BAB IV SEM (STRUCTURAL EQUATION MODELING) 4.1. Pendahuluan SEM merupakan sekumpulan teknik-teknik statistik yang memungkinkan pengujian serangkaian hubungan antar variabel yang relatif “rumit” secara simultan (Ferdinand, 2005). Pemodelan SEM yang lengkap pada dasarnya terdiri atas measurement model dan structural model. Measurement model atau model pengukuran ditujukan untuk mengkonfirmasi sebuah dimensi atau faktor berdasarkan indikatorindikator empiriknya, sedangkan structural model atau model struktural adalah model mengenai struktur hubungan yang membentuk atau menjelaskan kausalitas antar faktor (Ferdinand, 2005). Measurement model dilakukan melalui confirmatory factor analysis (CFA) sedangkan uji structural model dilakukan dengan menguji bobot koefisien jalur. Oleh karena itu, SEM pada dasarnya adalah analisis lebih lanjut dari CFA dan analisis regresi. Menurut Hair et. al (1995, p. 626) dalam Ferdinand (2005, p. 34), ada tujuh langkah yang harus dilakukan dalam menggunakan SEM (Ferdinand 2005, p. 61), yaitu: (1) pengembangan model teoritis, (2) pengembangan diagram alur, (3) konversi diagram alur ke dalam persamaan, (4) memilih matriks input dan estimasi model, (5) kemungkinan munculnya masalah identifikasi, (6) evaluasi kesesuaian model, dan (7) interpretasi dan modifikasi model.
Gambar Langkah-Langkah Dalam Structural Equation Modeling
36
1. Pengembangan model teoritis Langkah pertama dalam pengembangan model SEM adalah pencarian atau pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat (Ferdinand, 2005, p. 57). Peneliti harus melakukan serangkaian telaah pustaka yang intens agar dapat diperoleh justifikasi atas model teoritis yang dikembangkan. 2. Pengembangan diagram alur (Path Diagram) Diagram alur (path diagram) bertujuan untuk mempermudah peneliti melihat hubungan-hubungan kausalitas yang ingin diuji. Variabel dalam diagram alur permodelan SEM dibedakan menjadi dua, yakni: (1) variabel terukur/indikator/measured variable/observed variabel merupakan variabel yang datanya harus dicari melalui penelitian lapangan dan digambarkan dalam bentuk persegi, dan (2) variabel laten/construct/unobserved variable merupakan variabel bentukan yang dibentuk melalui indikator-indikator yang diamati secara nyata dan digambarkan dalam bentuk elips. Hubungan antar konstruk dalam permodelan SEM digambarkan melalui anak panah. Anak panah lurus menunjukkan hubungan kausal langsung antar konstruk sedangkan garis lurus dengan anak panah pada tiap ujungnya menunjukkan hubungan korelasi antar konstruk. e1 e2 e3 e4
1
X1
1
e11 e12 e13
X2
1
X3
1
Ability 1
1
Y1
1
1
Y2
Y3
1
X4 Trust
e5 e6 e7
1 1 1
1
X5 X6
Benevolence
1
X7 1
Partici pation
e8 e9 e10
1 1 1
Z1
1
X8 X9 X10
Z2
1
Integrity
Y4
Y5
Y6
1
1
1
e14 e15 e16
Diagram Alur Kerangka Pemikiran Teoritis Konstruk-konstruk yang dibangun dalam diagram alur permodelan SEM dikategorikan menjadi dua kelompok (Ferdinand, 2005, p. 69) yaitu: (1) konstruk eksogen (exogenous construct/source variable/independent varieble) merupakan variabel 37
yang tidak diprediksi oleh variabel lain dalam model penelitian. Konstruk eksogen ini adalah konstruk yang tidak dituju oleh garis dengan satu ujung anak panah. Dalam model penelitian ini, konstruk eksogen yang digunakan adalah citra merek dan kepuasan konsumen, (2) konstruk endogen (endogenous construct) merupakan konstruk yang memprediksi satu atau beberapa konstruk endogen lainnya, namun konstruk eksogen hanya dapat berhubungan kausal dengan konstruk endogen. Hubungan Konstruk Eksogen-Konstruk Endogen Konstruk Ability
Indikator Kompetensi Pengalaman Pengetahuan luas Pengesahan institusional Benevolence Perhatian Kemauan berbagi Dapat diharapkan Integrity Pemenuhan Keterusterangan Kehandalan Trust Kenyamanan Kepuasan Tanggung jawab Partisipasi Keberlanjutan Frekuensi Rekomendasi
Kode X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 Y1 Y2 Y3 Y4 Y5 Y6
3. Konversi Diagram Alur ke dalam Persamaan Diagram alur dikonversikan ke dalam dua persamaan yaitu persamaan model pengukuran dan persamaan struktural. Persamaan model pengukuran (measrement model) yang digunakan untuk mengukur seberapa kuat struktur dimensi-dimensi yang membentuk variabel laten (Ferdinand, 2005, p. 72). Hasil konversi ke diagram alur ke dalam model pengukuran dapat dilihat pada tabel 3.2 sedangkan persamaan struktural (structural equation) dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk dengan pedoman variabel endogen sama dengan variabel eksogen ditambah variabel endogen ditambah error. Persamaan struktural: variabel endogen = variabel eksogen + variabel endogen + error Hasil konversi diagram alur ke dalam persamaan structural.
