29 Maret 2018

Langkah Generalized Structured Component Analysis dengan GesCA

Untuk melakukan langkah-langkan pada model Generalized Structured Componen Analysis dengan GesCA dapat dilakukan dengan mudah. Pertama cukup menginstal program Java Runtime versi 7 upgrade 10 di PC atau laptop. Dimana untuk menjalankan aplikasi GesCA dilakukan secara online atau terhubung dengan internet, berbeda dengan aplikasi yang lain perlu melakukan instal full program pada komputer PC maupun laptop.

Langkah awal persiapkan rekap data dalam format Microsoft Excel. Jangan lupa hubungkan koneksi internetnya. Kemudian buka browser Microsoft Internet Explorer (IE) dan masuk ke website www.sem-gesca.org atau www.sem-gesca.com .
Ingat ya bukan dengan browser Mozilla, Opera, Chrome dan lain sebagainya sebab aplikasi GesCA lebih kompatible dengan browser Internet Explorer (IE).

Tampilan Awal GesCA
Pada kesempatan kali ini, akan dilakukan dengan model Kepuasan Kerja dimana sebagai konstrak eksogen yaitu Komunikasi, Pengawasan, Kinerja sedangkan Kepuasan Kerja sebagai konstrak endogennya.
Siapkan data dalam format Microsoft Excel atau tab delimetid (.txt) dengan nama indikator pada masig-masing kolom kemudian simpan.

Tampilan Run GesCA

1. Buka Program GesCA melalui website : http://www.sem-gesca.com/
2. Klik Run GesCA
3. Klik Upload Data dan pastikan tempat menyimpan file dara yang sudah disapkan sebelumnya.

Menu Pada GesCA
4. Buat variabel latent atau konstrak sebanyak 4 pada kotak model spesification. Kemudian beri nama sesuai nama konstrak dan masukkan indikator-indikatornya dalam bentuk reflektif.
  • Konstrak Kompensasi, dengan indikator KO1, KO2, KO3, KO4 dan KO5
  • Konstrak Pengawasan, dengan indikator PE1, PE2, PE3, PE4 dan PE5
  • Konstrak Kinerja, dengan indikator KI1, KI2, KI3, KI4, KI5, KI6 dan KI7
  • Konstrak Kepuasan , dengan indikator KE1, KE2, KE3, KE4, KE5, KE6 dan KE7
Menu Konstrak dan Indikator-Indikatornya
 5. Setelah dibuat masing-masing konstrak dan dimasukkan indikator-indikatornya. Buat garis regresi dengan menggunakan menu Draw Path Coefficient. Garis regresi tersebut yaitu dari kompensasi ke Kinerja dan Kepuasan. Pengawasan ke Kinerja. Serta dari Kinerja ke Kepuasan.
6. Hasil model regresi seperti pada gambar di bawah ini.

Model Akhir

7. Klik Save untuk menyimpan model yang telah dibuat.
8. Klik Menu Option, isikan number iterasi = 100 dan bootstraping number of sample = 500
9. Langkah terakhir pilih tombol RUN.
Lihat output hasilnya.

Nilai Measurement Konstrak Kompensasi

Konstrak Kompensasi yang diukur dengan 5 indikator, masing-masing nilai loading yang diperoleh  indikator KO1 0.820, KO2 0.763, KO3 0.837, KO4 0.788 dan KO5 sebesar 0.821 dengan nilai Critical ratio (CR) lebih besar dari 1.96. Sedangkan nilai AVE 0.650 dan alpha cronbach's 0.865. Nilai tersebut sudah memenuhi krieria uji measurement model.

Nilai Measurement Kepuasan

Konstrak Kepuasan yang memiliki 7 indikator sebagai pengukurnya, masing-masing memperoleh nilai loading KE1 0.852, KE2 0.841, KE3 0.763, KE4 0.886, KE5 0.845, KE6 0.893 dan KE7 0.854 dengan nilai Critical ratio (CR) ke-tujuh indikator lebih besar dari 1.96. Nilai AVE yang diperoleh sebesar 0.720 dan alpha cronbach's 0.934 dan nilai tersebut sudah memnuhi kriteria uji measurement model.

