pelatihan sem structural equation model menggunakan lisrel n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
PELATIHAN SEM ( STRUCTURAL EQUATION MODEL ) Menggunakan Lisrel PowerPoint Presentation
Download Presentation
PELATIHAN SEM ( STRUCTURAL EQUATION MODEL ) Menggunakan Lisrel

Loading in 2 Seconds...

play fullscreen
1 / 62

PELATIHAN SEM ( STRUCTURAL EQUATION MODEL ) Menggunakan Lisrel - PowerPoint PPT Presentation


  • 694 Views
  • Uploaded on

PELATIHAN SEM ( STRUCTURAL EQUATION MODEL ) Menggunakan Lisrel. Oleh : Deni Wardani. MATERI PELATIHAN. BAGIAN I KONSEP DAN PROSEDUR Konsep SEM Prosedur SEM BAGIAN II STUDI KASUS Penyelesaian Studi Kasus. KONSEP DAN PROSEDUR.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'PELATIHAN SEM ( STRUCTURAL EQUATION MODEL ) Menggunakan Lisrel' - erwin


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
materi pelatihan
MATERI PELATIHAN
  • BAGIAN I KONSEP DAN PROSEDUR
    • Konsep SEM
    • Prosedur SEM
  • BAGIAN II STUDI KASUS
    • PenyelesaianStudiKasus
konsep dan prosedur
KONSEP DAN PROSEDUR
  • Apasebenarnyastructural equation modeling  (SEM) itu?
  • Terdapat beberapa definisi SEM, diantaranya ialah sebagai berikut:
  • Structural equation modelingadalahsuatuteknik modeling statistik yang bersifatsangat cross-sectional, linear danumum. Termasukdalam SEM iniialahanalisisfaktor (factor analysis), analisisjalur (path analysis) danregresi (regression ).
  • structural equation modeling (SEM) adalahteknikanalisismultivariat yang umumdansangatbermanfaat yang meliputiversi-versikhususdalamjumlahmetodeanalisislainnyasebagaikasus-kasuskhusus.
  • Structural equation modeling (SEM) merupakanteknikstatistik yang digunakanuntukmembangundanmenguji model statistik yang biasanyadalambentuk model-model sebabakibat.
  • SEM sebenarnyamerupakanteknikhibrida yang meliputiaspek-aspekpenegasan (confirmatory) darianalisisfaktor, analisisjalurdanregresi yang dapatdianggapsebagaikasuskhususdalam SEM.
perkembangan sem1
PERKEMBANGAN SEM
  • Model JKW (Joreskog, 1973; Keesling, 1972; Wiley, 1973), yang terdiri2 bagian:
    • Model VariabelLaten
      • Model iniserupadenganpersamaansimultanpadaekonometri, hanyasemuavariabelnyaadalahvariabellaten.
    • Model Pengukuran
      • Model inimenunjukkanindikator-indikatorsebagaiefekdarivariabellaten, sepertipadaanalisis-faktoryangbanyakdigunakanpadapsikometridansosiometri.
perkembangan sem2
PERKEMBANGAN SEM
  • Model JKW merupakancikalbakaldari model LISREL(LInearStructuralRELationship) dandewasainijugadikenalsebagai Structural Equation Model(SEM)
  • DukunganPerangkatLunakKomputer
    • Perangkatlunakkomputer(computer software) mendorongperkembangandanpopularitasSEM. PerangkatlunakSEM yang banyakdigunakandi Indonesia:
      • LISREL
      • AMOS
sem vs multivariat
SEM VS MULTIVARIAT
  • SEM mampumemodelkankonsepvariabellaten yang tidakteramatisecaralangsung. (Padamultivariatlainnyasemuavariabelnyaadalahvariabelteramati)
  • SEM mampu memodelkan hubungan kausal yang kompleks di antara variabel-variabel Persamaan Simultan (Pada multivariat yang lain lazimnya hanya satu persamaan)
  • Hubungankausal yang komplekstersebutterjadidiantaravariabellatendanbisadiestimasisekaligusatausimultan. (Padamultivariat yang lain, estimasidilakukansatupersamaansetiap kali estimasi)
komponen dalam model umum sem
KOMPONEN DALAM MODEL UMUM SEM
  • 2 JENIS VARIABEL
    • VariabelLaten(Latent Variable)
    • VariabelTeramati(Observed atau Measured Variable)
  • 2 JENIS MODEL
    • Model Struktural(Structural Model)
    • Model Pengukuran(Measurement Model)
  • 2 JENIS KESALAHAN
    • KesalahanStruktural (Structural Error)
    • KesalahanPengukuran (Measurement Error)
variabel di dalam sem
VARIABEL DI DALAM SEM
  • VariabelLaten
    • Merupakan variabel kunci yang menjadi perhatianpeneliti
    • Merupakankonsepabstrak. (Contohdalampsikologiadalahperilaku, sikap, perasaan, motivasidllnya)
    • Hanyadapatdiamatisecaratidaklangsungdantidaksempurnamelaluiefeknyapadavariabel-variabelteramatiatauindikator-indikator
variabel di dalam sem1
VARIABEL DI DALAM SEM
  • VariabelLaten
    • Simbolvariabellatendalam Diagram Lintasan
    • Simboluntukhubungankausal
variabel di dalam sem2
VARIABEL DI DALAM SEM
  • VariabelLaten
    • VariabelLatenEksogen

