Diagram Kontrol Atribut : NP Chart

Diagram kontrol NP mirip dengan diagram P, tetapi pada diagram kontrol NP terjadai perubahan skala pengukuran. Diagram kontrol NP menggunakan ukuran banyaknya item yang tidak memenuhi spesifikasi atau banyaknya item yang tidak sesuai dalam suatu pemeriksaan. 

 

 Diagram kontrol NP dan P dapat dilakukan pada situasi sebagai berikut :

1. Data banyaknya item yang tidak sesuai adalah lebih bermanfaat dan mudah untuk diinterpretasikan dalam pembuatan laporan dibandingkan data proporsi.
2. Ukuran contoh (n) bersifat konstan dari waktu ke waktu.

 

Rumus NP Chart

Contoh kasus : Sefia adalah seorang marketing di perusahaan asurance yang berlokasi di Cikonde Bandung. Selain menawarkan jasa asuransi ke para pelanggan, ia juga melakukan entri data nasabah yang dicantumkan di form Customer identity (CIF) ke dalam komputer. Sefia mampu menyelesaikan 20 data nasabah setiap harinya. Bagaimanapun juga sering terjadi kesalahan ketika dilakukan pengecekan pada data yang telah diinput. Divisi audit intern ingin membangun diagram kontrol NP guna mengendalikan proses entri data nasabah ke dalam komputer. Data dalam tabel berikut menunjukan banyaknya kesalahan yang ditemukan dari  pemeriksaan 20 data nasabah (n=20). Periode pengamatan dilakukan selama 20 hari. Data yang diperoleh sebagai berikut :

Data

Langkah-langkah Diagram Kontrol Atribut NP Chart dengan SPSS

1. Klik Analyze > Quality Control > Control Chart
2. Pada Attribute charts pilih NP Chart, klik Cases are subgroups, Klik Define
   
3. Masukan variabel sampel rusak ke dalam kolom Number noncomformities.
4. Klik Sampel Siz,masukan variabel sampel ke kolom variable
5. Klik Chart Klik C (number of comformities) kemudian Continue
   
6. Klik tombol Control Rules, pilih above+3sigma, 6 in row tending up/down, 14 in row alternating.
   
7. Klik Continue, kemudian OK

Hasil Diagram Kontrol Atribut NP Chart dengan SPSS

Diagram NP Chart Formulir

Diagram kontrol NP atau NP Chart diatas, nilai kontrol limitnya adalah UCL = 16.81, center line = 10.10. LCL = 3.39. Tanda "Rule Violation" : No menunjukkan tidak ditemukannya Special case variation.

Baca juga :

1. Diagram Kontrol Atribut : P Chart

2. Diagram Kontrol Atribut : C Chart

3. Diagram Kontrol Atribut : U Chart

Referensi :

Montgomery, D. C. (2013). Introduction Statistical Quality Control 7th. New York : John Wiley & Sons.

Oakland, J and Oakland, R. (2019). Statistical Process Control 7th. New York : Rouledge.

Yamin, S dan Kurniawan,H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Software SPSS. Jakarta : Salemba Infotek

Cara Hitung Indikator Composite untuk Model Structural Equation Modeling

Menurut Liang et. al (1990) dan Rowe (2006) ada beberapa langkah dalam penyusunan indikator komposit yang diperoleh dari nilai standardized loading indicator, factor score weight dan error variance. Langkah-langkah hitung indikator komposit sebagai berikut :

 

 1. Lakukan analisis model SEM

Lakukan analisis model SEM seperti pada umumnya (multiple indikator) untuk emndapatkan nilai standardized loading indikator, faktor skor weight dan nilai eror indikator. Hasil model sebagai berikut :

Model SEM dengan Multiple indikator

Hasil output nilai standardized loading indicator sebagai berikut :

Nilai standardized loading indicator

Diperoleh nilai standardized loading pada variabel kompetensi karyawan untuk indikator KK1 sebesar 0.803, KK2 0.755, KK3 0.770, KK4, KK5 0.761 sebesar 0.755. Variabel fasilitas kerja, nilai loading indikator FK1 sebesar 0.786, FK2 0.793, FK3 0.857, FK4 0.673, FK5 0.645. Variabel Kualitas Pelayanan, nilai loading indikator KP1 sebesar 0.765, KP2 0.858, KP3 0.82. Pada variabel Disiplin kerja, indikator DK1 sebesar 0.802, DK2 0.725, DK3 0.857 dan DK4 sebesar 0.760.

