TUTORIAL STATISTIK

Analisis Structural Equation Modeling (SEM) dengan EQS (EQuationS)

2023-12-11T19:01:00.003+07:00

Analisis Model Structural Equation Modeling (SEM) berbasis varian selain menggunakan software AMOS. Lisrel, Sepath dan Stata, analisis SEM juga dapat dilakukan dengan software EQS (EQuationS) yang dikembangkan Peter bentler (1985). Apliaski ini sangat user friendly dan dapat di download di mvsoft.com. Ada dua elemen penting pada EQS, yang pertama graphical interface yaitu kemudahan unutk menggambar model SEM dan kedua prosedur standar pada EQS.

Pada kesempatan kali ini, model yang akan dianalisis dengan EQS yaitu model yang melibatkan 3 variabel laten yaitu dua (2) variabel sebagai laten eksogen : Quality dan Performance dan satu (1) variabel endogen : Competence.Untuk variabel Quality memilik 4 indikator (X11- X14), variabel Performance memiliki 5 indikator (X21-X25) sedangkan Competence sebagai variabel endogen diukur dengan 5 indikator (Y1-Y5). Terdapat 2 hipotesis dalam model ini :

Apakah Quality signifikan berpengaruh positif terhadap Competence
Apakah Performance signifikan berpengaruh positif terhadap Competence

Adapaun model SEm digambarkan dalam bentuk notasi sebagai berikut :

Gambar. Model SEM dalam notasi

Untuk variabel eksogen menggunakan notasi KSI dalam hal ini variabel Quality dan Performance dan variabel laten eksogen dinyatakan dalam ETA yaitu untuk variabel Competence. Untuk variabel eksogen diasumsikan berkorelasi yang dinyatakan dengan PHI. Sedangkan eror pengukuran variabel laten eksogen terhadap endogen dinotaksikan dengan ZETA. Untuk model pengukuran, indikator-indikator variabel laten eksogen dinyatakan dengan X sedangkan indikator variabel laten endogen dinyatakan dengan Y. Hubungan indikator dengan variabel latennya dinyatakan dengan LAMBDA. Eror pengukuran indikator pada variabel laten eksogen dinyatakan dengan EPSILON sedangkan eror indikator pada variabel laten endogen dinyatakan dengan DELTA.

Hasil Model Competence analisis SEM dengan EQS dapat dilihat di bawah ini.

Model. SEM Model Competence

Tujuan analsis SEM yaitu untuk mengembangkan dan menguji sebuah model yang sesuai dengan data atau fit dengan data. Maka hal yang dibutuhkan sebuah nilai chi square yang rendah (tidak signifikan). Dengan nilai chi square yang rendah akan mendapatkan tingkat signfikansi yang lebih besar dari 0.05, hal tersebut mengindikasikan tidak adanya perbedaan yang signifikan antara matrik kovarians data dengan matrik ovarian yang diestimasi. Nilai chi-square sangat sensitif terhadap besarnya jumlah sampel yang kecil (< 50) maupun terhadap sampel yang terlalu besar (> 500).

Pada model gambar hasil SEM dengan EQS di atas menunjukkan bahwa nilai chi square sebesar 83.91, p-value 0.16. Nilai chi square yang diperoleh sebesar 83.91 lebih kecil dari chi square estimasi yaitu sebesar 92.81 (dengan nilai df sebesar 72) dan p-value 0.16 lebih besar dari 0.05.Karena nilai chi square 83.91 rendah dan p-value tidak signifikan maka terbukti bahwa matrik kovarian data dan matrik kovarian estimasi tidak ada perbedaan yang signifikan.

Pengujian Normalitas

Pengujian normalitas dilakukan secara univariat dan multivariat selengkapnya disajikan pada tabel di bawah ini.

Tabel. Uji Normalitas

Hasil output EQS juga memberikan output statistik univariat seperti rata-rata, deviasi standar, skewness, dan kurtosis. Pada deskripsi univariat di atas menunjukkan bahwa nilai mean (rata-rata), skewness, kurtosis dan deviasi standar pada tiap indikator. Nilai skewness tertinggi pada indikator Y3 sebesar 0.3163 dan terendah pada indikator Y4 hanya -0.2991. Sedangkan nilai kurtosis tertinggi pada indikator -0.4582 dan terendah pada indikator X23 sebesar -0.8288. Nilai Mardia's coefficient sebesar (G2,P) sebesar -10.3716 dengan nilai normalized estimated sebesar -3.5926. Karena nilai normalized value -3.5926 berada diluar rentang antara -1.96 sampai dengan 1.96 maka data terbukti normal multivariate.

Standardized Loading Factor

Hasil pengujian validitas indikator terhadap variabel-variabel latennya selengkapnya dilihat pada tabel nilai loading indikator (standardized solution) di bawah ini.

Tabel. Nilai Loading Indikator (Standard Solution)

Pada tabel di atas Quality yang diukur dengan dengan 4 indikator, memperoleh nilai standard loading untuk X11 sebesar 0.875, X12 0.765, X13 0.913 dan X14 sebesar 0.894. Variabel Performance yang memiliki 5 indikator memperoleh nilai standar loading X21 sebesar 0.837, X22 0.816, X23 0.850, X24 0.832 dan X25 sebesar 0.816. Sedangkan variabel Competence yang memiliki 5 indikator pengukur memperoleh nilai loading untuk Y1 sebessar 0.863, Y2 0.818, Y3 0.796, Y4 0.834 dan Y5 sebesar 0.817. Dari seluruh indikator memperoleh nilai loading > 0.70, artinya bahwa indikator-indikator tersebut seluruhnya valid sebagai pengukur variabel laten.

Kemudian unutk pengujian Fit indices model SEM antara lain Normed Fit Index (NFI), Comparative Fit Index (CFI), Incremental Fit Index (IFI), Goodness of Fit Index (GFI), Adjust Goodness Fit Index (GFI), Root Mean Square Error Aproximation (RMSEA). Hasil selengkapnya disjaikan pada tabel di bawah ini.

Tabel. Fit Indices

Normed Fit Index (NFI)

Nilai NFI menurut Bentler (1992) dinyatakan bahwa nilai sebesar (>0.90) dianggap baik, tetapi dalam perkembangannya Hu dan Bentler (1999) menyatakan bahwa cut off value yang cocok untuk indeks ini adalah mendekati 0.95. NFI sebesar 1.00 mengindikasikan sebuah "perfect fit". Hasil nilai NFI Model di atas diperoleh sebesar 0.963 (> 0.95) artinya model fit diterima.

Non Normed Fit Index (NNFI)

Nilai NNFI yaitu indeks yang membandingkan sebuah model yang diuji terhadap baseline model. Indeks NNFI dikatakan juga dengan uji Tucker Lewis Index (TLI). Nilai NNFI yang direkomendasikan sebagai acuan diterimanya sebuah model adalah >= 0.95. Hasil indeks NNFI pada model di atas diperoleh sebesar 0.993 (> 0.95) artinya bahwa model fit diterima.

Comparative Fit Index (CFI)

Besaran indeks CFI berada pada rentang 0-1, semakin mendekati 1 mengindikasikan tingkat fit paling tinggi: vary good fit. Nilai CFI yang direkomendasikan adalah >= 0.95. Keunggulan dari indeks ini adalah besarannya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model. Diperoleh nilai CFI dari model di atas diperoleh sebesar 0.995 artinya bahwa model fit diterima.

Incremental Fit Index (IFI)

Indeks IFI digunakan untuk menjelaskan isu parsimoni model (sederhanaya sebuah model) serta ukuran sampel yang digunakan. Nilai Indeks yang mendekati 1.00 menandakan model ini fit. Nilai IFI model diatas diperoleh sebesar 0.995 (> 0.95) artinya bahwa model fit diterima.

Goodness of Fit Index (GFI)

Indeks GFI merupakan ukuran relatif sampel jumlah varians dan kovarians dalam S (matriks kovarians data sampel) yang dijelaskan oleh matriks kovarians populasi. Indeks kesesuaian (fit index) ini menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang dijelaskan oleh matriks kovarians populasi yang ter-estimasi. GFI adalah ukuran non statistikal yang mempunyai rentang nilai antara 0 (poor fit) sampai dengan 1.00 (perfect fit). Indeks GFI yang diharapkan adalah sebesar >= 0.90. Nilai GFI dari model di atas diperoleh sebesar 0.945 artinya model fit diterima.

Adjust Goodness of Fit Index (AGFI)

AGFI merupakan nilai GFI di-adjust dengan degree of freedom (df) yang tersedia untuk menguji diterima tidaknya model. Tingkat penerimaan yang direkomendasikan nilai AGFI mempunyai nilai sama dengan atau lebih besar dari 0.90. Nilai AGFI dari model di atas diperoleh sebesar 0.924 artinya bahwa model fit diterima.

Root Mean Square Error of Approximation (RMSEA)

RMSEA adalah nilai indeks yang dapat digunakan untuk mengkompensasi chi-square statistic dalam sampel besar. Nilai RMSEA menunjukkan goodness of fit yang diharapkan bila model estimasi dalam populasi. Nilai RMSEA yang lebih kecil atau sama dengan 0.08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan degree of freedom. Nilai RMSEA dari model di atas diperoleh sebesar 0.028 pada tingkat interval 90%. Nilai tersebut 0.028 < 0.08 artinya bahwa model fit diterima.

The Root Mean Square Residual (RMR)

Indeks RMR menggambarkan rata-rata nilai residual antara dua matriks yang dihipotesiskan yaitu variance-covariance matrix for the hypothesized model to the variance-covariance matrix of the sample data, padahal nilai residual ini tergantung pada ukuran varians-kovarians data yang diobservasi, maka sulit untuk diinterpretasikan maknanya. Paling baik adalah jika diinterpretasikan dalam metrik ukuran dari matrik korelasi. Nilai RMR yang rendah adalah yang baik dan RMR dengan nilai 0 (nol) mengindikasikan kesesuaian model yang sempurna (a perfect fit). Dengan demikian bilai peneliti menggunakan matriks kovarians, hasil RMR ini tidak perlu dinterpretasikan. Nilai RMR pada model di atas sebesar 0.111 termasuk rendah karena mendekati 0.

Pengujian Hipotesis

Hasil pengujian hpotesis selengkapnya disjaikan pada tabel regresi di bawah ini.

Tabel. Nilai Koefisien Regresi

Pada tabel di atas menunjukkan output persamaan regresi dari Model EQS. Notasi EQS untuk F1 yaitu Quality, F2 = Performance, F3 = Competence. Nilai koefisien pengaruh Quality terhadap Competence sebesar 0.554 dengan nilai eror 0.090 dan t-statistik 6.135. Karena nilai t-statisk 6.135 > 1.96 maka hipotesis 1 diterima yaitu terdapat pengaruh yang signifikan dari Quality terhadap Competence. Semakin tinggi Quality maka meningkatkan Competence.

Besarnya nilai koefisien pengaruh Performance terhadap Quality sebesar 0.360 dengan nilai eror sebesar 0.094 dan t-statistik 3.814. Karena nilai t-statistik 3.814 > 1.96 maka Hipotesis 2 diterima artinya bahwa terdapat pengaruh yang signifikan Performance terhadap Competence, semakin tinggi performance akan meningkatkan Competence.

Referensi

Bentler, P.M. (2005). EQS 6 Structural Equations Program Manual. Encino, CA: Multivariate Software

Hu, L., & Bentler, P.M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1-55

Kline, R.B. (1998). Software Review: Software Programs for Structural Equation Modeling: Amos, EQS, and Lisrel. Journal of Psychoeducational Assessment, 16: 343-364

Muller, R.O. (1999). Basic Principles of Structural Equation Modeling : An Introduction of Lisrel and EQS. Springer Science

Ullman, J. B. (2006). Structural Equation Modeling: Reviewing the Basics and Moving Forward. Journal of Personality Assesment, 87(1), 35– 50

Perbandingan Model Covariance Base Structural Equation Modeling (CB-SEM) SmartPLS dengan Covariance Base Structural Equation Modeling (CB-SEM) AMOS

2023-08-29T22:47:00.010+07:00

Dalam analisis Structural Equation Modeling (SEM) seperti yang sudah kita kenal ada 2 metode pendekatan yaitu berdasarkan variance base yakni Partial Least Squares yang menggunakan software SmartPLS, XLStats, PLS Graph dan VisualPLS, kemudian untuk kovariance base yang menggunakan software AMOS, Lisrel, dan EQS.

Sejak peluncuran SmartPLS versi 4, ada fitur baru pada smartPLS yaitu dapat melakukan estimasi model SEM berbasis kovarian (CB SEM). Dapatkan dan download SmartPLS 4 terbaru www.smartpls.com

Oleh karena itu pada kesempatan kali ini saya akan membandingkan hasil model CB SEM AMOS dengan CB SEM SmartPLS. Dengan menggunakan model SEM Staying Intention yang menggunakan 4 variabel laten masing-masing diukur dengan indikatornya dan sampel sebanyak 200 sampel :

1) Environmental Perceptions sebagai variabel endogen diukur dengan 3 indikator : X11, X12, X13.
2) Attitude toward Coworkers sebagai variabel endogen diukur dengan 3 indikator : X21, X22, X23.
3) Job Satisfaction sebagai variabel endogen diukur dengan 3 indikator : Y1, Y2 dan Y3.
4) Staying intention sebagai variabel endogen diukur dengan 5 indikator : Y21, Y22, Y23, Y24 dan Y25.

Berikut ini bentuk model dalam notasi

Model SEM dalam Notasi

Model CB SEM AMOS diestimasi dengan menggunakan estimasi Maximum likelihood. Hasil model dibawah ini.

Gambar. Model Analisis CB SEM dengan AMOS

Sedangkan pada hasil model dengan SmartPLS ada 2 model yang dihasilkan. Yang pertama hasil model PLS Algorithm untuk pengujian Outer Model dan kedua hasil PLS Bootstraping untuk pengujian structural model.

Gambar. Model Analisis CB-SEM dengan SmartPLS (Algorithm)

Gambar. Model Analisis CB-SEM dengan SmartPLS (Bootstraping)

Hasil pengujian validitas pada indikator dapat dilihat pada nilai Regression weights standardized pada CB SEM AMOS dan nilai outer loading standardized hasil CB SEM SmartPLS dan yang diperoleh tiap indikator, selengkapnya dapat dilihat pada tabel di bawah ini.

Tabel. Regression weight CB SEM AMOS dan Outer Loading CB SEM SmartPLS

Pada tabel diatas nilai standardized regression weight pada variabel Enviromental Perceptions, nilai loading indikator X11 sebesar 0.899, X12 0.832, X13 0.773. Variabel Attitudes toward Coworkers, indikator X21 sensar 0.727, X22 0.868, X23 0.773. Variabel Job satisfaction, nilai loading indikator Y1 sebesar 0.814, Y2 0.858, dan Y3 0.811. Variabel Staying Intention, nilai loading indikator Y21 sebesar 0.744, Y22 0.787, Y23 0.765, Y24 0.840 dan Y25 sebesar 0.754. Demikian juga untuk hasil CB SEM SmartPLS, semua nilai loading indikator (outer loading) memperoleh nilai loading yang sama dengan hasil CB SEM AMOS. Dari hasil tersebut nilai loading indikator > 0.7 menunjukkan bahwa indikator-indikator tersebut valid sebagai pengukur konstrak atau variabel latennnya.

1. Reliabilitas

Reliabilitas adalah ukuran mengenai konsitensi internal dari indikator sebuah variabel laten yang menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah konstruk/faktor laten yang umum. Hasil pengujian Composite reliability dan AVE CB SEM SmartPLS, pengujian contruct reliability dan variance extracted CB SEM AMOS selengkapnya disajikan pada tabel di bawah ini.

Tabel. Uji Composite Reliability dan AVE CB SEM SmartPLS, Construct Reliability dan Variance Extracted CB SEM AMOS

Dari hasil pengujian composite reliability dan AVE CB SEM SmartPLS menunjukkan bahwa nilai composite reliability variabel Attitude toward coworkers sebesar 0.836, Environmental perceptions 0.874, Job satisfaction 0.865 dan Staying Intention sebesar 0.884. Demikian untuk nilai AVE variabel Attitude toward coworkers sebesar 0.627, Environmental perceptions 0.699, Job satisfaction 0.685 dan Staying Intention sebesar 0.606. semua variabel memenuhi syarat cutt of composite reliability > 0.7 dan syarat AVE > 0.5.
Berdasarkan hasil perhitungan reliabilitas di atas menunjukkan bahwa construct reliability variabel Attitudes toward coworkers 0.833, Environmental Perceptions sebesar 0.874, Job satisfaction 0.867 dan Staying Intention 0.885. Semua variabel memenuhi kriteria syarat cut off value >0.70. Demikian untuk nilai variance extracted variabel Attitudes toward coworkers 0.626, Environmental Perceptions sebesar 0.699, Job satisfaction 0.685 dan Staying Intention 0.606 memenuhi syarat cut off value >0.50 sehingga dapat disimpulkan bahwa masing-masing variabel laten memenuhi kriteria reliabilitas.
Uji Reliabilitas selain dengan pengujian diatas dapat dilakukan dengan uji validitas diskriminan untuk CB SEM AMOS dan uji Fornell Larcker pada CB SEM SmartPLS. Pengujian ini dilakukan dengan membandingkan antara nilai akar AVE dengan nilai korelasi antar variabel. Variabel dikatakan memiliki diskriminan yang baik jika nilai akar AVE lebih tinggi dari korelasi antar variabel yang lain. Hasil selengkapnya disajikan pada tabel di bawah ini.