Dalam Diagram Lintasan, variabellateneksogentidakpernahkenapanah.

  • VariabelLaten Endogen

Dalam Diagram Lintasan, variabel yang terkenapanahsatu kali sajamerupakanvariabellaten endogen

variabel di dalam sem3
VARIABEL DI DALAM SEM
  • VariabelTeramati(Observed Variable)
    • VariabelTeramatiadalahvariabel yang dapatdiamatiataudapatdiukursecaraempirisdanseringdisebutsebagaiindikator
    • Variabelteramatimerupakanefekatauukurandarivariabellaten (Reflektif).
    • Padametodesurvaidenganmenggunakankuesioner, setiappertanyaanpadakuesionerbiasanyamewakilisebuahvariabelteramati.
variabel di dalam sem4
VARIABEL DI DALAM SEM
  • VariabelTeramati(Observed Variable)
    • Simbolvariabelteramatidalam Diagram Lintasan
model di dalam sem
MODEL DI DALAM SEM
  • Model Struktural
    • Menggambarkanhubungan-hubungan yang adadiantaravariabellaten.
    • Hubungan-hubunganiniumumnya linier, meskipunpadaperluasan SEM hubungan non-linier dimungkinkan.
    • Sebuahhubungandiantaravariabellatenserupadengansebuahpersamaanregresilinierdiantaravariabellatentersebut.
    • Beberapapersamaanregresi linier tersebutmembentukpersamaansimultandiantaravariabel-variabellaten (serupapersamaansimultandiekonometri).
model di dalam sem1
MODEL DI DALAM SEM
  • Model Struktural
    • Diagram Lintasandari Model Struktural
    • Persamaan (PersamaanRegresi)
      • 1. Conduc = Gamma * Strat
      • 2.Perf = Beta * Conduc

Catatan: Gamma dan Beta adalahkoefisienstruktural (yang serupadengankoefisienregresi).

Manavariabellateneksogendanmana yang endogen?

model di dalam sem2
MODEL DI DALAM SEM
  • Model Struktural
    • Contoh Model Struktural (Recursive)
    • Persamaan
      • Eta-1 = Gamma11 * Ksi-1 + Gamma12 * Ksi-2
      • Eta-2 = Beta21 * Eta-1
      • Eta-3 = Beta31 * Eta-1 + Gamma32 * Ksi-2
model di dalam sem3
MODEL DI DALAM SEM
  • Model Struktural
    • Hubungan Reciprocal (Non-Recursive)
    • Persamaan
      • Eta-1 = Beta12 * Eta-2
      • Eta-2 = Beta21 * Eta-1
    • HubunganKovarian

