Struktural Equation Modelling (SEM)
Sewal Wright mengembangkan konsep ini pada tahun 1934, pada awalnya teknik ini dikenal dengan analisa jalur dan kemudian diringkaskan dalam bentuk analisis Structural Equation Modeling (Yamin, 2009). SEM (Structural Equation Modeling) adalah merupakan suatu teknik statistik yang mampu menganalisis pola hubungan antara konstruk laten dan indikatornya, konstruk laten yang satu dengan lainnya, serta kesalahan pengukuran secara langsung. SEM memungkinkan dilakukan analisis di antara beberapa pembolehubah dependen dan bebas secara langsung (Hair et al, 2006).
Teknik analisis data menggunakan Structural Equation Modeling (SEM), dilakukan untuk menjelaskan secara menyeluruh hubungan antara pembolehubah yang ada dalam penelitian. SEM digunakan bukan untuk merancang suatu teori, tetapi lebih ditujukan untuk memeriksa dan membenarkan suatu model. Oleh kerana itu, syarat utama menggunakan SEM adalah membangun suatu model hipotesis yang terdiri dari model struktural dan model pengukuran dalam bentuk diagram jalur yang berdasarkan justifikasi teori.
SEM adalah merupakan sekumpulan teknik-teknik statistik yang memungkinkan pengujian sebuah rangkaian hubungan secara simultan. Hubungan itu dibangun antara satu atau beberapa pembolehubah bebas (Santoso, 2011). SEM menjadi suatu teknik analisis yang lebih kuat kerana mempertimbangkan pemodelan interaksi, nonlinearitas, pembolehubah-pembolehubah bebas yang berkorelasi (correlated bebast), kesalahan pengukuran, gangguan kesalahan-kesalahan yang berkorelasi (correlated error terms), beberapa pembolehubah bebas laten (multiple latent bebast) dimana masing-masing diukur dengan menggunakan banyak indikator, dan satu atau dua pembolehubah bergantung kepada laten yang juga masing-masing diukur dengan beberapa indikator.
Dengan demikian menurut definisi ini SEM dapat digunakan alternatif lain yang lebih kuat dibandingkan dengan menggunakan regresi berganda, analisis jalur, analisis faktor, analisis time series, dan analisis kovarian (Byrne, 2010). Yamin (2009) mengemukakan bahawa di dalam SEM peneliti dapat melakukan tiga kegiatan sekaligus, iaitu pemeriksaan validiti dan reliability instrumen (setara dengan analisis faktor konfirmatori), pengujian model hubungan antar pembolehubah laten (setara dengan analisis path), dan mendapatkan model yang bermanfaat untuk prediksi (setara dengan model struktural atau analisis regresi).
Dua alasan yang mendasari digunakannya SEM adalah SEM mempunyai kemampuan untuk mengestimasi hubungan antara pembolehubah yang bersifat multiple relationship. Hubungan ini dibentuk dalam model struktural (hubungan antara konstruk dependen dan bebas). Selain itu, SEM juga mempunyai kemampuan untuk menggambarkan pola hubungan antara konstruk laten dan pembolehubah indikator.
Variance-based SEM PLS versus Covariance SEM Partial Least Square merupakan The Second Generation Structural Equation model yang berkembang pesat tahun 1980-an sebagai pilihan alat analisis selain kaedah Regressi Ordinary Least Square (OLS) yang dipopulerkan melaui software SPSS, SAS dan Stata. Kaedah Partial Least Square (PLS) juga disebut sebagai Composite Based Structural Equation Model (SEM) atau lebih dikenal sebagai variance-based SEM sebagai pendekatan yang berbeza dengan covariance-based SEM.
Kaedah analisis yang berdasarkan variance dewasa ini sangat banyak tersebar di pasaran, yang paling terkenal adalah Smartpls yang diterbitkan oleh oleh Hamburg University, Germany, dengan pelopor utamanya Sven Wende bersama Christian M. Ringle. Software sejenis yang juga sangat terkenal muncul kebelakangan ini adalah Wrappls dipelopori oleh Knut, dan PLSGRAP dipelopori oleh Wayn Chin, keduanya berpusat di Amerika Syarikat. Pendekatan SEM berasaskan covariance dapat ditemukan pada software AMOS, MPLUS, Lisrel dan EQS dan masih banyak lagi yang lain.
