Keunggulan SEM
https://khansamhamnida.wordpress.com
Ada beberapa keunggulan SEM diantaranya adalah
1.Kemampuan untuk membuat model konstruk-konstruk sebagai variabel laten atau variabel –
variabel yang tidak diukur secara langsung, tetapi diestimasi dalam model dari variabel-variabel
yang diukur yang diasumsikan mempunyai hubungan dengan variabel tersebut– variabel latent.
2.Memungkinkan adanya asumsi-asumsi yang lebih fleksibel.
3.Kemampuan untuk mengatasi data yang sulit, seperti data time series dengan kesalahan
otokorelasi, data yang tidak normal, dan data yang tidak lengkap.
4.Kemungkinan adanya pengujian model secara keseluruhan dari pada koefesien-koefesien secara
sendiri-sendiri
Dalam melakukan evaluasi, banyak teknik analisa yang bisa dilakukan, tergantung tujuan evaluasi serta kapan
evaluasi dilakukan. Oleh karena adanya perbedaan tersebut, muncul beberapa teknik evaluasi dalam
pengimplementasian suatu program.
Salah satu teknik yang dapat digunakan adalah dengan teknik analisa SEM ( Struktural Equation Model). SEM
merupakan teknik analisis multivariat yang merupakan gabungan analisis regresi, analisis jalur, analisis faktor
dan model struktural. Kelebihan SEM dibandingkan dengan analisis data yang lain adalah dapat digunakan
untuk mengetahui indikator pembentuk suatu variabel, menguji validitas dan reliabilitas suatu instrumen,
mengkonfirmasi ketepatan model dan menguji pengaruh suatu variabel terhadap variabel lain.
SEM mempunyai karakteristik yang bersifat sebagai teknik analisis untuk lebih menegaskan (confirm) dari
pada untuk menerangkan. Maksudnya, seorang peneliti lebih cenderung menggunakan SEM untuk menentukan
apakah suatu model tertentu valid atau tidak dari pada menggunakannya untuk menemukan suatu model
tertentu cocok atau tidak, meski analisis SEM sering pula mencakup elemen-elemen yang digunakan untuk
menerangkan.
Model persamaan struktural saat ini telah banyak diaplikasikan di berbagai bidang ilmu sosial, ekonomi,
psikologi, pertanian, pendidikan, kesehatan, dan lain-lain.Dalam hal evaluasi, teknik ini dapat digunakan untuk
menilai dampak suatu kebijakan, apakah sudah memberikan dampak positif bagi pembangunan, yang sesuai
dengan teori. Dalam analisanya, teknik ini didukung oleh software AMOS dan LISREL.
Ada tujuh langkah yang harus dilakukan dalam teknik analisa SEM.
1. Langkah pertama dalam SEM adalah melakukan identifikasi secara teoretis terhadap permasalahan
penelitian. Topik penelitian ditelaah secara mendalam dan hubungan antara variabel-variabel yang akan
dihipotesiskan harus didukung oleh justifikasi teori yang kuat. Hal ini dikarenakan SEM adalah untuk
mengkonfirmasikan apakah data observasi sesuai dengan teori atau tidak.
2. Langkah kedua adalah menggambarkan kerangka penelitian dalam sebuah diagram alur (path diagram).
Kesepakatan yang ada dalam penggambaran diagram alur telah dikembangkan oleh LISREL, sehingga
tinggal menggunakannya saja.
3. Langkah ketiga adalah mengkonversikan diagram alur ke dalam persamaan, baik persamaan struktural
maupun persamaan model pengukuran. Sebenarnya langkah ini telah dilakukan secara otomatis oleh
program SEM yang tersedia (AMOS atau LISREL). Berikut adalah contoh persamaan umum struktural.
1. Langkah keempat adalah memilih jenis matrik input dan estimasi model yang diusulkan. Jenis matrik
input yang dimasukkan adalah data input berupa matrik varian atau kovarian atau matrik korelasi. Data
mentah observasi akan diubah secara otomatis oleh program menjadi matriks kovarian atau matriks
korelasi. Dalam langkah ini, ada dua tahapan yaitu estimasi model pengukuran dan model struktur
persamaan. Estimasi Model Pengukuran (Measurement Model)Juga sering disebut dengan
Confirmatory Factor Analysis (CFA). Yaitu dengan menghitung diagram model penelitian dengan
memberikan anak panah dua arah antara masing-masing konstruk. Langkah ini adalah untuk melihat
apakah matriks kovarian sampel yang diteliti mempunyai perbedaan yang signifikan atau tidak dengan
matriks populasi yang diestimasi. Model Struktur Persamaan (Structure Equation Model) juga
sering disebut dengan Full model, yaitu melakukan running program dengan model penelitian. Langkah
ini untuk melihat berbagai asumsi yang diperlukan, sekaligus melihat apakah perlu dilakukan
modifikasi atau tidak dan pada akhirnya adalah menguji hipotesis penelitian.
