PERBANDINGAN UJI KECOCOKAN METODE - digilib.unila.ac.iddigilib.unila.ac.id/54319/20/SKRIPSI TANPA...
Transcript of PERBANDINGAN UJI KECOCOKAN METODE - digilib.unila.ac.iddigilib.unila.ac.id/54319/20/SKRIPSI TANPA...
PERBANDINGAN UJI KECOCOKAN
MODEL PERSAMAAN STRUKTURAL MENGGUNAKAN
METODE MAXIMUM LIKELIHOOD DAN DIAGONALLY WEIGHTED
LEAST SQUARE
(Skripsi)
Oleh
FEBI PRAHESTI FITRIANI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAMUNIVERSITAS LAMPUNG
BANDAR LAMPUNG2018
ABSTRACT
COMPARISON FIT TEST ON STRUCTURAL EQUATION MODELLING
USING MAXIMUM LIKELIHOOD AND DIAGONALLY WEIGHTED
LEAST SQUARE METHOD
By
FEBI PRAHESTI FITRIANI
The purpose of this research is to compare model fit test using MaximumLikelihood (ML) and Diagonally Weighted Least Square (DWLS) method. ML isan unbiased and minimum variance estimation method while DWLS is anunbiased and consistent estimation method and does not depend on datadistribution. Results shows that R2 and Goodness of Fit of ML is lower thanDWLS. It indicates that DWLS is a better method than ML.
Key words: Structural Equation Modelling, Model fit test, Maximum Likelihood,Diagonally Weighted Least Square
ABSTRAK
PERBANDINGAN UJI KECOCOKAN MODEL PERSAMAAN
STRUKTURAL MENGGUNAKAN METODE MAXIMUM LIKELIHOOD
DAN DIAGONALLY WEIGHTED LEAST SQUARE
Oleh
FEBI PRAHESTI FITRIANI
Tujuan dari penelitian ini adalah untuk membandingkan uji kecocokan modelmenggunakan metode Maximum Likelihood (ML) dan Diagonally Weighted LeastSquare (DWLS). ML merupakan metode penduga yang bersifat tak bias danragam minimum sedangakan DWLS bersifat tak bias dan konsisten serta tidakbergantung pada distribusi data. Hasil penelitian menunjukkan bahwa nilai R2 danGoodness of Fit dari metode ML lebih rendah dari DWLS. Ini mengindikasikanbahwa DWLS adalah metode yang lebih baik digunakan dibandingkan ML.
Kata Kunci: Model Persamaan Struktural, Uji kecocokan model, MaximumLikelihood, Diagonally Weighted Least Square.
PERBANDINGAN UJI KECOCOKANMODEL PERSAMAAN STRUKTURAL MENGGUNAKAN
METODE MAXIMUM LIKELIHOOD DAN DIAGONALLY WEIGHTEDLEAST SQUARE
Oleh
FEBI PRAHESTI FITRIANI
Skripsi
Sebagai Salah Satu Syarat untuk Mencapai GelarSARJANA SAINS
pada
Jurusan MatematikaFakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Lampung
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAMUNIVERSITAS LAMPUNG
BANDAR LAMPUNG2018
RIWAYAT HIDUP
Penulis bernama lengkap Febi Prahesti Fitriani, lahir pada 6 Februari 1997 di
Bandar Lampung. Penulis merupakan anak ke tiga dari empat bersaudara dari
pasangan Bapak Muhammad Uzair dan Ibu Yenni. Penulis memiliki kakak
bernama Evan Varian dan Hanna Variana, serta adik bernama Muhammad Zada
Rizki.
Penulis menempuh pendidikan di TK Amalia pada tahun 2000 sampai 2002, SD
Al-Azhar 1 pada tahun 2002 sampai 2008. Kemudian melanjutkan ke sekolah
menengah pertama di SMP Negeri 19 Bandar Lampung pada tahun 2008 sampai
2011. Dan belajar pada jenjang SMA di SMA YP UNILA pada tahun 2011
sampai 2014.
Pada tahun 2014, melalui jalur SNMPTN, penulis diterima dan terdaftar sebagai
mahasiswa S1 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Lampung.
Pada periode tahun 2014/2015 penulis terdaftar sebagai anggota magang Bidang
Dana dan Usaha Himatika Unila. Pada periode tahun 2015/2016 penulis terdaftar
sebagai anggota Departemen Hubungan Luar dan Pengabdian Masyarakat
(HLPM) BEM FMIPA Unila. Pada periode tahun 2016/2017 penulis diterima
menjadi Beswan Karya Salemba Empat (KSE) Universitas Lampung.
Di awal tahun 2017 penulis melaksanakan Kerja Praktik (KP) di Kantor Wilayah
(Kanwil) PT. BRI (Persero) Tbk. Bandar Lampung. Di pertengahan tahun 2017,
penulis melaksanakan Kuliah Kerja Nyata (KKN) selama 39 hari di Desa Tanjung
Baru, Kecamatan Merbau Mataram, Kabupaten Lampung Selatan.
KATA INSPIRASI
“Wahai orang-orang yang beriman! Mohonlah pertolongan (kepada Allah) dengan sabardan shalat. Sungguh, Allah beserta orang-orang yang sabar”
(QS. Al-Baqarah:153)
“Diwajibkan atas kamu berperang, padahal itu tidak menyenangkan bagimu. Tetapi bolehjadi kamu tidak menyenangi sesuatu, padahal itu baik bagimu. Dan boleh jadi kamu
menyukai sesuatu, padahal itu tidak baik bagimu. Allah mengetahui, sedang kamu tidakmengetahui”
(QS. Al-Baqarah: 216)
“Barang siapa bertakwa kepada Allah maka Dia akan menjadikan jalan keluar baginya, danmemberinya rezeki dari jalan yang tidak ia sangka, dan barang siapa yang bertawakal
kepada Allah maka Allah akan mencukupkan (keperluan)nya, Sesungguhnya Allahmelaksanakan kehendak-Nya, Dia telah menjadikan untuk setiap sesuatu kadarnya”
(QS. Ath-Thalaq: 2-3)
“Maka sesungguhnya bersama kesulitan itu ada kemudahan”(QS. Al-Insyirah: 5)
PERSEMBAHAN
Alhamdulillahirobbil’alamin,
Puji dan syukur kita haturkan kepada Allah Subhanahu Wata’ala
karena atas berkah dan nikmat-Nya kepada kita, Shalawat serta
salam selalu tercurah kepada Nabi Muhammad Shallallahu ‘Alaihi
Wasallam yang telah memberikan kabar gembira kepada umat
manusia.