Tabel. Diskiminan validitas (CB SEM AMOS)

Pada tabel diatas menunjukkan bahwa nilai akar AVE Attitude to wards Coworkers sebesar 0.792 lebih tinggi dibandingkan nilai korelasi antara Attitude towards coworkers dengan environemntal perceptions sebesar 0.186, korelasi dengan job satisfaction 0.251 dan staying intention sebesar 0.444. Demikian untuk nilai akar AVE Enviromental perceptions 0.836, Job satisfaction 0.828 dan Staying intention 0.779 lebih tinggi dibandingkan nilai korelasi antar variabel yang lain.
Hasil pengujian fornell larcker CB SEM SmartPLS selengkapnya disajikan pada tabel di bawah ini.

Tabel. Fornell Larcker Criterion (CB SEM SmartPLS)

Pada tabel diatas menunjukkan bahwa nilai akar AVE Attitude towards Coworkers sebesar 0.792 lebih tinggi dibandingkan nilai korelasi antara Attitude towards coworkers dengan environemntal perceptions sebesar 0.197, korelasi dengan job satisfaction 0.091 dan staying intention sebesar 0.402. Demikian untuk nilai akar AVE Enviromental perceptions 0.836, Job satisfaction 0.828 dan Staying intention 0.779 lebih tinggi dibandingkan nilai korelasi antar variabel yang lain.

2. Absolute Fit Measures

Absolute fit measures adalah ukuran langsung digunakan untuk mengetahui seberapa baik model yang ditetapkan dalam penelitian mampu memproduksi data yang diamati. Berdasarkan hasil kesesuaian model yang fit, karena memenuhi indeks pengujian berdasarkan rule of thumb yang disyaratkan. Artinya model tersebut secara empirik dapat diujikan (terdapat kesesuaian dengan data). Chi-Square (χ2) merupakan ukuran fundamental dari overall fit, jika nilai chi-square kecil maka akan menghasilkan nilai probabilitas (p) yang besar, hal ini menunjukkan bahwa input matriks kovarian antara prediksi dengan observasi sesungguhnya, tidak berbeda secara signifikan. Dengan kata lain, pengujian ini nilai chi-square (χ2) yang rendah akan menghasilkan sebuah tingkat signifikansi yang lebih besar dari 0.05 sehingga tidak adanya perbedaan yang signifikan antara matriks kovarians data dan matriks kovarians yang diestimasi. CMIN/DF merupakan nilai chi-square dibagi dengan degree of freedom. Indeks ini diperoleh dengan cara CMIN (the Minimum sample discrepancy function) dibagi dengan degree of freedom-nya. Dalam hal ini CMIN/DF tidak lain adalah statistic χ2 dibagi df-nya sehingga disebut χ2-relatif. Nilai χ2 relatif kurang dari 2.00 atau bahkan kurang dari 3.00 adalah indikasi dari acceptable fit antara model dan data. Root mean square error of approximation (RMSEA) adalah sebuah indeks yang dapat digunakan untuk mengkompensasi chi-square statistik dalam sampel yang besar. Nilai RMSEA yang lebih kecil dari 0.08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model. Ukuran RMSEA lebih tahan dengan jumlah sampel atau tidak dipengaruhi oleh jumlah sampel yang digunakan. Goodness of Fit Index (GFI) adalah ukuran relative jumlah varians dan kovarians dalam S ((matriks kovarians data sampel) yang dijelaskan oleh ∑ (matrik kovarians populasi). GFI adalah ukuran nonstatistikal yang mempunyai rentang nilai antara 0-1. Nilai >0.9 menunjukkan model fit. Hasil selengkapnya disajikan pada tabel di bawah ini.

Tabel. Absolute Fit Measures

Hasil estimasi CB SEM AMOS untuk chi square sebesar 77.061, cmin/df 1.070, Probabilitas (p-value) 0.320, RMSEA 0.019 dan GFI sebesar 0.949. Hasil estimasi dari analisis CB SEM SmartPLS untuk chi square sebesar 77.448, cmin/df 1.076, Probabilitas (p-value) 0.309, RMSEA 0.019 dan GFI sebesar 0.949. Demikian hasil kedua analisis CB SEM AMOS dan CB SEM SmartPLS menghasilkan nilai indeks Chi square, cmin/df, probabilitas, RMSEA dan GFI yang tidak jauh berbeda dan nilai di atas batas rule of thumbs sehingga model dikatakan fit.

3. Incremental Fit Measures

Incremental fit Measures dimaksudkan untuk menilai seberapa baik model yang diestimasi ileh peneliti dibandingkan dengan beberapa model alternative. Beberapa ukuran Incremental fit Measures yaitu Adjusted Goodness Fit Index (AGFI), Tucker Lewis Index (TLI), (CFI) dan Normed Fit Index (NFI).
AGFI merupakan analog dari R2 dalam regresi berganda. Fit Index ini diperoleh dari di-adjust terhadap degress of freedom (df) yang tersedia untuk menguji diterima tidaknya model. Nilai AGFI yang direkomendasikan ≥0.90. Tucker Lewis index (TLI) adalah sebuah alternative incremental fit index yang membandingkan sebuah model yang diuji dengan terhadap baseline model. Nilai yang direkomendasikan criteria fit ≥0.95. Comparative Fit Index (CFI) merupakan nilai indeks dimana rentang nilai antara 0-1. Kriteria nilai CFI ≥0.95 dapat dikatakan model fit. Nilai Normed Fit Index (NFI) memiliki batas cut of value untuk indeks ini adalah mendekati 0.90. Hasil nilai estimasi nilai Incremental fit Measures pada CB SEM AMOS dan CB SEM SmartPLS selngkapnya disajikan pada tabel di bawah ini.

Tabel. Incremental Fit Measures

Hasil estimasi CB SEM AMOS untuk AGFI sebesar 0.926, TLI 0.996, CFI 0.997 dan NFI sebesar 0.950. Hasil estimasi dari CB SEM SmartPLS untuk AGFI 0.926, TLI 0.995, CFI 0.996 dan NFI 0.950. Demikian hasil kedua analisis CB SEM AMOS dan CB SEM SmartPLS menghasilkan nilai indeks AGFI, TLI, CFI dan NFI yang tidak jauh berbeda dan nilai di atas batas rule of thumbs sehingga model dikatakan fit.

Untuk menguji model structural dapat diketahui dari nilai R2 yang merupakan uji Goodness of the fit. Uji R-square diperoleh pada variabel laten/konstrak endogen, dimana variasi pada variabel laten/konstrak tersebut dapat dijelaskan oleh variabel/konstrak endogenya. Hasil nilai R-square pada model CB-SEM AMOS dan CB-SEM SmartPLS selengkapnya disajikan pada tabel di bawah ini.

Tabel. Nilai R-Square

Pada tabel diatas menunjukkan bahwa nilai R-square dari output CB-SEM AMOS yaitu Squared Multiple Correlations. Nilai R-square variabel Job Satisfaction pada CB SEM AMOS sebesar 0.211 dan hasil CB SEM SmartPLS juga 0.211. Demikian untuk nilai R-square variabel Staying Intention memperoleh nilai masing-masing 0.420 baik pada CB SEM AMOS maupun pada CB SEM SmartPLS. Hasil kedua analisis menghasilkan nilai R-square yang sama.

4. Uji Kausalitas

Hasil pengujian kausalitas koefisien pengaruh dari model struktural selengkapnya disajikan pada tabel di bawah ini.

Tabel. Pengujian Hipotesis

Pengujian koefisien pengaruh dari variabel eksogen terhadap variabel endogen untuk CB-SEM AMOS menggunakan nilai critical ratio (CR) dan nilai signifikansi p-value, sedangkan CB SEM SmartPLS menggunkan nilai t statistik dan p-value < 0.05. Hasil pengujian hipotesis selengkapnya disajikan sebagai berikut :
1) Hipotesis 1
Dari model CB-SEM AMOS memberikan hasil nilai estimasi koefisien pengaruh Environmental Perceptions terhadap Job Satisfaction sebesar 0.412, nilai CR 5.784 dan p-value 0.000. Demikian juga untuk CB-SEM SmartPLS memperoleh nilai koefisien pengaruh sebesar 0.412, nilai statistik 5.354 dan p-value 0.000. Hasil tersebut membuktikan bahwa Environment Perceptions berpengaruh signifikan terhadap Job Satisfaction.
2) Hipotesis 2
Dari model CB-SEM AMOS memberikan hasil nilai estimasi koefisien pengaruh Environmental Perceptions terhadap Staying Intention sebesar 0.193, nilai CR 2.954 dan p-value 0.003. Demikian juga untuk CB-SEM SmartPLS memperoleh nilai koefisien pengaruh sebesar 0.193, nilai statistik 2.092 dan p-value 0.037. Hasil tersebut membuktikan bahwa Environment Perceptions berpengaruh signifikan terhadap Staying Intention.
3) Hipotesis 3
Dari model CB-SEM AMOS memberikan hasil nilai estimasi koefisien pengaruh Attitudes Towards Coworkes terhadap Staying Intention sebesar 0.324, nilai CR 4.316 dan p-value 0.000. Demikian juga untuk CB-SEM SmartPLS memperoleh nilai koefisien pengaruh sebesar 0.363, nilai statistik 2.930 dan p-value 0.004. Hasil tersebut membuktikan bahwa Attitudes Towards Coworkes berpengaruh signifikan terhadap Staying Intention.
4) Hipotesis 4
Dari model CB-SEM AMOS memberikan hasil nilai estimasi koefisien pengaruh Job Satisfaction terhadap Staying Intention sebesar 0.341, nilai CR 4.371 dan p-value 0.000. Demikian juga untuk CB-SEM SmartPLS memperoleh nilai koefisien pengaruh sebesar 0.341, nilai statistik 3.333 dan p-value 0.001. Hasil tersebut membuktikan bahwa Job Satisfaction berpengaruh signifikan terhadap Staying Intention.

5. Kesimpulan

Hasil pengujian untuk nilai loading indikator (standard loadng) dari indikator terhadap variabel latennya menunjukan hasil nilai yang sama antara CB SEM SmartPLS dengan CB SEM AMOS. Bahkan untuk uji Reliabilitas (composite reliability dan variance extracted) memberikan hasil pengujian yang sama antara keduanya.
Hasil pengujian fit model seperti chi square, cmin/df, Probabilitas, GFI, AGFI, CFI, TLI memperoleh nilai yang tidak jauh berbeda antara kedua pengujian tersebut dan masih dalam ketagori fit model.
Nilai R square pengujian kedua model memperoleh nilai yang sama.
Hasil uji hipotesis yaitu nilai koefisien pengaruh variabel eksogen terhadap endogen memperoleh nilai koefisien yang sama, tetapi nilai (Critical Ratio, nilai T statistic) dan p-value memiliki nilai yang tidak berbeda jauh. Tetapi untuk hasil keputusan hipotesis tidak ada perbedaan.
CB SEM AMOS menggunakan pendekatan estimasi Maximum Likelihood dengan asumsi data distribusi normal, sedangkan CB-SEM SmartPLS menggunakan langkah PLS algorithm dan bootstraping dengan asumsi data tidak berdistribusi normal.

Referensi

Ghozali, I dan Kusumadewi, K, A. 2023. Partial Least Squares : Konsep, Teknik, dan Aplikasi Menggunakan Program SmartPLS 4.0. Semarang : Badan Penerbit Universitas Diponegoro.

Piaw, C, Y.2023. Step by Step Guide : PLS SEM Data Analysis Using SmartPLS 4.0

Uji Validitas Kuesioner Dengan Bivariate Pearson

2022-01-29T22:12:00.005+07:00

Uji validitas dilakukan untuk mengukur valid tidaknya suatu item pertanyaan dari kuesioner penelitian. Pengujian validitas kuesioner dapat dilakukan dengan pengujian Bivariate Pearson, Corrected Item-Total Correlation dan Confirmatory Factor Analysis (CFA). Prosedur pengujian bivariate pearson dilakukan dengan mengkorelasikan setiap nilai dari item pertanyaan dengan skor nilai total item kuesioner.

Rumus pengujian validitas dengan bivariate pearson sebagai berikut :

Uji bivariat pearson

Pada pengujian kali ini, uji validitas dilakukan pada 10 item pertanyaan yang diperoleh dari 100 responden dengan menggunakan skala 1-4. Nilai item total pertanyaan didapat dengan penjumlahan total secara horizontal (Q1_Q2+Q3+Q4+Q5+Q6+Q7+Q8+Q9+Q10) disajikan sebagai berikut :

Data rekap kuesioner

Langkah uji validitas bivariate pearson dengan SPSS

1. Klik Analyze > Correlate > Bivariate

Bivariate Pearson

2. Masukkan semua item pertanyaan (Q1-Q10) dan total item ke dalam kolom variable (s)

3. Centang Pearson

4. Klik OK

Hasil Output SPSS

Hasil uji bivariate pearson

Item pertanyaan dikatyakan valid apabila nilai korelasi r-hitung > r-tabel atau p-value signifikansi < 0.05, pengujian pada tingkat signifikansi 5%. Pembacaan hasil nilai korelasi dan p-value pada kolom paling kanan, hasil sebagai berikut :

Q1 : nilai korelasi 0.405 dan signifikansi p-value 0.000 = valid
Q2 : nilai korelasi 0.556 dan signifikansi p-value 0.000 = valid
Q3 : nilai korelasi 0.583 dan signifikansi p-value 0.000 = valid
Q4 : nilai korelasi 0.694 dan signifikansi p-value 0.000 = valid
Q5 : nilai korelasi 0.283 dan signifikansi p-value 0.004 = valid
Q6 : nilai korelasi 0.363 dan signifikansi p-value 0.000 = valid
Q7 : nilai korelasi 0.627 dan signifikansi p-value 0.000 = valid
Q8 : nilai korelasi 0.702 dan signifikansi p-value 0.000 = valid
Q9 : nilai korelasi 0.250 dan signifikansi p-value 0.012 = valid
Q10 : nilai korelasi 0.324 dan signifikansi p-value 0.001 = valid

Hasil uji validitas semua item perrtanyaan adalah valid karena nilai signifikansi yang diperoleh < 0.05. Jika ada item pertanyaan yang tidak valid dapat dikeluarkan dari pengujian kemudian diuji ulang sampai semua item pertanyaan valid.

Data uji validitas Bivariat Pearson Disini

Baca juga :

1. Uji Validitas dan Reliabilitas

2. Analisis Faktor

3. Analisis Faktor dengan SPSS

Referensi :

Ghozali, I. (2013). Aplikasi Analisis Multivariate dengan Program IBM SPSS 21 Update PLS Regresi Edisi 7. Semarang : Badan Penerbit Universitas Diponegoro

Cara Deteksi Heterokedastisitas dengan Uji Glejser Pada Eviews

2021-12-26T14:55:00.006+07:00

Masalah heterokedastisitas pada umumnya terjadi pada data cross section dibandingkan dengan data runtun waktu (time series). Heterokedastisitas terjadi karena dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lainya. Model regresi yang baik adalah homokedastisitas atau tidak terjadi heterokedastisitas. Heterokedastisitas tidak mengakibatkan estimator dalam hal ini koefisien variabel independen menjadi bias karena eror atau residual bukan komponen menghitungnya. estimator menjadi tidak efisien dan standard eror dari regresi menjadi bias yang akan menyebabkan nilai t-statistik dan F-hitung menjadi missleading.

Ada beberapa pengujian untuk mendeteksi heterokedastistas antara lain uji Breusch Pagan Godfrey (BPG), uji White, uji Glejser. Dalam uji Glejser dilakukan dengan meregres nilai absolute residual (AbsUi) terhadap variabel-variabel independennya yaitu VACA, VAHU, dan STVA. Persamaan yang dibuat dalam uji Glejser sebagai berikut :

Rumus Uji Glejser

Jika hasil pengujian ada koefisien (𝛽) signifikan secara statistik, maka ada indikasi bahwa pada model terjadi pelanggaran heterokedastisitas. Dalam pengujian Glejser pada aplikasi Eviews tidak perlu mencari terlebih dahulu nilai residual seperti pada aplikasi SPSS. Aplikasi Eviews sudah ada fasilitas langsung untuk menguji Glejser pada model regresi. Data contoh Data Regresi

Langkah pengujian Gljser dengan Eviews sebagai berikut :

View > Residual diagnostics> Heterokedasticity Test

Langkah Glejser 1

Pada menu Heterokedasticity test, pilih Glejser kemudian OK

Langkah Glejser 2

Hasil pengujian Glejser dengan eviews selengkapnya disajikan dibawah ini.

Output uji Glejser

Hasil output diatas memberikan nilai bahwa variabel VACA, VAHU dan STVA tidak signifikan dengan diperolehnya nilai probabilitas masing-masing VACA 0.0944, AVHU 0.2333 dan STVA sebesar 0.3876. Oleh Karena hasil tersebut tidak ada yang signifikan maka dapat disimpulkan tidak terjadi pelanggaran asumsi heterokedastisitas pada model.