atauKorelasi (panahmelengkungduaarah)

model di dalam sem4
MODEL DI DALAM SEM
  • Model Pengukuran
    • Setiapvariabellatenbiasanyamempunyaibeberapavariabelteramatiatauindikator.
    • Dalam model ini, setiapvariabellatendimodelkansebagaisebuahfaktor yang mendasaribeberapavariabelteramatiterkait .
    • Hubunganantarasebuahvariabellatendenganvariabel-variabelteramatidimodelkandalambentukanalisisfaktor. Olehkarenaitu, model pengukuraniniseringdisebutsebagaiConfirmatory Factor Analysis Modelatau Model CFA.
model di dalam sem5
MODEL DI DALAM SEM
  • Model Pengukuran
    • Koefisienhubunganantaravariabellatendanvariabelteramatiterkaitdisebutmuatanfaktoratauloading factor.
    • Muatanfaktormenunjukkankekuatanvariabelteramatidalammerepresentasikanataumerefleksikanvariabellatenterkait.
    • Model pengukuran yang paling umumdalamaplikasi SEM adalahmodel pengukurankon-generik (congeneric measurement model), dimanasetiapvariabelteramatihanyaberhubungandenganataumerepresentasikansatuvariabellaten.
model di dalam sem6
MODEL DI DALAM SEM
  • Model Pengukuran
    • Diagram Lintasandari model Pengukuran
    • Persamaan:
      • MOTIV01 = LF1 * Motivasi
      • MOTIV02 = LF2 * Motivasi
      • MOTIV03 = LF3 * Motivasi
    • Catatan: LF1, LF2, dan LF3 adalahLoading Factor. Untuk Standardized Loading Factor (SLF) nilainyaakanberkisarantara 0 sampai 1 (danbisa -1 sampai 0).
kesalahan dalam sem
KESALAHAN DALAM SEM
  • KesalahanStruktural
    • Sepertipadapersamaanregresi,variabellatenbebastidakdapatsecarasempurnamemprediksivariabellatenterikat, sehinggadalam model strukturalbiasanyaditambahkankomponenkesalahanstruktural(structural error).
    • Dalam Diagram Lintasan, kesalahanstrukturalbiasanyatidakadasimbolnya (kadang-kadangada yang menggunakansimbollingkaranatauelipskecil)
    • Penambahankesalahanstrukturalpada model membuat model strukturalmenjadilengkap.
kesalahan dalam sem1
KESALAHAN DALAM SEM
  • KesalahanStruktural
    • KesalahanStrukturaldalam Model Struktural
    • Persamaan
      • Eta-1 = Gamma11 * Ksi-1 + Gamma12 * Ksi-2 + Zeta1
      • Eta-2 = Beta21 * Eta-1 + Zeta2
      • Eta-3 = Beta31 * Eta-1 + Gamma32 * Ksi-2 + Zeta3
kesalahan dalam sem2
KESALAHAN DALAM SEM
  • KesalahanPengukuran
    • Dalam SEM, variabel-variabelteramatitidakdapatsecarasempurnamerefleksikan/menggambarkanvariabellatenterkait.Untukmemodelkanketidak-sempurnaanini, dilakukanpenambahankomponenkesalahanpengukuran(measurement error) kedalam model.
    • Persamaan
      • MOTIV01 = LF1 * Motivasi + DELTA1
      • MOTIV02 = LF2 * Motivasi + DELTA2
      • MOTIV03 = LF3 * Motivasi + DELTA3
kesalahan dalam sem3
KESALAHAN DALAM SEM
  • KesalahanPengukuran
    • Model PengukurandenganIndikator Tunggal (single Indicator)
      • Asumsi : MOTIVLVS 100% mereleksikan Motivasi (Kesalahan = 0) 
        • MOTIVLVS = 1 * Motivasi + 0
      • TANGI02 tidak 100% merefleksikan Tangible (Kesalahan = EPSILON2)
        • TANGI02 = 1 * Tangible + EPSILON2
model lengkap sem1
MODEL LENGKAP SEM
  • Persamaan
  • PersamaanStruktural
    • Eta-1 = Gamma11 * Ksi-1 + Gamma12 * Ksi-2 + Zeta1
    • Eta-2 = Beta21 * Eta-1 + Zeta2
    • Eta-3 = Beta31 * Eta-1 + Gamma32 * Ksi-2 + Zeta3
  • Persamaan Model PengukuranVariabelLateneksogen

