Sem
Content
BAB IV
SEM (STRUCTURAL EQUATION MODELING)
4.1. Pendahuluan
SEM merupakan sekumpulan teknik-teknik statistik yang memungkinkan
pengujian serangkaian hubungan antar variabel yang relatif “rumit” secara simultan
(Ferdinand, 2005). Pemodelan SEM yang lengkap pada dasarnya terdiri atas
measurement model dan structural model. Measurement model atau model pengukuran
ditujukan untuk mengkonfirmasi sebuah dimensi atau faktor berdasarkan indikatorindikator empiriknya, sedangkan structural model atau model struktural adalah model
mengenai struktur hubungan yang membentuk atau menjelaskan kausalitas antar faktor
(Ferdinand, 2005). Measurement model dilakukan melalui confirmatory factor analysis
(CFA) sedangkan uji structural model dilakukan dengan menguji bobot koefisien jalur.
Oleh karena itu, SEM pada dasarnya adalah analisis lebih lanjut dari CFA dan analisis
regresi.
Menurut Hair et. al (1995, p. 626) dalam Ferdinand (2005, p. 34), ada tujuh
langkah yang harus dilakukan dalam menggunakan SEM (Ferdinand 2005, p. 61), yaitu:
(1) pengembangan model teoritis, (2) pengembangan diagram alur, (3) konversi diagram
alur ke dalam persamaan, (4) memilih matriks input dan estimasi model, (5)
kemungkinan munculnya masalah identifikasi, (6) evaluasi kesesuaian model, dan (7)
interpretasi dan modifikasi model.
Gambar Langkah-Langkah Dalam Structural Equation Modeling
36
1. Pengembangan model teoritis
Langkah pertama dalam pengembangan model SEM adalah pencarian atau
pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat (Ferdinand,
2005, p. 57). Peneliti harus melakukan serangkaian telaah pustaka yang intens agar dapat
diperoleh justifikasi atas model teoritis yang dikembangkan.
2. Pengembangan diagram alur (Path Diagram)
Diagram alur (path diagram) bertujuan untuk mempermudah peneliti melihat
hubungan-hubungan kausalitas yang ingin diuji. Variabel dalam diagram alur permodelan
SEM dibedakan menjadi dua, yakni: (1) variabel terukur/indikator/measured
variable/observed variabel merupakan variabel yang datanya harus dicari melalui
penelitian lapangan dan digambarkan dalam bentuk persegi, dan (2) variabel
laten/construct/unobserved variable merupakan variabel bentukan yang dibentuk melalui
indikator-indikator yang diamati secara nyata dan digambarkan dalam bentuk elips.
Hubungan antar konstruk dalam permodelan SEM digambarkan melalui anak
panah. Anak panah lurus menunjukkan hubungan kausal langsung antar konstruk
sedangkan garis lurus dengan anak panah pada tiap ujungnya menunjukkan hubungan
korelasi antar konstruk.
e1
e2
e3
e4
1
X1
1
e11 e12 e13
X2
1
X3
1
Ability
1
1
Y1
1
1
Y2
Y3
1
X4
Trust
e5
e6
e7
1
1
1
1
X5
X6
Benevolence
1
X7
1
Partici
pation
e8
e9
e10
1
1
1
Z1
1
X8
X9
X10
Z2
1
Integrity
Y4
Y5
Y6
1
1
1
e14 e15 e16
Diagram Alur Kerangka Pemikiran Teoritis
Konstruk-konstruk yang dibangun dalam diagram alur permodelan SEM
dikategorikan menjadi dua kelompok (Ferdinand, 2005, p. 69) yaitu: (1) konstruk
eksogen (exogenous construct/source variable/independent varieble) merupakan variabel
37
yang tidak diprediksi oleh variabel lain dalam model penelitian. Konstruk eksogen ini
adalah konstruk yang tidak dituju oleh garis dengan satu ujung anak panah. Dalam model
penelitian ini, konstruk eksogen yang digunakan adalah citra merek dan kepuasan
konsumen, (2) konstruk endogen (endogenous construct) merupakan konstruk yang
memprediksi satu atau beberapa konstruk endogen lainnya, namun konstruk eksogen
hanya dapat berhubungan kausal dengan konstruk endogen.
Hubungan Konstruk Eksogen-Konstruk Endogen
Konstruk
Ability
Indikator
Kompetensi
Pengalaman
Pengetahuan luas
Pengesahan institusional
Benevolence Perhatian
Kemauan berbagi
Dapat diharapkan
Integrity Pemenuhan
Keterusterangan
Kehandalan
Trust
Kenyamanan
Kepuasan
Tanggung jawab
Partisipasi Keberlanjutan
Frekuensi
Rekomendasi
Kode
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
Y1
Y2
Y3
Y4
Y5
Y6
3. Konversi Diagram Alur ke dalam Persamaan
Diagram alur dikonversikan ke dalam dua persamaan yaitu persamaan model
pengukuran dan persamaan struktural. Persamaan model pengukuran (measrement model)
yang digunakan untuk mengukur seberapa kuat struktur dimensi-dimensi yang
membentuk variabel laten (Ferdinand, 2005, p. 72). Hasil konversi ke diagram alur ke
dalam model pengukuran dapat dilihat pada tabel 3.2 sedangkan persamaan struktural
(structural equation) dirumuskan untuk menyatakan hubungan kausalitas antar berbagai
konstruk dengan pedoman variabel endogen sama dengan variabel eksogen ditambah
variabel endogen ditambah error.
Persamaan struktural:
variabel endogen = variabel eksogen + variabel endogen + error
Hasil konversi diagram alur ke dalam persamaan structural.
38
Hasil konversi ke dalam Persamaan Model Pengukuran dan Model Struktural
Model struktural
Model pengukuran
Konstruk eksogen
Konstruk endogen
X1 = λ1 Ability + ε1
Y11 = λ11TRUST + ε11
X2 = λ2 Ability + ε2
Y12 = λ12TRUST + ε12
X3 = λ3 Ability + ε3
Y13 = λ12TRUST + ε13
Y14 = λ13Partisipasi +
ε14
Y15 = λ14Partisipasi +
ε15
Y16 = λ15Partisipasi +
ε16
X4 = λ4 Ability + ε4
X5 = λ5 Benevolence + ε5
X6 = λ6 Benevolence + ε6
Trust = β1Ability + β2 Benevolance + β3
Interity + z1
Partisipasi = β4 Ability + β5 Benevolance +
β6 Interity + β7 Trust + z1
X7 = λ7 Benevolence + ε7
X8 = λ8 Integrity + ε8
X9 = λ9 Integrity + ε9
X10 = λ10 Integrity + ε10
Keterangan:
λ
β
ε
z
= Loading factor
= koefisien jalur
= Error measurement
= error estimasi
4. Memilih Matriks Input dan Estimasi Model
Data input yang digunakan dalam SEM untuk permodelan dan estimasinya dapat
berupa matriks kovarian atau matriks korelasi. Hair et. al (1995) dalam Ferdinand (2005,
p. 72) menemukan bahwa matriks kovarian memiliki keunggulan dalam menyajikan
perbandingan yang valid antara populasi atau antara sampel yang berbeda, yang tidak
dapat disajikan oleh korelasi. Hair et. al (1995) juga menyarankan agar peneliti
menggunakan matriks varian atau kovarian pada saat pengujian teori karena matriks ini
lebih memenuhi asumsi-asumsi metodologi dan merupakan bentuk data yang lebih sesuai
untuk memvalidasi hubungan-hubungan kausalitas (Ferdinand, 2005, p.73).
Ada beberapa teknik estimasi yang tersedia dalam software AMOS 4.01, yaitu: (1)
Maximum Likelihood Estimation (ML), (2) Generalized Least Square Estimation (GLS),
(3) Unweighted Least Square Estimation (ULS), (4) Scale Free Least Square Estimation
(SLS), (5) Asymptotically Distribution Free Estimation (ADF). Dengan mengacu pada
studi yang dilakukan oleh Hu, Bentler, dan Kano (1992) yang disajikan dalam
Tabachnick and Fidell (1997), maka teknik estimasi yang digunakan dalam penelitian ini
adalah maximum likelihood estimation technique dengan pertimbangan ukuran sampel
dalam penelitian ini kecil (100-200) dengan asumsi normalitas dipenuhi (Ferdinand,
2005, P. 77).
39
5. Kemungkinan Munculnya Masalah Identifikasi
Salah satu masalah yang dihadapi pada program komputer yang digunakan untuk
estimasi model kausal adalah masalah identifikasi (identification problem). Masalah
identifikasi pada prinsipnya merupakan masalah mengenai ketidakmampuan model yang
dikembangkan untuk menghasilkan estimasi yang unik. Ferdinand (2005, p. 50)
menyatakan bahwa problem identifikasi dapat muncul melalui gejala-gejala berikut: (1)
standard error untuk satu atau beberapa koefisien bernilai besar, (2) program tidak
mampu menghasilkan matriks informasi yang seharusnya disajikan, (3) munculnya
angka-angka aneh, misalnya adanya variasi error yang bernilai negatif, (4) munculnya
korelasi yang sangat tinggi antar koefisien estimasi yang didapat (misalnya > 0,9). Jika
setiap kali estimasi dilakukan muncul problem identifikasi ini, maka sebaiknya
dipertimbangkan ulang dengan mengembangkan model dengan menggunakan lebih
banyak konstruk.
6. Evaluasi Kesesuaian Model (Goodness of Fit)
Evaluasi kesesuaian model dilakukan melalui telaah terhadap berbagai kriteria
goodness of fit. Sebelum dilakukan evaluasi kesesuaian model, data yang akan digunakan
dalam analisis ini perlu diuji terlebih dahulu apakah telah memenuhi asumsi-asumsi SEM
(Ferdinand, 2005, p. 80) berikut ini: (1) ukuran sampel, jumlah sampel minimum adalah
100 dan selajutnya menggunakan perbandingan lima observasi untuk tiap parameter
estimasi (Hair et. al dalam Ferdinand, 2005, p. 80), (2) normalitas, diuji dengan melihat
gambaran histogram data atau dapat diuji dengan metode-metode statistik dengan
menngamati nilai kemiripan (skewness value) data yang digunakan, (3) linearitas, diuji
dengan mengamati scatter plots data, yaitu dengan memilih pasangan data dan melihat
pola penyebarannya untuk menduga ada tidaknya linearitas, (4) outliers, terdapat dua
macam outliers yaitu univariate outliers yang dapat diuji dengan Z-Score (observasi yang
mempunyai Z-Score lebih besar atau sama dengan 3 dikategorikan sebagai outliers), dan
multivariate outliers yang dapat diuji dengan mahalanobis distance, (5) multicolinearity
dan singularity, diuji dengan determinan matriks kovarian. Nilai determinan matriks
kovarian yang sangat kecil mengindikasikan adanya masalah multikolinearitas atau
singularitas.
Setelah memenuhi asumsi-asumsi SEM, langkah selanjutnya adalah mengevaluasi
kesesuaian model yang dilakukan dengan menggunakan beberapa indeks kesesuaian (fit
index) untuk mengukur “kebenaran” model yang diajukan. Bebarapa indeks kesesuaian
dan cut off value yang digunakan untuk menguji apakah sebuah model diterima atau
ditolak (Ferdinand, 2005, p. 80). Syarat model fit dalam analisis SEM tertera dalam tabel
berikut.
40
Ringkasan Syarat Model Fit SEM
Jenis Fit Index
Chi-square
RMSEA (root mean
square error of
approximation)
GFI (Goodness of fit
index)
AGFI (Adjusted
goodness of fit)
CMIN/DF (the
minimum sample
discrepancy
function/degree of
freedom)
TLI (Tucker Lewis
Index)
Nilai cut off
Keterangan
Nilai χ2 diharapkan kecil, Nilai χ2 yg kecil, dg prob.
dengan sig. probability≥ 0,05
menunjukan tidak ada perbedaan
signifikan antara matrik kovarians
prediksi dengan data observasi.
