aplikasi visualgsca 1.0 dalam covariance based sem dengan metode maximum likelihood dan generalized...
TRANSCRIPT
-
7/25/2019 aplikasi visualgsca 1.0 dalam covariance based sem dengan metode maximum likelihood dan generalized structu
1/10
JURNAL MATRIX VOL. 1, NO. 2, JULI 2011 50
Copyright JURNAL MATRIX 2011
APLIKASI VISUALGSCA 1.0 DALAM COVARIANCE BASEDSEM
DENGAN METODEMAXIMUM LIKELIHOOD DAN GENERALIZED
STRUCTURED COMPONENT
ANALYSIS (GSCA) UNTUK MODEL PERSAMAAN STRUKTURAL
YANG BERSIFAT RELEKSIF
Kadek Jemmy Waciko
Jurusan Administrasi Niaga, Politeknik Negeri Bali Bukit Jimbaran,PO Box 1064 Tuban Badung-Bali Phone (0361) 701981, Fax. (0361) 701128
AbstrakTujuan penelitian ini mengaplikasikan visualGSCA 1.0 dalam SEM-ML dan GSCA untuk model
persamaan struktural yang bersifat refleksif secara proporsional. Secara keseluruhan GSCA dan SEM-MLmenghasilkan evaluasi model yang sama, baik dalam evaluasi model pengukuran maupun evaluasi model
struktural sehingga keberadaan visualGSCA 1.0 tidak hanya dapat digunakan dalam GSCA namun sebagaialternatif SEM-ML. Dampak penelitian ini terutama dalam evaluasi model struktural adalah tidak adanya
alat uji statistik tunggal untuk mengukur atau menguji kecocokan data dengan model atau mengujihipotesis mengenai model secara keseluruhan (overall goodness of fit models).
Secara filosofis perbedaan antara Covariance Based SEM dengan dengan Component Based SEMadalah apakah peneliti akan menggunakan model SEM untuk menguji teori atau pengembangan teori untuk
tujuan prediksi.Pendekatan Covariance Based SEM maupun Component Based SEM tergantung dari tujuanpeneliti dan pandangan espitemic dari data ke teori, properti data yang ada, tingkat pengetahuan teoritis danpengembangan pengukuran. implikasi teoritis hasil temuan ini juga memberikan gambaran secara aplikatifsekaligus menjembatani dan menghubungkan celah antara deskripsi verbal,definisi matematis dan
interpretasi output VisualGSCA dalam ranah statistik.
Kata Kunci: Model Persamaan Struktural (SEM), Covariance Based SEM dengan metode Maximum
Likelihood (SEM-ML) dan Generalized Structured Component Analysis (GSCA)
Visualgsca 1.0 application based on sem covariance by maximum likelihood method and generalized
structured componentAnalysis (gsca) for structural equation modeling
With nature releksif
AbstractThe purpose of this study apply visualGSCA 1.0 in SEM-ML and GSCA for structural equation
model that is reflexive in proportion. Overall GSCA and SEM-ML produces the same model evaluation,
both in the evaluation of the measurement model and structural model evaluation so that the presence of
visualGSCA 1.0 can be used not only in GSCA but also can be used as an alternative to SEM-ML. The
Impact of this research, especially in the evaluation of the structural model is no single statistical test
equipment to measure or test the fit of the data with models or no one to test hypotheses about the model as
a whole (overall goodness of fit models).
The philosophical differences between the covariance based SEM with the Component-Based SEM is
whether the researchers will use the SEM model to test the theory or the development of theories for
prediction purposes. Covariance approach based SEM and SEM-Based Component depends on the goal of
researchers and espitemic views of data to the theory, properties of existing data, the level of theoretical
knowledge and the development of measurement. theoretical implications of these findings are applicable
also give an idea at once and the connecting bridge the gap between the verbal descriptions, mathematical
definition and interpretation of output VisualGSCA in the realm of statistics
Keywords: Structural Equation Modeling (SEM), Covariance Based SEM with Maximum Likelihoodmethod
(SEM-ML) and Generalized Structured Component Analysis (GSCA)
-
7/25/2019 aplikasi visualgsca 1.0 dalam covariance based sem dengan metode maximum likelihood dan generalized structu
2/10
JURNAL MATRIX VOL. 1, NO. 2, JULI 2011 51
Copyright JURNAL MATRIX 2011
I.