X1 = Lx11 * Ksi1 + Delta1 X4 = Lx42 * Ksi2 + Delta4

X2 = Lx21 * Ksi1 + Delta2 X5 = Lx52 * Ksi2 + Delta5

X3 = Lx3 1* Ksi1 + Delta3

  • Persamaan Model PengukuranVariabelLaten endogen

Y1 = Ly11 * Eta1 + Epsilon1 Y7 = Ly73 * Eta3 + Epsilon7

Y2 = Ly21 * Eta1 + Epsilon2 Y8 = Ly83 * Eta3 + Epsilon8

Y3 = Ly3 1* Eta1 + Epsilon3 Y6 = Ly93 * Eta3 + Epsilon9

Y4 = Ly42 * Eta2 + Epsilon4

Y5 = Ly52 * Eta2 + Epsilon5

Y6 = Ly62 * Eta2 + Epsilon6

notasi matematik sem
NOTASI MATEMATIK SEM
  • VariabelLatendanVariabelTeramati
    • VariabelLatenEksogen: ‘ ξ(Ksi)’
    • VariabelLaten Endogen: ‘ η(Eta)’
    • VariabelTeramati (Indikator) untukVariabelLatenEksogenadalah ‘x’, sedangkanuntukVariabellaten Endogen adalah ‘y’.
notasi matematik sem1
NOTASI MATEMATIK SEM
  • Model StrukturaldanPengukuran
    • Model Struktural
    • Koefisiendaripathantaraξdanηadalah ‘γ(gamma)’ sedangkanantaraηdenganηadalah ‘β(beta)’
    • Model Pengukuran
    • Loading factor antara x denganξadalah ‘λx(lambda x)’ sedangkanantara y denganηadalah ‘λy(lambda y)’
notasi matematik sem2
NOTASI MATEMATIK SEM
  • KesalahanStrukturaldanPengukuran
    • KesalahanStruktural
    • KesalahanStrukturaldiberinotasi ‘ζ(Zeta)’
    • KesalahanPengukuran
    • KesalahanPengukuranuntukvariabellateneksogenadalah ‘δ(delta)’ danauntukvariabellaten endogen adalah ‘ε(epsilon)’
notasi matematik sem4
NOTASI MATEMATIK SEM
  • Persamaan
    • Persamaan Model Struktural
      • η1= γ11ξ1+ γ12ξ2+ ζ1
      • η2= β21η1+ζ2
      • η3= β31+ γ32ξ2+ ζ3
    • DalamBentukMatrik
      • η = Βη+ Γξ+ ζ
notasi matematik sem5
NOTASI MATEMATIK SEM
  • Persamaan
    • Persamaan Model PengukuranVariabelLatenEksogen
      • x1= λx11ξ1+ δ1
      • x2= λx21ξ1+ δ2
      • x3= λx31ξ1+ δ3
      • x4= λx42ξ2+ δ4
      • x5= λx52ξ2+ δ5
    • DalamBentukMatrik

x = Λxξ+ δ

notasi matematik sem6
NOTASI MATEMATIK SEM
  • Persamaan
    • Persamaan Model PengukuranVariabelLaten Endogen
      • y1= λy11η1+ ε1
      • y2= λy21η1+ ε2
      • y3= λy31η1+ ε3
      • y4= λy42η2+ ε4
      • y5= λy52η2+ ε5
      • y6= λy62η2+ ε6
      • y7= λy73η3+ ε7
      • y8= λy83η3+ ε8
      • y9= λy93η3+ ε9
    • DalamBentukMatrik