Dengan bahasa sederhana dapat
dikatakan model mewakili sampel
yang diambil
< 0,08 (Browne dan Curdeck , Merupakan ukuran model yang
1993)
mencoba memperbaiki chisquare
dalam jumlah sample yang besar.
RMSEA kecil menunjukan bahwa
model
diharapkan
dapat
digunakan dalam populasi.
> 0,90
Menghitung proporsi tertimbang
dari varians dalam matrik
kovarians sample yang dijelaskan
oleh matriks kovarians populasi
yang terestimasikan.
Nilai berkisar 0 – 1 (dg 0= poor
fit dan 1=perfect fit)
> 0,90 (Hair, 2007 dan Hulland, GFI adalah analog dari R 2 dalam
1996)
regresi berganda. (0-1)
< 2 (Byrne, 1998)
Sebenarnya
adalah
statistik
< 5 (Wheaton, 1977)
χ2/DF. Menunjukan χ2 relatif
> 0.90 (Arbuckle, 1997)
> 0,95 (Hair dkk, 1995)
NFI (normed fit index)
> 0,90
CFI (Comparative fit
index)
> 0,95
Parsimonious normal
fit index (PNFI)
Semakin tinggi semakin baik
Parsimonious goodness
of fit index (PGFI)
Measurement model fit
(dg mengukur
construct reliability
dan variance extracted)
Semakin
tinggi
baik/parsimony
Reliabilitas > 0,70
semakin
Variance extracted > 0,50
Alternative incremental fit index
yang membandingkan sebuah
model yang diuji terhadap sebuah
baseline model.
(0-1)
Perbandingan antara proposed
model dan null model (0-1)
Tidak dipengaruhi oleh ukuran
sample. (0-1). Sangat baik untuk
mengukur fit model.
Modifikasi
NFI,
kegunaan
membandingkan model dg DF yang
berbeda
Modifikasi dari GFI atas dasar
parsimony estimated model. (0-1)
Unidimensionalitas = asumsi yang
melandasi perhitungan reliabilitas
dan ditunjukkan ketika indicator
suatu konstruk memiliki acceptable
fit 1 single factor (one dimensional)
model.
41
Tabel diatas merupakan rekapitulasi indeks-indeks yang digunakan untuk menguji
kelayakan sebuah model. Langkah selanjutnya yang dilakukan setelah menguji
kesesuaian model adalah melakukan penilaian undimensionalitas dan reliabilitas. Untuk
menguji undimensionalitas dan reliabilitas suatu model, digunakan pendekatan berikut
ini: (1) menilai besaran composite reliability. Reliabilitas merupakan ukuran mengenai
konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat
sampai dimana masing-masing indikator mengindikasikan sebuah konstruk atau faktor
laten yang umum. Nilai composite reliablity adalah ≥ 0,7 menunjukkan tingkat reliabilitas
yang dapat diterima. Composite reliability diperoleh melalui rumus berikut:
Construct-Reliability =
( ∑Standard loading )2
( ∑Standard loading )2 + ∑Ej
(2) menilai variance extracted.
Menunjukkan jumlah varian dari indikator-indikator yang diekstraksi oleh konstruk laten
yang dikembangkan. Nilai variance extracted yang tinggi menunjukkan bahwa indikatorindikator tersebut telah memakili dengan baik oleh konstruk latenyang dikembangkan.
Nilai variance extracted yang direkomendasikan adalah ≥ 0,5 (Ferdinand, 2005, p. 95)
dan dapat diperoleh melalui rumus berikut:
Variance-Extracted =
∑Standard loading2
∑Standard loading2 + ∑Ej
7. Interpretasi dan Modifikasi Model
Langkah terakhir dalam permodelan SEM adalah menginterpretasikan model dan
memodifikasi model bagi model-model yang tidak memenuhi syarat pengujian yang
dilakukan. Setelah model diestimasi, residualnya haruslah kecil atau mendekati nol dan
distribusi frekuensi dari kovarian residual harus bersifat simetrik (Tabachnick and Fidell,
1997 dalam Ferdinand, 2005, p. 96). Pedoman untuk mempertimbangkan perlu tidaknya
memodifikasi sebuah model adalah dengan melihat jumlah residual yang dihasilkan
model. Batas keamanan untuk jumlah residual adalah 5%. Bila jumlah residual lebih
besar dari 5% dari semua residual kovarian yang dihasilkan model, maka sebuah
modifikasi perlu dipertimbangkan. Bila nilai residual yang dihasilkan model cukup besar
( > 2,58 ), maka perlu dipertimbangkan untuk menambah suatu alur baru pada model
yang diestimasi tersebut. Nilai residual yang lebih besar atau sama dengan 2,58
diinterpretasikan sebagai signifikan secara statistik pada tingkat 5% dan residual ini
menunjukkan adanya prediction error yang substantial untuk sepasang indikator
(Ferdinand, 2005, p. 97).
4.2. Contoh kasus penelitian dengan SEM
Sebuah penelitian bertujuan menguji peran kepercayaan (trust) dalam memediasi
bersedianya masyarakat menggunakan e-commerce untuk transaksi pembelian produk.
Berdasarkan telaah teori dan studi empiris sebelumnya, peneliti mengidentifikasi bahwa
kemampuan (ability) vendor, kebaikan hati (benevolence) vendor, dan integritas vendor
42
berpengaruh terhadap partisipasi penggunaan e-commerce untuk pembelian produk
melalui mediasi varibel kepercayaan pelanggan (trust). Rumusan masalah penelitiannya
adalah sebagai berikut:
4.2.1. Rumusan masalah
1. Apakah kemampuan (ability) vendor berpengaruh positif terhadap kepercayaan
(trust) pelanggan e-commerce di Indonesia?
2. Apakah kebaikan hati (benevolence) vendor berpengaruh positif terhadap
kepercayaan (trust) pelanggan e-commerce di Indonesia?
3. Apakah integritas (integrity) vendor berpengaruh positif terhadap kepercayaan (trust)
pelanggan e-commerce di Indonesia?
4. Apakah kepercayaan (trust) berpengaruh positif terhadap tingkat partisipasi
pelanggan e-commerce di Indonesia?
5. Apakah kemampuan (ability) vendor berpengaruh positif terhadap tingkat partisipasi
pelanggan ecommercedi Indonesia?
6. Apakah kebaikan hati (benevolence) vendor berpengaruh positif terhadap tingkat
partisipasi pelanggan ecommerce di Indonesia?
7. Apakah integritas (integrity) vendor berpengaruh positif terhadap tingkat partisipasi
pelanggan ecommerce di Indonesia
4.2.2. Model konseptual dan hipotesis
H1 : Kemampuan (ability) vendor berpengaruh positif terhadap kepercayaan (trust)
pelanggan e-commerce di Indonesia.
H2 : Kebaikan hati (benevolence) vendor berpengaruh positif terhadap kepercayaan
(trust) pelanggan e-commerce di Indonesia.
H3 : Integritas (integrity) vendor berpengaruh positif terhadap kepercayaan (trust)
pelanggan e-commerce di Indonesia.
H4 : Kepercayaan (trust) berpengaruh positif terhadap tingkat partisipasi pelanggan ecommerce di Indonesia.
43
H5 : Kemampuan (ability) vendor berpengaruh positif terhadap tingkat partisipasi
pelanggan ecommercedi Indonesia.
H6 : Kebaikan hati (benevolence) vendor berpengaruh positif terhadap tingkat partisipasi
pelanggan ecommerce di Indonesia.
H7 : Integritas (integrity) vendor berpengaruh positif terhadap tingkat partisipasi
pelanggan ecommerce di Indonesia.
4.2.3. Definisi operasional, pengukuran dan instrumen
1. Definisi operasional
Konstruk
Ability
Indikator
Kompetensi
Pengalaman
Pengetahuan luas
Pengesahan institusional
Benevolence Perhatian
Kemauan berbagi
Dapat diharapkan
Integrity Pemenuhan
Keterusterangan
Kehandalan
Trust
Kenyamanan
Kepuasan
Tanggung jawab
Partisipasi Keberlanjutan
Frekuensi
Rekomendasi
Kode
X1.1
X1.2
X1.3
X1.4
X2.1
X2.2
X2.3
X3.1
X3.2
X3.3
Y1.1
Y1.2
Y1.3
Y2.1
Y2.2
Y2.3
2. Pengukuran dan instrumen
No
Pernyataan
1
Saya merasa bahwa vendor penyedia ecommerce memiliki kemampuan untuk
menyediakan barang yang berkualitas bagi
pelanggan
Saya merasa bahwa vendor penyedia ecommerce mempunyai pengalaman sehingga
mampu mengirim barang tepat pada
waktunya.
Saya merasa bahwa vendor penyedia ecommerce memiliki kemampuan yang baik
dalam mengamankan transaksi.
Saya merasa bahwa vendor penyedia ecommerce telah diakui eksistensinya oleh pihakpihak lain, seperti supplier, distributor, jasa
pengiriman, dan sebagainya.
Saya merasa bahwa vendor penyedia ecommerce memiliki perhatian untuk
2
3
4
5
Sang
at
Tidak
Setuj
u
Tida
k
Setuj
u
Tidak
Berpenda
pat
Setuj
u
44
Sang
at
Setuj
u
memberikan pelayanan terbaik bagi
pelanggannya.
6
7
8
9
10
11
12
13
14
15
16
Saya merasa bahwa vendor penyedia ecommerce memiliki kemauan untuk
memberikan keuntungan bagi pelanggannya.
Saya merasa bahwa vendor penyedia ecommerce memiliki itikad baik untuk
memberikan kepuasan kepada pelanggannya.
Saya merasa bahwa vendor penyedia ecommerce akan memenuhi apa yang
diharapkan oleh pelanggannya.
Saya merasa bahwa vendor penyedia ecommerce tidak akan menyembunyikan
informasi yang penting bagi pelanggannya.
Saya merasa bahwa vendor penyedia ecommerce akan selalu menjaga reputasinya.
Saya percaya bahwa vendor penyedia ecommerce memberikan kenyamanan dalam
bertransaksi.
Saya percaya bahwa vendor penyedia ecommerce memberikan kepuasan dalam
bertransaksi.
Saya percaya bahwa vendor penyedia ecommerce memenuhi tanggung jawabnya
terhadap pelanggan.
Saya akan terus bertransaksi melalui media ecommerce.
Saya akan meningkatkan frekuensi
bertransaksi melalui media ecommerce.
Saya akan merekomendasikan kepada pihak
lain agar bertransaksi melalui media ecommerce.
3. Sampel
Penelitian ini menggunakan purposive sampling dengan kriteria konsumen yang
pernah menggunakan e-commerce dalam rentang waktu 6 bulan terakhir. Jumlah sample
yang digunakan adalah 152 responden.
4.4. Analisis SEM menggunakan AMOS
4.4.1. Menu AMOS
Dalam pengerjaan SEM dikenal beberapa software yang dapat digunakan, tetapi
dua software yang paling dikenal adalah AMOS dan LISREL. Dalam pelatihan ini
digunakan software AMOS karena software ini merupakan software yang lebih user
friendly, karen menggunakan perintah gambar. LISREL lebih sulit digunakan karena
menggunakan perintah syntax. Adapun tampilan menu AMOS pertama kali adalah
sebagai berikut.
45
Menu
Menggambar
Menu
Analisis
Menu
Tampilan dan
Cetak
Gambar Tampilan Awal AMOS
Pada prinsipnya menu ikon di AMOS di bagi menjadi 3 kategori besar, yaitu (1)
menu menggambar, lengkap dengan menu edit gambar, (2) menu analisis, dan (3) menu
pengaturan tampilan dan menu cetak. Menu ini ditampilkan secara kolom menurun,
sedangkan menu horisontal berisi 8 menu yaitu (1) File, (2) Edit, (3) View, (4) Diagram,
(5) Model fit, (6) Tools, (7) Help
1. Menu File digunakan untuk pengaturan file yang telah dibuat. Di dalam menu ini
terdapat menu pembuatan dokumen baru (new), memanggil pekerjaan yang sudah
disimpan (open), menu penyimpanan (save) dan menu cetak (print)
2. Menu Edit digunakan untuk melakukan editing pada gambar yang dibuat. Pada menu
ini terdapat semua perintah edit gambar seperti select/deselect, copy, duplicate, move,
dan perintah lainnya.
