MAKALAH ANALISIS KEPUTUSAN BISNIS

STRUCTURAL EQUATION MODELLING

Oleh :
1. I Putu Prasetya Wikantara (1310100040)
2. Sharfina Novi Akalili (1310100043)
3. Muflih Rori Putra H. (1310100052)
4. M. Husni Mubarok (1310100056)
5. Umi Anifah (1310100057)



Dosen :
Dr. Agus Suharsono, Msi




PROGRAM STUDI SARJANA
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2013






BAB I
PENDAHULUAN

1.1 Pengertian Structural Equation Modelling
Structural Equation Modelling (SEM) metode statistik yang digunakan untuk
menyelesaikan uji hipotesis dari suatu fenomena struktur teori dengan pendekatan analisis
multivariat. Teori tersebut menyatakan proses kausal dari data hasil observasi dengan banyak
variabel (Betler,1998 di dalam Byrne,1998 ). Structural Equation Modelling (SEM)
merupakan gabungan dari analisis faktor dan analisis regresi. Pada tahun 1950-an SEM sudah
mulai dikemukakan oleh para ahli statistik yang mencari metode untuk membuat model yang
dapat menjelaskan hubungan di antara variabel-variabel. Dalam kenyataannya, khususnya
ilmu-ilmu sosial, banyak variabel yang bersifat laten, seperti motivasi seseorang, komitmen,
kesetiaan pelanggan dan lainnya. Di era 1970-an dimana kemajuan teknologi semakin
berkembang, memungkinkan alaat analisis SEM dikembangkan pula. Joreskog dan Sorbom
mengembangkan metode estimasi maximum likelihood, dan dengan mulai munculnya
software khusus SEM, seperti LISREL, AMOS, EQS dan sebagainya, alat analisis SEM saat
ini sudah menjadi prosedur multivariate yang dominan.
Model persamaan struktural (SEM) adalah generasi kedua teknik analisis multivariat
(Bagozzi dan Fornell, 1982 di dalam Ghozali, 2005) yang memungkinkan peneliti untuk
menguji hubungan antara variabel yang komplek baik recursive maupun non-recursive untuk
memperoleh gambaran menyeluruh mengenai keseluruhan model.

1.2 Konsep Dasar Structural Equation Modelling
Structural Equation Modelling (SEM) adalah kelompok model statistik yang bisa
menjelaskan hubungan antara banyak variabel (multiple variable). SEM menguji struktur
antar hubungan yang digambarkan dalam persamaan berurutan, yang hampir sama dengan
persamaan regresi berganda (Hair dkk., 1998). SEM terdiri dari dua bagian : (a) bagian
pengukuran yang menghubungkan observed variable (variabel manifest atau variabel terukur
atau variabel indikator) dengan unobserved variable (variabel laten atau variabel konstruk
atau variabel tidak terukur) lewat CFA atau Confirmatory Factor Analysis dan (b) bagian
yang menghubungkan antar variabel laten lewat persamaan regresi simultan. Definisi sebuah
model harus merepresentasi teori yang ada. Model SEM seharusnya tidak dibangun tanpa
dasar teori yang mendasarinya. Teori seringkali dijadikan objek utama bagi seorang
akademisi, tapi bagi seorang praktisi memungkinkan untuk mengembangkan sebuah
hubungan yang lebih kompleks namun masih berkaitan dengan teori yang ada. (Hair dkk.,
1998).
Tujuan akhir dari Structural Equation Modeling pada prinsipnya adalah mendapatkan
model struktural. Apabila pendugaan parameternya didasarkan pada data input matriks
kovarians, maka SEM menghasilkan struktural, bermanfaat untuk prediksi atau untuk
pembuktian model. Sedangkan apabila input berupa matrik korelasi, maka SEM bermanfaat
untuk peme-riksaan besar kecilnya pengaruh baik langsung maupun tidak langsung ataupun
pengaruh total variabel bebas (variabel eksogen) terhadap variabel dependen (variabel
endogen). Untuk kondisi yang model strukturalnya memenuhi model rekursif, maka SEM
setara dengan analisis path.
Analisis faktor, model struktural dan analisis path (jalur) dibuat ilustrasi dan notasi-
notasi dalam SEM sebagai berikut :




Model faktor Struktural model Model faktor
(Variabel Eksogen ) ( Variabel Laten ) ( Variabel Endogen )
Gambar 1 Model Persamaan Struktural (SEM)
dimana : X = Vektor berukuran qx1, variabel eksogen
Y = Vektor berukuran px1, variabel endogen
= Variabel laten X, vektor berukuran n x 1


X4
X3

Y3
Y4
Y5
Y6






Y2
Y1
X1
X2

X5
X6
q = Variabel laten Y, vector berukuran n x 1
= Lambda (kecil), loading faktor
= Gama (kecil), koefisien pengaruh variabel eksogen terhadap variabel
endogen.





