2. Deteksi Heterokedastisitas Dengan Uji White

3. Uji Autokorelasi dengan Durbin Watson

Referensi :

Ghozali, I dan Ratmono, Dwi. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip.

Griffiths, W.E., Hill, R.C and Lim, M.A.(2008). Using Eviews for Principles of Econometrics 3rd. London, New York: John Wiley & Sons.

Gujarati, D.(2011). Econometrics by Example. New York: Palgrave MacMillan.

Hill, R.C., Griffiths, W.E and Judge, G.G.(2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley & Sons

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews.LOndon New York: Pearson Eduacation.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN.

Uji Asumsi Normalitas Pada Model Regresi Berganda Dengan Eviews

2021-11-22T06:14:00.003+07:00

Uji normalitas pada model regresi berganda dilakukan untuk menguji variabel pengganggu atau eror atau residual memiliki distribusi normal. Pengujian normalitas residual pada program Eviews menggunakan uji Jarque Berra (JB). Uji Jarque Berra umumnya dilakukan pada sampel besar.

Untuk perhitungan dengan menggunakan nilai skewness dan kurtosis dari residual. Rumus Jarque Berra selengkapnya disajikan pada pada rumus di bawah ini.

Rumus normalitas Jarque Berra

Nilai Jarque Berra statistik mengikuti distribusi chi-square dengan 2 df (degree of freedom). Nilai JB dapat dihitung signifikansi untuk pengujian hipotesis:

H0 = residual berdistribusi normal

H1 = residual tidak berdistribusi normal

Jika nilai probabilitas > 0.05 maka terima H0, aartinya bahwa residual berdistribusi normal.

Langkah pengujian : View > Residual Diagnostics > Histogram-Normality test

Hasil uji Normalitas Jarque Berra

Dari hasil pengujian Jarque Berra menunjukkan bahwa nilai Jarque Berra sebesar 1.540508 dengan probabilitas sebesar 0.462895. Karena nilai probabilitas 0.462895 > 0.05 maka terima H0 yang menyatakan bahwa data residual berdistribusi normal.

2. Langkah Analisis Regresi Berganda dengan Eviews

3. Uji Autokorelasi Durbin Watson

Referensi :

Ghozali, I dan Ratmono, Dwi. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip.

Griffiths, W.E., Hill, R.C and Lim, M.A.(2008). Using Eviews for Principles of Econometrics 3rd.London New York: John Wiley & Sons.

Gujarati, D.(2011). Econometrics by Example.New York: Palgrave MacMillan

Hill, R.C., Griffiths, W.E and Judge, G.G.(2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley & Sons.

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews.LOndon New York: Pearson Eduacation.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN.

Diagram Kontrol Variabel : X-Bar R Chart

2021-11-08T23:11:00.001+07:00

Control chart X menjelaskan perubahan-perubahan yang terjadi pada ukuran titik pusat atau rata-rata dari suatu proses. Hal ini dapat disebabkan oleh faktor-faktor seperti peralatan yang dipakai, perbedaan metode yang digunakan pada shift kedua, material baru, tenaga kerja baru yang belum terlatih.

Control char R menjelaskan mengenai perubahan-perubahan yang terjadi dalam ukuran variasi yaitu perubahan homogenitas produk yang dihasilkan melalui suatu produk. Hal ini mungkin disebabkan oleh faktor-faktor seperti : bagian peralatan yang hilang, minyak pelumas mesin yang tidak mengalir dengan baik dan kelelahan pekerja dan lain-lain.

Setelah mendapatkan kontrol chart X dan R yang menunjukkan bahwa proses berada dalam pengendalian statistika, maka peta kontrol tersebut dapat digunakan untuk memantau proses yang sedang berlangsung dari waktu ke waktu. Kemudian setelah ditemukan adanya perubahan-perubahan proses (orang, material, metode kerja, lingkungan dan lain lain) maka perubahan tersebut harus dicatat. Rumus Diagram kontrol variabel X-Bar R Chart sebagai berikut :

Rumus X Bar R Chart

Studi kasus : PT. Tri Plywood adalah perusahaan pembuatan produk kayu lapis. Berdasarkan permintaan pelanggan ditetapkan spesifikasi ketebalan dari produk kayu lapis itu adalah 2,40 mm ±0,05mm. Untuk mengetahui kemampuan proses dan [engendalain proses produksi maka QC Departemen melakukan pengukuran terhadap 20 sampel, masing-masing berukuran (n) 5 unit. Diperoleh data sebagai berikut :

Data sampel kayu lapis

Langkah Diagram Kontrol Variabel R Chart dengan SPSS

Klik Analyze > Quality Control > Control Chart
Pilih X-Bar R Chart, klik Define
Masukan variabel tebal kayu lapis ke kolom Process Measurement
Masukan variabel sampel ke kolom Subgroup define by
Klik tombol Control Rule, pilih All control rules
Klik Continue kemudian OK

Hasil Diagram Kontrol variabel X-Bar R Chart dengan SPSS

Rata-rata ketebalan kayu lapis

Range proses variasi

Pada diagram pertama diatas adalah X Bar yang menggambarkan rata-rata ketebalan kayu lapis. Setiap Plot dalam X Bar adalah bervariasi antara subgrup atau variasi rata-rata ketebalan kayu lapis. Pada diagram kedua adalah range menggambarkan proses variasi dalam satu grup. Nilai limit adalah sebagai berikut :

Control limit X Bar adalah LCLx = 2,3543, Center line = 2,3886, UCLx = 2,4229.
Control limit range adalah LCLx = 0,000, Center line = 0,595, UCLr = 0,1258.

Tanda Rule Violation menunjukan ada kejadian special causes variation terlihat pada diagram X Bar. special causes ini terjadi pada plot atau sampel 15. Oleh karena itu proses produksi dihentikan dan mencari penyebab special cause tersebut.

2. Diagram Kontrol Atribut : P Chart

3. Diagram Kontrol Variabel : I-MR Chart

Referensi :

Montgomery, D. C. (2013). Introduction Statistical Quality Control 7th. New York : John Wiley & Sons.

Oakland, J and Oakland, R. (2019). Statistical Process Control 7th. New York : Rouledge.

Yamin, S dan Kurniawan,H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Software SPSS. Jakarta : Salemba Infotek

Langkah Analisis Regresi Berganda Dengan Eviews

2021-11-02T20:02:00.005+07:00

Konsep regresi linier berganda adalah untuk menguji 2 variabel atau lebih variabel independen terhadap 1 variabel dependen. Metode estimasi yang digunakan dalam membentuk persamaan adalah ordinary least squares (OLS) yang diperkenalkan oleh ahli matematika bernama Carl Frederich Gauss.

Dalam model kali ini ada 3 variabel independen yaitu Capital Adequacy Ratio (CAR), Return on Asset (ROA) dan Return on Equity ( ROE) yang akan diregresikan terhadap variabel Return (pendapatan) sebagai dependen. Persamaan regresi sebagai berikut :

Persamaan regresi

Sebelum melakukan estimasi regresi, persiapkan data dalam format micrisift excel kemudian melakukan input data ke dalam Eviews 10 sehingga akan terbentuk workfile pada program Eviews :

1. File > Open > Foreign data as workfile. Pilih file data excel yang sudah dipersiapkan.

Langkah 1

2. Kemudian Next

Langkah 2

3. Kemudian Next

Langkah 3

4. Kemudian Next

Langkah 4

5. Pada basic structure , pilih Unstructured/Undated. Terlihat bahwa jumlah observasi sebanyak 50. Klik Finish, sekarang data sudah terinput sebagai workfile dan siap untuk analisis.

Bentuk workfile

Langkah estimasi regresi berganda dengan Eviews 10 sebagai berikut :

1. Quick > Estimate Equation

Menu Equation estimation

Pada menu equation specification, tulis : return c car roa roe

Method : LS-Least squares (NLS and ARMA)

Kemudian OK. Hasil estimasi terlihat seperti dibawah ini.

Hasil Regresi

Pada hasil regresi diatas menunjukan bahwa nilai koefisien pengaruh CAR terhadap return sebesar 1,152528 dengan nilai t-statistik 3,617953 dan probabilitas sebesar 0,0007. Nilai koefisien pengaruhb ROA sebesar 0,325059 dengan nilai t-statistik 5,671007 dan probabilitas sebesar 0.0000. Dari hasil ketiga variabel tersebut karena nilai t-statistik < t-tabel (1,96) dan probabilitas < 0,05 maka dapat diambil kesimpulan variabel CAR, ROA, dan ROE secara parsial signifikan berpengaruh positif terhadap Return.

Untuk nilai F statistik dipeorlh sebesar 98,00041 dan probabilitas 0.0000, dengan hasil tersebut karena nilai probabilitas uji F statistik sebesar 0,0000 < 0,05 maka kesimpulan yang diambil bahwa CAR, ROA dan ROE secara simultan (bersama-sama) berpengaruh positif terhadap Return.

Output regresi diatas juga menghasilkan nilai Durbin Watson (DW) yang dimana nilai ini merupakan uji asumsi klasik autokorelasi pada model regresi. Hasil menunjukan nilai D sebesar 1,707900. Diketahui bahwa nilai dU (Durbin Watson Upper) pada tabel Durbin Watson dengan n (observasi) 50 dan k - 3 (variabel independen) yaitu dU sebesar 1,6739. Karena nilai Dw yang dihasilkan 1,6739 < 1,707900 < 4-1,6739 maka dapat disimpulkan bahwa pada model tidak terjadi pelanggaran asumsi klasik autokorelasi. Untuk pengujian asumsi klasik lainya seperti : multikolinieritas, Heterokedastisitas, dan normalitas , langkah-langkah pengujian akan ditulis dalam artikel tersendiri.

2. Uji Multikolinieritas Model Regresi Dengan Eviews

3. Uji Autokorelasi Dengan Durbin Watson

Referensi :

Ghozali, I dan Ratmono, Dwi. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip.

Griffiths, W.E., Hill, R.C and Lim, M.A.(2008). Using Eviews for Principles of Econometrics 3rd. London New York: John Wiley & Sons.

Gujarati, D.(2011).Econometrics by Example.New York: Palgrave MacMillan.

Hill, R.C., Griffiths, W.E and Judge, G.G.(2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley & Sons.

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews.London New York: Pearson Education.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN.

Deteksi Heterokedastisitas Dengan Uji White Pada Eviews

2021-10-22T23:03:00.004+07:00

Masalah heterokedastistis pada umumnya terjadi pada data cross section dibandingkan dengan data runtun waktu (time series). Penyebab Heterokedastisitas karena dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lainya.

Model regresi yang baik adalah homokedastisitas atau tidak terjadi heterokedastisitas. Salah satu uji untuk mendeteksi adanya heterokedastisitas dengan melakukan uji White. Dalam uji White ini hampi mirip dengan uji Glejser. Uji White dilakukan dengan meregres nilai residual kuadrat (U²i) dengan independennya. Jika sebuah model memiliki 3 variabel independen X1 (VACA), X2 (VAHU) dan X3 (STVA) maka persamaan regresi dapat dibuat sebagai berikut :

Rumus Uji White

Perhatikan pada rumus diatas, dari 3 variabel independen (X1, X2 dan X3) kemudian dibuatkan dan ditambahkan 3 variabel X1², X2², X3².,dan 3 variabel perkalian X1X2X3, variabel X1X2 dan X1X3. Hasil variabel independen yang baru kemudian diregresikan dengan nilai erornya. Pada aplikasi Eviews untuk Uji White sudah tersedia tanpa perlu melakukan perhitungan lagi untuk nilai X1², X2², X3², X1X2X3, X1X2 dan X2X3.

Hasil estimasi diperoleh nilai R² untuk menghitung c² yang mana c² = n X R². Jika nilai Ob*R squared diperoleh nilai probabilitas chi-square yang signifikan (< 0.05) maka terjadi gangguan heterokedastisitas begitu juga sebaliknya jika nilai probabilitas ch-square tidak signifikan (> 0.05) maka tidak ada gangguan heterokedastisitas. Aplikasi Eviews sudah menfasilitasi langsung uji White pada model regresi, tetapi sebelum menguji White, model harus diestimasi regresi terlebih dahulu.

Langkah uji White dengan Eviews :

View > Residual Diagnostics > Heterokedasticity Test

Langkah Uji Heterokedastisitas

Pada menu Heterokedasticity test, pilih White kemudian OK.

Uji White

Hasil pengujian White dengan Eviews selengkapnya sebagai beikut :

Heterokedasticity test : White

Hasil output uji White di atas memberikan nilai Obs*R-squares probabilitas chi-square sebesar 0.1613. Oleh karena nilai probabilitas chi-square tidak signifikan yaitu 0.1613 > 0.05 maka dapat disimpulkan tidak terjadi pelanggaran asumsi heterokedastisitas pada model.

Baca Juga :

Referensi :

Ghozali, I dan Ratmono, Dwi. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip.

Griffiths, W.E., Hill, R.C and Lim, M.A.(2008). Using Eviews for Principles of Econometrics 3rd.London New York: John Wiley & Sons.

Gujarati, D.(2011). Econometrics by Example.New York: Palgrave MacMillan

Hill, R.C., Griffiths, W.E and Judge, G.G.(2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley & Sons.

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews.LOndon New York: Pearson Eduacation.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN.

Diagram Kontrol Variabel : I-MR Chart

2021-10-17T11:44:00.004+07:00

Kadangkala ukuran sampel yang digunakan perusahaan adalah sebesar 1 (n=1). Seringkali terjadi apabila pemeriksaan dilakukan secara otomatis dan juga terjadi pada tingkat produksi yang sangat lambat. Hal ini mengakobatkan timbulnya kesukaran untuk mengambil ukuran sampel lebih besar daripada 1. Perusahaan yang mengalami kondisi seperti ini misalnya pada pabrik kimia.

Pembuatan peta kontrol I-MR (indiviadual Moving Average Range) ditetapkan pada proses yang menghasilkan output relatif homogen, misalnya dalam cairan kimia, kandungan mineral dari air, makanan dan lain-lain. Dapat pula diterapkan pada kasus-kasus di mana inspeksi 100% digunakan untuk proses produksi yang sangat lama. Formula Diagram kontrol I-MR Chart sebagai berikut :

Rumus I-MR Chart

Studi kasus : PT. ABCD merupakan perusahaan pembuat produk kimia. Untuk mengetahui kemampuan proses, Quality Control Departemen perusahaan melakukan pengukuran sebagai sampel. Hasil sampel yang diperoleh sebagai berikut :

Data kekentalan

Langkah Diagram Kontrol Variabel I_MR Chart dengan SPSS

Klik Analyze > Quality Control > Control Chart
Pilih Individual MOving Average Klik Define
Masukan variabel kekentalan ke kolom Process Measurement
Masukan variabel sampel ke kolom Subgroups define by
Klik tombol Control Rule, pilih All control rules
Klik Continue kemudian OK

Hasil Diagram kontrol variabel I-MR Chart dengan SPSS

Nilai individual kekentalan

Range nilai

Diagram pertama menggambarkan nilai individual dari kekentalan kimia dan diagram kedua menggambarkan range antara nilai tiap urutan nilai. Untuk tanda Rule violation : No berarti tidak ada out of control atau special cause variation, sehingga proses produksi dapat terus dijalankan karena proses produksi in control.

Baca juga :

1. Diagram kontrol Atribut : P Chart

2. Diagram kontrol variabel : X-Bar S Chart

3. Diagram kontrol variabel : X-Bar R Chart

Referensi :

Montgomery, D. C. (2013). Introduction Statistical Quality Control 7th. New York : John Wiley & Sons.

Oakland, J and Oakland, R. (2019). Statistical Process Control 7th. New York : Rouledge.

Yamin, S dan Kurniawan,H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Software SPSS. Jakarta : Salemba Infotek

Cara Deteksi Multikolinieritas Model Regresi Pada Eviews

2021-10-09T07:43:00.006+07:00

Pengujian multikolinieritas bertujuan untuk menguji apakah dalam model regresi yang dibangun ditemukan adanya korelasi yang tinggi antar variabel independen. Apabila terjadi pelanggran adanya multikolinieritas maka interval estimasi akan cenderung besar dan nilai t-statistik akan kecil. Hal ini menyebabkan variabel independen tidak signifikan dalam mempengaruhi variabel dependen. Model regresi bersifat Best Linier Unbiased Estimator. Namun varian dan kovarian masih besar dan akan sulit sebagai alat estimasi.

Untuk mendeteksi adanya pelanggaran terjadinya multikolinieritas model regresi pada eviews dapat dilakukan dengan empat cara :

1. Nilai R-Square sangat tinggi tetapi ada sedikit atau bahkan variabel-variabel independen tidak signifikan berpengaruh terhadap variabel dependen. Hasil uji F akan menerima H0 karena pengujian parsial juga menghasilkan slope koefisien yang menerima H0.