y = Λyη+ ε

notasi matematik sem7
NOTASI MATEMATIK SEM
  • Persamaan SEM

η = Βη+ Γξ+ ζ

x = Λx ξ+ δ

y = Λyη+ ε

prosedur sem
PROSEDUR SEM
  • PENDAHULUAN
    • Penerapan SEM danStatistikuntukPenelitian
      • PenerapanStatistik
        • Didasarkan atas pengamatanatauobservasi secara individual.
        • Residual merupakanperbedaanantaranilai yang dicocokkan (fitted) dengannilai yang diamatiuntuksetiapkasus yang adadalamsampel.
        • Fungsi yang diminimumkanadalahperbedaanantaranilai yang diamatidengannilai yang diprediksi.
      • Penerapan SEM
        • Didasarkan atas kovarian dari nilai-nilai yang ada di dalam sampel
        • Residual merupakan perbedaan antara kovarian yang diprediksi/dicocokkan dengan kovarian yang diamati.
        • Fungsi yang diminimumkanadalahperbedaanantarakovariansampeldengankovarian yang diprediksioleh model
prosedur sem1
PROSEDUR SEM
  • ProsesPencocokan Model
prosedur sem2
PROSEDUR SEM
  • ProsesPencocokan Model

Data = Model + Residual

      • Data: mewakilinilaipengukuran yang berkaitandenganvariabel-variabelteramatidanmembentuksampelpenelitian
      • Model: mewakili model yang dihipotesiskan/ dispesifikasikanolehpeneliti
      • Residual: Perbedaanantara model yang dihipotesiskandengan data yang diamati.
    • TujuanPencocokan Model:

MinimisasiResidualatau Residual 0

prosedur sem3
PROSEDUR SEM
  • Hipotesis Fundamental
    • HipotesisNol
      • ∑= ∑()
    • Di mana:
      • ∑ adalahmatrikkovarianpopulasidarivariabel-variabelteramati
      • ∑()adalahmatrikkovariandari model yang dispesifikasikan/dihipotesiskan
      • Jikapadastatistikbiasanya yang dipentingkanadalahsignifikansiatau yang dicariadalahpenolakanterhadap H0 (sepertipadaregresiberganda), pada SEM yang diusahakanadalah agar H0 tidakditolakatau Ho diterima.
prosedur sem4
PROSEDUR SEM
  • Prosedur SEM secaraumum (Bollen and Long, 1993)
    • Spesifikasi Model (Model Specification)
    • Identifikasi (Identification)
    • Estimasi (Estimation)
    • UjiKecocokan (Testing Fit)
    • Respesifikasi (Re-specification)
spesifikasi model
SPESIFIKASI MODEL
  • Pembentukan model awalpersamaanstruktural, sebelumdilakukanestimasi.
  • Model awalinidiformulasikanberdasarkansuatuteoriataupenelitiansebelumnya.
  • Path Diagram (Diagram Lintasan)
identifikasi
IDENTIFIKASI
  • Langkahiniditujukanuntukmenjaga agar model yang dispesifikasikanbukanmerupakan model yang under-identifiedatau unidentified.
  • Identifikasidalampersamaansimultan:
    • Under-Identified
    • Just Identified
    • Over Identified
  • Contoh sederhana dari Under-Identified (Contoh 1)
    • X + Y = 6

1 persamaan (data) dengan 2 bilangan tidak diketahui

(parameter yang diestimasi)  Tidakadasolusi yang Unik

identifikasi1
IDENTIFIKASI
  • ContohsederhanadariJust-Identified(Contoh 2)
    • X + Y = 6
    • 2X +Y = 10

2 persamaandengan 2 bilangantidakdiketahuiHanyaada 1 solusiyaitu X = 4 dan Y = 2

Contoh sederhana dari Over-Identified(Contoh 3)