38
Hasil konversi ke dalam Persamaan Model Pengukuran dan Model Struktural Model struktural Model pengukuran Konstruk eksogen
Konstruk endogen
X1 = λ1 Ability + ε1
Y11 = λ11TRUST + ε11
X2 = λ2 Ability + ε2
Y12 = λ12TRUST + ε12
X3 = λ3 Ability + ε3
Y13 = λ12TRUST + ε13 Y14 = λ13Partisipasi + ε14 Y15 = λ14Partisipasi + ε15 Y16 = λ15Partisipasi + ε16
X4 = λ4 Ability + ε4 X5 = λ5 Benevolence + ε5 X6 = λ6 Benevolence + ε6
Trust = β1Ability + β2 Benevolance + β3 Interity + z1 Partisipasi = β4 Ability + β5 Benevolance + β6 Interity + β7 Trust + z1
X7 = λ7 Benevolence + ε7 X8 = λ8 Integrity + ε8 X9 = λ9 Integrity + ε9 X10 = λ10 Integrity + ε10 Keterangan: λ β ε z
= Loading factor = koefisien jalur = Error measurement = error estimasi
4. Memilih Matriks Input dan Estimasi Model Data input yang digunakan dalam SEM untuk permodelan dan estimasinya dapat berupa matriks kovarian atau matriks korelasi. Hair et. al (1995) dalam Ferdinand (2005, p. 72) menemukan bahwa matriks kovarian memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi atau antara sampel yang berbeda, yang tidak dapat disajikan oleh korelasi. Hair et. al (1995) juga menyarankan agar peneliti menggunakan matriks varian atau kovarian pada saat pengujian teori karena matriks ini lebih memenuhi asumsi-asumsi metodologi dan merupakan bentuk data yang lebih sesuai untuk memvalidasi hubungan-hubungan kausalitas (Ferdinand, 2005, p.73). Ada beberapa teknik estimasi yang tersedia dalam software AMOS 4.01, yaitu: (1) Maximum Likelihood Estimation (ML), (2) Generalized Least Square Estimation (GLS), (3) Unweighted Least Square Estimation (ULS), (4) Scale Free Least Square Estimation (SLS), (5) Asymptotically Distribution Free Estimation (ADF). Dengan mengacu pada studi yang dilakukan oleh Hu, Bentler, dan Kano (1992) yang disajikan dalam Tabachnick and Fidell (1997), maka teknik estimasi yang digunakan dalam penelitian ini adalah maximum likelihood estimation technique dengan pertimbangan ukuran sampel dalam penelitian ini kecil (100-200) dengan asumsi normalitas dipenuhi (Ferdinand, 2005, P. 77). 39
5. Kemungkinan Munculnya Masalah Identifikasi Salah satu masalah yang dihadapi pada program komputer yang digunakan untuk estimasi model kausal adalah masalah identifikasi (identification problem). Masalah identifikasi pada prinsipnya merupakan masalah mengenai ketidakmampuan model yang dikembangkan untuk menghasilkan estimasi yang unik. Ferdinand (2005, p. 50) menyatakan bahwa problem identifikasi dapat muncul melalui gejala-gejala berikut: (1) standard error untuk satu atau beberapa koefisien bernilai besar, (2) program tidak mampu menghasilkan matriks informasi yang seharusnya disajikan, (3) munculnya angka-angka aneh, misalnya adanya variasi error yang bernilai negatif, (4) munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat (misalnya > 0,9). Jika setiap kali estimasi dilakukan muncul problem identifikasi ini, maka sebaiknya dipertimbangkan ulang dengan mengembangkan model dengan menggunakan lebih banyak konstruk. 6. Evaluasi Kesesuaian Model (Goodness of Fit) Evaluasi kesesuaian model dilakukan melalui telaah terhadap berbagai kriteria goodness of fit. Sebelum dilakukan evaluasi kesesuaian model, data yang akan digunakan dalam analisis ini perlu diuji terlebih dahulu apakah telah memenuhi asumsi-asumsi SEM (Ferdinand, 2005, p. 80) berikut ini: (1) ukuran sampel, jumlah sampel minimum adalah 100 dan selajutnya menggunakan perbandingan lima observasi untuk tiap parameter estimasi (Hair et. al dalam Ferdinand, 2005, p. 80), (2) normalitas, diuji dengan melihat gambaran histogram data atau dapat diuji dengan metode-metode statistik dengan menngamati nilai kemiripan (skewness value) data yang digunakan, (3) linearitas, diuji dengan mengamati scatter plots data, yaitu dengan memilih pasangan data dan melihat pola penyebarannya untuk menduga ada tidaknya linearitas, (4) outliers, terdapat dua macam outliers yaitu univariate outliers yang dapat diuji dengan Z-Score (observasi yang mempunyai Z-Score lebih besar atau sama dengan 3 dikategorikan sebagai outliers), dan multivariate outliers yang dapat diuji dengan mahalanobis distance, (5) multicolinearity dan singularity, diuji dengan determinan matriks kovarian. Nilai determinan matriks kovarian yang sangat kecil mengindikasikan adanya masalah multikolinearitas atau singularitas. Setelah memenuhi asumsi-asumsi SEM, langkah selanjutnya adalah mengevaluasi kesesuaian model yang dilakukan dengan menggunakan beberapa indeks kesesuaian (fit index) untuk mengukur “kebenaran” model yang diajukan. Bebarapa indeks kesesuaian dan cut off value yang digunakan untuk menguji apakah sebuah model diterima atau ditolak (Ferdinand, 2005, p. 80). Syarat model fit dalam analisis SEM tertera dalam tabel berikut.
