SEM Dengan Multi Sample

SEM Dengan Multi Sample

Pada kesempatan yang lalu, pada beberapa artikel yang sudah kita share sedikit banyak telah dikemukakan konsepsi analisis data dalam konteks data tidak dapat diamati secara langsung melainkan melalui indikator-indikator yang menyusunnya sehingga dikenal istilah variabel manifest dan variabel laten pada rumpun analisis model struktural (SEM). Dalam proses pengolahannya pun kita kenal dengan istilah SEM dalam konteks “parametrik” dan SEM dalam konteks “non-parametrik” sehingga memunculkan teknik penggunaannya dengan alat bantu sofware semisal Lisrel atau Amos untuk SEM “parametrik” dan SmartPLS untuk SEM “non-parametrik”. Sekilas kita kemukakan bagi para pembaca yang baru menemukan artikel ini untuk lebih lengkap mempelajari dan memahai kedua kosep tersebut pada artikel-artikel kita sebelumnya yaitu tentang analisis Structural Equation Modeling atau lebih familiar dengan sebutan SEM, baik itu secara teori maupun penggunaan softwarenya. Selain itu, kita juga sudah share juga perbandingan dari SEM “parametrik” dan SEM “non-parametrik” untuk memudahkan para peneliti (pemula terutama) untuk menentukan secara tepat tools yang digunakan pada data dan konsep penelitian yang dimilikinya.

Pada kesempatan kali ini kita akan coba ulas konsep lain dari SEM yang mana melibatkan lebih dari satu kelompok sampel. Pada pembahasan-pembahasan sebelumnya kita memframekan bahwa sampel atau data yang digunakan pada analisis SEM hanya terdiri dari satu kelompok data atau satu sampel. Ternyata dalam konteks penggunaan SEM pun dapat difasilitasi jumlah sampel lebih dari satu kelompok sampel. Sebagai awalan mari kita banyangkan penggunaan analisis pada rumpun uji beda (misal : uji beda t) pada klasifikasi uji beda dengan sampel independen satu sama lain, sehingga kita dapatkan pengujian apakah dari variabel yang dijadikan rujukan pengujian pada uji beda tersebut sama atau kah berbeda secara rata-rata antar kedua sampel tersebut. Nah, pada konteks analisis SEM yang dijadikan acuan perbandingan model antar dua kelompok sampel tersebut adalah terletak pada Koefisien Struktural (model struktural) dan atau pada Koefisien Pengukuran-nya (model pengukuran) dengan membuat salah satunya fixed (tetap) pada proses pengujiannya.

Lebih lanjut terkait dengan konsep pengujian SEM tersebut, kita akan uraiakan pada uraian berikut.

1. Variabel Moderasi

Variabel moderasi yaitu variabel yang mempengaruhi hubungan kausal antar sebuah variabel independen dengan sebuah variabel dependen. Dalam konteks analisis SEM, dikenal dengan istilah Ksi yang secara langsung mempengaruhi variabel Eta, serta hubungannya dengan variabel moderasi (VM) dengan Ksi terhadap Eta. Ketika 2 (dua) variabel berinteraksi (Ksi dan VM) keduanya berdeviasi dari means-nya (rata-ratanya) dalam arah yang sama maka dampak interaksinya (terhadap Eta) positif, sedangkan jika berlawanan arah maka dampak interaksinya negatif. Dalam hal dampak interaksi positif maka interaksi antara VM dan Ksi akan meningkatkan/memperkuat pengaruh Ksi terhadap Eta, sedangkan dampak interaksi negatif akan menurunkan/memperlemah pengaruh Ksi terhadap Eta. Dalam kontek pemaparan kali ini maka kita dapati 2 (dua) konteks penggunaan dari variabel moderasi diantaranya,

  • Pure Moderating Variable (variabel moderasi murni)

Varibel moderasi (VM) dimana VM tidak terlibat secara langsung dalam model, melainkan melalui hanya interaksi dengan variabel Ksi atau dengan kata lain tidak ada pengaruh langsung dari variabel VM terhadap Eta.