Nilai Measurement Pengawasan
Konstrak Pengawasan yang memiliki 5 indikator pengukur, indikator PE1 diperoleh nilai loading 0.873, PE2 0.874, PE3 0.867, PE4 0.942 dan PE5 0.887 dengan nilai critical ratio (CR) pada kelima indikator diperoleh nilai lebih besar dari 1.96. Sedangkan nilai AVE 0.790 dan alpha cronbach's 0.930 sehingga terpenuhi kriteria uji measurement model.

Nilai Measurement Kinerja
Konstrak Kinerja yang diukur dengan 7 indikator, masing-masing nilai loading yang diperoleh indikator KI 0.769, KI2 0.895, KI3 0.861, KI4 0.895, KI5 0.826, KI6 0.851 dan KI7 0.758 dengan nilai critical ratio (CR) ketujuh indikator lebih dari 1.96. Sedangkan nilai AVE 0.702 dan alpha cronbach's sebesar 0.929. Nilai tersebut memenuhi kriteria uji measurement model.

Nilai R-Square Konstrak Endogen
Nilai R-Square pada variabel laten/konstrak endogen yaitu Kinerja sebesar 0.637 sehingga dapat dikatakan bahwa variasi pada Kinerja mampu dijelaskan oleh variabel Kompensasi dan Pengawasan sebesar 63.7%. Sedangkan variabel Kepuasan memperoleh nilai R-Square sebesar 0.645, sehingga variasi pada Kepausan mampu dijelaskan oleh variabel Kompensasi, pengawasan dan Kinerja sebesar 64.5% dan sisanya dijelaskan oleh variabel lain yang tidak diteliti atau dimasukan ke dalam model.

Nilai Path Coeffiecient dan Critical Ratio
Pada hasil model struktural di atas diperoleh dari hasil Bootstraping. Dimana nilai critical ratio merupakan nilai estimate dibagi dengan nilai standard error (SE). Nilai path coefficient pada masing-masing jalur menunjukkan bahwa nilai koefisien pengaruh dari Kompensasi ke Kinerja sebesar 0.639, Kompensasi ke Kepuasan sebesar 0.221, pengawasan ke Kinerja 0.228, Pengawasan ke Kepuasan sebesar 0.340, sedangkan Kinerja ke Kepuasan sebesar 0.350. Ada 3 jalur yang diestimasi diperoleh nilai critical ratio (CR) lebih besar dari 1.96,sehingga jalur tersebut signifikan berpengaruh dari variabel eksogen terhadap endogennya. Ada 2 jalur yaitu dari Kompensasi ke Kepuasan dan Kinerja ke Kepuasan yang memiliki nilai critical ratio lebih kecil dari 1.96 maka kedua jalur tersebut diperoleh hasil yang tidak signifkan.

Nilai Model Fit
Pada hasil uji Model Fit di atas bahwa nilai FIT sebesar 0.659, AFIT 0.648, GFI 0.979 dan Standardized Root Mean Square Residual (SRMR) sebesar 0.181. Nilai FIT sebesar 0.659 artinya bahwa nilai tersebut mengukur besarnya total variance semua variabel yang dapat dijelaskan oleh model yaitu 65.9% (0.659 x 100%) variance semua dapat dijelaskan oleh model. Sedangkan Adjusted FIT (AFIT) mengukur model yang lebih kompleks, karena FIT sangat sensitif terhadap komplesitas model. Nilai AFIT yang diperoleh sebesar 0.648 dan tentunya lebih rendah dari nilai FIT. Nilai Goodness of Fit Index (GFI) sebesar 0.979 mengindikasikan bahwa model fit (layak) karena mendekati nilai 1. Nilai SRMR sebesar 0.181 mendekati nilai 0 yang menunjukkan Fit yang baik. Nilai NPAR menunjukkan jumlah free parameter yang diestimasi seperti weight, loading dan estimasi koefisien jalur.