40
Ringkasan Syarat Model Fit SEM Jenis Fit Index Chi-square
RMSEA (root mean square error of approximation)
GFI (Goodness of fit index)
AGFI (Adjusted goodness of fit) CMIN/DF (the minimum sample discrepancy function/degree of freedom) TLI (Tucker Lewis Index)
Nilai cut off Keterangan Nilai χ2 diharapkan kecil, Nilai χ2 yg kecil, dg prob. dengan sig. probability≥ 0,05 menunjukan tidak ada perbedaan signifikan antara matrik kovarians prediksi dengan data observasi. Dengan bahasa sederhana dapat dikatakan model mewakili sampel yang diambil < 0,08 (Browne dan Curdeck , Merupakan ukuran model yang 1993) mencoba memperbaiki chisquare dalam jumlah sample yang besar. RMSEA kecil menunjukan bahwa model diharapkan dapat digunakan dalam populasi. > 0,90 Menghitung proporsi tertimbang dari varians dalam matrik kovarians sample yang dijelaskan oleh matriks kovarians populasi yang terestimasikan. Nilai berkisar 0 – 1 (dg 0= poor fit dan 1=perfect fit) > 0,90 (Hair, 2007 dan Hulland, GFI adalah analog dari R 2 dalam 1996) regresi berganda. (0-1) < 2 (Byrne, 1998) Sebenarnya adalah statistik < 5 (Wheaton, 1977) χ2/DF. Menunjukan χ2 relatif
> 0.90 (Arbuckle, 1997) > 0,95 (Hair dkk, 1995)
NFI (normed fit index)
> 0,90
CFI (Comparative fit index)
> 0,95
Parsimonious normal fit index (PNFI)
Semakin tinggi semakin baik
Parsimonious goodness of fit index (PGFI) Measurement model fit (dg mengukur construct reliability dan variance extracted)
Semakin tinggi baik/parsimony Reliabilitas > 0,70
semakin
Variance extracted > 0,50
Alternative incremental fit index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model. (0-1) Perbandingan antara proposed model dan null model (0-1) Tidak dipengaruhi oleh ukuran sample. (0-1). Sangat baik untuk mengukur fit model. Modifikasi NFI, kegunaan membandingkan model dg DF yang berbeda Modifikasi dari GFI atas dasar parsimony estimated model. (0-1) Unidimensionalitas = asumsi yang melandasi perhitungan reliabilitas dan ditunjukkan ketika indicator suatu konstruk memiliki acceptable fit 1 single factor (one dimensional) model.
41
Tabel diatas merupakan rekapitulasi indeks-indeks yang digunakan untuk menguji kelayakan sebuah model. Langkah selanjutnya yang dilakukan setelah menguji kesesuaian model adalah melakukan penilaian undimensionalitas dan reliabilitas. Untuk menguji undimensionalitas dan reliabilitas suatu model, digunakan pendekatan berikut ini: (1) menilai besaran composite reliability. Reliabilitas merupakan ukuran mengenai konsistensi internal dari indikator-indikator sebuah konstruk yang menunjukkan derajat sampai dimana masing-masing indikator mengindikasikan sebuah konstruk atau faktor laten yang umum. Nilai composite reliablity adalah ≥ 0,7 menunjukkan tingkat reliabilitas yang dapat diterima. Composite reliability diperoleh melalui rumus berikut: Construct-Reliability =
( ∑Standard loading )2 ( ∑Standard loading )2 + ∑Ej
(2) menilai variance extracted. Menunjukkan jumlah varian dari indikator-indikator yang diekstraksi oleh konstruk laten yang dikembangkan. Nilai variance extracted yang tinggi menunjukkan bahwa indikatorindikator tersebut telah memakili dengan baik oleh konstruk latenyang dikembangkan. Nilai variance extracted yang direkomendasikan adalah ≥ 0,5 (Ferdinand, 2005, p. 95) dan dapat diperoleh melalui rumus berikut: Variance-Extracted =
∑Standard loading2 ∑Standard loading2 + ∑Ej
7. Interpretasi dan Modifikasi Model Langkah terakhir dalam permodelan SEM adalah menginterpretasikan model dan memodifikasi model bagi model-model yang tidak memenuhi syarat pengujian yang dilakukan. Setelah model diestimasi, residualnya haruslah kecil atau mendekati nol dan distribusi frekuensi dari kovarian residual harus bersifat simetrik (Tabachnick and Fidell, 1997 dalam Ferdinand, 2005, p. 96). Pedoman untuk mempertimbangkan perlu tidaknya memodifikasi sebuah model adalah dengan melihat jumlah residual yang dihasilkan model. Batas keamanan untuk jumlah residual adalah 5%. Bila jumlah residual lebih besar dari 5% dari semua residual kovarian yang dihasilkan model, maka sebuah modifikasi perlu dipertimbangkan. Bila nilai residual yang dihasilkan model cukup besar ( > 2,58 ), maka perlu dipertimbangkan untuk menambah suatu alur baru pada model yang diestimasi tersebut. Nilai residual yang lebih besar atau sama dengan 2,58 diinterpretasikan sebagai signifikan secara statistik pada tingkat 5% dan residual ini menunjukkan adanya prediction error yang substantial untuk sepasang indikator (Ferdinand, 2005, p. 97). 4.2. Contoh kasus penelitian dengan SEM Sebuah penelitian bertujuan menguji peran kepercayaan (trust) dalam memediasi bersedianya masyarakat menggunakan e-commerce untuk transaksi pembelian produk. Berdasarkan telaah teori dan studi empiris sebelumnya, peneliti mengidentifikasi bahwa kemampuan (ability) vendor, kebaikan hati (benevolence) vendor, dan integritas vendor
42
berpengaruh terhadap partisipasi penggunaan e-commerce untuk pembelian produk melalui mediasi varibel kepercayaan pelanggan (trust). Rumusan masalah penelitiannya adalah sebagai berikut: 4.2.1. Rumusan masalah 1. Apakah kemampuan (ability) vendor berpengaruh positif terhadap kepercayaan (trust) pelanggan e-commerce di Indonesia? 2. Apakah kebaikan hati (benevolence) vendor berpengaruh positif terhadap kepercayaan (trust) pelanggan e-commerce di Indonesia? 3. Apakah integritas (integrity) vendor berpengaruh positif terhadap kepercayaan (trust) pelanggan e-commerce di Indonesia? 4. Apakah kepercayaan (trust) berpengaruh positif terhadap tingkat partisipasi pelanggan e-commerce di Indonesia? 5. Apakah kemampuan (ability) vendor berpengaruh positif terhadap tingkat partisipasi pelanggan ecommercedi Indonesia? 6. Apakah kebaikan hati (benevolence) vendor berpengaruh positif terhadap tingkat partisipasi pelanggan ecommerce di Indonesia? 7. Apakah integritas (integrity) vendor berpengaruh positif terhadap tingkat partisipasi pelanggan ecommerce di Indonesia 4.2.2. Model konseptual dan hipotesis
H1 : Kemampuan (ability) vendor berpengaruh positif terhadap kepercayaan (trust) pelanggan e-commerce di Indonesia. H2 : Kebaikan hati (benevolence) vendor berpengaruh positif terhadap kepercayaan (trust) pelanggan e-commerce di Indonesia. H3 : Integritas (integrity) vendor berpengaruh positif terhadap kepercayaan (trust) pelanggan e-commerce di Indonesia. H4 : Kepercayaan (trust) berpengaruh positif terhadap tingkat partisipasi pelanggan ecommerce di Indonesia.