3. Menu View berisi fasilitas untuk melihat isi (content) dari gambar yang sudah dibuat.
Pada menu ini terdapat pula fasilitas untuk melihat dan memilih properti analisis yang
diinginkan.
4. Menu Diagram berisi fasilitas untuk melakukan penggambaran variabel. Pada menu
ini terdapat fasilitas menggambar observed variabel, laten variabel, indikator,
termasuk hubungan antar variabel. Pada menu ini juga terdapat fasilitas untuk
melakukan zoom terhadap gambar yang dibuat.
5. Menu Model fit berisi fasilitas untuk menjalankan analisis, dan melakukan
pengaturan terhadap grup analisis.
46
6. Menu Tools berisi fasilitas untuk pengaturan menu, serta font huruf yang digunakan
dalam penggambaran.
7. Pada prinsipnya AMOS berjalan berdasarkan gambar yang dibuat dan input data yang
diberikan, sehingga pada pelatihan ini akan ditekankan tentang menu pembuatan
gambara dan analisis.
4.4.2. Langkah Kerja Dengan AMOS
Adapun urutan langkah kerja dengan AMOS adalah sebagai berikut
1. Kembangkan model dari Teori
2. Gambarkan model dalam bidang gambar AMOS, beri nama variabel sesuai
dengan nama di spreadsheet anda, tentukan analisis yang akan digunakan..
3. Lakukan uji Confirmatory Factor Analysis (CFA)
4. Jika sudah lolos uji CFA lakukan analisis full model
5. Perhatikan Semua Asumsi, apakah terpenuhi semua.
6. Lakukan analisis dengan melihat estimasi output dan model fit
4.4.3. Menggambar dengan AMOS
Menggambar dengan AMOS sangat mudah dan fleksibel, tetapi proses
penggambaran sangat tergantung pada mouse. Hal ini menjadi keunggulan sekaligus
kekurangan, karena tanpa mouse proses penggambaran jadi sedikit sulit. Jika
menggunakan laptop dan lupa membawa mouse, proses penggambaran terpaksa
dilakukan dengan menggunakan touch pad, dan hal ini lebih sulit dibanding
menggunakan mouse biasa.
a. Menggambar Laten Variabel
Adapun cara menggambar laten variabel adalah sebagai berikut.
1. Klik perintah gambar laten variabel
2. Kemudian arahkan pointer mouse anda ke bidang gambar, dan tekan serta
tahanlah tombol klik kiri mouse anda.
3. Drag mouse anda , maka akan terbentuk gambar lingkaran, sesuaikan besar
gambar dan bentuk lingkaran dengan keinginan anda.
4. Setelah yakin dengan bentuk dan ukuran yang anda inginkan lepaslah tombol
klik kiri mouse anda
5. Gambar lingkaran telah terbentuk
b. Menggambar Observed Variabel
1. Klik perintah gambar observed variabel
2. Kemudian arahkan pointer mouse anda ke bidang gambar, dan tekan serta
tahanlah tombol klik kiri mouse anda.
3. Drag mouse anda , maka akan terbentuk gambar kotak, sesuaikan besar
gambar dan bentuk kotak dengan keinginan anda.
47
4. Setelah yakin dengan bentuk dan ukuran yang anda inginkan lepaslah tombol
klik kiri mouse anda
5. Gambar kotak observed variabel telah terbentuk
c. Menduplikasi Gambar
Adakalanya kita harus meenggambar beberapa laten atau observed variabel. Jika
kita menggambar satu persatu tentu hal ini tidak efisien. Kita cukup menggambar satu
variabel saja dan kemudian menduplikasinya. Langkah untuk menduplikasi adalah
sebagai berikut.
1. Tekan lambang perintah duplikasi
2. Arahkan pointermouse anda ke gambar variabel yang hendak diduplikasi.
3. Tekan Klik kiri mouse anda dan drag mouse anda.
4. Duplikasi gambar akan terbentuk
5. Langkah ini berlaku untuk semua gambar di bidang gambar AMOS.
d. Memindahkan Gambar
Pengaturan gambar dapat dilakukan dengan memindahkan gambar sesuai
keinginan kita. Adapun langkah memindahkan gambar adalah sebagai berikut.
1. Klik perintah memindahkan gambar.
2. Arahkan pointer mouse pada gambar yang hendak dipindahkan.
3. Tekan klik kiri dan drag gambar tersebut
4. Gambar akan berpindah.
e. Menggambar Pengaruh/Korelasi
Bentuk hubungan antar variabel yang mungkin digambarkan dalam AMOS adalah
pengaruh dan korelasi. Bentuk hubungan pengaruh digambarkan dengan panah satu arah,
sedangkan hubungan korelasi digambarkan dengan panah dua arah. Pada prinsipnya cara
menggambar kedua hubungan ini sama, yaitu sebagai berikut.
1. Klik perintah menggambar hubungan seperti berikut
Pengaruh
Korelasi
2. Arahkan pointer mouse ke bidang gambar
3. Pilihlah variabel yang hendak anda hubungkan
4. Tekan klik kiri dan tahan
5. Drag garis hubungan dari satu variabel ke variabel lain
Hal yang perlu diingat: Anda harus menggambar semua variabel dahulu baru
menggambar hubungannya.
f. Menggambar indikator
Setiap variabel laten pasti memiliki indikator. Jumlah indikator minimal 3 untuk
tiap variabel laten. Cara menggambar indikator adalah sebagai berikut.
1. Klik perintah gambar indikator
48
2. Arahkan pointer mouse anda ke variabel laten yang telah anda gambar
3. Tekan klik kiri sebanyak jumlah indikator yang dibutuhkan. Jadi jika
diperlukan 3 indikator, maka tekan klik kiri 3 kali, jika dibutuhkan 4 indikator
tekan 4 kali dan seterusnya.
g. Memberi Nama Variabel
Memberi nama variabel, baik laten maupun observed sebenarnya semua sama,
yaitu dengan menggunakan fasilitas object properties. Melalui object properties tidak
hanya pemberian nama variabel saja yang dapat dilakukan, tetapi juga pemberian nilai
parameter. Cara menampilkan object properties adalah dengan menekan klik kanan pada
tiap variabel. Arahkan pointer mouse anda ke variabel yang diinginkan kemudian klik
kanan, maka akan tampak menu object properties, dan kemudian tekan klik kiri pada
menu tersebut. Tampilan object properties adalah seperti berikut.
Gambar Tampilan Object Properties
Hal yang perlu diperhatikan dalam pemberian nama pada AMOS adalah bahwa
untuk setiap indikator harus sama persis dengan nama variabel yang kita tulis di SPSS
atau data editor lain (Excel, Lotus, dll). Dalam hal penulisan indikator AMOS tidak
mempermasalahkan huruf besar atau huruf kecil, tetapi sebaiknya dibuat sama dengan
yang ditulis di SPSS.
h. Menentukan File Input untuk Diolah
Setelah selesai menggambar, maka langkah berikutnya adalah menentukan file
yang akan digunakan dalam analisis. File ini berupa spreadsheet dalam format spss, atau
excel yang sudah dibuat sebelumnya. Cara menentukan file data input adalah sebagai
berikut.
1. Klik ikon select data file
2. Tampilan seperti ini akan tampak di layar.
49
3. Klik File Name, akan tampak tampilan sebagai berikut.
4. Pilihlah file yang akan menjadi input untuk analisis SEM. Pada latihan ini
digunakan file partisipasi e-commerce.sav di folder DATABASE LATIHAN
pada directory D.
i. Menentukan Teknik Estimasi SEM dan output yang Diinginkan
Dalam SEM ada beberapa teknik estimasi yang mungkin dilakukan, tetapi yang
paling sering digunakan adalah maximum likelihood (ML). ML digunakan untuk jumlah
sampel antara 100 hingga 500 dengan data memenuhi asumsi normalitas. Teknik estimasi
selengkapnya dapat dilihat pada tabel 2.
50
Teknik Estimasi dalam SEM
Pertimbangan
Teknik Yang Dipilih
Keterangan
Ukuran sample 100-200 Maximum
likelihood ULS dan SLS biasanya
dengan data memenuhi (ML)
tidak menghasilkan uji χ2,
asumsi normalitas.
karena itu tidak menarik
perhatian peneliti
Ukuran sample 200-500
ML dan Generalized
Bila ukuran sampel kurang
dengan data memenuhi
Least square (GLS)
dari 500, hasil GLS cukup
asumsi normalitas.
baik
Ukuran sample >2500,
ADF
ADF kurang cocok bila
asumsi normalitas kurang
ukuran sampel kurang dari
diperhatikan
2500
Sumber : Augusty (2000)
Adapun cara pemilihan teknik estimasi dan output yang diharapkan adalah
sebagai berikut.
1. Klik ikon properti analisis
2. Akan tampak tampilan properti analisis seperti berikut ini
3. Klik teknik estimasi yang diinginkan (biasanya Maximum Likelihood)
4. Klik menu Output, akan tampak tampilan sebagai berikut.
51
5. Klik pilihan: Minimation History, Standardize Estimates, Sample
Moment, Modification Indices, Factor Score Weight, Test of Normality
and outliers
6. Setelah selesai tutuplah menu tersebut, dan jalankan analisis SEM dengan
mengklik ikon calculate estimates
52
5.5. Analsisi output AMOS
5.5.1. CFA
Secara umum ada dua tahap dalam analisis model persamaan struktural, yaitu
analisis model pengukuran (measurement model) dan analisis model struktural (SEM).
Measurement model dimaksudkan untuk menguji unidimensionalitas skala alat ukur
(indikator). Dari uji model pengukuran ini, akan diketahui apakah skala pengukuran yang
digunakan bersifat unidimensional atau tidak. Secara keseluruhan analisis measurement
model tersebut dilakukan dengan teknik analisis faktor konfirmatori (confirmatory
analysis factor=CFA). Disebut teknik analisis faktor konfirmatori, karena analisis faktor
yang dipakai bertujuan mengkonfirmasi apakah variabel indikator benar-benar
mencerminkan/mengukur variabel latennya. Terdapat dua uji dalam measurement model,
yaitu uji signifikansi bobot factor (factor loading) dan uji goodness of fit. Factor loading
adalah korelasi sederhana antara skor item dengan skor factor. Sebuah indicator
dinyatakan valid dalam mengukur faktornya jika memiliki factor loading > 0,50. Pada
output AMOS tersedia pula nilai Critical Ratio (C.R.) yang analog dengan statistik t hitung.
Cut-off value yang digunakan adalah C.R. ≥ 1,96.
1. CFA variabel ability
Model pengukuran
Standardized estimates
.26
e1
X1
e2
X2
e3
X3
e4
X4
.51
.37
.48
.05
.61
.70
.23
Ability
Goodness of Fit Index
Chi-Square = 8.142
Probability = .017
CMIN/DF= 4.071
GFI = .973
AGFI = .864
TLI = .707
CFI= .902
RMSEA= .143
Interpretasi:
Indikator X4 tidak valid, ditunjukkan oleh factor loading kecil (0,23) < 0,50.
Kelayakan model kurang baik, beberapa uji Goodness of fit tidak diterima.
Solusi inidator X4 dikeluarkan dari model, hasilnya adalah:
53
Model pengukuran
Standardized estimates
.29
e1
X1
.53
.46
e2
X2
e3
X3
.68
.37
Ability
.61
Goodness of Fit Index
Chi-Square = .000
Probability = \p
CMIN/DF= \cmindf
GFI = 1.000
AGFI = \agfi
TLI = \tli
CFI= \cfi
RMSEA= \rmsea
2. CFA variabel benevolence
Model Pengukuran
Standardized estimates
.76
e5
X5
e6
X6
e7
X7
.81
.90
.87
Benevolence
.91
.95
Goodness of Fit Index
Chi-Square = .000
Probability = \p
CMIN/DF= \cmindf
GFI = 1.000
AGFI = \agfi
TLI = \tli
CFI= \cfi
RMSEA= \rmsea
Interpretasi:
Semua indicator valid, karena memiliki factor loading > 0,50.