Kupersembahkan karya yang sangat sederhana ini untuk:
Ibu dan BapakTerimakasih atas semua yang telah kalian berikan untukku.
Terimakasih Ibu dan Bapak yang telah memberikan doa,
dukungan, pengorbanan dan waktu. Terimakasih karena selalu
memberi kasih sayang tiada henti. Karena doa kalian aku bisa
menyelesaikan skripsi ini.
Kakak dan AdikkuTerimakasih kepada Mas Evan, Mba Hanna, dan Zada yang telah
memberikan waktu, doa, semangat dan dukungan yang sangat
memotivasi
Serta Sahabat-SahabatkuTerimakasih kepada Ana, Annisa, Citra dan Jelli yang saling
mendoakan, mendukung, memotovasi dan membantu satu sama
lain. Kalian telah memberi kenangan indah masa kuliah.
SANWACANA
Alhamdulillah, puji dan syukur penulis haturkan kepada Allah SWT karena atas
limpahan karunia serta ridho-Nya sehingga skripsi dengan judul “Perbandingan
Uji Kecocokan Model Persamaan Struktural Menggunakan Metode
Maximum Likelihood Dan Diagonally Weighted Least Square” dapat
terselesaikan. Shalawat serta salam selalu tercurahkan kepada suri tauladan kita
Nabi Muhammad SAW. Dalam menyelesaikan skripsi ini, penulis menyadari
banyaknya bimbingan, bantuan, dan dukungan berbagai pihak. Untuk itu penulis
mengucapkan terimakasih kepada :
1. Bapak Drs. Eri Setiawan, M.Si., selaku dosen pembimbing I yang senantiasa
membimbing dan memotivasi penulis dalam menyelesaikan skripsi ini.
2. Ibu Ir. Netti Herawati, M.Sc., Ph.D., selaku dosen pembimbing II yang
banyak memberikan masukan dan arahan kepada penulis.
3. Bapak Drs. Rudi Ruswandi, M.Si., selaku dosen penguji yang telah
memberikan saran dan masukan dalam perbaikan skripsi ini.
4. Bapak Agus Sutrisno, S.Si., M.Si., selaku Pembimbing Akademik yang telah
membimbing masa perkuliahan penulis.
5. Ibu Prof. Dra. Wamiliana, M.A, Ph.D., selaku Ketua Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam.
6. Bapak Prof. Warsito, S.Si., D.E.A., Ph.D., selaku Dekan Fakultas Matematika
dan Ilmu Pengetahuan Alam Universitas Lampung.
7. Seluruh Dosen, staf dan karyawan Jurusan Matematika FMIPA Universitas
Lampung.
8. Kedua orang tua penulis Ibu dan Bapak yang tidak pernah lelah mendo’akan,
mendukung, memberi kasih sayang serta perhatian kepada penulis.
9. Kakak penulis Mas Evan dan Mba Hanna serta adik penulis Zada yang telah
banyak memberi semangat dan motivasi untuk membantu penulis.
10. Sahabat seperjuangan Ana Triana, Annisa Anandiya, Citra Anggraini, Jelli
Kiki, dan Ketut Wariyani yang banyak membantu, mendoakan, dan
memotivasi serta banyak memberikan kenangan di masa perkuliahan penulis.
11. Teman-teman Jurusan Matematika 2014 serta kakak-kakak tingkat Jurusan
Matematika yang telah memberikan informasi, saran, dan dukungan dalam
penyelesaian tugas akhir ini.
Bandar Lampung, 18 Oktober 2018
Penulis
Febi Prahesti Fitriani
DAFTAR ISI
Halaman
DAFTAR TABEL ........................................................................................ xv
DAFTAR GAMBAR ................................................................................... xvi
I. PENDAHULUAN................................................................................. 1
1.1. Latar Belakang dan Masalah......................................................... 11.2. Tujuan Penelitian........................................................................... 21.3. Manfaat Penelitian......................................................................... 3
II. TINJAUAN PUSTAKA....................................................................... 4
2.1. Uji Validitas.................................................................................. 42.2. Uji Reliabilitas.............................................................................. 52.3. Normalitas Multivariat.................................................................. 52.4. Model Persamaan Struktural......................................................... 62.5. Variabel dalam Model Persamaan Struktural................................ 72.6. Jenis Model dalam Model Persamaan Struktural.......................... 92.7. Kesalahan dalam Model Persamaan Struktural............................. 112.8. Asumsi Model Persamaan Struktural............................................ 122.9. Hipotesis Fundamental.................................................................. 122.10. Metode Estimasi Maximum Likelihood (ML)............................... 132.11. Metode Estimasi Diagonally Weighted Least Square (DWLS).... 162.12. Kecocokan Model Pengukuran..................................................... 172.13. Kecocokan Model Struktural......................................................... 182.14. Indeks Kecocokan Keseluruhan Model........................................ 19
III. METODOLOGI PENELITIAN......................................................... 21
3.1. Waktu dan Tempat Penelitian....................................................... 213.2. Data Penelitian...............................................................................213.3. Metode Penelitian......................................................................... 23
IV. HASIL DAN PEMBAHASAN............................................................. 26
4.1. Uji Validitas............................................................................... 264.2. Uji Reliabilitas............................................................................. 274.3. Uji Normalitas Multivariat........................................................... 274.4. Spesifikasi Model Struktural........................................................ 284.5. Spesifikasi Model Pengukuran...................................................... 294.6. Konstruksi Diagram Jalur............................................................. 314.7. Estimasi Parameter........................................................................ 32
4.7.1. Estimasi Parameter Metode Maximum Likelihood............ 324.7.2. Estimasi Parameter Metode Diagonally
Weighted Least Square (DWLS)....................................... 384.8. Uji Kecocokan Model Pengukuran.............................................. 43
4.8.1. Uji Kecocokan Pengukuran MetodeMaximum Likelihood......................................................... 44
4.8.2. Uji Kecocokan Pengukuran Metode DiagonallyWeighted Least Square (DWLS)....................................... 45
