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:
- 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;
- Analisis
faktor penegasan (confirmatory factor analysis), suatu teknik
kelanjutan dari analisis faktor dimana dilakukan pengujian hipotesis
– hipotesis struktur factor loadings dan
interkorelasinya;
- 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;
- 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;
- 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;
- 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:
- 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.
- 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.
- 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