Hasil ouput nilai factor score weight sebagai berikut :

Factor Score Weight

Diperoleh nilai factor score weight FK1 sebesar 0.173, FK2 0.195, FK3 0.271, FK4 0.108 dan FK4 sebesar 0.096.  Factor score weight KK1  sebesar 0.211, KK2 0.167, KK3 0.178, KK4 sebesar 0.170 dan KK5 sebesar 0.162. Factor score weight DK1 sebesar 0.219, DK2 0.151, DK3 0.312 dan DK4 sebesar 0.172. Factor score weight KP1 sebesar 0.151, KP2 0.253, KP3 0.211 dan KP4 sebesar 0.180.

Hasil output nilai error variance sebagai berikut :

Error Variance

Diperoleh nilai eror variance eror1 sebesar 0.324, eror2 0.380, eror3 0.367, eror4 0.380, eror5 0.405, eror6 0.345, eror7 0.319, eror8 0.266, eror9 0.509, eror10 0.544, eror11 0.332, eror12 0.428, eror13 0.250, eror14 0.405, eror15 0.358, eror16 0.253, eror17 0.270 dan eror18 sebesar 0.318.

2. Hitung Composite Reliability

Rumus Composite Reliability

Dimana :

𝜌c = composite reliability

𝜆i = standard loading

𝜃i = error variance dari indikator

3. Hitung Loading Factor Composite

Rumus Loading Factor Composite

Dimana :

𝜆c = loading faktor indikator komposit

𝜎c = standar deviasi indikator komposit

𝜌c = composite reliability

4. Hitung variance indicator composite

Rumus variance Indicator Composite

Dimana :

𝜃c = error variance dari indikator

𝜎²c = variance indikator komposite

𝜌c = composite reliability

Untuk mempermudah perhitungan diatas dapat diselesaikan dengan Microsoft excel. Sebagai contoh perhitungan pada indikator-indikator dari variabel laten Kompetensi karyawan sebagai berikut :

Hitung indikator komposite variabel Kompetensi karyawan

1. Copy nilai standardized loading factor KK1, KK2 sampai dengan KK5 ke baris 2
2. Copy nilai factor score weight KK1-KK5 ke baris 3.
3. Hitung nilai komposit (KKComposite) dengan rumus   =($C$3*C4)+($D$3*D4)+($E$3*E4)+($F$3*F4)+($G$3*G4)
4. Hitung nilai standar deviasi komposit dengan rumus =STDEV(H$:H351)
5. Hitung variance dari komposit skore dengan rumus =VAR(H4:H351) 
6. Hitung kuadrat nilai loading factor atau (sum of loading factor)^2 dengan rumus
   =SUM(C2:G2)^2
7. Copy error variance (e1-e5) untuk KK1, KK2, KK3, KK4 dan KK5 ke baris (indicator measurement error). 
8. Hitung jumlah eror variance (sum of eror indicator measurement error) dari KK1-KK5 dengan rumus =SUM(C356:G356) 
9. Hitung nilai composite reliability dengan rumus =H355/(H355+H357) 
10. Hitung nilai loading factor composite dengan rumus =(H353*(H359^0,5)
11. Hitung nilai error variance indicator composite dengan rumus =(H354)*(1-H359) 

 Hasil perhitungan indikator komposite pada variabel Fasilitas kerja :

Hitung indikator komposite variabel Fasilitas kerja

Hasil perhitungan composite indikator pada variabel Fasilitas kerja diperoleh nilai loading factor composite (𝜆c) sebesar 0.640 dan error variance composite (𝜃c) sebesar 0.058.

Hasil perhitungan indikator komposit variabel Disiplin kerja :

Hitung indikator komposite variabel Disiplin kerja

Hasil perhitungan composite indikator pada variabel Fasilitas kerja diperoleh nilai loading factor composite (𝜆c) sebesar 0.662 dan error variance composite (𝜃c) sebesar 0.063.

Hasil perhitungan indikator komposit variabel Kualitas pelayanan :

Hitung indikator komposite variabel Kualitas Pelayanan

Hasil perhitungan composite indikator pada variabel Fasilitas kerja diperoleh nilai loading factor composite (𝜆c) sebesar 0.616 dan error variance composite (𝜃c) sebesar 0.043.

Setelah mendapatkan nilai loading factor composite (𝜆c) dan error variance composite (𝜃c) pada masing-masing variabel kemudian nilai tersebut dijadikan sebagai nilai konstrain pada model komposit yang akan kita buat.

