Minggu, 14 Juli 2013

Coba Pelajarilah SEM….!

KETIKA kita melakukan analisis data tidak dapat dipungkiri sering kali kita berhadapan dengan varibel-varibel yang tidak dapat diukur secara langsung. Seperti halnya kita akan menganalisis tentang prestasi siswa, tetapi dalam merinci faktor tersebut kita memasukkan variable motivasi orang tua. Motivasi inilah merupakan variable yang tidak dapat diukur secara langsung atau kita sebut sebagai variable laten.


Analisis data dengan melibatkan varibel-variabel laten tersebut bias diselesaikan dengan analisis Structural Equation Modelling. Tulisan ini tidak membahas Teori SEM secara utuh, tapi hanyalah sebuah pengantar. Meskipun sebagai pengantar, tetapi selanjutknya kita menghimbau untuk pelajarilah SEM...!

Teknik-teknik analisis data telah digunakan secara meluas oleh para peneliti untuk menguji hubungan kausalitas/pengaruh antar variabel. Beberapa teknik analisis tersebut diantaranya adalah analisis regresi (regression analysis), analisis jalur (path analysis), dan analisis faktor konfirmatori (confirmatory factor analysis). Dalam perkembangan selanjutnya, structural equation modeling (SEM) mulai digunakan oleh para peneliti untuk mengatasi keterbatasan yang dimiliki oleh teknik-teknik analisis diatas. Sebagai teknik statistik multivariat, penggunaan SEM memungkinkan peneliti melakukan pengujian terhadap bentuk hubungan tunggal (regresi sederhana), regresi ganda, hubungan rekursif maupun hubungan resiprokal, atau bahkan terhadap variabel laten maupun variabel yang diobservasi/ diukur langsung

Structural equation modeling (SEM) merupakan teknik statistik yang digunakan untuk membangun dan menguji model statistik yang biasanya dalam bentuk model-model sebab akibat. SEM sebenarnya merupakan teknik hibrida yang meliputi aspek-aspek penegasan (confirmatory) dari analisis faktor, analisis jalur dan regresi yang dapat dianggap sebagai kasus khusus dalam SEM.

Sedikit berbeda dengan definisi-definisi sebelumnya  mengatakan structural equation modeling (SEM) berkembang dan mempunyai fungsi mirip dengan regresi berganda, sekalipun demikian nampaknya SEM menjadi suatu teknik analisis yang lebih kuat karena mempertimbangkan pemodelan interaksi, nonlinearitas,  variabel – variabel bebas yang berkorelasi (correlated independents), kesalahan pengukuran, gangguan kesalahan-kesalahan yang berkorelasi (correlated error terms), beberapa variabel bebas laten (multiple latent independents) dimana masing-masing diukur dengan menggunakan banyak indikator, dan satu atau dua variabel tergantung laten yang juga masing-masing diukur dengan beberapa indikator. Dengan demikian menurut definisi ini SEM dapat digunakan alternatif lain  yang lebih kuat dibandingkan dengan menggunakan regresi berganda., analisis jalur, analisis faktor, analisis time series, dan analisis kovarian

Pada umumnya orang menggunakan SEM lebih  berfokus pada konstruk-konstruk laten—yang dimaksud ialah variabel-variabel psikologis abstrak, seperti "kecerdasan" atau "sikap terhadap merek (brand)"—dibandingkan dengan variabel-variabel manifest (indikator) yang digunakan untuk mengukur konstruk-konstruk tersebut. Pengukuran dianggap sulit dan rentan dengan kesalahan. Dengan adanya kesalahan pengukuran modeling yang dapat terjadi secara eksplisit, para pengguna SEM berusaha menurunkan estimasi-estimasi yang tidak bias untuk hubungan antara konstruk laten.  Pada akhirnya,  SEM memungkinkan pengukuran jamak dihubungkan dengan konstruk laten tunggal.

SEM mencakup pengukuran struktur matriks covariance atau disebut juga sebagai "analisis struktur covariance". Sekali model parameter-parameternya sudah diestimasi, maka model yang dihasilkan – matrik covariance kemudian dapat dibandingkan dengan matrik kovarian yang berasal dari data empiris. Jika kedua matrices konsisten satu dengan lainnya, maka model persamaan struktural tersebut dapat dianggap  sebagai eksplanasi yang dapat diterima untuk hubungan-hubungan antara pengukuran-pengukuran tersebut.

Salah satu keunggulan SEM ialah kemampuan untuk membuat  model konstruk-konstruk sebagai variabel laten atau variabel – variabel  yang tidak diukur secara langsung,  tetapi diestimasi dalam model dari variabel-variabel yang diukur yang diasumsikan mempunyai hubungan dengan variabel tersebut– variabel latent. Dengan demikian hal ini memungkinkan pembuat model secara eksplisit dapat mengetahui ketidak-reliabilitas suatu pengukuran dalam model yang mana teori mengijinkan relasi – relasi struktural antara variabel-variabel laten yang secara tepat dibuat suatu model.

