Pengertian Pemodelan Persamaan
Struktural (SEM)
Structural
Equation Modellingatau
yang lebih dikenal dengan singkatannya yaitu SEM. Metode SEM disebut juga
metode Pemodelan Persamaan Struktural (PPS). Metode atau teknik PPS adalah suatu
teknik statistic yang mampu menganalisis pola hubungan antara konstrak laten
dan indikatornya, konstrak laten yang satu dengan lainnya, serta kesalahan
pengukuran secara langsung. PPS dikelompokkan sebagai keluarga statistik multivariat
dependen, artinya ada variabel dalam PPS yang berperan sebagai variabel
dependen dan ada variabel yang berperan sebagai variabel independen. Istilah
variabel dependen dalam PPS disebut variabel endogen dan istilah variabel
independen dalam PPS disebut variabel eksogen. PPS memungkinkan peneliti untuk
menguji hubungan antara variabel laten sekaligus dapat menguji teori. Selain
itu, secara simultan, PPS juga dapat menguji indikator-indikatornya sehingga
dapat menilai kualitas pengukuran. Dengan kata lain, PPS dapat digunakan untuk
menguji model pengukuran yaitu pengukuran variable laten melalui
indikator-indikatornya, dan model struktural yaitu pola hubungan
antarvariabel yang ditampilkan dalam model. Teknik PPS memiliki dua tujuan
utama dalam analisnya, yaitu menentukan apakah model riset yang digunakan “fit”
(sesuai) berdasarkan data yang dimiliki, tujuan kedua adalah menguji berbagai
hipotesis (pola hubungan) yang telah dibangun sebelumnya.
Adapun symbol-simbol yang digunakan
dalam SEM:
ξ (ksi) = untuk variable laten X (eksogen)
η (eta) = untuk variable laten Y
(endogen)
λ (lambda) =untuk muatan faktor (faktor
loading)
β (beta) = koefisien pengaruh variable
endogen terhadap variable endogen.
γ (gamma) = koefisien pengaruh variable
eksogen terhadap variable endogen.
φ (phi) = koefisien hubungan antar
variable laten X eksogen.
ζ (zeta) = peluang galat model
ε (epsilon) = kesalahan pengukuran pada
variable manifest untuk variable laten Y
δ (delta) = kesalahan pengukuran pada
variable manifest untuk variable laten X
λx (lambda besar) = matriks untuk muatan
faktor variable laten X
λy (lambda besar) = matriks untuk muatan
faktor variable laten Y
Persamaan
dan Perbedaan antara SEM dan Analisis Jalur
Analisis
SEM pada dasarnya untuk memperoleh suatu model structural. Model yang diperoreh
dapat digunakan untuk prediksi atau pembuktian model. Disamping itu, SEM juga
dapat digunakan untuk melihat besar kecilnya pengaruh, baik langsung, tak
langsung maupun pengaruh total variable bebas (variable eksogen) terhadap
variable terikat (endogen).
Antara
SEM dan analisis jalur terdapat persamaan dan perbedaan. Beberapa persamaan dan
perbedaan tersebut dapat dilihat pada deskripsi berikut.
1.
Persamaan
SEM dan Analisis Jalur
·
Keduanya
berkaitan dengan analisis konstruksi model.
·
Koefisien
parameter model didasarkan atas analisis data sampel.
·
Pengujian
kecocokan model dilakukan dengan cara membandingkan matriks varian-kovarian
hasil dugaan dengan matriks data empiric (observasi)
2.
Perbedaan
SEM dan Analisis Jalur
·
Pada
SEM dapat dilakukan dua analisis sekaligus yaitu: analisis pengujian hubungan
kausal antar variable laten (model structural) dan analisis pengujian validitas
dan reliabilitas yang didasarkan atas variable manifest (model pengukuran).
·
SEM
dapat diterapkan untuk model rekursif ataupun resiprokal, sedangkan analisis
jalur hanya dapat diterapkan pada model kausal satu arah dan rekursif.
·
SEM
tidak terganggu dengan adanya korelasi antar kesalahan (error), sedangkan pada
analisis jalur, antara error harus bebas (tidak saling tergantung).
