Skip links

STRUCTURAL EQUATION MODELING (SEM)

STRUCTURAL EQUATION MODELING (SEM)

Penulis: Shynde Limar Kinanti

Definisi SEM

The Structural Equation Modelling (SEM) is a family of statistical models that seek to explain the relationships among multiple variables
(Arbuckle, 1997). Jadi dengan menggunakan SEM, peneliti dapat mempelajari hubungan struktural yang diekspresikan oleh seperangkat persamaan, yang serupa dengan seperangkat persamaan regresi berganda. Persamaan ini akan menggambarkan hubungan diantara konstruk (terdiri dari variabel dependen dan independen) yang terlibat dalam sebuah analisis. Hingga saat ini, teknik multivariabel diklasifikasikan sebagai teknik interdependensi atau dependensi. SEM dapat dikategorikan sebagai kombinasi yang unik dari kedua hal tersebut karena dasar dari SEM berada pada dua teknik multivariabel yang utama, yaitu analisis faktor dan analisis regresi berganda.

Variabel-variabel dalam SEM

  • Variabel laten
    Variabel laten merupakan konsep abstrak, misalkan: perilaku, perasaan, dan motivasi. Variabel laten ini hanya dapat diamati secara tidak langsung dan tidak sempurna melalui efeknya pada variabel teramati. Variabel laten dibedakan menjadi dua yaitu variabel eksogen dan endogen. Variabel eksogen setara dengan variabel bebas, sedangkan variabel endogen setara dengan variabel terikat. Notasi matematik dari variabel laten eksogen adalah ξ (“ksi”) dan variabel laten endogen ditandai dengan η (“eta”).

Gambar 1. Simbol Variabel Laten

  • Variabel teramati atau variabel terukur
    Variabel teramati adalah variabel yang dapat diamati atau dapat diukur secara empiris dan sering disebut sebagai indikator. Variabel teramati merupakan efek atau ukuran dari variabel laten. Pada metode penelitian survei dengan menggunakan kuesioner, setiap pertanyaan pada kuesioner mewakili sebuah variabel teramati. Variabel teramati yang berkaitan atau merupakan efek dari variabel laten eksogen diberi notasi matematik dengan label X, sedangkan yang berkaitan dengan variabel laten endogen diberi label Y.  Simbol diagram jaluran dari variabel teramati adalah bujur sangkar atau empat persegi panjang.

Gambar 2. Simbol Variabel Teramati

Asumsi

  1. Spesifikasi model
  • Semua hubungan : linier
  • Model aditif
  1. Pendugaan parameter & Uji hipotesis
  • Antar unit pengamatan independen
  • Data tidak mengandung pencilan (outliers)
  • Pendugaan parameter dengan MLE, sampel size minimum 100.
  • Data yang akan dianalisis (variabel latent) menyebar normal ganda (multinormal)

Ilustrasi

Penelitian di bidang Managemen Sumberdaya Manusia, misalkan telah dilakukan telaah teoritis, menghasilkan hipotesis penelitian :

  1. Pengembangan karir berpengaruh signifikan terhadap Kepuasan Karyawan
  2. Pengembangan karir berpengaruh signifikan terhadap Kinerja Karyawan
  3. Terdapat pengaruh timbal balik antara kepuasan dengan kinerja karyawan

Disamping itu, diperoleh bahwa setiap variabel diukur berdasarkan indikator-indikator sbb:

Variabel Peng Karir diukur oleh 10 indikator : X1.1 s/d X1.10

Variabel Kepuasan diukur oleh 6 indikator : X2.1 s/d X2.6

Variabel kinerja diukur dengan 6 indikator : X3.1 s/d X3.6

Sehingga jika digambarkan dalam diagram jalur sebagai berikut:

Gambar 3. Diagram Jalur ilustrasi

Tahapan dalam SEM

SEM terdiri atas beberapa tahapan sebagai berikut (Widodo, 2006) :

  1. Pengembangan model berdasarkan teori
    Tujuannya adalah untuk mengembangkan sebuah model yang mempunyai justifikasi (pembenaran) secara teoritis yang kuat guna mendukung upaya analisis terhadap suatu masalah yang sedang dikaji/diteliti.
  2. Pengembangan diagram jalur
    Tujuannya adalah menggambarkan model teoritis yang telah dibangun pada langkah pertama kedalam sebuah diagram jalur agar peneliti dengan mudah dapat mencermati hubungan kausalitas yang ingin diujinya.
    Diagram jaluran (path diagram) dalam SEM digunakan untuk menggambarkan atau menspesifikasikan model SEM dengan lebih jelas dan mudah, jika dibandingkan dengan model persamaan matematik. Untuk dapat menggambarkan diagram jalur sebuah persamaan secara tepat, perlu diketahui tentang variabel-variabel dalam SEM beserta notasi dan simbol yang berkaitan. Kemudian hubungan diantara model-model tersebut dituangkan dalam model persamaan struktural dan model pengukuran.

SEM memiliki dua elemen atau model, yaitu model struktural dan model pengukuran.

  1. Model Struktural (Structural Model)
    Model ini menggambarkan hubungan diantara variabel-variabel laten. Parameter yang menunjukkan regresi variabel laten endogen pada eksogen dinotasikan dengan γ (“gamma”). Sedangkan untuk regresi variabel endogen pada variabel endogen lainnya dinotasikan dengan β (“beta”). Variabel laten eksogen juga boleh berhubungan dalam dua arah (covary) dengan dinotasikan φ (“pshi”), sedangkan notasi untuk error adalah ζ.