Kelayakan model baik, sehingga model dapat diterima
3. CFA variabel integrity
Model Pengukuran
Standardized estimates
.35
e8
X8
e9
X9
e10
X10
.36
.59
.60
.51.71
Integrity
Goodness of Fit Index
Chi-Square = .000
Probability = \p
CMIN/DF= \cmindf
GFI = 1.000
AGFI = \agfi
TLI = \tli
CFI= \cfi
RMSEA= \rmsea
Interpretasi:
Semua indicator valid, karena memiliki factor loading > 0,50.
Kelayakan model baik, sehingga model dapat diterima
54
4. CFA variabel trust
Model Struktural (Awal)
Standardized estimates
Goodness of Fit Index
Chi-Square = .000
Probability = \p
CMIN/DF= \cmindf
GFI = 1.000
AGFI = \agfi
TLI = \tli
CFI= \cfi
RMSEA= \rmsea
e11 e12 e13
.61
Y1
.69
Y2
.78
.27
Y3
.83
.52
T rust
Interpretasi:
Semua indicator valid, karena memiliki factor loading > 0,50.
Kelayakan model baik, sehingga model dapat diterima
5. CFA variabel partisipasi e-commerce
Model Struktural (Awal)
Standardized estimates
Participation
Goodness of Fit Index
Chi-Square = .000
Probability = \p
CMIN/DF= \cmindf
GFI = 1.000
AGFI = \agfi
TLI = \tli
CFI= \cfi
RMSEA= \rmsea
.71
.50
Y4
.76 .81
.58
.66
Y5
Y6
e14 e15 e16
Interpretasi:
Semua indicator valid, karena memiliki factor loading > 0,50.
Kelayakan model baik, sehingga model dapat diterima
5.5.2. Analisis Model struktural
Setelah model pengukuran dapat diterima, analsisi dapat dilanjutkan dengan
analisis model struktural.
1. Evaluasi Asumsi normalitas
Evaluasi terhadap normalitas data dalam penelitian ini dilakukan dengan
mengamati kriteria critical ratio ±2.58 pada tingkat signifikansi 0.01 (1%). Apabila
dalam tabel penilaian normalitas (assessment of normality), nilai C.R. berada di luar
kisaran ±2.58, maka normalitas tidak terpenuhi (Ferdinand, 2005, p. 140). Hasil uji
normalitas adalah sebagai berikut:
55
Assessment of normality
min
max
Y4
3
Y5
3
Y6
3
Y3
3
Y2
3
Y1
3
X8
3
X9
2
X10
4
X5
2
X6
2
X7
2
X1
2
X2
2
X3
2
Multivariate
5
5
5
5
5
5
5
5
5
5
5
5
4
4
4
skew
0.108
0.081
-0.011
-0.013
-0.51
-0.343
0.011
-0.394
-0.347
0.076
0.007
0.021
0.255
0.279
-0.153
c.r.
0.542
0.41
-0.056
-0.067
-2.565
-1.728
0.057
-1.982
-1.748
0.383
0.033
0.104
1.283
1.404
-0.771
kurtosis
-0.458
0.19
0.454
-0.188
-0.638
-0.845
-0.548
0.011
-1.879
-0.881
-1.056
-0.739
-1.19
-0.898
-0.726
c.r.
-1.153
0.479
1.143
-0.474
-1.605
-2.126
-1.379
0.029
-4.73
-2.217
-2.659
-1.859
-2.996
-2.259
-1.828
-0.536
-0.146
Interpretasi:
Data indikator berdistribusi normal, ditunjukkan oleh nilai c.r skewness < 2,58
(harga mutlak). hasil ini memenuhi asumsi distribusi nomal secara univariate
Nilai c.r kurtosis < 2,58 (harga mutlak), disimpulkan data berdistribusi normal
secara multivariate.
Evaluasi outlier
1. Outlier univariate
Adanya univariate outliers dapat dideteksi dengan menentukan nilai ambang yang
akan dikategorikan sebagai outliers dengan cara melakukan konversi terhadap nilai data
penelitian ke dalam standard score, atau yang biasa juga disebut sebagai z-score, yang
memiliki nilai rata-rata nol dengan standar deviasi sebesar 1.00. Untuk sampel besar (di
atas 80 observasi), pedoman evaluasi adalah bahwa nilai ambang batas dari z-score
berada pada rentang 3 sampai 4 (Hair, et. al., 1995 dalam Ferdinand, 2005, p. 143). Nilai
z-score masing-masing indicator dapat dicari dengan menu Descriptive di SPSS dengan
memasukkan semua indicator dan memilih (centang) kotak Save standardized values as
variables.
56
Selanjutnya dilakukan analisis Descriptive dari variable Zscore. Hasilnya adalah :
Descriptive Statistics
N
Zscore(X1)
Zscore(X2)
Zscore(X3)
Zscore(X4)
Zscore(X5)
Zscore(X6)
Zscore(X7)
Zscore(X8)
Zscore(X9)
Zscore(X10)
Zscore(Y1)
Zscore(Y2)
Zscore(Y3)
Zscore(Y4)
Zscore(Y5)
Zscore(Y6)
Valid N (listwise)
152
152
152
152
152
152
152
152
152
152
152
152
152
152
152
152
152
Minimum
-1.12772
-1.16172
-2.37925
-3.03996
-1.56499
-1.36242
-1.60679
-1.54040
-2.73010
-1.18465
-1.82633
-2.24433
-2.00798
-1.36125
-2.06944
-1.82869
Maximum
1.52985
1.73305
1.14900
1.72369
1.62088
1.80729
1.76969
1.58147
1.39217
.83858
1.11126
.97396
1.46035
1.89717
1.60956
1.87745
Mean
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
Std. Deviation
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
Tampak bahwa nilai Z-score minimun dan maksimun tidak melebihi kisaran 4,
sehingga disimpulkan tidak terjadi outlier pada data masing-masing indikator.
2. Outlier multivariate
Multivariate outliers merupakan evaluasi yang juga harus dijalankan karena
walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate,
tetapi observasi-observasi ini dapat menjadi outliers apabila sudah saling
dikombinasikan. Evalusi multivariate outliers ini dilakukan dengan melakukan uji jarak
mahalanobis (the Mahalanobis distance) pada tiap observasi. Uji terhadap multivariate
outliers dilakukan dengan cara menggunakan kriteria Jarak Mahalanobis pada tingkat
p<0.001, dimana Jarak Mahalanobis ini dievaluasi dengan menggunakan X 2 pada derajat
bebas sebesar jumlah variabel observasi (indikator) yang digunakan dalam penelitian,
dimana dalam penelitian ini jumlah variabelnya adalah 22. Nilai kritis Chi-Square pada
df = 16 dan alpha 0,001, dicari dengan menu CHIINV (0.001 , 16) pada software
microsoft excel, yaitu sebesar 39,252. Jadi dalam penelitian ini, apabila Jarak
Mahalanobis >39,252, maka data itu merupakan multivariate outliers. Hasil jarak
57
Mahalanobis diketahui 29,554 lebih kecil dari 39,252, sehingga disimpulkan tidak terjadi
multivariate outlier.
3. Asumsi singularity dan multicolinearity
Dalam program AMOS, akan segera memberikan tanda warning apabila
ternyata matriks kovarians menunjukkan adanya singularitas dan analisis lebih
lanjut tidak bisa dijalankan. Multikolineritas dalam SEM dideteksi determinan
matriks kovarians. Nilai determinan kovarians matrik yang mendekati 0
mengindikasikan adanya multiklinieritas. Output AMOS memberikan informasi
determinan kovarians matrik = 7.80E-09. Meskipun nilai tersebut mendekati
angka nol, namun masih lebih besar dari nol sehingga data tetap layak untuk
digunakan.
4. Evaluasi goodness of fit index
Goodness-of-fit index
X2-chi-square
Significant Probability
CMIN/DF
GFI
AGFI
TLI
CFI
RMSEA
Cut-off Value
Kecil
≥ 0,05
≤ 2,00
≥ 0,90
≥ 0,90
≥ 0,95
≥ 0,95
≤ 0,08
Hasil Analisis
85,028
0,329
1,063
0,934
0,902
0,992
0,994
0,020
Evaluasi Model
Baik
Baik
Baik
Baik
Baik
Baik
Baik
Baik
Berdasarkan uji goodness of fit disimpulkan model dapat diterima, artinya hipotesis nol
yang menyatakan tidak terdapat perbedaan matriks kovarians sampel dan matriks
kovarians populasi yang diestimasi diterima.
58
5. Pengujian Model Struktural
Model Struktural (Modifikasil)
Standardized estimates
.28
e1
X1
e2
X2
e3
X3
.53
.47
e11 e12 e13
.69
.37
.61
.59
Ability
Y1
Y2
.03
e5
X5
.81
.90
e6
X6
e7
X7
Benevolence
.03
.02
e9
X9
e10
X10
.28
.55
.67
.46.68
.58
Participation
.73 .76
.53
Integrity
Goodness of Fit Index
Chi-Square = 85.028
Probability = .329
CMIN/DF= 1.063
GFI = .934
AGFI = .902
TLI = .992
CFI= .994
RMSEA= .020
.56
.52
.45
Z1
.15
.87
.26
.30
X8
Y3
Trust
.05
.91
.95
e8
.32
.77 .82
.56
.34
.00
.77
.67
Y4
.79
.58
Y5
Z2
.63
Y6
e14 e15 e16
Regression Weight Full Structural Model Partisipasi pelanggan menggunakan Ecommerce
Jalur
Trust
Trust
Trust
Participation
Participation
Participation
Participation
X1
X2
X3
X5
X6
X7
X8
X9
X10
Y1
Y2
<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<--
Estimate
Ability
Benevolence
Integrity
Benevolence
Integrity
Ability
Trust
Ability
Ability
Ability
Benevolence
Benevolence
Benevolence
Integrity
Integrity
Integrity
Trust
Trust
0.041
0.094
0.807
0.008
0.356
0.059
0.461
1.145
1.376
1
0.973
1.009
1
1.048
1.45
1
1
0.979
Standardized S.E.
Estimate
0.027
0.153
0.518
0.017
0.279
0.048
0.562
0.525
0.687
0.609
0.875
0.902
0.953
0.548
0.668
0.678
0.766
0.821
C.R.
P
0.156
0.056
0.199
0.04
0.158
0.111
0.101
0.281
0.356
0.263
1.669
4.05
0.212
2.249
0.536
4.558
4.069
3.866
0.793
0.095
0.000
0.832
0.024
0.592
0.000
0.000
0.000
0.056
0.054
17.383
18.758
0.000
0.000
0.209
0.261
5.014
5.551
0.000
0.000
0.114
8.578
0.000
59
Y3
Y4
Y5
Y6
<-<-<-<--
Trust
Participation
Participation
Participation
0.621
1.045
0.966
1
0.562
0.728
0.76
0.792
0.098
0.124
0.11
6.331
8.451
8.767
0.000
0.000
0.000
Rangkuman Uji Hipotesis
Hi
Standardized
Estimate
Jalur
H1
Trust
H2
Trust
H3
Trust
H4
Participation
H5
Participation
H6
Participation
H7
Participation
<<<<<<<-
C.R.
P
Kesimpulan
Tidak signifikan
Ability
0.027
0.263
0.793
Benevolence
0.153
1.669
0.095
Integrity
0.518
4.05
0.000
Benevolence
0.017
0.212
0.832
Integrity
0.279
2.249
0.024
Ability
0.048
0.536
0.592
Trust
0.562
4.558
0.000
Tidak signifikan
Signifikan
Tidak signifikan
Signifikan
Tidak signifikan
Signifikan
Berdasarkan nilai C.R masing-masing jalur disimpulkan:
H1, H2, H4, dan H6 ditolak
H3, H5, dan H7 diterima atau terbukti.
Temuan dari studi ini adalah integritas vendor dalam e-commerce menjadi faktor yang
menentukan kepercayaan pelanggan dan kesediaan pelanggan berpartisipasi dalam
transaksi e-commerce.
