\
|
|
.
|
\
|
n
j
d
p j
5 , 0
,
2 2
_ ,dimana |
.
|
\
|
n
j
p
5 , 0
2
_ adalah persentil
n
j ) 5 , 0 ( 100
dari distribusi
2
_ derajat bebas p.
Apabila plot mendekati garis lurus maka disimpulkan bahwa data berdis-tribusi
multivariat normal, yang mana kelengkungan menunjukkan penyimpangan kenormalan.
Outlier adalah observasi yang muncul dengan nilai-nilai ekstrim baik seca-ra univariat
maupun multivariat dan terlihat sangat jauh berbeda dengan obser-vasi-observasi lainnya.
Untuk menyelidiki adanya outlier dengan menggunakan jarak mahalanobis.
) ( ) (
1 '
k i k i k i
x x S x x D =
i,k=1,2,... (2.2)
Bila ada nilai
ik
D melebihi nilai dari ) , (
2
p df _ maka ada indikasi adanya outlier.
Perlakuan bila terdapat outlier ada tiga (Kline, 1998) yaitu: Dihiraukan bila tidak diketahui
penyebabnya, dihilangkan dari sampel bila tidak menyebab-kan penurunan kelayakan model,
dan yang terakhir memodifikasi skor agar pengaruh outlier minimum. Asumsi lain yang harus
dipenuhi dalam SEM adalah tidak adanya kasus multikolinieritas yaitu tidak adanya korelasi
yang sempurna atau besar diantara variabel-variabel indikator. Nilai korelasi antara variabel
indikator yang tidak diperbolehkan adalah sebesar 0.9 atau lebih (Ghozali, 2005).
Langkah kelima adalah menilai identifikasi model struktural Cara melihat ada
tidaknya problem identifikasi adalah melihat hasil estimasi yang meliputi : (1) adanya nilai
standar error yang besar untuk satu atau lebih koefisien; (2) ketidakmapuan program untuk
invert information matrix; (3) nilai estimasi yang tidak mungkin misalnya error variance
yang negatif.
Langkah keenam Menilai kriteria Goodness of Fit Goodness of fit, mengukur
kesesuaian input observasi atau sesungguhnya (matrik kovarian atau korelasi) dengan prediksi
dari model yang diajukan. Ada tiga jenis ukuran goodness of fit yaitu (1) absolute fit measure,
(2) incremental fit measures dan (3) parsimonious fit measures, kriteria tersebut dapat dilihat
berdasarkan tabel berikut.
No. Ukuran Derajat
Kecocokan
Keterangan Tingkat kecocokan
yang bisa diterima
1.
Chi Square
Normed Chi Square
(x
2
/df)
Menguji apakah kovarians
populasi yang diestimasi sama
dengan kovarians sampel (apakah
model sesuai dengan data)
rasio perbandingan antara nilai
chi-square dengan degrees of
freedom
Batas bawah = 1.0
Batas atas = 2.0 atau
3.0
dan x
2
/df > 5
2.
Non-Centraly
Parameter (NCP)
mengukur tingkat penyimpangan
antara simple covariance matrix
dan fitted (model).
Kecil
3.
Goodness of Fit
Indices (GFI)
Suatu ukuran mengenai ketepatan
model dalam menghasilkan
observed matriks kovarian
0.80 GFI 0,9
4.
Root Mean Square
Error of
Approximation
(RMSEA)
Rata-rata perbedaan degree of
fredom yang diharapkan terjadi
dalam populasi, dan bukan sampel
RMSEA 0,08
(good fit)
RMSEA< 0,05
(close-fit)
5.
Expected Cross
Validation index
(ECVI)
Mengukur penyimpangan antara
fitted (model) matriks kovarian
pada sampel yang dianalisis dan
kovarian matrik yang akan
diperoleh pada sampel lain, tetapi
memiliki ukuran sampel yang sama
besar
ECVI < ECVI
Saturated dan ECFI
for independence
model
6.
CFI
(Comparative Fit
Index)
Uji kelayakan model yang
diusulkan dengan model dasar
CFI > 0,9
2.4 Kelebihan dan Kelemahan Structural Equation Modelling
Kelebihan Structural Equation Modelling Kelemahan Structural Equation Modelling
Komprehensif Penggunaan SEM Sangat Dipengaruhi oleh
Asumsi Parametrik yang Harus Dipenuhi
Mengakomodasi Model-model yang
Kompleks
SEM Mengharuskan Dalam Membentuk
Variabel Laten, Indikator-indikatornya
Bersifat Refleksif
Permodelan Variabel Laten
Kemungkinan Adanya Pengujian Model
Secara Keseluruhan daripada Koefisien-
koefisien Secara Sendiri-sendiri
2.5 Aplikasi Structural Equation Modelling di Dunia Bisnis
Di dalam ilmu manajemen, pengukuran yang digunakan dalam riset bisnis telah
mengalami perkembangan yang luar biasa. Penggunaan analisis kuantitatif dalam ilmu
manajemen diperlukan guna menjelaskan suatu seni terkadang harus berhadapan dengan
variabel-variabel yang tidak dapat diukur secara langsung, melainkan harus menggunakan
indicator. Variabel ini sering dijumpai dalam penelitian-penelitian bisnis maka dari itu
structural equation modeling adalah metode yang sering digunakan dalam riset bisnis, contoh
analisis dalam riset bisnis dan manajemen yang sering menngunakan metode ini antara lain :
1. Untuk riset kepuasan pelanggan suatu produk / jasa, dalam hal ini sering sekali
menggunakan metode structural equation modelling dikarenakan kepuasan pelanggan
tidak dapat diukur secara langsung, melainkan diukur dari beberapa indicator / yang
biasa disebut variabel laten.
2. Untuk riset loyalitas pelanggan terhadap suatu produk / jasa.
3. Untuk riset kepemimpinan seorang pemimpin di suatu perusahaan.
4. Untuk riset perubahaan manajemen di suatu perusahaan.
5. Untuk riset kinerja suatu perusahaan.