Langkah-Langkah Path Analysis

Salah satu komponen penting dalam analisis path adalah diagram path. Diagram path dibuat untuk mempresentasikan hubungan kausal antar variabel ke dalam bentuk gambar sehingga semakin mudah terbaca (Dillon dan Goldstein, 1984). Notasi anak  panah Pada diagram jalur digunakan dua macam anak panah, yaitu anak panah satu arah yang menyatakan pengaruh langsung dari sebuah variabel eksogen variabel penyebab (X) terhadap sebuah variabel endogen variabel akibat (Y), dan anak panah dua arah menunjukkan hubungan korelasional antara variabel eksogen.

Menurut Ferdinand (2006), ada tujuh langkah yang harus dilakukan untuk menyiapkan analisis jalur, yaitu:

1. Pengembangan Model Teoritis

Langkah pertama dalam pengembangan model adalah pencarian atau pengembangan sebuah model yang mempunyai justifikasi teoritis yang kuat. Model yang dirancang merupakan model-model yang bisa dinyatakan ke dalam bentuk persamaan dan mengandung hubungan kausal di dalamnya. Mengingat bahwa model hipotetik yang dibangun bisa lebih dari satu terutama bila landasan konsepnya belum matang.

2. Pengembangan Path Diagram atau diagram alur

Dalam langkah kedua ini, model teoritis yang telah dibangun pada tahap pertama akan digambarkan dalam sebuah path diagram, yang akan mempermudah untuk melihat hubungan-hubungan kausalitas yang ingin diuji. Dalam diagram alur, hubungan antar konstruk akan dinyatakan melalui anak panah. Anak panah yang lurus menunjukkan sebuah hubungan kausal yang langsung antara satu konstrak dengan konstrak lainya. Sedangkan garis-garis lengkung antar konstruk dengan anak panah pada setiap ujungnya menunjukkan korelasi antar konstruk. Konstruk yang dibangun dalam diagram alur dapat dibedakan dalam dua kelompok, yaitu:

•Exogenous constructs atau konstruk eksogen Dikenal juga sebagai source variables atau independent variables yang tidak diprediksi oleh variabel lain dalam model. Konstruk eksogen adalah konstruk yang dituju oleh garis dengan satu ujung panah.

•Endogenous construct atau konstruk endogen Merupakan faktor-faktor yang diprediksi oleh satu atau beberapa konstruk. Konstruk endogen dapat memprediksi satu atau beberapa konstruk endogen lainnya, tetapi konstruk endogen hanya dapat berhubungan kausal dengan konstruk endogen.

Setelah model teoritis dibangun pada langkah pertama, maka langkah selanjutnya adalah mengembangkan model tersebut dalam diagram path. Dengan diagram path tersebut dapat dilihat hubungan-hubungan kausalitasyang ingin diuji. Konstruk yang dibangun dalam diagram alur dapat dibedakan menjadi konstruk eksogen dan konstruk endogen. Konstruk eksogen adalah yang tak dapat diprediksi oleh variabel lain dalam model.

Sedangkan konstruk endogen adalah faktor-faktor yang diprediksi oleh satuatau beberapa konstruk-konstruk eksogen hanya dapat berhubungan kausal dengan kontruk endogen. Setelah dituangkan dalam diagram path maka model dapat mulai dikonversikan ke dalam persamaan struktural.

3. Konversi diagram alur ke dalam persamaan struktural dan model pengukuran

Persamaan yang didapat dari diagram alur yang dikonversi terdiri dari Structural Equation atau persamaan struktural. Dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk. Rumus yang dikembangkan adalah: Variabel endogen = variabel eksogen + variabel endogen + error. Pemeriksaan asumsi model analisis path

Asumsi-asumsi yang harus dipenuhi pada pengujian model analisis path ini adalah sebagai berikut

a. Ukuran sampel

Menurut Hair et al. (1998), ukuran sampel yang dibutuhkan untuk data multivariat adalah antara 100-200 variabel.