4.9. Respesifikasi dan Estimasi Parameter Modifikasi........................ 464.9.1. Estimasi Parameter Metode Maximum
Likelihood Modifikasi....................................................... 464.9.2. Estimasi Parameter Metode DWLS
Modifikasi.......................................................................... 484.10. Uji Kecocokan Model Pengukuran Modifikasi............................ 50
4.10.1. Uji Kecocokan Pengukuran MetodeMaximum Likelihood Modifikasi...................................... 50
4.10.2. Uji Kecocokan Pengukuran Metode DWLSModifikasi.......................................................................... 52
4.11. Uji Kecocokan Model Struktural...................................................534.11.1. Uji Kecocokan Struktural Metode Maximum
Likelihood.......................................................................... 544.11.2. Uji Kecocokan Struktural Metode DWLS ........................ 55
4.12. Uji Kecocokan Keseluruhan Model.............................................. 57
V. KESIMPULAN..................................................................................... 59
DAFTAR PUSTAKA..................................................................................... 61
DAFTAR TABEL
Tabel Halaman
1. Variabel Laten dan Variabel Teramati.................................................... 22
2. Tingkatan Skala Ordinal..........................................................................22
3. Uji Validitas............................................................................................ 26
4. Uji Reliabilitas.........................................................................................27
5. Uji Normalitas Multivariat...................................................................... 28
6. Uji Validitas dan Reliabilitas Model Pengukuran MetodeEstimasi ML............................................................................................ 51
7. Uji Validitas dan Reliabilitas Model Pengukuran Metode EstimasiDWLS......................................................................................................53
8. Uji Signifikan Model Struktural Metode Estimasi ML...........................54
9. Uji Signifikan Model Struktural Metode Estimasi DWLS..................... 55
10. Hasil Uji Kecocokan Keseluruhan Model...............................................57
DAFTAR GAMBAR
Gambar Halaman
1. Variabel Laten Eksogen dan Endogen.................................................... 8
2. Variabel Indikator................................................................................... 8
3. Model Analisis Jalur Kualitas Pelayanan PerpustakaanUNNES 2015...........................................................................................24
4. Diagram Jalur Model Struktural..............................................................29
5. Diagram Jalur Model Pengukuran...........................................................30
6. Diagram Jalur.......................................................................................... 31
7. Diagram Jalur Metode Estimasi ML....................................................... 36
8. Diagram Jalur Metode Estimasi DWLS..................................................41
9. Diagram Jalur Standardized Loading Factor Metode ML......................44
10. Diagram Jalur Standardized Loading Factor Metode DWLS................ 45
11. Diagram Jalur Metode ML Modifikasi................................................... 46
12. Diagram Jalur Metode DWLS Modifikasi.............................................. 48
13. Diagram Jalur Standardized Loading Factor Metode MLModifikasi............................................................................................... 50
14. Diagram Jalur Standardized Loading Factor Metode DWLSModifikasi............................................................................................... 52
1
I. PENDAHULUAN
1.1 Latar Belakang dan Masalah
Perkembangan pengetahuan dan teknologi yang semakin maju menyebabkan
manusia berfikir kritis dalam memecahkan masalah yang kian kompleks. Dalam
sebuah penelitian ilmu sosial sering dijumpai data kualitatif. Data kualitatif yang
berupa kategori berdasarkan suatu hubungan penataaan disebut data ordinal.
Dalam statistika untuk menganalisis data ordinal umumnya data diubah dulu ke
bentuk interval. Teknik untuk mengubah data ordinal ke interval disebut Metode
Sukses Interval (MSI).
Model Persamaan Struktural (MPS) merupakan generasi kedua dari MSI yang
juga dapat mengolah data ordinal. Bedanya MPS memungkinkan dilakukannya
pengujian terhadap regresi, hubungan variabel lain, serta kombinasi antara
beberapa variabel melalui analisis multivariat. Bagi para peneliti MPS
memberikan kemampuan untuk melakukan analisis jalur dengan variabel laten
pada data berskala ordinal.
MPS memiliki 2 jenis variabel yaitu variabel laten (variabel tidak terukur) dan
variabel teramati (variabel terukur) dimana setiap variabel laten mempunyai dua
2
atau lebih variabel teramati untuk mengukur variabel laten tersebut. MPS juga
memiliki 2 jenis model yaitu model struktural dan model pengukuran. Model
struktural mengadaptasi model persamaan simultan pada ekonometri sedangkan
model pengukuran menggambarkan indikator atau variabel terukur sebagai efek
atau refleksi dari variabel latennya.
Dalam MPS, metode pendugaan parameter yang biasa digunakan adalah
Maximum Likelihood (ML) dan bersifat tak bias dan ragam minimum. Metode
Diagonally Weighted Least Square (DWLS) merupakan metode estimasi yang
tidak bergantung pada distribusi data dan mempunyai sifat penduga yang tak bias
dan konsisten. Dalam penelitian ini peneliti membandingkan hasil analisis Model
Persamaan Struktural dari Metode ML dan DWLS pada data kualitas pelayanan
perpustakaan UNNES 2015.
1.2 Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk membandingkan hasil uji kecocokan
model pengukuran, kecocokan model struktural, dan kecocokan keseluruhan
model (Goodness of Fit) dari metode estimasi Maximum Likelihood (ML) dan
Diagonally Weighted Least Square (DWLS) pada data kualitas pelayanan
perpustakaan UNNES 2015.
3
1.3 Manfaat Penelitian
Manfaat dari penelitian ini adalah sebagai berikut :
1. Menambah wawasan mengenai Model Persamaan Struktural.
2. Mengetahui tentang metode estimasi Maximum Likelihood (ML) dan
Diagonally Weighted Least Square (DWLS) dalam analisis Model Persamaan
Struktural.
