Anda di halaman 1dari 50

Structural Equation

Modeling
(SEM)

Warsono, Ph.D.
Jurusan Matematika - FMIPA
Universitas Lampung

PENDAHULUAN
If the only tool you have is a hammer,
you tend to see every problem as a nail
(CanoDraw)
Fenomena sosial atau alam biasanya digambarkan oleh
pengamatan lebih dari satu variabel yang saling berkaitan atau
lebih dari satu variate
Sehingga variabel-variabel tidak dapat diinterpretasikan secara
terpisah, tetapi harus secara simultan.
Analisis Multivariate merupakan analisis statistika yang
digunakan untuk mengukur, menjelaskan, dan memprediksi
derajat hubungan antar variate (kombinasi terboboti dari
beberapa variabel).

ILUSTRASI SEM
Misalkan manajer supermarket tertarik untuk mengetahui loyalitas
atau komitmen pelanggan untuk berbelanja pada supermarketnya.
Pertanyaan penelitian kunci adalah: Bagaimana persepsi
pelanggan terhadap 3 elemen strategi kunciharga, pelayanan,
dan suasanaterhadap aseptabilitas mereka terhadap
supermarket yang diukur oleh share dan komitmen pelanggan?
Secara spesifik manajer yakin bahwa persepsi pelanggan
terhadap harga, pelayanan, dan suasana yang disukai akan
mendorong pelanggan untuk kembali dan belanja lebih banyak lagi
(meningkatkan share pelanggan).

ILUSTRASI SEM

Diagram Path
Model Struktural Sederhana

PENDAHULUAN
Structural Equation Modeling (SEM) adalah salah
satu pemodelan statistika multivariate untuk
mempelajari model hubungan antar variabel tidak
bebas (dependent variables) dan variabel bebas
(dependent variables), baik yang teramati (observed
variables) maupun yang tidak teramati (unobserved
variabel) secara simultan.

PENDAHULUAN
SEM mengkaji struktur hubungan dalam susunan
sederetan persamaan regresi berganda yang
terpisahkan tetapi saling berkaitan. Persamaan
tersebut menggambarkan seluruh hubungan antar
konsep konstruk-konstruk (constructs) yang
dapat didefinisikan secara konseptual atau teoritis
tetapi tidak dapat diamati atau diukur secara
langsung (latent consepts).

PENDAHULUAN
Meskipun konstruk tidak dapat diamati secara
langsung, tetapi harus dapat diukur dengan
pendekatan variabel-variabel indikatornya yang
dapat diamati atau seperti suatu faktor dalam
analisis faktor.
Oleh karena itu, SEM dikenal sebagai perpaduan
antara analisis regresi berganda dan analisis
faktor secara terintegrasi.

Konstruksi SEM
Komponen SEM:
2 Jenis
Variabel

2 Jenis
Model

2 Jenis
Galat

Variabel Laten
Variabel Teramati
Model Struktural
Model Pengukuran
Galat Struktural
Galat Pengukuran

VARIABEL SEM
Variabel Laten (Latent Varible, LV):
Variabel yang tidak teramati (unobservable variable)
secara langsung. Hanya dapat diamati secara tidak
langsung melalui efeknya pada variabel teramati
Variabel kunci dalam SEM
Variabel Laten:
1. Eksogen (, ksi), variabel bebas dalam model
2. Endogen (, eta), variabel tak bebas dalam model

VARIABEL SEM
Simbol dalam diagram lintas dalam SEM berbentuk
lingkaran atau elips:

Hubungan kausal berbentuk anak panah:


Pada eksogen semua anak panah menuju ke luar
Pada endogen minimal ada satu anak panah menuju
variabel tersebut
Eksogen

Endogen

Tipe Umum Hubungan Teoritik dalam SEM


Dependensi hubungan
dua Konstruk
(hubungan struktural)

Konstruk 1

Konstruk 2

Konstruk 1
Hubungan korelasional
antar Konstruk
Konstruk 2

VARIABEL SEM
Variabel Teramati (Measured Varible, MV):
Variabel yang dapat diamati (observable variable) atau
diukur (measured variable) secara empiris dan sering
disebut sebagai indikator.
Variabel ini merupakan efek dari variabel laten
Variabel yang merupakan efek dari
1. Variabel eksogen dilambangkan X
2. Variabel endogen dilambangkan Y
Simbol MV adalah bujur sangkar atau kotak

Tipe Umum Hubungan Teoritik dalam SEM


Eksogen
Hubungan antara
Konstruk dan
Variabel Terukur

ksi

Endogen

eta

Y
X1

Hubungan antara
Konstruk dan Variabel
Terukur Berganda

Eksogen

X2
X3

Simbol dalam SEM

Korelasi antara
empat variabel
teramati

Regresi berganda tiga


variabel prediktor dan
variabel satu respon
yang teramati

Simbol dalam SEM

Korelasi antara
empat variabel
terobservasi

Analisis Faktor Konfirmatori


dengan tiga faktor latent yang
saling berkorelasi dan tiga
indikator per faktor laten