·
Hasil
SEM mencangkup faktor diterminan, model structural, dan model penggukuran.
Analisis jalur hanya mencakup faktor diterminan.
model pengukuran
Salah satu
kegiatan dalam SEM adalah analisis pengujian validitas konstruk dan
reliabilitas indicator. Kegiatan ini dapat dilakukan pada analisis model
pengukuran. Pendekatan yang digunakan dalam analisis model pengukuran ini
adalah analisis model faktor konfirmatori.
Untuk melihat besar kecilnya koefisien validitas dapat
dilihat besar kecilnya harga muatan faktor (
). Semakin besar harga 
maka dikatakan
indicator semakin valid. Ukuran untuk mengetahui berapa besarnya nilai dikatakan valid dapat
menggunakan pengujian nilai t (t-value). Untuk keperluan pengujian nilai t ini,
dapat menggunakan software LISREL yang memang menyediakan fasilitas untuk
pengujian tersebut. Namun demikian, penentuan valid atau tidaknya indicator
dapat juga menggunakan besarnya koefisien kolerasi antara skor indicator/
konstruk dengan skor totalnya. Skor ini menggambarkan besarnya muatan faktor.
Menurut Carmines dan Zeller (1979:55) konstruk yang baik adalah bila memiliki
muatan faktor minimal 0,30. Dengan demikian, bila nilai λ ≥ 0,30 maka dikatakan indicator valid.
). Semakin besar harga maka dikatakan
indicator semakin valid. Ukuran untuk mengetahui berapa besarnya nilai dikatakan valid dapat
menggunakan pengujian nilai t (t-value). Untuk keperluan pengujian nilai t ini,
dapat menggunakan software LISREL yang memang menyediakan fasilitas untuk
pengujian tersebut. Namun demikian, penentuan valid atau tidaknya indicator
dapat juga menggunakan besarnya koefisien kolerasi antara skor indicator/
konstruk dengan skor totalnya. Skor ini menggambarkan besarnya muatan faktor.
Menurut Carmines dan Zeller (1979:55) konstruk yang baik adalah bila memiliki
muatan faktor minimal 0,30. Dengan demikian, bila nilai λ ≥ 0,30 maka dikatakan indicator valid.
Untuk
melihat besarnya koefisien realibilitas indicator dapat melihat nilai (1- δ) untuk variable eksogen dan nilai (1-ε) untuk variable endogen. Semakin besar
nilai (1- δ) atau (1-ε) maka semakin reliabelindikator tersebut. Analisis
pengujian reabilitas ini dapat juga dilakukan dengan pengujian nilai t
(t-value) sepeti halnya pengujian validitas. Nilai t untuk masing-masing
parameter (λ
dan 1- δ atau 1-ε) merupakan hasil transformasi dari
para meter tersebut.hubungan antar variable dikatakan signifikan apabila
tampilan dalam output program LISREL menunjukan garis warna hitam dan tidak
signifikan apabila hubungan antar variable menunjukan warna merah.
Analisis Jalur
Secara matematika persamaan model
structural hubungan antar variable dapat ditampilkan seperti pada tabel ini.
Tabel: Model Persamaan Struktural Hubungan Antar Variabel)
|
|
Eksogen
|
Endogen
|
kesalahan
|
||||||
|
eksogen
|
ξ1
|
ξ2
|
|
η1
|
η2
|
η3
|
η4
|
|
|
|
η1
|
γ11ξ1
|
γ12ξ2
|
+
|
|
|
|
|
+
|
ζ1
|
|
η2
|
γ21ξ1
|
|
+
|
|
|
|
|
+
|
ζ2
|
|
η3
|
γ31ξ1
|
γ32ξ2
|
+
|
|
|
|
|
+
|
ζ3
|
|
η4
|
γ41ξ1
|
Γ42ξ2
|
+
|
β41η1 β42η2 β43η3
|
+
|
ζ4
|
|||
analisis model persamaan structural
Contoh
Model Persamaan Struktural dapat dilihat kembali Gambar 10.3 di muka. Contoh
tersebut menggambarkan gabungan antar variable. Untuk lebih memahami analisis
SEM yang dicontohkan dalam gambar 10.3 tersebut perlu diperhatikan
keterangan-keterangan berikut.