03 Maret 2018

Mengenal Generalized Structured Component Analysis (GeSCA)



Partial Least Square (PLS) sebagai model Structural Equation Modeling (SEM) berbasis variance base dikembangkan sebagai alternatif lain dari model covariance base. PLS seperti kita ketahui telah banyak aplikasi untuk dapat menyelesaikan model tersebut seperti PLSGraph, SmartPLS, VisualPLS, XLSTAT dan WarpPLS memiliki beberapa keunggulan dibandingkan model covariance base yang dapat diselesaikan dengan software seperti AMOS, Lisrel dan EQS. 

Tampilan GeSCA

PLS selain memiliki keunggulan juga memiliki beberapa kelemahan diantaranya tidak mampu menyelesaikan masalah global optimation untuk estimasi parameter. Sehingga PLS tidak memiliki garansi dapat memberikan solusi yang optimal karena tidak adanya mekanisme untuk menilai overall goodness of fit. Ukuran model fit dari PLS hanya bersifat lokal saja, dimana penilaian model fit adalah nilai akar kuadrat dari average R-square dikalikan average Comunality. Namun karena masih bersifat lokal dalam penilaian model fit menjadi sangat sulit untuk menentukan seberapa model fit (cocok) dengan data.
Dengan kelemahan PLS tersebut di atas pada tahun 2004 Heungsun Hwang dan Yoshio Takane mengembangkan model Generalized Structured Component Analysis (GSCA)  dan tahun 2010 dimuat dalam jurnal “A Comparative Study on Parameter Recovery of Three Approach to Structural Equation Modeling “. Pada tahun 2012 model GSCA ini dikritik oleh Jorg Hanseler bahwa program GSCA 2004 ada kesalahan dalam algorithm sehingga menghasilkan inkonsistensi skala terhadap variabel observed dan laten. Dimana nilai observed standardized tersebut merupakan nilai sementara variabel laten normalized. Hal ini mengakibatkan kesalahan perhitungan nilai parameter estimate, nilai goodness of fit FIT dan Average FIT.
“Generalized structured component analysis is similar to partial least squares path modeling in many ways. Consequently, it inherits many of the advantages of partial least squares path modeling, which were outlined in the prvious section. At the same time, it overcomes some crucial disadvantages. In generalized structured component analysis, a global optimation criterion is explicitly defined and optimized throughout iterations. As in the factor based  approach, both measurement and structural models are sparately stated and then combined into a unified framework under a single common optimation criterion.
Generalized structured component analysis involves the spesification of three sub models to specify a structural equation model. The three submodels are measurement, structural, and weighted relatio models”(Hwang and Takane, 2015)
Selain Software GeSCA yang dapat dijalankan lewat website www.sem-gesca.org atau www.sem-gesca.com  sedangkan software XLSTAT juga mampu mengolah model GSCA ini.  Ukuran overall model fit dari model GeSCA  sebagai berikut :
1.      FIT
Nilai FIT berkisar antara 0 sampai 1. Semakin besar nilai FIT semakin besar nilai variance dari data yang dapat dijelaskan oleh model.
2.      AFIT
Adjust FIT merupakan nilai yang dikembangkan dari uji nilai FIT , karena nilai FIT sangat dipengaruhi oleh kompleksitas model.
3.      GFI
Nilai GFI merupakan nilai  Unweight Least Square. Nilai GFI mendekati 1 mengindikasikan good fit.
4.      Standardized Root Mean Square Residual (SRMR)
Nilai SRMR mendekati 0 mengindikasikan good fit.


Referensi :
Hwang, H and Takane, Y. 2015. Generalized Structured Component Analysis.”A Component Baseed Approach to Structural Equation Modeling”. CRC Press.
Karlina, A.K dan Imam, G. 2013. Generalized Structured Component Analysis (GeSCA). Semarang. Universitas Diponegoro.