60
SEM (STRUCTURAL EQUATION MODELING)
4.1. Pendahuluan
SEM merupakan sekumpulan teknik-teknik statistik yang memungkinkan
pengujian serangkaian hubungan antar variabel yang relatif “rumit” secara simultan
(Ferdinand, 2005). Pemodelan SEM yang lengkap pada dasarnya terdiri atas
measurement model dan structural model. Measurement model atau model pengukuran
ditujukan untuk mengkonfirmasi sebuah dimensi atau faktor berdasarkan indikatorindikator empiriknya, sedangkan structural model atau model struktural adalah model
mengenai struktur hubungan yang membentuk atau menjelaskan kausalitas antar faktor
(Ferdinand, 2005). Measurement model dilakukan melalui confirmatory factor analysis
(CFA) sedangkan uji structural model dilakukan dengan menguji bobot koefisien jalur.
Oleh karena itu, SEM pada dasarnya adalah analisis lebih lanjut dari CFA dan analisis
regresi.
Menurut Hair et. al (1995, p. 626) dalam Ferdinand (2005, p. 34), ada tujuh
langkah yang harus dilakukan dalam menggunakan SEM (Ferdinand 2005, p. 61), yaitu:
(1) pengembangan model teoritis, (2) pengembangan diagram alur, (3) konversi diagram
alur ke dalam persamaan, (4) memilih matriks input dan estimasi model, (5)
kemungkinan munculnya masalah identifikasi, (6) evaluasi kesesuaian model, dan (7)
interpretasi dan modifikasi model.
Gambar Langkah-Langkah Dalam Structural Equation Modeling
36
1. Pengembangan model teoritis
Langkah pertama dalam pengembangan model SEM adalah pencarian atau
pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat (Ferdinand,
2005, p. 57). Peneliti harus melakukan serangkaian telaah pustaka yang intens agar dapat
diperoleh justifikasi atas model teoritis yang dikembangkan.
2. Pengembangan diagram alur (Path Diagram)
Diagram alur (path diagram) bertujuan untuk mempermudah peneliti melihat
hubungan-hubungan kausalitas yang ingin diuji. Variabel dalam diagram alur permodelan
SEM dibedakan menjadi dua, yakni: (1) variabel terukur/indikator/measured
variable/observed variabel merupakan variabel yang datanya harus dicari melalui
penelitian lapangan dan digambarkan dalam bentuk persegi, dan (2) variabel
laten/construct/unobserved variable merupakan variabel bentukan yang dibentuk melalui
indikator-indikator yang diamati secara nyata dan digambarkan dalam bentuk elips.
Hubungan antar konstruk dalam permodelan SEM digambarkan melalui anak
panah. Anak panah lurus menunjukkan hubungan kausal langsung antar konstruk
sedangkan garis lurus dengan anak panah pada tiap ujungnya menunjukkan hubungan
korelasi antar konstruk.
e1
e2
e3
e4
1
X1
1
e11 e12 e13
X2
1
X3
1
Ability
1
1
Y1
1
1
Y2
Y3
1
X4
Trust
e5
e6
e7
1
1
1
1
X5
X6
Benevolence
1
X7
1
Partici
pation
e8
e9
e10
1
1
1
Z1
1
X8
X9
X10
Z2
1
Integrity
Y4
Y5
Y6
1
1
1
e14 e15 e16
Diagram Alur Kerangka Pemikiran Teoritis
Konstruk-konstruk yang dibangun dalam diagram alur permodelan SEM
dikategorikan menjadi dua kelompok (Ferdinand, 2005, p. 69) yaitu: (1) konstruk
eksogen (exogenous construct/source variable/independent varieble) merupakan variabel
37
yang tidak diprediksi oleh variabel lain dalam model penelitian. Konstruk eksogen ini
adalah konstruk yang tidak dituju oleh garis dengan satu ujung anak panah. Dalam model
penelitian ini, konstruk eksogen yang digunakan adalah citra merek dan kepuasan
konsumen, (2) konstruk endogen (endogenous construct) merupakan konstruk yang
memprediksi satu atau beberapa konstruk endogen lainnya, namun konstruk eksogen
hanya dapat berhubungan kausal dengan konstruk endogen.
Hubungan Konstruk Eksogen-Konstruk Endogen
Konstruk
Ability
Indikator
Kompetensi
Pengalaman
Pengetahuan luas
Pengesahan institusional
Benevolence Perhatian
Kemauan berbagi
Dapat diharapkan
Integrity Pemenuhan
Keterusterangan
Kehandalan
Trust
Kenyamanan
Kepuasan
Tanggung jawab
Partisipasi Keberlanjutan
Frekuensi
Rekomendasi
Kode
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
Y1
Y2
Y3
Y4
Y5
Y6
3. Konversi Diagram Alur ke dalam Persamaan
Diagram alur dikonversikan ke dalam dua persamaan yaitu persamaan model
pengukuran dan persamaan struktural. Persamaan model pengukuran (measrement model)
yang digunakan untuk mengukur seberapa kuat struktur dimensi-dimensi yang
membentuk variabel laten (Ferdinand, 2005, p. 72). Hasil konversi ke diagram alur ke
dalam model pengukuran dapat dilihat pada tabel 3.2 sedangkan persamaan struktural
(structural equation) dirumuskan untuk menyatakan hubungan kausalitas antar berbagai
konstruk dengan pedoman variabel endogen sama dengan variabel eksogen ditambah
variabel endogen ditambah error.
Persamaan struktural:
variabel endogen = variabel eksogen + variabel endogen + error
Hasil konversi diagram alur ke dalam persamaan structural.
38
Hasil konversi ke dalam Persamaan Model Pengukuran dan Model Struktural
Model struktural
Model pengukuran
Konstruk eksogen
Konstruk endogen
X1 = λ1 Ability + ε1
Y11 = λ11TRUST + ε11
X2 = λ2 Ability + ε2
Y12 = λ12TRUST + ε12
X3 = λ3 Ability + ε3
Y13 = λ12TRUST + ε13
Y14 = λ13Partisipasi +
ε14
Y15 = λ14Partisipasi +
ε15
Y16 = λ15Partisipasi +
ε16
X4 = λ4 Ability + ε4
X5 = λ5 Benevolence + ε5
X6 = λ6 Benevolence + ε6
Trust = β1Ability + β2 Benevolance + β3
Interity + z1
Partisipasi = β4 Ability + β5 Benevolance +
β6 Interity + β7 Trust + z1
X7 = λ7 Benevolence + ε7
X8 = λ8 Integrity + ε8
X9 = λ9 Integrity + ε9
X10 = λ10 Integrity + ε10
Keterangan:
λ
β
ε
z
= Loading factor
= koefisien jalur
= Error measurement
= error estimasi
4. Memilih Matriks Input dan Estimasi Model
Data input yang digunakan dalam SEM untuk permodelan dan estimasinya dapat
berupa matriks kovarian atau matriks korelasi. Hair et. al (1995) dalam Ferdinand (2005,
p. 72) menemukan bahwa matriks kovarian memiliki keunggulan dalam menyajikan
perbandingan yang valid antara populasi atau antara sampel yang berbeda, yang tidak
dapat disajikan oleh korelasi. Hair et. al (1995) juga menyarankan agar peneliti
menggunakan matriks varian atau kovarian pada saat pengujian teori karena matriks ini
lebih memenuhi asumsi-asumsi metodologi dan merupakan bentuk data yang lebih sesuai
untuk memvalidasi hubungan-hubungan kausalitas (Ferdinand, 2005, p.73).
Ada beberapa teknik estimasi yang tersedia dalam software AMOS 4.01, yaitu: (1)
Maximum Likelihood Estimation (ML), (2) Generalized Least Square Estimation (GLS),
(3) Unweighted Least Square Estimation (ULS), (4) Scale Free Least Square Estimation
(SLS), (5) Asymptotically Distribution Free Estimation (ADF). Dengan mengacu pada
studi yang dilakukan oleh Hu, Bentler, dan Kano (1992) yang disajikan dalam
Tabachnick and Fidell (1997), maka teknik estimasi yang digunakan dalam penelitian ini
adalah maximum likelihood estimation technique dengan pertimbangan ukuran sampel
dalam penelitian ini kecil (100-200) dengan asumsi normalitas dipenuhi (Ferdinand,
2005, P. 77).
39
5. Kemungkinan Munculnya Masalah Identifikasi
Salah satu masalah yang dihadapi pada program komputer yang digunakan untuk
estimasi model kausal adalah masalah identifikasi (identification problem). Masalah
identifikasi pada prinsipnya merupakan masalah mengenai ketidakmampuan model yang
dikembangkan untuk menghasilkan estimasi yang unik. Ferdinand (2005, p. 50)
menyatakan bahwa problem identifikasi dapat muncul melalui gejala-gejala berikut: (1)
standard error untuk satu atau beberapa koefisien bernilai besar, (2) program tidak
mampu menghasilkan matriks informasi yang seharusnya disajikan, (3) munculnya
angka-angka aneh, misalnya adanya variasi error yang bernilai negatif, (4) munculnya
korelasi yang sangat tinggi antar koefisien estimasi yang didapat (misalnya > 0,9). Jika
setiap kali estimasi dilakukan muncul problem identifikasi ini, maka sebaiknya
dipertimbangkan ulang dengan mengembangkan model dengan menggunakan lebih
banyak konstruk.
6. Evaluasi Kesesuaian Model (Goodness of Fit)
Evaluasi kesesuaian model dilakukan melalui telaah terhadap berbagai kriteria
goodness of fit. Sebelum dilakukan evaluasi kesesuaian model, data yang akan digunakan
dalam analisis ini perlu diuji terlebih dahulu apakah telah memenuhi asumsi-asumsi SEM
(Ferdinand, 2005, p. 80) berikut ini: (1) ukuran sampel, jumlah sampel minimum adalah
100 dan selajutnya menggunakan perbandingan lima observasi untuk tiap parameter
estimasi (Hair et. al dalam Ferdinand, 2005, p. 80), (2) normalitas, diuji dengan melihat
gambaran histogram data atau dapat diuji dengan metode-metode statistik dengan
menngamati nilai kemiripan (skewness value) data yang digunakan, (3) linearitas, diuji
dengan mengamati scatter plots data, yaitu dengan memilih pasangan data dan melihat
pola penyebarannya untuk menduga ada tidaknya linearitas, (4) outliers, terdapat dua
macam outliers yaitu univariate outliers yang dapat diuji dengan Z-Score (observasi yang
mempunyai Z-Score lebih besar atau sama dengan 3 dikategorikan sebagai outliers), dan
multivariate outliers yang dapat diuji dengan mahalanobis distance, (5) multicolinearity
dan singularity, diuji dengan determinan matriks kovarian. Nilai determinan matriks
kovarian yang sangat kecil mengindikasikan adanya masalah multikolinearitas atau
singularitas.
Setelah memenuhi asumsi-asumsi SEM, langkah selanjutnya adalah mengevaluasi
kesesuaian model yang dilakukan dengan menggunakan beberapa indeks kesesuaian (fit
index) untuk mengukur “kebenaran” model yang diajukan. Bebarapa indeks kesesuaian
dan cut off value yang digunakan untuk menguji apakah sebuah model diterima atau
ditolak (Ferdinand, 2005, p. 80). Syarat model fit dalam analisis SEM tertera dalam tabel
berikut.
40
Ringkasan Syarat Model Fit SEM
Jenis Fit Index
Chi-square
RMSEA (root mean
square error of
approximation)
GFI (Goodness of fit
index)
AGFI (Adjusted
goodness of fit)
CMIN/DF (the
minimum sample
discrepancy
function/degree of
freedom)
TLI (Tucker Lewis
Index)
Nilai cut off
Keterangan
Nilai χ2 diharapkan kecil, Nilai χ2 yg kecil, dg prob.
dengan sig. probability≥ 0,05
menunjukan tidak ada perbedaan
signifikan antara matrik kovarians
prediksi dengan data observasi.
Dengan bahasa sederhana dapat
dikatakan model mewakili sampel
yang diambil
< 0,08 (Browne dan Curdeck , Merupakan ukuran model yang
1993)
mencoba memperbaiki chisquare
dalam jumlah sample yang besar.