Sedangkan nilai KKComposite, FKComposite, DKComposite dan KPComposite dijadikan sebagai data input indikator model komposite.

Baca juga :

1. Model SEM dengan Indikator Komposit

2. Uji Kesesuaian Fit Model SEM

3. Evaluasi Asumsi Pada Model SEM

Referensi :

Ghozali, I.(2011).Model Persamaan Struktural Konsep dan Aplikasi Dengan Program AMOS 19.0.Semarang : Badan Penerbit Universitas Diponegoro

Liang, J, et. Al.(1990). Appropriatness of Composites in Structural Equation Models. Journal of Gerontology : Social Sciences, Vol.45 No. 2

Rowe, K. (2006). The Measurement of Composite Variables from Multiple Indicators : Application in Quality Asurance and Accreditation System Childcare. Australian Council for Educational Research. Victoria. Australia.

Model SEM dengan Indikator Komposit

Dalam prosedur dan analisis model Structural Equation Modeling (SEM) harus memenuhi asumsi-asumsi SEM seperti ukuran sampel, normalitas dan linieritas data, outlier observasi dan juga terpenuhinya asumsi multikolinieritas dan singularitas. Multikolinieritas dan sinngularitas  dapat dideteksi dari nilai determinant matrix covariance. 

Nilai determinan  kovarian yang sangat kecil memberikan indikasi adanya masalah multikolinieritas dan singularitas. Apabila terjadi masalah tersebut maka solusi yang dapat dilakukan dengan mengeluarkan indikator yang meyebabkan singularitas tetapi hal tersebut sangat sulit untuk dilakukan. Oleh karena itu maka solusi yang tepat adalah membuat model dengan indikator komposit (indikator tunggal). Indikator komposit (tunggal) dilakukan dengan menyederhanakan variabel laten dengan multiple indikator menjadi satu indikator komposit yang tentunya dapat dibenarkan secara teoritis dan empiris. Sebagai contoh pada Model Kualitas Pelayanan dibawah ini.

Model Kualitas Pelayanan

Dari model tersebut memberikan output nilai determinant of sample covariance matrix sebesar 0.00 (<0.001), nilai ini sangat kecil sehingga dapat disimpulkan bahwa model mengalami masalah multikolinieritas dan singularitas untuk itu model akan dilakukan dengan menggunakan indikator komposit.

Tabel determinant of sample covariance matrix

Untuk membuat indikator komposit tidak sesederhana dengan hanya membuat nilai rata-rata (mean) dari indikator-indikator dalam satu variabel laten hingga diperoleh satu indikator. Perhitungan dalam membuat indikator komposite dilakukan dengan memperhitungkan nilai standardized loading factor, factor score weight dan error variance. Nilai-nilai tersebut diperoleh dengan membuat model SEM secara full indikator (multiple indikator) terlebih dahulu seperti pada model Kualitas Pelayanan diatas.

Dari hasil perhitungan dalam membuat indikator komposit akan menghasilkan nilai loading factor composite (𝛌c) dan error variance composite (𝞗c). Nilai-nilai tersebut akan dijadikan sebagai nilai konstrain pada masing-masing indikator model komposit. Hasil perhitungan indikator komposit selengkapnya disajikan pada tabel di bawah ini.

Nilai loading factor composite dan error variance composite

Selain mendapatkan nilai loading factor composite dan error variance composite, hasil perhitungan akan memperoleh nilai indikator komposite yang kemudian di beri nama baru sebagai KKComposite, FKComposite, DKComposite dan KPComposite yang dijadikan sebagai data input pada model composit.

Kemudian buat model komposit dengan indikator tunggal dan masukkan nilai loading factor composite sebagai nilai konstrain : pada kompetensi karyawan sebesar 0.645, fasilitas kerja 0.64, disiplin kerja 0.662, kualitas pelayanan sebesar 0.616. Masukkan juga nilai error variance composite pad e1 sebesar 0.054, e2 0.058, e3 0.063, e4 0.043. Pada zeta1 (z1) dikonstrain dengan nilai sebesar 1. Hasil selengkapnya  seperti pada model dibawah ini.