4
II. TINJAUAN PUSTAKA
2.1. Uji Validitas
Validitas adalah suatu ukuran yang menunjukan tingkat-tingkat kevalidan
suatu kuisioner. Suatu kuisioner yang kurang valid berarti validitasnya
rendah (Arikunto, 2006). Rumus yang digunakan adalah yang dikemukan
oleh Pearson yang dikenal rumus Korelasi Pearson sebagai berikut :
= ∑ (∑ )(∑ )( ∑ (∑ ) )( ∑ (∑ ) ) (2.1)
dengan :
: Koefisien korelasi Pearson
: Skor item
: Skor total
: Jumlah subjek
Selanjutnya angka korelasi yang diperoleh dibandingkan dengan angka kritik
tabel korelasi nilai r-tabel. Jika r-hitung > r-tabel, maka instrumen atau item
pertanyaan berkorelasi signifikan terhadap skor total yang berarti item
pertanyaan tersebut valid.
5
2.2. Uji Reliabilitas
Reliabilitas menunjuk pada suatu pengertian bahwa sesuatu instrumen cukup
dapat dipercaya untuk digunakan sebagai alat pengumpul data karena instrumen
tersebut sudah baik (Arikunto, 2006). Tinggi rendahnya reliabilitas ditunjukan
oleh suatu angka yang disebut nilai koefisien reliabilitas. Reliabilitas yang tinggi
ditunjukan dengan nilai mendekati angka 1. Kesepakatan secara umum
reliabilitas yang dianggap sudah cukup memuaskan jika ≥ 0.60. Pengujian
reliabilitas instrumen dengan menggunakan rumus Alpha Cronbach yang
dirumuskan sebagai berikut :
= 1 − ∑ (2.2)
dengan :
: Koefisien reliabilitas instrumen (Alpha Cronbach)
: Jumlah butir pertanyaan∑ : Jumlah ragam butir
: Ragam total
2.3. Normalitas Multivariat
Menurut Schumacker (2004), seperti halnya statistika parametrik lainnya, MPS
juga mensyaratkan asumsi normalitas.H : Data berdistribusi normal multivariatH : Data tidak berdistribusi normal multivariat
6
Untuk melihat apakah data berdistribusi normal multivariat atau tidak dengan
menggunakan skewness dan kurtosis, dengan rumus sebagai berikut := (2.3)
= (2.4)
Apabila hasil yang diperoleh (-1,96) < Nilai-Z Skewness & Kurtosis < (1,96)
dengan = 0.05 maka tidak ada alasan untuk menolak H yang artinya data
berdistribusi normal multivariat dan sebaliknya.
2.4. Model Persamaan Struktural
Model Persamaan Struktural pertama ditemukan oleh seorang ilmuwan bernama
Joreskog pada tahun 1970. Model Persamaan Struktural merupakan teknik
statistika yang digunakan untuk membangun dan menguji model statistik yang
biasanya berbentuk model-model sebab-akibat yaitu perubahan pada satu variabel
berdampak pada variabel lainnya. Sebagai contoh yaitu pada bidang pemasaran,
kualitas barang akan mempengaruhi harga barang, kepuasan konsumen dan lain
sebagainya (Widagdo, 2011).
Model Persamaan Struktural merupakan gabungan dari dua metode statistik yang
terpisah yaitu analisis faktor yang dikembangkan di ilmu psikologi dan psikometri
dan model persamaan simultan yang dikembangkan di ekonometrika (Ghozali,
2005). MPS atau Model Persamaan Struktural memudahkan peneliti untuk
7
menguji secara simultan rangkaian hubungan dependen yang saling terkait antara
variabel terukur (variabel indikator) dan variabel yang tidak dapat diukur secara
langsung (variabel laten) serta hubungan antar variabel laten (Hair, et.al., 1998).
Agar komunikasi dalam penyapaian tentang ide konsep dasar MPS dapat berjalan
secara efektif, maka kita akan menggunakan diagram lintasan sebagai sarana
komunikasi. Diagram lintasan dapat menggambarkan atau menspesifikasi model
MPS dengan lebih jelas dan lebih mudah, terutama jika dibandingkan dengan
menggunakan model matematik MPS. Selain itu, diagram lintasan sebuah model
dapat membantu mempermudah konversi model tersebut ke dalam perintah atau
sintak dari software MPS. Demikian juga, jika diagram lintasan sebuah model
digambar secara benar dan mengikuti aturan telah ditetapkan, maka akan dapat
diturunkan model matematik dari model tersebut (Hoyle, 1995).
2.5. Variabel dalam Model Persamaan Struktural
Variabel yang terdapat dalam model persamaan struktural dibagi dua yaitu:
1. Variabel Laten
Variabel laten merupakan konsep abstrak dan hanya dapat diamati secara tidak
sempurna melalui efeknya terhadap variabel teramati. MPS memiliki dua jenis
variabel laten, yaitu variabel laten endogen dan variabel laten eksogen.
Variabel laten eksogen muncul sebagai variabel bebas pada semua persamaan
yang ada dalam model, dengan notasi matematik huruf Yunani ξ (“ksi”).
Variabel laten endogen merupakan variabel terikat pada paling sedikit satu
8
persamaan dalam model, dengan notasi matematik huruf Yunani η (“eta”)
(Wijanto, 2008).
Gambar 1.Variabel Laten Eksogen dan Endogen
2. Variabel Teramati
Variabel teramati adalah variabel yang dapat diamati atau dapat diukur secara
empiris dan sering disebut indikator. Variabel teramati merupakan efek atau
ukuran dari variabel laten. Variabel teramati yang berkaitan atau merupakan
efek dari variabel laten eksogen (ξ) diberi notasi matematik dengan label X,
sedangkan yang berkaitan dengan variabel laten endogen (η) diberi label Y
(Wijanto, 2008).
Gambar 2. Variabel Indikator
X Y
9
2.6. Jenis Model dalam Model Persamaan Struktural
Model yang terdapat dalam model persamaan struktural dibagi dua yaitu:
1. Model Struktural
Model struktural adalah hubungan yang ada antara variabel laten. Parameter
yang menunjukan regresi variabel laten eksogen (ξ) ke variabel laten endogen
(η) diberi label dengan huruf Yunani γ (“gamma”), sedangkan untuk regresi
antara variabel laten endogen (η) diberi label dengan huruf Yunani β (“beta”),
dan matriks kovarians variabel-variabel laten eksogen diberi label dengan
huruf Yunani Ф (“phi”) (Wijanto, 2008).