43
H5 : Kemampuan (ability) vendor berpengaruh positif terhadap tingkat partisipasi pelanggan ecommercedi Indonesia. H6 : Kebaikan hati (benevolence) vendor berpengaruh positif terhadap tingkat partisipasi pelanggan ecommerce di Indonesia. H7 : Integritas (integrity) vendor berpengaruh positif terhadap tingkat partisipasi pelanggan ecommerce di Indonesia. 4.2.3. Definisi operasional, pengukuran dan instrumen 1. Definisi operasional Konstruk Ability
Indikator Kompetensi Pengalaman Pengetahuan luas Pengesahan institusional Benevolence Perhatian Kemauan berbagi Dapat diharapkan Integrity Pemenuhan Keterusterangan Kehandalan Trust Kenyamanan Kepuasan Tanggung jawab Partisipasi Keberlanjutan Frekuensi Rekomendasi
Kode X1.1 X1.2 X1.3 X1.4 X2.1 X2.2 X2.3 X3.1 X3.2 X3.3 Y1.1 Y1.2 Y1.3 Y2.1 Y2.2 Y2.3
2. Pengukuran dan instrumen No
Pernyataan
1
Saya merasa bahwa vendor penyedia ecommerce memiliki kemampuan untuk menyediakan barang yang berkualitas bagi pelanggan Saya merasa bahwa vendor penyedia ecommerce mempunyai pengalaman sehingga mampu mengirim barang tepat pada waktunya. Saya merasa bahwa vendor penyedia ecommerce memiliki kemampuan yang baik dalam mengamankan transaksi. Saya merasa bahwa vendor penyedia ecommerce telah diakui eksistensinya oleh pihakpihak lain, seperti supplier, distributor, jasa pengiriman, dan sebagainya. Saya merasa bahwa vendor penyedia ecommerce memiliki perhatian untuk
2
3 4
5
Sang at Tidak Setuj u
Tida k Setuj u
Tidak Berpenda pat
Setuj u
44
Sang at Setuj u
memberikan pelayanan terbaik bagi pelanggannya. 6 7 8 9 10 11 12 13 14 15 16
Saya merasa bahwa vendor penyedia ecommerce memiliki kemauan untuk memberikan keuntungan bagi pelanggannya. Saya merasa bahwa vendor penyedia ecommerce memiliki itikad baik untuk memberikan kepuasan kepada pelanggannya. Saya merasa bahwa vendor penyedia ecommerce akan memenuhi apa yang diharapkan oleh pelanggannya. Saya merasa bahwa vendor penyedia ecommerce tidak akan menyembunyikan informasi yang penting bagi pelanggannya. Saya merasa bahwa vendor penyedia ecommerce akan selalu menjaga reputasinya. Saya percaya bahwa vendor penyedia ecommerce memberikan kenyamanan dalam bertransaksi. Saya percaya bahwa vendor penyedia ecommerce memberikan kepuasan dalam bertransaksi. Saya percaya bahwa vendor penyedia ecommerce memenuhi tanggung jawabnya terhadap pelanggan. Saya akan terus bertransaksi melalui media ecommerce. Saya akan meningkatkan frekuensi bertransaksi melalui media ecommerce. Saya akan merekomendasikan kepada pihak lain agar bertransaksi melalui media ecommerce.
3. Sampel Penelitian ini menggunakan purposive sampling dengan kriteria konsumen yang pernah menggunakan e-commerce dalam rentang waktu 6 bulan terakhir. Jumlah sample yang digunakan adalah 152 responden. 4.4. Analisis SEM menggunakan AMOS 4.4.1. Menu AMOS Dalam pengerjaan SEM dikenal beberapa software yang dapat digunakan, tetapi dua software yang paling dikenal adalah AMOS dan LISREL. Dalam pelatihan ini digunakan software AMOS karena software ini merupakan software yang lebih user friendly, karen menggunakan perintah gambar. LISREL lebih sulit digunakan karena menggunakan perintah syntax. Adapun tampilan menu AMOS pertama kali adalah sebagai berikut.
45
Menu Menggambar
Menu Analisis
Menu Tampilan dan Cetak
Gambar Tampilan Awal AMOS Pada prinsipnya menu ikon di AMOS di bagi menjadi 3 kategori besar, yaitu (1) menu menggambar, lengkap dengan menu edit gambar, (2) menu analisis, dan (3) menu pengaturan tampilan dan menu cetak. Menu ini ditampilkan secara kolom menurun, sedangkan menu horisontal berisi 8 menu yaitu (1) File, (2) Edit, (3) View, (4) Diagram, (5) Model fit, (6) Tools, (7) Help 1. Menu File digunakan untuk pengaturan file yang telah dibuat. Di dalam menu ini terdapat menu pembuatan dokumen baru (new), memanggil pekerjaan yang sudah disimpan (open), menu penyimpanan (save) dan menu cetak (print) 2. Menu Edit digunakan untuk melakukan editing pada gambar yang dibuat. Pada menu ini terdapat semua perintah edit gambar seperti select/deselect, copy, duplicate, move, dan perintah lainnya. 3. Menu View berisi fasilitas untuk melihat isi (content) dari gambar yang sudah dibuat. Pada menu ini terdapat pula fasilitas untuk melihat dan memilih properti analisis yang diinginkan. 4. Menu Diagram berisi fasilitas untuk melakukan penggambaran variabel. Pada menu ini terdapat fasilitas menggambar observed variabel, laten variabel, indikator, termasuk hubungan antar variabel. Pada menu ini juga terdapat fasilitas untuk melakukan zoom terhadap gambar yang dibuat. 5. Menu Model fit berisi fasilitas untuk menjalankan analisis, dan melakukan pengaturan terhadap grup analisis.
