MODIFICATION INDICES OLEH LISREL DALAM
ANALISIS STRUCTURAL EQUATION MODELLING (SEM)
Selamat sore sobat semuaaa.. Gimana neh kabarnya hari ini? Moga sehat dan sukses selalu yaaa.. Amiiiinn.. Yaaap hari ini kembali saya hadirkan postingan terkait analisis Structural Equation Modelling. Kalau sebelumnya, sobat sudah memahami konsep analisis SEM, bagaimana prosedur impor data sampai menggambar rancangan model bahkan sobat sudah menguasai prosedur uji Fit Indices, maka saat ini kita akan sampai ke bagian Modification Indices yaitu memodifikasi model SEM sesuai dengan anjuran yang disarankan oleh Lisrel.
Jikalau
sobat baru berkenalan dengan analisis SEM, maka saya sangat menyarankan agar
sobat terlebih dahulu membaca postingan-postingan analisis SEM sebelumnya untuk
memudahkan pemahaman yaaa hehehe… Postingan ini sendiri berasal dari Thesis yang
berjudul “Penerapan Simak Barang Milik Negara di Lembaga/Kementrian XXX”
(Theses sudah disidangkan dan diberikan ijin).
Yaaap,
sekarang silahkan sobat buka kembali Path Diagram yang setelah proses Refaktor
(reduksi indikator yang punya loading
factor < 0,6-0,7 dan variabel laten minat). Lalu, sobat klik pada submenu
dropdown Estimate dan pilih Modification Indices. Berikut gambarannya:
Perhatikan
bahwa untuk pertama sekali Lisrel menyarankan agar menghubungkan jalur dari
konstruk manfaat ke konstruk kepuasan (puas). Penting diketahui, sebelum
menerima anjuran dari Lisrel, sobat perlu berpikir kritis agar saran yang
diberikan oleh Lisrel tidak mengubah esensi penelitian dan rasional. Dari saran
yang diberikan guna pemenuhan uji Fit Indices yang lebih baik, kita bisa telah
dulu apakah benar jika konstruk manfaat penerapan simak BMN yang dirasakan oleh
pegawai/staff pada suatu lembaga akan memengaruhi kepuasan pegawai/staff
tersebut. Ya, secara statistic, esensi dan logika saran modifikasi tersebut
terpenuhi.
Secara
statistic, meski kita belum bicara sampai ke interpretasi koefisien model
(bagaimana hubungannya, apakah pengaruhnya signifikan dan jika signifikan,
seberapa besar), tetapi kita bisa melihat dari gambaran modelnya dahulu.
Manfaat sebagai variabel laten eksogen akan memengaruhi variabel laten endogen.
kepuasan (puas). Secara esensi, hal tersebut juga tidak merubah esensi
penelitian dan secara logika, saran yang diberikan juga masuk aka. Dengan demikian,
kita menerima saran yang diberikan oleh Lisrel.
Yaap,
silahkan sobat tambahkan jalur dari konstruk manfaat ke konstruk kepuasan. Lalu
seperti biasa sobat pilih menu Setup dan pilih Build Simplis Syntax dan RUN.
Hasilnya akan tampil seperti berikut:
Naaah,
perhatikan bahwa nilai RMSEA masih cukup tinggi yaitu sebesar 0,099. Nilai ini
masih belum memenuhi syarat RMSEA yang paling baik ( lebih kecil dari 0,05)
atau moderat (0,05-0,08). Nilai statistik Chi Square adalah sebesar 91,83 lebih
besar dari Chi Square table for two tails (49;0,025) yaitu 70,22 sehingga kita
menolak hipotesis nol dan menyatakan bahwa model belum fit dengan data. Karena tidak
satu pun baik dari nilai kriteria uji RMSEA dan uji Chi Square tidak terpenuhi,
maka kita belum lolos dalam uji Absolut Fin Indices yang harus terpenuhi. Untuk
uji yang lain seperti Incremental Fit Indices dan Parsimony Fit Indices sudah
pasti terpenuhi. Silahkan cek pada postingan sebelumnya, disini.
Oleh
karena itu, kita masih perlu memodifikasi model. Ayo lihat kembali modifikasi
yang disarankan oleh Lirel. Berikut tampilannya:
Yaaap,
Lisrel menyarankan untuk menghubungkan loading factor dari indikator
implementasi ke konstruk kepuasan. Sekali lagi, saran modifikasi ini terserah
sobat apakah mau menerima atau tidak. Silahkan pertimbangkan dan sesuaikan
dengan penelitian masing-masing baik dari sisi statistic, esensi dan alur
logikanya hehehe.. Yaap sekarang saya ikuti saran modifikasi dari Lisrel.
Perhatikan pula bahwa indikator yang disarankan Lisrel untuk dihubungkan ke
variabel laten masih sama-sama merupakan endogen.