Sebagai contoh model regresi berganda antara 3 variabel independen yaitu X1: value added Capital Employed (VACA), X2 : Value Added HUman Capital (VAHU) dan X3 : Structural Capital Value Added (STVA). Sedangkan variabel dependen (Y) Return On Equity (ROE). Hasil pengujian sebagai berikutn :

Hasil uji Regresi Eviews

Hasil menunjukan bahwa nilai R-Square cukup tinggi sebesar 0.861146 dan nilai F sebesar 115.7678 dan probabilitas sebesar 0.000. Hasil ini memberikan bukti adanya pengaruh secara simultan/bersama-sama 3 variabel independen VACA, VAHU, dan STVA terhadap ROE. Demikian juga untuk nilai t-statistik pada variabel independen memberikan nilai -t lebih besar dari 1.96 dan probabilitas < 0.05. Dari hasil ini mengindikasikan bahwa pada model tidak terjadi gangguan multikolinieritas pada model.

2. Pada matrik korelasi antar variabel independen. Jika ada korelasi yang lebih besar dari 0.80 maka ada indikasi terjadi multikolinieritas. Pengujian dapat dilakukan dengan uji korelasi Pearson. Dengan hasil korelasi yang tinggi antara 1 dengan yang lain maka variabel independen akan cenderung sama/identik sebagai prediktor. Langkah pengujian korelasi antar variabel independen selengkapnya pada Eviews :

Quick > Group Statistics > Correlation

Langkah Korelasi Pearson Eviews

Pada menu series list, tulis : vaca, vahu, stava, kemudian OK

Series List

Hasil pengujian korelasi sebagai berikut :

Hasil Korelasi Pearson

Hasil pengujian korelasi antara STVA dengan VACA sebesar 0.746417, STVA dengan VAHU 0.683985, VACA dengan VAHU sebesar 0.661649. Hasil ini tidak ada korelasi yang tinggi (> 0.8) sehingga tidak terindikasi terjadi multikolinieritas pada model.

3. Auxiliary regression. Timbulnya multikolinieritas disebabkan karena satu atau lebih variabel X (independen) berkorelasi secara linier dengan variabel independen lainnya. Langkah untuk menentukan variabel X yang berhubungan dengan variabel X lainya yaitu dengan meregres Xi dengan variabel X lainya kemudian menghitung nilai R-square dan membandingkan nilai R-square yang diperoleh dengan R-square model regresi utama yaitu ROE sebagai dependen.Jika nilai R-square ini lebih tinggi dari regresi auxiliary maka tidak terjadi multikolinieritas. Persamaan regresi auxiliary yang dibuat ada 3 persamaan regresi sebagai berikut :

Persamaan auxiliary regression

Hasil pengujian pada masing-masing persamaan diatas adalah :

Regresi persamaan 1

Regresi Persamaan 2

Regresi Persamaan 3

Ringkasan hasil pengujian dari 3 persamaan regresi diatas.

Nilai R square regresi auxiliary

Pada tabel diatas menunjukan bahwa nilai R-square persamaan 1, VACA sebagai variabel dependen sebesar 0.600. R-square peresamaan 2 dimana VAHU sebegai variabel dependen, memperoleh nilai R-square sebesar 0.519 kemudian R-square persamaan 3 dimana STVA sebagai dependen, nilai R-square sebesar 0.621. Hasil nilai R-square dari ketiga regresi auxiliary tersebut lebih kecil dibandingkan dengan nilai R-square model utama. Artinya tidak ada indikasi pelanggaran asumsi multikolinieritas. Sedangkan nilai tolerance dan VIF dapat dihitung secara manual berdasarkan nilai R-square yang diperoleh, selengkapnya terlihat pada tabel di bawah ini.

Nilai R-square, Tolerance dan VIF

Nilai tolerance persamaan 1 sebesar 0.400, persamaan 2 sebesar 0.481 dan persamaan 3 sebesar 0.379. Sedangkan nilai VIF masing-masing sebesar 2.500, 2.2079 dan 2.639. Tetapi untuk nilai VIF dapat diperoleh dari menu pada Eviews.

4. Nilai tolerance Inflastion Factor (VIF). Jika nilai tolerance kurang dari 0.2 dan VIF lebih tinggi dari 10 maka terindikasi adanya multikolinieritas. Jika nilai tolerance rendah maka nilai VIF akan tinggi karena VIF = 1/tolerance. Langkah uji VIF pada eviews sebagai berikut :

View > Coefficient Diagnostic > Variance Inflation Factors

Langkah uji VIF

Hasil output nilai VIF sebagai berikut :

Nilai VIF

Diperoleh nilai VIF variabel VACA sebesar 2.500297, VAHU sebesar 2.080720, dan STVA sebesar 2.641509. Dari ketiga variabel independen menunjukkan bahwa nilai VIF < 10 yang artinya tidak terjadi multikolinieritas pada model diatas.

Dari hasil empat (4) pengujian baik nilai R-square, korelasi antar variabel independen, auxiliary regression serta pengujian tolerance dan VIF membuktikan secara konsisten bahwa pada model tidak ada indikasi terjadinya multikolinieritas.

2. Uji Asumsi Normalitas Pada Model Berganda dengan Eviews

3. Deteksi Heterokedastisitas Dengan Uji Glejser Pada Eviews

Referensi :

Ghozali, I dan Ratmono, Dwi. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip.

Griffiths, W.E., Hill, R.C and Lim, M.A.(2008). Using Eviews for Principles of Econometrics 3rd.London New York: John Wiley & Sons.

Gujarati, D.(2011). Econometrics by Example.New York: Palgrave MacMillan
Hill, R.C., Griffiths, W.E and Judge, G.G.(2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley & Sons.

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews.London New York: Pearson Eduacation.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN

Cara Deteksi Heterokedastisitas Dengan Uji Breusch Pagan Godfrey Pada Eviews

2021-10-03T18:53:00.008+07:00

Untuk deteksi heterokedastisitas pada model regresi berganda ordinary least square (OLS) selain dengan uji Park, Glejser, Harvey, White dan metode grafik, heterokedastisitas dapat dilakukan juga dengan uji Breusch Pagan Godfrey (BPG).

Hipotesis :

H0 = ada pelanggaran heterokedastistas

H1 = tidak ada pelanggaran heterokedastisitas

Jika nilai Obs*R-squared memperoleh nilai prob chi-square > 0.05 tolak H0.

Jika nilai Obs*R-squared memperoleh nilai prob chi-square < 0.05 terima H0.

Cara deteksi heterokedastisitas dengan BPG pada Eviews dilakakukan dengan langkah-langkah sebagai berikut :

View > Residual Diagnostics > Heterokedasticity test

Langkah Breusch Pagan Godfrey

Pada menu Heterokedasticity, pilih Breusch-Pagan-Godfrey kemudian OK

Heterokedasticity BPG tests

Hasil uji Breusch Pagan Godfrey selengkapnya disajikan pada tabel di bawah ini.

Hasil uji BPG test

Pada output diatas menunjukkan bahwa nilai Obs*R-squared memperoleh nilai probabilitas-chi-square sebesar 0.7036 (> 0.05). Dari hasil nilai 0.7036 > 0.05 dapat dinyatakan bahwa hipotesis nol ditolak yang artinya tidak terjadi heterokedastisitas pada model tersebut.

2. Deteksi Heterokedastisitas Dengan Uji Glejser Pada Eviews

3. Uji Asumsi Normalitas Pada Model Berganda dengan Eviews

Referensi :

Ghozali, I dan Dwi, R. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip.

Griffiths, W.E., Hill, R.C and Lim, M.A. (2008). Using Eviews for Principles of Econometrics 3rd. London New York: John Wiley & Sons.

Gujarati, D.(2011). Econometrics by Example. New York: Palgrave MacMillan.

Hill, R.C., Griffiths, W.E and Judge, G.G. (2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley & Sons.

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews. London New York: Pearson Education.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN

Diagram Kontrol Variabel : X-Bar S Chart

2021-09-26T07:56:00.005+07:00

Diagram kontrol X menjelaskan perubahan-perubahan yang terjadi pada ukuran-ukuran titik pusat atau rata-rata dari suatu proses. Hal ini dapat disebabkan oleh fakto-faktro seperti peralatan yang dipakai, perbedaan metode yang digunakan, penggunaan material baru, tenaga kerja baru yang belum terlatih dan lain sebagainya.

Rumus diagram kontrol variabel X-Bar S Chart sebagai berikut :

Rumus Diagram kontrol X Bar Chart

Contoh kasus : PT. Star Plywood merupakan perusahaan pembuat kayu lapis. Produksi plywood ditetapkan spesifikasi ketebalan dari produk kayu lapis itu sebesar 2,40 mm ±0.05 mm. Untuk mengetahui kemampuan proses dan mengendalikan proses produksi, maka Departemen Quality Control melakukan pengukuran terhadap 20 sampel, masing-masing (n) 5 unit. Data diperoleh sebagai berikut :

Data input

Langkah Diagram Kontrol Atribut S Chart dengan SPSS

Klik Analyze > Quality Control > Control Chart
Pilih X-Bar R Chart, S klik Define
Masukan variabel tebal kayu lapis ke kolom Process Measurement
Masukan variabel sampel ke kolom Subgroup define by
Klik tombol Control Rule, pilih All control rules
Klik Continue kemudian OK

Hasil Diagram kontrol variabel X-Bar S Chart dengan SPSS

Rata-rata ketebalan Plywood

Range proses variasi

Nilai kontrol limitnya adalah

Kontrol limit X Bar adalah LCLx sebesar 2,3543, Center line 2,3886 dan UCLx sebesar 2,4229
Kontrol limit standar deviation adalah LCLs = 0,000, center line 0,0253 dan UCLs sebesar 0,0529.

Pada diagram diatas menunjukan bahwa out of control atau terjadi special cause terlihat pada sampel 15 (diagram X bar) dan sampel 20 pada diagram standar deviasi. Oleh karena itu perlu dilakukan pemberhentian proses produksi dan dicari penyebab-penyebabnya.

Baca juga :

1. Kontrol Atribut : U Chart

2. Kontrol Chart Atribut : P Chart

3. Kontrol Chart Variabel : I-MR Chart

Referensi :

Montgomery, D.C.(2013). Introduction Statistical Quality Control 7th. New York : John Wiley & Sons.

Oakland, J and Oakland, R.(2019). Statistical Process Control 7th. New York : Rouledge.

Yamin, S dan Kurniawan,H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Software SPSS. Jakarta : Salemba Infotek.

Uji Autokorelasi Dengan Durbin Watson

2021-09-03T23:05:00.002+07:00

Autokorelasi adalah hubungan antara residual satu observasi dengan observasi lainya. Autokorelasi mudah dijumpai pada model analisis runtut waktu (time series), hal ini karena sifat data runtut waktu yaitu data masa sekarang dipengaruhi oleh data pada masa mendatang. Tidak hanya pada data runtut waktu, data penelitian crosssection (silang) dapat terjadi kemungkinan adanya autokorelasi meskipun jarang dijumpai terjadi. Autokorelasi pada model regresi linier karena adanya korelasi antara kesalahan (eror) pada periode t dengan kesalahan eror periode t-1 (sebelumnya). Ada beberapa cara deteksi pengujian autokorelasi antara lain : Uji Durbin Watson (DW test) dan Lagrange Multiplier test (LM test).

Uji LM test akan menghasilkan nilai Breusch Godfrey sehingga sering disebut uji Breusch -Godfrey (BG Test). Uji Durbin Watson (DW test) hanya dilakukan untuk uji autokorelasi tingkat 1 (fisrt order autocorrelation) dan ada syarat intercept (konstanta) dalam model regresi dan tidak ada lag diantara variabel independen. Dalam pengambilan keputusan untuk pengujian autokorelasi dengan uji Durbin Watson sebagai berikut :

H0 = Tidak ada autokorelasi (𝝆=0)
H1 = Ada autokorelasi (𝝆≠0)

Pedoman penganbilan keputusan hipotesis menggunakan tabel di bawah ini

Tabel Keputusan Uji Durbin Watson

Jika nilai DW (Durbin Watson) diantara batas atas atau upper bound (du) dan (4 - du), maka koefisien autokorelasi sama dengan nol artinya tidak ada autokorelasi.
Jika nilai DW lebih rendah dari batas bawah lower bound (dL), maka koefisien autokorelasi lebih besar dari nol artinya ada autokorelasi positif.
Jika nilai DW lebih besar daripada (4 - dL) dan lebih kecil dari 4, maka koefisien autokorelasi lebih kecil dari nol, artinya autokorelasi negatif.
Jika nilai DW terletak diantara batas atas (dU) dan batas bawah (dL) atau DW terletak diantara ( 4 -dU) dan (4- dL), maka keputusannya tidak dapat disimpulkan.

Berikut hasil nilai Durbin Watson dari uji regresi dengan SPSS dan Eviews :

Nilai Durbin Watson dari SPSS

Pada tabel summary di atas hasil analisis regresi dengan SPSS dimana variabel tinggi badan dan umur sebagai variabel dependen sedangkan berat badan sebagai dependennya. Hasil menunjukan bahwa nilai Durbin Watson (d) sebesar 2.082. Demikian juga nilai Durbin Watson dari uji regresi dengan Eviews sebesar 2.082341 ditunjukan pada tabel dibawah ini.

Nilai Durbin Watson dari Eviews

Hasil uji Durbin Watson sebesar 2.082. Sedangkan nilai dU batas atas (upper bound) dengan taraf signifikansi 5% dan k =2 (jumlah variabel independen) diperoleh nilai dU sebesar 1.788. Sehingga nilai tersebut jika dimasukan ke dalam kriteria pangujian : dU < d < 4- dU maka 1.788 < 2.082 < 2.222 (4 - 1.788). Jadi nilai uji Durbin Watson yang diperoleh sebesar 2.082 berada diantara dU batas atas (1.788) dengan 2.222 (4- dU). sehingga pengambilan keputusan menerima H0 yang artinya bahwa tidak terjadi autokorelasi.

2. Tutorial Uji Multikolinieritas pada Model Regresi Berganda

3. Langkah Analisis Faktor dengan SPSS

Referensi :

Ghozali,I. (2013). Aplikasi Analisis Multivariate dengan Program SPSS 21. Universitas Diponegoro. Semarang..

Ghozali, I dan Ratmono, Dwi. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip.

Griffiths, W.E., Hill, R.C and Lim, M.A. (2008). Using Eviews for Principles of Econometrics 3rd. London New York: John Wiley & Sons.

Gujarati, D. (2011). Econometrics by Example.New York: Palgrave MacMillan.

Hill, R.C., Griffiths, W.E and Judge, G.G. (2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley & Sons.

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews. London New York: Pearson Education.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN.

Pengantar Penelitian Eksperimen

2021-08-28T07:34:00.002+07:00

Sejarah penelitian eksperimen diawali sekitar tahun 1935 oleh Sir Ronald Fisher yang mempublikasikan bukunya berjudul " The Design of Experiments". Sir Ronald Fisher adalah ahli statistik yang bekerja di Rothamsted Experimetal Station yang mengembangkan ide dasar dari Analysis of Variance (ANOVA) antara tahun 1919-1925.

Pada tahun 1923 analysis of variance untuk dua treatment factor design merupakan cara yang mudah dan lazim dilakukan. Kemudian ditahun 1924 Fisher mempekenalkan Latin Square Design dalam kaitanya dengan Forest Nursery Experiment.

Dalam desain penelitian langkah pertama yang dilakukan yaitu bagaimana memahami pertanyan penelitian yang akan dijawab dan melakukan identifikasi variabel atau faktor apa yang akan dipahami (variabel dependen). Langkah kedua memilih variabel independen yang digunakan untuk mengembangkan hipotesis. Langkah ketiga menetralisir pengaruh hopotesis rival sebanyak mungkin dengan cara melakukan kontrol dari pengaruh variabel extraneus yaitu variabel yang mungkin dapat berpengaruh terhadap variabel dependen tetapi tidak terjadi perhatian utama dari penelitian tersebut.

Dalam penelitian eksperimen bertujuan untuk menguji pengaruh variabel independen terhadap dependen, misalnya pengaruh rasa mood terhadap kinerja intelektual. Kita tidak dapat menghilangkan pengaruh variabel lain selain rasa mood terhadap variabel kinerja intelektual. Variabel yang mungkin dapat berpengaruh terhadap kinerja intelektual seperti waktu tidur dan kecemasan (anxiety). Sehingga variabel-variabel tersebut akan mempersulit penilaian pengaruh rasa mood terhadap kinerja intelektual. Oleh sebab itu variabel-variabel tersebut dinamakan Variable Nuisance atau Variabel NV, karena variabel-variabel tersebut dapat menyebabkan terjadinya eror measurement (kesalahan pengukuran).

Ada 2 jenis atau model desain eksperimen yaitu true experimental (eksperimen murni) dan quasi-experimental. Desain quasi experimental dilakukan jika data berasal dari suatu kejadian yang timbul tanpa adanya perlakuan dari si peneliti. Sedangkan dalam desain true experimental dilakukan :

Pada penelitian yang mampu secara eksplisit memanipulasi satu atau lebih variabel independen.
Partisipasi atau subjek dikelompokan ke dalam kelompok kontrol atau eksperimen umumnya untuk randomisasi.

Jadi jika desain penelitian tidak memiliki atribut seperti di atas maka desain penelitian disebut quasi experimental.