46
6. Menu Tools berisi fasilitas untuk pengaturan menu, serta font huruf yang digunakan dalam penggambaran. 7. Pada prinsipnya AMOS berjalan berdasarkan gambar yang dibuat dan input data yang diberikan, sehingga pada pelatihan ini akan ditekankan tentang menu pembuatan gambara dan analisis. 4.4.2. Langkah Kerja Dengan AMOS Adapun urutan langkah kerja dengan AMOS adalah sebagai berikut 1. Kembangkan model dari Teori 2. Gambarkan model dalam bidang gambar AMOS, beri nama variabel sesuai dengan nama di spreadsheet anda, tentukan analisis yang akan digunakan.. 3. Lakukan uji Confirmatory Factor Analysis (CFA) 4. Jika sudah lolos uji CFA lakukan analisis full model 5. Perhatikan Semua Asumsi, apakah terpenuhi semua. 6. Lakukan analisis dengan melihat estimasi output dan model fit 4.4.3. Menggambar dengan AMOS Menggambar dengan AMOS sangat mudah dan fleksibel, tetapi proses penggambaran sangat tergantung pada mouse. Hal ini menjadi keunggulan sekaligus kekurangan, karena tanpa mouse proses penggambaran jadi sedikit sulit. Jika menggunakan laptop dan lupa membawa mouse, proses penggambaran terpaksa dilakukan dengan menggunakan touch pad, dan hal ini lebih sulit dibanding menggunakan mouse biasa. a. Menggambar Laten Variabel Adapun cara menggambar laten variabel adalah sebagai berikut. 1. Klik perintah gambar laten variabel
2. Kemudian arahkan pointer mouse anda ke bidang gambar, dan tekan serta tahanlah tombol klik kiri mouse anda. 3. Drag mouse anda , maka akan terbentuk gambar lingkaran, sesuaikan besar gambar dan bentuk lingkaran dengan keinginan anda. 4. Setelah yakin dengan bentuk dan ukuran yang anda inginkan lepaslah tombol klik kiri mouse anda 5. Gambar lingkaran telah terbentuk b. Menggambar Observed Variabel 1. Klik perintah gambar observed variabel
2. Kemudian arahkan pointer mouse anda ke bidang gambar, dan tekan serta tahanlah tombol klik kiri mouse anda. 3. Drag mouse anda , maka akan terbentuk gambar kotak, sesuaikan besar gambar dan bentuk kotak dengan keinginan anda.
47
4. Setelah yakin dengan bentuk dan ukuran yang anda inginkan lepaslah tombol klik kiri mouse anda 5. Gambar kotak observed variabel telah terbentuk c. Menduplikasi Gambar Adakalanya kita harus meenggambar beberapa laten atau observed variabel. Jika kita menggambar satu persatu tentu hal ini tidak efisien. Kita cukup menggambar satu variabel saja dan kemudian menduplikasinya. Langkah untuk menduplikasi adalah sebagai berikut. 1. Tekan lambang perintah duplikasi
2. Arahkan pointermouse anda ke gambar variabel yang hendak diduplikasi. 3. Tekan Klik kiri mouse anda dan drag mouse anda. 4. Duplikasi gambar akan terbentuk 5. Langkah ini berlaku untuk semua gambar di bidang gambar AMOS. d. Memindahkan Gambar Pengaturan gambar dapat dilakukan dengan memindahkan gambar sesuai keinginan kita. Adapun langkah memindahkan gambar adalah sebagai berikut. 1. Klik perintah memindahkan gambar. 2. Arahkan pointer mouse pada gambar yang hendak dipindahkan. 3. Tekan klik kiri dan drag gambar tersebut 4. Gambar akan berpindah. e. Menggambar Pengaruh/Korelasi Bentuk hubungan antar variabel yang mungkin digambarkan dalam AMOS adalah pengaruh dan korelasi. Bentuk hubungan pengaruh digambarkan dengan panah satu arah, sedangkan hubungan korelasi digambarkan dengan panah dua arah. Pada prinsipnya cara menggambar kedua hubungan ini sama, yaitu sebagai berikut. 1. Klik perintah menggambar hubungan seperti berikut
Pengaruh
Korelasi
2. Arahkan pointer mouse ke bidang gambar 3. Pilihlah variabel yang hendak anda hubungkan 4. Tekan klik kiri dan tahan 5. Drag garis hubungan dari satu variabel ke variabel lain Hal yang perlu diingat: Anda harus menggambar semua variabel dahulu baru menggambar hubungannya. f. Menggambar indikator Setiap variabel laten pasti memiliki indikator. Jumlah indikator minimal 3 untuk tiap variabel laten. Cara menggambar indikator adalah sebagai berikut. 1. Klik perintah gambar indikator 48
2. Arahkan pointer mouse anda ke variabel laten yang telah anda gambar 3. Tekan klik kiri sebanyak jumlah indikator yang dibutuhkan. Jadi jika diperlukan 3 indikator, maka tekan klik kiri 3 kali, jika dibutuhkan 4 indikator tekan 4 kali dan seterusnya. g. Memberi Nama Variabel Memberi nama variabel, baik laten maupun observed sebenarnya semua sama, yaitu dengan menggunakan fasilitas object properties. Melalui object properties tidak hanya pemberian nama variabel saja yang dapat dilakukan, tetapi juga pemberian nilai parameter. Cara menampilkan object properties adalah dengan menekan klik kanan pada tiap variabel. Arahkan pointer mouse anda ke variabel yang diinginkan kemudian klik kanan, maka akan tampak menu object properties, dan kemudian tekan klik kiri pada menu tersebut. Tampilan object properties adalah seperti berikut.