ξ1 = Variable Laten Kualitas Orang Tua
X1 = Variable Manifes Pendidikan
X2 = Variable Manifes Penghasilan
X3 = Variable Manifes Pekerjaan
X4 = Variable Manifes Harta
ξ 2 = Variable Laten
Kualitas Sekolah
X5 = Variable Manifes Layanan Guru
X6 = Variable Manifes Partisipasi Siswa
X7 = Variable Manifes Iklim Belajar
ϒ1 = VariableLaten Kemampuan Umum
Y1 = Variable Manifes Kemampuan Verbal
Y2 = Variable Manifes Kemampuan Kuantitatif
Y3 = Variable Manifes Kemampuan Spatial
ϒ2 = Variable Laten Melek Teknologi
Y4 = Variable Manifes Pemahaman
Y5 = Variable Manifes Aplikasi
Y6 = Variable Manifes Adaptasi
ϒ3 = Variable Laten Pemahakan Diri
Y7 = Variable Manifes Potensi Diri
Y7 = Variable Manifes Potensi Diri
Y9 = Variable Manifes Filsafat Hidup
ϒ4 = Variable Laten Orientasi Pilihan Bidang
Keahlian
Y10 = Variable Manifes Manual
Y11 = Variable Manifes Penalaran
Y12 = Variable Manifes Studi Lanjut
Secara Matematika model struktural pada Gambar di Muka dapat
di tampilkan seperti pada Tabel dibawah ini.
TABEL:
MODEL
PERSAMAAN STRUKTURAL FAKTOR-FAKTOR YANG MEMPENGARUHI ORIENTASI BIDANG KEAHLIAN
|
Variabel
|
Eksogen
|
Kesalahan
|
||
|
Eksogen
|
ξ1
|
ξ2
|
+
|
|
|
X1
|
λ 11 ξ1
|
|
+
|
δ 1
|
|
X2
|
λ 21 ξ1
|
|
+
|
δ 2
|
|
X3
|
λ 31 ξ1
|
|
+
|
δ 3
|
|
X4
|
λ 41 ξ1
|
|
+
|
δ 4
|
|
X5
|
|
λ 52 ξ2
|
+
|
δ 5
|
|
X6
|
|
λ 62 ξ2
|
+
|
δ 6
|
|
X7
|
|
λ 72 ξ2
|
+
|
δ 7
|
|
Variable
|
Endogen
|
Kesalahan
|
||||
|
Endogen
|
η1
|
η 2
|
η3
|
η4
|
|
|
|
Y1
|
λ 11 η1
|
|
|
|
+
|
ξ1
|
|
Y2
|
λ 21 η1
|
|
|
|
+
|
ξ 2
|
|
Y3
|
λ 31 η1
|
|
|
|
+
|
ξ 3
|
|
Y4
|
|
λ 42 η 2
|
|
|
+
|
ξ 4
|
|
Y5
|
|
λ 52 η 2
|
|
|
+
|
ξ 5
|
|
Y6
|
|
λ 62 η 2
|
|
|
+
|
ξ 6
|
|
Y7
|
|
|
λ 73 η3
|
|
+
|
ξ 7
|
|
Y8
|
|
|
λ 83 η3
|
|
+
|
ξ 8
|
|
Y9
|
|
|
λ 93 η3
|
|
+
|
ξ 9
|
|
Y10
|
|
|
|
λ 104 η4
|
+
|
ξ 10
|
|
Y11
|
|
|
|
λ 114 η4
|
+
|
ξ 11
|
|
Y12
|
|
|
|
λ 124 η4
|
+
|
ξ 12
|
Langkah-Langkah
dalam Pemodelan Persamaan Struktural (SEM).
Hair,
dkk. (1998:592-639) mendeskripsikan langkah-langkah dalam SEM seperti berikut
ini : (1) pengembangan model berbasis teori, (2) mengkonstruksi diagram jalur
untuk hubungan kausal, (3) mengkonversi diagram jalur ke dalam model struktural
dan model pengukuran, (4) memilih matriks input dan estimasi model, (5) menilai
identifikasi model struktural, (6) evaluasi kecocokan model berdasarkan
kriteria goodness-of-fit dan (7) interpretasi dan modifikasi model.