Kelebihan dan Kelemahan SEM
Beberapa kelebihan teknik analisa ini antara lain:
1. 1. Pelibatan koreksi terhadap atenuasi.
2. 2. Keluwesan mengembangkan model.
3. 3. Pengujian secara komprehensif.
4. 4. SEM mampu mengatasi masalah ketidaknormalan distribusi (dengan beberapa syarat)
Sementara beberapa kelemahan yang dimiliki oleh SEM adalah sebagai berikut:
1. SEM tidak digunakan untuk menghasilkan model namun untuk mengkonfirmasi suatu bentuk model.
2. Hubungan kausalitas diantara variabel tidak ditentukan oleh SEM, namun dibangun oleh teori yang
mendukungnya.
3. SEM tidak digunakan untuk menyatakan suatu hubungan kausalitas, namun untuk menerima atau
menolak hubungan sebab akibat secara teoritis melalui uji data empiris.
4. Studi yang mendalam mengenai teori yang berkaitan menjadi model dasar untuk pengujian aplikasi
SEM.
TEORI SEM (STRUCTURAL EQUATION MODEL)
1.1. Pengertian Structural Equation Modeling (SEM)
1.1.1. Definisi Istilah
Structural equation modeling, yang dalam buku ini untuk selanjutnya akan disebut SEM, adalah
suatu teknik modeling statistik yang bersifat sangat cross-sectional, linear dan umum. Termasuk
dalam SEM ini ialah analisis faktor (factor analysis), analisis jalur (path analysis) dan regresi
(regression ).
Dari definisi di atas dapat disimpulkan bahwa SEM mempunyai karakteristik yang
bersifat sebagai teknik analisis untuk lebih menegaskan (confirm) dari pada untuk
menerangkan. Maksudnya, seorang peneliti lebih cenderung menggunakan SEM
untuk menentukan apakah suatu model tertentu valid atau tidak dari pada
menggunakannya untuk menemukan suatu model tertentu cocok atau tidak, meski
analisis SEM sering pula mencakup elemen-elemen yang digunakan untuk
menerangkan.
1.1.2. Pengertian
SEM mencakup pengukuran struktur matriks covariance atau disebut juga sebagai
"analisis struktur covariance". Sekali model parameter-parameternya sudah diestimasi,
maka model yang dihasilkan – matrik covariance kemudian dapat dibandingkan
dengan matrik kovarian yang berasal dari data empiris. Jika kedua matrices konsisten
satu dengan lainnya, maka model persamaan struktural tersebut dapat
dianggap sebagai eksplanasi yang dapat diterima untuk hubungan-hubungan antara
pengukuran-pengukuran tersebut.
1. Model sebab akibat (causal modeling,) atau disebut juga analisis jalur (path analysis),
yang menyusun hipotesa hubungan-hubungan sebab akibat (causal relationships)
diantara variabel - variabel dan menguji model-model sebab akibat (causal models)
dengan menggunakan sistem persamaan linier. Model-model sebab akibat dapat
mencakup variabel-variabel manifest (indikator), variabel-variabel laten atau keduanya;
2. Analisis faktor penegasan (confirmatory factor analysis), suatu teknik kelanjutan dari
analisis faktor dimana dilakukan pengujian hipotesis – hipotesis struktur factor
loadings dan interkorelasinya;
3. Analisis faktor urutan kedua (second order factor analysis), suatu variasi dari teknik
analisis faktor dimana matriks korelasi dari faktor-faktor tertentu ( common factors)
dilakukan analisis pada faktornya sendiri untuk membuat faktor-faktor urutan kedua;
4. Model-model regresi (regression models), suatu teknik lanjutan dari analisis regresi
linear dimana bobot regresi dibatasi agar menjadi sama satu dengan lainnya, atau
dilakukan spesifikasi pada nilai-nilai numeriknya;
5. Model-model struktur covariance (covariance structure models), yang mana model
tersebut menghipotesakan bahwa matrix covariance mempunyai bentuk tertentu. Sebagai
contoh, kita dapat menguji hipotesis yang menyusun semua variabel yang mempunyai
varian yang sama dengan menggunakan prosedur yang sama;
6. Model struktur korelasi (correlation structure models), yang mana model tersebut
menghipotesakan bahwa matrix korelasi mempunyai bentuk tertentu. Contoh klasik
adalah hipotesis yang menyebutkan bahwa matrix korelasi
mempunyai struktur circumplex.
Berbagai jenis model dalam SEM sudah termasuk dalam kategori di atas.
