + 0,28 , x3 = 0,29 1 + 0,91 Dari persamaan diatas dapat dilihat bahwa nilai parameter ( 1 ) adalah 0,75, artinya jika 1 meningkat sebesar 1, maka diharapkan x1 meningkat sebesar 0,75 dengan nilai galatnya sebesar 0,44. Untuk nilai parameter ( 2 ) adalah sebesar 0,85, artinya jika 1 meningkat sebesar 1, maka diharapkan x 2 meningkat 0,85, dengan nilai galatnya sebesar 0,28, dan seterusnya. Pendidikan ibu ( x 2 ) memberikan nilai parameter terbesar yaitu 0,85 dibandingkan dengan peubah indikator yang lain. Hal ini menunjukan bahwa pendidikan ibu memberikan kontribusi terbesar dalam membentuk peubah laten latar belakang keluarga. b. Peubah Laten Lingkungan Belajar diluar Kampus (e2 = 2 ) Model untuk lingkungan belajar diluar kampus, yaitu:
x4 = 0,25 2 + 0,94 , x5 = 0,80 2 + 0,39 , x6 = 0,08 2 + 0,99 , x7 = 0,14 2 + 0,98 , x8 = 0,17 2 + 0,97

Dari persamaan diatas dapat dilihat bahwa nilai parameter 4 adalah 0,25, artinya jika 2 meningkat sebesar 1, maka diharapkan x 4 meningkat sebesar 0,25 dengan nilai galatnya sebesar 0,94. Untuk nilai parameter 5 adalah -0,80, artinya jika 2 meningkat sebesar 1, maka diharapkan x5 menurun sebesar 0,80, dengan nilai galatnya sebesar 0,39, dan seterusnya analog untuk peubah indikator lainnya. Indikator fasilitas belajar di rumah (
x 5 ) memberikan nilai parameter terbesar yaitu -0,80 (dimana nilai negatif yang dihasilkan

hanya menunjukan x5 dan 2

berkorelasi negatif ) dibandingkan dengan peubah

indikator yang lain. Hal ini menunjukan bahwa fasilitas belajar di rumah memberikan kontribusi terbesar dalam membentuk peubah laten lingkungan belajar di luar kampus. c. Peubah Laten Sikap terhadap Almamater (e3 = 3 ) Model untuk sikap terhadap almamater, yaitu:
x9 = 0,09 3 + 1,00 , x10 = 0,15 3 + 0,98 , x11 = 1,08 3 0,15 , x12 = 0,72 3 + 0,49 , x13 = 0,27 3 + 0,93 , x14 = 0,03 3 + 1,00

Dari persamaan diatas dapat dilihat bahwa nilai parameter ( 9 ) adalah -0,09, artinya jika 3 meningkat sebesar 1, maka diharapkan x9 menurun sebesar 0,09 dengan nilai galatnya sebesar 1,00. Untuk nilai parameter ( 10 ) adalah sebesar -0,15, artinya jika

3 meningkat sebesar 1, maka diharapkan x10 menurun sebesar 0,15, dengan nilai
galatnya sebesar 0,98, dan seterusnya analog untuk peubah indikator lainnya. Indikator fasilitas ruang belajar di jurusan ( x11 ) memberikan nilai parameter terbesar yaitu -1,08 (dimana nilai negatif yang dihasilkan hanya menunjukan bahwa x11 dan 3 berkorelasi negatif) dibandingkan dengan peubah indikator yang lain. Hal ini menunjukan bahwa fasilitas ruang belajar di jurusan memberikan kontribusi terbesar dalam membentuk peubah laten sikap terhadap almamater. d. Peubah Laten Persepsi Mahasiswa terhadap Dosen (e4 = 4 ) Model untuk persepsi terhadap dosen yaitu: x15 = 0,13 4 + 0,98 , x16 = 0,45 4 + 0,79 , x17 = 0,73 4 + 0,46
x18 = 0,57 4 + 0,68 , x19 = 0,29 3 + 0,92

Untuk nilai parameter ( 15 ) adalah sebesar 0,13, artinya jika 4

meningkat

sebesar 1 , maka diharapkan x15 meningkat sebesar 0,13, dengan nilai galatnya sebesar 0,98. Untuk nilai parameter ( 16 ) adalah sebesar 0,45, artinya jika 4 meningkat sebesar 1, maka diharapkan x16 meningkat 0,45, dengan nilai galatnya sebesar 0,79. dan

seterusnya analog untuk peubah indikator lainnya. Peubah indikator sistem pembelajaran oleh dosen ( x17 ) memberikan nilai parameter terbesar yaitu 0,73 satuan dibandingkan dengan peubah indikator yang lain. Hal ini menunjukan bahwa sistem pembelajaran oleh dosen memberikan kontibusi terbesar dalam membentuk persepsi mahasiswa terhadap dosen. Uji Kevalidan Untuk menguji Kevalidan suatu indikator dalam mengukur peubah laten atau untuk menkonfirmasikan bahwa peubah-peubah laten pada model merupakan peubah yang mendasari peubah indikator, dapat dinilai dengan cara menguji apakah semua loadingnya-nya (i) nyata yaitu memiliki nilai uji-t lebih besar dari sebaran t dengan taraf kepercayaan () tertentu. Nilai uji t untuk nilai-nilai dugaan parameter model dapat dilihat pada Tabel 3. Pada Tabel 3 dapat dilihat dugaan-dugaan parameter lamda yang tidak signifikan untuk taraf signifikansi 5% dan 1% untuk masingmasing peubah laten yaitu : untuk peubah laten Peubah Laten Lingkungan Belajar diluar Kampus, parameter 62 dan
72