PENDAHULUAN
1.1.Latar Belakang MasalahAda dua pendekatan dalam analisis Model
Persamaan Struktural yaitu Covariance BasedSEM dan Component Based SEM. Covariance
Based SEM dikembangkan pertama kali olehJoreskog (1973), Keesling (1972), dan Wiley(1973). Covariance Based SEM mendapatkanpopularitas setelah tersedianya program LISRELIII (Joreskog dan Sorbom, 1970) ide dasarnya
menggunakan fungsi Maximum Likelihood(ML), selanjutnya ditulis SEM-ML (CovarianceBased SEM dengan metode Maximum
Likelihood).SEM-ML disebut juga sebagai HardModeling dengan asumsi jumlah sampel yangbesar, data harus berdistribusi secara multivariat
normal (Ghozali, 2008; Tenenhaus et al, 2004;
Chin, 2000; Wold, 1985; Fornell & Bookstein,1982). Sebagai alternatif SEM-ML sekarang
banyak penelitian yang menggunakanpendekatan Component Based SEM. Hwang danTakane (2004, 2007, 2009) mengembangkan
metode baru yang diberi nama GeneralizedStructured Component Analysis (GSCA). GSCAmerupakan soft modeling yang powerfull(Ghozali, 2008) karena tidak di dasarkan banyak
asumsi seperti data tidak harus berdistribusitertentu (distribution free), sampel tidak harusbesar, pada model yang sama dapat digunakan
untuk indikator dengan skala nominal, ordinal,interval sampai rasio.
SEM-ML mengharuskan dalam membentuk
variabel laten, indikatornya bersifat reflektifyaitu indikator atau manifest dipandang sebagaivariabel yang dipengaruhi variabel laten.
Menggunakan model indikator formatif dalamSEM-ML akan menghasilkan model yangunidentified yang berarti terdapat covariancebernilai nol diantara beberapa indikator (Ghozali,
2008). kelebihan GSCA adalah dapatmenganalisis sekaligus konstruk yang dibentukdengan indikator refleksif maupun formatif.
Untuk mengatasi kelemahan SEM-ML makadalam mengestimasi GSCA telah dikembangkansoftware oleh Hwang (2007) dengan nama
VisualGSCA 1.0. Keberadaan VisualGSCA 1.0masih dalam taraf pengembangan (versi beta,dapat diperoleh gratis di alamat
(http://www.psych.mcgill.ca/perpg/fac/hwang/VisualGSCA.html).
1.2.Rumusan MasalahPermasalahan pokok dalam penelitian ini
adalah bagaimanakah aplikasi visualGSCA 1.0
dalam SEM-ML dan GSCA untuk modelpersamaan struktural yang bersifat refleksif?.
Supaya penelitian ini tidak terlalu meluas dalam
ruang lingkup pembahasannya maka perumusanpermasalahannya dibatasi menggunakan modelpersamaan struktural yang bersifat refleksif
The Organizational IdentificationModel(Bergami & Bagozzi, 2000) yang secara
teoritis dapat dijalankan dalam SEM-ML danGSCA.
1.3.
Tujuan PenelitianDapat mengaplikasikan visualGSCA 1.0
dalam SEM-ML dan GSCA untuk modelpersamaan struktural yang bersifat refleksifsecara proporsional.
1.4.
Manfaat PenelitianMampu menjembatani menghubungkan celah
antara deskripsi verbal, definisi matematis dan
interpretasi output VisualGSCA 1.0 dalam ranahstatistik.
Organisasi yang sukses adalah organisasiyang mampu mengatur sumber daya manusia(SDM) secara bijaksana serta memanfaatkan
berbagai potensi secara efektif dan efisien [1].Hal ini sesuai dengan prinsip ergonomi dalammendesain sistem kerja yang menempatkanmanusia sebagai fokus pertimbangan untuk
menghasilkan system kerja dan produk yangmanusiawi, kompetitif dan terjaminkeberlanjutannya [2]. Sejalan dengan perkem-
bangan era global, cakupan telaah ergonomi jugameluas, tidak hanya terbatas pada interaksimanusia mesin, tetapi juga mencakup sistem
kerja, keselamatan dan kesehatan kerja,organisasi kerja, desain produk, dsb, hinggaditemukan suatu formula baru yang dikenal
dengan konsepMacro Ergonomics (ME).Untuk mengetahui sejauh mana penerapan
prinsip dasar makro ergonomi dalam pengelolaanperusahaan, maka telah dilakukan penelitian pada
sebuah perusahaan di bidang CargoInternasional yang berlokasi di Denpasar. Kajiandilakukan dengan mengacu pada dasar teori
terkait, dengan metode penelitian seperti uraianberikut.