Misalnya kita ingin meneliti apakah pada usia remaja dan dewasa seorang berpenaruh terhadp pembelian di marketplace "Kulakanku". Dalam model ini usia remaja dan dewasa sebagai variabel independen sedangkn pembelian sebagai variabel dependen. Untuk variabel independen yaitu usia remaja dan dewasa tidak dapat dimanipulasi level atau tingkat usia tersebut karena telah ada dalam realitas. Karena tidak ada intervensi pada level independen, maka interpretasi hubungan sebab akibat dari hasil penelitian quasi experimental lebih sulit dibandingkan dengan hasil penelitian dengan desain true experimental.

Jika dalam penelitian kita ada intervensi yaitu denagn program Gebyar 11-11 terhadap pemeblian di market place KulakanKU. Untuk variabel independen yaitu program Gebyar 11-11merupakan intervensi dari sipeneliti pada variabel independen. Dengan intervensi tersebut, peneliti dapat mengetahui pengaruh Gebyar 11-11 terhadap pembelian di Market plac KulakanKU. Ada beberapa kelebihan desain penelitian true experimental yaitu :

Terpenuhinya hubungan kausalitas (sebab akibat) karena adanya maipulasi langsung oleh si peneliti pada variabel independen.
Dalam pengendalain/kontrol untuk menetralisir pengaruh non eksperimen terhadap variabel dependen sangat berbeda. Semakin tinggi tingkat pengendalian/kontrol sksn semakin mendekati true eksperimental.
Memiliki validitas internal yang tinggi dan validitas eksternal yang rendah dibandingkan dengan desain quasi eksperimental.

Ada tiga (3) pengujian validitas dalam penelitian eskperimen yaitu validitas konstruk, validitas internal dan validitas eksternal :

Validitas konstruk. Construct validity has to do with the logic of items which comprise measures of concepts (construct). A construct is a way of defining something, and to the extent that a researcher's (proposed construct is at odds with the exiting literature on related hypothesized relationships using other measures, it is construct validity is suspect" (Garson, 2013). Validitas konstruk pada dasarnya dilakukan untuk mengukur seberapa jauh variabel dalam penelitian dapat mencerminkan konstruk teoritisnya yang ingin diukur dimana hubungan sebab akibat yang diinvestugasi.
Validitas Internal : "Internal validity has to do with defending againts sources of bias arising in research design, which would effect the cause-effect process being studied by introducing covert variables" (Garson, 2013). Validitas internal digunakan untuk mengukur seberapa jauh variasi di dalam variabel dependen yang dapat disebabkan oleh variasi pada variabel independennya. Dalam penelitian eksperimen tentu saja ada variabel lain yang dapat mempengaruhi variabel dependen yang tidak dimasukkan dalam model. Variabel-variabel ini dketahui akan dapat mengganggu partisipan dan sangat sulit menilainya. Variabel-variabel ini disebut Variabel Nuissance.
Validitas Eksternal. "External validity has to do with possible bias in process of generalizing conclusions from a sample to population, to other subject populations, to other settings, and/or to other time period". (Garson, 2013). Validitas eksternal merupakan gambaran sejaug mana hasil penelitian dapat digeneralisasi dengan sampel lain pada waktu, dan kejadian yang lainnya. Desain penelitian ekperimen memiliki validitas internal yang tinggi tetapi validitas eksternal yang rendah. Sedangkan penelitian survei, memiliki validitas eksternal tinggi tetapi validitas internal yang rendah.

Ada delapan (8) ancaman terhadap validitas internal yaitu :

History. Kejadian yang mungkin timbulmdiluar perkiraan saat pretest dan postest yang dapat menjelaskan hal lain dari pengaruh variabel independen terhadap dependen.
Maturation. Proses yang terjadi pada diri responden atau sosial ekonomi yang dapat menghasilkan perubahan seperti pertumbuhan, pembelajaran, kelelahan dan lain sebagainya.
Instability. Terjadi karena tidak reliabilitasnya alat ukur, fluktuasi dalam sampel atau orang.
Testing. Adanya pengaruh test pertama dan kedua, adanya publikasi indikator sosial ekonomi sebelum dan sesudah membacanya.
Instrumentation. Adanya ukuran yang tidak ekuivalen dan dianggap ekuivalen. Hal ini bisa terjadi karena perubahan kalibrasi instrumen pengukuran atau perubahan diri pengamat yang menghasilkan perubahan hasil pengukuran.
Regression Artifact. Pergeseran semu yang terjadi saat orang atau unit perlakuan terpilih karena berdasarkan skor ekstrim.
Selection.Timbul bias dari perbedaan pemilihan kelompok pembanding sehingga menimbulkan perbedaan tingkat rata-rata.
Experimental Morality. Bias perbedaan yang timbul karena tingkat perbedaan maturity atau perubahan otonom.

Baca juga :

1. Desain Penelitian Ekperimen

2. Analisis One Way Anova

3. Analisis Two Way Anova

4. Uji Kruskall Wallis

Referensi :

Gamst,G.et.al. (2008). Analysis of Variance Designs : A Conceptual and Computational Approach with SPSS and SAS. Cambridge: Cambridge University Press.

Garson,G.D. (2013). Research Design. Statistical Associates Blue Book Series. Statistical Publishing.

Ghozali,I. (2008). Desain penelitian Eksperimental : Teori Konsep dan Analisis dengan SPSS 16. Semarang : Badan Penerbit Undip.

Montgomery, D.C. (2017). Design and Analysis of Experiments 9th. Arizona: John Wiley and Sons.

Diagram Kontrol Atribut : U Chart

2021-08-20T21:43:00.003+07:00

Diagram kontrol U mengukur banyaklnya ketidaksesuaian (titik spesifik) per unit laporan inspeksi dalam periode yang mungkin memiliki ukuran contoh (banyaknya item yang diperiksa).

Mirip dengan diagram kontrol C kecuali pada banyaknya ukuran sampel yang digunakan. Pada Diagram kontrol U, ukuran sampel pada setiap kali pengamatan adalah 1 buah, sedangkan pada diagram kontrol U, ukuran sampel dapat bervariasi pada setiap kali pengamatan. Sehingga dapat dikatakan bahwa diagram kontrol U dapat dipergunakan apabila ukuran contoh lebih dari satu unit atau mungkin bervariasi dari waktu ke waktu. Rumus U Chart sebagai berikut :

Rumus U Chart

Studi kasus : PT. Rolcomp merupakan perusahaan perakitan komputer di Kota Semarang. Perusahaan ingin memantau proses perakitan komputer dengan cara mengendalikan banyaknya komponen yang tidak memenuhi syarat per unit komputer. Untuk maksud tersebut Bagian Pengendalian Kualitas pelayanan PT. Rolcomp ingin membuat diagram kontrol U dengan mengumpulkan data banyaknya komponen yang tidak memenuhi syarat dalam proses perakitan. Data yang diperoleh sebagai berikut :

Data Input

Langkah Diagram KOntrol Atribut U Chart dengan SPSS

Klik Analyze > Quality Control > Control Chart
Pilih Attribute chart C, U Chart pada data organizational Klik Cases are subgroups, Klik Define
Masukan variabel komponen rusak ke dalam kolom number noncomformities.
Klik Sampelsize dan masukan variabel jumlah sampel ke kolom Variable
Klik Chart, Klik U (number of comformities) kemudian Continue
Klik tombol Control Rules, pilih above+3sigma, 6 in row tending up/down, 14 in row alternating.
Klik Continue, kemudian OK

Hasil Diagram Kontrol Atribut U Chart dengan SPSS

Diagram kontrol U Chart

Pada diagram kontrol U atau U chart terdapat tanda "Rule violation" point merah yang menandakan adanya masalah atau special case variation yaitu data ke 2 dan 5. Data ke 2 dan ke 5 ini karena memiliki nilai lebih besar dari 3 sigma atau lebih besar dari 3 standar deviasi rata-rata.

Baca juga :

1. Diagram Kontrol Atribut : P Chart

2. Diagram Kontrol Atribut : NP Chart

3. Diagram Kontrol Atribut : C Chart

Referensi :

Montgomery, D. C. (2013). Introduction Statistical Quality Control 7th. New York : John Wiley & Sons.

Oakland, J and Oakland, R. (2019). Statistical Process Control 7th. New York : Rouledge.

Yamin, S dan Kurniawan,H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Software SPSS. Jakarta : Salemba Infotek

Referensi Syntax Simplis Pada Lisrel Bagian II

2021-08-15T15:34:00.001+07:00

Dalam program LISREL, file simplis ditulis dalam bentuk syntax yang harus sesuai dengan aturan atau kaidah tertentu agar Lisrel dapat melakukan running data.

Ada beberapa kaidah-kaidah dalam penulisan syntax Simplis sebagai berikut :

1. Menskalakan variabel laten

Seperti telah kita ketahui bahwa variabel laten merupakan variabel tidak diukur secara langsung. Sehingga untuk menentukan unit pengukuran dari variabel laten dengan mngasumsikan bahwa variabel latenb tersebut standardized. Hal ini dapat dilakukan dengan menuliskan langsung hubungan antara indikator dengan variabel latenya.

Langkah lain dengan menentukan unit pengukuran variabel laten adalah dengan menentukan koefisien hubungan antara 1 indikator varibael laten menjadi 1. Indikator yang nilai koefisien terhadap variabel laten ditentukan tersebut dinamakan dengan variabel reference. Sebagai contoh indikator X1 sebagai reference dibawah ini :

MK1 = 1*Motivasi

MK2 = Motivasi

MK3 = Motivasi

MK4 = Motivasi

2. Starting Value

Hasil estimasi suatu parameter dapat menghasilkan nilai koefisien regresi tetapi koefisien regresi tersebut tidak reliabel. Untuk itu, lisrel menyediakan fasilitas yang dinamakan starting value, yang mana fasilitas ini digunakan untuk memberikan nilai awal pada suatu koefisien regresi. NIlai ini bukan berarti menetapkan suatu parameter, tetapi Lisrel memberikan perintah untuk mengestimasi dengan nilai-nilai yang ditentukan tersebut. Sebagai contoh cara penulisan yang berbeda dalam pemberikan starting value dengan nilai parameter dibawah ini :

kinerja = 0.53*pelayan ---> nilai parameter

kinerja = (0.53)*pelayan ---> starting value

Contoh pertama bahwa hubungan antara kinerja dengan pelayanan ditentukan nilai parameter regresi sebesar 0.53, akan menghasilkan nilai koefisien sebesar 0.53.

Sedangkan pada baris kedua, hubungan antara kinerja dengan pelayanan diberi starting value sebesar 0.53, hanya memerintahkan Lisrel mengestimasi parameter sebesar 0.53.

3. Error Variance dan Covariance

Ada 3 jenis eror dalam model SEM, antara lain :

Kesalahan pengukuran pada variabel observed X (indikator variabel eksogen)
Kesalahan pengukuran pada variabel observed Y (indikator variabel endogen)
Kesalahan struktural pada persamaan struktural.

1). Menentukan error variance

Secara default nilai eror variance diestimasi oleh Lisrel. Dalam keadaan tertentu model dapat terjadi Heywood case, hal ini terjadi karena ada nilai eror variance negatif tersebut harus ditentukan nilainya menjadi positif yang sangat kecil. Cara menentukan nilai eror variance sebagai berikut :

Let the error variance of kinerja to 0.01

Atau,

Let the error variance of kinerja equal to 0.01

2). Error Covariance

Secara default, seluruh eror diasumsikan tidak saling berkorelasi. Namun kita dapat mengestimasi dua eror untuk saling berkorelasi. Ada beberapa korelasi antar eror yang dapat dilakukan antara lain :

Korelasi eror antara dua indikator variabel laten eksogen (X)
Korelasi eror antara dua indikator variabel laten endogen (Y)
Korelasi eror antara 1 indikator variabel laten eksogen (X) dengan satu indikator variabel laten endogen (Y).

4. Tidak mengkorelasikan variabel eksogen

Dalam model SEM variabel laten eksogen secara default diasumsikan saling berkorelasi. Apabila menginginkan agar variabel laten eksogen tidak saling berkorelasi, maka dapat dituls dengan :

Set the covariance of X1 - X4 to 0

Atau,

Set the correlations of X1 - X4 to 0

5. Menyamakan konstrain

Dalam beberapa hal, kita menginginkan ada parameter yang memiliki estimasi yang sama maka dapat dilakukan pada path (hubungan antara variabel) atau pada beberapa eror varians.

1) Menyamakan path

Untuk dua atau lebih dari suatu koefisien parameter menjadi 1 parameter tunggal atau sama dapat dilakukan dengan penulisan syntax. Misalnya pengaruh variabel Kompetensi terhadap Disiplin memiliki koefisien yang sama dengan pengaruh dari variabel Fasilitas terhadap Disiplin. Penulisan syntax sebagai berikut :

Set the Path from kompten to disiplin equal to the path from fasilts to disiplin

atau dapat ditulis dengan lebih pendek yaitu :

Set path from kompten to disiplin = path from fasilts to disiplin

Set path kompten -> disiplin = path fasilts -> disiplin

Set kompten -> disiplin = fasilts -> disiplin

Atau dengan menggunakan kata Let, dapat ditulis dengan :

Let the Path from kompten to disiplin equal to the path from fasilts to disiplin

Let path from kompten to disiplin = path from fasilts to disiplin

Let path kompten -> disiplin = path fasilts -> disiplin

Let kompten -> disiplin = fasilts -> disiplin

2) Menyamakan error varians

Untuk dua (2) eror varians yang sama dapat ditulis dengan :

Set the Error variances: VarK - VarL equal

Atau,

Let the Error variances: VarK - VarL equal

Jadi ada eror varians yang saling berurutan (misal VarK, VarL, VarM, VarN) maka :

Equal Error Variances: VarK - VarN

6. Option

Ada beberapa pilihan )option) yang tersedia untuk menghasilan output yang diinginkan. Masing-masing opsi tersebut dapat ditulis secara langsung dalam baris terpisah atau ditulis dengan kata kunci tertentu dalam baris Options. Beberapa opsi yang tersedia dalam syntax Lisrel antara lain :

Print Residuals

Wide Print

Numer of decimals = k

Methods of Estimations = Maximum Likelihod

Adminissibility Check = off

Iterations = k

Untuk opsi-opsi diatas dapat ditulis dalam satu baris dengan :

Options: RS WP ND=3 ME = ML AD=off IT = 100

7. Lisrel Output

Pada hasil keluaran SIMPLIS model yang diestimasi berdasarkan bentuk persamaan, pada Lisrel model yang dihasilkan dalam bentuk matrik. Output Simplis diperoleh secara default sedangkan format Lisrel dapat diperoleh dengan menuliskan perintah pada file input.

Lisrel Output

Apabila tidak ada hal-hal lain dimasukan dalam baris LISREL output maka informasi yang dihasilkan sam dengan output SIMPLIS. Tetapi dapat juga ditambahkan kata kunci yang lain untuk informasi tambahan pada baris Lisrel Output, misalkan :

Lisrel Output: SS SC EF VA MR RS PC PT

Dimana :

SS : menghasilkan nilai standardized solutions

SC : menghasilkan nilai seluruhnya standardized solutions

EF : menghasilkan nilai pengaruh langsung dan tidak langsung

VA : menghasilkan nilai varians dan kovarians

MR : menghasilkan sama dengan RS dan VA

RS : menghasilkan nilai faktor regresi

PC : menghasilkan nilai korelasi antara estimasi parameter

PT : menghasilkan informasi-informasi teknis

8. End Of Problem

Untuk menuliskan syntax bahwa seluruh persamaan telah dituliskan maka baris terakhir ditulis :

End of Problem

Perintah tersebut adalah opsional, tetapi sangat dianjurkan pada analsisis multisampel. Pada model multisample dituliskan pada akhir kelompok, tidak pada masing-masing kelompok.

Baca juga :

Referensi :

Byrne, B.M.(1998). Structural Equation Modeling With Lisrel, Prelis and Simplis: Basic Concepts, Applications and Programing. New Jersey: Lawrence Erlabaum Associates,Inc

Diamantopoilos,A and Siguw,J.A.(2000). Introduction Lisrel: A Guide for the Unitiated. London: Sage Publications

Ghozali,I dan Fuad.(2014). Structural Equation Modeling : Teori, Konsep dan Aplikasi dengan Program Lisrel 9.10 Edisi 4. Semarang : Badan Penerbit Universitas Diponegoro

Joreskog, K.G And Sorbom,D.(1993). Lisrel 8 : Structural Equation Modeling the Simplis Command Language. Lincolwood: Scientific Software International

Muller, R.O.(1996). Basic Principles of Structural Equation Modeling : An Introduction of Lisrel and EQS. New York: Springer.

Diagram Kontrol Atribut : P Chart

2021-08-11T21:38:00.003+07:00

P Chart merupakan prosedur yang digunakan untuk mengukur proporsi ketidaksesuaian dari item-item dalam kelompok yang sedang diinspeksi. Bertujuan untuk mengendalikan proporsi produk cacat yang dihasilkan dalam suatu proses.