tidak

signifikan, artinya bahwa belajar kelompok ( x 6 ) dan menyelesaikan tugas ( x 7 ) bukan merupakan peubah indikator untuk lingkungan belajar diluar kampus ( 2 ), untuk Peubah laten sikap terhadap almamater, parameter 93 , 103 dan 143 tidak signifikan, artinya bahwa keputusan memilih UNSRI ( x9 ), keaktifan berorganisasi ( x10 ) dan hubungan dengan dosen ( x14 ) bukan merupakan peubah indikator untuk sikap terhadap alamamater , untuk peubah laten persepsi terhadap dosen, parameter tidak signifikan, artinya 164 bahwa kesukaan terhadap dosen ( x15 ) bukan merupakan peubah indikator untuk persepsi terhadap dosen.

Tabel 3 Nilai Dugaan Parameter Model dengan Uji t


Peubah laten Peubah indikator Parameter ( ) t-value Peubah laten Peubah indikator Parameter ( ) t-value

x1

11

5,58* 6,36* 2,94* 2,62* -5,18* -0,67 -1,04

x9
x10

93
103 113
123

-0,91 -1,57 -8,41* -7,14* -2,80* -0,27 1,15

x2
x3

21
31

x11 x12
x13

x4
x5

42

52
62
72

133 143
154

x6 x7 x8

x14

x15

*) **)

x16 164 4,00* 1,99** Signifikan pada taraf 1% (dengan nilai t-value < -2,23 atau > 2,23) Signifikan pada taraf 5% (dengan nilai t-value < -1,96 atau > 1,96)

82

Evaluasi Model Nilai uji Chi-Square ( 2 ) yang diperoleh untuk model adalah 303,31, dengan derajat bebasnya adalah 146, artinya bahwa model yang dibuat belum dapat mewakili dengan baik hubungan yang terdapat pada sampel, atau dapat dikatakan bahwa model tidak konsisten dengan hubungan yang terjadi pada data sebenarnya. Nilai GFI yang diperoleh adalah 0,81, nilai ini mendekati 1, artinya bahwa model yang dibuat sudah cukup baik. Nilai AGFI yang diperoleh adalah 0,75, nilai ini mendekati 1, artinya bahwa model yang dibuat sudah cukup baik. Nilai RMSEA yang diperoleh adalah 0,089 artinya bahwa model yang dibuat sudah cukup baik atau cukup mewakili model. Dari hasil evaluasi model diperoleh nilai untuk uji GFI sebesar 0,81, AGFI sebesar 0,75 dan RMSEA sebesar 0,089. Untuk suatu penelitian hasil ini sudah dikatakan cukup baik, artinya bahwa data sudah cukup mewakili model. Tetapi agar diperoleh hasil uji yang lebih baik sehingga memenuhi aturan umum yang disarankan untuk kelayakan sebuah model yaitu nilai GFI lebih besar dari 0,90, nilai AGFI lebih besar dari 0,80 dan nilai RMSEA kurang dari 0,80 (Sharma, 1996), yaitu dengan cara menghilangkan peubahpeubah indikator yang tidak signifikan pada uji kevalidan, diperoleh koefisien-koefisien dugaan parameter seperti terlihat pada Gambar Confirmatory Factor Analisis. Pada Gambar CFA setelah menghilangkan peubah-peubah indikator yang tidak signifikan, maka diperoleh hasil GFI sebesar 0,91, AGFI sebesar 0,86 dan RMSEA sebesar

0,59. Hal ini sesuai dengan aturan umum yang disarankan untuk kelayakan sebuah model yaitu niai GFI lebih besar dari 0,90, nilai AGFI lebih besar dari 0,80 dan nilai RMSEA kurang dari 0,80. Hasil uji kevalidan dari masing-masing indikator dapat dilihat pada Tabel 4. Tabel 4. Nilai parameter untuk peubah-peubah indikator dengan Uji-t
Peubah indikator Parameter ( ) t-value 6,77* 7,33* 3,10* 2,04** -3,34* 1,65*** 10,52* Peubah indikator Parameter ( )
123

t-value 8,45* 3,43* 4,40* 6,89* 5,57* 2,83*

x1 x2
x3

11

x12
x13 x16

21
31

133
164

x4
x5 x8

42

x17
x18 x19

174
184 194

52
82

x11

113

*) Signifikan pada taraf 1% (dengan nilai t-value < - 2,23 atau > 2,23) **) Signifikan pada taraf 5% (dengan nilai t-value < - 1,96 atau > 1,96) ***) Signifikan pada taraf 10% (dengan nilai t-value < - 1,64 atau > 1,64)

Pada tabel 4, terlihat bahwa dengan menghilangkan peubah-peubah indikator yang tidak valid pada Gambar CFA, maka hampir semua parameter model signifikan pada taraf 1%, dan hanya nilai parameter untuk peubah indikator ( x4 ) dan ( x8 ) yang signifikan pada taraf 5 % dan 10 %. Artinya bahwa dengan menghilangkan peubah-peubah indikator yang tidak signifikan diperoleh model yang sangat baik atau menunjukan bahwa data yang diambil sudah mewakili data yang sebenarnya.