II.
METODOLOGI PENELITIANAplikasi penelitian ini menggunakan contoh
model The Organizational Identification yangbersifat refleksif (Bergami & Bagozzi, 2000),Gambar1 merupakan model penelitian di bidangmanajemen organisasi. Sampel yang digunakan
sebanyak 305 pegawai yang berasal dari divisielektronik suatu perusahaan konglomerat di
Korea Selatan. Dalam analisis GSCA dan SEM-ML menggunakan VisualGSCA 1.0 (Hwang,
http://www.psych.mcgill.ca/perpg/fac/hwang/VisualGSCA.htmlhttp://www.psych.mcgill.ca/perpg/fac/hwang/VisualGSCA.htmlhttp://www.psych.mcgill.ca/perpg/fac/hwang/VisualGSCA.htmlhttp://www.psych.mcgill.ca/perpg/fac/hwang/VisualGSCA.htmlhttp://www.psych.mcgill.ca/perpg/fac/hwang/VisualGSCA.html -
7/25/2019 aplikasi visualgsca 1.0 dalam covariance based sem dengan metode maximum likelihood dan generalized structu
3/10
52 JURNAL MATRIX VOL. 1, NO. 2, JULI 2011
2007), Variabel yang diteliti tidak bisa
diobservasi secara langsung, sehinggapengukuran variabel-variabel yang ditelitidilakukan melalui indikator-indikator sebagai
manifest dari konsep/variabel yang diukur.Konsep seperti ini disebut sebagai faktor,
konstruk, variabel laten atau unobservebvariables. Sedangkan indikator-indikatornyayang akan diukur disebut sebagai observedvariables atau variabel manifest (Hair et al,2006). Dalam identifikasi Organisasi, terdapat
empat komponen/konstruk/variabel laten dan 21indikator, yaitu Prestise organisasi(Organizational Prestige) yang dijelaskan
melalui delapan indikator (org_pre1-org_pre8),Identifikasi organisasi (OrganizationalIdentification) yang dijelaskan melalui enam
indikator (org_iden1-org_iden6), Komitmen
affektif kesenangan (Affektive Commitment Joy)
yang dijelaskan melalui empat indikator
(ac_joy1-ac_joy4), dan Komitmen Affektif Cinta(Affective Commitment Love) yang dijelaskanmelalui tiga indikator (ac_love1-ac_love3).
Menurut Bergami dan Bagozzi (2000)Organization prestige menggambarkan persepsi
seseorang anggota organisasi bahwa merekapercaya organisasiwell aproved. Organizationalidentification merupakan bentuk identifikasisosial dimana seseorang memandang dia sebagaianggota organisasi tertentu. Sedangkan affective
commitment (joy) dan lovemenunjukkan dua tipeemosi yang berbeda yang dilekatkan padaorganisasi. Joy merupakan kebahagiaan yang
timbul dari organisasi dan love merupakantarikan emosional atau afeksi terhadaporganisasi.
Gambar 1.Pola Hubungan dalam model The Organizational Identification Data
Berdasarkan kajian teoritis yang sudah dilakukan
oleh Bergami dan Bagozzi (2000) maka model
ini menghipotesiskan bahwa :
1. Organization prestige mempe-ngaruhiOrganization Identification.
2. Organization identification mempe ngaruhi
Affective Commitment Joy.