Proporsi yang tidak memenuhi syarat merupakan rasio banyaknya item yang tidak memenuhi syarat dalam suatu kelompok terhadap total banyaknya item dalam kelompok tersebut. Jika item tidak memenuhi standar pada satu atau lebih karakteristik yang diperiksa maka item tersebut digolongkan tidak memenuhi syarat. Rumus Diagran Kontrol Atribut P Chart sebagai berikut :

Rumus P Chart

Contoh kasus : PT. So drink adalah salah satu perusahaan penghasil sirup yang berlokasi di Jakarta. Jenis Sirup yang dibuat oleh perusahaan adalah sirup dengan rasa buah-buahan khususnya buah Kiwi beserta variannya. Perusahaan ingin menggunakan diagram kontrol P atau P Chart untuk mengendalikan banyaknya cacat yang terjadai dibagian produksi. Quality Assurance Departement melakukan pengumpulan data banyaknya sirup yang cacat produksi selama 25 hari dengan hasil sebagai berikut :

Data Sampel

Langkah-langkah diagram kontrol atribut P Chart dengan SPSS

Klik Analyze > Quality Control > Control Chart
Pilih Attribute chart P, np, Klik Cases are subgroup
Masukan variabel sampel rusak ke dalam kolom number noncomforming.
Klik Sampel Size, masukan variabel sampel ke kolom variable.
Klik tombol Title, berinama "P Chart Sirup"
Klik tombol Control Rules, select All control rules
Klik Continue, kemudian OK

Hasil diagram kontrol atribut P Chart dengan SPSS

P Chart Produk Sirup

Pada hasil diagram kontrol P atau P chart diatas, nilai kontrol limitnya adalah UCL = 0.04, centre line = 0.02 dan LCL sebesar 0.00. Tanda "rule violation": terdapat poin merah yang menandakan adanya masalah atau special cause variation yaitu data ke 5. Data ke-5 ini karena mempunyai nilai lebih besar dari 3 sigma atau lebih besar dari 3 standar deviasi rata-rata.

Baca juga :

1. Diagram Kontrol Atribut : U Chart

2. Diagram Kontrol Atribut : C Chart

3. Diagram Kontrol Atribut : NP Chart

Referensi :

Montgomery, D. C. (2013). Introduction Statistical Quality Control 7th. New York : John Wiley & Sons.

Oakland, J and Oakland, R. (2019). Statistical Process Control 7th. New York : Rouledge.

Yamin, S dan Kurniawan,H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Software SPSS. Jakarta : Salemba Infotek

Diagram Kontrol Atribut : C Chart

2021-08-06T23:16:00.001+07:00

Suatu item yang tidak memenuhi syarat atau yang cacat dalam proses pengendalian kualitas didefinisikan sebagai tidak memenuhi satu atau lebih spesifikasi untuk item tersebut. Jika terdapat titik spesifik yang tidak memenuhi spesifikasi standar untuk item maka item tersebut akan dikategorikan cacat atau tidak memenuhi syarat.

Pengolongan produk yang cacat berdasarkan kriteria diatas kadangg-kadang untuk jenis produk tertentu dianggap kurang representatif karena mungkin saja suatu produk masih dapat berfungsi dengan baik walaupun satu atau lebih titik spesifik yang tidak memenuhi spesifikasi. Contohnya : perakitan komputer, dimana komputer terdiri dari ratusan bahkan ribuan komponen yang dirakit menjadi satu unit komputer. Maka dari itu setiap bagian ada koemungkinan tidak memenuhi syarat spesifikasi. Jika terdapat banyak titik lemahnya maka tentu saja produk tersebut perlu dikategorikan sebagai produk cacat atau tidak memenuhi syarat.

Hal ini berarti bahwa perusahaan memberikan toleransi atas kelemahan pada satu atau beberapa titik spesifik yang tidak memenuhi syarat sepanjang tidak mempengaruhi fungsi dari produk tersebut. Oleh karenanya diagram kontrol yang sesuai adalah diagram kontrol C atau C chart yang didasarkan pada banyaknya titik spesifik yang tidak memenuhi syarat dalam suatu item.

Pada P chart atau NP chart didasarkan pada unit produk secara keseluruhan, dimana suatu produk dinyatakan cacat apabila mengandung paling sedikit satu titik spesifik yang tidak memenuhi syarat. Sedangkan pada C chart didasarkan pada titik spesifik yang tidak memenuhi syarat pada produk yang bersangkutan, sehingga suatu produk dapat saja dianggap memenuhi syarat meskipun satu atau beberapa titik spesifik yang cacat. Rumus diagram kontrol atribut C chart sebagai berikut :

Rumus C Chart

Contoh kasus : Perusahaan Blue Ocean adalh salah satu perusahaan jasa yang beroperasi dalam bidang transportasi taksi. Pada saat ini perusahaan sudah dapat mengoperasikan 50 armada taksi. Perusahaan ingin memantau proses pelayanan armada taksi melalui pengendalian banyaknya keluhan dari pengguna taksi yang diterima setiap harinya. Untuk itu Bagian Pengendalian kualitas Pelayanan Blue Ocean ingin membuat diagram kontrol C dengan mengumpulkan data banyaknya keluahan dari pengguna taksi selama 30 hari periode pengamatan. Dimana setiap hari pengamatan hanya satu sopir yang diamati. Berikut adalah data banyaknya keluhan pengguna taksi selama 30 hari.

Data Sampel

Langkah-langkah Kontrol atribut C Chart dengan SPSS

Klik Analyze > Quality Control > Control Chart
Pilih Attribute chart C, U Chart pada data organizational Klik Cases are subgroups, Klik Define
Masukan variabel sampel rusak ke dalam kolom number noncomformities.
Klik Sampel Size constant ketik 30.
KlikChart Klik C (number of comformities) kemudian Continue
Klik tombol Control Rules, pilih above+3sigma, 6 in row tending up/down, 14 in row alternating.
Klik Continue, kemudian OK

Hasil diagram kontrol atribut NP Chart dengan SPSS

Control Chart Keluhan Pelanggan

Diagran kontrol C atau C chart diatas nilai kontrol limitnya adalah UCL sebesar 18.25, center line 9.17 dan LCL sebesar 0.08. Tanda "Rule Violation: No" menunjukan tidak ditemukannya Special Cause variation.

Baca juga :

1. Diagram Kontrol Atribut : P Chart

2. Diagram Kontrol Atribut : NP Chart

3. Diagram Kontrol Atribut : U Chart

Referensi :

Montgomery, D. C. (2013). Introduction Statistical Quality Control 7th. New York : John Wiley & Sons.

Oakland, J and Oakland, R. (2019). Statistical Process Control 7th. New York : Rouledge.

Yamin, S dan Kurniawan,H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Software SPSS. Jakarta : Salemba Infotek

Referensi Syntax Simplis Pada Lisrel Bagian I

2021-08-01T17:41:00.005+07:00

Dalam program Lisrel, Simplis ditulis dalam bentuk syntax yang harus sesuai dengan aturan/kaidah tertentu agar Lisrel dapat melakukan runing data.

Ada beberapa kaidah-kaidah dalam penulisan syntax simplis sebagai berikut :

1. Input Data

Format input dapat dilakukan dengan berbagai macam bentuk seperti data mentah (raw data), data matrik kovarian atau matrik korelasi. Seperti contoh dibawah ini.

Input data matrik kovarian

Input data diatas artinya data diperoleh dari matrik kovarian dengan nama file inputdatamatrik.cov.

Berbeda dengan data mentah (raw data). Tanda petik digunakan agar Lisrel mampu membaca seluruh kalimat pada input file. Perhatikan bahwa matrik kovarian tidak memiliki nama variabel, maka sebelum ditentukan data matrik kovarian, nama variabel ditentukan terlebih dahulu. Seperti terlihat diatas : Observed variables X1 X2 X3 X4..Y4

Data mentah (rata data) sebagai input data sebagai berikut :

Input raw data

2. Baris Judul

Pada syntax simplis, baris pertama dapat digunakan sebagai judul yang dimulai dengan tanda !

Kecuali pada baris pertama ada :

Baris yang dimulai denga kata Observed variables atau Labels. Baris ini adalah perintah pertama dalam input file SIMPLIS.
Baris yang dua karakter pertamanya dimulai dengan DA, Da, dA, atau da, yang merupakan baris perintah dalam input file SIMPLIS.

3. Variabel Observed

Baris selanjutnya adalah Observed variables yang merupakan variabel yang memiliki nilai pada input data. Baris yang menggunakan perintah diatas, dilakukan jika data input menggunakan matrik kovarian atau matrik korelasi atau data mentah yang disimpan dalam file txt. Sedangkan data mentah (raw data) yang disimpan dalam program LISREL data tidak perlu ditentukan nama variabelnya. Observed variables dituliskan dengan memberikan spasi antara variabel yang satu dengan variabel yang lainnya.

Observed variables

4. Data

Input data pada program Lisrel dapat dilakukan dengan format yaitu :

Data mentah (raw data),
Matrik Kovarian,
Matrik Korelasi,
Matrik Kovarian dan Means,
Matrik Korelasi dan Standard Deviasi,
Matrik Korelasi, Standard Deviasi dan Means.

Selain format diatas, input data dapat dilakukan dengan format : Asymptotic covariance matrix.

1) Data Mentah

Data mentah sebenarnya dapat dituliskan secara langsung pada file input, tetapi data mentah sebaiknya disimpan pada file ekternal seperti notepad tetapi lebih baik disimpan dalam file Lisrel Data. Untuk membaca data mentah dari suatu file dapat dituliskan :

Input Raw Data

Penggunaan data mentah memiliki kelemahan apabila ada missing data (data hilang atau kosong) pada salah satu kasus. Untuk mengatasi masalah missing data ini dapat dilakukan menggunakan program Lissrel data yang menghasilkan matrik kovarian atau matrik korelasi.

2) Matrik kovarian atau Matrik korelasi

Matrik kovarian atau matrik korelasi merupakan matrik simetris yang mana hanya elemen-elemen yang terdapat pada diagonal yang diberikan. Jika ada n variabel obseved, maka matrik yang terbentuk berupa n x n yang terdiri dari n (n+1)/2. Sehingga jika ada 7 variabel observed maka elemen matrik ada 28 yang dihitung dari 7 (7+1)/2. Contoh matrik kovarian :

Contoh matrik kovarian

Matrik tersebut diatas dapat diinput ditulis dengan berbagai format antara lain :

Input Matrik kovarian 1

Atau,

Input Matrik kovarian 2

Atau,

Input Matrik Kovarian 3

Elemen-elemen matrik tersebut dibedakan berdasarkan spasi dan dapat berlaku untuk matrik kovarian atau matrik korelasi.

3) Mean dan Standar deviasi

Perintah untuk menbaca mean adalah

Means: 6.54 8.87 7.14 8.37

Atau,

Means:

6.54 8.87 7.14 8.376.54 8.87 7.14 8.37

Atau untuk standar deviasi ditulis dengan :

Standard deviations:

0.334 0.356 0.421 0.527

4) Asymptotic covariance matrix

Matrik ini diperlukan untuk mengestimasi berdasarkan metode Weighted Least Squares (WLS) dimana matrik ini diperoleh dari Lisrel Data. Untuk membaca matrik asymptotic covariance dapat ditulis dengan perintah :

Asymptotic Covariances from file D:\SEM\ModelKinerja\inputdatakovarian.acm

5) Asymptotic variance

Asymptotic variance digunkan apabila estimasi berdasarkan metode Diagonally Weighted Least Squares (DWLS). Matrik ini diperoleh dari Lisrel Data. Untuk membaca asymptotic variances dapat ditulis dengan perintah :

Asymptotic variances from file D:\SEM\ModelKinerja\inputdatavarians.avm

5. Ukuran Sampel

Ada berbagai macam car penulisan yang dapat digunakan untuk menginput ukuran sampel yaitu :

Sampel Size

Input Sampel size adalah opsional, dalam hal ini apabila input data dilakukan dalam bentuk matrik kovarian atau matrik korelasi.

6. Variabel Laten atau Unobserved

Untuk menuliskan variabel laten dapat menggunakan perintah Latent Variables atau Unobserved Variables. Perlu diperhatikan bahwa jua nama variabel observed tidak boleh sama dengan variabel laten. penulisan variabel laten dapat dilakukan dengan perintah :

Latent Variables: Motivasi EfiDiri KepKerja

7. Relationship atau hubungan

Untuk hubungan antara variabel dapat ditulis dengan Relationships, Relations atau Equations. Penulisan judul ini opsional dimana penulisan hubungan antar variabel dapat ditulis tanpa header diatas. Ada beberapa aturan untuk penulisan hubungan antar variabel yaitu :

variabel dependen = variabel independen

indikator = variabel laten

Pada baris pertama terlihat bahwa variabel dependen sebelah kiri dan variabel independen sebelah kanan. Penulisan dapat dilakukan secara simultan yaitu variabel independen dapat ditulis dalam satu baris dengan memberikan jarak spasi.

Pada baris kedua hubungan antara indikator dengan variabel laten, dimana penulisan indikator disebelah kiria dan bvariabel laten disebelah kanan. Penulisan indikator juga dapat dilakukan secara simultan dalam satu baris. Contoh penulisan seperti dibawah ini.

Relationships 1

Atau,

Relationships 2

Kedua penulisan diatas adalah sama dan kedua dilakukan dengan cara lebih pendek. Penulisan juga dapat dilakukan dengan tanda panah (path) sebagai berikut :

Relationship 3

Baca juga :

1. Referensi Syntax Simplis Bagian II

2. Konseptual dan Transformasi Model SEM

3. Input Data Pada Lisrel

Referensi :

Byrne, B.M.(1998).Structural Equation Modeling With Lisrel, Prelis and Simplis: Basic Concepts, Applications and Programing. New Jersey: Lawrence Erlabaum Associates,Inc.
Diamantopoilos,A and Siguw,J.A.(2000).Introduction Lisrel: A Guide for the Uninitiated.London: Sage Publications.
Ghozali,I dan Fuad.(2014). Structural Equation Modeling : Teori, Konsep dan Aplikasi dengan Program Lisrel 9.10 Edisi 4. Semarang : Badan Penerbit Universitas Diponegoro.
Joreskog, K.G And Sorbom,D.(1993).Lisrel 8 : Structural Equation Modeling the Simplis Command Language. Lincolwood: scientific Sofware International.
Muller, R.O.(199).Basic Principles of structural Equation Modeling : An Introduction of Lisrel and EQS. New York: Springer.

Diagram Kontrol Atribut : NP Chart

2021-07-25T09:15:00.006+07:00

Diagram kontrol NP mirip dengan diagram P, tetapi pada diagram kontrol NP terjadai perubahan skala pengukuran. Diagram kontrol NP menggunakan ukuran banyaknya item yang tidak memenuhi spesifikasi atau banyaknya item yang tidak sesuai dalam suatu pemeriksaan.

Diagram kontrol NP dan P dapat dilakukan pada situasi sebagai berikut :

Data banyaknya item yang tidak sesuai adalah lebih bermanfaat dan mudah untuk diinterpretasikan dalam pembuatan laporan dibandingkan data proporsi.
Ukuran contoh (n) bersifat konstan dari waktu ke waktu.

Rumus NP Chart

Contoh kasus : Sefia adalah seorang marketing di perusahaan asurance yang berlokasi di Cikonde Bandung. Selain menawarkan jasa asuransi ke para pelanggan, ia juga melakukan entri data nasabah yang dicantumkan di form Customer identity (CIF) ke dalam komputer. Sefia mampu menyelesaikan 20 data nasabah setiap harinya. Bagaimanapun juga sering terjadi kesalahan ketika dilakukan pengecekan pada data yang telah diinput. Divisi audit intern ingin membangun diagram kontrol NP guna mengendalikan proses entri data nasabah ke dalam komputer. Data dalam tabel berikut menunjukan banyaknya kesalahan yang ditemukan dari pemeriksaan 20 data nasabah (n=20). Periode pengamatan dilakukan selama 20 hari. Data yang diperoleh sebagai berikut :

Data

Langkah-langkah Diagram Kontrol Atribut NP Chart dengan SPSS

Klik Analyze > Quality Control > Control Chart
Pada Attribute charts pilih NP Chart, klik Cases are subgroups, Klik Define
Masukan variabel sampel rusak ke dalam kolom Number noncomformities.
Klik Sampel Siz,masukan variabel sampel ke kolom variable
Klik Chart Klik C (number of comformities) kemudian Continue
Klik tombol Control Rules, pilih above+3sigma, 6 in row tending up/down, 14 in row alternating.
Klik Continue, kemudian OK

Hasil Diagram Kontrol Atribut NP Chart dengan SPSS

Diagram NP Chart Formulir

Diagram kontrol NP atau NP Chart diatas, nilai kontrol limitnya adalah UCL = 16.81, center line = 10.10. LCL = 3.39. Tanda "Rule Violation" : No menunjukkan tidak ditemukannya Special case variation.

Baca juga :

1. Diagram Kontrol Atribut : P Chart

2. Diagram Kontrol Atribut : C Chart

3. Diagram Kontrol Atribut : U Chart

Referensi :

Montgomery, D. C. (2013). Introduction Statistical Quality Control 7th. New York : John Wiley & Sons.

Oakland, J and Oakland, R. (2019). Statistical Process Control 7th. New York : Rouledge.