Gambar 4. Diagram Jalur dan Notasi SEM

Persamaan dalam model struktural dibangun dengan persamaan : laten endogen = β (laten endogen) + γ (laten eksogen) + ζ (error)

sehingga untuk persamaan matematik untuk model struktural diatas adalah :

h1 = b1h2+ g1
x1 + z1

h2 = b2h1+ g2
x1 + z2

atau :

Kepuasan = b1 Kinerja + g1 Karir
+ z1

Kinerja = bKepuasan + g2 Karir + z2

  1. Model Pengukuran (Measurement Model)
    Setiap variabel laten mempunyai beberapa ukuran atau variabel teramati atau indikator. Variabel laten dihubungkan dengan variabel-variabel teramati melalui model pengukuran yang berbentuk analisis faktor. Setiap variabel laten dimodelkan sebagai sebuah faktor yang mendasari variabel-variabel terkait. Muatan faktor (factor loading) yang menghubungkan variabel laten dengan variabel teramati diberi label λ (“lambda”). Error dalam model pengukuran dinotasikan dengan ζ, seperti pada Gambar 4

Persamaan dalam model pengukuran dibangun dengan persamaan :

Indikator = γ (konstruk) + ζ (error)

X = γ (var laten eksogen) + ζ (error)

Y = γ (var laten endogen) + ζ (error)

sehingga untuk persamaan matematik untuk model struktural diatas :

X1.1 = l1
x1 + d1
X1.2 = l2
x1 + d2
X1.3 = l3
x1 + d3
X1.4 = l4
x1 + d4
X1.5 = l5
x1 + d5
X1.6 = l6
x1 + d6
X1.7 = l7
x1 + d7
X1.8 = l8
x1 + d8
X1.9 = l9
x1 + d9
X1.10 = l10
x1 + d10
X2.1 = l11
h1 + e1
X2.2 = l12
h1 + e2
X2.3 = l13
h1 + e3
X2.4 = l14
h1 + e4
X2.5 = l15
h1 + e5
X2.6 = l16
h1 + e6
X3.1 = l17
h2 + e7
X3.2 = l18
h2 + e8
X3.3 = l19
h2 + e9
X3.4 = l20
h2 + e10
X3.5 = l21
h2 + e11
X3.6 = l22
h2 + e12
  1. Mengkonversi diagram jalur kedalam persamaan struktural
    Langkah ini membentuk persamaan pada model struktural dan model pengukuran.
  2. Pemilihan data input dan teknik estimasi
    Tujuannya adalah menetapkan data input yang digunakan dalam pemodelan dan teknik estimasi model.
  3. Evaluasi masalah identifikasi model
    Tujuannya adalah untuk mendeteksi ada atau tidaknya masalah identifikasi berdasarkan evaluasi terhadap hasil estimasi yang dilakukan oleh program komputer. Pada saat estimasi, seringkali nilai yang dihasilkan tidak bermakna, atau tidak masuk akal. Hal ini disebabkan karena program tidak dapat menghaslkan sebuah solusi yang unik. Satu hal yang harus dipenuhi adalah bahwa persamaan yang ada harus lebih banyak dari parameter yang akan ditaksir. Semakin kompleks model yang akan diestimasi, tidak ada jaminan bahwa solusi yang unik akan diperoleh.
    Bila sebuah model diidentifikasi, ada tiga macam kesimpulan yang dapat diambil, yaitu :
  • Just – Identified
    Model just-identified pastilah merupakan model yang cocok sempurna (perfect fit).
  • Underidentified
    Sebuah model disebut underidentified bila nilai derajat bebas negatif. Model ini tidak dapat diestimasi sebelum dilakukan perubahan pada model dengan mem-fix-kan beberapa parameternya.
  • Overidentified
    Model disebut overidentified adalah model yang diharapkan, yaitu dimana nilai derajat kebebasan positif. Yaitu dimana informasi yang dimiliki lebih banyak dari informasi yang dibutuhkan.
  1. Evaluasi Asumsi dan Kesesuaian model
    Tujuan model persamaan struktural adalah untuk menguji apakah model yang diusulkan dalam diagram jalur (model teoritis) sesuai, cocok, pas (fit)
    atau tidak dengan data. Evaluasi terhadap kinerja model tersebut dilakukan secara menyeluruh (overall test).
    Secara garis besar ukuran kesesuaian terdiri atas dua, yaitu yang bersifat absolut dan komparatif. Yang komparatif terdiri atas komparatif dan parsimonious. Ukuran kesesuaian yang absolut yaitu untuk mengukur kemampuan model untuk menghasilkan lagi matriks kovarians (korelasi), sedangkan yang komparatif yaitu membandingkan dua atau lebih model (competing models) untuk menghasilkan nilai kesesuaian yang lebih baik. Ukuran kesesuaian parsimonious didasarkan bahwa “tidak ada model yang terbaik, tetapi selalu ada model yang lebih baik”.
    Model persamaan struktural dikatakan sesuai, cocok, atau fit dengan data memiliki pengertian:
  • Cocok secara absolut dengan data
  • Lebih baik relatif terhadap model-model lain (misalnya membandingkan model yang diusulkan dengan null model), atau
  • Lebih sederhana relatif terhadap model-model alternative (misalnya membandingkan overidentified model dengan restricted model).