Misalkan vektor acak = ( , , …… , ) dan = ( , , …… , )berturut turut adalah variabel laten endogen dan variabel laten eksogen
membentuk persamaan simultan dengan sistem hubungan persamaan linear
maka : = + + (2.5)
dimana dan Γ adalah matrik koefisien dan = ( , , … … , ) adalah
vektor galat dalam persamaan struktural. Elemen menghadirkan pengaruh
variabel η dalam variabel η lainnya, dan elemen Γ menghadirkan pengaruh
langsung variabel ξ dalam variabel η. Dasumsikan bahwa ξ tidak berkorelasi
dengan dan I-B adalah nonsingular (Joreskog, 1996). Menurut Bollen
(1989), bentuk persamaan (2.5) dapat diuraikan sebagai berikut := + +− = +
10
( − ) = += ( − ) ( + ) (2.6)dengan :η : Vektor variabel laten endogenm x 1B : Matriks koefisien variabel laten endogenm xmΓ : Matriks koefisien variabel laten eksogen m x n
ξ : Vektor variabel laten eksogen n x 1
: Vektor galat model struktural hubungan antara η dan ξ ukuran m x 1
2. Model Pengukuran
Model pengukuran adalah hubungan yang ada antara variabel laten dengan
variabel teramati. Dalam model ini, variabel laten dimodelkan sebagai sebuah
faktor yang mendasari variabel-variabel teramati yang terkait. Muatan-muatan
faktor atau factor loadings yang menghubungkan variabel laten dengan
variabel-variabel teramati disimbolkan dengan huruf Yunani λ (“lambda”).
Model Persamaan Struktural mempunyai dua matrik lainnya pada sisi Y.
Notasi pada sisi X adalah x (lambda X) sedangkan pada sisi Y adalah y
(lambda Y) (Wijanto, 2008).
Menurut Bollen (1989), vektor acak η dan ξ tidak diukur secara langsung tetapi
melalui indikatornya yaitu variabel = ( , , … … , ) dan =( , , … … , ) yang diukur, bentuk persamaan pengukuran adalah sebagai
berikut : = + (2.7)
11
= + (2.8)
dengan :
Y : Vektor variabel teramati dari variabel laten endogen p x 1
X : Vektor variabel teramati dari variabel laten eksogen q x 1
: Matriks koefisien regresi antara Y dan η ukuran p x m
: Matriks koefisien regresi antara X dan ξ ukuran q x n
: Vektor galat model pengukuran terhadap y ukuran p x 1
: Vektor galat model pengukuran terhadap x ukuran q x 1
2.7. Kesalahan dalam Model Persamaan Struktural
Menurut Wijanto (2008), kesalahan yang terdapat dalam model persamaan
struktural dibagi dua yaitu kesalahan struktural dan kesalahan pengukuran.
1. Kesalahan Struktural
Kesalahan Struktural merupakan kesalahan variabel bebas dalam memprediksi
variabel terikat. Diberi label dengan huruf Yunani ζ ( “zeta”). Untuk
memperoleh estimasi parameter yang konsisten, galat struktural diasumsikan
tidak berkorelasi dengan variabel-variabel eksogen dari model.
2. Kesalahan Pengukuran
Kesalahan Pengukuran merupakan kesalahan variabel teramati dalam
mengukur variabel laten. Diberi label dengan huruf Yunani δ (“delta”) untuk
kesalahan variabel teramati X dan ε (“epsilon”) untuk kesalahan variabel
teramati Y.
12
2.8. Asumsi Model Persamaan Struktural
Menurut Joreskog (1996), berdasarkan persamaan (2.5), (2.7), dan (2.8) asumsi
dalam MPS adalah sebagai berikut:
1. tidak berkorelasi dengan ξ
2. ε tidak berkorelasi dengan η
3. δ tidak berkorelasi dengan ξ
4. , ε, dan δ tidak saling berkorelasi (mutually uncorrelated), dan
5. I - B adalah non singular.
2.9. Hipotesis Fundamental
Hipotesis fundamental dalam prosedur MPS adalah bahwa matriks kovarians data
dari populasi Σ (matriks kovarians variabel teramati) adalah sama dengan matriks
kovarians yang diturunkan dari model Σ(θ). Jika model yang dispesifikasikan
benar dan jika parameter-parameter (θ) dapat diestimasi nilainya, maka matriks
kovarians populasi Σ dapat dihasilkan kembali dengan tepat. Formulasi dari
hipotesis fundamental yaitu:
H0 : Σ = Σ (θ). (2.9)
dimana :
Σ : matriks kovarians populasi dari variabel-variabel teramati
Σ(θ) : matriks kovarian dari model dispesifikasikan
θ : vektor yang berisi parameter-parameter tersebut
13
Pada uji hipotesis terhadap hipotesis fundamental, hipotesis harus menghasilkan
tidak tolak H0. Hal ini dilakukan agar didapatkan nilai residual sama dengan nol
atau Σ = Σ (θ). Berbeda dengan pada uji hipotesis statistik pada umumnya yang
menginginkan H0 ditolak. Dengan tidak ditolaknya H0, itu berarti Σ = Σ (θ) maka
dapat dikatakan data mendukung model yang kita spesifikasikan (Bollen, 1989).
Menurut Bollen (1989), matriks kovarian model ( ) dapat dinyatakan sebagai
berikut :
( ) = ( , ) ( , )( , ) ( , ) (2.10)
( ) dapat diturunkan dari persamaan umum MPS pada persamaan (2.5), (2.7),
dan (2.8) sehingga menjadi :
( ) = {( − ) ( + )[( − ) ] } + ( − )( − ) + (2.11)
dengan ϕ (phi) adalah matriks kovarian ξ, ψ (psi) adalah matriks kovarian , Θε
(theta epsilon) adalah matriks kovarian ε, dan Θδ (theta delta) adalah matriks
kovarian δ.