Langkah
1. Pengembangan Model Berbasis Teori
Ada
dua prinsip berdasarkan SEM, yaitu 1) untuk menganalisis hubungan kausal antara
variabel eksogen dan endogen, dan 2) untuk menguji validitas dan reabilitas
indikator variabel laten. Kegiatan dalam
langkah pertama ini adalah mengembangkan model hipotetik, artinya mengembangkan
suatu model ini diuji berdasarkan atas data empirik melalui SEM.
Berdasarkan
uraian diatas maka di dalam mengembangkan pemodelan, peneliti harus memiliki
wawasan dan landasan teori yang luas yang berkaitan dengan permasalahan yang
diteliti. Hasil kajian atau eksplorasi terhadap teori-teori yang relevan akan
membentuk model hipotetik untuk kemudian diverifikasi berdasarkan data empirik
dengan menggunakan SEM.
Disamping
untuk verifikasi model hipotetik, SEM juga dapat digunakan untuk membentuk
konsep baru. Hal ini bisa dilakukan bila landasan teori atau konsep baru. Hal
ini bisa dilakukan bila landasan teori atau konsep untuk membentuk model tidak
tersedia. Dengan justifikasi empiris SEM maka model dapat menjadi konsep baru .
untuk itu, diperlukan kajian sejumlah penelitian seehingga konsep yang
dikembangkan menjadi kokoh dan universal.
Langkah
2. Mengkonstruksi Diagram Jalur untuk Hubungan Kausal
Diagram
jalur sangat berguna untuk melihat hubungan kausal antara variabel eksogen dan
variabel endogen. Hubungan kausal antara variabel ini divisualisasikan dalam
bentuk gambar sehingga mudah dan jelas untuk dipahami serta lebih menarik. Jika
model yang dibuat belum cocok (fit) maka dapat dibuat beberapa model untuk
diperoleh model yang cocok dengan menggunakan analisis SEM. Contoh diagram
jalur seperti tampak pada Gambar 10.2 di muka.
Langkah
3. Mengkonversi Diagram Jalur Ke dalam Model Struktural Dan Model Pengukuran
Contoh
konversi diagram jalur dan model pengukuran kedalam model matematika
ditunjukkan pada Tabel A dan B.
TABEL A:
MODEL
MATEMATIKA PADA DIAGRAM JALUR
VARIABEL
EKSOGEN
|
Variabel
|
Eksogen
|
Kesalahan
|
||
|
Eksogen
|
Ξ1
|
Ξ 2
|
|
|
|
X1
|
λ 111Ξ1
|
|
+
|
Δ1
|
|
X2
|
λ 21Ξ1
|
|
+
|
Δ2
|
|
X3
|
λ 31Ξ1
|
|
+
|
Δ3
|
|
X4
|
|
λ 41Ξ1
|
+
|
Δ4
|
|
X5
|
|
λ 52Ξ2
|
+
|
Δ5
|
|
X6
|
|
λ 62Ξ2
|
+
|
Δ6
|
|
X7
|
|
λ 72Ξ2
|
+
|
Δ7
|
Tabel B
MODEL
MATEMATIKA PADA DIAGRAM JALUR
VARIABEL
ENDOGEN
|
|
Endogen
|
Kesalahan
|
||||
|
Endogen
|
 1 |
2 |
3 |
4 |
+
|
|
|
Y1
|
111 |
|
|
|
+
|
 1 |
|
Y2
|
211 |
|
|
|
+
|
2 |
|
Y3
|
311 |
|
|
|
+
|
3 |
|
Y4
|
|
422 |
|
|
+
|
4 |
|
Y5
|
|
52 2 |
|
|
+
|
5 |
|
Y6
|
|
622 |
|
|
+
|
6 |
|
Y7
|
|
|
733 |
|
+
|
7 |
|
Y8
|
|
|
833 |
|
+
|
8 |
|
Y9
|
|
|
933 |
|
+
|
9 |
|
Y10
|
|
|
|
1044 |
+
|
10 |
|
Y11
|
|
|
|
1044 |
+
|
11 |
|
Y12
|
|
|
|
1044 |
+
|
12 |
Langkah 4. Memilih Matrik Input dan
Estimasi Model
Dalam
SEM, matrik inputnya dapat berupa matrik korelasi atau matrik
varians-kovarians. Matrik korelasi di gunakanuntuk tujuan memperoleh kejelasan
tentang pola hubungan kausal anntar variabel laten. Dengan matrik ini, peneliti
dapat melihat dua hal, yaitu: 1) Jalur-jalur mana yang memiliki efek kausal
yang lebih dominan di bandingkan denga jalur-jalur yang lain, dan 2) variabel
eksogen yang mana yang efeknya lebih besar terhadap variabel endogen di
bandingkan dengan variabel yang lainnnya.
