Date post: | 08-Jul-2018 |
Category: |
Documents |
Upload: | nur-azizah |
View: | 213 times |
Download: | 0 times |
of 10
8/19/2019 11 Sem -Materi
1/25
1
Structural Equation Modeling(SEM)
8/19/2019 11 Sem -Materi
2/25
2
ILUSTRASI
Penelitian di bidang Managemen Sumberdaya Manusia
Misalkan telah dilakukan telaah teoritis, menghasilkan hipotesis penelitian :
1) Pengembangan karir berpengaruh signifikan terhadap KepuasanKaryawan
2) Pengembangan karir berpengaruh signifikan terhadap Kinerja Karyawan
) !erdapat pengaruh timbal balik antara kepuasan dengan kinerja
karyawan
"isamping itu, diperoleh bahwa setiap #ariabel diukur berdasarkan indikator$indikator sebagai berikut :
%ariabel Peng Karir diukur oleh 1& indikator : '1(1 sd '1(1&
%ariabel Kepuasan diukur oleh * indikator : '2(1 sd '2(* %ariabel kinerja diukur dengan * indikator : '(1 sd '(*
8/19/2019 11 Sem -Materi
3/25
3
Struktur hubungan tsb dalam bentuk diagram path disajikan sbb
P.Karier
Kepuasan
Kinrja
x2.1
e1
1
1
x2.2
e2
1
x2.3
e31
x2.4
e41
x2.5
e51
x2.6
e61
x3.1
e7
1
1x3.2
e8
1x3.3
e9
1x3.4
e10
1x3.5
e11
1x3.6
e12
1
1
u3
1u2
1x1.9d91
x1.8d81
x1.7d71
x1.6d61
x1.5d51
x1.4d41
x1.3d31
x1.2d21
x1.1d1
1
1
x1.10d101
1
8/19/2019 11 Sem -Materi
4/25
4
Analisis dengan Regresi
Y = β0 + β1 X1 + β2 X2 X1 = Peng. Karir, X2 = Kepuasan dan Y = Kinerja Karyawan
Permasalahan : (1) Struktur hubungan antar variabel dipaksakan bersifat langsung
(2) Analisis Regresi dapat diterapkan bilamana data yang tersedia
adalah data dari variabel (observable variable) dan bukan data dari
indikator
P. Karir
KINERJA
Karyawan
Kepuasan
8/19/2019 11 Sem -Materi
5/25
5
Analisis dengan Path
Permasalahan :
(1) Variabel bersifat unobservable
(2) Analisis Path hanya pada model REKURSIF
P. Karir
Kepuasan
KINERJA
8/19/2019 11 Sem -Materi
6/25
8/19/2019 11 Sem -Materi
7/25
8/19/2019 11 Sem -Materi
8/25
8
NOTASI DI DALAM SEM
ξ + Ksi, #ariabel laten 'η + ta, #ariabel laten -λ + .amnda /ke0il), loading faktorΛy + .amnda /besar), matriks loading faktor #ariabel laten - /#ariabel endogen)
Λ + .amnda /besar), matriks loading faktor #ariabel laten ' /#ariabel endogen)β + eta /ke0il), koefisien pengaruh #ariabel endogen terhadap #ariabel endogenΒ + eta /besar), matriks koefisien pengaruh #ariabel endogen terhadap #ariabel endogenγ + 3ama /ke0il), koefisien pengaruh #ariabel eogen terhadap #ariabel endogen
Γ + 3ama /besar), matriks koefisien pengaruh #ariabel eogen terhadap #ariabel endogenφ + Phi /ke0il), peragam antar #ariabel laten ' /#ariabel eogen)Φ + Phi /besar), matriks ragam$ peragam antar #ariabel laten ' /#ariabel eogen)ζ + 4eta /ke0il), galat modelψ + Psi /ke0il), peragam antar galat model
Ψ + Psi /besar), matriks ragam$peragam antar galat modelε + psilon /ke0il), galat pengukuran pada #ariabel manifest untuk #ariabel laten -Θε+ !eta /besar), matriks #ar$0o# galat pengukuran #ariabel manifest utk #ariabel laten -δ + "elta /ke0il), galat pengukuran pada #ariabel manifest untuk #ariabel laten '
Θδ + !eta /besar), matriks #ar$0o# galat pengukuran #ariabel manifest utk #ariabel laten 'Θδε + !eta, matriks #ar$0o# galat pengukuran #ariabel manifest utk #ariabel laten ' dan -
8/19/2019 11 Sem -Materi
9/25
9
8/19/2019 11 Sem -Materi
10/25
10
Persamaan Analisis Path dan SEM
- $eduanya berkenaan dengan konstruksi model! Pendugaan parameter (koeisien) model berdasarkan data sampel