Kenggulan-keunggulan SEM lainnya dibandingkan dengan regresi berganda diantaranya ialah
1. Pertama, memungkinkan adanya asumsi-asumsi yang lebih fleksibel;
2. Kedua, penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk mengurangi kesalahan pengukuran dengan memiliki banyak indikator dalam satu variabel laten;
3. Ketiga, daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca keluaran hasil analisis;
4. Keempat, kemungkinan adanya pengujian model secara keseluruhan dari pada koefesien-koefesien secara sendiri-sendiri;
5. Kelima, kemampuan untuk menguji model – model dengan menggunakan beberapa variabel tergantung;
6. Keenam, kemampuan untuk membuat model terhadap variabel-variabel perantara;
7. Ketujuh, kemampuan untuk membuat model gangguan kesalahan (error term);
8. Kedelapan, kemampuan untuk menguji koefesien-koefesien diluar antara beberapa kelompok subyek;
9. Kesembilan kemampuan  untuk mengatasi data yang sulit, seperti data time series dengan kesalahan otokorelasi, data yang tidak normal, dan data yang tidak lengkap.

Meskipun tidak merupakan hal yang wajib, sangat direkomendasikan untuk mengetahui teknik analisis faktor, jika seorang peneliti ingin menggunakan SEM.
Aplikasi utama structural equation modeling meliputi:
  1. Model sebab akibat (causal modeling,) atau disebut juga analisis jalur (path analysis), yang menyusun hipotesa hubungan-hubungan sebab akibat  (causal relationships) diantara variabel - variabel dan menguji model-model sebab akibat  (causal models) dengan menggunakan sistem persamaan linier. Model-model sebab akibat dapat mencakup variabel-variabel  manifest (indikator), variabel-variabel laten  atau keduanya;
  2. Analisis faktor penegasan (confirmatory factor analysis), suatu teknik kelanjutan dari analisis faktor dimana dilakukan pengujian  hipotesis – hipotesis struktur factor loadings dan interkorelasinya;
  3. Analisis faktor urutan kedua (second order factor analysis), suatu variasi dari teknik analisis faktor dimana matriks korelasi dari faktor-faktor tertentu ( common factors) dilakukan analisis pada faktornya sendiri untuk membuat faktor-faktor urutan kedua;
  4. Model-model regresi (regression models), suatu teknik lanjutan dari analisis regresi linear dimana bobot regresi dibatasi agar menjadi sama satu dengan lainnya, atau dilakukan spesifikasi pada nilai-nilai numeriknya;
  5. Model-model struktur covariance (covariance structure models),  yang mana model tersebut menghipotesakan bahwa matrix covariance mempunyai bentuk tertentu. Sebagai contoh, kita dapat menguji hipotesis yang menyusun semua variabel yang mempunyai varian yang sama dengan menggunakan prosedur yang sama;
  6. Model struktur korelasi (correlation structure models), yang mana model tersebut menghipotesakan bahwa matrix korelasi mempunyai bentuk tertentu. Contoh klasik adalah hipotesis yang menyebutkan bahwa matrix korelasi mempunyai  struktur circumplex.
Berbagai jenis model dalam SEM sudah termasuk dalam kategori di atas.
Prosedur SEM bersifat penegasan (confirmatory) dibandingkan sebagai prosedur yang bersifat eksploratori. Hal ini dikarenakan penggunaan salah satu pendekatan sebagai berikut:
  1. Pendekatan penegasan saja (strictly confirmatory approach): artinya suatu model diuji dengan menggunakan uji keselarasan SEM (goodness-of-fit tests) untuk menentukan jika pola   varians dan kovarians dalam suatu data bersifat  konsisten dengan model jalur struktural yang dibuat secara spesifik oleh peneliti. Sekalipun demikian pada saat model-model lain yang tidak teramati dapat sesuai dengan  datanya atau bahkan lebih baik, maka model yang diterima  model yang diterima hanya berupa model penegasan saja.
  2. Pendekatan model-model alternatif (alternative models approach): maksudnya peneliti dapat melakukan pengujian dua atau lebih model-model sebab akibat untuk menentukan model mana yang paling cocok. Ada banyak pengukuran keselarasan yang mencerminkan pertimbangan-pertimbangan yang berbeda dan biasanya peneliti melaporkan 3 atau  4 saja.
  3. Pendekatan pengembangan model (model development approach): Dalam praktiknya, banyak penelitian yang menggunakan SEM menggabungkan antara tujuan-tujuan yang bersifat  konfirmatori dan eksploratori, yaitu suatu  model diuji dengan menggunakan prosedur-prosedur  SEM, karena merasa tidak cukup efisien, maka suatu model alternatif kemudian diuji didasarkan pada perubahan-perubahan  sebagaimana disarankan dalam indeks-indeks modifikasi SEM. Masalah dengan pendekatan ini ialah bahwa model – model yang ditegaskan dengan menggunakan cara seperti bisa tidak stabil atau tidak akan cocok dengan data yang baru karena sudah di buat didasarkan pada keunikan seperangkat data awal. Untuk mengatasi hal ini, peneliti dapat menggunakan strategi validasi silang dimana model dikembangkan dengan sampel data kalibrasi dan kemudian dikonfirmasi dengan menggunakan sampel validasi yang independen.


Dengan mengabaikan pendekatan apapun yang digunakan, SEM tidak dapat secara otomatis menggambar panah-panah sebab akibat dalam model – model tersebut atau menyelesaikan ambiguitas sebab akibat Oleh karena itu, pengertian secara teoritis dan penilaian yang dilakukan oleh peneliti tetap menjadi satu faktor yang paling penting.

Tidak ada komentar:

Posting Komentar