3. Organization identification mempe ngaruhi
Affective Commitment Love
Organizationalprestige
Organizational
Identification
Affective
Comitmen Joy
Affective
Commitment Love
ac_joy1
ac_joy2 ac_joy3 ac_joy4
Org_pre8
Org_pre6
Org_pre5
Org_pre4
Org_pre3
Org_pre2
Org_pre1
Org_ident6
Org_ident5Org_ident4Org_ident3Org_ident2Org_ident1
ac_love1
ac_love2
ac_love3
-
7/25/2019 aplikasi visualgsca 1.0 dalam covariance based sem dengan metode maximum likelihood dan generalized structu
4/10
KADEK JEMMY WACIKO: APLIKASI VISUALGSCA 1.0 53
III.HASIL DAN PEMBAHASAN
3.1 Analisis Data
Analisis data menggunakan bantuan
software VisualGSCA 1.0 dimulai dengan
menggambarkan secara langsung diagram jalur
pada window program; menspesifikasikan
model refleksif menggunakan metode
bootstrap untuk mengestimasi standard erorr
parameter yang nantinya akan digunakan
untuk menentukan nilai t statistik dan
probabilitas signifikansinya; mengestimasi
model sekaligus dalam bentuk GSCA dan
SEM-ML; sedangkan analisis matematisnya
dapat disajikan sebagai berikut,
-
7/25/2019 aplikasi visualgsca 1.0 dalam covariance based sem dengan metode maximum likelihood dan generalized structu
5/10
-
7/25/2019 aplikasi visualgsca 1.0 dalam covariance based sem dengan metode maximum likelihood dan generalized structu
6/10
KADEK JEMMY WACIKO: APLIKASI VISUALGSCA 1.0 55
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0
Z
9
10
11
12
13
14
15
16
0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
w
w
w
w
w
w
w
w
17
18
19
20
21
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
w
w
w
w
w
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
1 2 3 4 5 6
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
w
w
w
w
w
w
w
w
w
w
w
w
w
w
w
w
w
w
w
w
w
c c c c c c c
=
Z
7 8 1
9 10 11 12 13 14 2 3
15 16 17 18
19 20 21
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
c b
c c c c c c b b
c c c c
c c c
+
E
-
7/25/2019 aplikasi visualgsca 1.0 dalam covariance based sem dengan metode maximum likelihood dan generalized structu
7/10
56 JURNAL MATRIX VOL. 1, NO. 2, JULI 2011
jadi
ZV = ZWA +E
= A + E
Dengan,
[ ] [ ] [ ]2 3 4 1 2 3 4, , , ; = , , , ,g g g g g g g = = Z A C,B
1 2 3 4 5 6 7 8
9 10 11 12 13 14
15 16 17 18
19 20 21
0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
c c c c c c c c
c c c c c c
c c c c
c c c
=
C
dan
1
2 3
0 0
0
0 0 00 0 0
b
b b
=
B
3.2
Evaluasi Model PengukuranBerdasarkan analisis data dengan sofware VisualGSCA 1.0 diperoleh ringkasan hasil loading faktor
GSCA dan SEM-ML yang disajikan dalam tabel 1. sebagai berikut:
Tabel 1. Loading Faktor GSCA dan SEM-ML.
Sumber Data Sekunder: Bergami dan Bagozzi (2000)
Masing-masing konstruk memiliki convergent validityyang tinggi hal ini terlihat dari semua loading
faktor nilainya 0,50. Berdasarkan nilai loading di atas didapat nilai composite reliability dan AVE(Average VarianceExtracted) dengan korelasi antar konstruk.
Loading faktor
GSCA dengan
1.0
Loading faktor
SEM-ML dengan
VisualGSCA 1.0
Org_pre1
Org_pre2Org_pre3Org_pre4Org_pre5
Org_pre6Org_pre7Org_pre8
0,78
0,820,770,810,80
0,840,770,80
0,745
0,7940,7290,7740,772
0,8210,7400,765
Org_ident1
Org_ident2Org_ident3Org_ident4
Org_ident5Org_ident6
0,80
0,760,630,81
0,800,76
0,715
0,6810,5450,797
0,7830,668
Ac-joy1Ac-joy2Ac-joy3
Ac-joy4
0,760,800,81
0,71
0,6440,7010,756
0,590
Ac-love1Ac-love2Ac-love3
0,800,730,75
0,6630,5050,662
-
7/25/2019 aplikasi visualgsca 1.0 dalam covariance based sem dengan metode maximum likelihood dan generalized structu
8/10
KADEK JEMMY WACIKO: APLIKASI VISUALGSCA 1.0 57
Tabel 3. Korelasi dan Akar AVE(Average Variance Extracted)
Org_pres Org_iden AC_joy AC_love
Org_pres 0,80 0,364 0,39 -0,215
Org_iden 0,364 0,76 0,609 -0,397
AC_joy 0,39 0,609 0,77 -0,458
AC_love -0,215 -0,397 -0,458 0,76
Sumber: Data Sekunder Bergami dan Bagozzi (2000)
Berdasarkan tabel 3. nilai discriminant validitydari konstruk laten adalah baik, terlihat dari
nilai akar AVE lebih tinggi daripada nilai korelasi antar konstruk laten lainnya.