Absolute-Fit Measures

Tabel 1. Ukuran Kecocokan Absolut

Ukuran GOFTingkat kecocokan yang bisa diterima
Statistik Chi-squareMengikuti uji statistik yang berkaitan dengan persyaratan signifikan. Semakin kecil semakin baik.
Non-Centrality Parameter (NCP)Dinyatakan dalam bentuk spesifikasi ulang dari Chi-Square. Penilaian didasarkan atas perbandingan denga model lain. semakin kecil semakin baik.
Scaled NCP (SNCP)NCP yang dinyatakan dalam bentuk rata-rata perbedaan setiap pengamatan dalam rangka perbandingan antar model. semakin kecil semakin baik.
Goodness-of-Fit Index (GFI)Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. 0 adalah good-fit, sedangkan adalah marginal fit.
Root Mean Square residuan (RMR)Residual rata-rata antar matriks (korelasi atau kovarian) teramati dan hasil estimasi. Standardized R adalah good fit.
Root Mean Square error of Approximation (RMSEA)Rata-rat perbeadaan per derajat bebasyang diharapkan terjadi dalam populasi dan bukan dalam sampel. RMSEA 0,08 adalah Good-fit, sedang RMSEA < 0,05 adalah close fit.
Expected Cross Validation Index (ECFI)Digunakan untuk perbandingan antar model. semakin kecil semakin baik. Pada model tunggal, nilai ECVI dari model yang mendekati nilai saturated ECVI menunjukkan good fit.

Incremental Fit Measures

Tabel 2. Ukuran Kecocokan Inkremental

Ukuran GOFTingkat kecocokan yang bisa diterima
Tucker-Lewis Index atau Non-Normed Fit Index (TLI atau NNFI)Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. adalah good fit, sedangkan adalah marginal fit.
Normed Fit Index (NFI)Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. adalah good fit, sedangkan adalah marginal fit.
Adjusted Goodness of Fit Index (AGFI)Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. adalah good fit, sedangkan adalah marginal fit.
Relatif Fit Index (RFI)Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. adalah good fit, sedangkan adalah marginal fit.
Incremental Fit Index (IFI)Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. adalah good fit, sedangkan adalah marginal fit.
Comparative Fit Index (CFI)Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. adalah good fit, sedangkan adalah marginal fit.

Parsimonious Fit Measures

Tabel 3. Ukuran Kesesuian Parsimonious

Ukuran GOFTingkat kecocokan yang bisa diterima
Parsimonious Goodness of FIT (PGFI)Spesifikasi ulang dari GFI, dimana nilai lebih tinggi menunjukkan parsimoni yang lebih besar. Ukuran ini digunakan untuk perbandingan di anatara model-model
Normed Chi-SquareRasio atara Chi-square dibagi derajat bebas. Nilai yang disarankan batas bawah: 1.0, batas atas: 2.0 atau 3.0 dan yang lebih longgar 5.0
Parsimonious Normed Fit Index (PNFI)Nilai tinggi menunjukkan kecocokan lebih baik; hanya digunakan untuk perbandingan antar model alternatif.
Akakike Information Criterion (AIC)Nilai positif lebih kecil menunjukkan parsimoni yang baik; digunakan untuk perbandingan antar model. pada model tunggal, nilai AIC dari model yang mendekati nilai saturated AIC menunjukkan good fit.
Consistent Akaike Information Criterion (CAIC)Nilai positif lebih kecil menunjukkan parsimoni yang baik; digunakan untuk perbandingan antar model. pada model tunggal, nilai CAIC dari model yang mendekati nilai saturated CAIC menunjukkan good fit.

STUDI KASUS

Judul    : PENGARUH DIMENSI KEPERCAYAAN (TRUST) TERHADAP PARTISIPASI PELANGGAN E-COMMERCE


(Studi Pada Pelanggan E-Commerce Di Indonesia)

Oleh    : Ainur Rofiq – Program Studi Manajemen – Kekhususan Akuntansi Manajemen – Program Pascasarjana – Fakultas Ekonomi – Universitas Brawijaya – Malang – 2007

Perumusan Masalah

  • Bagaimana pengaruh kemampuan (ability), kebaikan hati (benevolence), dan integritas (integrity) vendor terhadap kepercayaan (trust) pelanggan ecommerce di Indonesia?
  • Bagaimana pengaruh kemampuan (ability), kebaikan hati (benevolence), dan integritas (integrity) vendor terhadap tingkat partisipasi pelanggan ecommerce di Indonesia?
  • Bagaimana pengaruh kepercayaan (trust) terhadap tingkat partisipasi pelanggan e-commerce di Indonesia?

Tujuan Penelitian

Dengan mengacu pada perumusan masalah, maka tujuan penelitian ini adalah:

  • Menganalisis pengaruh kemampuan (ability), kebaikan hati (benevolence), dan integritas (integrity) vendor terhadap kepercayaan (trust) pelanggan ecommerce di Indonesia.
  • Menganalisis pengaruh kemampuan (ability), kebaikan hati (benevolence), dan integritas (integrity) vendor terhadap tingkat partisipasi pelanggan ecommerce di Indonesia.
  • Menganalisis pengaruh kepercayaan (trust) terhadap tingkat partisipasi pelanggan e commerce di Indonesia.

Model Konseptual dan Hipotesis

Berdasarkan perumusan masalah maka model konseptual penelitian ini adalah:

Dari model konseptual tersebut, hipotesis penelitian yang dikembangkan sebagai

berikut:

H1 : Kemampuan (ability) vendor mempunyai pengaruh positif secara langsung terhadap kepercayaan (trust) pelanggan e-commerce di Indonesia.