Model dengan nilai konstrain

Hasil running model komposite memperoleh nilai chi-square sebesar 2.685, probabillitas 0.101, AGFI 0.962, GFI 0.996, CFI 0.989, TLI 0.934, dan RMSEA sebesar 0.070. Nilai Goodness of fit model tersebut lebih baik dibandingkan dengan model multiple indikator. Terbukti dari nilai chi-square rendah dan probabilitas yang tidak signifikan yaitu sebesar 0.101 (> 0.05). Hasil selengkpanya disajikan pada model dibawah ini.

Model Komposit Indikator

Hasil output nilai goodness of fit antara model multiple indikator dengan model composite selengkapnya disajikan pada tabel dibawah ini.

Perbandingan goodnes of fit index antara model Multiple indikator dan komposit

Dari hasil model multiple indikator menunjukan bahwa nilai chi-square masih tinggi dan probabilitas masih signifikan (< 0.05) dikatakan tidak fit. Sedangkan untuk indeks AGFI, GFI, CFI, TLI, dan RMSEA sudah fit. Pada model komposit baik nilai chi-square, probabilitas, AGFI, GFI, CFI, TLI dan RMSEA sudah memenuhi kriteria fit model. Jadi  hasil model komposit lebih baik dibandingkan dengan model multiple indikator.

Hasil estrimasi koefisien pengaruh konstrak antara model multiple dan model komposit selengkapnya disajikan pada tabel dibawah ini.

Perbandingan estimasi koefisien antara model multiple indikator dengan komposit

Dari tabel diatas menunjukan bahwa nilai estimasi koefisien pengaruh antara konstrak baik pada model multiple maupun model komposit menunjukan nilai yang tidak jauh berbeda dan juga nilai signifikansi (p) yang dihasilkan.

Kemudian kita lihat output nilai determinant of sample covariance matrix dari model komposiit yng diperoleh sebesar 0.030, nilai ini lebih besar dari 0.001 sehingga model tidak ada masalah multikolinieritas dan singularitas. Hasil selengkapnya disajikan pada matrik dibawah ini.

Nilai determinant of sampel covariance matrix model komposit

Baca juga :

1. Cara Hitung Indikator Composite Untuk Model SEM

2. Uji Kesesuaian Fit Model SEM

3. Penilaian Parameter Estimasi Model SEM

Referensi :

Ghozali, I.(2011).Model Persamaan Struktural Konsep dan Aplikasi Dengan Program AMOS 19.0.Semarang : Badan Penerbit Universitas Diponegoro

Liang, J, et. Al.(1990). Appropriatness of Composites in Structural Equation Models. Journal of Gerontology : Social Sciences, Vol.45 No. 2

Rowe, K. (2006). The Measurement of Composite Variables from Multiple Indicators : Application in Quality Asurance and Accreditation System Childcare. Australian Council for Educational Research. Victoria. Australia.

Cara Analisis Second Order CFA dengan Lisrel

Dalam model CFA ada beberapa model seperti CFA first order dan CFA second order. Model CFA first order dilakukan pada variabel laten yang menggunakan pengukurn langsung/manifes sebagai pengukurnya sedangkan pada model CFA second order dilakukan pada model yang memiliki variabel multidimensi, dimana variabel laten ini diukur oleh variabel laten dimensinya. 

 

Seperti pada contoh model Kinerja, variabel laten kinerja merupakan variabel laten multidimensi dimana variabel ini diukur oleh variabel-variabel laten seperti Perencanaan, Pelaksanaan, Bimbingan dan Penilaian sebagai variabel dimensinya. Oleh karena hal tersebut maka dinamakan dengan model CFA second order. Gambaran CFA second order selengkapnya disajikan pada model di bawah ini.

Konsep Model Second Order Kinerja

Langkah-Langkah Analisis Second Order CFA dengan Lisrel

Persiapkan data mentah (raw data) dapat berupa data SPSS amupun excel, kemudian import data tersebut ke dalam aplikasi lisrel dan simpan di drive : D/Kinerja/Datainput.psf

Selanjutnya membuat project baru di simplis project dengan nama Model second Order Kinerja. Ketik syntax simplis project seperti pada gambar di bawah ini.

Syntax Simplis Project

 

 

 

 

 

 

 

 

 

 

Dari syntax simplis di atas dapat diterangkan sebagai berikut :

Raw Data From File 'D:/Kinerja/Datainput.psf' : Lisrel membaca data mentah yang disimpan di drive D folder Kinerja dengan nama file Datainput.psf

Latent variables rencana laksana bimbing nilai kinerja : membuat nama variabel laten rencana laksana bimbing nilai kinerja.