3.3 Evaluasi Model Struktural.Evaluasi model struktural (inner models) dapat dilihat dari nilai koefisien parameter hubungan
antar konstruk dan nilai t statistik yang menentukan signifikan tidaknya koefisien parameter.Berdasarkan output VisualGSCA 1.0 maka ringkasan evaluasi model strukturaldisajikan dalam tabel
4. sebagai berikut,
Tabel 4. Ringkasan Evaluasi Model Struktural
Sumber: Data Sekunder Bergami dan Bagozzi (2000)
Untuk analisis model GSCA dengan
VisualGSCA 1.0, terlihat bahwa organizationalprestige mempengaruhi organizational
identification secara positif dengan nilaikoefisien 0,364, Organizational Identificationmempengaruhi affective commitment joy secarapositif dengan nilai koefisien jalur 0,609 dan
Organizational Identification mempengaruhiaffective commitment love secara negatifterhadap affective commitment love dengan nilai
koefisien jalur -0,397 dimana ketiganyasignifikan pada 0,05.Dalam analisis model SEM-ML dengan VisualGSCA 1.0, terlihat bahwaorganizational prestige mempengaruhi
organizational identification secara positifdengan nilai koefisien 0,408, Organizational
identification mempengaruhi affectivecommitment joy secara positif dengan nilaikoefisien 0,743 dan Organizational identificationmempengaruhi affective commitment love secara
negatif terhadap affective commitment lovedengan nilai koefisien -0,547 dimana ketiganyasignifikan pada 0,05. Jadi model GSCA yang
dianalisis dengan VisualGSCA 1.0 dan modelSEM-ML yang dianalisis dengan VisualGSCA1.0 walaupun memberikan kesimpulan yangsama dalam pengujian hipotesis namun SEM-
ML mempunyai nilai koefisien path dan nilai SE
yang lebih besar dibandingkan dengan GSCAtetapi nilai T-hitung yang lebih kecil untuk
hubungan/pengaruh yang positif dan T-hitung
yang lebih besar untuk hubungan/pengaruh yangnegatif.
3.4 Evaluasi Keseluruhan Model.Langkah terakhir dalam aplikasi kali ini
adalah melihat evaluasi keseluruhan model.
Berdasarkan output VisualGSCA 1.0 dapatdibuat ringkasan evaluasi uji model fit dalamtabel 5. sebagai berikut:
Path GSCA
(VisualGSCA 1.0)
SEM-ML
(VisualGSCA 1.0)
Path
koef.
SE T Stat. Path
Koef
SE T Stat.
Org presOrg iden 0,364 0,059 6,1694
0,408 0,092 4,434
Org idenAcjoy 0,609 0,040 15,225
0,743 0,12 6,191
Org idenAC love -0,397 0,057 -6,964*
-0,547 0,113 -4,840*
-
7/25/2019 aplikasi visualgsca 1.0 dalam covariance based sem dengan metode maximum likelihood dan generalized structu
9/10
JURNAL MATRIX VOL. 1, NO. 2, JULI 2011 58
Copyright JURNAL MATRIX 2011
Tabel 5. Ringkasan Evaluasi Uji Model Fit.
Uji model fit GSCA denganVisualGSCA 1.0
SEM-ML denganVisualGSCA 1.0
FIT 0,606 (cukup baik) -
AFIT 0,537 (cukup baik) -
SRMR 0,079 (baik) 0,095 (marginal)Chi-square - 692,029
Degree of freedom (df) - 186,000
GFI 0,993 (baik) 0,788 (marginal)
AGFI - 0,736 (marginal)
RMSEA - 0,065 (baik)
AIC - 602,029
BIC - 434,615
Keterangan: Kriteria Evaluasi Uji Model Fit disajikan di lampiranSumber: Data sekunder (Bergami & Bagozzi, 2000).
Model GSCA yang dianalisis denganVisualGSCA 1.0 secara keseluruhan menghasilkan
nilai FIT sebesar 0,606 yang berarti model mampumenjelaskan variansi dari data sekitar 60,6%(Cukup Baik); menghasilkan nilai AFIT 0,537 yang
berarti model mampu menjelaskan variansi datasekitar 53,7 % (Cukup baik); dan SRMR sebesar0,079 (direkomendasikan kurang dari 0,08) dannilai GFI 0,993 (direkomendasikan diatas 0,90)
yang berarti model fit/cocok dengan datanya.
