SMART LIBRARY: Koleksi 50 + Buku Metodologi Penelitian

Aplikasi Teknik Pengambilan Keputusan dalam Manajemen Rantai Pasok; Teori dan Aplikasi Sistem Pakar dalam Teknologi Manajerial; SEM dengan Lisrel 8.8, Konsep & Tutorial; Riset Pemasaran; Metode Penelitian Kombinasi (Mixed Methods); Analisis Ekonometrika & Statistika dengan Eviews (Ed 2), Riset Bisnis dengan Analisis Jalur SPSS; Pemodelan Sumber Daya Perikanan dan Kelautan; Konsep Dasar Riset Pemasaran & Perilaku Konsumen;

Analisis Sistem Dinamis, Lingkungan Hidup, Sosial, Ekonomi, Manajemen; Konsep dan Aplikasi SEM berbasis Varian dalam Penelitian Bisnis; Metode Riset Kualitatif dalam PR & Marketing Communication; Analisis SWOT Teknik Membedah Kasus Bisnis; An Introduction to DEA, A Tool for Performance Measurement; Statistika untuk Penelitian; Riset Pemasaran dan Konsumen; Analisis Input Output; Marketing Research;

Penelitian Bisnis Paradigma Kuantitatif; Teknik dan Aplikasi Pengambilan Keputusan Kriteria Majemuk; SPSS Statistik Parametrik; Riset Eksperimen dengan Excel 2007 dan Minitab 15; Buku Pintar Minitab 15; Olah Data Skripsi dan Penelitian dengan SPSS 19; Metodologi Penelitian Ekonomi Islam; Analytic Hierarchy Process; Buku Saku SPSS, Analisis Statistik Data; Decision Making with The ANP, Economic, Political, Social & Technological Application with BOCR;

 

Analytical Network Process, Pengantar Teori dan Aplikasi; Mengukur Tingkat Efisiensi dengan DEA; Aplikasi Metode VAR dalam Riset Ekonomi Keuangan Islam; Structural Equation Modeling, Konsep Aplikasi dan Tutorial; Measuring Customer Satisfaction; BSC dan Key Performance Indicators; Sistem Manajemen kinerja Terintegrasi BSC dengan Six Sigma; The Executive Guide to Implementing Lean Six Sigma; Organizational Excellence;

Step by Step in Cascading BSC to Functional Scorecards; Aplikasi SPSS dalam Penelitian; SEM, Konsep dan Aplikasi dengan AMOS 18; SWOT Balanced Scorecard; Marketing Strategy & Competitive Positioning, Mengukur STP menggunakan SPSS; Problem Solving & Decision Making for Improvement; Metode Riset Online: Teori, Praktik dan Pembuatan Aplikasi; 5 Jam Belajar Olah Data dengan SPSS 17; Metode Penelitian Kuantitatif, Kualitatif dan R&D; Memahami Penelitian Kualitatif; Metode Statistik Deskriptif; dan Aplikasi SPSS dalam Quick Count.

BUKU: Longitudinal Structural Equation Modeling

Featuring actual datasets as illustrative examples, this book reveals numerous ways to apply structural equation modeling (SEM) to any repeated-measures study. Initial chapters lay the groundwork for modeling a longitudinal change process, from measurement, design, and specification issues to model evaluation and interpretation. 

Covering both big-picture ideas and technical "how-to-do-it" details, the author deftly walks through when and how to use longitudinal confirmatory factor analysis, longitudinal panel models (including the multiple-group case), multilevel models, growth curve models, and complex factor models, as well as models for mediation and moderation. 

User-friendly features include equation boxes that clearly explain the elements in every equation, end-of-chapter glossaries, and annotated suggestions for further reading. The companion website (www.guilford.com/little-materials) provides datasets for all of the examples--which include studies of bullying, adolescent students' emotions, and healthy aging--with syntax and output from LISREL, Mplus, and R (lavaan).

BUKU: Structural Equation Modeling With Lisrel, Prelis, and Simplis: Basic Concepts, Applications, and Programming

This book illustrates the ease with which various features of LISREL 8 and PRELIS 2 can be implemented in addressing research questions that lend themselves to SEM. Its purpose is threefold: (a) to present a nonmathmatical introduction to basic concepts associated with SEM, (b) to demonstrate basic applications of SEM using both the DOS and Windows versions of LISREL 8, as well as both the LISREL and SIMPLIS lexicons, and (c) to highlight particular features of the LISREL 8 and PRELIS 2 progams that address important caveats related to SEM analyses.