SEM - SEM : Observable, Unbosevable(measurement model) dan Campuran
- SEM : model rekursif atau resiprokal- SEM tidak terkendala adanya korelasi
antar error- SEM dengan MLE, TSLS, GLS, WLS dll- Output SEM : faktor determinan, modelstruktural dan model pengukuran
Perbedaan Analisis Path dan SEM
Analisis Path - Analisis Path : Model hubungankausal antar variabel observable
- Analisis Path hanya dapatditerapkan pada model rekursif
- Analisis Path dengan OLS- Output Analisis Path : faktordeterminan
8/19/2019 11 Sem -Materi
11/25
11
Measurement Model
VALIDITAS INSTRUMEN
Koefisein korelasi antara skor suatu indikator dengan skor total positif dan
lebih besar &( : #alid /#aliditas kriteria) Masrun /1565)
SM : $ %aliditas setiap indikator ditunjukkan oleh λ - Validitas unidimensionalitas, GFI ≥ 0.9
RELIABILITAS INSTRUMEN
7lpha 8ronba0h, α ≥ &(* : reliabel /konsistensi internal) /Malhotra,155*)
SM : 9eliabilitas setiap indikator ditunjukkan oleh 1 $ δ untuk #ariabeleogen dan 1 $ ε untuk #ariabel endogen
9eliabilitas Setiap %ariabel : construct reliability dan everagevariance extracted
8/19/2019 11 Sem -Materi
12/25
12
LANGKAH-LANGKAH SEM
Pengembangan Model erbasisKonsep dan !eori
Mengkontruksi "iagram Path
Kon#ersi "iagram Path ke
Persamaan
nterpretasi dan ModifikasiModel
#aluasi 3oodness$of$fit
Menilai Masalah Identifikasi
Memilih Matriks nput
8/19/2019 11 Sem -Materi
13/25
13
Pengembangan Model erbasis Konsep dan !eori
Karir
Kepuasan
Kinerja
Dapat dengan mudah dipahami bahwa variabel karir, kepuasan, dan kinerja
merupakan variabel yang bersifat unobservable. Untuk mengukur variabel-
variabel tersebut dikembangkan indikator sebagai variabel manifest :Karir : X1.1, X1.2, X1.3, X1.4, X1.5, X1.6, X1.7, X1.8, X1.9 dan
X1.10
Kepuasan : X2.1, X2.2, X2.3, X2.4, X2.5, dan X2.6
Kinerja : X3.1, X3.2, X3.3, X3.4, X3.5, dan X3.6
8/19/2019 11 Sem -Materi
14/25
14
Karir
Kepuasan
Kinerja
X1.6
X1.5
X1.4
X1.3
X1.2
X1.1
X1.7
X1.8
X1.9
X1.10
X2.4
X2.3
X2.2
X2.1
X2.5
X2.6
X3.4
X3.3
X3.2
X3.1
X3.5
X3.6
8/19/2019 11 Sem -Materi
15/25
15
$on%ersi &iagram Path ke Persamaan
Konversi diagram path, model struktural, ke dalam
model matematika menjadi sebagai berikut :
η1 = β1η2+ γ 1 ξ1 + ζ1 η2 = β2η1+ γ 2 ξ1 + ζ2
atau :
Kepuasan = β1 Kinerja + γ 1 Karir + ζ1
Kinerja = β2 Kepuasan + γ 1 Karir + ζ2 Konversi diagram path, model pengukuran, ke
dalam model matematika menjadi sebagai berikut :
8/19/2019 11 Sem -Materi
16/25
16
X1.1 = λ1 ξ1 + δ1
X1.2 = λ2 ξ1 + δ2
X1.3 = λ3 ξ1 + δ3 X1.4 = λ4 ξ1 + δ4
X1.5 = λ5 ξ1 + δ5
X1.6 = λ6 ξ1 + δ6
X1.7 = λ7 ξ1 + δ7
X1.8 = λ8 ξ1 + δ8 X1.9 = λ9 ξ1 + δ9
X1.10 = λ10 ξ1 + δ10
X2.1 = λ11 η1 + ε1
X2.2 = λ12 η1 + ε2
X2.3 = λ13 η1 + ε3
X2.4 = λ14 η1 + ε4
X2.5
= λ15
η1 + ε
5
X2.6 = λ16 η1 + ε6
X3.1 = λ17 η2 + ε7
X3.2 = λ18 η2 + ε8
X3.3 = λ19 η2 + ε9
X3.4 = λ20 η2 + ε10
X3.5
= λ21
η2 + ε
11
X3.6 = λ22 η2 + ε12
8/19/2019 11 Sem -Materi
17/25
17
Memilih Matriks 'nput
MATRIKS KOVARIAS (Ra! "ata)# $ pengujian suatu model yang telah mendapatkan justifikasi teori
$ sulit dilakukan interpreasi terhadap besar$ke0ilnya pengaruh
$ hasil analisis setara dengan analisis regresi
MATRIKS KORE$ASI (Standardi%e "ata)# $ penjelasan menganai pola hubungan kausal antar #ariabel laten$ pengaruh dominan;
8/19/2019 11 Sem -Materi
18/25
18
Menilai Masalah 'dentiikasi
Gejala-gejala masalah identifikasi : ! erdapatnya standart error dari koeisien yang terlalu besar