Matrik
varians-kovarians digunakan untuk pengujian model yang telah di landasi
berbagai kajian teori. Analisis yang digunakan tidak untuk melihat besar
kecilnya efek kausal pada jalur-jalur yang ada dalam model. Hasiil analisis yang
di peroleh dapat di gunakan untuk eksplanasi fennomenal yang di teliti atau
untuk keperluan prediksi.
Langkah 5. Menilai Idfentifikasi Model
Struktural
Di
dalam analisis model struktural sering di jumpai adanya permasalahan yaitu pada
proses pendugaan parameter. Jika di dalam prosesnya ada un-identified maka
pendugaan parameter akan menemui banyak kendala. Ketidak mampuan model
menghasilkan identifikasi yang tepat menyebabkan proses perhitungan menjadi
terganggu.
Beberapa
gejala yang sering muncul akibat adanya ketidak tepatan identifikasi ini antara
lain yaitu:
a)
Terdapat
kesalahan standar yang terlalu besar
b)
Matrik
informasi yang disajikan tidak sesuai harapan
c)
Matrik
yang diperoleh tidak definitive positif
d)
Terdapat
kesalahan varians yang negative
e)
Terdapat
korelasi yang tinggi antar koevisien hasil dugaan (>0,9).
Langkah 6. Evaluasi Kecocokan Model
Berdasarkan Kriteria Goodness-of-fit
Untuk
menganalisis dengan SEM perlu di perhatikan asumsi-asumsi yang berkaitan dengan
model dan asumsi-asumsi yang berkaitan dengan pendugaan parameter dan pengujian
hipotesis.
Asumsi-asumsi yang berkaitan dengan
model antara lain:
a)
Semua
hubungan antar vaariabel berbentuk linier
b)
Model
yang di kembangkan bersifat adiktif
Asumsi-asumsi yang berkaitan dengan
perdugaan parameter dan pengujian hipotesis antara lain:
a)
Pengambilan
sampel secara acak
b)
Data
harus lengkap, artinya tidak ada missing data
c)
Tidak
ada data aneh (autliers)
d)
Ukuran
sampel minimum 100
e)
Penyebaran
data bersifat normal
f)
Tidak
ada multi kolinieritas
Pengujian model structural di
lakukan untuk mengetahui sejauh mana model hubungan antar variabel yang disusun
secara teoritis di dukung oleh kenyataan yang ada pada data empiris. Uji
kesesuaian antara model teoritis dan data empiris dapat dilihat pada tingkat
(goodness of fiit statistic). Keputusan kesesuaian model dapat menggunakan
beberapa harga statistic seperti CHI kuadrat (X2) p > 0.05; RMSEA
(Root Mean squer Error of Approkimation) < 0.08; GFI (Goodness Of
Fit Index) > 0.9 dan yang lainnya yang akan menguji bahwa perbedaannya
tidak bermakna sehingga hipotesis nihil tidak di tolak (signifikan). Bila
demikian maka dikatakan tidak ada perbedaan antara model teoritis dibandingkan
dengan data empiri. Artinya model teoritis sesuai (fit) dengan data
empiri.
Langkah
7. Interpretasi dan Modifikasi Model
Langkah
terakhir dari SEM adalah melakukan interpretasi bilamana model yang dihasilkan
sudah cukup baik. Interpretasi dilakukan terhadap model struktural yang
menggunakan matrik kovarians dan interpretasi terhadap analisis jalur yang
menggunakan matriks korelasi. Khusus untuk interpretasi pada analisis jalur
yang dilihat antara lain : efek langsung, efek tak langsung, dan efek total.
cara
membaca model pengukuran dan model structural.