H2 : Kebaikan hati (benevolence) vendor mempunyai pengaruh positif secara langsung terhadap kepercayaan (trust) pelanggan e-commerce di Indonesia.

H3 : Integritas (integrity) vendor mempunyai pengaruh positif secara langsung terhadap kepercayaan (trust) pelanggan e-commerce di Indonesia.

H4 : Kepercayaan (trust) mempunyai pengaruh positif secara langsung terhadap tingkat partisipasi pelanggan e-commerce di Indonesia.

H5 : Kemampuan (ability) vendor mempunyai pengaruh positif, baik secara langsung maupun tidak langsung terhadap tingkat partisipasi pelanggan ecommerce di Indonesia.

H6 : Kebaikan hati (benevolence) vendor mempunyai pengaruh positif, baik secara langsung maupun tidak langsung terhadap tingkat partisipasi pelanggan ecommerce di Indonesia.

H7 : Integritas (integrity) vendor mempunyai pengaruh positif, baik secara langsung maupun tidak langsung terhadap tingkat partisipasi pelanggan ecommerce di Indonesia.

Berdasarkan ketujuh hipotesis tersebut di atas, secara grafis, dapat digambarkan sebagai berikut:

KonstrukIndikatorKode
AbilityKompetensiX1
PengalamanX2
Pengetahuan luasX3
Pengesahan InstitusionalX4
BenevolencePerhatianX5
Kemauan berbagiX6
Dapat diharapkanX7
IntegrityPemenuhanX8
KeterusteranganX9
KehandalanX10
TrustKeyamananY1
KepuasanY2
Tanggung jawabY3
ParticipationKeberlanjutanY4
FrekuensiY5
RekomendasiY6

Secara lebih detail, definisi operasional penelitian di atas diuraikan sebagai berikut:

Variabel Eksogen Ability.

Ability didefinisikan sebagai persepsi pelanggan tentang kemampuan penjual melalui media e-commerce dalam menyediakan barang, memberikan rasa aman dan nyaman dalam transaksi. Indikator yang digunakan untuk mengukur variabel ini adalah:

  • Kompetensi (X1): Persepsi pelanggan bahwa vendor e-commerce mempunyai kemampuan dalam menyediakan barang yang berkualitas
    bagi pelanggan.
  • Pengalaman (X2): Persepsi pelanggan bahwa vendor e-commerce mempunyai pengalaman sehingga mampu mengirim barang tepat
    pada waktunya.
  • Pengetahuan Luas (X3): Persepsi pelanggan bahwa vendor ecommerce memiliki pengetahuan yang baik dalam mengamankan
    transaksi.
  • Pengesahan Institusional (X4): Persepsi pelanggan bahwa vendor ecommerce telah diakui keberadaannya oleh pihak-pihak lain, seperti
    supplier, distributor, jasa pengiriman, dan sebagainya.

Variabel Eksogen Benevolence

Benevolence didefinisikan sebagai persepsi pelanggan terhadap keinginan baik penjual melalui media e-commerce dalam memberikan kepuasan transaksi. Indikator yang digunakan untuk mengukur variabel ini adalah:

  • Perhatian (X5): Persepsi pelanggan bahwa vendor e-commerce memiliki perhatian untuk memberikan pelayanan terbaik bagi
    pelanggannya.
  • Kemauan Berbagi (X6): Persepsi pelanggan bahwa vendor ecommerce memiliki kemauan untuk memberikan keuntungan bagi
    pelanggannya.
  • Dapat Diharapkan (X7): Persepsi pelanggan bahwa vendor ecommerce memiliki itikad baik untuk memberikan kepuasan kepada
    pelanggannya.

Variabel Eksogen Integrity

Integrity didefiniskan sebagai persepsi pelanggan mengenai komitmen penjual melalui media e-commerce dalam menjaga nilai-nilai untuk memberikan pelayanan terbaik kepada pelanggan. Indikator yang digunakan untuk mengukur variabel ini adalah:

  • Pemenuhan (X8): Persepsi pelanggan bahwa vendor e-commerce akan memenuhi apa yang diharapkan pelanggannya.
  • Keterusterangan (X9): Persepsi pelanggan bahwa vendor e-commerce tidak akan menyembunyikan informasi yang penting bagi
    pelanggannya.
  • Kehandalan (X10): Persepsi pelanggan bahwa vendor e-commerce selalu menjaga reputasinya.

Variabel Endogen Trust

  • Trust didefinisikan sebagai kepercayaan pelanggan yang timbul karena pelanggan merasa puas dan nyaman atas pemenuhan tanggung jawab penjual pada transaksi melalui media e-commerce. Indikator yang digunakan untuk mengukur variabel ini adalah:
  • Kenyamanan (Y1): Persepsi pelanggan bahwa vendor e-commerce memberikan kenyamanan dalam bertransaksi.
  • Kepuasan (Y2): Persepsi pelanggan bahwa vendor e-commerce memberikan kepuasan dalam bertransaksi.
  • Tanggung Jawab (Y3): Persepsi pelanggan bahwa vendor e-commerce memenuhi tanggung jawabnya terhadap pelanggan.

Variabel Endogen Participation

Participation didefinisikan sebagai intensitas pelanggan dalam melakukan

transaksi melalui media e-commerce. Indikator yang digunakan untuk mengukur variabel ini adalah:

  • Keberlanjutan (Y4): Persepsi pelanggan bahwa pelanggan akan terus bertransaksi (intention to purchase) melalui media e-commerce.
  • Frekuensi (Y5): Persepsi pelanggan bahwa pelanggan akan meningkatkan frekuensi bertransaksi melalui media e-commerce.
  • Rekomendasi (Y6): Persepsi pelanggan bahwa pelanggan akan merekomendasikan kepada pihak lain agar bertransaksi melalui media e-commerce.