1. Pendekatan penegasan saja (strictly confirmatory approach): artinya suatu model diuji
dengan menggunakan uji keselarasan SEM (goodness-of-fit tests) untuk menentukan jika
pola varians dan kovarians dalam suatu data bersifat konsisten dengan model jalur
struktural yang dibuat secara spesifik oleh peneliti. Sekalipun demikian pada saat model-
model lain yang tidak teramati dapat sesuai dengan datanya atau bahkan lebih baik,
maka model yang diterima model yang diterima hanya berupa model penegasan saja.
2. Pendekatan model-model alternatif (alternative models approach): maksudnya peneliti
dapat melakukan pengujian dua atau lebih model-model sebab akibat untuk menentukan
model mana yang paling cocok. Ada banyak pengukuran keselarasan yang
mencerminkan pertimbangan-pertimbangan yang berbeda dan biasanya peneliti
melaporkan 3 atau 4 saja.
3. Pendekatan pengembangan model (model development approach): Dalam praktiknya,
banyak penelitian yang menggunakan SEM menggabungkan antara tujuan-tujuan yang
bersifat konfirmatori dan eksploratori, yaitu suatu model diuji dengan menggunakan
prosedur-prosedur SEM, karena merasa tidak cukup efisien, maka suatu model alternatif
kemudian diuji didasarkan pada perubahan-perubahan sebagaimana disarankan dalam
indeks-indeks modifikasi SEM. Masalah dengan pendekatan ini ialah bahwa model –
model yang ditegaskan dengan menggunakan cara seperti bisa tidak stabil atau tidak akan
cocok dengan data yang baru karena sudah di buat didasarkan pada keunikan seperangkat
data awal. Untuk mengatasi hal ini, peneliti dapat menggunakan strategi validasi silang
dimana model dikembangkan dengan sampel data kalibrasi dan kemudian dikonfirmasi
dengan menggunakan sampel validasi yang independen.
Dengan mengabaikan pendekatan apapun yang digunakan, SEM tidak dapat secara
otomatis menggambar panah-panah sebab akibat dalam model – model tersebut atau
menyelesaikan ambiguitas sebab akibat Oleh karena itu, pengertian secara teoritis dan
penilaian yang dilakukan oleh peneliti tetap menjadi satu faktor yang paling penting.
1.2. Asumsi
Untuk menggunakan SEM, peneliti memerlukan pengetahuan tentang asumsi-asumsi
yang mendasari penggunaannya. Beberapa asumsi tersebut, diantaranya ialah:
Distribusi normal indikator – indikator multivariat (Multivariate normal distribution
of the indicators): Masing-masing indikator mempunyai nilai yang berdistribusi normal
terhadap masing-masing indikator lainnya. Karena permulaan yang kecil normalitas
multivariat dapat menuntun kearah perbedaan yang besar dalam pengujian chi-square,
dengan demikian akan melemahkan kegunaannya. Secara umum, pelanggaran asumsi ini
menaikkan chi-square sekalipun demikian didalam kondisi tertentu akan
menurunkannya. Selanjutnya penggunaan pengukuran ordinal atau nominal akan
menyebabkan adanya pelanggaran normalitas multivariat. Perlu diperhatikan bahwa
normalitas multivariat diperlukan untuk estimasi kemiripan maksimum / maximum
likelihood estimation (MLE), yang merupakan metode dominan dalam SEM yang akan
digunakan untuk membuat estimasi koefesien - koefesien (jalur) struktur. Khususnya,
MLE membutuhkan variabel-variabel endogenous yang berdistribusi normal.
Rekursivitas (Recursivity): Suatu
model disebut rekursif jika semua anak
panah menuju satu arah, tidak ada pembalikan umpan balik (feedback looping),
dan faktor gangguan (disturbance terms) atau kesalahan sisaan (residual error)
untuk variabel-variabel endogenous yang tidak dikorelasikan. Dengan kata lain,
model-model recursive merupakan model-model dimana semua anak panah
mempunyai satu arah tanpa putaran umpan balik dan peneliti dapat membuat
asumsi kovarian – kovarian gangguan kesalahan semua 0, yang berarti bahwa
semua variabel yang tidak diukur yang merupakan determinan dari variabel-
variabel endogenous tidak dikorelasikan satu dengan lainnya sehingga tidak
membentuk putaran umpan balik (feedback loops). Model – model dengan
gangguan kesalahan yang berkorelasi dapat diperlakukan sebagai model
recursive hanya jika tidak ada pengaruh-pengaruh langsung diantara variabel-
variabel endogenous. Contoh bentuk rekursive dapat dilihat dalam contoh di
bawah ini yang diambil dari John Fox (2002):
Konvensi berikut ini diantaranya menggunakan model makroekonomi dari Klein
untuk menggambarkan diagram jalurnya.
Variabel-variabel yang diobservasi secara langsung diletakkan dalam kotak
empat persegi panjang.
