Langkah-Langkah dalam Pemodelan SEM

Dalam membuat permodelan SEM perlu dilakukan langkah-langkah berikut ini:

1.      Pengembangan model teoritis

Langkah pertama yang harus dilakukan dalam mengembangkan model SEM adalah mengembangkan sebuah model penelitian dengan dukungan teori yang kuat melalui berbagai telaah pustaka dari sumber-sumber ilmiah yang berhubungan dengan model yang dikembangkan. Tanpa dasar teoritis yang kuat, SEM tidak bisa digunakan. SEM tidak digunakan untuk mempengaruhi sebuah teori kausalitas yang sudah ada teorinya, karena dengan pengembangan sebuah teori yang berjustifikasi ilmiah merupakan syarat utama dalam menggunakan model SEM

2.      Pengembangan diagram alur (path diagram) untuk menunjukkan hubungan kausalitas (sebab akibat). Model penelitian yang telah dibangun pada tahap pertama akan digambarkan pada sebuah path diagram yang akan mempermudah untuk melihat hubungan-hubungan kausalitas yang akan diuji. Dalam path diagram hubungan antar konstruk akan dinyatakan melalui anak panah. Anak panah yang lurus menunjukkan sebuah hubungan kausal yang langsung antar satu konstruk dengan konstruk yang lainnya. Sedangkan garis lengkung antar konstruk dengan anak panah pada setiap ujungnya menunjukkan korelasi. Konstruk-konstruk dalam path diagram dapat dibedakan menjadi dua kelompok, yaitu:

·         Konstruk Eksogen (exogenous construct), dikenal dengan source variable atau independent variable yang tidak diprediksi oleh variabel-variabel yang lain yang terdapat dalam model. Konstruk eksogen adalah konstruk yang dituju oleh garis dengan satu ujung anak panah.

·         Konstruk Endogen (endogenous construct) yang merupakan faktor-faktor yang diprediksi oleh satu atau beberapa konstruk. Konstruk endogen dapat memprediksi satu atau beberapa kosntruk endogen lainnya, tetapi konstruk endogen hanya dapat berhubungan kausal dengan konstruk endogen.

3.      Persamaan spesifikasi model pengukuran, yaitu menentukan variabel mana mengukur konstruk mana, serta menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesakan antar konstruk dan variabel. Komponen-komponen ukuran mengidentifikasikan variabel laten dan komponen-komponen structural untuk mengevaluasi hipotesis hubungan kausal. Antara variabel laten pada model kausal dan menunjukkan sebuah pengujian seluruh hipotesis dari sebuah model sebagai suatu keseluruhan. 

4.      Pemilihan matrik input dan teknik estimasi

SEM menggunakan input data yang hanya menggunakan matriks/kovarian atau matrik korelasi untuk keseluruhan estimasi yang dilakukan. Matrik kovarian digunakan karena memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi yang berbeda atau sampel yang berbeda dan tidak dapat disajikan oleh korelasi. (Hair et al., dalam Ferdinand 2006)  menganjurkan bahwa jumlah sampel yang sesuai adalah berkisar antara 100 sampai dengan 200 responden, sedangkan ukuran sampel minimum adalah sebanyak 5 responden per estimasi parameter. 

5.      Menilai problem identifikasi

Problem identifikasi pada dasarnya merupakan problem mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unit. Salah satu solusi untuk problem identifikasi ini adalah dengan memberikan lebih banyak konstrain pada model yang dianalisis dan ini berarti mengeliminasi jumlah estimated coefficient. Oleh karena itu sangat disarankan bila setiap kali estimasi dilakukan muncul problem identifikasi, maka sebaiknya model dipertimbangkan ulang antara lain dengan mengembangkan lebih banyak model konstruk.

6.      Evaluasi kriteria goodness of fit

Pada tahap ini dilakukan pengujian terhadap berbagai kriteria goodness of fit, setelah dipastikan bahwa data yang digunakan sudah memenuhi asumsi-asumsi SEM.

Setelah melakukan uji kesesuaian dan uji statistic, beberapa indeks kesesuaian dan cut-off value yang umumnya digunakan untuk menguji apakah sebuah model akan diterima atau ditolak, yaitu (Wijanto, 2008):

a.       Statistic Chi-Square (χ²)

Mengikuti uji statistic yang berkaitan dengan persyaratan signifikan. Semakin kecil semakin baik.

b.      Root Mean Square Error of Approximation

Rata-rata perbedaan per degree yang diharapkan terjadi dalam populasi dan bukan dalam sampel. RMSEA ≤0.08 adalah good fit, sedang RMSEA < 0.05 adalah close fit.

c.       Goodness-of-Fit Index (GFI)

Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI ≥ 0.90 adalah good fit, sedang 0.80 ≤ GFI < 0.90 adalah marginal fit.

d.      Adjusted Goodness of Fit Index (AGFI)

Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. AGFI ≥ 0.90 adalah good fit, sedang 0.80 ≤ AGFI < 0.90 adalah marginal fit.

e.       Tucker-Lewis Index atau Non-Normed Fit Index (TLI atau NNFI)

Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. TLI ≥ 0.90 adalah good fit, sedang 0.80 ≤TLI < 0.90 adalah marginal fit.

f.       Comparative Fit Index (CFI)

Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. CFI ≥ 0.90 adalah good fit, sedang 0.80 ≤ CFI < 0.90 adalah marginal fit.

7.      Interpretasi model

Langkah terkahir adalah menginterpretasikan model solusi standard, yaitu melihat besarnya pengaruh atau kontribusi variabel indikator terhadap variabel laten dan besarnya pengaruh antar variabel laten.