Sementara SEM-ML menghasilkan nilai SRMRsebesar 0,095 (marginal), nilai Chi-square sebesar
692,029, degree of freedom sebesar 186,000; GFIsebesar 0,788 (marginal), AGFI sebesar 0,736(marginal), RMSEA sebesar 0,065 (baik), AIC
sebesar 602,029 dan BIC sebesar 434,615.Jadidapat disimpulkan secara keseluruhan model GSCAdan model SEM-ML dapat dinyatakan sebagaimodel fit jika dianalisis dengan visualGSCA1.0.
IV.
KESIMPULAN DAN SARAN
4.1.KesimpulanSecara keseluruhan GSCA dan SEM-ML
menghasilkan evaluasi model yang sama baikdalam evaluasi model pengukuran maupun evaluasi
model struktural sehingga keberadaan VisualGSCA1.0 tidak hanya digunakan dalam GSCA namunsebagai alternative SEM-ML. Dalam evaluasimodel struktural tidak ada alat uji statistik tunggal
untuk mengukur atau menguji kecocokan datadengan model atau menguji hipotesis mengenai
model secara keseluruhan (overall goodness of fitmodels). Secara filosofis perbedaan antara SEM-ML dengan dengan GSCA adalah apakah penelitiakan menggunakan model SEM untuk menguji
teori atau pengembangan teori untuk tujuanprediksi. Pendekatan SEM-ML maupun GSCAtergantung dari tujuan peneliti dan pandangan
espitemic dari data ke teori, properti data yang ada,tingkat pengetahuan teoritis dan pengembanganpengukuran. Sesuai dengan tujuan penelitian inimaka implikasi teoritis hasil temuan ini
memberikan gambaran secara aplikatif sekaligusmenjembatani dan menghubungkan celah antara
deskripsi verbal,definisi matematis dan interpretasioutput VisualGSCA 1.0 dalam ranah statistik.
4.2.SaranBerdasarkan penelitian ini dapat dibuktikan
secara empirik bahwa GSCA merupakan bagiandalam Component based SEM,sehinggamempertegas hasil penelitian sebelumnya yang
telah dilakukan Hwang dan Takane (2004). Temuanmenarik dalam penelitian ini dapat memperkayareferensi mata kuliah SEM yang selama ini masihdi dominasi oleh Covariance Based SEM terutama
SEM-ML, terkait dengan pesatnya perkembanganSEM dalam berbagai bidang secara global.
DAFTAR PUSTAKA[1] Bergami, M & Bagozzi, R.P. (2000). Self
Categorization, Affective Commitment andGroup Self Esteem as Distinct Aspect ofSocial Identity in The Organization. British
Journal of Social Psychology. 39.pp. 555-577.
[2] Chin, W.W. (2000). Partial Least Square forResearchers: a overview and presentation of
recent advances using the PLS
approach,http://discnt.cba.uh.edu/chin/indx.html
http://discnt.cba.uh.edu/chin/indx.htmlhttp://discnt.cba.uh.edu/chin/indx.htmlhttp://discnt.cba.uh.edu/chin/indx.htmlhttp://discnt.cba.uh.edu/chin/indx.html -
7/25/2019 aplikasi visualgsca 1.0 dalam covariance based sem dengan metode maximum likelihood dan generalized structu
10/10
KADEK JEMMY WACIKO: APLIKASI VISUALGSCA 1.0 59
[3] Fornell, C. & Bookstein, F. (1982). TwoStructural Equation Models: LISREL andPLS applied to Consumer Exit-VoiceTheory. Journal of Marketing Research. 19.
440-452
[4] Ghozali, I. (2008). Generalized StructuredComponent Analysis (GSCA) ModelPersamaan Struktural Berbasis Komponen,Badan penerbit universitas Diponegoro.Semarang
[5] Hair, J,F, Black,W, Babbin,B.J, Anderson,R.E, dan Tatham, R.L. (2006). MultivariateData Analysis, 6th Edition.Pearson PrenticeHall
[6] Hwang,H,(2007)VisualGSCA,http://www.psych.mcgill.ca/perpg/fac/hwang/VisualGSCA.html
[7] Hwang, H., & Takane, Y. (2004).Generalized Structured ComponentAnalysis. Psychometrika, 69,81-99.
[8] Jemmy. K (2010) Model PersamaanStruktural dengan Generalized StructuredComponent Analysis (GSCA) Tesis S2
matematika Universitas Gadjah Mada,Yogyakarta.
[9] Tenenhaus, M., V.E. Vinci, YM. Chatelinand C. Lauro. (2004). PLS Path Modeling,
Computational Statistics & Data Analysis,Vol.48, pp.159-205.