This book is intended neither as a text on the topic of SEM, nor as a comprehensive review of the many statistical funcitons available in the LISREL 8 and PRELIS 2 programs. Rather, the intent is to provide a practical guide to SEM using the LISREL approach. As such, the reader is "walked through" a diversity of SEM applications that include both factor analytic and full latent variable models, as well as a variety of data management procedures.

Uji Fit Model pada SEM

Fit model adalah rasio atau koefisien yang digunakan untuk menguji apakah model SEM yang dibentuk dapat digunakan untuk estimasi ( jika untuk uji hipotesis aja maka melihat probabilitasnyanya aja sudah cukup). ada banyak sekali koefisien untuk digunakan dalam pengujian model fit, namun yang penting adalah :

CHI-SQUARE (syarat : probabilitas > 5 %)
RMSEA ( syarat : < 0.08)
GFI ( syarat : > 0.9)
AGFI (syarat : > 0.9)
CMIN/DF ( syarat : < 2)
TLI ( syarat: > 0.95)
CFI (syarat: > 0.95)

Lalu bagaimana jika model awal tidak memenuhi fit model ?
Jawabannya adalah buat model revisinya yaitu :
1. menghilangkan hubungan yang tidak signifikan dalam model
2. melakukan korelasi antara varianse atau antar variabel 

Beberapa Kekurangan SEM

SEM mengsyaratkan jumlah sampel yang cukup besar 100-200 (minimal), jika sampel dibawah 100 maka disarankan menggunakan software PLS (partial least square). beda PLS dan SEM adalah PLS menggunakan asumsi distribusi data yang tidak normal sedangkan SEM dengan asumsi distribusi data yang normal.

SEM membutuhkan banyak jurnal karena semakin banyak hipotesis maka semakin banyak jurnal yang dibutuhkan

SEM sebaiknya digunakan untuk variabel variabel yang berbasis data pada "persepsi" seperti MSDM atau marketing atau sumber data primer dengan kuestionare (namun minimal skala data intervel). Variabel unobserved adalah variabel yang pengukurannya menggunakan indikator (lebih dari 1 indikator), namun untuk SEM sebaiknya indikator > 3. Variabel unobserved biasanya disebut : latent variabel. Untuk variabel observed sebaiknya menggunakan model path analysis (sama dengan model SEM, hanya tidak menggunakan indikator pada variabelnya). Variabel observed biasanya disebut : manifest atau proxy, biasanya digunakan pada penelitian yang menggunakan sumber data sekunder dengan skala data rasio.

Logika Pemodelan SEM

SEM merupakan suatu perluasan (extension) dari beberapa tehnik multivariate, khususnya regresi berganda dan analisis faktor. (Hair, dkk, 1992 : 426). Defenisi yang relatif sama adalah bahwa SEM : “tidak lebih “ dan “tidak kurang” dari path analytical model dengan “latent variables”. SEM = Path Anaysis + latent variables (Confirmatory factor analysis) (Mueller, 1996:129).

Jadi SEM dapat didefenisikan sebagai tehnik analisis multivariate yang menganalisis hubungan yang melibatkan variabel intervening.

Pertanyaan yang sering muncul adalah mengapa kita menggunakan SEM ? regresi saja udah cukup ! salah satu kelebihan SEM adalah melibatkan variabel intervening (variabel antara). Konsep intervening tidak sama dengan variabel moderating (walaupun ada beberapa tulisan yang menggunakan kedua istilah ini bergantian atau memiliki makna yang sama). 

Variabel intervening tidak sama dengan moderating. Variabel moderating biasanya disebut variabel kontrol, yaitu variabel yang "disisipkan" dalam model untuk melihat dampak variabel itu dalam suatu hubungan antara variabel Y dan X. jadi sifat variabel moderating ini tidak kuat (tidak ditunjang teori dan penelitian terdahulu yang kuat). 

Variabel moderating hanya berfungsi sebagai "variabel kontrol" atas suatu model hubungan. Sehingga untuk menganalisis peranan atau fungsi kontrol dari variabel moderating, biasanya digunakan analisis regresi berganda saja atau 2 or 3 SLS (stage least square). Sedangkan variabel intervening adalah variabel yang relatif stabil dalam suatu model karena telah didukung oleh teori dan penelitian terdahulu yang kuat. 

Dalam model SEM, kontribusi variabel intervning dapat dilihat pada koefisien "indirect effect" atau pengaruh tidak langsung, yang nantinya akan dibandingkan dengan "direct effect" untuk melihat posisi variabel intervening apakah menguatkan atau melemahkan hubungan dalam model tersebut.

