10-1 STRUCTURAL EQUATION MODEL (SEM) Model SEM pada dasarnya digunakan untuk menganalisis hubungan/pengaruh antara variabel dependent dengan variabel independent yang sifanya membentu suatu path (jalur) Contoh : FILE KASUS10 Suatu penelitian dilakukan seperti dapat dilihat pada kerangka model berikut ini : Tingkat Pendidikan Sangat rendah Sangat tinggi Tingkat Pendapatan Sangat rendah Sangat tinggi Tingkat Kemakmuran Sangat miskin Sangat kaya - Dari model diatas dapat dijelaskan bahwa a. Tingkat pendidikan berpengaruh positif terhadap tingkat pendapatan (H1) b. Tingkat pendapatan berpengaruh positif terhadap tingkat kemakmuran (H2) c. Ada pengaruh tidak langsung dari tingkat pendidikan terhadap tingkat kemakmuran dimana pengaruh tersebut positif yaitu semakin tinggi tingkat pendidikan maka akan semakin makmur atau sebaliknya Lakukan pengujian hipotesis untuk model diatas. Karena model berbentuk Path maka solusi dilakukan dengan MODEL SEM dengan SOFTWARE AMOS Langkah pengerjaan a. Buat gambar model PATH tersebut di AMOS dengan langkah-langkah sbb : - Buka program AMOS GRAPHICS seperti ditunjukkan pada gambar berikut :
10-2 Gambar 10.1 - Untuk menggambar MODEL PATH ada 2 jenis variabel yang harus digambar 1) Variabel berbentuk KOTAK Menunjukkan bahwa variabel tersebut diukur langsung (OBSERVED VARIABLE) Misal : Laba perusahaan, inflasi, Suku bunga harga saham 2) Variabel berbentuk lingkaran berarti bahwa variabel tersebut tidak diukur langsung (UNOBSERVED VARIABLE) Misal : Kepuasan kerja diukur melalui kepuasan gaji, kepuasan fasilitas, kepuasan jenjang karier atau kepuasan lingkungan pekerjaan. - Karena dalam kasus ini TINGKAT PENDIDIKAN, TINGKAT PENDAPATAN DAN TINGKAT KESEJAHTERAAN DIUKUR LANGSUNG melalui persepsi maka seluruh gambar variabel menggunakan OBSERVED VARIABEL (SIMBOL KOTAK) - Buat gambar 3 kotak sesuai dengan kerangka model yang diajukan beserta arah panah hubungannya seperti ditunjukkan pada gambar berikut :
10-3 Gambar 10.2 - Namakan masing-masing variabel secara singkat misal : Tingkat pendidikan = EDUC Tingkat pendapatan = INCOME Tingkat kesejahteraan = WELFARE - Mengetik nama varaibel dilakukan dengan cara pada salah satu kotak atau elip yang ada di KLIK 2 kali sehingga akan muncul kotak dialog seperti ditunjukkan pada gambar berikut ini : Gambar 10.3
10-4 - Klik menu Text dan pada variabel name KETIK EDUC, menamakan variabel lain cukup pindahkan kursor ke kotal/lingkaran yang dimaksud lalu KETIK nama variabelnya dan hasilnya dapat dilihat pada gambar berikut ini : Gambar 10.4 - Untuk setiap persamaan perilaku mengandung unsur ERROR/RESIDUAL sehingga pada model tersebut juga harus diberikan residualnya yang dalam hal ini ada 2 residual yaitu : Untuk persamaan INCOME = f(educ) terdapat ERROR yang selanjutnya kita namakan e 1 Untuk persamaan WELFARE = f(income) terdapat ERROR yang selanjutnya kita namakan e 2 Akibatnya penyesuaian gambar model diatas dapat dilihat pada gambar 10.5 Perhatikan pada ERROR koefisiennya tidak dihitung sehingga diberi angka 1 - Pembentukan model melalui AMOS sudah siap dan langkah selanjutnya adalah menyiapkan data melalui SPSS