Relationships : membuat hubungan antara indikator dengan variabel laten atau antara variabel laten dengan variabel laten lainnya.

X1 - X3 = rencana : membuat hubungan antara X1, X2, X3 sebagai indikator dengan variabel laten rencana

X4 - X6 = laksana : membuat hubungan antara X4, X5, X6 sebagai indikator dengan variabel laten laksana

X7 - X9 = bimbing : membuat hubungan antara X7, X8, X9 sebagai indikator dengan variabel laten bimbing

X10 - X14 = nilai : membuat hubungan antara X10, X11, X12, X13, X14 sebagai indikator dengan variabel laten nilai

rencana laksana bimbing nilai = kinerja : membuat hubungan dari variabel laten kinerja ke rencana, laksana, bimbing dan nilai 

Set the variance of kinerja to 1 : membuat konstrain pada nilai variance kinerja sebesar 1

Path Diagram : Lisrel membuat model jalur yang diperintahkan di atas

End of Problem : mengakhiri perintah lisrel

Hasil model setelah di RUN dengan Lisrel selengkapnya disajikan pada gambar di bawah ini.

Model Second Order Kinerja

Pada gambar hasil model di atas menunjukan bahwa indeks yang diperoleh seperti chi-square sebesar 86.74, probabilitas 0.12991, RMSEA 0.031. Dari hasil nilai tersebut menunjukan bahwa nilai chi-square sudah sangat rendah dengan nilai p-value 0.12991 (> 0.05), RMSEA sebesar 0.031 (< 0.08) dan model dapat dikatakan fit/layak.

Untuk nilai indeks goodness of fit dari model selngkapnya disajikan pada tabel di bawah ini.

Goodness od Fit Index

Nilai chi-square diperoleh sebesar 86.74 lebih rendah dibandingkan nilai cut off value yaitu 93.95, artinya bahwa tidak ada perbedaan yang signifikan antara matrik kovarian populasi dengan matrik kovarian sampel sehingga model fit. Untuk nilai cmin/df sebesar 1.188 < 2.00 yang menunjukan bahwa cmin/df sudah sangat rendah atau lebih kecil dari 2.00 sehingga model fit. Nilai probabilitas erat kaitanya dengan nilai chi-square. Semakin rendah nilai chi-square maka nilai probabilitas semakin tinggi (tidak signifikan). Karena nilai chi-square rendah yaitu 86.74 < 93.95 dan probabilitas 0.12991 > 0.05 maka dapat disimpulkan bahwa model dapat dikatakan fit diterima.

Demikian juga untuk indeks RMSEA diperoleh sebesar 0.031 < 0.08, GFI sebesar 0.94, AGFI 0.92. NNFI 0.99 > 0.95, CFI 1.00 > 0.95 dan NFI 0.97 > 0.95. Indeks tersebut sudah memenuhi batas cut off value masing-masing sehinga dapat dikatakan bahwa model fit diterima.

Koefisien estimasi dari variabel multidimensi (perencanaan, pelaksanaan, bimbingan dan penilaian) selengkapnya disajikan pada tabel di bawah ini.

Tabel nilai estimasi koefisien regresi

Terlihat bahwa nilai koefisien estimasi Kinerja terhadap perencanaan sebesar 0.63 dengan nilai t sebesar 7.29, Kinerja ke Pelaksanaan memperoleh nilai koefisien estimate sebesar 0.49 dengan nilai t sebesar 5.23. Kinerja ke Bimbingan sebesar 0.65 dengan nilai t sebesar 7.14. Kinerja ke Penilaian memperoleh nilai estimate sebesar 0.77 dengan nilai t sebesar 7.82. Karena nilai t yang diperoleh pada masing-masing variabel > 1.96 t-tabel maka dapat disimpulkan bahwa variabel perencanaan, pelaksanaan, bimbingan dan penilaian merupakan variabel multidimensi dari variabel Kinerja.

Baca juga :

1. Cara Analisis Second Order CFA dengan AMOS

2. Tiga Pendekatan Model Second Order

3. Uji Normal Pada Model SEM

Referensi :

Byrne, B.M.(1998).Structural Equation Modeling With Lisrel, Prelis and Simplis: basic Concepts, Applications and Programing. New Jersey: Lawrence Erlabaum Associates,Inc

Diamantopoilos,A and Siguw,J.A.(2000).Introduction Lisrel: A Guide for the Uninitiated.London: Sage Publications

Ghozali, I dan Fuad  (2008). Model Persamaan Struktural  Konsep dan Aplikasi Dengan Program Lisrel 8.80 Edisi II. Semarang : Badan Penerbit Universitas Diponegoro.