Gambar Tampilan Object Properties Hal yang perlu diperhatikan dalam pemberian nama pada AMOS adalah bahwa untuk setiap indikator harus sama persis dengan nama variabel yang kita tulis di SPSS atau data editor lain (Excel, Lotus, dll). Dalam hal penulisan indikator AMOS tidak mempermasalahkan huruf besar atau huruf kecil, tetapi sebaiknya dibuat sama dengan yang ditulis di SPSS. h. Menentukan File Input untuk Diolah Setelah selesai menggambar, maka langkah berikutnya adalah menentukan file yang akan digunakan dalam analisis. File ini berupa spreadsheet dalam format spss, atau excel yang sudah dibuat sebelumnya. Cara menentukan file data input adalah sebagai berikut. 1. Klik ikon select data file
2. Tampilan seperti ini akan tampak di layar.
49
3. Klik File Name, akan tampak tampilan sebagai berikut.
4. Pilihlah file yang akan menjadi input untuk analisis SEM. Pada latihan ini digunakan file partisipasi e-commerce.sav di folder DATABASE LATIHAN pada directory D.
i. Menentukan Teknik Estimasi SEM dan output yang Diinginkan Dalam SEM ada beberapa teknik estimasi yang mungkin dilakukan, tetapi yang paling sering digunakan adalah maximum likelihood (ML). ML digunakan untuk jumlah sampel antara 100 hingga 500 dengan data memenuhi asumsi normalitas. Teknik estimasi selengkapnya dapat dilihat pada tabel 2. 50
Teknik Estimasi dalam SEM Pertimbangan Teknik Yang Dipilih Keterangan Ukuran sample 100-200 Maximum likelihood ULS dan SLS biasanya dengan data memenuhi (ML) tidak menghasilkan uji χ2, asumsi normalitas. karena itu tidak menarik perhatian peneliti Ukuran sample 200-500 ML dan Generalized Bila ukuran sampel kurang dengan data memenuhi Least square (GLS) dari 500, hasil GLS cukup asumsi normalitas. baik Ukuran sample >2500, ADF ADF kurang cocok bila asumsi normalitas kurang ukuran sampel kurang dari diperhatikan 2500 Sumber : Augusty (2000)
Adapun cara pemilihan teknik estimasi dan output yang diharapkan adalah sebagai berikut. 1. Klik ikon properti analisis
2. Akan tampak tampilan properti analisis seperti berikut ini
3. Klik teknik estimasi yang diinginkan (biasanya Maximum Likelihood) 4. Klik menu Output, akan tampak tampilan sebagai berikut.
51
5. Klik pilihan: Minimation History, Standardize Estimates, Sample Moment, Modification Indices, Factor Score Weight, Test of Normality and outliers 6. Setelah selesai tutuplah menu tersebut, dan jalankan analisis SEM dengan mengklik ikon calculate estimates
52
5.5. Analsisi output AMOS 5.5.1. CFA Secara umum ada dua tahap dalam analisis model persamaan struktural, yaitu analisis model pengukuran (measurement model) dan analisis model struktural (SEM). Measurement model dimaksudkan untuk menguji unidimensionalitas skala alat ukur (indikator). Dari uji model pengukuran ini, akan diketahui apakah skala pengukuran yang digunakan bersifat unidimensional atau tidak. Secara keseluruhan analisis measurement model tersebut dilakukan dengan teknik analisis faktor konfirmatori (confirmatory analysis factor=CFA). Disebut teknik analisis faktor konfirmatori, karena analisis faktor yang dipakai bertujuan mengkonfirmasi apakah variabel indikator benar-benar mencerminkan/mengukur variabel latennya. Terdapat dua uji dalam measurement model, yaitu uji signifikansi bobot factor (factor loading) dan uji goodness of fit. Factor loading adalah korelasi sederhana antara skor item dengan skor factor. Sebuah indicator dinyatakan valid dalam mengukur faktornya jika memiliki factor loading > 0,50. Pada output AMOS tersedia pula nilai Critical Ratio (C.R.) yang analog dengan statistik t hitung. Cut-off value yang digunakan adalah C.R. ≥ 1,96. 1. CFA variabel ability Model pengukuran Standardized estimates
.26
e1
X1
e2
X2
e3
X3
e4
X4
.51
.37 .48 .05
.61 .70 .23
Ability Goodness of Fit Index Chi-Square = 8.142 Probability = .017 CMIN/DF= 4.071 GFI = .973 AGFI = .864 TLI = .707 CFI= .902 RMSEA= .143
Interpretasi: Indikator X4 tidak valid, ditunjukkan oleh factor loading kecil (0,23) < 0,50. Kelayakan model kurang baik, beberapa uji Goodness of fit tidak diterima. Solusi inidator X4 dikeluarkan dari model, hasilnya adalah:
53
Model pengukuran Standardized estimates
.29
e1
X1
.53
.46
e2
X2
e3
X3
.68
.37
Ability
.61
Goodness of Fit Index Chi-Square = .000 Probability = \p CMIN/DF= \cmindf GFI = 1.000 AGFI = \agfi TLI = \tli CFI= \cfi RMSEA= \rmsea
2. CFA variabel benevolence Model Pengukuran Standardized estimates .76
e5
X5
e6
X6
e7
X7
.81 .90
.87 Benevolence
.91 .95
Goodness of Fit Index Chi-Square = .000 Probability = \p CMIN/DF= \cmindf GFI = 1.000 AGFI = \agfi TLI = \tli CFI= \cfi RMSEA= \rmsea
Interpretasi: Semua indicator valid, karena memiliki factor loading > 0,50. Kelayakan model baik, sehingga model dapat diterima 3. CFA variabel integrity Model Pengukuran Standardized estimates
.35
e8
X8
e9
X9
e10
X10
.36
.59 .60
.51.71
Integrity
Goodness of Fit Index Chi-Square = .000 Probability = \p CMIN/DF= \cmindf GFI = 1.000 AGFI = \agfi TLI = \tli CFI= \cfi RMSEA= \rmsea
Interpretasi: Semua indicator valid, karena memiliki factor loading > 0,50. Kelayakan model baik, sehingga model dapat diterima
54
4. CFA variabel trust Model Struktural (Awal) Standardized estimates