2.10. Metode Estimasi Maximum Likelihood (ML)
Maximum Likelihood (ML) merupakan penduga terbaik yang memiliki sifat tak
bias dan ragam minimum. Ukuran sampel yang disarankan untuk penggunaan
estimasi Maximum Likelihood (ML) adalah sebesar 100-200 (Byrne, 1989).
Meskipun ML populer penggunaannya dalam MPS, tetapi ada kekurangannya
yaitu ketika ketidaknormalan mengancam validitas dari uji signifikansi ML.
14
Menurut Ghozali dan Fuad (2008) mengenai ketidaknormalan data dalam MPS
adalah mengestimasi model dengan menggunakan metode ML tetapi mengoreksi
standard error akibat ketidaknormalan distribusi data.
Metode ini dapat dirumuskan dengan meminimumkan fungsi ( ; ( )) sebagai
berikut:F = | ( )| + ( ) − | | − ( + ) (2.12)
Dimana S adalah matriks kovarian sampel yang diobservasi, Σ( ) adalah matriks
kovarian pada model, dan dan adalah banyaknya variabel teramati (X dan Y)
dalam model (Wijanto, 2008).
Fungsi F diperoleh sebagai berikut :
Misalkan Y dan X variabel acak multinormal iid (independently and identically
distributed) berukuran , dikombinasikan kedalam persamaan tunggal
(p+q)×1vektor z, dimana = ( , )sehingga fungsi kepekatan peluangnya
adalah :
( ; ) = (2 ) ( ) | | exp − (2.13)
Fungsi kepekatan bersama untuk sampel acak bebas stokastik dan identik pada z,
sebagai berikut :( , , … , ; ) = ( ; ), ( ; ), … , ( ; )= ∏ ( ; )
15
dengan fungsi likelihood
( ) = (2 ) ( ) | | exp − ∑ (2.14)
Subtitusikan Σ(θ) untuk Σ berdasarkan hipotesis struktur kovarian Σ = Σ(θ), log
pada fungsi likelihood adalah :( ) = ( ) log(2 ) − | ( )| − ∑ ( ) (2.15)
Persamaan − ∑ ( ) diuraikan sebagai berikut:
− ∑ ( ) = − ∑ ( ( ) ) ; tr(c) = c, dengan c skalar
= − 2 1 ( )= − ∑ ( ) ; tr(ABC) = tr(CAB)
= − ( ( )) (2.16)
dimana = ′ menyatakan matriks kovarian sampel berdasarkan MLE.
Nilai( )
adalah konstanta (k) karena tidak berpengaruh terhadap penurunan
θ, sehingga persamaan (2.16) disubstitusikan ke (2.15) dapat ditulis sebagai
berikut : Log ( ) = − | ( )| − ( ( )) (2.17)
Log L(θ) = 0 pada saat S = Σ = 0= 2 | ( )| + 2 ( ( ))= 2 | | + 2 ( )= ( | | + ( + )) (2.18)
16
Nilai log L(θ) maksimum pada saat S = Σ = 0, sehingga dengan mensubstitusikan
persamaan (2.18) ke (2.17) fungsinya dapat ditulis:( ) = ( | | + ( + )) − [ | ( )| + ( ( ))] (2.19)
dengan mengalikan − pada kedua ruas, sehingga fungsinya akan minimum
− ( ) = | ( )| + ( ) − | | − ( + )Sehingga fungsi Maximum Likelihood dalam MPS adalah := | ( )| + ( ) − | | − ( + ) (2.12)
2.11. Metode Estimasi Diagonally Weighted Least Square (DWLS)
Metode DWLS adalah penduga yang konsisten. Menurut Joreskog dan Sorbom
(1998) dalam Gallert (1996) DWLS dapat menjadi kurang stabil apabila dipakai
untuk model besar dan sampel yang kecil. Kelemahan metode ini adalah jumlah
variabel dalam model harus sedikit (kurang dari 20 variabel). DWLS merupakan
suatu metode yang tidak terpengaruh oleh dilanggarnya normalitas multivariat.
DWLS diperoleh dengan mengimplementasikan atau menggunakan diagonal
bobot matrik inversi W, dirumuskan sebagai berikut := ( − ) ( ) ( − ) (2.20)
Dimana adalah vektor yang memuat unsur-unsur segitiga bawah serta diagonal
matriks kovarian sampel S yang diobservasi sebagai penduga parameter.
Sedangkan adalah vektor yang memuat unsur-unsur segitiga bawah serta
17
diagonal matriks kovarian ∑( ) pada model. Matriks S dan ∑( ) merupakan
matriks simetris dan definit positif. adalah invers dari matriks pembobot W
bagi matriks galat yang merupakan matriks varian asimtotik yang emplemenya
dituliskan , (Joreskog, 1996).
2.12. Kecocokan Model Pengukuran
Menurut Wijanto (2008), setelah kecocokan model dan data secara
keseluruhan baik, selanjutnya adalah evaluasi atau uji kecocokan model
pengukuran. Evaluasi ini akan dilakukan setiap konstruk atau model
pengukuran (hubungan antara sebuah variabel laten dengan variabel indikator)
secara terpisah melalui evaluasi validitas dan reliabilitas.
1. Evaluasi terhadap validitas dari model pengukuran
Validitas adalah ukuran sampai sejauh mana suatu indikator secara akurat
mengukur apa yang seharusnya diukur. Menurut Igbaria et.al. (1997)
sebagaimana dikutip oleh Wijanto (2008), suatu model konfirmatori yang
dapat diterima adalah yang mempunyai kecocokan data model validitas dan
reliabilitas yang baik. Salah satu cara untuk memperoleh validitas dengan
model trimming, dimana variabel teramati atau indikator yang mempunyai
nilai koefisien jalur atau Standardized Loading Factor (SLF) tidak
signifikan atau SLF < 0.50 dihilangkan dari model.
18
2. Evaluasi terhadap reliabilitas dari model pengukuran
Reliabilitas adalah ukuran konsistensi internal dari indikator-indikator sebuah
variabel. Sebuah konstruk mempunyai reliabilitas yang baik jika :
Nilai Construct Reliability (CR) ≥ 0.70 dan
Nilai Variance Extracted (VE) ≥ 0.50
dengan rumus CR dan VE= (Σ )(Σ ) Σ(2.21)
= ΣΣ ( ) Σ
(2.22)
dimana dapat diperoleh langsung melalui
keluaran program LISREL dan adalah nilai error untuk setiap variabel
teramati j.