    • X + Y = 6
    • 2X + Y= 10
    • 3X + Y = 12

3 persamaandengan 2 bilangantidadiketahuiSolusidiperolehmelaluiestimasiiteratif, dan yang cukupmendekatiadalah x = 3.0 dan Y = 3.3

identifikasi2
IDENTIFIKASI
  • Identifikasididalam SEM dan Degree of Freedom (df)
    • Under-Identifiedmodeladalah model dimanajumlah parameter yang diestimasilebihbesardarijumlah data yang diketahui (variance dan covariance darivariabel-variabelteramati)
    • df = Jumlah data -Jumlah parameter yang diestimasi;
    • df (contoh 1) = 1 -2 = -1 dfnegatif
    • Just –Identified modeladalah model dimanajumlah parameter yang diestimasisamadengan data yang diketahui.
    • df (contoh 2) = 2 -2 = 0 df =0
    • Over-Identified modeladalah model dimanajumlah parameter yang diestimasilebihkecildarijumlah data yang diketahui. df (contoh 3)=3 -2 =1 dfpositif.
estimasi
ESTIMASI
  • Langkahiniditujukanuntukmemperolehestimasisetiap parameter yang dispesifikasikandalam model yang membentukmatrik ∑() , sedemikiansehingganilai parameter sedekatmungkindengannilai yang adadalammatrik S (matrikkovariandarivariabelteramati/ sampel).
  • Karena matrik kovarian populasi ∑ tidak diketahui maka ∑ ini diwakili oleh matrik kovarian sampel S.
  • Dengandemikian, berdasarkanhipotesisnol, makadiusahakan agar S - ∑()mendekatiatausamadengan nol. Hal inidapatdilaksanakandenganmeminimilasikansuatufungsi F(S, ∑() melaluiiterasi.
estimasi1
ESTIMASI
  • Estimasiterhadap model dapatdilakukanmenggunakansalahsatudarimetodeestimasi yang tersedia:
    • Two Stage Least Square (TSLS)
    • Unweighted Least Squares (ULS)
    • Generalized Least Squares (GLS)
    • Maximum Likelihood (ML)
    • Robust ML
    • Generally Weighted Least Squares (WLS)
    • Diagonally Weighted Least Squares (DWLS)
  • Metodeestimasi yang paling banyakdigunakanadalahML, Robust MLdan WLS (ADF= Arbitrary Distribution Function)
estimasi2
ESTIMASI
  • Untukestimasimenggunakan ML, fungsi yang diminimalisasikanadalah:
  • Sedangkanuntukestimasi WLS, fungsitersebut:
  • Minimisasifungsitersebutdapatdilakukanmelaluiiterasi (dimulaidengan initial value) sampaidiperolehnilai yang kecilatau minimal. Beberapaalgoritmauntukiterasitersedia (Loehlin 1992):
    • Fletcher-Powell (variant-nyadigunakanpada LISREL)
    • Gauss – Newton (digunakandi EQS)
    • Newton – Rhapson
    • Dan lain-lainnya
estimasi3
ESTIMASI
  • Offending Estimates (Hair et.al. 1998)
    • negative error variances (Heywood Cases) ataunonsignificant error variances untukkonstruk-konstruk yang ada,
    • standardized coefficients melebihiatausangatdekatdengan 1, atau
    • standard errors yang berhubungandengankoefisien-koefisien yang diestimasimempunyainilaisangatbesar
  • Untukmengatasinya
    • Negative error variances error variancesditetapkan = nilaipositifkecil, misalnya 0.005 atau 0.01.
    • Nilaikoefisiendan errors standar yang besarmungkinkarenamisspecification dari model periksamodelnya (danubahkalauperlu)
uji kecocokan
UJI KECOCOKAN
  • LangkahiniditujukanuntukmengevaluasiderajatkecocokanatauGoodness Of Fit(GOF) antara data dan model.
  • Langkahujikecocokaninimerupakanlangkah yang banyakmengundangperdebatandankontroversi (Bollendan Long, 1993).
  • Menurut Hair et.al. (1995) evaluasiterhadap GOF model dilakukanmelaluibeberapatingkatan, yaitu:
    • Kecocokankeseluruhan model (overall model fit)
    • AnalisisatauKecocokan model pengukuran (measurement model fit)
    • AnalisisatauKecocokan model struktural (structural model fit)
uji kecocokan1
UJI KECOCOKAN
  • TahappengujiankecocokanGoodness Of Fit (GOF) antara model dengan data, validitas, danreliabilitas model pengukuran,
  • Pengujiansignifikasikoefisien-koefisiendari model struktural.
uji kecocokan2
UJI KECOCOKAN
  • evaluasiterhadaptingkatkecocokan data dengan model dilakukanmelaluibeberapatahapan, yaitu:
    • Kecocokankeseluruhan model (overall model fit)
      • mengelompokkan GOFI yang adamenjadi 3 bagianyaitu:
        • absolute fit measures (ukurankecocokanabsolut)
        • incremental fit measures (ukurankecocokaninkremental)