Sebagai
informasi saja, bahwa saran dari Lisrel bukan hanya menghubungkan sesama variabel
laten/konstruk , menghubungkan indikator dengan konstruk (loading factor),
tetapi bisa saja Lisrel nantinya menyarankan covariance error antar
indikatornya yaaa.. Oke deeeh sekarang sobat RUN kembali dan akan diperoleh
hasil estimasi sebagai berikut:
Nilai
RMSEA saat ini sebesar 0,091, menurun dibandingkan dengan sebelumnya (0,099)
dan nilai statistic Chi Square juga menurun dari yang sebelumnya sebesar 91,83
menjadi 83,36. Selisih nilai statistic (hitung dan table) yang dihasilkan
semakin mengecil setelah kita mengikuti proses modifikasi Lisrel. Tapiii, wah
masih ada tapinya neh soob hehehe,, Oleh karena kedua kriteria uji ini belum
ada satupun yang memenuhi, maka tetap kita belum lolos uji Absolute Fit
Indices. Waduuuh gimana dong kalau
begini kejadiannya? Ssssst jangan galau dulu, kita coba melakukan modifikasi
lagi sooob.. Berdoalah agar dari hasilnya, kita bisa lolos dalam uji Absolute
Fit Indicesnya hahaha..
Oke
deeeh, sekarang coba sobat buka kembali saran modifikasi dari Lisrel hasilnya
adalah sebagai berikut:
Yap
Lisrel menyarankan untuk menghubungkan indikator variabel laten eksogen manfaat
yaitu efisiensi (EFIS) ke variabel laten eksogen kemudahan. Saya teruskan
modifikasi Lisrel yang disarankan dan diperoleh hasil sebagai berikut:
Perhatikan
kembali bahwa nilai RMSEA yang dihasilkan sebesar 0,082 dan nilai ini sudah cukup
memenuhi kriteria RMSEA yaitu terbaik pada level di bawah 0,05 dan baik/moderat
pada rentang 0,05-0,08. Adapun nilai statistic Chi Square memang masih belum
sampai terpenuhi karena nilai statistic hitung masih sedikit lebih besar
daripada Chi Square table dengan derajab bebas (0,025; 47) yaitu 75,10 lebih besar
dari 67,82). Mengapa uji Chi Square nya cukup sulit terpenuhi? Yaaa, silahkan
sobat baca di buku Joseph Hair, Multivariate Analysis.
Beliau
mengungkapkan statistic Chi Square dalam analisis SEM sangat sensitive terhadap
besar kecilnya jumlah sampel. Ingat kalau sobat download datanya pada postingan
saya sebelum-sebelumnya, lihat bahwa jumlah data yakni responden untuk survey hanya
90 orang. Inilah keterbatasan dari penelitian ini soooob hehehe.. Naaah, jumlah
sampel yang semakin besar justru akan cenderung menurunkan nilai statistic Chi
Square karena formula Chi Square sendiri menempatkan jumlah sampel sebagai
denominator (penyebut).
Jadi,
kalau sobat menambah sampel, maka akan semakin membuka kemungkinan untuk
menurunkan nilai Chi Square hitung sehingga lebih kecil dari Chi Square
tabelnya (terima hipotesis nol dan menyatakan bahwa model sudah fit dengan
data). Pendapat para pakar SEM dalam Multivariate Analysis karangan Bapak Joseph
Hair mengatakan bahwa sampel optimum untuk analisis SEM adalah sekitar 200-400
responden. Yaap sampai disini saya harap sobat masih bisa ngikutin yaaa
hehehehe… Oke deeh sekarang mari kita lihat masih adakah saran modifikasi oleh
Lirel. Let’s check it out..
Naaaah,
ternyata tidak ada lagi soob saran modifikasi yang diberikan oleh Lisrel. Next,
kita tampilkan kembali seluruh output uji Fit Indices Finalnya sooob.. Tinggal klik pada menu Output dan pilih Fit
Indices. Berikut hasilnya:
Untuk
mempermudah sobat semua, berikut nilai Fit Indices yang sudah ditabulasikan:
Yaaaap,
sobat bisa lihat bagaimana pemenuhan kriteria uji kebaikan model SEMnya saat
ini. Ingat bahwa pertama sekali kita jalankan model SEM tanpa proses refaktor
ternyata hanya Parsimony Fit Indices yang terpenuhi. Next, setelah refaktor,
selain Parsimony, ternyata Incremental Fitnya juga sudah terpenuhi tetapi yang
Absolute nya masih belum. Terakhir, setelah kita lakukan Refaktor dan
Modifikasi yang disarankan Lisrel, maka ketiga-tiganya sudah terpenuhi. Yaaap,
selamat yaa.. Model SEM yang dihasilkan ternyata sudah valid untuk digunakan
soooob hehehehe.. Horeee..
Okee
deh, sampai disini dulu yang bisa saya sampaikan ya sooob. Semoga semakin
semangat belajarnya yaa.. Gak salah loh kalau pepatah lama mengatakan Practices
Makes Perfect walaupun sebenarnya gak akan bisalah benar-benar perfect soob hahaha..
Yaaap.. semoga bermanfaat. Salam damai.
Salam sukses selalu.. :)
