Input untuk analisis SEM bisa berupa matrik korelasi, matrik kovarian atau data
mentah. Kalau kita melakukan survai, maka input paling mudah adalah data
mentah.
Program kita adalah LISREL. Disarankan program yang digunakan minimal adalah
LISREL 8.7 keluaran tahun 2004 karena sifatnya sudah user friendly (Wijanto,
2008). Data mentah dapat diketikkan langsung pada program LISREL, bisa pula ke
program SPSS, kemudian ’di-impor’ ke LISREL.
Kali ini kita menggunakan data mentah yang sudah disimpan di LISREL. Data yang
digunakan berasal dari Simamora (2011). Memang data sudah kurang up-to-date,
tetapi untuk kebutuhan pembelajaran kekurangan tersebut tidak masalah.
Selanjutnya, buka menu: File >New > Simplis project>OK. Kemudian, pada layar
pilihan yang terbuka, beri nama file sesuka anda. Tetapi, untuk kasus ini kita
beri nama Anteseden Incom.spj. Akan muncul layar kosong seperti di bawwah ini.
Layar kosong itu adalah tempat (space) untuk menulis program sesuai dengan
model SEM yang kita miliki.
Pemeriksaan awal paling mudah dilakukan adalah pada path diagram. Lihat path
diagram hasil analisis kita (Gambar 12.8). Dua pertanyaan terkait gambar ini,
pertama adalah apakah variabel-variabel pengamatan valid? Kedua, apakah
modelnya fit? Untuk pertanyaan pertama, periksa dulu factor loading. Batas
terendahnya adalah 0.5 (Hair et al., 2006) atau 0.7 (Wijanto, 2008).
Dua kriteria model fit yang selalu menyertai path diagram adalah Chi-Square dan
RMSEA. Nilai Chi-Square diharapkan rendah, sehingga nilai sig.>0.05. Model kita
tidak memenuhi kriteria ini. Nilai RMSEA diharapkan paling tidak di bawah 0.10
agar model dianggap fit.
Apabila keduanya tidak memenuhi maka model tidak dapat diterima karena hasil
uji koefisien tidak dapat dipercaya. Maunya keduanya dipenuhi, namun tradisi
peneliti menganggap bahwa RMSEA adalah keharusan (must), sehingga walaupun Chi-
Square tidak memenuhi, sepanjang RMSEA memenuhi model dapat diterima.
Dengan mengeluarkan keempat variabel tersebut, diperoleh path diagram baru yang
’goodness-of-fit’-nya lebih baik. Nilai Chi-square berkurang dari 581.50
menjadi 278.19 walaupun masih tetap mengindikasikan bad fit. Nilai RMSEA
berkurang dari 0.112 (bad fit) menjadi 0.95 (marginal fit).
DECREASE IN CHI-
BETWEEN NEW ESTIMATE
SQUARE
PAE1 INCOM4 11.3 0.07
PAE2 PAE1 12.9 0.08
PAE4 PAE1 14.8 -0.09
PAE4 PAE2 10.2 -0.07
PAE4 PAE3 9.3 0.07
PAE5 PAE3 12.2 -0.08
PAE5 PAE4 17.3 0.09
FUNC2 FUNC1 62.3 0.62
FUNC3 FUNC1 12.1 -0.13
FUNC5 FUNC3 61.0 0.33
SYM1 INCOM3 8.3 0.04
SYM2 SYM1 17.4 0.06
SYM4 SYM2 9.4 -0.04
Sumber: Output LISREL
Dengan memanfaatkan modification indices, maka program simplis kita yang baru
adalah sebagai berikut:
=============
Sample size=202
Relationships:
INCOM3 INCOM4=incom
pae=incom exsym
Options: SC EF
Path Diagram
End of Problem
==============
Dengan program simplis baru ini hasil yang kita peroleh lebih baik. Nilai Chi-
Square berkurang dari 278.14 menjadi 234.59 walaupun nilai signifikasinya masih
dari batas yang diharapkan. Nilai RMSEA menurun dari 0.095 (marginal fit)
menjadi 0.083 atau kalau dibulatkan 0.08 (good fit).
Menurut Hair et al. (2006), validitas konstruk adalah suatu ukuran yang
menyatakan kemampuan variabel-variabel pengamatan menggambarkan konstruknya.
Menurut mereka validitas konstruk meliputi validitas konvergen dan validitas
diskriminan. Validitas konvergen menyatakan kesamaan (commonality) variabel-
variabel pengamatan. Validitas diskriminan menggambarkan perbedaan antar
konstruk.
di mana, FLi=factor loading ke-i dan n = jumlah item atau variabel pengamatan.
Nilai CR yang baik adalah 0.7 atau lebih. Namun, pada selang 0.6<CR<0.7 pun,
nilai CR masih dapat diterima (Hair et al., 2006; Wijanto, 2008).
Nilai AVE dan CR disajikan pada Tabel 12.3. Nilai AVE mudah diperoleh. Caranya
adalah memangkat-duakan factor loading, yang disebut variance extracted (VE),
lalu mencari rata-ratanya, yang dinamakan average variance extracted (AVE).
Bagaimana kalau AVE dan CR tidak terpenuhi? Apabila suatu variabel laten belum
memenuhi AVE≥0.5 dan CR≥0.6, item yang memiliki nilai FL terkecil dan nilainya
kurang dari 0.7 dikeluarkan lagi, lalu kembali dilakukan analisis faktor
konfirmatori. AVE dan CR dihitung lagi. Kalau konstruk tetap belum memenuhi
nilai VE dan CR, item yang memiliki FL<0.7 dan terkecil dikeluarkan lagi.
Proses ini diulang terus dan batas terakhir adalah dua item (Worthington dan
Whittaker, 2006). Apabila nilai FL ≥ 0.71, dengan sendirinya memenuhi
persyaratan nilai VE ≥ 0.5, maka menurut Byon dan Zhang (2010), kedua item yang
tersisa dianggap memenuhi validitas konvergen.
Apabila nilai FL salah satu atau kedua item yang tersisa 0.7 atau kurang dan
tidak memenuhi kriteria VE dan CR, maka kedua item dianggap tidak memenuhi
validitas konvergen. Namun, konstruk tetap digunakan dengan resiko bahwa
konstruk demikian dapat membiaskan hubungan antar konstruk (MacKenzie, 2003).
Keterangan:
1. Data korelasi (R) antar variabel laten diperoleh dari output LISREL
2. Data AVE diperoleh dari Tabel 12.4