BAB II
ISI

2.1 Jenis-jenis Model Pada Structural Equation Modelling
Jenis-jenis model yang dapat dianalisis dengan mengunakan pendekatan Structural
Equation Modeling (SEM) yaitu Model Deskrptif (Measurement Model) dan Model Causal.
Dalam Structural Equation Modeling, Model Deskriptif (Measurement Model) digunakan
untuk mengukur kuatnya struktur dari dimensi-dimensi yang membentuk sebuah faktor,
karena measurement model berhubungan dengan sebuah faktor, maka analisis yang dilakukan
sama dengan analisis faktor, peneliti memulai penelitiannya dengan menentukan terlebih
dahulu (model apriori). Beberapa variabel yang dipandang sebagai indikator sebuah faktor
dengan menggunakan teknik SEM untuk mengkonfirmasi struktur apriorinya. Itulah sebabnya
teknik ini disebut Confirmatory Factor Analysis (CFA). (Schumacker and Lomax, 1996).
Sedangkan Model SEM lainnya yaitu Model Causal mampu menggambarkan hubungan-
hubungan yang dihipotesiskan antar konstruk, yang menjelaskan sebuah kausalitas, termasuk
di dalamnya kausalitas berjenjang.

2.1.1 Analisis Faktor Eksploratori
Suatu penelitian yang bersifat ekploratif, umumnya bertujuan untuk mengetahui faktor-
faktor penyusun dari suatu dimensi kehidupan. Misalnya, ingin mengetahui faktor-faktor
perilaku konsumen produk A di kota Malang. Untuk itu dikembangkan instrumen penelitian
berupa kuisioner, yang didalamnya memuat indikator-indikator (item-item berupa
pertanyaan). Indikaor-indikator ini di dalam konteks analisis faktor ada yang menyebutnya
sebagai variabel manifest. Sedangkan variabel yang diamati, misal perilaku konsumen,
merupakan variabel laten.
Analisis faktor eksploratori terdiri dari berapa faktor yang akan tebentuk dan faktor
tersebut merupakan penentu variabel laten. Hal ini belum dapat ditentukan sebelum analisis
dilakukan. Jadi pada prinsipnya, kita akan melakukan eksplorasi, dari indikator-indikator atau
variabel-variabel manifest yang ada nantinya akan terbentuk faktor-faktor, yang kemudian
dilakukan interprestasi terhadapnya untuk menentukan variabel-variabel laten apa yang dapat
kita peroleh.

