Campur Sari

Dalam model SEM, ada hal penting yang perlu diketahui sebelum sebuah pengujian model dilakukan, yakni model identification. Identifikasi berkaitan dengan apakah tersedia cukup informasi untuk mengidentifikasi adanya sebuah solusi dari persamaan struktural. Untuk dapat memahami hal tersebut, berikut diberikan contoh dan tiga jenis identifikasi yang mungkin terjadi dalam analisis SEM. 

Just Identified 

Misalkan ada dua persamaan berikut:

X + 2 Y = 10

2 X + Y = 8

Dengan perhitungan matematika sederhana, didapatkan angka X adalah 2 dan angka Y adalah 4. Solusi tersebut adalah satu-satunya angka yang mungkin ada, tidak mungkin ada angka X dan Y selain angka 2 dan 4 tersebut. Karena sudah teridentifikasi dengan jelas, maka persamaan di atas dinamakan dengan just identified. Persamaan di atas tidak dapat salah lagi (can never be wrong). Pada SEM, model yang just identified mempunyai degree of freedom sebesar 0 dan dalam terminologi SEM dinamakan dengan saturated.

Under Identified

Misalkan sekarang hanya ada persamaan berikut:

X + 2 Y = 10 ……………..(i)

Persamaan di atas pada dasarnya dapat diselesaikan dengan kombinasi angka X dan Y yang tidak terbatas. Jika X = 0, maka Y = 5; jika X = 1, maka Y = 4,5; jika X = 4, maka Y = 3 dan seterusnya. Karena tidak dapat diidentifikasi, persamaan di atas dinamakan underidentified; model seperti di atas disebut can never be solved. Dalam SEM, model dikatakan underidentified jika degree of freedom adalah negatif.

Over Identified

Misalkan ada tiga persamaan berikut:

X + 2 Y = 10 ………………(i)

2 X + Y = 8 ………………(ii)

7 X – Y = 1 ……………….(iii)

Persamaan di atas dapat diselesaikan dengan kombinasi angka X dan Y yang berbeda. Jika persamaan (i) dan (ii) yang digunakan, didapatkan angka X = 2 dan Y = 4; namun jika persamaan (ii) dan (iii) yang digunakan, didapatkan angka X = 1 dan Y = 6. Dengan demikian, persamaan di atas dapat dibuktikan kesalahannya (can be wrong). Karena dapat teridentifikasi, walaupun tidak diketahui solusi yang terbaik, maka persamaan di atas dinamakan dengan overidentified. Dalam SEM, model dikatakan overidentified jika degree of freedom adalah positif. Dengan demikian, besaran degree of freedom perlu diketahui, karena menentukan apakah sebuah model layak diuji ataukah tidak. Untuk itu, penjelasan akan dilanjutkan dengan cara menghitung besaran degree of freedom dari sebuah model.

Degree of Freedom (df)

Pada sebuah model SEM, df dapat diketahui dengan formula: 

df = Number of distinct sample moment – number of distinct parameters to be estimated

Rumus di atas secara matematis dapat disederhanakan menjadi:

df =1/ 2[( p).( p +1)]− k]

di mana:

p = jumlah variabel manifes (observed variables) pada sebuah model

k = jumlah parameter yang akan diestimasi

Agar lebih memahami proses penghitungan derajat kebebasan atau degree of freedom, berikut dijelaskan beberapa contoh penghitungan besaran df. Namun dalam praktek, di mana sebuah model SEM dapat melibatkan banyak variabel laten (unobserved variables) maupun variabel manifes (observed variables), penghitungan df tentu tidak perlu dilakukan secara manual. Output SEM pada bagian notes for model secara

otomatis menjelaskan perhitungan tersebut. Contoh-contoh berikut diproses dengan program AMOS, dengan sejumlah data sampel. Namun penekanan pada bab ini adalah contoh output AMOS yang terkait dengan df, dan bukan proses penghitungan df dengan AMOS, yang akan dijelaskan pada bab-bab mendatang. Dengan demikian, yang ditampilkan pada bab ini adalah langsung hasil output AMOS.