RMSEA kecil menunjukan bahwa
model
diharapkan
dapat
digunakan dalam populasi.
> 0,90
Menghitung proporsi tertimbang
dari varians dalam matrik
kovarians sample yang dijelaskan
oleh matriks kovarians populasi
yang terestimasikan.
Nilai berkisar 0 – 1 (dg 0= poor
fit dan 1=perfect fit)
> 0,90 (Hair, 2007 dan Hulland, GFI adalah analog dari R 2 dalam
1996)
regresi berganda. (0-1)
< 2 (Byrne, 1998)
Sebenarnya
adalah
statistik
< 5 (Wheaton, 1977)
χ2/DF. Menunjukan χ2 relatif
> 0.90 (Arbuckle, 1997)
> 0,95 (Hair dkk, 1995)
NFI (normed fit index)
> 0,90
CFI (Comparative fit
index)
> 0,95
Parsimonious normal
fit index (PNFI)
Semakin tinggi semakin baik
Parsimonious goodness
of fit index (PGFI)
Measurement model fit
(dg mengukur
construct reliability
dan variance extracted)
Semakin
tinggi
baik/parsimony
Reliabilitas > 0,70
semakin
Variance extracted > 0,50
Alternative incremental fit index
yang membandingkan sebuah
model yang diuji terhadap sebuah
baseline model.
(0-1)
Perbandingan antara proposed
model dan null model (0-1)
Tidak dipengaruhi oleh ukuran
sample. (0-1). Sangat baik untuk
mengukur fit model.
Modifikasi
NFI,
kegunaan
membandingkan model dg DF yang
berbeda
Modifikasi dari GFI atas dasar
parsimony estimated model. (0-1)
Unidimensionalitas = asumsi yang
melandasi perhitungan reliabilitas
dan ditunjukkan ketika indicator
suatu konstruk memiliki acceptable
fit 1 single factor (one dimensional)
model.
41
Tabel diatas merupakan rekapitulasi indeks-indeks yang digunakan untuk menguji
kelayakan sebuah model. Langkah selanjutnya yang dilakukan setelah menguji
kesesuaian model adalah melakukan penilaian undimensionalitas dan reliabilitas. Untuk
menguji undimensionalitas dan reliabilitas suatu model, digunakan pendekatan berikut
ini: (1) menilai besaran composite reliability. Reliabilitas merupakan ukuran mengenai
konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat
sampai dimana masing-masing indikator mengindikasikan sebuah konstruk atau faktor
laten yang umum. Nilai composite reliablity adalah ≥ 0,7 menunjukkan tingkat reliabilitas
yang dapat diterima. Composite reliability diperoleh melalui rumus berikut:
Construct-Reliability =
( ∑Standard loading )2
( ∑Standard loading )2 + ∑Ej
(2) menilai variance extracted.
Menunjukkan jumlah varian dari indikator-indikator yang diekstraksi oleh konstruk laten
yang dikembangkan. Nilai variance extracted yang tinggi menunjukkan bahwa indikatorindikator tersebut telah memakili dengan baik oleh konstruk latenyang dikembangkan.
Nilai variance extracted yang direkomendasikan adalah ≥ 0,5 (Ferdinand, 2005, p. 95)
dan dapat diperoleh melalui rumus berikut:
Variance-Extracted =
∑Standard loading2
∑Standard loading2 + ∑Ej
7. Interpretasi dan Modifikasi Model
Langkah terakhir dalam permodelan SEM adalah menginterpretasikan model dan
memodifikasi model bagi model-model yang tidak memenuhi syarat pengujian yang
dilakukan. Setelah model diestimasi, residualnya haruslah kecil atau mendekati nol dan
distribusi frekuensi dari kovarian residual harus bersifat simetrik (Tabachnick and Fidell,
1997 dalam Ferdinand, 2005, p. 96). Pedoman untuk mempertimbangkan perlu tidaknya
memodifikasi sebuah model adalah dengan melihat jumlah residual yang dihasilkan
model. Batas keamanan untuk jumlah residual adalah 5%. Bila jumlah residual lebih
besar dari 5% dari semua residual kovarian yang dihasilkan model, maka sebuah
modifikasi perlu dipertimbangkan. Bila nilai residual yang dihasilkan model cukup besar
( > 2,58 ), maka perlu dipertimbangkan untuk menambah suatu alur baru pada model
yang diestimasi tersebut. Nilai residual yang lebih besar atau sama dengan 2,58
diinterpretasikan sebagai signifikan secara statistik pada tingkat 5% dan residual ini
menunjukkan adanya prediction error yang substantial untuk sepasang indikator
(Ferdinand, 2005, p. 97).
4.2. Contoh kasus penelitian dengan SEM
Sebuah penelitian bertujuan menguji peran kepercayaan (trust) dalam memediasi
bersedianya masyarakat menggunakan e-commerce untuk transaksi pembelian produk.
Berdasarkan telaah teori dan studi empiris sebelumnya, peneliti mengidentifikasi bahwa
kemampuan (ability) vendor, kebaikan hati (benevolence) vendor, dan integritas vendor
42
berpengaruh terhadap partisipasi penggunaan e-commerce untuk pembelian produk
melalui mediasi varibel kepercayaan pelanggan (trust). Rumusan masalah penelitiannya
adalah sebagai berikut:
4.2.1. Rumusan masalah
1. Apakah kemampuan (ability) vendor berpengaruh positif terhadap kepercayaan
(trust) pelanggan e-commerce di Indonesia?
2. Apakah kebaikan hati (benevolence) vendor berpengaruh positif terhadap
kepercayaan (trust) pelanggan e-commerce di Indonesia?
3. Apakah integritas (integrity) vendor berpengaruh positif terhadap kepercayaan (trust)
pelanggan e-commerce di Indonesia?
4. Apakah kepercayaan (trust) berpengaruh positif terhadap tingkat partisipasi
pelanggan e-commerce di Indonesia?
5. Apakah kemampuan (ability) vendor berpengaruh positif terhadap tingkat partisipasi
pelanggan ecommercedi Indonesia?
6. Apakah kebaikan hati (benevolence) vendor berpengaruh positif terhadap tingkat
partisipasi pelanggan ecommerce di Indonesia?
7. Apakah integritas (integrity) vendor berpengaruh positif terhadap tingkat partisipasi
pelanggan ecommerce di Indonesia
4.2.2. Model konseptual dan hipotesis
H1 : Kemampuan (ability) vendor berpengaruh positif terhadap kepercayaan (trust)
pelanggan e-commerce di Indonesia.
H2 : Kebaikan hati (benevolence) vendor berpengaruh positif terhadap kepercayaan
(trust) pelanggan e-commerce di Indonesia.
H3 : Integritas (integrity) vendor berpengaruh positif terhadap kepercayaan (trust)
pelanggan e-commerce di Indonesia.
H4 : Kepercayaan (trust) berpengaruh positif terhadap tingkat partisipasi pelanggan ecommerce di Indonesia.
43
H5 : Kemampuan (ability) vendor berpengaruh positif terhadap tingkat partisipasi
pelanggan ecommercedi Indonesia.
H6 : Kebaikan hati (benevolence) vendor berpengaruh positif terhadap tingkat partisipasi
pelanggan ecommerce di Indonesia.
H7 : Integritas (integrity) vendor berpengaruh positif terhadap tingkat partisipasi
pelanggan ecommerce di Indonesia.
4.2.3. Definisi operasional, pengukuran dan instrumen
1. Definisi operasional
Konstruk
Ability
Indikator
Kompetensi
Pengalaman
Pengetahuan luas
Pengesahan institusional
Benevolence Perhatian
Kemauan berbagi
Dapat diharapkan
Integrity Pemenuhan
Keterusterangan
Kehandalan
Trust
Kenyamanan
Kepuasan
Tanggung jawab
Partisipasi Keberlanjutan
Frekuensi
Rekomendasi
Kode
X1.1
X1.2
X1.3
X1.4
X2.1
X2.2
X2.3
X3.1
X3.2
X3.3
Y1.1
Y1.2
Y1.3
Y2.1
Y2.2
Y2.3
2. Pengukuran dan instrumen
No
Pernyataan
1
Saya merasa bahwa vendor penyedia ecommerce memiliki kemampuan untuk
menyediakan barang yang berkualitas bagi
pelanggan
Saya merasa bahwa vendor penyedia ecommerce mempunyai pengalaman sehingga
mampu mengirim barang tepat pada
waktunya.
Saya merasa bahwa vendor penyedia ecommerce memiliki kemampuan yang baik
dalam mengamankan transaksi.
Saya merasa bahwa vendor penyedia ecommerce telah diakui eksistensinya oleh pihakpihak lain, seperti supplier, distributor, jasa
pengiriman, dan sebagainya.
Saya merasa bahwa vendor penyedia ecommerce memiliki perhatian untuk
2
3
4
5
Sang
at
Tidak
Setuj
u
Tida
k
Setuj
u
Tidak
Berpenda
pat
Setuj
u
44
Sang
at
Setuj
u
memberikan pelayanan terbaik bagi
pelanggannya.
6
7
8
9
10
11
12
13
14
15
16
Saya merasa bahwa vendor penyedia ecommerce memiliki kemauan untuk
memberikan keuntungan bagi pelanggannya.
Saya merasa bahwa vendor penyedia ecommerce memiliki itikad baik untuk
memberikan kepuasan kepada pelanggannya.
Saya merasa bahwa vendor penyedia ecommerce akan memenuhi apa yang
diharapkan oleh pelanggannya.
Saya merasa bahwa vendor penyedia ecommerce tidak akan menyembunyikan
informasi yang penting bagi pelanggannya.
Saya merasa bahwa vendor penyedia ecommerce akan selalu menjaga reputasinya.
Saya percaya bahwa vendor penyedia ecommerce memberikan kenyamanan dalam
bertransaksi.
Saya percaya bahwa vendor penyedia ecommerce memberikan kepuasan dalam
bertransaksi.
Saya percaya bahwa vendor penyedia ecommerce memenuhi tanggung jawabnya
terhadap pelanggan.
Saya akan terus bertransaksi melalui media ecommerce.
Saya akan meningkatkan frekuensi
bertransaksi melalui media ecommerce.
Saya akan merekomendasikan kepada pihak
lain agar bertransaksi melalui media ecommerce.
3. Sampel
Penelitian ini menggunakan purposive sampling dengan kriteria konsumen yang
pernah menggunakan e-commerce dalam rentang waktu 6 bulan terakhir. Jumlah sample
yang digunakan adalah 152 responden.
4.4. Analisis SEM menggunakan AMOS
4.4.1. Menu AMOS
Dalam pengerjaan SEM dikenal beberapa software yang dapat digunakan, tetapi
dua software yang paling dikenal adalah AMOS dan LISREL. Dalam pelatihan ini
digunakan software AMOS karena software ini merupakan software yang lebih user
friendly, karen menggunakan perintah gambar. LISREL lebih sulit digunakan karena
menggunakan perintah syntax. Adapun tampilan menu AMOS pertama kali adalah
sebagai berikut.
45
Menu
Menggambar
Menu
Analisis
Menu
Tampilan dan
Cetak
Gambar Tampilan Awal AMOS
Pada prinsipnya menu ikon di AMOS di bagi menjadi 3 kategori besar, yaitu (1)
menu menggambar, lengkap dengan menu edit gambar, (2) menu analisis, dan (3) menu
pengaturan tampilan dan menu cetak. Menu ini ditampilkan secara kolom menurun,
sedangkan menu horisontal berisi 8 menu yaitu (1) File, (2) Edit, (3) View, (4) Diagram,
(5) Model fit, (6) Tools, (7) Help
1. Menu File digunakan untuk pengaturan file yang telah dibuat. Di dalam menu ini
terdapat menu pembuatan dokumen baru (new), memanggil pekerjaan yang sudah
disimpan (open), menu penyimpanan (save) dan menu cetak (print)
2. Menu Edit digunakan untuk melakukan editing pada gambar yang dibuat. Pada menu
ini terdapat semua perintah edit gambar seperti select/deselect, copy, duplicate, move,
dan perintah lainnya.