Langkah-langkah dengan aplikasi swan

  1. Simpan data dalam excel dan simpan dengan format comma delimited (.csv)
  2. Buka aplikasi swan pada browser (Mozilla atau google crome)
  3. Input data pada aplikasi
  4. Pada sisi kiri aplikasi pilih Structural Model

    Tentukan model SEM yang akan dibuat, pada kasus ini terdapat tiga variabel eksogen , satu variabel mediasi dan satu vaiabel dependen.
  5. Membuat model pengukuran, dalam kotak Latent Variable ketikan nama variabel laten yaitu ability, pilih operator (=~), operator tersebut menghubungkan variabel laten dengan variabel teramati dan pada Right Variable masukan variabel teramati bagi ability yaitu X1, X2, X3, X4. Klik Input
  • Lakukan hal yang sama pada semua variabel laten dan variabel teramati
  1. Membuat model structural, dalam kasus ini model struktural dibentuk dari dua model yaitu model untuk trust dan model untuk participation

Trust= a1 ability + a2 benevolence + a3 integrity

Participation= b1 trust + c1 ability + c2 benevolence + c3 integrity

  • kotak left Variable masukan variabel endogen yaitu trust, pilih operator (~), operator tersebut menyatakan pengaruh variabel laten eksogen terhadap variabel laten endogen dan pada Right Variable masukan variabel eksogen yaitu, ability, benevolence, integrity. Klik Input
  • lakukan hal yang sama untuk persamaan participation sehingga pada kolom Equation akan tampil sebagai berikut:
  1. Pilih Analyze, kemudian pilih Structural Equation Model, klik RUN
  2. Pilih Result untuk melihat hasilnya
  • Result (Regression Weight, Standardize Regression Weight
    and
    Variance)
  • SMP (Square Multiple Correlations)
  • MATRIX (Implied (for all variables) Covariances , Implied (for all variables) Correlations, Residual Covariances, Standardized Residual Covariances)
  • MI (Modification Indices)
  • MF (Model Fit)
  • VD (Validity, Discriminant Validity, Reliability)
  • NORM (Univariate Normal, Multivariate Normal)
  • OUTL (Multivariate outlier)
  1. Pilih Plot untuk melihat gambarnya
  • Untuk melakukan pengaturan plot pilih Plot Option
  1. Hasil pada langkah ke-8 tidak akan memunculkan nilai dari variabel mediasinya (tidak ada pengaruh tidak langsung dari variabel independen terhadap variabel dependen melalui variabel mediasi) untuk melakukan analisis dengan variabel mediasi maka
  • Pilih Mediation, masukan variabel ability, benevolence, integrity kedalam independent variable, variabel trust kedalam mediator dan variabel participation dalam dependent variable. Klik Input, klik input to the equation
  • Maka pada tab Model akan muncul sebagai berikut
  • Dalam kotak Equation terdapat dua persamaan yang sama yaitu persamaan yang di blok warna biru dan persamaan dari model mediasinya, maka persamaan sebelumnya yang sama dengan persamaan dalam model mediasi dihapus, menjadi seperti berikut:
  • Kemudian klik RUN, pada result akan terdapat tambahan hasil berikut atau pengujian untuk pengaruh tidak langsung dan pengaruh total.

Hasil dan Pembahasan

Pengujian validitas

Validitas indikator yang menyusun sebuah konstruk dapat dilihat dari nilai loading factor-nya. Nilai Loading Factor dari aplikasi SWAN ditampilkan pada Result, VDValidity dan disajikan pada tabel 4. Sebuah indikator dikatakan valid jika nilai loading factor-nya lebih dari 0.05. Berdasarkan tabel 4 pada indikator X1 loading factornya 0,495 nilai ini sangat dekat dengan 0,5 sehingga dibulatkan menjadi 0,5. Selain itu, ternyata masih terdapat Loading Factor indikator yang nilainya kurang dari 0,50 yaitu indikator X4. Sehingga untuk membentuk model yang fit indikator X4 dikeluarkan, maka dilakukan re-estimasi untuk melihat model struktural yang baru.

Gambar 5. Diagram SEM

Tabel 4. Nilai Loading Factor Indikator

latent item lf

1 ability X1 0.495

2 ability X2 0.602

3 ability X3 0.706

4 ability X4 0.247

5 benevolence X5 0.875

6 benevolence X6 0.902

7 benevolence X7 0.953

8 integrity X8 0.547

9 integrity X9 0.667

10 integrity X10 0.679

11 trust Y1 0.766

12 trust Y2 0.821

13 trust Y3 0.561

14 participation Y4 0.728

15 participation Y5 0.759

16 participation Y6 0.792

Berdasarkan hasil re-estimasi sebagaimana ditunjukkan pada Tabel 5 ternyata Loading Factor dari semua indikator tidak ada yang lebih kecil dari 0,50. Dengan demikian, maka semua indikator dinyatakan valid dan proses evaluasi model dapat dilanjutkan.

