Asumsi-asumsi yang harus terpenuhi dalam prosedur dan pengolahan model SEM antara lain kecukupan ukuran sample, normalitas data multivariate outlier dan multikolinieritas dan singularity.
Ukuran sampel
Dalam model SEM besaran ukuran sampel memiliki peranan penting karena asumsi dasar yang harus terpenuhi dalamkaidah analisisnya. jadi analisis SEM membutuhkan paling sedikit 5 kali jumlah indikator yang digunakan dalam model.
Penggunaan teknik estimasi Maximum Likelihood (ML) membutuhkan sampel berkisar antara 100- 200 sampel. Teknik estimasi maximum Likelihood dan estimasi Generalized Least Square (GLS) dilakukan dalam kondisi data berdistribusi normal. Sedangkan pada sampel dengan jumlah besar diatas 2500 sampel menggunakan teknik estimasi Asymptotically Distribution Free (ADF).
Pada model kali ini, jika perhitungan sampel memakai jumlah indikator sebanyak 14 sehingga jumlah sampel yang dibutuhkan sebanyak 5 x 14 = 70 sampel. Mendasari penggunaan sampel minimal dalam estimasi Maximum Likelihood (ML), minimal sampel sebesar 100, sehingga sampel dalam model ini sebesar 200 sudah terpenuhi besar sampel untuk model SEM.
 |
| Jumlah sampel dan observed variable |
Indeks lain untuk mengetahui kecukupan sampel adalah dengan melihat indeks Hoelter. Besarnya sampel yang baik adalah bila nilai indeks Hoelter lebih besar dari 200.
 |
| Hoelter |
Dari hasil nilai indeks Hoelter di atas menunjukkan bahwa pada taraf signifikansi 0.05 nilai Hoelter sebesar 251 dan pada taraf signifikansi 0.01 nilai Hoelter sebesar 278. Artinya bahwa nilai indeks Hoelter lebih tinggi dari 200 sehingga sampel yang digunakan sudah cukup dalam penarikan kesimpulan.
Normalitas Data
Asumsai normalitas univariat dapat diketahui dari nilai Critical Ratio (CR) skewness dan kurtosis. Jika nilai CR berada dalam rentang ±2.58 maka dapat dikatakan bahwa data berdistribusi normal univariat. Sedangkan normalitas multivariat dapat diketahui dari nilai CR kurtosis dalam rentang nilai antara ± 2.58. Hasil nilai CR dari skewness dan kurtosis indikator-indikator tersebut berada dalam rentang ±2.58 maka dapat disimpulkan bahwa data berdistribusi normal univariat.
 |
| Normalitas data |
Pada hasil pengujian normalitas multivariat merupakan nilai "Koefisien kurtosis Multivariate Mardia". dengan asumsi data berdistribusi normal, nilai koefisien memiliki nilai rata-rata nol (0) dan standar eror dengan perhitungan sebesar :
 |
| Rumus Koefisien Kurtosis Mardia |
Evaluasi Outlier
Outlier adalah observasi yang muncul karena adanya nilai-nilai yang ekstrim baik univariat maupun multivariat yaitu muncul karena kombinasi karakteristik unik yang dimiliki dan terlihat jauh berbeda dari observasi-observasi lainnya.
1) Univariate Outlier
Untuk mendeteksi adanya outlier dilakukan dengan mengkonversi data mentah ke dalam nilai z-score pada data penelitiannya, dimana nilai z-score memiliki nilai rata-rata nol dan standar deviasi sebesar 1. Pedoman untuk nilai ambang batas dari nilai z-score berada pada rentang 3-4. Sehingga dengan pengujian z-score jika ≤ -3 dan ≥ 3 maka dikategorikan sebagai outlier. pengujian dengan z-score dilakukan dengan SPSS dengan hasil selengkapnya di bawah ini.
 |
| Z-score |
Tampak pada tabel di atas nilai Z score minimum dan maksimum pada masing-masing indikator tidak ada yang ≤ -3 dan ≥ 3, sehingga dapat dikatyakan bahwa data tidak terdeteksi adanya outlier.
2) Multivariate Outlier
Pengujian multivariat outlier dilakukan dengan uji Mahalanobis distance. Jarak mahalanobis distance tiap-tiap observasi dapat dihitung dan akan menunjukan jarak sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensi. Kriteria yang digunakan adalah berdasarkan nilai chi-square pada tingkat derajat kebebasan (degree of freedom) tertentu yaitu jumlah indikator yang digunakan pada tingkat signifikansi tertentu (p > 0.001). Nilai Mahalanobis distance berdasarkan nilai chi-square pada df sebesar 14 (jumlah indikator) pada tingkat signifikanasi > 0.001 adalah chi-square tabel (14 : 0.001) = 36.12. Hasil pengujian mahalanobis d-squared selengkapnya disajikan pada tabel di bawah ini.
 |
| Mahalanobis distance |
Pada tabel di atas menunjukan bahwa nilai mahalanobis distance d-squared tertinggi diperoleh pada observasi 99 sebesar 33.105. Karena nilai mahalanobis d-squared 33.105 < 36.12 chi-square tabel maka terbukti bahwa data tidak terjadi multivariate outlier.
3) Multikolinierity dan Singularity
Multikolinierity dan singularity yang terjadi pada kombinasi variabel dapat diamati dengan determinan matrik kovarian. Determinan yang kecil mengindikasikan adanya multikolinierity dan singularity, sehingga data tidak dapat digunakan lagi. Apabila benar-benar terjadi multikolinierity dan singularity maka data diubah menjadi composite variabel, akan dikupas tuntas pada kesempatan lainnya.
Hasil determinat of sample covariance matrix disajikan pada tabel di bawah ini.
 |
| Determinant of Covariance Matrix |
Terlihat bahwa tabel di atas nilai yang diperoleh untuk determinat of sample covariance matrix sebesar 28.393. Nilai ini sangat jauh dari 0, maka dapat disimpulkan bahwa tidak terjadi multikolinieritas dan singularitas pada model.
Baca juga :
1. Pengantar Structural Equation Modeling SEM
2. Pengenalan Structural Equation Modeling Dengan SmartPLS
Referensi :
Byrne, B. M. (2016). Structural Equation Modeling with Amos : basics concepts, Applications, and Programing 3rd. 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