  • Quasy Moderating Variable (variabel moderasi kuasi)

Variabel moderasi (VM) dimana ketika VM selain melalui interaksi dengan variabel Ksi, VM juga terlibat secara langsung dan mempunyai hubungan kausal dengan variabel dependen, Eta.

Oleh karena konteks moderasi tersebut, maka dalam SEM kita mempunyai 2 pilihan pengerjaan (Rigdon, Schumacker dan Worthke, 1998):

  • Multi sample (multi-group) approach

Pendekatan ini kita pilih ketika salah satu atau kedua variabel yang berinteraksi adalah diskrit (atau kategorikal), atau dapat dibuat dalam bentuk diskrit. Dampak interaksi akan terlihat ketika ada perbedaan hasil estimasi parameter pada model yang sama dari sampel yang berbeda tetapi berkaitan.

  • Interaction model approach

Pendekatan ini kita pilih, ketika kedua variabel adalah kontinu. Tipe pendekatan ini umumnya banyak digunakan oleh peneliti pada umumnya. Dan pembahasannya seperti yang sudah kita paparkan pada artikel-artikel sebelumnya.

2. Pendekatan Multi Sampel (Multiple Group Approach)

Sebuah populasi bisa mengandung berbagai perbedaan seperti perbedaan negara, provinsi, perbedaan-perbedaan berdasarkan kultur atau ekonomi-sosial, grup-grup yang menerima perlakuan (treatment) yang berbeda, control grup dan lain-lain. Grup-grup yang berbeda ini juga bisa kita bentuk dalam sampel penelitian kita. Setiap grup akan berisi bagian dari sampel penelitian sesuai dengan klasifikasi atau kategori dalam variabel yang digunakan untuk membentuk grup. Variabel ini disebut sebagai variabel moderasi atau interaksi dan berbentuk diskrit atau kategorikal.

Byrne (1998) menambahkan bahwa dalam mencari variasi di antara grup-grup, peneliti biasanya mencari jawaban salah satu dari 5 (lima) pertanyaan berikut, yaitu :

  1. Apakah model pengukuran tidak bervariasi di antara grup-grup (group invariant)?
  2. Apakah model struktural tidak bervariasi di antara grup-grup?
  3. Apakah lintasan-lintasan (path) tertentu yang dispesifikasikan dalam model struktural tidak bervariasi di antara grup-grup?
  4. Apakah laten means dari konstruk-konstruk tertentu dalam model tidak bervariasi di antara grup-grup?
  5. Apakah muatan-muatan faktor dari model pengukuran tidak bervariasi diantara grup-grup?

Secara garis besar prosedur multisampel approach adalah sebagai berikut (Byrne, 1998) :

1. Estimasi model penelitian

Langkah pertama ini adalah mengestimasi model penelitian dengan menggunakan seluruh responden/kasus yang ada dalam sampel. Kita harus yakin bahwa model penelitian memiliki kecocokan data-model (GoF model) yang baik, memiliki model pengukuran dengan validitas dan reliabilitas yang baik, serta model struktural dengan estimasi koefisien struktural dengan estimasi koefisien struktural yang baik, sebelum melakukan analisis multisampel.

2. Pembagian sampel ke dalam grup-grup

Langkah kedua dilakukan dengan membagi sampel ke dalam kelompok-kelompok sesuai dengan kategori yang ada dalam variabel moderasi (VM) dan disimpan pada files yang berbeda. Hal ini dilakukan untuk memudahkan dalam proses analisis pada tahap berikutnya.

3. Pembentukan model dasar (base line model)

Yang dimaksud dengan model base line adalah model penelitian spesifik untuk setiap kelompok atau grup yang mempunyai kecocokan data dengan model (GoF model) yang baik. Dalam kaitannya dengan perbandingan di antara model-model dasar, Bollen (1989) membedakan ke dalam 2 (dua) dimensi yang saling melengkapi satu sama lain yaitu bentuk model dan keserupaan nilai parameter. Lebih lanjut ia menyatakan bahwa kebanyakan para peneliti mengasumsikan bahwa bentuk model adalah sama untuk semua grup dan mereka berkonsentrasi pada keserupaan nilai parameter dalam model tersebut di antara grup-grup.