2.13. Kecocokan Model Struktural
Menurut Wijanto (2008), evaluasi atau analisis terhadap model struktural
mencakup pemeriksaan koefisien-koefisien yang diestimasi.
1. Signifikan parameter yang diestimasi memberikan informasi sangat
berguna mengenai hubungan antara variabel-variabel laten. Batas untuk
menerima atau menolak suatu hubungan dengan tingkat signifikan 5% adalah
1,96 (mutlak), dimana apabila nilai t terletak antara -1,96 dan 1,96 maka
hipotesis harus ditolak sedangkan apabila nilai t lebih besar dari 1,96 dan lebih
kecil dari -1,96 harus diterima dengan taraf signifikan 5% yaitu t>|−1,96|.
19
2. Koefisien determinasi (R2) pada persamaan struktural mengindikasikan
jumlah varian pada variabel laten endogen yang dapat dijelaskan secara
simultan oleh variabel-variabel eksogen. Semakin tinggi nilai R2, maka
semakin besar variabel-variabel eksogen menjelaskan variabel endogen
sehingga semakin baik persamaan struktural.
2.14. Indeks Kecocokan Keseluruhan Model
Indeks kecocokan model merupakan tahap dalam menentukan derajat kecocookan
diterima atau ditolaknya model (Wijanto, 2008). Untuk menguji keseluruhan
model dapat dilihat melalui nilai Goodness Of Fit. Berikut ini beberapa indeks
kecocokan yang digunakan :
1. Root Mean Square Error of Approximation (RMSEA)
RMSEA adalah derajat kecocokan model keseluruhan yang digunakan
terhadap data dengan pertimbangan kesalahan yang mendekati populasi,
dirumuskan sebagai berikut:
= 0 (2.23)
Dengan merupakan nilai minimum dari F untuk model yang digunakan dan
adalah derajat bebas. Nilai RMSEA ≤ 0.05 menandakan close fit, nilai 0.05
< RMSEA ≤ 0.08 menandakan model sesuai (good fit), nilai 0.08 < RMSEA ≤
0.10 menandakan marginal fit, sedangkan nilai RMSEA > 0.10 menunjukkan
poor fit.
20
2. Adjusted Goodness Of Fit Index (AGFI)
AGFI adalah perluasan dari GFI yang digunakan untuk membandingkan model
yang diusulkan dengan model dasar. AGFI dapat dirumuskan sebagai berikut := 1 − (1 − )= 1 − (1 − ) (2.24)
dimana :
: derajat bebas dari tidak ada model = p
: derajat bebas dari model yang dihipotesiskan
p : jumlah varian dan kovarian dari model yang teramati
Nilai AGFI berkisar antara 0 (poor fit) sampai 1 (perfect fit), nilai 0.90 ≤ AGFI
< 1 disebut good fit (kecocokan yang baik), sedangkan 0.80 ≤ AGFI < 0.90
disebut sebagai marginal fit.
3. Parsimonious Normed Fit Index (PNFI)
PNFI merupakan modifikasi dari NFI. PNFI memperhitungkan banyaknya
derajat bebas untuk mencapai tingkat kecocokan, dapat dirumuskan sebagai
berikut : = х (2.25)
Nilai PNFI yang lebih tinggi yang lebih baik. Penggunaan PNFI terutama
untuk perbandingan dua atau lebih model yang mempunyai derajat bebas yang
berbeda. PNFI digunakan untuk membandingkan model-model alternatif, dan
tidak ada rekomendasi tingkat kecocokan yang dapat diterima (Hair, et al.,
1998).
21
III. METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian
Penelitian ini dilaksanakan pada semester genap tahun ajaran 2017/2018
bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Lampung.
3.2 Data Penelitian
Penelitian ini menggunakan data sekunder dari data hasil penelitian yang
dilakukan oleh Aprilia Kasanah (2015) mengenai kualitas pelayanan perpustakaan
UNNES 2015. Jumlah sampel yang digunakan berjumlah 163 responden dengan 3
variabel laten dan 12 variabel indikator seperti pada tabel 1.
22
Tabel 1. Variabel Laten dan Lariabel Teramati
Variabel
Laten Variabel Teramati
Fasilitas
Perpustakaan
( )
Ruangan perpustakaan yang memadai X1
Peralatan perpustakaan yang lengkap X2
Koleksi buku bacaan perpustakaan yang lengkap X3
Kompetensi
Pegawai ( )
Kompetensi pegawai dalam mengidentifikasi koleksi buku
(Pengetahuan) Y1
Kompetensi pegawai dalam menunjukkan letak koleksi buku
dan kecepatan dalam menjawab pertanyaan (Pemahaman) Y2
Pegawai perpustakaan terampil dalam melaksanakan tugasnya
masing-masing (Kemampuan) Y3
Sikap pegawai dalam memberikan pelayanan kepada
pengunjung (Sikap) Y4
Kualitas
Pelayanan
( )
Ketepatan waktu dan kepercayaan pengunjung kepada pegawai
dalam memberikan pelayanan (Keandalan) Y5
Kecepatan dan ketepatan pegawai perpustakaan dalam
membantu pengunjung (Ketanggapan) Y6
Keamanan pengunjung dalam mendapatkan pelayanan dari
pegawai perpustakaan (Jaminan) Y7
Kesediaan pegawai perpustakaan dalam menerima keluhan,
memahami kebutuhan dan berkomunikasi dengan pengunjung
(Empati)
Y8
Penampilan pegawai perpustakaan (Tampilan) Y9
Nilai pengukuran dalam penelitian ini menggunakan skala ordinal 1-5 dengan
penjelasan sebagai berikut :
Tabel 2. Tingkatan Skala Ordinal
Nilai Keterangan
1 Sangat Setuju
2 Setuju
3 Cukup Setuju
4 Tidak Setuju
5 Sangat Tidak Setuju
23
3.3 Metode Penelitian
Langkah-langkah dalam penelitian ini adalah sebagai berikut :
1. Uji Validitas Kuisioner
Suatu indikator atau item pertanyaan dinyatakan valid apabila memiliki nilai
r-hitung (koefisien korelasi Pearson) > r-tabel.
