Seorang peneliti sedang meneliti bagaimana perilaku donor pada sebuah website crowdfunding.
Peneliti ini memiliki beberapa hipotesis:
• Donor behavior intention (BI) dipengaruhi attitude (ATT) dan moral obligation (MR)
• Attitude (ATT) dipengaruhi oleh moral obligation (MR) dan subjective norm (SN)
• Moral obligation (MR) dipengaruhi oleh perceived needs (PN)
Untuk itu peneliti telah mengembangkan instrumen alat ukur survey untuk mengukur construct-
construct penelitian tersebut di atas.
• Donor behavior intention diukur melalui indikator BI1 sampai dengan BI4
• Attitude diukur melalui indikator ATT1 sampai dengan ATT4
• Moral obligation diukur melalui indikator MR1 sampai dengan MR6
• Subjective norm diukur melalui indikator SN1 sampai dengan SN3
• Perceived needs diukur melalui PN1 sampai dengan PN4
A. Model Struktural dan Model Pengukuran
Berdasarkan deskripsi permasalahan yang sudah dijelaskan, terdapat tiga hipotesis yang ingin
dibuktikan yaitu:
• Donor behavior intention (BI) dipengaruhi attitude (ATT) dan moral obligation (MR)
• Attitude (ATT) dipengaruhi oleh moral obligation (MR) dan subjective norm (SN)
• Moral obligation (MR) dipengaruhi oleh perceived needs (PN)
Berdasarkan hipotesis tersebut, maka model matematis yang menggambarkan model struktural dari
permasalahan ini adalah sebagai berikut:
Berdasarkan persamaan model struktural tersebut, maka model struktural dapat digambarkan
sebagai berikut.
Gambar 1 Model struktural permasalahan
Setelah menggambarkan model struktural, maka dilakukan proses pembuatan model pengukuran
(measurement model). Model pengukuran adalah model yang digunakan untuk mendefinisikan
variabel laten (construct) berdasarkan variabel atau indikator tertentu. Berdasarkan deskripsi
permasalahan yang sudah dijelaskan, terdapat informasi yang dapat digunakan untuk
menggambarkan model pengukuran, yaitu sebagai berikut:
• Donor behavior intention diukur melalui indikator BI1 sampai dengan BI4
• Attitude diukur melalui indikator ATT1 sampai dengan ATT4
• Moral obligation diukur melalui indikator MR1 sampai dengan MR6
• Subjective norm diukur melalui indikator SN1 sampai dengan SN3
• Perceived needs diukur melalui PN1 sampai dengan PN4
Berdasarkan informasi tersebut, maka model pengukuran dapat digambarkan sebagai berikut.
Tabel 1 memperlihatkan hasil perhitungan CFA. Berdasarkan hasil tersebut, dapat dilihat bahwa masih
terdapat beberapa indikator yang memiliki loading factor di bawah 0.5. Menurut Hair et al (2019),
suatu indikator dianggap dapat merefleksikan suatu variabel laten (construct) jika nilai loading factor
di atas 0.5. Oleh karena itu, re-spesifikasi model perlu dilakukan.
C. Analisis Kebaikan Model dan Re-spesifikasi Model
Analisis kebaikan model dilakukan dengan melihat validitas model dan reliabilitas model. Parameter
pertama adalah construct validity dan reliability. Untuk mengukur parameter ini, digunakan indikator
composite reliability. Grafik di bawah ini menunjukkan nilai composite reliability.
Gambar 3 Composite reliability
Pada grafik di atas dapat dilihat bahwa masih terdapat satu construct yang tidak memenuhi syarat
composite reliability. Hal ini mungkin terjadi karena pada Tabel 1, construct MR memiliki beberapa
indikator yang factor loading-nya di bawah 0.5. Parameter kedua adalah discriminant validity. Untuk
mengukur parameter ini, digunakan indikator Fornell-Larcker Criterion. Tabel di bawah ini
menunjukkan hasil Fornell-Larcker Criterion.
Tabel 2 Fornell-Lacker Criterion
Berdasarkan Tabel 2, dapat dilihat bahwa nilai pada sel diagonal lebih besar dari pada nilai sel di
bawahnya. Hal ini menunjukkan bahwa setiap construct valid digunakan.
Berdasarkan analisis kebaikan model dan analisis CFA, maka re-spesifikasi model perlu dilakukan. Re-
spesifikasi dilakukan dengan menghapus indikator yang memiliki nilai factor loading di bawah 0.5.
Gambar di bawah ini merupakan model grafis SEM yang baru.
Gambar 4 Model grafis re-spesifikasi
Hasil analisis CFA untuk model SEM yang baru adalah sebagai berikut.
Tabel 3 Analisis CFA untuk model re-spesifikasi
Berdasarkan Tabel 3, dapat dilihat bahwa factor loading untuk setiap indikator seluruhnya sudah di
atas 0.5. Hal ini menunjukkan bahwa setiap indikator merefleksikan construct-nya. Selanjutnya
dilakukan analisis construct validity dan reliability. Gambar 5 merupakan grafik yang menunjukkan
nilai composite reliability untuk setiap construct.