Mueller,R.O.(1996). Basics Principles of Structural Equation Modeling :An Introduction to Lisrel and EQS.New York: Springer-Verlag,Inc

Penilaian Parameter estimasi Model Structural Equation Modeling (SEM)

Penilaian model (model assesment) pada structural Equation Modeling (SEM) difokuskan bahwa sejauh mana sebuah model yang dihipotesiskan sesuai (fit) atau model mampu untuk menjelaskan data sampel yang ada. Penilaian model dengan menguji kecukupan masing-masing parameter estimasi maupun model secara keseluruhan. 

Ada 3 kriteria untuk penilaian parameter estimasi model SEM yaitu (1) Feasibility of parameter, (2) Kesesuaian standar eror dan (3) Signifikansi statistikal dari koefisien estimasi parameter.

1. Feasibility estimasi parameter

"The initial step in assesing the fit of individual parameters in a model is to determine the viability of their estimated values. In particular, parameter estimates should exhibit the correct sign and size, and be consistent with the underying theory. Any estimates faling outside the admissible range signal a clear indication that either the model is wrong or the input matrix lack sufficient information (Byrne, 2010)"

Penilaian setiap parameter model yaitu menentukan viabilitas dari nilai-nilai yang telah diestimasi untuk setiap parameter. Penilaian koefisien parameter harus berpedoman pada ukuran atau kriteria yang benar dan konsisten dengan teori dari pengembangan model. Nilai koefisien yang jauh dari kriteria/ukuran dapat menjadi indikasi bahwa model yang dikembangkan adalah salah atau matrik input kekurangan informasi yang dibutuhkan. Misalnya dalam model terjadi nilai korelasi > 1.00, matrik kovarian atau korelasi yang tidak positif atau variance negatif.

2. Kesesuaian standard eror

"Standard error reflect the precision with which a parameter has been estimated with small values suggesting accurate estimation. Thus, another indicator of poor model fit is the presence of standard errors that are exessively large or small. For example, if a standard error approaches zero, the test statistic for its related parameter cannot be defined. Likewise, standard errors that are extremely large indicate parameters that cannot be determined (Byrne, 2010)"

Model yang kurang baik salah satunya adanya standar error yang sangat besar ataupun sangat kecil. Misal standar eror sama dengan nol, maka pengujian statistik untuk parameter yang berhubungan dengan standard eror tersebut tidak dapat dilakukan. Nilai standard eror yang tidak akurat pada umumnya ditemui pada analisis yang menggunakan data matrik korelasi, maka sebaiknya model SEM menggunakan matrik kovarian.

3. Signifikansi statistikal dari koefisien estimasi parameter

 "The test statistics as reported in the AMOS output is the critical ratio (CR), which represents the parameter estimate divide by its standard errors, as such , it operates as a z-statistc in testing that the estimate is statistically different from zero (byrne, 2010)"

Pengujian statistik yang digunakan dalam SEM AMOS adalah critical ratio (CR) yang merupakan estimasi parameter dibagi standar erornya sama dengan z-statistik yang menguji bahwa nilai estimasi secara statistik tidak sama dengan nol. Pengujian statistik dengan tingkat signifikansi 5%, nilai CR yang dibutuhkan lebih ±1.96. Jadi parameter yang tidak signifikan menunjukan bahwa variabel tidak memiliki peranan penting dalam pengembangan model sehingga dapat dikeluarkan dari model. Parameter yang tidak signifikan dapat menjadi indikasi bahwa model memiliki sampel yang kecil/kekuranganm sampel.

Baca juga :

1. Cara Mengatasi data tidak Normal dengan Metode Bootstraping

2. Uji Kesesuaian Fit Model SEM

3. Evaluasi Asumsi pada Model SEM

Referensi :

Byrne, B. M. (2016). Structural Equation Modeling with Amos : Basics concepts, Applications, and Programing 3nd. New York : Rouledge

Ferdinand, A. (2014). Structural Equation Modeling  Dalam Penelitian Manajemen Edisi 5. Semarang : Badan Penerbit Undip

Haryono, S. ( 2016). Metode SEM untuk Penelitian Manajemen dengan AMOS Lisrel PLS. Bekasi : Intermedia Personalis Utama