Goodness of Fit Index Chi-Square = .000 Probability = \p CMIN/DF= \cmindf GFI = 1.000 AGFI = \agfi TLI = \tli CFI= \cfi RMSEA= \rmsea
e11 e12 e13 .61
Y1
.69
Y2 .78
.27
Y3
.83
.52
T rust
Interpretasi: Semua indicator valid, karena memiliki factor loading > 0,50. Kelayakan model baik, sehingga model dapat diterima 5. CFA variabel partisipasi e-commerce Model Struktural (Awal) Standardized estimates
Participation Goodness of Fit Index Chi-Square = .000 Probability = \p CMIN/DF= \cmindf GFI = 1.000 AGFI = \agfi TLI = \tli CFI= \cfi RMSEA= \rmsea
.71 .50
Y4
.76 .81 .58 .66
Y5
Y6
e14 e15 e16
Interpretasi: Semua indicator valid, karena memiliki factor loading > 0,50. Kelayakan model baik, sehingga model dapat diterima 5.5.2. Analisis Model struktural Setelah model pengukuran dapat diterima, analsisi dapat dilanjutkan dengan analisis model struktural. 1. Evaluasi Asumsi normalitas Evaluasi terhadap normalitas data dalam penelitian ini dilakukan dengan mengamati kriteria critical ratio ±2.58 pada tingkat signifikansi 0.01 (1%). Apabila dalam tabel penilaian normalitas (assessment of normality), nilai C.R. berada di luar kisaran ±2.58, maka normalitas tidak terpenuhi (Ferdinand, 2005, p. 140). Hasil uji normalitas adalah sebagai berikut:
55
Assessment of normality min max Y4 3 Y5 3 Y6 3 Y3 3 Y2 3 Y1 3 X8 3 X9 2 X10 4 X5 2 X6 2 X7 2 X1 2 X2 2 X3 2 Multivariate
5 5 5 5 5 5 5 5 5 5 5 5 4 4 4
skew 0.108 0.081 -0.011 -0.013 -0.51 -0.343 0.011 -0.394 -0.347 0.076 0.007 0.021 0.255 0.279 -0.153
c.r. 0.542 0.41 -0.056 -0.067 -2.565 -1.728 0.057 -1.982 -1.748 0.383 0.033 0.104 1.283 1.404 -0.771
kurtosis -0.458 0.19 0.454 -0.188 -0.638 -0.845 -0.548 0.011 -1.879 -0.881 -1.056 -0.739 -1.19 -0.898 -0.726
c.r. -1.153 0.479 1.143 -0.474 -1.605 -2.126 -1.379 0.029 -4.73 -2.217 -2.659 -1.859 -2.996 -2.259 -1.828
-0.536
-0.146
Interpretasi:
Data indikator berdistribusi normal, ditunjukkan oleh nilai c.r skewness < 2,58 (harga mutlak). hasil ini memenuhi asumsi distribusi nomal secara univariate Nilai c.r kurtosis < 2,58 (harga mutlak), disimpulkan data berdistribusi normal secara multivariate.
Evaluasi outlier 1. Outlier univariate Adanya univariate outliers dapat dideteksi dengan menentukan nilai ambang yang akan dikategorikan sebagai outliers dengan cara melakukan konversi terhadap nilai data penelitian ke dalam standard score, atau yang biasa juga disebut sebagai z-score, yang memiliki nilai rata-rata nol dengan standar deviasi sebesar 1.00. Untuk sampel besar (di atas 80 observasi), pedoman evaluasi adalah bahwa nilai ambang batas dari z-score berada pada rentang 3 sampai 4 (Hair, et. al., 1995 dalam Ferdinand, 2005, p. 143). Nilai z-score masing-masing indicator dapat dicari dengan menu Descriptive di SPSS dengan memasukkan semua indicator dan memilih (centang) kotak Save standardized values as variables.
56
Selanjutnya dilakukan analisis Descriptive dari variable Zscore. Hasilnya adalah : Descriptive Statistics N Zscore(X1) Zscore(X2) Zscore(X3) Zscore(X4) Zscore(X5) Zscore(X6) Zscore(X7) Zscore(X8) Zscore(X9) Zscore(X10) Zscore(Y1) Zscore(Y2) Zscore(Y3) Zscore(Y4) Zscore(Y5) Zscore(Y6) Valid N (listwise)
152 152 152 152 152 152 152 152 152 152 152 152 152 152 152 152 152
Minimum -1.12772 -1.16172 -2.37925 -3.03996 -1.56499 -1.36242 -1.60679 -1.54040 -2.73010 -1.18465 -1.82633 -2.24433 -2.00798 -1.36125 -2.06944 -1.82869
Maximum 1.52985 1.73305 1.14900 1.72369 1.62088 1.80729 1.76969 1.58147 1.39217 .83858 1.11126 .97396 1.46035 1.89717 1.60956 1.87745
Mean .0000000 .0000000 .0000000 .0000000 .0000000 .0000000 .0000000 .0000000 .0000000 .0000000 .0000000 .0000000 .0000000 .0000000 .0000000 .0000000
Std. Deviation 1.00000000 1.00000000 1.00000000 1.00000000 1.00000000 1.00000000 1.00000000 1.00000000 1.00000000 1.00000000 1.00000000 1.00000000 1.00000000 1.00000000 1.00000000 1.00000000
Tampak bahwa nilai Z-score minimun dan maksimun tidak melebihi kisaran 4, sehingga disimpulkan tidak terjadi outlier pada data masing-masing indikator. 2. Outlier multivariate Multivariate outliers merupakan evaluasi yang juga harus dijalankan karena walaupun data yang dianalisis menunjukkan tidak ada outliers pada tingkat univariate, tetapi observasi-observasi ini dapat menjadi outliers apabila sudah saling dikombinasikan. Evalusi multivariate outliers ini dilakukan dengan melakukan uji jarak mahalanobis (the Mahalanobis distance) pada tiap observasi. Uji terhadap multivariate outliers dilakukan dengan cara menggunakan kriteria Jarak Mahalanobis pada tingkat p<0.001, dimana Jarak Mahalanobis ini dievaluasi dengan menggunakan X 2 pada derajat bebas sebesar jumlah variabel observasi (indikator) yang digunakan dalam penelitian, dimana dalam penelitian ini jumlah variabelnya adalah 22. Nilai kritis Chi-Square pada df = 16 dan alpha 0,001, dicari dengan menu CHIINV (0.001 , 16) pada software microsoft excel, yaitu sebesar 39,252. Jadi dalam penelitian ini, apabila Jarak Mahalanobis >39,252, maka data itu merupakan multivariate outliers. Hasil jarak 57
Mahalanobis diketahui 29,554 lebih kecil dari 39,252, sehingga disimpulkan tidak terjadi multivariate outlier.