Disamping itu, filosopi dasar dari model SEM adalah setiap model SEM didasari pada logika model : IPO (input-proses-output). artinya : variabel endogeneousnya adalah input, variabel endogeneous intervening adalah proses dan endogeneous dependent adalah outputnya. contoh : pengaruh kualitas layanan terhadap loyalitas. model ini belum sempurna karena kualitas layanan secara proses harus pertama tama mempengaruhi "kepuasan" baru ke loyalitas.

PLS dan SEM

• Structural Equation Model (SEM) adalah covariance based, sedangkan Partial Least Square (PLS) adalah component based
• Kapan saat membutuhkan SEM dengan PLS (selanjutnya kita sebut dengan PLS saja)?
  • Model penelitian mengindikasikan lebih dari satu var dependen
  • Data tidak bersifat multivariate normal
  • Sampel kecil atau jumlah cases terbatas
  • Model penelitian melibatkan item formatif dan item refleksif sekaligus.
• Kelebihan PLS adalah kemampuannya memetakan seluruh jalur ke banyak variabel dependen dalam satu model penelitian yang sama dan menganalisis semua jalur dalam model struktural secara simultan. (Fornell and Bookstein, 1982; Barclay, Higgins, and Thompson, 1995; Gefen, Straub, and Boudreau, 2000). Kelebihan lainnya adalah hanya memerlukan sedikit cases daripada SEM (Chin and Newsted, 1999; Gefen, Straub, and Boudreau, 2000).
• Dalam PLS data tidak perlu memenuhi asumsi multivariate normal.
• Analisis SEM mengasumsikan seluruh item/indikator adalah reflektif. Sedangkan PLS bisa reflektif dan formatif.
•  

Reflektif:

Formatif:

• Chin (1998a) menyarankan untuk membedakan apakah suatu item formatif atau tidak dengan mengajukan pertanyaan berikut: apakah perubahan pada satu item akan menimbulkan perubahan dengan arah yang sama pada item lainnya? Jika jawabannya tidak berarti kelompok item tersebut formatif.
• Penggunaan item formatif dalam SEM bisa mengakibatkan permasalahan serius terkait validitas hasil dan konklusinya. Chin (1998a) mengatakan:”… semua item harus reflektif agar konsisten dengan algoritma statistiknya yang mengasumsikan bahwa korelasi diantara indikator dalam satu Laten Variabel (LV) disebabkan oleh LV tersebut.
• Prosedur analisis data pada SEM-PLS bisa dijelaskan sebagai berikut:
  “At the measurement model level, PLS estimates items loading and covariance. At the structural level, PLS estimates path coefficients and correlation among Latent Variables, together with individual R² and AVE (Average Variance Extracted) of each of the latent constructs. T-values of both path and loadings are then calculated using either jackknife or a bootstrap method. Good model fit is established with significant path coefficients, acceptably high R² and internal consistency (construct reliability) being above 0.70 for each construct” (Gefen, Straub, and Boudreau, 2000).
• Barclay et al. (1995) menyarankan bahwa model PLS dianalisis dan diinterpretasikan dalam dua langkah berurutan berikut: pertama, menilai validitas dan reliabilitas model pengukuran (hubungan dari indikator ke laten variabel), kedua lalu menilai model strukturalnya.
• Cross Validation diperlukan dalam rangka menguji seberapa baik solusi yang diperoleh dari fitting model terhadap suatu sampel juga akan sesuai untuk sampel independen lainnya dari populasi yang sama (Chin and Todd, 1995).
• Statistik dari measurement model yang penting yaitu: item reliability, internal consistency, Average Variance Extracted (AVE), square root of AVE, and cross-loadings (Barclay, Higgins, and Thompson, 1995). Tiga uji pertama dikenal sebagai validitas konvergensi (Fornell and Larcker, 1981) dan dua uji terakhir dikenal sebagai validitas diskriminan (Barclay, Higgins, and Thompson, 1995).
• Evaluasi model yang biasa digunakan dalam PLS adalah R-kuadrat, bootstapping/jackknifing, composite reliability, AVE dan cross-loadings.
• R-kuadrat, sebagaimana pada analisis regresi berganda biasa, berfungsi untuk mengetahui seberapa besar variansi dalam construct dapat dijelaskan oleh model.
• Bootstrapping atau alternatifnya, jackknifing, digunakan untuk menilai signifikansi statistik dari loadings dan koefisien structural path. Penggunaan tekhnik ini karena mengacu pada data yang digunakan yang tidak mengasumsikan harus multivariate normal.