b. Normalitas data

Sebaran data harus dianalisis untuk melihat asumsi normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk pemodelan. Normalitas data dapat diuji dengan melihat histrogam data atau uji-uji normalitas lainnya. Dalam penelitian ini normalitas data dideteksi dengan membandingkan nilai critical ratio yang diperoleh critical ratio sebesar + 2,58 yang didapat dari tabel distribusi normal standar pada tingkat signifikansi 0,01 dengan sebesar + 2,58 yang didapat dari tabel distribusi normal standar pada tingkat signifikansi 0,01.

c. Tidak ada data outlier

Outlier adalah observasi atau data yang memiliki karakteristik unik yang terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim. Uji terhadap outlier dilakukan dengan menggunakan kriteria jarak Mahalanobis pada tingkat 0,01. Jarak Mahalanobis tersebut dievaluasi dengan menggunakan χ2 (q ; 0,01) dengan q adalah derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian (Hair et al., 1998). Penanganan outlier dapat dilakukan dengan mengeluarkan observasi atau data outlier tersebut.

d. Multikolinearitas variabel eksogen

Multikolenieritas dapat dideteksi melalui diagram korelasi antar konstruk eksogen untuk mengecek tinggi rendahnya korelasi. Jika korelasi antar variabel eksogennya tinggi maka model perlu dipertimbangkan lagi. Dalam penelitian ini, multikolinearitas dideteksi dengan melihat apakah nilai determinan matriks kovariansi sampel jauh dari nilai nol atau tidak. Jika nilai determinan matriks kovariansi sampel jauh dari nol dapat disimpulkan bahwa tidak terdapat multikolinearitas.

4. Memilih matrik input dan estimasi model.

Pada penelitian ini matrik inputnya adalah matrik kovarian atau matrik korelasi. Hal ini dilakukan karena fokus SEM bukan pada data individual, tetapi pola hubungan antar responden. Dalam hal ini ukuran sampel memegang peranan penting untuk mengestimasi kesalahan sampling. Untuk itu ukuran sampling jangan terlalu besar karena akan menjadi sangat sensitif sehiungga akan sulit mendapatkan ukuran goodness of fit yang baik, setelah model dibuat dan input data dipilih, maka dilakukan analisis model kausalitas dengan teknik estimasi yaitu teknik estimasi model yang digunakan adalah Maximum Likehood Estimation Method. Teknik ini dipilih karena ukuran sampel yang digunakan dalam penelitian ini adalah kecil (100-200 responden).

5. Menganalisa kemungkinan munculnya masalah identifikasi

Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan model yang dikembangkan menghasilkan estimasi yang unik. Bila setiap kali estimasi dilakukan muncul problem identifikasi, maka sebaiknya model dipertimbangkan ulang dengan mengembangkan lebih banyak konstruk. Disebutkan oleh Ferdinand (2006), beberapa indikasi problem identifikasi:

a. Standard error untuk satu atau beberapa koefisien adalah sangat besar.

b. Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan.

c. Munculnya angka-angka yang aneh seperti adanya varians error yang negatif.

d. Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat (misalnya lebih dari 0,9)

6. Evaluasi kriteria goodness of fit

Pada tahap ini dilakukan pengujian terhadap kesesuaian model terhadap berbagai kriteria goodness of fit. Disebutkan oleh Ferdinand (2006), beberapa indeks kesesuaian dan cut of value untuk menguji apakah sebuah model dapat diterima atau ditolak.

7. Interpretasi dan Modifikasi Model

Tahap akhir ini adalah melakukan interpretasi dan modifikasi bagi model-model yang tidak memenuhi syarat-syarat pengujian. Hair et. al. (dalam Ferdinand, 2006) memberikan pedoman untuk mempertimbangkan perlu tidaknya modifikasi model dengan melihat jumlah residual yang dihasilkan oleh model tersebut. Batas keamanan untuk jumlah residual adalah 5%.

Bila jumlah residual lebih besar dari 2% dari semua residual kovarians yang dihasilkan oleh model, maka sebuah modifikasi perlu dipertimbangkan. Bila ditemukan bahwa nilai residual yang dihasilkan model cukup besar (yaitu ≥2.58) maka cara lain dalam memodifikasi adalah dengan mempertimbangkan untuk menambah sebuah alur baru terhadap model yang diestimasi itu. Nilai residual value yang lebih besar atau sama dengan ± 2.58 diinterpretasikan sebagai signifikan secara statistik pada tingkat 5%.