Gambar 5 Composite reliability model re-spesifikasi
Berdasarkan Gambar 5, dapat dilihat bahwa nilai composite reliability untuk setiap construct sudah di
atas 0.7. Sehingga dapat disimpulkan bahwa model re-spesifikasi reliabel.
Sedangkan hasil estimasi parameter model measurement dapat dilihat pada tabel berikut:
Apabila digambarkan menggunakan diagram struktur, dapat dilihat hasil estimasi parameter sebagai
berikut:
Sebelum melakukan analisis kebaikan model SEM, offending estimates dilakukan terlebih dahulu
untuk meminimasi sejumlah hal yang mengurangi nilai estimates yang mengganggu seperti variansi
error negatif, standardized coefficient yang mendekati 1, nilai standard error untuk nilai yang
diestimasi sangat besar.
Selanjutnya dilakukan pengukuran goodness of fit yang dilakukan dengan 2 tahap, yakni menguji
model pengukuran (measurement model) lalu dilakukan pengujian model pengukuran dan model
struktural secara simultan (pengujian model SEM). Pengujian model SEM dilakukan dengan
membandingkan matriks kovarians sampel dengan estimasi matriks kovarians populasi yang
dihasilkan. Pengujian perbandingan kedua matriks ini dapat dilakukan dengan Goodness of test. Dalam
kasus ini, goodness of fit dilakukan menggunakan metode absolute fit measures dengan menggunakan
nilai probabilitas dari distribusi chi-square.
= 136
Berdasarkan nilai statistik chi-square diperoleh nilai kurang dari 0,05 yang menunjukkan bahwa nilai
statistik signifikan sehingga untuk ukuran sampel 250 dengan jumlah indikator observasi sebesar 15,
maka dapat disimpulkan bahwa model fit.
Selain menggunakan goodness of fit, analisis kebaikan model juga dilakukan dengan melihat
signifikansi dari parameter secara individu. Dari hasil estimasi parameter untuk model struktur,
diperoleh informasi bahwa hubungan antara Y1 dan Y3 tidak signifikan (p value>0,05) sehingga re-
spesifikasi model perlu dilakukan dengan menghilangkan hubungan antara keduanya sehingga
diperoleh hasil sebagai berikut:
Setelah hubungan antara Y1 dan Y3 dihilangkan, diperoleh hasil seluruh parameter telah signifikan
seperti yang dapat dilihat pada tabel berikut:
Goodness of fit setelah dilakukan re- re-spesifikasi dilakukan dengan menggunakan metode absolute
fit measures dengan menggunakan nilai probabilitas dari distribusi chi-square.
= 136
1. Variabel latent X1 atau perceived need (PN), memperlihatkan bahwa indikator PN1, PN2, dan
PN3 signifikan sebagai indikator dari perceived need. Sedangkan indikator PN1 merupakan
indikator yang paling dominan terhadap PN karena memiliki faktor loading terbesar (0.761).
Oleh karena itu indikator PN1 perlu ditingkatkan agar perceived need meningkat.
2. Variabel latent X2 atau subjective norm (SN), memperlihatkan bahwa indikator SN1, SN2, dan
SN3 signifikan sebagai indikator dari subjective norm. Sedangkan indikator SN2 merupakan
indikator yang paling dominan terhadap SN karena memiliki faktor loading terbesar (0.805).
Oleh karena itu indikator SN2 perlu ditingkatkan agar subjective norm meningkat.
3. Variabel latent Y1 atau moral obligation (MR), memperlihatkan bahwa indikator MR1, MR3,
dan MR5 signifikan sebagai indikator dari moral obligation. Sedangkan indikator MR2, MR4,
dan MR6 tidak signifikan sebagai terhadap moral obligation. Indikator MR1 merupakan
indikator yang paling dominan terhadap MR karena memiliki faktor loading terbesar (0.772).
Oleh karena itu indikator MR1 perlu ditingkatkan agar moral obligation meningkat.
4. Variabel latent Y2 atau attitude (ATT), memperlihatkan bahwa indikator ATT1, ATT2, ATT3, dan
ATT4 signifikan sebagai indikator dari attitude. Indikator ATT2 merupakan indikator yang
paling dominan terhadap ATT karena memiliki faktor loading terbesar (0.709). Oleh karena
itu indikator ATT2 perlu ditingkatkan agar attitude meningkat.
5. Variabel latent Y3 atau behavior intention (BI), memperlihatkan bahwa indikator BI1, BI2, BI3,
dan BI4 signifikan sebagai indikator dari behavior intention. Indikator BI3 merupakan indikator
yang paling dominan terhadap BI karena memiliki faktor loading terbesar (0.702). Oleh
karena itu indikator BI3 perlu ditingkatkan agar behavior intention meningkat.
Oleh karena itu untuk dapat meningkatkan perilaku donor darah (behavior intention) dari
website crowdfunding maka aspek yang paling penting untuk ditingkatkan yaitu attention.
Sedangkan attention sendiri paling dipengaruhi oleh aspek moral obligation. Moral obligation
sangat dipengaruhi oleh perceived need. Untuk dapat memaksimalkan setiap aspek, maka perlu
memaksimalkan setiap indikator yang paling berpengaruh.