Kaedah SEM PLS secara operasional
Kaedah SEM PLS secara operasional dapat mempetakan hubungan di antara pembolehubah bebas menjadi model struktural, yang dikelompokkan menjadi pembolehubah eksogen dan endogen. Kaedah SEM PLS yang dibincangkan di dalam kajian ini adalah berkaitan dengan model bidang sains sosial melibatkan bidang pengurusan, sehingga pola tingkahlaku yang dimaksudkan adalah berkaitan dengan sesuatu sifat yang terbentuk daripada mana-mana pengaruh hubungan pembolehubah eksogen atau dari pembolehubah bersandar selainnya. Seterusnya, pada tahap berikutnya memberi kesan terhadap sasaran pembolehubah yang disebut sebagai outcome variable.
Kerangka operasional SEM PLS dapat dilaksanakan sebagai regression model, yang merupakan hasil prediksi dari sejumlah pembolehubah bebas berinteraksi di antara satu dengan yang lainnya dengan bantuan path model, hubungan mana akan menghasikan tanggapan pada outcome variable atau juga disebut response variable. Sejumlah software seperti SPSS lebih difokuskan dalam menghasilkan model regresi, tetapi Smart PLS dapat berbuat lebih banyak, iaitu menampilkan path analysis, menyajikan nilai tanggapan dan juga indikator serta sejumlah kaedah analisis kelayakan indikator yang tidak dimiliki oleh software SPSS.
Berbeza juga dengan software AMOS dan Lisrel, yang juga memiliki kemudahan untuk menyediakan path model dan tanggapan pada indikator model, tetapi AMOS dan Lisrel memiliki orientasi aplikasi yang berbeza. SEM PLS lebih berorientasi kepada tanggapan yang dengan lebih berasaskan kepada pendekatan explorative modeling, sedangkan pendekatan covariance-based seperti pada AMOS dan Lisrel lebih berorientasi kepada pengembangan full regression dengan pengembangan syarat statistik yang sangat ketat, seperti berlaku pada model SEM pada kaedah ekonometrik, iaitu yang dikenali sebagai syarat identified, under-identified dan over-identified. Pada model SM PLS, pendekatan model statistik lebih difokuskan kepada konstuk outer-model, iaitu dari pola pengukuran soal selidik, pengukuran kebolehpercayaan, dan pengesahan instrumen penelitian. Meskipun persyaratan distribusi normal tidak diperlukan pada aplikasi SEM PLS, itu tidak bermaksud semua jenis data dapat dipergunakan tanpa prosedur pemilihan.
Pendekatan covariance-based dan SEM PLS
Pendekatan covariance-based sangat memfokuskan kepada syarat penggunaan model regressi (inner-model), oleh itu, di dalam SEM PLS lebih memfokuskan kepada kelayakan pengesahan sesuatu instrumen, sehingga analisis faktor menjadi bahagian yang sangat penting dan dengan begitu kerap disebut pendekatan SEM PLS adalah berasaskan explanatory factor analysis.
Meskipun demikian, tidak dapat dinyatakan sepenuhnya bahawa SEM PLS tidak mengenali pengesahan analisis faktor, kerana SEM PLS di samping mempergunakan analisis faktor untuk menyelesaikan model luaran, iaitu di peringkat penyelesaian data kategori berasaskan skala, juga setelah tugas analisis faktor selesai memecahkan konstruk pembolehubah laten dan indikator menjadi sebuah skor regresi, maka tugas berikutnya adalah SM PLS menggunakan kaedah regresi untuk mendapatkan tanggapan atas sejumlah hubungan antara pembolehubah yang berkaitan. Walaupun kita tidak perlu terjebak utuk memilih yang terbaik di antara dua pendekatan kaedah SEM di atas, di antara SEM PLS dan Covariance SEM, perbezaan yang agak ketara dalam penggunaan SEM.
Analisis statistik multivariat dengan aplikasi SEM PLS SMARTPLS lebih banyak bertujuan untuk memahami sejumlah tingkahlaku antara hubungan pada peringkat awal pembangunan teori (Henseler etal, 2009). Semenjak dari mula lagi ia dirintis oleh Herman Wold dari Houston University USA, dewasa ini SEM PLS telah dikembangkan di dalam pelbagai bidang disiplin ilmu pengetahuan, antara lain di dalam bidang pemasaran dan pengurusan dipelopori oleh J.F. Hair dari Kenesaw Universiyt, USA, Christian M Ringle dari Universiti Hamburg. Di dalam bidang pengurusan dan Teknologi ia dipelopori oleh Henseler dari universiti di Jerman.
No comments:
Post a Comment