Yamin, S dan Kurniawan,H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Software SPSS. Jakarta : Salemba Infotek

Cara Hitung Indikator Composite untuk Model Structural Equation Modeling

2021-07-16T18:14:00.004+07:00

Menurut Liang et. al (1990) dan Rowe (2006) ada beberapa langkah dalam penyusunan indikator komposit yang diperoleh dari nilai standardized loading indicator, factor score weight dan error variance. Langkah-langkah hitung indikator komposit sebagai berikut :

1. Lakukan analisis model SEM

Lakukan analisis model SEM seperti pada umumnya (multiple indikator) untuk emndapatkan nilai standardized loading indikator, faktor skor weight dan nilai eror indikator. Hasil model sebagai berikut :

Model SEM dengan Multiple indikator

Hasil output nilai standardized loading indicator sebagai berikut :

Nilai standardized loading indicator

Diperoleh nilai standardized loading pada variabel kompetensi karyawan untuk indikator KK1 sebesar 0.803, KK2 0.755, KK3 0.770, KK4, KK5 0.761 sebesar 0.755. Variabel fasilitas kerja, nilai loading indikator FK1 sebesar 0.786, FK2 0.793, FK3 0.857, FK4 0.673, FK5 0.645. Variabel Kualitas Pelayanan, nilai loading indikator KP1 sebesar 0.765, KP2 0.858, KP3 0.82. Pada variabel Disiplin kerja, indikator DK1 sebesar 0.802, DK2 0.725, DK3 0.857 dan DK4 sebesar 0.760.

Hasil ouput nilai factor score weight sebagai berikut :

Factor Score Weight

Diperoleh nilai factor score weight FK1 sebesar 0.173, FK2 0.195, FK3 0.271, FK4 0.108 dan FK4 sebesar 0.096. Factor score weight KK1 sebesar 0.211, KK2 0.167, KK3 0.178, KK4 sebesar 0.170 dan KK5 sebesar 0.162. Factor score weight DK1 sebesar 0.219, DK2 0.151, DK3 0.312 dan DK4 sebesar 0.172. Factor score weight KP1 sebesar 0.151, KP2 0.253, KP3 0.211 dan KP4 sebesar 0.180.

Hasil output nilai error variance sebagai berikut :

Error Variance

Diperoleh nilai eror variance eror1 sebesar 0.324, eror2 0.380, eror3 0.367, eror4 0.380, eror5 0.405, eror6 0.345, eror7 0.319, eror8 0.266, eror9 0.509, eror10 0.544, eror11 0.332, eror12 0.428, eror13 0.250, eror14 0.405, eror15 0.358, eror16 0.253, eror17 0.270 dan eror18 sebesar 0.318.

2. Hitung Composite Reliability

Rumus Composite Reliability

Dimana :

𝜌c = composite reliability

𝜆i = standard loading

𝜃i = error variance dari indikator

3. Hitung Loading Factor Composite

Rumus Loading Factor Composite

Dimana :

𝜆c = loading faktor indikator komposit

𝜎c = standar deviasi indikator komposit

𝜌c = composite reliability

4. Hitung variance indicator composite

Rumus variance Indicator Composite

Dimana :

𝜃c = error variance dari indikator

𝜎²c = variance indikator komposite

𝜌c = composite reliability

Untuk mempermudah perhitungan diatas dapat diselesaikan dengan Microsoft excel. Sebagai contoh perhitungan pada indikator-indikator dari variabel laten Kompetensi karyawan sebagai berikut :

Hitung indikator komposite variabel Kompetensi karyawan

Copy nilai standardized loading factor KK1, KK2 sampai dengan KK5 ke baris 2
Copy nilai factor score weight KK1-KK5 ke baris 3.
Hitung nilai komposit (KKComposite) dengan rumus =($C$3*C4)+($D$3*D4)+($E$3*E4)+($F$3*F4)+($G$3*G4)
Hitung nilai standar deviasi komposit dengan rumus =STDEV(H$:H351)
Hitung variance dari komposit skore dengan rumus =VAR(H4:H351)
Hitung kuadrat nilai loading factor atau (sum of loading factor)^2 dengan rumus
=SUM(C2:G2)^2
Copy error variance (e1-e5) untuk KK1, KK2, KK3, KK4 dan KK5 ke baris (indicator measurement error).
Hitung jumlah eror variance (sum of eror indicator measurement error) dari KK1-KK5 dengan rumus =SUM(C356:G356)
Hitung nilai composite reliability dengan rumus =H355/(H355+H357)
Hitung nilai loading factor composite dengan rumus =(H353*(H359^0,5)
Hitung nilai error variance indicator composite dengan rumus =(H354)*(1-H359)

Hasil perhitungan indikator komposite pada variabel Fasilitas kerja :

Hitung indikator komposite variabel Fasilitas kerja

Hasil perhitungan composite indikator pada variabel Fasilitas kerja diperoleh nilai loading factor composite (𝜆c) sebesar 0.640 dan error variance composite (𝜃c) sebesar 0.058.

Hasil perhitungan indikator komposit variabel Disiplin kerja :

Hitung indikator komposite variabel Disiplin kerja

Hasil perhitungan composite indikator pada variabel Fasilitas kerja diperoleh nilai loading factor composite (𝜆c) sebesar 0.662 dan error variance composite (𝜃c) sebesar 0.063.

Hasil perhitungan indikator komposit variabel Kualitas pelayanan :

Hitung indikator komposite variabel Kualitas Pelayanan

Hasil perhitungan composite indikator pada variabel Fasilitas kerja diperoleh nilai loading factor composite (𝜆c) sebesar 0.616 dan error variance composite (𝜃c) sebesar 0.043.

Setelah mendapatkan nilai loading factor composite (𝜆c) dan error variance composite (𝜃c) pada masing-masing variabel kemudian nilai tersebut dijadikan sebagai nilai konstrain pada model komposit yang akan kita buat.

Sedangkan nilai KKComposite, FKComposite, DKComposite dan KPComposite dijadikan sebagai data input indikator model komposite.

Baca juga :

1. Model SEM dengan Indikator Komposit

2. Uji Kesesuaian Fit Model SEM

3. Evaluasi Asumsi Pada Model SEM

Referensi :

Ghozali, I.(2011).Model Persamaan Struktural Konsep dan Aplikasi Dengan Program AMOS 19.0.Semarang : Badan Penerbit Universitas Diponegoro

Liang, J, et. Al.(1990). Appropriatness of Composites in Structural Equation Models. Journal of Gerontology : Social Sciences, Vol.45 No. 2

Rowe, K. (2006). The Measurement of Composite Variables from Multiple Indicators : Application in Quality Asurance and Accreditation System Childcare. Australian Council for Educational Research. Victoria. Australia.

Model SEM dengan Indikator Komposit

2021-07-13T21:55:00.004+07:00

Dalam prosedur dan analisis model Structural Equation Modeling (SEM) harus memenuhi asumsi-asumsi SEM seperti ukuran sampel, normalitas dan linieritas data, outlier observasi dan juga terpenuhinya asumsi multikolinieritas dan singularitas. Multikolinieritas dan sinngularitas dapat dideteksi dari nilai determinant matrix covariance.

Nilai determinan kovarian yang sangat kecil memberikan indikasi adanya masalah multikolinieritas dan singularitas. Apabila terjadi masalah tersebut maka solusi yang dapat dilakukan dengan mengeluarkan indikator yang meyebabkan singularitas tetapi hal tersebut sangat sulit untuk dilakukan. Oleh karena itu maka solusi yang tepat adalah membuat model dengan indikator komposit (indikator tunggal). Indikator komposit (tunggal) dilakukan dengan menyederhanakan variabel laten dengan multiple indikator menjadi satu indikator komposit yang tentunya dapat dibenarkan secara teoritis dan empiris. Sebagai contoh pada Model Kualitas Pelayanan dibawah ini.

Model Kualitas Pelayanan

Dari model tersebut memberikan output nilai determinant of sample covariance matrix sebesar 0.00 (<0.001), nilai ini sangat kecil sehingga dapat disimpulkan bahwa model mengalami masalah multikolinieritas dan singularitas untuk itu model akan dilakukan dengan menggunakan indikator komposit.

Tabel determinant of sample covariance matrix

Untuk membuat indikator komposit tidak sesederhana dengan hanya membuat nilai rata-rata (mean) dari indikator-indikator dalam satu variabel laten hingga diperoleh satu indikator. Perhitungan dalam membuat indikator komposite dilakukan dengan memperhitungkan nilai standardized loading factor, factor score weight dan error variance. Nilai-nilai tersebut diperoleh dengan membuat model SEM secara full indikator (multiple indikator) terlebih dahulu seperti pada model Kualitas Pelayanan diatas.

Dari hasil perhitungan dalam membuat indikator komposit akan menghasilkan nilai loading factor composite (𝛌c) dan error variance composite (𝞗c). Nilai-nilai tersebut akan dijadikan sebagai nilai konstrain pada masing-masing indikator model komposit. Hasil perhitungan indikator komposit selengkapnya disajikan pada tabel di bawah ini.

Nilai loading factor composite dan error variance composite

Selain mendapatkan nilai loading factor composite dan error variance composite, hasil perhitungan akan memperoleh nilai indikator komposite yang kemudian di beri nama baru sebagai KKComposite, FKComposite, DKComposite dan KPComposite yang dijadikan sebagai data input pada model composit.

Kemudian buat model komposit dengan indikator tunggal dan masukkan nilai loading factor composite sebagai nilai konstrain : pada kompetensi karyawan sebesar 0.645, fasilitas kerja 0.64, disiplin kerja 0.662, kualitas pelayanan sebesar 0.616. Masukkan juga nilai error variance composite pad e1 sebesar 0.054, e2 0.058, e3 0.063, e4 0.043. Pada zeta1 (z1) dikonstrain dengan nilai sebesar 1. Hasil selengkapnya seperti pada model dibawah ini.

Model dengan nilai konstrain

Hasil running model komposite memperoleh nilai chi-square sebesar 2.685, probabillitas 0.101, AGFI 0.962, GFI 0.996, CFI 0.989, TLI 0.934, dan RMSEA sebesar 0.070. Nilai Goodness of fit model tersebut lebih baik dibandingkan dengan model multiple indikator. Terbukti dari nilai chi-square rendah dan probabilitas yang tidak signifikan yaitu sebesar 0.101 (> 0.05). Hasil selengkpanya disajikan pada model dibawah ini.

Model Komposit Indikator

Hasil output nilai goodness of fit antara model multiple indikator dengan model composite selengkapnya disajikan pada tabel dibawah ini.

Perbandingan goodnes of fit index antara model Multiple indikator dan komposit

Dari hasil model multiple indikator menunjukan bahwa nilai chi-square masih tinggi dan probabilitas masih signifikan (< 0.05) dikatakan tidak fit. Sedangkan untuk indeks AGFI, GFI, CFI, TLI, dan RMSEA sudah fit. Pada model komposit baik nilai chi-square, probabilitas, AGFI, GFI, CFI, TLI dan RMSEA sudah memenuhi kriteria fit model. Jadi hasil model komposit lebih baik dibandingkan dengan model multiple indikator.

Hasil estrimasi koefisien pengaruh konstrak antara model multiple dan model komposit selengkapnya disajikan pada tabel dibawah ini.

Perbandingan estimasi koefisien antara model multiple indikator dengan komposit

Dari tabel diatas menunjukan bahwa nilai estimasi koefisien pengaruh antara konstrak baik pada model multiple maupun model komposit menunjukan nilai yang tidak jauh berbeda dan juga nilai signifikansi (p) yang dihasilkan.

Kemudian kita lihat output nilai determinant of sample covariance matrix dari model komposiit yng diperoleh sebesar 0.030, nilai ini lebih besar dari 0.001 sehingga model tidak ada masalah multikolinieritas dan singularitas. Hasil selengkapnya disajikan pada matrik dibawah ini.

Nilai determinant of sampel covariance matrix model komposit

2. Uji Kesesuaian Fit Model SEM

3. Penilaian Parameter Estimasi Model SEM

Referensi :

Ghozali, I.(2011).Model Persamaan Struktural Konsep dan Aplikasi Dengan Program AMOS 19.0.Semarang : Badan Penerbit Universitas Diponegoro

Liang, J, et. Al.(1990). Appropriatness of Composites in Structural Equation Models. Journal of Gerontology : Social Sciences, Vol.45 No. 2

Cara Analisis Second Order CFA dengan Lisrel

2021-07-06T19:44:00.002+07:00

Dalam model CFA ada beberapa model seperti CFA first order dan CFA second order. Model CFA first order dilakukan pada variabel laten yang menggunakan pengukurn langsung/manifes sebagai pengukurnya sedangkan pada model CFA second order dilakukan pada model yang memiliki variabel multidimensi, dimana variabel laten ini diukur oleh variabel laten dimensinya.

Seperti pada contoh model Kinerja, variabel laten kinerja merupakan variabel laten multidimensi dimana variabel ini diukur oleh variabel-variabel laten seperti Perencanaan, Pelaksanaan, Bimbingan dan Penilaian sebagai variabel dimensinya. Oleh karena hal tersebut maka dinamakan dengan model CFA second order. Gambaran CFA second order selengkapnya disajikan pada model di bawah ini.

Konsep Model Second Order Kinerja

Langkah-Langkah Analisis Second Order CFA dengan Lisrel

Persiapkan data mentah (raw data) dapat berupa data SPSS amupun excel, kemudian import data tersebut ke dalam aplikasi lisrel dan simpan di drive : D/Kinerja/Datainput.psf

Selanjutnya membuat project baru di simplis project dengan nama Model second Order Kinerja. Ketik syntax simplis project seperti pada gambar di bawah ini.


Syntax Simplis Project

Dari syntax simplis di atas dapat diterangkan sebagai berikut :

Raw Data From File 'D:/Kinerja/Datainput.psf' : Lisrel membaca data mentah yang disimpan di drive D folder Kinerja dengan nama file Datainput.psf

Latent variables rencana laksana bimbing nilai kinerja : membuat nama variabel laten rencana laksana bimbing nilai kinerja.

Relationships : membuat hubungan antara indikator dengan variabel laten atau antara variabel laten dengan variabel laten lainnya.

X1 - X3 = rencana : membuat hubungan antara X1, X2, X3 sebagai indikator dengan variabel laten rencana

X4 - X6 = laksana : membuat hubungan antara X4, X5, X6 sebagai indikator dengan variabel laten laksana

X7 - X9 = bimbing : membuat hubungan antara X7, X8, X9 sebagai indikator dengan variabel laten bimbing

X10 - X14 = nilai : membuat hubungan antara X10, X11, X12, X13, X14 sebagai indikator dengan variabel laten nilai

rencana laksana bimbing nilai = kinerja : membuat hubungan dari variabel laten kinerja ke rencana, laksana, bimbing dan nilai

Set the variance of kinerja to 1 : membuat konstrain pada nilai variance kinerja sebesar 1

Path Diagram : Lisrel membuat model jalur yang diperintahkan di atas

End of Problem : mengakhiri perintah lisrel

Hasil model setelah di RUN dengan Lisrel selengkapnya disajikan pada gambar di bawah ini.

Model Second Order Kinerja

Pada gambar hasil model di atas menunjukan bahwa indeks yang diperoleh seperti chi-square sebesar 86.74, probabilitas 0.12991, RMSEA 0.031. Dari hasil nilai tersebut menunjukan bahwa nilai chi-square sudah sangat rendah dengan nilai p-value 0.12991 (> 0.05), RMSEA sebesar 0.031 (< 0.08) dan model dapat dikatakan fit/layak.

Untuk nilai indeks goodness of fit dari model selngkapnya disajikan pada tabel di bawah ini.

Goodness od Fit Index

Nilai chi-square diperoleh sebesar 86.74 lebih rendah dibandingkan nilai cut off value yaitu 93.95, artinya bahwa tidak ada perbedaan yang signifikan antara matrik kovarian populasi dengan matrik kovarian sampel sehingga model fit. Untuk nilai cmin/df sebesar 1.188 < 2.00 yang menunjukan bahwa cmin/df sudah sangat rendah atau lebih kecil dari 2.00 sehingga model fit. Nilai probabilitas erat kaitanya dengan nilai chi-square. Semakin rendah nilai chi-square maka nilai probabilitas semakin tinggi (tidak signifikan). Karena nilai chi-square rendah yaitu 86.74 < 93.95 dan probabilitas 0.12991 > 0.05 maka dapat disimpulkan bahwa model dapat dikatakan fit diterima.

Demikian juga untuk indeks RMSEA diperoleh sebesar 0.031 < 0.08, GFI sebesar 0.94, AGFI 0.92. NNFI 0.99 > 0.95, CFI 1.00 > 0.95 dan NFI 0.97 > 0.95. Indeks tersebut sudah memenuhi batas cut off value masing-masing sehinga dapat dikatakan bahwa model fit diterima.

Koefisien estimasi dari variabel multidimensi (perencanaan, pelaksanaan, bimbingan dan penilaian) selengkapnya disajikan pada tabel di bawah ini.

Tabel nilai estimasi koefisien regresi

Terlihat bahwa nilai koefisien estimasi Kinerja terhadap perencanaan sebesar 0.63 dengan nilai t sebesar 7.29, Kinerja ke Pelaksanaan memperoleh nilai koefisien estimate sebesar 0.49 dengan nilai t sebesar 5.23. Kinerja ke Bimbingan sebesar 0.65 dengan nilai t sebesar 7.14. Kinerja ke Penilaian memperoleh nilai estimate sebesar 0.77 dengan nilai t sebesar 7.82. Karena nilai t yang diperoleh pada masing-masing variabel > 1.96 t-tabel maka dapat disimpulkan bahwa variabel perencanaan, pelaksanaan, bimbingan dan penilaian merupakan variabel multidimensi dari variabel Kinerja.