1.
Model Pengukuran
Berdasarkan
model pengukuran pada gambar 10.5 maka dapat dibuat tabel ringkasan yang
menunjukkan informasi tentang validitas dan reabilitas factor/indikator yang
membentuk variabel laten orientasi pilihan bidangkeahlian seperti tampak pada
tabel 10.4 berdasarkan tabel 10.4 dapat disimpulkan bahwa faktor kemampuan
manual, kemampuan penalaran dan persepsi terhadap pendidikan lanjut memberikan
pengaruh yang bermakna terhadap orientasi pilihan bidang keahlian siswa.
TABEL:
KOEFISIEN
VALIDITAS DAN RELIABILITAS INTRUMEN
ORIENTASI
PILIHAN BIDANG KEAHLIAN
|
NO.
|
Faktor
|
Koefisian Validitas (λ)
|
Koefisien Reliabilitas (1- δ )
|
|
1.
|
Kemampuan manual
|
0,57
|
0,83
|
|
2.
|
Kemampuan Penalaran
|
0,51
|
0,75
|
|
3.
|
Persepsi pada pendidikan Lanjut
|
0,46
|
0,70
|
Hasil
ini menunjukkan bahwa faktor keahlian
yang berorentasi pada kemampuan penalaran, keahlian yang berorientasi pada
kemampuan manual dan kemampuan mempersepsi pendidikan lanjut merupakan
faktor-faktor yang memberikan kontribusi pada konstruk indikator orientasi
pilihan bidang keahlian siswa SMP.
2.
Model Stuktural
Gambar 10.6
adalah contoh modal struktural yang cocok (fit model) menurut kriteria
Goodness-of-fit. Berdasarkan Gambar 10.6 tersebut dapat di kemukakan beberapa
informasi yang berkaitan dengan efek langsung dan efek tak langsung. Efek langsung
mencakup hubungan antara variable bebas dan variable terikat. Efek tak langsung
mencakup hubungan antara variable eksogen dan variable terikat (indirect
effects of KSI on ETA).
1.
Efek langsung Variable Bebas terhadap
Variabel Terikat
Variabel
bebasnya adalah : Kualitas Orang Tua, Kualitas Sekolah, melek Teknologi,
Kemampuan Umum, dan Pemahaman Diri. Variabel terikatnya adalah orientasi
pilihan bidag keahlian.
Berdasarkan Gambar sebelumnya dapat ditampilkan model hubungan struktural
langsung antara variable bebas dan variable terikat seperti tampak pada Gambar
dibawah ini.
Gambar model hubungan struktural
variabel bebas dan variabel terikat
Analisis
efek langsung antar variabelini dapat dilihat pada estimasi koefisien
struktural dan nilai-t dari masing-masing parameter. Secara ringkas, hasil
analisis perhitungan besarnya estimasi koefisien struktural tersebut dapat
dilihat pada tabel.
TABEL :
RINGKASAN
HASIL ANALISIS EFEK LANGSUNG
VARIABEL
BEBAS TERHADAP VARIABEL TERIKAT
|
No
|
Variabel
|
Parameter
|
Estimasi
|
Nilai-T
|
|
1
|
Kualitas orang tua dengan orientasi
pilihan bidang keahlian
|
ϒ41
|
0,33
|
4,69
|
|
2
|
Kualitas sekolah dengan orientasi
pilihan bidang keahlian
|
ϒ42
|
0,70
|
7,25
|
|
3
|
Kemampuan umum dengan orientasi
pilihan bidang keahlian
|
Β41
|
0,20
|
4,45
|
|
4
|
Melek teknologi dengan orientasi
pilihan bidang keahlian
|
Β42
|
-0,37
|
-4,89
|
|
5
|
Pemahaman diri dengan orientasi
pilihan bidang keahlian
|
Β43
|
0,21
|
2,87
|
Berdasarkan Tabel 10.5 dapat dijelaskan
gambaran efek langsung variabel-varriabel bebas terhadap variabel terikat
sebagai berikut.
a.