2.1.2 Analisis Faktor Konfirmatori
Analisis faktor konfirmatori banyak faktor yang harus terbentuk, serta variabel-variabel
laten apa saja yang termasuk ke dalam faktor-faktor tersebut sudah diketahui secara apriori
berdasarkan landasan teori dan konsep yang telah ada. Pada prinsipnya analisis ini hanya
melakukan konfirmasi berdasarkan teori atau konsep yang sudah ada terhadap keakuratan
(valid dan reliabel) instrumen yang telah dibuat.
Analisis faktor eksploratori, umumnya mengunakan matriks korelasi untuk
mengestimasi faktor strukturnya sebab analisis faktor dikembangkan untuk menjelaskan
korelasi diantara variabel. Pada model analisis faktor konfirmatori banyak menggunakan skala
invariant, matriks korelasi ataupun matriks kovarians bisa digunakan, akan tetapi secara teori
pada umumnya menggunakan prosedur maximum likelihood, maka direkomendasikan model
analisis faktor konfirmatori menggunakan matriks kovarians.
Tipe analisis ini telah diketahuinya indikator penyusun faktor terlebih dahulu
berdasarkan suatu teori tertentu. Sehingga untuk analisis berikutnya tinggal melakukan
hipotesis yang menguji kebenaran hubungan teori tersebut. Confirmatory Factor Analysis
fokus pada hubungan antar konstruk dan ukuran (Bagozzi, 1994 di dalam Jurnal Ekonomi,
2004)
2.2 Deskripse Variabel Pada Structural Equation Modelling
1. Model Struktural
Contoh suatu model persamaan simultan (Simultaneous Equation Model) diberikan
untuk lebih memahami model struktural sebagai berikut:
1 2 12 1 11 2 11 10 1
c | | + + + + = X X Y Y (3.3)
2 1 21 20 2
c | | + + = Y Y (3.4)
Persamaan (3.3), dapat dikatakan bahwa Y
1
tergantung pada Y
2,
X
1
dan X
2
, sedangkan
pada persamaan (3.4), dapat dikatakan bahwa Y
2
tergantung pada Y
1.
Sehingga untuk
penyelesaiannya (pendugaan koefisien regresi) pada kedua model tidak dapat dilakukan
secara parsial terhadap masing-masing persamaan, akan te-tapi harus dilakukan secara
simultan. Oleh karena itu, model yang demikian dise-but dengan sistem persamaan simultan,
yang dalam hal ini juga disebut sebagai model struktural.
Model struktural dikenal dua variabel, yaitu variabel eksogen dan variabel endogen.
Variabel eksogen adalah variabel yang nilainya ditentukan diluar model, seperti variabel
bebas dan variabel instrumen (predetermine variables). Sedang-kan variabel endogen adalah
variabel yang nilainya ditentukan berdasarkan mo-del, seperti variabel tak bebas. Dalam
ilustrasi diatas yang termasuk variabel ekso-gen adalah X
1
dan X
2,
Sedangkan yang termasuk
variabel endogen adalah Y
1
dan Y
2.
Metode pendugaan parameter untuk model struktural tersebut dapat dilaku-kan dengan
pendekatan model rekursif, pendekatan kuadrat terkecil tak langsung (Indirect Least Square =
ILS) dan pendekatan kuadrat terkecil dua tahap (Two Stage Least Square = TSLS).
2. Kesalahan Struktural
Secara logika tidak mungkin memprediksi variabel konstruk dependen, oleh karena itu
ada structure error (kesalahan struktural) yang diberi simbol zeta ().
3. Variabel Manifes / Indikator
Variabel indikator yang membentuk konstruk laten eksogen diberi simbol X sedangkan
variabel indikator yang membentuk konstruk laten endogen diberi simbol Y.
4. Variabel Laten
Ada dua jenis variabel laten, variabel eksogen yang diberi simbol ksi () dan variabel
endogen yang diberi simbol eta ()
5. Model Pengukuran
Disamping sebagai metode analisis yang berkenaan dengan model struktu-ral.
Structural Equation Modeling juga berhubungan dengan pemeriksaan seberapa valid dan
reliabel instrumen penelitian (berupa kuisioner). Pendekatan yang digunakan untuk
memeriksa hal tersebut di dalam SEM adalah analisis faktor konfirmatori, sehingga di dalam
SEM juga tercakup measurement model (model pengukuran).
6. Kesalahan Pengukuran
Kesalahan pengukuran yang berhubungan dengan X diberi simbol karakter delta (),
sedangkan yang berhubungan dengan Y diberi simbol karakter epsilon ()
2.3 Tahapan-tahapan dalam Structural Equation Modelling
Langkah-langkah yang dilakukan untuk membuat pemodelan yang lengkap terdiri dari
pengembangan model berbasis konsep dan teori, konstruksi diagram path, menkonversi