        • parsimonious fit measures (ukurankecocokanparsimoni).
    • Kecocokan model pengukuran (measurement model fit)
      • Evaluasiterhadapvaliditas (validity) dari model pengukuran
      • Evaluasiterhadapreliabilitas (reliability) dari model pengukuran
    • Kecocokan model struktural (structural model fit)
uji kecocokan3
UJI KECOCOKAN
  • KecocokanKeseluruhan Model
    • Daftarukuran GOF sertatingkatpenerimaankecocokan yang berhasildikompilasidari Hair et.al (1995), Chin dan Todd (1995), Doll, Xia danTorkzadeh (1994),JoreskogdanSorbom (1993) dan Byrne (1998) dapatdilihatpadaWijanto (2008)
uji kecocokan4
UJI KECOCOKAN
  • KecocokanatauAnalisisModelPengukuran
    • Evaluasi ini dilakukan terhadap setiap konstruk secara terpisah melalui:
      • Evaluasiterhadapvaliditas (validity) konstrukValiditasberhubungandenganapakahsuatuvariabelmengukurapa yang seharusnyadiukur
      • Evaluasi terhadap reliabilitas (reliability) konstruk Reliabilitasadalahkonsistensisuatupengukuran. Reliabilitastinggimenunjukkanbahwaindikator-indikator (variabel-variabelteramati) mempunyaikonsistensitinggidalammengukurkonstruk/variabellaten-nya.
uji kecocokan5
UJI KECOCOKAN
  • KecocokanatauAnalisisModelPengukuran
    • Evaluasiterhadapvaliditas
      • MenurutRigdondan Ferguson (1991), dan Doll, Xia, Torkzadeh (1994), suatuvariabeldikatakanmempunyaivaliditas yang baikterhadapkonstrukatauvariabellatennya, jika:
        • Nilai t muatanfaktornya (factor loadings) lebihbesardarinilaikritis (≥1.96 atauuntukpraktisnya ≥ 2)
        • Muatanfaktorstandarnya (standardized factor loadings/SLF) lebihbesaratausamadengan 0.70 atau
        • SLF ≥ 0,70
      • MenurutIgbaria, et.al. (1997)validitas yang baik, jika
        • SLF ≥ 0,50
    • Validitasvariabelteramati yang baik, jika:
      • SLF ≥ 0,70 atau SLF ≥ 0,50
uji kecocokan6
UJI KECOCOKAN
  • KecocokanatauAnalisisModelPengukuran
    • Evaluasiterhadapreliabilitas
      • Untuk SEM pengukuranreliabilitasdapatdilakukandenganmenggunakan (Hair et.al. 1995):
        • Composite/Construct Reliability Measure(UkuranReliabilitasKomposit/Konstruk)CR
        • Variance Extracted Measure(UkuranEkstrak Varian)VE
      • Reliabilitaskostruk yang baik, jika
        • CR ≥ 0.70 dan
        • VE≥ 0.50
uji kecocokan7
UJI KECOCOKAN
  • KecocokanatauAnalisisModelPengukuran
    • ReliabilitasKompositsuatuKonstrukdihitungsbb:
    • Ekstrakvarianmencerminkanjumlahvariankeseluruhandalamindikator yang dijelaskanolehkonstruklaten. (Fornel and Laker 1981)
        • Dimana: std. loading = standardized loading
          • e = measurement error
          • N = banyaknyavariabelteramatidalam model
uji kecocokan8
UJI KECOCOKAN
  • KecocokanatauAnalisis Model Struktural
    • Ujikecocokaninidilakukanterhadapkoefisien –koefisienpersamaanstrukturaldenganmenspesifikasikantingkatsignifikansitertentu. Dalamhaltingkatsignifikansiadalah 0.05, makanilaitdaripersamaanstrukturalharus ≥ 1.96 atauuntukpraktisnya ≥2
    • Selainitujugaperludilakukanevaluasiterhadapsolusistandardimanasemuakoefisienmempunyaivarian yang samadannilaimaximumnyaadalah 1.
    • Sebagaiukuranmenyeluruhterhadappersamaanstruktural, overall coefficient of determination(R2) dievaluasisepertipadaregresiberganda. (LihatCatatantentang R2di Wijanto (2008))
respesifikasi
RESPESIFIKASI
  • Langkahiniditujukanuntukmelakukanspesifikasiulangterhadap model untukmemperoleh GOF yang lebihbaik
  • Respesifikasiinisangattergantungkepadastrategipemodelan yang dipilih.
  • Ada 3 strategipemodelan yang dapatdipilihdalam SEM: (JoreskogdanSorbom 1993) atau (Hair et. Al. 1995)
    • Strictly Confirmatory/SC atau Confirmatory Modeling Strategy
    • Alternative/Competing Models/AM atau Competing Model Strategy
    • Model Generating/MG atau Model Development Strategy
respesifikasi1
RESPESIFIKASI
  • Strictly Confirmatory/SC
    • Suatu model tunggaldispesifikasikan
    • Pengumpulan data empiris
    • Pengujiandilakukanuntukmenghasilkanpenerimaanataupenolakanterhadap model tersebut