3. Menu View berisi fasilitas untuk melihat isi (content) dari gambar yang sudah dibuat.
Pada menu ini terdapat pula fasilitas untuk melihat dan memilih properti analisis yang
diinginkan.
4. Menu Diagram berisi fasilitas untuk melakukan penggambaran variabel. Pada menu
ini terdapat fasilitas menggambar observed variabel, laten variabel, indikator,
termasuk hubungan antar variabel. Pada menu ini juga terdapat fasilitas untuk
melakukan zoom terhadap gambar yang dibuat.
5. Menu Model fit berisi fasilitas untuk menjalankan analisis, dan melakukan
pengaturan terhadap grup analisis.
46
6. Menu Tools berisi fasilitas untuk pengaturan menu, serta font huruf yang digunakan
dalam penggambaran.
7. Pada prinsipnya AMOS berjalan berdasarkan gambar yang dibuat dan input data yang
diberikan, sehingga pada pelatihan ini akan ditekankan tentang menu pembuatan
gambara dan analisis.
4.4.2. Langkah Kerja Dengan AMOS
Adapun urutan langkah kerja dengan AMOS adalah sebagai berikut
1. Kembangkan model dari Teori
2. Gambarkan model dalam bidang gambar AMOS, beri nama variabel sesuai
dengan nama di spreadsheet anda, tentukan analisis yang akan digunakan..
3. Lakukan uji Confirmatory Factor Analysis (CFA)
4. Jika sudah lolos uji CFA lakukan analisis full model
5. Perhatikan Semua Asumsi, apakah terpenuhi semua.
6. Lakukan analisis dengan melihat estimasi output dan model fit
4.4.3. Menggambar dengan AMOS
Menggambar dengan AMOS sangat mudah dan fleksibel, tetapi proses
penggambaran sangat tergantung pada mouse. Hal ini menjadi keunggulan sekaligus
kekurangan, karena tanpa mouse proses penggambaran jadi sedikit sulit. Jika
menggunakan laptop dan lupa membawa mouse, proses penggambaran terpaksa
dilakukan dengan menggunakan touch pad, dan hal ini lebih sulit dibanding
menggunakan mouse biasa.
a. Menggambar Laten Variabel
Adapun cara menggambar laten variabel adalah sebagai berikut.
1. Klik perintah gambar laten variabel
2. Kemudian arahkan pointer mouse anda ke bidang gambar, dan tekan serta
tahanlah tombol klik kiri mouse anda.
3. Drag mouse anda , maka akan terbentuk gambar lingkaran, sesuaikan besar
gambar dan bentuk lingkaran dengan keinginan anda.
4. Setelah yakin dengan bentuk dan ukuran yang anda inginkan lepaslah tombol
klik kiri mouse anda
5. Gambar lingkaran telah terbentuk
b. Menggambar Observed Variabel
1. Klik perintah gambar observed variabel
2. Kemudian arahkan pointer mouse anda ke bidang gambar, dan tekan serta
tahanlah tombol klik kiri mouse anda.
3. Drag mouse anda , maka akan terbentuk gambar kotak, sesuaikan besar
gambar dan bentuk kotak dengan keinginan anda.
47
4. Setelah yakin dengan bentuk dan ukuran yang anda inginkan lepaslah tombol
klik kiri mouse anda
5. Gambar kotak observed variabel telah terbentuk
c. Menduplikasi Gambar
Adakalanya kita harus meenggambar beberapa laten atau observed variabel. Jika
kita menggambar satu persatu tentu hal ini tidak efisien. Kita cukup menggambar satu
variabel saja dan kemudian menduplikasinya. Langkah untuk menduplikasi adalah
sebagai berikut.
1. Tekan lambang perintah duplikasi
2. Arahkan pointermouse anda ke gambar variabel yang hendak diduplikasi.
3. Tekan Klik kiri mouse anda dan drag mouse anda.
4. Duplikasi gambar akan terbentuk
5. Langkah ini berlaku untuk semua gambar di bidang gambar AMOS.
d. Memindahkan Gambar
Pengaturan gambar dapat dilakukan dengan memindahkan gambar sesuai
keinginan kita. Adapun langkah memindahkan gambar adalah sebagai berikut.
1. Klik perintah memindahkan gambar.
2. Arahkan pointer mouse pada gambar yang hendak dipindahkan.
3. Tekan klik kiri dan drag gambar tersebut
4. Gambar akan berpindah.
e. Menggambar Pengaruh/Korelasi
Bentuk hubungan antar variabel yang mungkin digambarkan dalam AMOS adalah
pengaruh dan korelasi. Bentuk hubungan pengaruh digambarkan dengan panah satu arah,
sedangkan hubungan korelasi digambarkan dengan panah dua arah. Pada prinsipnya cara
menggambar kedua hubungan ini sama, yaitu sebagai berikut.
1. Klik perintah menggambar hubungan seperti berikut
Pengaruh
Korelasi
2. Arahkan pointer mouse ke bidang gambar
3. Pilihlah variabel yang hendak anda hubungkan
4. Tekan klik kiri dan tahan
5. Drag garis hubungan dari satu variabel ke variabel lain
Hal yang perlu diingat: Anda harus menggambar semua variabel dahulu baru
menggambar hubungannya.
f. Menggambar indikator
Setiap variabel laten pasti memiliki indikator. Jumlah indikator minimal 3 untuk
tiap variabel laten. Cara menggambar indikator adalah sebagai berikut.
1. Klik perintah gambar indikator
48
2. Arahkan pointer mouse anda ke variabel laten yang telah anda gambar
3. Tekan klik kiri sebanyak jumlah indikator yang dibutuhkan. Jadi jika
diperlukan 3 indikator, maka tekan klik kiri 3 kali, jika dibutuhkan 4 indikator
tekan 4 kali dan seterusnya.
g. Memberi Nama Variabel
Memberi nama variabel, baik laten maupun observed sebenarnya semua sama,
yaitu dengan menggunakan fasilitas object properties. Melalui object properties tidak
hanya pemberian nama variabel saja yang dapat dilakukan, tetapi juga pemberian nilai
parameter. Cara menampilkan object properties adalah dengan menekan klik kanan pada
tiap variabel. Arahkan pointer mouse anda ke variabel yang diinginkan kemudian klik
kanan, maka akan tampak menu object properties, dan kemudian tekan klik kiri pada
menu tersebut. Tampilan object properties adalah seperti berikut.
Gambar Tampilan Object Properties
Hal yang perlu diperhatikan dalam pemberian nama pada AMOS adalah bahwa
untuk setiap indikator harus sama persis dengan nama variabel yang kita tulis di SPSS
atau data editor lain (Excel, Lotus, dll). Dalam hal penulisan indikator AMOS tidak
mempermasalahkan huruf besar atau huruf kecil, tetapi sebaiknya dibuat sama dengan
yang ditulis di SPSS.
h. Menentukan File Input untuk Diolah
Setelah selesai menggambar, maka langkah berikutnya adalah menentukan file
yang akan digunakan dalam analisis. File ini berupa spreadsheet dalam format spss, atau
excel yang sudah dibuat sebelumnya. Cara menentukan file data input adalah sebagai
berikut.
1. Klik ikon select data file
2. Tampilan seperti ini akan tampak di layar.
49
3. Klik File Name, akan tampak tampilan sebagai berikut.
4. Pilihlah file yang akan menjadi input untuk analisis SEM. Pada latihan ini
digunakan file partisipasi e-commerce.sav di folder DATABASE LATIHAN
pada directory D.
i. Menentukan Teknik Estimasi SEM dan output yang Diinginkan
Dalam SEM ada beberapa teknik estimasi yang mungkin dilakukan, tetapi yang
paling sering digunakan adalah maximum likelihood (ML). ML digunakan untuk jumlah
sampel antara 100 hingga 500 dengan data memenuhi asumsi normalitas. Teknik estimasi
selengkapnya dapat dilihat pada tabel 2.
50
Teknik Estimasi dalam SEM
Pertimbangan
Teknik Yang Dipilih
Keterangan
Ukuran sample 100-200 Maximum
likelihood ULS dan SLS biasanya
dengan data memenuhi (ML)
tidak menghasilkan uji χ2,
asumsi normalitas.
karena itu tidak menarik
perhatian peneliti
Ukuran sample 200-500
ML dan Generalized
Bila ukuran sampel kurang
dengan data memenuhi
Least square (GLS)
dari 500, hasil GLS cukup
asumsi normalitas.
baik
Ukuran sample >2500,
ADF
ADF kurang cocok bila
asumsi normalitas kurang
ukuran sampel kurang dari
diperhatikan
2500
Sumber : Augusty (2000)
Adapun cara pemilihan teknik estimasi dan output yang diharapkan adalah
sebagai berikut.
1. Klik ikon properti analisis
2. Akan tampak tampilan properti analisis seperti berikut ini
3. Klik teknik estimasi yang diinginkan (biasanya Maximum Likelihood)
4. Klik menu Output, akan tampak tampilan sebagai berikut.
51
5. Klik pilihan: Minimation History, Standardize Estimates, Sample
Moment, Modification Indices, Factor Score Weight, Test of Normality
and outliers
6. Setelah selesai tutuplah menu tersebut, dan jalankan analisis SEM dengan
mengklik ikon calculate estimates
52
5.5. Analsisi output AMOS
5.5.1. CFA
Secara umum ada dua tahap dalam analisis model persamaan struktural, yaitu
analisis model pengukuran (measurement model) dan analisis model struktural (SEM).
Measurement model dimaksudkan untuk menguji unidimensionalitas skala alat ukur
(indikator). Dari uji model pengukuran ini, akan diketahui apakah skala pengukuran yang
digunakan bersifat unidimensional atau tidak. Secara keseluruhan analisis measurement
model tersebut dilakukan dengan teknik analisis faktor konfirmatori (confirmatory
analysis factor=CFA). Disebut teknik analisis faktor konfirmatori, karena analisis faktor
yang dipakai bertujuan mengkonfirmasi apakah variabel indikator benar-benar
mencerminkan/mengukur variabel latennya. Terdapat dua uji dalam measurement model,
yaitu uji signifikansi bobot factor (factor loading) dan uji goodness of fit. Factor loading
adalah korelasi sederhana antara skor item dengan skor factor. Sebuah indicator
dinyatakan valid dalam mengukur faktornya jika memiliki factor loading > 0,50. Pada
output AMOS tersedia pula nilai Critical Ratio (C.R.) yang analog dengan statistik t hitung.
Cut-off value yang digunakan adalah C.R. ≥ 1,96.
1. CFA variabel ability
Model pengukuran
Standardized estimates
.26
e1
X1
e2
X2
e3
X3
e4
X4
.51
.37
.48
.05
.61
.70
.23
Ability
Goodness of Fit Index
Chi-Square = 8.142
Probability = .017
CMIN/DF= 4.071
GFI = .973
AGFI = .864
TLI = .707
CFI= .902
RMSEA= .143
Interpretasi:
Indikator X4 tidak valid, ditunjukkan oleh factor loading kecil (0,23) < 0,50.
Kelayakan model kurang baik, beberapa uji Goodness of fit tidak diterima.
Solusi inidator X4 dikeluarkan dari model, hasilnya adalah:
53
Model pengukuran
Standardized estimates
.29
e1
X1
.53
.46
e2
X2
e3
X3
.68
.37
Ability
.61
Goodness of Fit Index
Chi-Square = .000
Probability = \p
CMIN/DF= \cmindf
GFI = 1.000
AGFI = \agfi
TLI = \tli
CFI= \cfi
RMSEA= \rmsea
2. CFA variabel benevolence
Model Pengukuran
Standardized estimates
.76
e5
X5
e6
X6
e7
X7
.81
.90
.87
Benevolence
.91
.95
Goodness of Fit Index
Chi-Square = .000
Probability = \p
CMIN/DF= \cmindf
GFI = 1.000
AGFI = \agfi
TLI = \tli
CFI= \cfi
RMSEA= \rmsea
Interpretasi:
Semua indicator valid, karena memiliki factor loading > 0,50.