diagram path ke dalam model struktural, memilih matriks input dan estimasi model, serta
penyelidikan asumsi-asumsi.
Langkah pertama dalam pengembangan model SEM adalah pencarian/
pengembangan sebuah model yang mempunyai landasan teori yang kuat. Dengan kata lain
tanpa dasar teori yang kuat SEM tidak dapat digunakan karena SEM tidak digunakan untuk
menghasilkan model, tetapi untuk mengkonfirmasi model hipotetik, melalui data empirik.
Untuk menguji model hipotetik tersebut menggunakan uji hpotesis mengenai perbedaan,
dengan menggunakan uji chi-square.
Setelah pada langkah pertama didapatkan model hipotetik, Langkah Kedua model
tersebut digambarkan dalam sebuah diagram path. Diagram path sangat bermanfaat untuk
menunjukkan alur hubungan kausal antar variabel eksogen dan endogen. Dimana hubungan-
hubungan kausal yang telah ada justifikasi teori dan konsepnya divisualisasikan ke dalam
gambar sehingga lebih mudah melihatnya. Bilamana hubu-ngan-hubungan kausal tersebut ada
yang secara konseptual belum mantap, maka dapat dibuat beberapa model, yang kemudian
diuji menggunakan SEM. Untuk mendapatkan model yang paling tepat. Konstruk-konstruk
yang dibangun dalam diagram path dapat dibedakan ke dalam dua kelompok konstruk, yaitu
konstruk eksogen dan konstruk endogen. Konstruk eksogen dikenal juga dengan variabel
independen yang tidak diprediksi oleh variabel lain dalam model. Sedangkan konstruk
endogen adalah faktor-faktor yang diprediksi oleh satu atau beberapa konstruk.
Persamaan yang dibangun berupa persamaan struktural (Structural Equation).
Persamaan ini dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk
persamaan struktural pada dasarnya dibangun dengan pedoman berikut :
Variabel Endogen = Variabel Eksogen + Variabel Endogen + Error
Langkah ketiga Structural Equation Modeling hanya menggunakan matriks varians-
kovarians atau matriks korelasi sebagai data input untuk keseluruhan estimasi yang
dilakukannya. Observasi individual digunakan, tetapi input tersebut akan dikonversi ke dalam
bentuk matriks kovarians atau matrik korelasi sebelum dilakukan estimasi. Hal ini karena
fokus SEM bukanlah pada data individual tetapi pada pola hubungan antar responden.
Langkah selanjutnya adalah estimasi model. Teknik yang digunakan adalah MLE. Teknik ini
dipilih dengan pertimbangan ukuran sampel kecil yaitu 100-200. (Solimun, 2002)
Langkah keempat berikut ini merupakan evaluasi dari kesesuaian model, melalui
telaah terhadap beberapa kriteria Goodness of fit. Untuk itu tindakan pertama harus dilakukan
adalah mengevaluasi apakah data yang digunakan telah memenuhi asumsi yang diperlukan.
Asumsi-asumsi yang harus dipenuhi dalam prosedur pengumpulan data dan
pengolahan data yang dianalisis dengan Path Analysis terdiri dari yang terdiri dari pemenuhan
asumsi ukuran sampel, pengujian distribusi multivariat normal, tidak ada outlier, dan tidak
ada kasus multikolinieritas.
Ukuran sampel yang harus dipenuhi dalam pemodelan minimum adalah 100 dan
selanjutnya mengunakan perbandingan 5 observasi untuk setiap parameter yang diestimasi.
Sebelum dilakukan analisis model persamaan struktural (SEM), perlu dilakukan uji
multivariat normal, sebagaimana asumsi dalam analisis ini. Untuk me-nguji kemultinormalan
data, uji dilakukan dengan menghitung jarak kuadrat untuk setiap pengamatan (Johnson,
1988), yaitu :
( ) ( ) x x S x x d
j j j
=
1
'
2
; j = 1,2,,n (2.1)
dimana : x
j
= pengamatan pada responden ke-j
n = banyak responden
p = banyak variabel (pertanyaan)
S
-1
= invers matriks varian kovarian
Hipotesis nol dan alternatifnya diberikan sebagai berikut :
H
0
: data berdistribusi multivariat normal
H
1
: data tidak berdistribusi multivariat normal
Adapun H
0
akan ditolak pada o = 5%, jika nilai
2
j
d <
( )
2
%, 5 p
_ kurang dari 50%. (Johnson,
1988). Uji multinormal juga dapat dilakukan dengan membuat plot
2
_ (untuk p>2) dengan
langkah-langkah sebagai berikut :
a) Menghitung ( ) ( ) x x S x x d
j j j
=
1
'
2
; j = 1,2,,n
b) Mengurutkan
2
j
d sedemikian hingga
2
) (
2
) 2 (
2
) 1 (
...
n
d d d s s s
c) Membuat plot
|
|
.
|