10-5 Gambar 10.5 - Pastikan FILE KASUS10 sudah siap seperti ditunjukkan pada gambar 10.6. Nama variabel pad FILE SPSS harus sama dengan nama varaibel pada file AMOS (Pada SPSS nama variabel ditulis dengan huruf kecil Gambar 10.6 - Pengolahan AMOS bekerja pada 2 SOFTWARE yaitu FILE untuk gambar di AMOS sedangkan FILE untuk data di SPSS
10-6 - Langkah pengerjaan model dilakukan dengan cara pada gambar AMOS kasus 10 ambil data dari SPSS dengan cara KLIK FILE, DATA FILE seperti ditunjukkan pada gambar 10.7 yang selanjutnya akan muncul gambar 10.8 Gambar 10.7 - Pada gambar 10.8 KLIK FILE NAME dan akan muncul kotak dialog seperti ditunjukkan pada gambar 10.9
10-7 Gambar 10.8 - Pada gambar 10.9 masukkan file KASUS10 dari program SPSS untuk menghubungkan antara gambar dengan data sehingga siap untuk diolah Gambar 10.9 - Nampak pada kotak dialog DATA FILES, sudah transdser file kasus10.sav ke AMOS. Lalu KLIK OK sehingga akan kembali ke gambar AMOS dan pengolahan dengan AMOS siap dilakukan
10-8 Gambar 10.10 - Dari gambar 10.11 dimana pada gambar sudah dimasukkan file data KASUS10 pilih menu property dengan cara KLIK VIEW/SET, ANALYSIS PROPERTY sehingga akan muncul gambar 10.12 Gambar 10.11 - Pada kotak dialog analysis property KLIK MINIMIZATION HISTORY, STANDARDTIZED ESTIMATES, INDIRECT,DIRECT & TOTAL EFFECTS seperti ditunjukkan gambar 10.12. Kemudian tutup kotak dialog ANALYSIS PROPERTY dengan cara KLIK X (CLOSE)
10-9 Gambar 10.12 - Simpan terlebih dahulu model AMOS yang sudah siap untuk diolah MISAL NAMA FILE LATIHAMOS - Lakukan Estimasi dengan cara KLIK MODEL-FIT, CALCULATE ESTIMATE seperti pada gambar 10.13 dan proses pengolahand ata sudah dilakukan.
10-10 Gambar 10.13 - Untuk melihat output keseluruhan KLIK VIEW/SET, TEXT OUTPUT seperti gambar 10.14 dan akan dihasilkan print-out sbb : Gambar 10.14
10-11 02:49:24 LATIHAMOS Saturday, June 02, 2007 Amos by James L. Arbuckle Version 4.01 Copyright 1994-1999 SmallWaters Corporation 1507 E. 53rd Street - #452 Chicago, IL 60615 USA 773-667-8635 Fax: 773-955-6252 http://www.smallwaters.com ********************************************
10-12 Title Latihamos: Saturday, June 02, 2007 02:49 PM Your model contains the following variables INCOME observed endogenous WELFARE observed endogenous EDUC observed exogenous e1 e2 unobserved exogenous unobserved exogenous Number of variables in your model: 5 Number of observed variables: 3 Number of unobserved variables: 2 Number of exogenous variables: 3 Number of endogenous variables: 2 Summary of Parameters Weights Covariances Variances Means Intercepts Total ------- ----------- --------- ----- ---------- ----- Fixed: 2 0 0 0 0 2 Labeled: 0 0 0 0 0 0 Unlabeled: 2 0 3 0 0 5 ------- ----------- --------- ----- ---------- ----- Total: 4 0 3 0 0 7 NOTE: The model is recursive. Sample size: 52 Model: Default model Computation of degrees of freedom Number of distinct sample moments: 6 Number of distinct parameters to be estimated: 5 ------------------------- Degrees of freedom: 1 0e 2 0.0e+000-5.1547e-002 1.00e+004 8.20983772149e+001 0 1.00e+004 1e* 0 8.8e+000 0.0000e+000 1.28e+000 1.39437059700e+001 19 7.45e-001 2e 0 6.0e+000 0.0000e+000 6.54e-002 1.31355438375e+001 1 1.09e+000 3e 0 5.5e+000 0.0000e+000 1.19e-002 1.31135931333e+001 1 1.03e+000 4e 0 2.2e+000 0.0000e+000 6.10e-004 1.31135410969e+001 1 1.00e+000