Tidakadarespesifikasi

  • Alternative Model/AM
    • Beberapa model alternatifdispesifikasikan
    • Pengumpulan data empiris
    • Analisisterhadap model-model tersebutdandipilihsalahsatu yang paling sesuai

Respesifikasihanyadiperlukanjika model-model

alternatifdikembangkandaribeberapa model yang ada

respesifikasi2
RESPESIFIKASI
  • Model Generating/MG
    • Suatu model awaldispesifikasikan
    • Pengumpulan data empiris
    • Analisisdanpengujianapakah data cocokdengan model
    • Jikatingkatkecocokankurangbaik, maka model dimodifikasidandiujikembalidengan data yang sama.

Prosesrespesifikasidapatdilakukanberulang-ulangsampaidiperolehtingkatkecocokanterbaik. Prosesrespesifikasidilakukanberdasarkantheory drivenatau data driven, meskipunrespesifikasiberdasar theory drivenlebihdianjurkan

  • Dari SC, AM dan MG, yang paling banyakditerapkanadalah MG, dan paling sedikitadalah SC.
studi kasus
STUDI KASUS
  • Spesifikasi Model
spesifikasi model1
SPESIFIKASI MODEL
  • Variabeleksogenyaitu
    • (PE)Performance Expectancy,
    • (EE)Effort Expectancy
    • (SI) Social Influence
    • (FC) Facilitating Condition
  • Variabelendogen yaitu
    • (BI) Behavioral Intention,
    • (AU) Actual Usage
spesifikasi model2
SPESIFIKASI MODEL
  • Hipotesis yang terbentukdarifaktoriniadalah:
    • H1 : PerformanceExpectancy (PE) berpengaruhterhadapBehavioral Intention (BI)
    • H2 : EffortExpectancy (EE) berpengaruhterhadapBehavioral Intention (BI)
    • H3: SocialInfluence (SI) mempengaruhiterhadapBehavioral Intention (BI)
    • H4 : Facilitating Condition (FC) mempengaruhiActual Usage (AU)
    • H5 : Behavioral Intention (BI) mempengaruhiActual Usage (AU)