Variabel-variabel yang tidak diobservasi diletakan dalam lingkaran, umumnya
bentuknya elips. Dalam model ini, variabel-variabel yang tidak dobservasi
hanya merupakan variabel gangguan (disturbances).
Variabel-variabel exogenous diwakili dengan x; variabel-variabel endogenous
dengan y; dan gangguan dengan ζ.
Anak panah satu arah mewakili parameter-parameter struktural. Variabel-
variabel endogenous dibedakan dari variabel-variabel exogenous dengan
mempunyai anak panah satu arah menuju kearah variabel-variabel tersebut,
sedang variabel-variabel exogenous hanya nampak pada ekor anak panah satu
arah.
Anak panah dengan dua arah mewakili kovarian-kovarian bukan penyebab,
secara potensial tidak bernilai nol, dan kovarian antara variabel-variabel
exogenous dan umumnya diantara gangguan-gangguan.
Seperti sebelumnya, γ digunakan sebagai parameter –parameter struktural
yang menghubungkan antara satu variabel endogenous dengan variabel
exogenous, sedang β digunakan sebagai parameter-parameter struktural yang
menghubungkan satu variabel endogenous dengan variabel endogenous
lainnya.
Dalam hal tertentu pengurutan variabel-variabel dalam bentuk horisontal
berhubungan dengan urutan sebab akibatnya: Dengn demikian, ‘penyebab’
nampak disebelah kiri dari ‘akibat.’ Persamaan-persamaan struktural model
ini dapat dibaca dari diagram jalur sebagai berikut:
y1i = γ10 + γ11x1i + γ12x2i + ζ1i
y2i = γ20 + γ21x1i + γ22x2i + β21y1i + ζ2i
y3i = γ30 + γ32x2i + β31y1i + β32y2i + ζ2i
Model-model recursive mempunyai dua karaktareistik sebagai berikut:
Tidak ada jalur arah sebab akibat (reciprocal directed paths)
atau feedback loops dalam diagram jalur.
Gangguan berbeda bersifat independent antara satu dengan
lainnya. Sebagai akibat dari dua ciri ini, maka, predictors dalam
suatu persamaan struktural dengan model recursive selalu bebas
dari kesalahan persamaan tersebut, dan persamaan struktural dapat
diestimasi dengan menggunakan regresi OLS. Membuat estimasi
model recursive hanya merupakan ururtan dari regresi OLS.
Tidak dapat diidentifikasi secara empiris karena adanya multikolinearitas tinggi:
Suatu model dapat secara teoritis diidentififikasi tetapi tidak dapat diselesaikan karena
masalah-masalah empiris, misalnya adanya multikolinearitas tinggi dalam setiap model,
or atau estimasi jalur (path estimates) mendekati 0 dalam model-model non-recursive.
1.3. Prinsip Dasar Dibalik SEM
Dalam statistik terdapat generaliasi yang menyatakan bahwa beberapa variabel saling
terkait satu dengan yang lain dalam suatu kelompok persamaan linear. Aturan-
aturannya kemudian menjadi lebih rumit, penghitungan-penghitungan menjadi lebih
rumit, sekalipun demikian dasarnya tetap sama, yaitu peneliti dapat menguji apakah
variabel-variabel tersebut saling berkaitan satu dengan yang lainnya melalui satu
perangkat hubungan-hubungan linear dengan memerksa varian-varian dan kovarian
variabel-variabel tersebut.
Terdapat beberapa hal yang penting dan sangat mendasar untuk melakukan proses ini,
yaitu:
Kedua, kita harus ingat adalah sesuatu yang tidak masuk akal jika
peneliti mengharapkan model struktural sesuai secara sempurna. Suatu
model struktural dengan hubungan-hubungan linear hanya dapat
mendekati kesesuaian. Karena dalam kenyataan sehari hari dunia ini
tidak linear. Oleh karena itu sebenarnya hubungan-hubungan antar
variabel mungkin tidak linear juga. Sehingga asumsi-asumsi
pertanyaannya seharusnya tidak seperti ini: "Apakah model yang dibuat
cocok benar?" melainkan sebagai berikut: "Apakah model cukup sesuai
mendekati kenyataan dan memberikan keterangan yang masuk akal
terhadap kecenderungan data yang dimiliki?”
Ketiga, peneliti harus ingat bahwa hanya karena model sudah sesuai dengan data
maka secara otomatis model tersebut benar. Oleh karena itu, peneliti dapat
menyatakan jika suatu model sebab akibat itu benar, maka akan sesuai degan data
yang ada. Akan tetapi model yang sesuai dengan data tidak secara langsung
berarti model tersebut benar, karena akan ada model lain juga yang akan sesuai
dengan data.