Gambar 6. Diagram SEM setelah Re-estimasi

Tabel 5. Nilai Loading Factor Indikator setelah Re-estimasi

latent item lf

1 ability X1 0.525

2 ability X2 0.687

3 ability X3 0.609

4 benevolence X5 0.875

5 benevolence X6 0.902

6 benevolence X7 0.953

7 integrity X8 0.548

8 integrity X9 0.668

9 integrity X10 0.678

10 trust Y1 0.766

11 trust Y2 0.821

12 trust Y3 0.562

13 participation Y4 0.728

14 participation Y5 0.760

15 participation Y6 0.792

Pengujian Reliabilitas

Reliabilitas dapat diukur dengan menghitung nilai CR dapat dilihat pada result, VD, Reliability. Nilainya disajikan pada Tabel 6. Sebagai berikut:

Tabel 6. Nilai Cronbach Alpha

Cronbach_Alpha

ability 0.6266169

benevolence 0.9341317

integrity 0.6496632

trust 0.7492391

participation 0.7995988

total 0.7864784

Berdasarkan hasil perhitungan tersebut, karena tidak ada nilai construct reliability yang nilainya di bawah 0,60 maka semua konstruk dalam penelitian ini
layak untuk digunakan dalam model.

PENGUJIAN ASUMSI SEM

  1. Normalitas Univariat
    Pengujian normalitas data dilakukan dengan menggunakan kriteria critical ratio skewness value sebesar ± 2,58 pada signifikasi 1%. Data dikatakan berdistribusi normal jika nilai critical ratio skewness value (cr.skew) dan critical ratio kurtosis value (cr.kurt) di bawah nilai mutlak 2,58. Pada aplikasi SWAN nilai ini berada di Result, NORM
    dan disajikan pada Tabel 7.

Tabel 7. critical ratio skewness value

item minimum maximum skewness cr_skew kurtosis cr_kurt

1 X1 2 4 0.25234169 1.27009199 -1.2142149 -3.05570709

2 X2 2 4 0.27622526 1.39030333 -0.9253393 -2.32871938

3 X3 2 4 -0.15162959 -0.76318553 -0.7561854 -1.90302498

4 X5 2 5 0.07542983 0.37965513 -0.9085923 -2.28657381

5 X6 2 5 0.00657759 0.03310648 -1.0819278 -2.72279181

6 X7 2 5 0.02051714 0.10326732 -0.7684859 -1.93398036

7 X8 3 5 0.01117644 0.05625350 -0.5800802 -1.45983652

8 X9 2 5 -0.38989752 -1.96244115 -0.0280398 -0.07056529

9 X10 4 5 -0.34380177 -1.73043096 -1.8941322 -4.76679477

10 Y1 3 5 -0.33992542 -1.71092043 -0.8732121 -2.19753552

11 Y2 3 5 -0.50458040 -2.53966566 -0.6686056 -1.68262058

12 Y3 3 5 -0.01311600 -0.06601577 -0.2251192 -0.56653762

13 Y4 3 5 0.10657833 0.53643251 -0.4914492 -1.23678671

14 Y5 3 5 0.08062042 0.40578055 0.1483091 0.37323641

15 Y6 3 5 -0.01104563 -0.05559510 0.4087009 1.02854143

Berdasarkan dari tabel 7, ternyata cr.skew dari masing-masing indikator mempunyai nilai di dalam rentang ± 2,58. Sedangakan pada nilai cr.kurt terdapat 3 indikator dari 15 indikator nilainya di diluar rentang ± 2,58. Namun karena jumlah responden 152 jadi, dapat disimpulkan bahwa data dari semua indikator berditribusi normal. Asumsi normalitas univariat terpenuhi.

  1. Normalitas Multivariat
    Pengujian normalitas multivariate mengunakan uji Mardia, menguji nilai skewness dan kurtosisnya. Dalam aplikasi SWAN Mardia’s Multivariate Normality Test disajikan pada Result, NORMTabel 8 menunjukkan bahwa result dari uji tersebut data menyebar normal multivariat
    Tabel 8. Uji normalitas Multivariat
Mardia’s Multivariate Normality Test

—————————————

data : dtmr(df(), fitnyaji())

g1p : 29.24632

chi.skew : 740.9068

p.value.skew : 0.05233421

g2p : 251.1309

z.kurtosis : -1.056117

p.value.kurt : 0.2909146

chi.small.skew : 757.3863

p.value.small : 0.02059365

Result : Data are multivariate normal.

—————————————

  1. Data tidak mengandung outlier
    Pengujian ini dilakukan dengan melihat nilai dari jarak mahalanobis. Bila d-squared < maka tidak terjadi outlier. Nilai Kritis dari tabel Chi-Square dengan p (banyak indikator) dan α=0,05. Nilai d-squared dan nilai Chi-square dapat dilihat pada output Aplikasi SWAN pada Resutl, OUTL. Seluruh nilai mahalanobis d-squared menunjukkan nilai yang kurang dari nilai chi-squared. Oleh karena itu, tidak terdapat multivarite outlier pada data penelitian ini, berarti data tersebut layak untuk digunakan.

Tabel 9. Nilai mahalanobis d-squared

Evaluasi Indeks Kriteria Goodness Of Fit

Dalam analisis SEM tidak ada alat uji statistik tunggal untuk mengukur atau menguji hipotesis mengenai model. Umumnya terhadap berbagai jenis fit
index yang digunakan untuk mengukur derajad kesesuaian antara model yang dihipotesiskan dengan data yang disajikan. Pada aplikasi SWAN nilai goodness of fit disajikan pada ResultMF(Model Fit) sebagaimana ditunjukkan Tabel 10.