Byrne (1998) mempunyai pendapat yang agak berbeda yaitu bahwa model dasar untuk setiap grup bisa saja berbeda, meskipun biasanya terbatas pada error covariance maupun adanya tambahan cross loading. Oleh karena itu, perlu dilakukan estimasi secara terpisah terhadap setiap model dasar menggunakan data yang ada dalam kelompok masing-masing.

4. Estimasi Multisample Model dengan parameter ditetapkan sama

Setelah model dasar setiap grup diestimasi dan dihasilkan model dasar dengan kecocokan data-model (GoF model) yang baik, maka pada langkah ini kita akan melakukan estimasi kedua model dasar tersebut secara serempak. Pada langkah sebelumnya kita melakukan estimasi terhadap model dasar sendiri-sendiri dan estimasi ini tidak mengandung between group constraint/batasan. Meskipun demikian, ketika kita menetapkan adanya batasan/constraint kesamaan terhadap beberapa parameter tertentu, maka data untuk semua grup harus diestimasi secara serempak/simultan agar diperoleh estimasi yang efisien. Adapun pola dari parameter yang ditetapkan (fixed) atau dibebaskan (free) mengikuti spesifikasi model dasar untuk setiap grup.

Pada multisample model ini kita menetapkan bahwa nilai parameter-parameter baik pada model pengukuran maupun model struktural dari kedua kelompok adalah sama (model kontrol/pembanding). Untuk parameter-paramater yang hanya ada pada salah satu model dasar tetap diikutkan pada model yang bersangkutan. (lebih jelas akan terlihat pada syntax SIMPLIS pada pemodelannya).

5. Estimasi Multisample Model dengan parameter berbeda

Langkah kelima mengandung estimasi multisampel dimana tidak semua parameter ditetapkan sama nilainya pada semua grup. Parameter-parameter yang ingin kita periksa perbedaan nilainya di antara grup, kita estimasi secara bebas sesuai grup masing-masing, sedangkan yang tidak kita periksa perbedaannya kita tetapkan sama (fixed) di semua grup. (lebih jelas akan terlihat pada syntax SIMPLIS pada pemodelannya)

6. Evaluasi perbedaan parameter di antara grup-grup

Langkah keenam mengandung pengujian statistik terhadap signifikansi perbedaan nilai parameter-parameter dari grup-grup yang diestimasi pada langkah kelima. Pengujian dilakukan dengan menghitung perbedaan chi-square c2 (Dc2)dan degree of freedom (Ddf) yang dihasilkan pada langkah keempat dan kelima. Dari hasil c2 sebesar Dc2 dan df sebesar Ddf dapat diperoleh nilai p value (dengan melihat tabel distribusi chi-square). Jika nilai p-value ≤ 0.05 maka perbedaan parameter-parameter yang dianalisis di antara grup adalah signifikan. Dan nilai p-value ≥ 0.05 maka perbedaan parameter-parameter yang dianalisis di antara grup adalah tidak signifikan.

….

Intinya dari awal pengujian pada data yang kita miliki, pastikan bahwa GoF pada model terpenuhi dengan baik. Hal ini penting agar model-model yang dihasilkan selanjutnya pun (model masing-masing grup) diharapkan memiliki GoF yang sama dengan model awalnya.

Pada artikel-artikel selanjutnya akan kita coba perlihatkan penggunaan software Lisrel dan SmartPLS dalam mengolah data multisampel yang dimiliki oleh peneliti. Penggunaan tipe SEM base nya tetap mengikuti aturan atau ketentuan-ketentuan yang telah kita uraikan pada artikel-artikel kita sebelumnya. Dan pada kedua software tersebut memfasilitasi pengolahan model SEM dengan adanya pembagian sampel atau multisample. SEMANGAT MEMAHAMI!!!

Sumber : Setyo Hari W, Structural Equation Modeling, Konsep dan Tutorial

———————————————————————————————————————————————–

1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry ataupun olahdata dapat menghubungi mobilestatistik.com :

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

  • “1st Kirim Pertanyaan, Pasti Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————–

Leave a Reply

Your email address will not be published. Required fields are marked *