2. Tiga Pendekatan Model Second Order

3. Uji Normal Pada Model SEM

Referensi :

Byrne, B.M.(1998).Structural Equation Modeling With Lisrel, Prelis and Simplis: basic Concepts, Applications and Programing. New Jersey: Lawrence Erlabaum Associates,Inc

Diamantopoilos,A and Siguw,J.A.(2000).Introduction Lisrel: A Guide for the Uninitiated.London: Sage Publications

Ghozali, I dan Fuad (2008). Model Persamaan Struktural Konsep dan Aplikasi Dengan Program Lisrel 8.80 Edisi II. Semarang : Badan Penerbit Universitas Diponegoro.

Mueller,R.O.(1996). Basics Principles of Structural Equation Modeling :An Introduction to Lisrel and EQS.New York: Springer-Verlag,Inc

Penilaian Parameter estimasi Model Structural Equation Modeling (SEM)

2021-07-01T20:11:00.003+07:00

Penilaian model (model assesment) pada structural Equation Modeling (SEM) difokuskan bahwa sejauh mana sebuah model yang dihipotesiskan sesuai (fit) atau model mampu untuk menjelaskan data sampel yang ada. Penilaian model dengan menguji kecukupan masing-masing parameter estimasi maupun model secara keseluruhan.

Ada 3 kriteria untuk penilaian parameter estimasi model SEM yaitu (1) Feasibility of parameter, (2) Kesesuaian standar eror dan (3) Signifikansi statistikal dari koefisien estimasi parameter.

1. Feasibility estimasi parameter

"The initial step in assesing the fit of individual parameters in a model is to determine the viability of their estimated values. In particular, parameter estimates should exhibit the correct sign and size, and be consistent with the underying theory. Any estimates faling outside the admissible range signal a clear indication that either the model is wrong or the input matrix lack sufficient information (Byrne, 2010)"

Penilaian setiap parameter model yaitu menentukan viabilitas dari nilai-nilai yang telah diestimasi untuk setiap parameter. Penilaian koefisien parameter harus berpedoman pada ukuran atau kriteria yang benar dan konsisten dengan teori dari pengembangan model. Nilai koefisien yang jauh dari kriteria/ukuran dapat menjadi indikasi bahwa model yang dikembangkan adalah salah atau matrik input kekurangan informasi yang dibutuhkan. Misalnya dalam model terjadi nilai korelasi > 1.00, matrik kovarian atau korelasi yang tidak positif atau variance negatif.

2. Kesesuaian standard eror

"Standard error reflect the precision with which a parameter has been estimated with small values suggesting accurate estimation. Thus, another indicator of poor model fit is the presence of standard errors that are exessively large or small. For example, if a standard error approaches zero, the test statistic for its related parameter cannot be defined. Likewise, standard errors that are extremely large indicate parameters that cannot be determined (Byrne, 2010)"

Model yang kurang baik salah satunya adanya standar error yang sangat besar ataupun sangat kecil. Misal standar eror sama dengan nol, maka pengujian statistik untuk parameter yang berhubungan dengan standard eror tersebut tidak dapat dilakukan. Nilai standard eror yang tidak akurat pada umumnya ditemui pada analisis yang menggunakan data matrik korelasi, maka sebaiknya model SEM menggunakan matrik kovarian.

3. Signifikansi statistikal dari koefisien estimasi parameter

"The test statistics as reported in the AMOS output is the critical ratio (CR), which represents the parameter estimate divide by its standard errors, as such , it operates as a z-statistc in testing that the estimate is statistically different from zero (byrne, 2010)"

Pengujian statistik yang digunakan dalam SEM AMOS adalah critical ratio (CR) yang merupakan estimasi parameter dibagi standar erornya sama dengan z-statistik yang menguji bahwa nilai estimasi secara statistik tidak sama dengan nol. Pengujian statistik dengan tingkat signifikansi 5%, nilai CR yang dibutuhkan lebih ±1.96. Jadi parameter yang tidak signifikan menunjukan bahwa variabel tidak memiliki peranan penting dalam pengembangan model sehingga dapat dikeluarkan dari model. Parameter yang tidak signifikan dapat menjadi indikasi bahwa model memiliki sampel yang kecil/kekuranganm sampel.

2. Uji Kesesuaian Fit Model SEM

3. Evaluasi Asumsi pada Model SEM

Referensi :

Byrne, B. M. (2016). Structural Equation Modeling with Amos : Basics concepts, Applications, and Programing 3nd. New York : Rouledge

Ferdinand, A. (2014). Structural Equation Modeling Dalam Penelitian Manajemen Edisi 5. Semarang : Badan Penerbit Undip

Haryono, S. ( 2016). Metode SEM untuk Penelitian Manajemen dengan AMOS Lisrel PLS. Bekasi : Intermedia Personalis Utama

Uji Perbandingan Terhadap Baseline Model Structural Equation Modeling (SEM)

2021-06-22T20:01:00.003+07:00

Evaluasi model SEM delain dengan nilai indeks-indeks kesesuaian model, ada beberapa indeks yang menguji perbandingan terhadap model yang lain disebut juga dengan Baseline model. Diketahui bahwa output AMOS terdapat dua (2) baseline yang disajikan bersama dengan model yang dianalisis (default model) yaitu Saturated Model dan Independence model.

Saturated model merupakan model dengan jumlah parameter yang diestimasi sama dengan jumlah "distinc sample moments"nya sehingga degree of freedom sama dengan nol (0) dan chi-square sam dengan nol (0). Maka model saturated disebut dengan full atau perfect model.

Independence model merupakan model yang semua variabel dibuat tidak saling berkorelasi (uncorrelated). Dalam model ini jumlah parameter sama dengan jumlah variabel observasi. Karena independen model semua variabel tidak saling berkorelasi maka model independen adalah "poor fit" terhadap set datanya dan chi-square yang dihasilkan akan sangat besar. Berikut ini contoh tampilan output baseline model.

Output model Base line

Indeks perbandingan terhadap model baseline antara lain :

1. Tucker Lewis Index (TLI)

TLI adalah alternatif incremental fit indeks yang membandingkan antara model yang diuji dengan baseline model. Indeks ini disebut juga dengan Non Normed Fit Index (NNFI). Kriteria pengujian indeks TLI diharapkan ≥0.95 sebagai model yang diterima, nilai mendekati 1 menunjukan a very good model. Hasil pengujian indeks TLI selengkapnya disajikan pada tabel di bawah ini.

Tucker Lewis Index (TLI)

Indeks TLI diperoleh dengan rumus sebagai berikut :

Rumus TLI

Hasil perhitungan indeks TLI sebesar 0.998 (mendekati 1) artinya bahwa a very good model.

2. Comparative Fit Index (CFI)

Indeks CFI berada dalam rentang 0-1 dan identik dengan inkdeks Relative Non Centrality Index (RNI). Nilai indeks ini yang direkomendasikan sebesar ≥ 0.95 dan nilai mendekati 1 mengindikasikan a very good fit. Indeks CFI memiliki kelebihan dibandingkan dengan nilai indeks lainyya yaitu tidak dipengaruhi oleh ukuran sampel sehingga sangat baik sebagai pengukur tingkat penerimaan model. Hasil indeks CFI dari model selengkapnya pada tabel di bawah ini.

Comparative Fit Index (CFI)

Indeks CFI diperoleh dengan rumus sebagai berikut :

Rumus CFI

Hasil indeks CFI sebesar 0.999 (mendekati 1) artinya bahwa model a very good fit.

3. Parsimony Ratio (Pratio)

Rasio ini dikembangkan oleh James, Mulaik dan Brett (1982). Rasio ini merupakan rasio kesederhanaan model yang mengekspresikan jumlah konstrain yang digunakan dalam model sebagai fraksi dari jumlah konstrain dalam model independen. Indeks ini diperoleh dengan membandingkan DF model yang dianalisis dengan DF model independen. Dari model diperoleh parsimoni ratio dihitung : 91/71 = 0.780. Hasil output AMOS selengkapnya disajikan pada tabel di bawah ini.

Indeks Parsimony Ratio

4. Parsimony Adjusment to the NFI (PNFI)

Indeks ini merupakan indeks parsimoni yang di adjust dengan NFI, yang diperoleh dari hasil perkalain Pratio x NFI. Indeks diharapkan >0.50. Hasil nilai PNFI selengkapnya disajikan pada tabel di bawah ini.

Indeks PNFI

Hasil PNFI pada tabel diatas menunjukkan bahwa nilai PNFI sebesar 0.743 artinya bahwa model fit.

5. Parsimony Adjusment to the CFI (PCFI)

Nilai ini merupakan indeks parsimoni yang di-adjust dengan CFI yang diperoleh dari hasil perkalian Pratio x CFI. Indeks diharapkan > 0.5. Hasil NFI dihitung dengan rumus 0.780 x 0.999 = 0.779. Hasil indeks PCFI selengakpnya disjaikan pada tabel di bawah ini.

Indeks PCFI

Hasil pengujian dari model di atas diperoleh nilai PCFI sebesar 0.779 > 0.50 artinya bahwa model fit.

6. Non Centrality Parameter (NCP)

Jika nilai chi-square yang diperoleh masih tinggi tidak sesuai dengan yang diharapkan (rendah/bernilai kecil) maka model bisa ditolak. Sehingga nilai chi-square memiliki distribusi chi-square noncentral dengan sebuah parameter noncentral yang diestimasi oleh noncentrality parameter. Untuk mendapatkan nilai estimasi parameter noncentrality, dapat menggunakan interval konfiden. Hasil nilai NCP selengkapnya disajikan pada tabel di bawah ini.

Indeks NCP

Perhitungan nilai parameter noncentrality sebesar 1.779 yang diperoleh dari nilai chi-square dikurangi degree of freedom nya (72.779 - 71). Interval konfiden menunjukan bahwa 90% percaya bahwa nilai populasi noncentral berkisar antara nilai 0.00 (LO 90) - 26.161 (HI 90). Dengan hasil contoh model SEM, nilai NCP diperoleh sebesar 1.779 berada dalam daerah parameter noncentral, artinya bahwa model fit.

7. Minimum Discrepancy Function (FMIN)

FMIN menunjukan tercapainya tingkat diskrepancy minimum yang digunakan untuk menghitung chi-square model yang dikembangkan. Nilai F0 adalah population diskrepansi yang dicapai. Nilai LO90 0.000 dan HI90 0.131 menunjukkan bahwa 90% percaya bahwa populasi diskrepancy 0.009 berada diantara rentang 0.000 - 0.131. Hasil selengkapnya disajikan pada tabel di bawah ini.

Nilai FMIN

8. The Root Mean Square Error Approximation (RMSEA)

RMSEA merupakan indeks yang digunakan untuk mengkompresi chi-square statistik dalam sampel besar. NIlai RMSEA ≤ 0.08 merupakan close fit model sedangkan nilai RMSEA sebesar antara 0.08 - 0.1 dikatakan moderat fit. Pada tabel di bawah ini menunjukan nilai RMSEA sebesar 0.011, nilai ini lebih kecil dari 0.08 yang berarti model fit diterima. Hasil indeks RMSEA selengkapnya disajikan pada tabel di bawah ini.

Indeks RMSEA

Steiger menyarankan untuk menggunakan konfiden interval untuk menilai ketepatan estimasi RMSEA berada antara LO90 dan HI90 serta PCLOSE. Jika konfiden interval sangat pendek, maka nilai RMSEA menunjukan presisi yang baik, bilai konfiden interval panjang maka tidak akuratnya dalam menentukan derajat fit dari populasi. Pada hasil nilai RMSEA menunjukan nilai sebesar 0.011 (< 0.08) dengan konfiden interval 90%, maka nilai RMSEA berkisar antara H0 0.000 sampai dengan HI90 0.043. Nilai ini memiliki interval pendek dengan probabilitas close fit sebesar 0.985 ( > 0.05). Interpretasi konfiden interval adalah bahwa dengan kepercayaan 90% nilai RMSEA berada diantara 0.000 - 0.043 dengan kemungkinan kedekatan 98.5% (0.985 x 100%) (PCLOSE). Karena kedekatan sebesar 98.5% ( . 0.50) maka dapat dikatakan bahwa model fit.

9. Akaike Information criterion (AIC) dan Consistent (CAIC)

Untuk mengevaluasi tingkat parsimoni dari model yang dikembangkan digunkan indeks AIC dan CIAC. Dua indeks ini membandingkan model secara parsimoni yakni jika AIC dan CAIC lebih rendah menunjukkan bahwa model lebih fit atau sesuai, sehingga model lebih parsimoni. Nilai lebih rendah dibandingkan dengan competeting model yang dikembangkan. Hasil indeks AIC dan CAIC selengkapnya disajikan pada tabel di bawah ini.

Indeks AICd dan CAIC

Rumus indeks AIC sebagai berikut :

Rumus AIC

Hasil indeks AIC ditunjukan sebesar 140.779 lebih rendah dibandingkan dengan AIC independence model sebesar 1573.780 artinya bahwa model memenuhi kaidah parsimoni.

Rumus indeks CAIC sebagai berikut :

Rumus Indeks CAIC

Hasil indeks CAIC ditunjukan sebesar 286.922 lebih rendah dibandingkan dengan CAIC independence model sebesar 1633.957 artinya bahwa model memenuhi kaidah parsimoni.

10. Brown Cudeck Criterion (BCC) dan Bayes Information Criterion (BIC)

Indeks BCC dan BIC memiliki peranan yang sama seperti AIC dan CAIC. Jika hasil indeks keduanya dibandingkan dengan angka pada independence modelnya lebih rendah maka maka model memenuhi kaidah parsimoni. Hasil indeks BCC dan BIC selengkapnya disajikan pada tabel di bawah ini.

Indeks BCC dan BIC

Indeks BCC diperoleh sebesar 146.332 dan BIC sebesar 252.922. Nilai indeks BCC 146.322 lebih rendah dibandingkan dengan independence model 1576.063 dan BIC sebesar 252.922 lebih rendah dari BIC Independence model 1619.957. Karena lebih rendah dari Independence model maka dapat disimpulkan bahwa model memenuhi kaidah parsimoni.

11. Expected Cross Validation Index (ECVI)

Untuk menilai dalam satu sampel tertentu kemungkinan bahwa model dapat diterapkan pada sampel lain dengan ukuran yang sama dalam populasi yang sama digunakan indeks ECVI. Hasil indeks ECVI selengkapnya disajikan pada tabel di bawah ini.

Indeks ECVI

Hasil indeks ECVI sebesar 0.707 dari model lebih kecil dibandingkan dengan saturated model sebesar 1.055 dan indepence model sebesar 7.908. Sehingga dapat disimpulkan bahwa model memenuhi sesuai dengan data. Dengan konfiden interval 90% percaya bahwa ECVI terletak antara LO 0.698 - 0.830 HI sehingga model cukup untuk replikasi.

12. Hoelter's

Pengujian Hoelter's tes dikembangkan oleh Hoelters (1983) merupakan uji critical N yang mengukur besarnya kecukupan sampel yang dibutuhkan. Indeks ini mengestimasi besarnya sampel-sampel size yang cukup untuk menghasilkan model fit yang cukup bagi uji chi-square. Hasil uji Hoelter selengkapnya disajikan pada tabel di bawah ini.

Nilai Hoelter's

Critical N merupakan ukuran sampel terbesar untuk menerima hipotesis bahwa model adalah benar. Dari hasil model menunjukan bahwa nilai critical N pada tingkat 5% sebesar 251 dan tingkat 1% sebesar 278. Angka tersebut menunjukan bahwa pada tingkat 5%, model dapat diterima dengan sampel 251 atau pada tingkat 1%, model diterima dengan sampel 278. Artinya bahwa jika sampel lebih dari 251 (pada tingkat 1%) dan sampel lebih besar dari 278 (pada tingkat 5%) model dapat ditolak. Sehingga indeks Hoelter dapat memberikan indikasi mengenai kualitas data dan sampel yang digunakan sudah sesuai dan model dapat berlaku untuk sampel yang luas atau populasi.

Dalam model ini sampel yang digunakan sebesar 200, maka sampel model sudah lebih rendah dari Hoelter 1% (251) dan Hoelter 5% (278) sehingga model dapat berlaku.

Baca juga :

1. Evaluasi Asumsi Pada Model SEM

2. Uji Kesesuaian Fit Model SEM

3. Cara Mengatasi Data Tidak Normal Multivariat Dengan Bootstraping

Referensi :

Byrne, B.M. (2016). Structural Equation Modeling With Amos : Basic concepts, Aplications, and Progaming 3rd. New York : Rouledge

Ferdinand, A. (2014). Structural Equation Modeling Dalam Penelitian Manajemen Edisi 5. Semarang : Badan Penerbit Undip

Haryono, S. ( 2016). Metode SEM Untuk Penelitian Manajemen dengan AMOS Lisrel PLS. Bekasi : Intermedia Personalia Utama