1.4. Konsep-Konsep dan Istilah Dasar
Bagian ini akan dibahas beberapa konsep dasar dalam SEM, diantaranya:
Dua tahapan proses SEM: pertama, melakukan validasi model pengukuran dan kedua
menyesuaikan dengan model struktural. Langkah pertama diselesaikan dengan melalui
analisis faktor penegasan (confirmatory factor analysis), sedang langkah kedua
diselesaikan melalui analisis jalur (path analysis) dengan variabel-variabel laten. Peneliti
memulai dengan melakukan spesifikasi suatu model didasarkan pada teori. Masing-
masing variabel dalam model dikonseptualisasikan sebagai variabel laten dan yang
diukur dengan beberapa indikator. Beberapa indikator dikembangkan untuk masing-
masing model. Untuk masing-masing variabel laten diikuti dengan setidak-tidak tiga
indikator setelah dilakukan analisis faktor penegasan. Dengan menggunakan sampel yang
besar, sebaiknya di atas 100 (n>100), analisis faktor digunakan untuk menetapkan bahwa
indikator – indikator tersebut yang akan digunakan untuk mengukur variabel-variabel
laten yang berhubungan dan yang diwakili dengan beberapa faktor. Peneliti dapat
melanjutkan prosesnya jika model pengukuran sudah divalidasi. Dua model atau lebih
kemudian dibandingkan dalam kesesuaian modelnya, yang mengukur sejauh mana
kovarian yang diprediksi oleh model tersebut berhubungan dengan kovarian yang
diobservasi dalam data.
Program-program untuk analisis SEM: LISREL, AMOS, dan EQS merupakan
program-program perangkat lunak untuk melakukan analisis SEM. Lisrel dan Amos
diproduksi oleh SPSS.
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.
Variabel-variabel laten merupakan variabel-variabel yang tidak terobservasi
(unobserved variables) atau disebut sebagai konstruk (constructs) atau sebutan lainnya
ialah faktor (factors) yang diukur dengan menggunakan indikator-indikator masing-
masing. Variabel-variabel laten mencakup variabel bebas, perantara dan tergantung.
Variabel-variabel "exogenous" merupakan variabel bebas dengan tanpa variabel
penyebab sebelumnya. Variabel-variabel "endogenous"merupakan variabel-variabel
perantara yang dapat sebagai efek dari variabel exogenous lainnya atau variabel-variabel
perantara, dan merupakan penyebab terhadap variabel-variabel perantara lainnya dan
variabel-variabel tergantung, serta dapat berfungsi sebagai variabel-variabel tergantung
sebenarnya. Variabel-variabel dalam suatu model dapat bersifat mengalir keatas
(upstream) atau kebawah (downstream) tergantung pada apakah variabel-variabel
tersebut dianggap sebagai penyebab atau akibat. Representasi dari variabel-variabel laten
tergantung pada hubungan mereka terhadap variabel-variabel indikator yang diobservasi
merupakan salah satu karakteristik SEM.
Catatan: Variabel-variabel indikator tidak dapat dikombinasikan secara
arbitrer untuk membentuk variabel-variabel laten. Sebagai contoh,
menggabungkan variabel jender, ras, atau variabel-variabel demografi
lainnya untuk membentuk satu variabel laten yang disebut "faktor-faktor
latar belakang" akan berakibat tidak benar karena penggabungan tersebut
tidak mewakili kontinum yang mendasari makna variabel-variabel yang
digabung. Langkah analisis faktor konfirmatori dalam SEM merupakan
suatu pengujian makna dari variabel-variabel laten dan indikator-
indikatornya Sekalipun demikian peneliti juga dapat mengaplikasikan
pengujian tradisional, seperti Cronbach's alpha atau melakukan analisis
faktor tradisional, seperti membuat faktor axis utama
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
panah – anak 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.
Model yang tidak mempunyai efek (The null model). Model pengukuran biasanya
digunakan sebagai model yang tidak mempunyai pengaruh (null model), perbedaan-
perbedaan yang seharusnya signifikan jika model struktural yang diusulkan harus diteliti
lebih lanjut. Dalam model ini, semua kovarian dalam matriks kovarian untuk semua
variabel laten yang diasumsikan nol.
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.
Analisis faktor konfirmatori (Confirmatory factor analysis (CFA)) boleh digunakan
untuk menegaskan bahwa semua indikator mengelompokan sendiri kedalam faktor-faktor
yang berkaitan dengan bagaimana peneliti telah menghubungkan indikator-indikator
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.
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 panah – anak panah dalam
model tersebut; sedang tidak adanya efek berhubungan dengan ketidak adanya anak
panah. Efek-efek yang sudah pasti biasanya merefleksikan efek-efek yang parameternya
sudah ada dalam teori atau yang biasanya ditentukan sebesar 1.0 untuk menetapkan suatu
metrik untuk satu variabel laten.