Terdapat
efek langsung dan bermaknas kualitas orang tua terhadap orientasi pilihan
bidang keahlian siswa SMP dengan harga estimasi ϒ41 = 0,33 dan nilai-t = 4,69 > 1,96
b.
Terdapat
efek langsung dan bermakna kualitas sekolah terhadap orientasi pilihan bidang
keahlian siswa SMP dengan harga estimasi ϒ42 =0,70 dan nilai-t = 7,25 > 1,96
c.
Terdapat
efek langsung dan bermakna kemampuan umum terhadap orientasi pilihan bidang
keahlian siswa SMP dengan harga estimasi β 41 = 0,20 dan nilai-t =
4,45 > 1,96
d.
Terdapat
efek langsung dan negatif Melek Teknologi terhadap orientasi pilihan Bidang
Keahlian siswa. SMP dengan harrga estimasi β 42 = - 0,37 dan nilai –t =
-4,89>1,96
e.
Terdapat
efek langsung dan bermakna pemahaman diri terhadap orientasi pilihan bidang
keahlian siswa SMP dengan harga estimasi β 43 = 0,21 dan nilai-t =
2,87 > 1,96
2.
Efek Tak LangsungVariabel Eksogen terhadap Variabel Terikat (Indirect Effecs of
KSI on ETA)
Variabel eksogen meliputi kualitas
orang tua dan kualitas sekolah, sedangkan orientasi pilihan bidang keahlian
sebagai variabel terikat. Berdasarkan gambar 10.6 dapat ditampilkan model
structural efek tak langsung variabel eksogen terhadap variabel terikat
tersebut seperti pada gambar 10.8a dan gambar 10.8b.
Analisis efek tak langsung antar
variabel ini dapat di lihat pada estimasi koefisien struktural dan nilai-T dari
masing-masing parameter. Secara ringkas, hasil analisis perhitungan besarnya
estimasi koefisien structural tersebut dapat di lihat pada tabel diatas.
a. Terdapat efek tak langsung dan bermakna
kualitas orang tua terhadap orientasi pilihan bidang keahlian siswa SMP melalui
variabel kemampuan umum, Melek teknologi, dan pemahaman diri yaitu dengan harga
estimasi 0,05 dan nilai-T 3,57>1,96.
b. Terdapat efek tak langsung dan bermakna
kualitas sekolah terdapat orientasi pilihan bidang keahlian siswa SMP melalui
variabel kemampuan umum dan pemahaman diri dengan harga estimasi 0,17 dan
nilai-T 2,56>1,96.
Untuk menentukan model structural
cocok (fit) atau tidak dapat menggunakan kriteria berikut seperti pada tabel
10.7.
Tabel :
GOODNESS OF FIT STATISTICS
|
No.
|
Statistik
|
Kriteria “fit”
|
|
1.
|
X2
|
p>0,05
|
|
2.
|
Noncentrality parameter (NCP)
|
<<<
|
|
3.
|
Root mean square error of approximation (RMSEA)
|
<0,08
|
|
4.
|
Exspected cross-validation index (ECVI)
|
ECVI< ECVI sat. & indep. Model
|
|
5.
|
Akaike information criteria (AIC)
|
AIC<AIC sat. & indep. Model
|
|
6.
|
Goodness-of-fit-index (GFI)
|
>0,9
|
|
7.
|
Adjusted goodness-of-fit-index (AGFI)
|
>0,9
|
|
8.
|
Parsimanious goodness-of-fit-index (PGFI)
|
>0,9
|
|
9.
|
Normed fit index (NFI)
|
>0,9
|
|
10.
|
Parsimanious Normed fit index (PNFI)
|
>0,9
|
|
11.
|
Comperative fit index (CFI)
|
>0,9
|
|
12.
|
Non-normed fit index (NNFI)
|
>0,9
|
|
13.
|
Incremental fit index (IFI)
|
>0,9
|
|
14.
|
Relative fit index (RFI)
|
>0,9
|
|
15.
|
Standardized root mean square residual (SRMR)
|
<0,05
|
|
16.
|
Critical N (CN)
|
<N
|
0 komentar:
Posting Komentar