3. Asumsi singularity dan multicolinearity Dalam program AMOS, akan segera memberikan tanda warning apabila ternyata matriks kovarians menunjukkan adanya singularitas dan analisis lebih lanjut tidak bisa dijalankan. Multikolineritas dalam SEM dideteksi determinan matriks kovarians. Nilai determinan kovarians matrik yang mendekati 0 mengindikasikan adanya multiklinieritas. Output AMOS memberikan informasi determinan kovarians matrik = 7.80E-09. Meskipun nilai tersebut mendekati angka nol, namun masih lebih besar dari nol sehingga data tetap layak untuk digunakan. 4. Evaluasi goodness of fit index Goodness-of-fit index X2-chi-square Significant Probability CMIN/DF GFI AGFI TLI CFI RMSEA
Cut-off Value Kecil ≥ 0,05 ≤ 2,00 ≥ 0,90 ≥ 0,90 ≥ 0,95 ≥ 0,95 ≤ 0,08
Hasil Analisis 85,028 0,329 1,063 0,934 0,902 0,992 0,994 0,020
Evaluasi Model Baik Baik Baik Baik Baik Baik Baik Baik
Berdasarkan uji goodness of fit disimpulkan model dapat diterima, artinya hipotesis nol yang menyatakan tidak terdapat perbedaan matriks kovarians sampel dan matriks kovarians populasi yang diestimasi diterima.
58
5. Pengujian Model Struktural Model Struktural (Modifikasil) Standardized estimates
.28
e1
X1
e2
X2
e3
X3
.53
.47
e11 e12 e13
.69
.37 .61
.59
Ability
Y1
Y2
.03
e5
X5
.81 .90
e6
X6
e7
X7
Benevolence
.03 .02
e9
X9
e10
X10
.28 .55 .67
.46.68
.58 Participation .73 .76 .53
Integrity
Goodness of Fit Index Chi-Square = 85.028 Probability = .329 CMIN/DF= 1.063 GFI = .934 AGFI = .902 TLI = .992 CFI= .994 RMSEA= .020
.56
.52
.45
Z1
.15
.87
.26 .30
X8
Y3
Trust
.05
.91 .95
e8
.32
.77 .82 .56 .34
.00 .77
.67
Y4
.79 .58
Y5
Z2
.63
Y6
e14 e15 e16
Regression Weight Full Structural Model Partisipasi pelanggan menggunakan Ecommerce Jalur Trust Trust Trust Participation Participation Participation Participation X1 X2 X3 X5 X6 X7 X8 X9 X10 Y1 Y2
<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<-<--
Estimate Ability Benevolence Integrity Benevolence Integrity Ability Trust Ability Ability Ability Benevolence Benevolence Benevolence Integrity Integrity Integrity Trust Trust
0.041 0.094 0.807 0.008 0.356 0.059 0.461 1.145 1.376 1 0.973 1.009 1 1.048 1.45 1 1 0.979
Standardized S.E. Estimate 0.027 0.153 0.518 0.017 0.279 0.048 0.562 0.525 0.687 0.609 0.875 0.902 0.953 0.548 0.668 0.678 0.766 0.821
C.R.
P
0.156 0.056 0.199 0.04 0.158 0.111 0.101 0.281 0.356
0.263 1.669 4.05 0.212 2.249 0.536 4.558 4.069 3.866
0.793 0.095 0.000 0.832 0.024 0.592 0.000 0.000 0.000
0.056 0.054
17.383 18.758
0.000 0.000
0.209 0.261
5.014 5.551
0.000 0.000
0.114
8.578
0.000
59
Y3 Y4 Y5 Y6
<-<-<-<--
Trust Participation Participation Participation
0.621 1.045 0.966 1
0.562 0.728 0.76 0.792
0.098 0.124 0.11
6.331 8.451 8.767
0.000 0.000 0.000
Rangkuman Uji Hipotesis Hi
Standardized Estimate
Jalur
H1 Trust H2 Trust H3 Trust H4 Participation H5 Participation H6 Participation H7 Participation
<<<<<<<-
C.R.
P
Kesimpulan Tidak signifikan
Ability
0.027
0.263
0.793
Benevolence
0.153
1.669
0.095
Integrity
0.518
4.05
0.000
Benevolence
0.017
0.212
0.832
Integrity
0.279
2.249
0.024
Ability
0.048
0.536
0.592
Trust
0.562
4.558
0.000
Tidak signifikan Signifikan Tidak signifikan Signifikan Tidak signifikan Signifikan
Berdasarkan nilai C.R masing-masing jalur disimpulkan: H1, H2, H4, dan H6 ditolak H3, H5, dan H7 diterima atau terbukti. Temuan dari studi ini adalah integritas vendor dalam e-commerce menjadi faktor yang menentukan kepercayaan pelanggan dan kesediaan pelanggan berpartisipasi dalam transaksi e-commerce.
60