! $etidakmampuan program menyaikan matriks inormasi yang seharusnya disaikan
! Pendugaan parameter tdk dpt diperoleh* misalnya teradi matriks tidak deinit positi
! Muncul angka!angka aneh* seperti adanya %arians error yang negati
! eradinya korelasi yang tinggi (+ ,"-) antar koeisien hasil dugaan
Solusi :- umumnya karena under identified
- berikan kendala
- koefisien model dibuat fix
- hati-hati menjadi over identified
8/19/2019 11 Sem -Materi
19/25
19
ASUMSI SEM
Asumsi # S&esi'iasi model
- Semua hubungan : linier (data time series sulit dpt memenuhi)
- Model aditif
Asumsi # Pendugaan &arameter *+i hi&otesis
! Antar unit pengamatan independen
! &ata tidak mengandung pencilan (outliers)
! Pendugaan parameter dengan M.E* sampel si/e minimum 0,,"
! &ata yang akan dianalisis (%ariabel latent) menyebar normal ganda (multinormal)
! 1eberpa sot2are tidak bisa alan bila terdapat missing data
8/19/2019 11 Sem -Materi
20/25
20
Pengu+ian Parameter
- Parameter Lamda;- Parameter Delta dan Epsilon;
- Parameter Beta;
- Parameter Gama
menggunakan t-test, H0 : parameter = 0 VS H1 : parameter ≠ 0
Pengu+ian Model Penguuran
VALIDITAS INSTRUMEN
Validitas setiap indikator = λ, nonsignifikan tidak valid
RELIABILITAS INSTRUMEN
#eliabilitas setiap indikator 3 0 ! untuk %ariabel exogen0 ! untuk %ariabel endogen
.'S#E. 4 (0 ! ) atau (0 ! )* nonsignifikan tidak reliabelAM5S 4 masih dan "
8/19/2019 11 Sem -Materi
21/25
21
Pengu+ian Model Penguuran
Construct reliability : ,
Everage variance extracted : > 0.5 ,
menunjukkan proporsi #arians #ariabel laten yang dapat dijelaskan oleh
#ariabel manifest /indikator)
70.0 ≥ηρ( )
( ) ( )∑=
∑
=
∑=
η
ε+η
λ
η
λ
=ρ p
1i
i y
2 p
1i
i y
2 p
1ii y
var var
var
)(vc ηρ( )
( ) ( )∑=
∑
=
∑=
η
ε+ηλ
ηλ
=ρ p
1i i y
p
1i
2 yi
p
1i
2 yi
)(vc
var var
var
8/19/2019 11 Sem -Materi
22/25
22
Pengu+ian Model O,erall
>o 6oodness!o!it Cut!o $eterangan1 Khi Kuadrat >onsignifikan
2 9M9 Ke0il "igunakan untuk n besar
9MS7 ≤ &(&? "igunakan untuk n besar@ 3
8/19/2019 11 Sem -Materi
23/25
23
Modi'iasi Model- Indeks modifikasi ≥ 4 : jalur dipertimbangkan ditambah atau dihilangkan- Khi Kuadrat turun sebesar 4 dianggap cukup bermakna
Inter&retasi
'nput Matriks $o%arians : output SM adalah model struktural setara
dengan analisis regresi(
'nput Matriks $orelasi : output SM adalah analisis path(
SEM juga dapat digunakan untuk pengujian model baik yang bersifat
menguji ulang suatu konsep ataupun pengujian terhadap suatu model yangakan dikembangkan, menggunakan theory triming (
8/19/2019 11 Sem -Materi
24/25
24
Sam&le Si%e
Pedoman Umum :
$ ila pendugaan parameter menggunakan M. : 1&& B 2&&; minimum A&(
$ Sebanyak A B 1& kali jumlah parameter$ Sama dengan A B 1& kali, indikator keseluruhan #ariabel laten
SEM dengan aplikasi LISREL (Oud, 2001) :
$ esar sampel untuk program .S9. adalah ≥ @&&($ .S9. : 1& jumlah #ariabel(
$ .S9. : minimum 1& parameter /independen) yang ada dalam model
8/19/2019 11 Sem -Materi
25/25
25
SOFTWARE aplikasi SEM
AMOS (oleh Arbuckle)EQS (oleh Bentler)
Mx (oleh Neale)
LISREL (oleh Joreskog).
langkah sederhana O&erasi AMOS
Siapkan data dalam 7orksheet SPSS (SPSS)
1uat &iagram Path dalam 1idang $era AM5S (AM5S)
8ubungkan &iagram Path dalam AM5S dengan data dalam SPSS (AM5S)
entukan output yang diperlukan (AM5S)
.akukan analisis (estimasi) (AM5S)
5utput 4 &iagram Path* abel dan atau eks (AM5S)