Model Confirmatory Factor Analysis

CFA dengan dua variabel laten yang saling


berkorelasi dan tiga variabel per variabel laten

Simbol dalam SEM

SEM dengan satu variabel latent respon dan


dua variabel latent prediktor, yang masingmasing variabel latent memiliki tiga variabel
terobservasi

Notasi dalam SEM


=
Ksi, variabel latent eksogen
=
Eta, variabel laten endogen
x =
Lamnda (kecil), loading faktor variabel latent eksogen
y =
Lamnda (kecil), loading faktor variabel latent endogen
x =
Lamnda (besar), matriks loading faktor variabel latent eksogen
y =
Lamnda (besar), matriks loading faktor variabel laten endogen
=
Beta (kecil), koefisien pengaruh var. endogen terhadap endogen
=
Gamma (kecil), koefisien pengaruh var. eksogen terhadap
endogen
=
Zeta (kecil), galat model
=
Delta (kecil), galat pengukuran pada variabel laten eksogen
=
Epsilon (kecil), galat pengukuran pada variabel latent endogen

18

Tahapan dalam SEM


1.

Spesifikasi
Model

2.

Identifikasi
Model

3.

Estimasi
Model

4.

Goodnessof-Fit

5.

Respesifikasi
Model

1. Spesifikasi Model
Spesifikasi model didasarkan pada teori,
hipotesis, dan penelitian sebelumnya
Identifikasi konstruk
Spesifikasikan model struktural:
o Definisikan variabel-variabel laten
o Tentukan hubungan kausal di antara variabel
laten

1. Spesifikasi Model
Spesifikasikan model pengukuran:
o Definisikan variabel-variabel yang teramati
o Tentukan hubungan antara variabel laten
dengan variabel teramati yang berkaitan
Merancang diagram lintas (path diagram)
dari model hybrid kombinasi dari model
struktural dan model pengukuran.

1. Spesifikasi Model: Contoh Kasus


Sebagai contoh Hair dkk. (2006) memberikan
ilustrasi tentang loyalitas pelanggan toko
swalayan berkaitan dengan variabel price (P),
service (S), dan atmosphere (A).
Misalkan manajer supermarket tertarik untuk
mengetahui loyalitas atau komitmen pelanggan
untuk berbelanja pada supermarketnya.

1. Spesifikasi Model: Contoh Kasus


Pertanyaan penelitian kunci adalah: Bagaimana
persepsi pelanggan terhadap 3 elemen strategi kunci
price (P), sevice (S), dan atmospere (A)terhadap
aseptabilitas mereka terhadap supermarket yang
diukur oleh share dan komitmen atau loyalitas
pelanggan?
Secara spesifik manajer yakin bahwa persepsi
pelanggan terhadap P, S, dan A yang disukai akan
mendorong pelanggan untuk kembali dan belanja
lebih banyak lagi (meningkatkan share pelanggan).

1. Spesifikasi Model: Contoh Kasus


Berdasarkan pengalamannya, manajer mengembangkan
hubungan-hubungan yang dia perkirakan menjelaskan
proses:
o Persepsi terhadap price yang lebih baik
meningkatkan customer share (to return and
spend more money)
o Persepsi terhadap service yang lebih baik
meningkatkan customer share
o Persepsi terhadap atmosphere yang lebih baik
meningkatkan customer share
o Customer share yang lebih tinggi meningkatkan
customer commitment

1. Spesifikasi Model: Contoh Kasus


Berdasarkan identifikasi keempat hubungan
tersebut, kemudian diidentifikasi konstruk-konstruk
yang tergolong eksogen dan endogen:
Konstruk eksogen

Konstruk Endogen

Price (P)
Service (S)
Atmosphere (A)

Customer Share (CS)


Customer Commitment (CC)

Berdasarkan hal-hal tersebut di atas, manajer


mengembangkan diagram lintas antar konstruk
atau variabel laten.

1. Spesifikasi Model: Contoh Kasus


Diagram Lintas
Model Struktural Sederhana

1. Spesifikasi Model: Contoh Kasus


Salah satu model pengukuran masalah di atas
21
1

1
21

CS
1

CC
2

y1

y2

y3

y4

y5

y6

1. Spesifikasi Model: Contoh Kasus


Berdasarkan 4 hubungan yang diidentifikasi
manajer diturunkan 4 hipotesis berikut:
H1 : Persepsi customer terhadap Price
berelasi positif dengan Customer Share
H2 : Persepsi customer terhadap Service
berelasi positif dengan Customer Share
H3 : Persepsi customer terhadap Atmosphere
berelasi positif dengan Customer Share
H4 : Customer Share berelasi positif dengan
Customer Commitment

x1

x2

x3

1
4

x4

x5

x6

H1
11

H2

H4

12

21

H3

13

x7

x8

x9

y1

y2

y3

y4

y5

y6

Contoh Bentuk Hubungan:


Model Dasar dari SEM
Misalnya dalam penelititian behavioral science
diamati (Sharma, 1996):
Attitude (ATT), behavioral intentions (BI), dan
actual behavior (B). Hipotesis dalam penelitian
ini adalah:ATT berpengaruh terhadap BI dan
melalui BI berpengaruh terhadap B, Secara
langsung ATT juga berpengaruh terhadap B