Model spesifikasi ada dua: pertama model parsimony (model yang dibuat
sesederhana mungkin), yaitu suatu model dimana tidak adanya efek dibatasi
sampai 0 yang akan selalu sesuai dengan data yang ada sekalipun model
tersebut tidak mempunyai makna. Model yang lebih mendekati adalah model
yang paling kompleks yang akan menjadi lebih sesuai dengan data.
Kekurangan parsimony merupakan suatu masalah khusus untuk model-model
dengan variabel yang jumlahnya sedikit.
Cara-cara mengurangi kompleksitas model adalah pertama, dengan
menghilangkan efek-efek langsung dari satu variabel laten ke yang lain; kedua,
menghilangkan efek-efek langsung dari variabel-variabel laten yang menuju ke
variabel indikator yang sama; dan ketiga, menghilangkan korelasi yang tidak
dianalisis atau semua anak-panah dengan dua arah yang berbentuk kurva
faktor-faktor kesalahan pengukuran serta antara faktor-faktor gangguan dari
variabel-variabel endogenous. Pada masing-masing kasus, semua anak panah
dapat dihilangkan dari model jika tidak ada alasan teoritis yang digunakan
untuk menduga bahwa memang efek atau korelasi ada.
Model spesifikasi kedua disebut sebagai faktor-faktor interaksi dan power
polynomials dimana hal tersebut dapat ditambahkan terhadap model struktural
sebagaimana biasanya ditambahkan ke dalam regresi berganda. Sekalipun
demikian, untuk menghindari temuan-temuan keselarasan yang hanya
disebabkan oleh pengaruh rata-rata, diusulkan untuk memfokuskan efek utama
terlebih dahulu ketika sedang menambahkan faktor-faktor tersebut.
Pemfokusan dilakukan dengan cara mengurangi rata-rata dari masing masing
nilai. Tindakan ini akan memberikan efek mengurangi secara substansial
kolinearitas antara variabel akibat utama dan interaksi serta faktor-
faktor polynomial.
Metrik. Dalam SEM, masing-masing variabel laten yang tidak terobservasi harus
dikenakan secara eksplisit suatu metrik, yang merupakan skala pengukuran. Hak ini
biasanya dilakukan dengan cara membatasi salah satu jalur dari variabel laten yang
menuju kearah salah satu dari variabel-variabel indikatornya, sebagaimana saat
memberikan nilai 1 untuk jalur tersebut. Dengan diberikannya batasan tersebut, jalur-
jalur berikutnya dapat diestimasi. Indikator yang dipilih untuk dibatasi menjadi 1
adalah butir referensi (reference item).
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 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.
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.
Koefesien struktural atau jalur merupakan besarnya efek yang dihitung dengan
menggunakan program estimasi model.
1. Tipe-tipe estimasi koefisien - koefesien dalam SEM. Koefesien-koefesien
struktural dalam SEM dapat dihitung dengan berbagai cara. Biasanya, peneliti
akan mendapatkan estimasi yang mirip dengan setiap metode yang digunakan.
Metode tersebut diantaranya ialah:
Estimasi kesamaan maksimum (Maximum likelihood estimation (MLE))
yang merupakan metode yang paling umum. MLE membuat estimasi
didasarkan pada tindakan memaksimalkan probabilitas (likelihood) bahwa
kovarian-kovarian 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.
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).
2. Koefesien-koefesien struktural (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 unit –
unit standard untuk masing-masing unit meningkat dalam variabel laten bebas .
3. 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.
4. 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.
5. Koefesien-koefesien struktural (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 rata-rata dan varian.
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:
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..
Dalam kasus-kasus dimana variabel-variabel mempunyai korelasi rendah, maka
koefesien-koefesien structural (lajur) akan rendah juga. Peneliti harus
memberikan keterangan tidak hanya pengukuran keselarasan tetapi juga semua
koefesien struktural sehingga kekuatan-kekuatan jalur dalam model dapat
dinilai.
Fungsi
kesamaan maksimal (maximum likelihood function, LL) bukan
merupakan pengujian keselarasan itu sendiri tetapi digunakan sebagai satu
komponen dari yang lainnya. Fungsi ini merefleksikan perbedaan antara matriks
kovarian dan matriks yang diprediksi dengan menggunakan model tersebut. Fungsi
tersebut sbb:
Anak panah – anak panah tunggal mewakili dampak sebab akibat dari satu variabel
terhadap variabel lainnya, dengan kepala anak panah menunjuk kearah variabel yang
sedang dipengaruhi oleh variabel kedua. Sebagai contoh, variabel alienation71
mempengaruhi atau menimbulkan tanggapan terhadap butir-butir survei yang
tercakup dalam variabel anomia71 yang diukur.Tidak ada pengukuran manifest
terhadap variabel-variabel alienation, powerlessness, ataupun konstruk laten yang
lain yang benar secara sempurna, kemungkinan selalu ada kesalahan pengukuran yang
harus dipertimbangkan. Kesalahan pengukuran untuk masing-masing variabel
diwakili dengan anak panah – anak panah tunggal yang menuju kearah variabel,
tetapi tidak dengan variabel yang berhubungan pada ujung lain anak panah
menimbulkan pengaruh sebab akibat..