Kelayakan model baik, sehingga model dapat diterima
3. CFA variabel integrity
Model Pengukuran
Standardized estimates
.35
e8
X8
e9
X9
e10
X10
.36
.59
.60
.51.71
Integrity
Goodness of Fit Index
Chi-Square = .000
Probability = \p
CMIN/DF= \cmindf
GFI = 1.000
AGFI = \agfi
TLI = \tli
CFI= \cfi
RMSEA= \rmsea
Interpretasi:
Semua indicator valid, karena memiliki factor loading > 0,50.
Kelayakan model baik, sehingga model dapat diterima
54
4. CFA variabel trust
Model Struktural (Awal)
Standardized estimates
Goodness of Fit Index
Chi-Square = .000
Probability = \p
CMIN/DF= \cmindf
GFI = 1.000
AGFI = \agfi
TLI = \tli
CFI= \cfi
RMSEA= \rmsea
e11 e12 e13
.61
Y1
.69
Y2
.78
.27
Y3
.83
.52
T rust
Interpretasi:
Semua indicator valid, karena memiliki factor loading > 0,50.
Kelayakan model baik, sehingga model dapat diterima
5. CFA variabel partisipasi e-commerce
Model Struktural (Awal)
Standardized estimates
Participation
Goodness of Fit Index
Chi-Square = .000
Probability = \p
CMIN/DF= \cmindf
GFI = 1.000
AGFI = \agfi
TLI = \tli
CFI= \cfi
RMSEA= \rmsea
.71
.50
Y4
.76 .81
.58
.66
Y5
Y6
e14 e15 e16
Interpretasi:
Semua indicator valid, karena memiliki factor loading > 0,50.
Kelayakan model baik, sehingga model dapat diterima
5.5.2. Analisis Model struktural
Setelah model pengukuran dapat diterima, analsisi dapat dilanjutkan dengan
analisis model struktural.
1. Evaluasi Asumsi normalitas
Evaluasi terhadap normalitas data dalam penelitian ini dilakukan dengan
mengamati kriteria critical ratio ±2.58 pada tingkat signifikansi 0.01 (1%). Apabila
dalam tabel penilaian normalitas (assessment of normality), nilai C.R. berada di luar
kisaran ±2.58, maka normalitas tidak terpenuhi (Ferdinand, 2005, p. 140). Hasil uji
normalitas adalah sebagai berikut:
55
Assessment of normality
min
max
Y4
3
Y5
3
Y6
3
Y3
3
Y2
3
Y1
3
X8
3
X9
2
X10
4
X5
2
X6
2
X7
2
X1
2
X2
2
X3
2
Multivariate
5
5
5
5
5
5
5
5
5
5
5
5
4
4
4
skew
0.108
0.081
-0.011
-0.013
-0.51
-0.343
0.011
-0.394
-0.347
0.076
0.007
0.021
0.255
0.279
-0.153
c.r.
0.542
0.41
-0.056
-0.067
-2.565
-1.728
0.057
-1.982
-1.748
0.383
0.033
0.104
1.283
1.404
-0.771
kurtosis
-0.458
0.19
0.454
-0.188
-0.638
-0.845
-0.548
0.011
-1.879
-0.881
-1.056
-0.739
-1.19
-0.898
-0.726
c.r.
-1.153
0.479
1.143
-0.474
-1.605
-2.126
-1.379
0.029
-4.73
-2.217
-2.659
-1.859
-2.996
-2.259
-1.828
-0.536
-0.146
Interpretasi:
Data indikator berdistribusi normal, ditunjukkan oleh nilai c.r skewness < 2,58
(harga mutlak). hasil ini memenuhi asumsi distribusi nomal secara univariate
Nilai c.r kurtosis < 2,58 (harga mutlak), disimpulkan data berdistribusi normal
secara multivariate.
Evaluasi outlier
1. Outlier univariate
Adanya univariate outliers dapat dideteksi dengan menentukan nilai ambang yang
akan dikategorikan sebagai outliers dengan cara melakukan konversi terhadap nilai data
penelitian ke dalam standard score, atau yang biasa juga disebut sebagai z-score, yang
memiliki nilai rata-rata nol dengan standar deviasi sebesar 1.00. Untuk sampel besar (di
atas 80 observasi), pedoman evaluasi adalah bahwa nilai ambang batas dari z-score
berada pada rentang 3 sampai 4 (Hair, et. al., 1995 dalam Ferdinand, 2005, p. 143). Nilai
z-score masing-masing indicator dapat dicari dengan menu Descriptive di SPSS dengan
memasukkan semua indicator dan memilih (centang) kotak Save standardized values as
variables.
56
Selanjutnya dilakukan analisis Descriptive dari variable Zscore. Hasilnya adalah :
Descriptive Statistics
N
Zscore(X1)
Zscore(X2)
Zscore(X3)
Zscore(X4)
Zscore(X5)
Zscore(X6)
Zscore(X7)
Zscore(X8)
Zscore(X9)
Zscore(X10)
Zscore(Y1)
Zscore(Y2)
Zscore(Y3)
Zscore(Y4)
Zscore(Y5)
Zscore(Y6)
Valid N (listwise)
152
152
152
152
152
152
152
152
152
152
152
152
152
152
152
152
152
Minimum
-1.12772
-1.16172
-2.37925
-3.03996
-1.56499
-1.36242
-1.60679
-1.54040
-2.73010
-1.18465
-1.82633
-2.24433
-2.00798
-1.36125
-2.06944
-1.82869
Maximum
1.52985
1.73305
1.14900
1.72369
1.62088
1.80729
1.76969
1.58147
1.39217
.83858
1.11126
.97396
1.46035
1.89717
1.60956
1.87745
Mean
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
.0000000
Std. Deviation
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
1.00000000
Tampak bahwa nilai Z-score minimun dan maksimun tidak melebihi kisaran 4,
sehingga disimpulkan tidak terjadi outlier pada data masing-masing indikator.
2. Outlier multivariate
Multivariate outliers merupakan evaluasi yang juga harus dijalankan karena
walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate,
tetapi observasi-observasi ini dapat menjadi outliers apabila sudah saling
dikombinasikan. Evalusi multivariate outliers ini dilakukan dengan melakukan uji jarak
mahalanobis (the Mahalanobis distance) pada tiap observasi. Uji terhadap multivariate
outliers dilakukan dengan cara menggunakan kriteria Jarak Mahalanobis pada tingkat
p<0.001, dimana Jarak Mahalanobis ini dievaluasi dengan menggunakan X 2 pada derajat
bebas sebesar jumlah variabel observasi (indikator) yang digunakan dalam penelitian,
dimana dalam penelitian ini jumlah variabelnya adalah 22. Nilai kritis Chi-Square pada
df = 16 dan alpha 0,001, dicari dengan menu CHIINV (0.001 , 16) pada software
microsoft excel, yaitu sebesar 39,252. Jadi dalam penelitian ini, apabila Jarak
Mahalanobis >39,252, maka data itu merupakan multivariate outliers. Hasil jarak
57
Mahalanobis diketahui 29,554 lebih kecil dari 39,252, sehingga disimpulkan tidak terjadi
multivariate outlier.
3. Asumsi singularity dan multicolinearity
Dalam program AMOS, akan segera memberikan tanda warning apabila
ternyata matriks kovarians menunjukkan adanya singularitas dan analisis lebih
lanjut tidak bisa dijalankan. Multikolineritas dalam SEM dideteksi determinan
matriks kovarians. Nilai determinan kovarians matrik yang mendekati 0
mengindikasikan adanya multiklinieritas. Output AMOS memberikan informasi
determinan kovarians matrik = 7.80E-09. Meskipun nilai tersebut mendekati
angka nol, namun masih lebih besar dari nol sehingga data tetap layak untuk
digunakan.
4. Evaluasi goodness of fit index
Goodness-of-fit index
X2-chi-square
Significant Probability
CMIN/DF
GFI
AGFI
TLI
CFI
RMSEA
Cut-off Value
Kecil
≥ 0,05
≤ 2,00
≥ 0,90
≥ 0,90
≥ 0,95
≥ 0,95
≤ 0,08
Hasil Analisis
85,028
0,329
1,063
0,934
0,902
0,992
0,994
0,020
Evaluasi Model
Baik
Baik
Baik
Baik
Baik
Baik
Baik
Baik
Berdasarkan uji goodness of fit disimpulkan model dapat diterima, artinya hipotesis nol
yang menyatakan tidak terdapat perbedaan matriks kovarians sampel dan matriks
kovarians populasi yang diestimasi diterima.
58
5. Pengujian Model Struktural
Model Struktural (Modifikasil)
Standardized estimates
.28
e1
X1
e2
X2
e3
X3
.53
.47
e11 e12 e13
.69
.37
.61
.59
Ability
Y1
Y2
.03
e5
X5
.81
.90
e6
X6
e7
X7
Benevolence
.03
.02
e9
X9
e10
X10
.28
.55
.67
.46.68
.58
Participation
.73 .76
.53
Integrity
Goodness of Fit Index
Chi-Square = 85.028
Probability = .329
CMIN/DF= 1.063
GFI = .934
AGFI = .902
TLI = .992
CFI= .994
RMSEA= .020
.56
.52
.45
Z1
.15
.87
.26
.30
X8
Y3
Trust
.05
.91
.95
e8
.32
.77 .82
.56
.34
.00
.77
.67
Y4
.79
.58
Y5
Z2
.63
Y6
e14 e15 e16
Regression Weight Full Structural Model Partisipasi pelanggan menggunakan Ecommerce
Jalur
Trust
Trust
Trust
Participation
Participation
Participation
Participation
X1
X2
X3
X5
X6
X7
X8
X9
X10
Y1
Y2
<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<--
Estimate
Ability
Benevolence
Integrity
Benevolence
Integrity
Ability
Trust
Ability
Ability
Ability
Benevolence
Benevolence
Benevolence
Integrity
Integrity
Integrity
Trust
Trust
0.041
0.094
0.807
0.008
0.356
0.059
0.461
1.145
1.376
1
0.973
1.009
1
1.048
1.45
1
1
0.979
Standardized S.E.
Estimate
0.027
0.153
0.518
0.017
0.279
0.048
0.562
0.525
0.687
0.609
0.875
0.902
0.953
0.548
0.668
0.678
0.766
0.821
C.R.
P
0.156
0.056
0.199
0.04
0.158
0.111
0.101
0.281
0.356
0.263
1.669
4.05
0.212
2.249
0.536
4.558
4.069
3.866
0.793
0.095
0.000
0.832
0.024
0.592
0.000
0.000
0.000
0.056
0.054
17.383
18.758
0.000
0.000
0.209
0.261
5.014
5.551
0.000
0.000
0.114
8.578
0.000
59
Y3
Y4
Y5
Y6
<-<-<-<--
Trust
Participation
Participation
Participation
0.621
1.045
0.966
1
0.562
0.728
0.76
0.792
0.098
0.124
0.11
6.331
8.451
8.767
0.000
0.000
0.000
Rangkuman Uji Hipotesis
Hi
Standardized
Estimate
Jalur
H1
Trust
H2
Trust
H3
Trust
H4
Participation
H5
Participation
H6
Participation
H7
Participation
<<<<<<<-
C.R.
P
Kesimpulan
Tidak signifikan
Ability
0.027
0.263
0.793
Benevolence
0.153
1.669
0.095
Integrity
0.518
4.05
0.000
Benevolence
0.017
0.212
0.832
Integrity
0.279
2.249
0.024
Ability
0.048
0.536
0.592
Trust
0.562
4.558
0.000
Tidak signifikan
Signifikan
Tidak signifikan
Signifikan
Tidak signifikan
Signifikan
Berdasarkan nilai C.R masing-masing jalur disimpulkan:
H1, H2, H4, dan H6 ditolak
H3, H5, dan H7 diterima atau terbukti.
Temuan dari studi ini adalah integritas vendor dalam e-commerce menjadi faktor yang
menentukan kepercayaan pelanggan dan kesediaan pelanggan berpartisipasi dalam
transaksi e-commerce.
60