10-13 Minimum was achieved Chi-square = 13.114 Degrees of freedom = 1 Probability level = 0.000 Maximum Likelihood Estimates ---------------------------- Regression Weights: Estimate S.E. C.R. Label ------------------- -------- ------- ------- ------- INCOME <-------- EDUC 0.757 0.092 8.268 WELFARE <----- INCOME 0.767 0.099 7.770 Standardized Regression Weights: Estimate -------------------------------- -------- INCOME <-------- EDUC 0.757 WELFARE <----- INCOME 0.736 Variances: Estimate S.E. C.R. Label ---------- -------- ------- ------- ------- EDUC 1.463 0.290 5.050 e1 0.625 0.124 5.050 e2 0.727 0.144 5.050 Total Effects EDUC INCOME -------- -------- INCOME 0.757 0.000 WELFARE 0.580 0.767 Standardized Total Effects EDUC INCOME -------- -------- INCOME 0.757 0.000 WELFARE 0.557 0.736
10-14 Direct Effects EDUC INCOME -------- -------- INCOME 0.757 0.000 WELFARE 0.000 0.767 Standardized Direct Effects EDUC INCOME -------- -------- INCOME 0.757 0.000 WELFARE 0.000 0.736 Indirect Effects EDUC INCOME -------- -------- INCOME 0.000 0.000 WELFARE 0.580 0.000 Standardized Indirect Effects EDUC INCOME -------- -------- INCOME 0.000 0.000 WELFARE 0.557 0.000 Summary of models ----------------- Model NPAR CMIN DF P CMIN/DF ---------------- ---- --------- -- --------- --------- Default model 5 13.114 1 0.000 13.114 Saturated model 6 0.000 0 Independence model 3 96.307 3 0.000 32.102 Model RMR GFI AGFI PGFI ---------------- ---------- ---------- ---------- ---------- Default model 0.131 0.869 0.212 0.145 Saturated model 0.000 1.000 Independence model 0.801 0.468-0.064 0.234 DELTA1 RHO1 DELTA2 RHO2 Model NFI RFI IFI TLI CFI ---------------- ---------- ---------- ---------- ---------- ---------- Default model 0.864 0.592 0.873 0.611 0.870 Saturated model 1.000 1.000 1.000
10-15 Independence model 0.000 0.000 0.000 0.000 0.000 Model PRATIO PNFI PCFI ---------------- ---------- ---------- ---------- Default model 0.333 0.288 0.290 Saturated model 0.000 0.000 0.000 Independence model 1.000 0.000 0.000 Model NCP LO 90 HI 90 ---------------- ---------- ---------- ---------- Default model 12.114 3.906 27.732 Saturated model 0.000 0.000 0.000 Independence model 93.307 64.902 129.134 Model FMIN F0 LO 90 HI 90 ---------------- ---------- ---------- ---------- ---------- Default model 0.257 0.238 0.077 0.544 Saturated model 0.000 0.000 0.000 0.000 Independence model 1.888 1.830 1.273 2.532 Model RMSEA LO 90 HI 90 PCLOSE ---------------- ---------- ---------- ---------- ---------- Default model 0.487 0.277 0.737 0.001 Independence model 0.781 0.651 0.919 0.000 Model AIC BCC BIC CAIC ---------------- ---------- ---------- ---------- ---------- Default model 23.114 23.965 38.363 37.870 Saturated model 12.000 13.021 30.299 29.707 Independence model 102.307 102.818 111.457 111.161 Model ECVI LO 90 HI 90 MECVI ---------------- ---------- ---------- ---------- ---------- Default model 0.453 0.292 0.759 0.470 Saturated model 0.235 0.235 0.235 0.255 Independence model 2.006 1.449 2.709 2.016 HOELTER HOELTER Model.05.01 ---------------- ---------- ---------- Default model 15 26 Independence model 5 7
10-16 Execution time summary: Minimization: 0.000 Miscellaneous: 0.000 Bootstrap: 0.000 Total: 0.000