Anak panah – anak panah dengan dua arah menunjuk pada hubungan-hubungan
korelasi tunggal dan jamak. Dalam kasus di atas, misalnya ialah hubungan antara
kesalahan-kesalahan pada variabel anomia67 dan variabel anomia71; tidak ada
pernyataan mengenai adanya hubungan sebab dan akibat yang terjadi. Yang ada hanya
suatu hubungan yang didiskusikan. Variabel-variabel yang berada pada bagian atas
atau kiri dalam model tersebut dan yang menyebabkan dampak sebab akibat terhadap
variabel-variabel lainnya disebut variabel exogenous atau variabel upstream.
Sebaliknya variabel-variabel yang dipengaruhi oleh variabel-variabel lain disebut
sebagai endogenous atau variabel-variabel downstream.
Tahap ketiga peneliti melakukan konversi spesifikasi model dalam bentuk rangkaian
persamaan sebagai berikut: persamaan struktural yang dirumuskan sebagai sarana
untuk menyatakan adanya hubungan kasualitas antar berbagai konstruk dengan
menggunakan pedoman sebagai berikut:
Variabel endogen = Variabel Eskogen + Variabel Endogen + Error
Persamaan berikutnya ialah persamaan spesifikasi model pengukuran yang akan
digunakan untuk menentukan variabel mana mengukur konstruk mana dan
menentukan matriks-matriks yang akan menunjukkan hubungan-hubungan yang
sudah dibuat dalam hipotesis antar konstruk dan variabel.
Tahap keempat peneliti menentukan bentuk masukan data yang akan digunakan untuk
membuat model dan estimasinya. Dalam SEM data yang akan dimasukkan untuk
diolah hanya matrik varian / kovarian atau disebut juga matriks korelasi sebagai data
untuk pembuatan model dan estimasi yang akan dikembangkan. Dikarenakan fokus
SEM bukan pada data individual hasil observasi, maka setiap data individual hasil
observasi yang dimasukkan kedalam program akan diubah dalam bentuk matriks
kovarian atau matriks korelasi terlebih dahulu baru kemudian dilakukan estimasi.
Penekanan SEM ialah pola hubungan antar responden.
Tahap kelima peneliti menghadapi masalah identifikasi yang menyangkut masalah
model yang sudah dikembangkan ternyata tidak mampu menghasilkan estimasi yang
unik. Menurut Augusty Ferdinand ( 2001: 46) masalah identifikasi akan muncul
melalui gejala-gejala sebagai berikut: a) besarnya standar error untuk satu atau
beberapa koefesien; b) matriks yang seharusnya disajikan tidak dapat dimunculkan
oleh program; c) angka-angka aneh akan muncul, diantaranya ialah angka varian error
yang negatif; dan d) korelasi sangat tinggi muncul dalam koefesien estimasi, misalnya
> 0,9.
Tahap keenam peneliti melakukan evaluasi model dengan menggunakan kriteria
keselarasan (goodness of fit). Pertama kali yang harus dilakukan oleh peneliti ialah
melakukan evaluasi bahwa data yang akan digunakan untuk pembuatan model dan
estimasi dapat memenuhi asumsi-asumsi dalam SEM. Asumsi-asumsi yang harus
dipenuhi dalam SEM diantarnya ialah: a) ukuran sampel sebaiknya di atas 100; b)
sudah dilakukan uji normalitas dengan menggunakan histogram dan linearitas data
dengan menggunakan mengamati scatterplots; c) hindari outliers dengan nilai-nilai
ekstrim muncul secara univariat dan multivariat; d) hindari munculnya
multikolinieritas dan singularitas karena data tidak mempunyai kombinasi linear
dalam variabel-variabel yang diteliti. Adanya multikolinieritas dan singularitas dapat
dideteksi dengan melihat kecilnya angka determinan matriks kovarian;
Setelah memenuhi semua krietria SEM di atas, maka peneliti menentukan kriteria
untuk melakukan evaluasi model, yaitu:
1. 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:
Untuk pengujian model dilakukan dengan menggunakan Chi
Square dengan ketentuan semakin kecil nilai Chi Square, maka
semakin baik model yang dibuat.
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.
Nilai indeks keselarasan (goodness of fit index) yang besarnya
berkisar dari 0 – 1. Jika nilai besarnya mendekati 0 maka model
mempunyai kecocokan yang rendah sedang nilai mendekati 1 maka
model mempunyai kecocokan yang baik.