\
|
|
.
|

\
|
n
j
d
p j
5 , 0
,
2 2
_ ,dimana |
.
|

\
|
n
j
p
5 , 0
2
_ adalah persentil
n
j ) 5 , 0 ( 100

dari distribusi
2
_ derajat bebas p.
Apabila plot mendekati garis lurus maka disimpulkan bahwa data berdis-tribusi
multivariat normal, yang mana kelengkungan menunjukkan penyimpangan kenormalan.
Outlier adalah observasi yang muncul dengan nilai-nilai ekstrim baik seca-ra univariat
maupun multivariat dan terlihat sangat jauh berbeda dengan obser-vasi-observasi lainnya.
Untuk menyelidiki adanya outlier dengan menggunakan jarak mahalanobis.
) ( ) (
1 '
k i k i k i
x x S x x D =

i,k=1,2,... (2.2)
Bila ada nilai
ik
D melebihi nilai dari ) , (
2
p df _ maka ada indikasi adanya outlier.
Perlakuan bila terdapat outlier ada tiga (Kline, 1998) yaitu: Dihiraukan bila tidak diketahui
penyebabnya, dihilangkan dari sampel bila tidak menyebab-kan penurunan kelayakan model,
dan yang terakhir memodifikasi skor agar pengaruh outlier minimum. Asumsi lain yang harus
dipenuhi dalam SEM adalah tidak adanya kasus multikolinieritas yaitu tidak adanya korelasi
yang sempurna atau besar diantara variabel-variabel indikator. Nilai korelasi antara variabel
indikator yang tidak diperbolehkan adalah sebesar 0.9 atau lebih (Ghozali, 2005).
Langkah kelima adalah menilai identifikasi model struktural Cara melihat ada
tidaknya problem identifikasi adalah melihat hasil estimasi yang meliputi : (1) adanya nilai
standar error yang besar untuk satu atau lebih koefisien; (2) ketidakmapuan program untuk
invert information matrix; (3) nilai estimasi yang tidak mungkin misalnya error variance
yang negatif.
Langkah keenam Menilai kriteria Goodness of Fit Goodness of fit, mengukur
kesesuaian input observasi atau sesungguhnya (matrik kovarian atau korelasi) dengan prediksi
dari model yang diajukan. Ada tiga jenis ukuran goodness of fit yaitu (1) absolute fit measure,
(2) incremental fit measures dan (3) parsimonious fit measures, kriteria tersebut dapat dilihat
berdasarkan tabel berikut.
No. Ukuran Derajat
Kecocokan
Keterangan Tingkat kecocokan
yang bisa diterima
1.
Chi Square








Normed Chi Square
(x
2
/df)
Menguji apakah kovarians
populasi yang diestimasi sama
dengan kovarians sampel (apakah
model sesuai dengan data)


rasio perbandingan antara nilai
chi-square dengan degrees of
freedom



Batas bawah = 1.0
Batas atas = 2.0 atau
3.0
dan x
2
/df > 5
2.
Non-Centraly
Parameter (NCP)
mengukur tingkat penyimpangan
antara simple covariance matrix
dan fitted (model).
Kecil
3.
Goodness of Fit
Indices (GFI)
Suatu ukuran mengenai ketepatan
model dalam menghasilkan
observed matriks kovarian
0.80 GFI 0,9
4.
Root Mean Square
Error of
Approximation
(RMSEA)
Rata-rata perbedaan degree of
fredom yang diharapkan terjadi
dalam populasi, dan bukan sampel
RMSEA 0,08
(good fit)
RMSEA< 0,05
(close-fit)
5.
Expected Cross
Validation index
(ECVI)
Mengukur penyimpangan antara
fitted (model) matriks kovarian
pada sampel yang dianalisis dan
kovarian matrik yang akan
diperoleh pada sampel lain, tetapi
memiliki ukuran sampel yang sama
besar
ECVI < ECVI
Saturated dan ECFI
for independence
model
6.
CFI
(Comparative Fit
Index)
Uji kelayakan model yang
diusulkan dengan model dasar
CFI > 0,9

2.4 Kelebihan dan Kelemahan Structural Equation Modelling
Kelebihan Structural Equation Modelling Kelemahan Structural Equation Modelling
Komprehensif Penggunaan SEM Sangat Dipengaruhi oleh
Asumsi Parametrik yang Harus Dipenuhi
Mengakomodasi Model-model yang
Kompleks
SEM Mengharuskan Dalam Membentuk
Variabel Laten, Indikator-indikatornya
Bersifat Refleksif
Permodelan Variabel Laten
Kemungkinan Adanya Pengujian Model
Secara Keseluruhan daripada Koefisien-
koefisien Secara Sendiri-sendiri


2.5 Aplikasi Structural Equation Modelling di Dunia Bisnis
Di dalam ilmu manajemen, pengukuran yang digunakan dalam riset bisnis telah
mengalami perkembangan yang luar biasa. Penggunaan analisis kuantitatif dalam ilmu
manajemen diperlukan guna menjelaskan suatu seni terkadang harus berhadapan dengan
variabel-variabel yang tidak dapat diukur secara langsung, melainkan harus menggunakan
indicator. Variabel ini sering dijumpai dalam penelitian-penelitian bisnis maka dari itu
structural equation modeling adalah metode yang sering digunakan dalam riset bisnis, contoh
analisis dalam riset bisnis dan manajemen yang sering menngunakan metode ini antara lain :

1. Untuk riset kepuasan pelanggan suatu produk / jasa, dalam hal ini sering sekali
menggunakan metode structural equation modelling dikarenakan kepuasan pelanggan
tidak dapat diukur secara langsung, melainkan diukur dari beberapa indicator / yang
biasa disebut variabel laten.
2. Untuk riset loyalitas pelanggan terhadap suatu produk / jasa.
3. Untuk riset kepemimpinan seorang pemimpin di suatu perusahaan.
4. Untuk riset perubahaan manajemen di suatu perusahaan.
5. Untuk riset kinerja suatu perusahaan.