Tabel 10. Goodness of fit Absolute Fit Measures

KreiteriaHasilNilai kritisKesimpulan
p-value0.314≥0,05Baik
RMSEA0.021≤0,08Baik
GFI0.934≥0,90Baik
AGFI0.902≥0,90Baik
TLI0.992≥0,95Baik
CFI0.994≥0,95Baik

Berdasarkan Tabel 10, dapat dilihat bahwa semua kriteria pengujian menunjukkan hasil yang baik. Pengujian model yang dilakukan menghasilkan konfirmasi yang baik atas dimensi dimensi faktor dan hubungan kausalitas antar faktor. Dengan demikian maka model tersebut dapat diterima.

Pengujian Hipotesis

Pengujian koefisien jalur pada model persamaan structural disajikan pada Tabel 11. Pengujian hipotesis dilakukan dengan melihat nilai p-value, jika p-value lebih kecil dari alpha 0.05 maka terdapat hubungan yang signifikan antar variable.

Tabel 11. Regressions

Regressions:

Estimate Std.Err z-value P(>|z|) Std.lv Std.all

participation ~

trust (b1) 0.482 0.108 4.460 0.000 0.562 0.562

ability (c1) 0.054 0.101 0.537 0.591 0.048 0.048

benevolnc (c2) 0.009 0.043 0.213 0.832 0.017 0.017

integrity (c3) 0.355 0.161 2.205 0.027 0.279 0.279

trust ~

ability (a1) 0.036 0.136 0.263 0.792 0.027 0.027

benevolnc (a2) 0.097 0.058 1.672 0.095 0.153 0.153

integrity (a3) 0.770 0.202 3.818 0.000 0.518 0.518

Defined Parameters:

Estimate Std.Err z-value P(>|z|) Std.lv Std.all

ind1 0.017 0.066 0.263 0.792 0.015 0.015

ind2 0.047 0.030 1.564 0.118 0.086 0.086

ind3 0.371 0.118 3.154 0.002 0.291 0.291

total1 0.853 0.210 4.069 0.000 0.736 0.736

Pengujian Pengaruh Langsung

  • H1 : Kemampuan (ability) vendor mempunyai pengaruh positif secara langsung terhadap kepercayaan (trust) pelanggan e-commerce di Indonesia. Variabel ability mempunyai pengaruh positif terhadap variabel trust sebesar 0,027 dengan p-value 0,792. Pada taraf keyakinan 95% berarti pengaruh variabel tersebut tidak signifikan karena p-value lebih besar dari 0,05. Dapat disimpulkan bahwa hipotesis pertama terbukti meskipun tidak signifikan.
  • H2 : Kebaikan hati (benevolence) vendor mempunyai pengaruh positif secara langsung terhadap kepercayaan (trust) pelanggan e-commerce di Indonesia. Variabel benevolence mempunyai pengaruh positif terhadap variabel trust sebesar 0,153 dengan p-value 0,095. Pada taraf keyakinan 95% berarti pengaruh variabel tersebut tidak signifikan karena p-value lebih besar dari 0,05. Dapat disimpulkan bahwa hipotesis kedua terbukti meskipun tidak signifikan.
  • H3 : Integritas (integrity) vendor mempunyai pengaruh positif secara langsung terhadap kepercayaan (trust) pelanggan e-commerce di Indonesia. Variabel integrity mempunyai pengaruh positif terhadap variabel trust sebesar 0,807 dengan p-value 0,000. Pada taraf keyakinan 95% berarti pengaruh variabel tersebut signifikan karena p-value lebih kecil dari 0,05. Dapat disimpulkan bahwa hipotesis keketiga terbukti dan meyakinkan.
  • H4 : Kepercayaan (trust) mempunyai pengaruh positif secara langsung terhadap tingkat partisipasi pelanggan e-commerce di Indonesia. Variabel trust mempunyai pengaruh positif terhadap variabel participation sebesar 0,562 dengan p-value 0,000. Pada taraf keyakinan 95% berarti pengaruh variabel tersebut signifikan karena p-value kurang dari 0,05. Dapat disimpulkan bahwa hipotesis keempat terbukti dan meyakinkan.
  • H5 : Kemampuan (ability) vendor mempunyai pengaruh positif, secara langsung terhadap tingkat partisipasi pelanggan ecommerce di Indonesia. Variabel ability mempunyai pengaruh positif secara langsung terhadap variabel participation sebesar 0,048 dengan p-value 0,591. Pada taraf keyakinan 95% berarti pengaruh variabel tersebut tidak signifikan karena p-value lebih besar dari 0,05.
  • H6 : Kebaikan hati (benevolence) vendor mempunyai pengaruh positif secara langsung terhadap tingkat partisipasi pelanggan ecommerce di Indonesia. Variabel benevolence mempunyai pengaruh positif secara langsung terhadap variabel participation sebesar 0,017 dengan p-value 0,832. Pada taraf keyakinan 95% berarti pengaruh variabel tersebut tidak signifikan karena p-value lebih besar dari 0,05
  • H7 : Integritas (integrity) vendor mempunyai pengaruh positif secara langsung terhadap tingkat partisipasi pelanggan ecommerce di Indonesia. Variabel integrity mempunyai pengaruh positif secara langsung terhadap variabel participation sebesar 0,279 dengan p-value 0,027. Pada taraf keyakinan 95% berarti pengaruh variabel tersebut signifikan karena p-value kurang dari 0,05.