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.
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.
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.
Indeks Kecocokan Komparatif (Comparative Fit Index (CFI))
dengan nilai antara 0- 1 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.
2. 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 indikator-indikator sudah mewakili secara benar konstruk
laten yang dikembangkan.
Tahap ketujuh peneliti melakukan interpretasi model yang sudah dibuat dan
mengubah model-model yang belum memenuhi persyaratan. Kesimpulannya ialah
model yang diestimasi mempunyai residual yang kecil atau mendekati nol serta
distribusi frekuensi kovarian matriksnya bersifat simetrik.
Sedang menurut Ricka Stoelting tahapan dalam SEM sebagai berikut:
Tujuan membuat suatu diagram jalur atau model persamaan struktural lainnya ialah
untuk membuat suatu model yang cocok dengan data secara baik yang berfungsi
sebagai representasi realitas yang memberikan manfaat serta memberikan keterangan
parsimoni data. Oleh karena itu, menurut Stoelting ada lima langkah menyangkut
penyusunan SEM, yaitu
1. Spesifikasi model
2. Identifikasi model
3. Estimasi model
4. Pengujian keocokan model
5. Manipulasi model
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 parameter- parameter 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 addalah bahwa
poin-poin data (jumlah varian dan kovarian) kurang dari jumlah variabel yang
diobservasi dalam model.
Model dalam contoh ini diambil dari tulisan Dr. Abbas Ghozali (2001)
dengan kasus menganalisis hubungan antara kepuasan kerja
dengan kinerja studi di sebuah perusahaan. Secara lebih detil variabel-
variabel yang akan dianalisis ialah pengaruh achievement
motivation, task-specific self esteem, dan verbal
intelligence terhadap job satisfcation dan performance.
Variabel achievement motivation ( 1) dihipotesiskan dibentuk
didasarkan pada faktor-faktor achievement motivation measure 1 (x1),
achievement motivation measure 2 (x2), dan achievement motivation
measure 3 (x3). Untuk variabel task-specific self esteem motivation ( 2)
dihipotesiskan dibentuk didasarkan pada faktor-faktor task-specific self
esteem motivation measure 1 (x4), task-specific self esteem motivation
measure 2 (x5), dan achievement motivation measure 3 (x3). Sedangkan
variabel verbal intelligence dihipotesiskan dibentuk didasarkan pada
faktor-faktor verbal intelligence measure 1 (x4) dan verbal intelligence
measure 1 (x6) dan verbal intelligence measure 1 (x7). Sementara itu
untuk variabel job satisfcation motivation ( 1) dihipotesiskan dibentuk
didasarkan pada faktor-faktor job satisfcation motivation measure
1 (y1) dan job satisfcation motivation measure 2 (y2). Sedang
variabel Performance ( 2) dihipotesiskan dibentuk didasarkan pada
faktor-faktor performance measure 1 (y3) dan performance measure
1 (y4). Data yang akan dianalisis berupa data matriks kovarian untuk
kesebelas variabel indikator terlihat di bawah ini:
Tabel . Matriks Kovarians untuk Variabel Variabel Indikator
Model dalam bentuk diagram jalur yang mencerminkan hubungan antar variabel
dapat dilihat di bawah ini.
Gambar
SEM tentang hubungan antara variabel kepuasan kerja dan kinerja
Sumber: Ghozali (2001)
Dengan mengacu pada model diatas, maka persamaan-persamaan menjadi:
Bagian pertama, persamaan model jalur
3. Estimasi Dalam tahap ini, nilai parameter-parameter awal yang bebas dipilih
untuk memunculkan matriks kovarian populasi yang diestimasi, (), dari 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 () yang berkonvergensi pada matriks kovarian populasi yang
diobservasi, S, dengan matriks residu (perbedaan () dan S) dapat diperkecil.
Berbagai metode dapat digunakan untuk menghasilkan (). Pilihan metode
dituntun dengan karakteristik-karakteristik data termasuk ukuran sampel dan
distribusi. Sebagian besar proses digunakan secara iteratif. Bentuk umum dari
fungsi minimasi ialah:
Q = (s - ())’W(s - ())
dimana,
s = vektor berisi varian dan kovarian variabel-variabel yang diobservasi
() = vektor berisi varian dan kovarian yang berkorespondensi sebagaimana
diprediksi dengan model tersebut
W = matriks pembobotan
Matriks pembobotan (weight matrix), W, dalam fungsi di atas,
berkorespondensi dengan metode estimasi yang dipilih. W dipilih untuk
memperkecil Q, dan Q(N-1) memberikan fungsi kecocokan, dalam sebagian
besar kasus statistik distribusi X2 (distributed statistic).
Performansi X dipengaruhi oleh ukuran sampel , distribusi kesalahan,
2