2. Uji Reliabilitas Kuisioner
Sebuah instrumen mempunyai reliabilitas yang baik jika nilai (Alpha
Cronbach) ≥ 0.60.
3. Uji Normalitas Multivariat
Data berdistribusi normal multivariat apabila nilai-Z Skewness & Kurtosis
berada diantara -1.96 dan 1.96 dengan .
4. Spesifikasi Model
Menetukan model struktural dan pengukuran yang digunakan untuk
melakukan pengujian. Dalam penelitian ini terdiri dari 3 variabel laten yaitu
Fasilitas Perpustakaan (ξ1), Kompetensi Pegawai (η1), dan Kualitas Pelayanan
(η2) dan 12 variabel teramati yaitu X1, X2, X3, Y1, Y2, Y3, Y4, Y5, Y6, Y7,
Y8 dan Y9 seperti yang disajikan pada tabel 1.
24
Berikut adalah model analisis jalur yang digunakan :
Gambar 3.Model Analisis Jalur Kualitas Pelayanan Perpustakaan UNNES
2015
5. Estimasi Parameter
Penelitian ini menggunakan metode estimasi Maximum Likelihood (ML) dan
Diagonally Weighted Least Square (DWLS).
6. Uji Kecocokan Model Pengukuran
Pengujian model pengukuran adalah dengan evaluasi validitas dan reliabilitas
dari persamaan pengukuran.
7. Uji Kecocokan Model Struktural
Pengujian model struktural adalah dengan melihat nilai-t dan koefisien
determinasi ( ) dari persamaan struktural. Jika nilai-t > 1.96 atau < (-1.96)
maka koefisien estimasi adalah signifikan.
25
8. Uji Kecocokan Keseluruhan Model
Mengevaluasi hasil uji kecocokan untuk melihat kelayakan model pada
setiap metode estimasi yang digunakan. Perbandingan ini dilakukan
berdasarkan indeks kecocokan model. Indeks kecocokan yang digunakan
adalah RMSEA, AGFI, dan PNFI.
59
V. KESIMPULAN
Kesimpulan yang dapat diambil dari penelitian ini adalah :
1. Berdasarkan uji kecocokan model pengukuran, model yang terbentuk
dikatakan baik pada metode ML dan DWLS apabila variabel teramati Y2
(Pemahaman) dan Y7 (Jaminan) dihilangkan dari model karena variabel
tersebut dinyatakan tidak berpengaruh signifikan.
2. Berdasarkan hasil uji kecocokan model struktural dapat dinyatakan bahwa:
Pada uji signifikansi, metode ML dan DWLS diketahui memiliki variabel
laten yang berpengaruh signifikan terhadap model yang telah dispesifikasi.
Dari nilai koefisien determinasi (R2) yang didapatkan, metode estimasi
DWLS memiliki nilai R2 lebih tinggi yaitu 0.845 yang artinya Fasilitas
Perpustakaan dan Kompetensi Pegawai dapat menjelaskan Kualitas
Pelayanan sebesar 85%. Sedangkan dengan metode estimasi ML
didapatkan nilai R2 yaitu 0.783 yang artinya Fasilitas Perpustakaan dan
Kompetensi Pegawai dapat menjelaskan Kualitas Pelayanan sebesar 78%.
3. Pada uji kecocokan keseluruhan model, indeks kecocokan yang digunakan
adalah RMSEA, AGFI dan PNFI. Dari ketiga indeks kecocokan yang
60
digunakan, nilai AGFI dan PNFI metode DWLS memiliki kecocokan model
yang lebih baik sedangkan metode ML menghasilkan model yang kurang
baik pada nilai uji RMSEA.
DAFTAR PUSTAKA
Arikunto, S. 2006. Prosedur Penelitian Suatu Pendekatan Praktik. Rineka Citra,
Jakarta.
Bollen, K.A. 1989. Structural Equation With Laten Variable. John Wiley and
Sons, New York.
Byrne, K.A. 1989. Structural Equations Model With Lisrel, Prelis, Simplis: Basic
Concepts, Aplications and Programming. Lawrence Erlbaum Associates
Publishers, London.
Ghozali, I. dan Fuad. 2008. Structural Equation Modelling: Teori, Konsep, dan
Aplikasi Dengan Program Lisrel 8.80. Badan Penerbit Universitas
Diponegoro, Semarang.
Ghozali, I. 2005. Model Persamaan Struktural. Badan Penerbit Universitas
Diponegoro, Semarang.
Hair, J.F., et al. 1998. Multivariate Data Analysis : With Reading. Fourth Edition.
Prentice Hall, New Jersey.
Hoyle, R.H. 1995. The Structural Equation Modelling Approach: Basic Concept
and Fundamental Issues. Sage Publication, London.
Joreskog, K.G. 1996. Structural Equation Modelling With Ordinal Variables
Using LISREL. Scientifict Software International, Chicago.
Kasanah, A. 2015. Penggunaan Metode Structural Equation Modeling Untuk
Analisis Faktor Yang Mempengaruhi Kualitas Pelayanan Perpustakaan
Dengan Program Lisrel 8.80. Skripsi. Jurusan Matematika, Fakultas
Matematika dan Ilmu Pengetahuan Alam, Universitas Negeri Semarang,
Semarang.
Myers, R.H. 1989. Classical and Modern Regression with Applications. PWS-
KENT, USA.
Schumacker, R.E. and Bayerlein, S.T. 2000. Confirmatory Factor Analysis With
Different Correlation Types and Estimation Methods. Structural Equation
Modeling: A Multidisciplinary Journal. 7(4): 629 – 636.
Schumacker, R.E. and Lomax, R.G. 2004. A Beginner’s Guide To Structural
Equation Modeling. Lawrence Erlbaum Associates Publishers, London.
Widagdo, B. dan Widayat. 2011. Pemodelan Persamaan Struktural. UMM Press,
Malang.
Wijanto, S.H. 2008. Structural Equation Modelling dengan Lisrel 8.8. Graha
Ilmu, Yogyakarta.