Pengujian Pengaruh Tidak Langsung

Defined Parameters:
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
ind1 0.017 0.066 0.263 0.792 0.015 0.015
ind2 0.047 0.030 1.564 0.118 0.086 0.086
ind3 0.371 0.118 3.154 0.002 0.291 0.291
total1 0.853 0.210 4.069 0.000 0.736 0.736
# Mediation Effect
participation ~b1*trust +c1*ability +c2*benevolence +c3*integrity
trust ~a1*ability +a2*benevolence +a3*integrity
ind1:=a1*b1
ind2:=a2*b1
ind3:=a3*b1
total1:=c1+c2+c3+a1*b1+a2*b1+a3*b1
  • ind1:=a1*b1
    a1 adalah koefisien bagi ability terhadap trust
    b1 adalah koefisien bagi trust terhadap participation
    jadi ind1 adalah koefisien pengaruh tidak langsung ablility terhadap participation melalui trust
  • ind2:=a2*b1
    a2 adalah koefisien bagi benevolence terhadap trust
    b1 adalah koefisien bagi trust terhadap participation
    jadi ind2 adalah koefisien pengaruh tidak langsung benevolence terhadap participation melalui trust
  • ind3:=a3*b1
    a3 adalah koefisien bagi integrity terhadap trust
    b1 adalah koefisien bagi trust terhadap participation
    jadi ind3 adalah koefisien pengaruh tidak langsung benevolence terhadap participation melalui trust
  • H5 : Kemampuan (ability) vendor mempunyai pengaruh positif, secara tidak langsung terhadap tingkat partisipasi pelanggan ecommerce di Indonesia. Variabel ability memiliki pengaruh tidak langsung sebesar 0.015 dengan p-value 0.782 nilainya lebih dari 0.05 sehingga terima H0. Jadi tidak terdapat pengaruh tidak langsung variabel ability terhadap patisipasi pelanggan.
  • H6 : Kebaikan hati (benevolence) vendor mempunyai pengaruh positif, secara tidak langsung terhadap tingkat partisipasi pelanggan ecommerce di Indonesia. Variabel benevolance memiliki pengaruh tidak langsung sebesar 0.086 dengan p-value 0.118 nilainya lebih dari 0.05 sehingga terima H0. Jadi tidak terdapat pengaruh tidak langsung variabel benevolance terhadap patisipasi pelanggan.
  • H7 : Integritas (integrity) vendor mempunyai pengaruh positif secara tidak langsung terhadap tingkat partisipasi pelanggan ecommerce di Indonesia. Variabel integrity memiliki pengaruh tidak langsung sebesar 0.291 dengan p-value 0.002 nilainya kurang dari 0.05 sehingga terima H7. Jadi terdapat pengaruh tidak langsung variabel integritas terhadap patisipasi pelanggan.

Analisis Pengaruh Langsung, tidak Langsung dan Total

Analisis ini digunakan untuk melihat kekuatan pengaruh antar konstruk, baik pengaruh langsung, pengaruh tidak langsung, maupun pengaruh totalnya. Menurut Ferdinand (2000:139) pengaruh langsung (direct
effect) merupakan koefisien dari semua garis dengan anak panah satu ujung. Sedangkan pengaruh tidak langsung (indirect effect) adalah pengaruh yang muncul melalui sebuah variabel antara dan pengaruh total (total effect) adalah pengaruh dari berbagai hubungan.

Pengaruh langsung dari model penelitian ini sebagaimana disajikan pada tabel 11

Tabel 11. Pengaruh langsung

integritybenevolenceabilitytrust
trust0.5180.1530.0270.000
participation0.2790.0170.0480.562

Dalam penelitian ini terdapat tiga variabel yang memiliki pengaruh langsung terhadap variabel trust dan terdapat empat variabel yang memiliki pengaruh langsung terhadap variabel participation. Hasil pengukuran menunjukkan bahwa variabel yang memiliki pengaruh langsung terbesar terhadap variabel trust adalah variabel integrity. yaitu sebesar 0.518 dan variabel yang memiliki pengaruh langsung terbesar terhadap variabel participation adalah variabel trust. yaitu sebesar 0.562.

Dalam model penelitian ini juga diukur pengaruh tidak langsung antar variabel. yaitu terdapat tiga variabel yang memiliki pengaruh tidak langsung terhadap variabel participation sebagaimana ditunjukkan pada tabel 12. Dari pengukuran tersebut. variabel yang memiliki pengaruh tidak langsung terbesar terhadap variabel participation adalah variabel integrity. yaitu sebesar 0.291.

Tabel 12. Pengaruh tidak Langsung

integritybenevolenceabilityTrust
trust0.0000.0000.000
participation0.2910.0860.015

Oleh karena adanya pengaruh langsung dan pengaruh tidak langsung antar variabel dalam model penelitian ini. maka perlu diukur pengaruh totalnya. Hasil pengukuran pengaruh total antar variabel sebagaimana ditunjukkan pada tabel 13

Tabel 12. Pengaruh Total

integritybenevolenceabilityTrust
trust0.5180.1530.027
participation0.5700.1030.0630.562

Berdasarkan hasil pengukuran tersebut diketahui bahwa variabel yang memiliki pengaruh total terbesar terhadap variabel trust adalah variabel integrity. yaitu sebesar 0.518 dan variabel yang memiliki pengaruh total terbesar terhadap variabel participation adalah variabel trust. yaitu sebesar 0.562.

Leave a comment

This website uses cookies to improve your web experience.
Beranda
Konsultasi
Call Center
Cari Artikel
× Add a menu in "WP Dashboard->Appearance->Menus" and select Display location "WP Bottom Menu"