Model Struktural Attitude


21

ATT
1

11

BI
1

1 = 11 1 + 1
2 = 21 1 + 21 1+ 2

21

B
2
1

Persamaan 1: hubungan antara ATT ( 1) dan BI ( 1)


Persamaan 2: hubungan antara B ( 2), BI ( 1), dan

Model Struktural Attitude dengan


Konstruk Dapat Diamati
21

11

x1

y1

21

y2

Misalkan ATT ( 1), BI ( 1) dan B ( 2) dapat diukur


secara berturut-turut oleh x1, y1, dan y2, sehingga
model di atas dapat ditulis:
y1 = 11 x1,+ 1
y = x + y+

Model Struktural Attitude dengan


Konstruk Dapat Diamati
Atau model struktural dengan konstruk dapat
diamati dapat ditulis dalam bentuk matriks:
0

y1 11
x1
y2 21
21

0 y
1 1
0 y2 2

= x + By +

Model Umum SEM


Model umum SEM adalah gabungan dari
semua komponen SEM model dasar.
Model umum dikenal sebagai Model
Hibrid (Full atau Hybrid Model)
Diagram lintasan model hibrid dapat
dinyatakan dalam matriks
Ada 8 matriks yang menjadi perhatian
dalam model hibrid.

Model Umum SEM


Matriks ,: matriks kovarian dari
kesalahan pengukuran
Matriks : matriks kovarian dari
kesalahan pengukuran
Matriks matriks kovarian dari kesalahan
struktural
Matriks matriks kovarian dari variabel
laten eksogen

Model Hibrid Kasus Attitude


21
1

Model
Struktura
l

11

2
21

Model
Pengukuran
x1

x2

x3

y1

y2

y3

y4

y5

y6

Model Struktural Kasus Attitude


Berdasarkan diagram tersebut maka model struktural

1 = 11 1 + 1
2 = 21 1 + 21 1+ 2
atau dalam bentuk matriks:

1 11
1
2 21
21

= + B +

0
1
0 2

1

2

: matriks koefisien variabel laten endogen


B: matriks koefisien variabel laten eksogen

Model Struktural Kasus Attitude


Keterangan notasi:
11 = pengaruh variabel eksogen 1 terhadap variabel
endogen 1
21 = pengaruh variabel eksogen 1 terhadap variabel
endogen 2
21 = pengaruh variabel endogen 1+ terhadap variabel
endogen 2
(mx1) = matriks eta variabel laten endogen
(nx1) = matriks ksi variabel laten eksogen
(mx1) = matriks zeta galat struktural antar variabel laten
(mxm) : matriks koefisien variabel laten endogen
B (nxn) : matriks koefisien variabel laten eksogen

Model Pengukuran Kasus Attitude


Karena konstruk ATT ( 1), BI ( 1) dan B ( 2) tidak
dapat diamati maka kita harus tentukan variabel
indikator untuk mengukur konstruk (seperti
terlihat pada diagram):
x
x1 11
1 1

x
x2 21
1 2

x
x3 31
1 3

y
y1 11
1 1

y
y2 21
1 2

y
y3 31
1 3

y
y4 42
2 4

y
y5 52
2 5

y
y6 62
2 6

Model Pengukuran Kasus Atittude


x1

x2
x
3

x
11

x
21
1 2


x
31
3

x = x +

y
21

y
31

y
11

y1

y2

y3

y4

y5
y6

0 1

2
y
42

y
52

y
62

y = y +

4
5

6

Model Pengukuran Kasus Atittude


Keterangan Notasi:
Y (px1) = matriks variabel teramati (indikator) dari
variabel laten endogen
X (qx1) = matriks variabel teramati (indikator) dari
variabel laten eksogen
y(pxm) = matriks faktor loading faktor Y pada
x (qxn = matriks faktor loading faktor Y pada

2. Identifikasi Model
Periksa kategori model SEM yang akan diduga
parameternya:
1. Under-Identified: model dengan jumlah parameter
yang diduga lebih besar dari jumlah data yang
diketahui (datanya berupa varian dan kovarian dari
variabel)
2. Just-Identified: model dengan jumlah parameter
yang diduga sama dengan besar dari jumlah data
yang diketahui
3. Over-Identified: model dengan jumlah parameter
yang diduga lebih kecil dari jumlah data yang diketahui
(ini yang dicari!)

3. Estimasi Model
Setelah model dispesifikasi, kemudian memilih
metode untuk mengestimasi model. Metode
estimasi yang sering digunakan dalam
pendugaan model SEM adalah metode
kemungkinan maksimum (maximum likelihood)
dan weighted least square.
Default metode estimasi pada software
LISREL adalah dengan metode kemungkinan
maksimum

4. Goodness-of-Fit
Untuk mengevaluasi kesesuaian atau kecocokan
antara model dengan data dapat dilkukan dengan
uji Chi-square. Makin meningkat nilai X2 makin
mengarah pada penolakan model.
Secara parsial, bagian model bisa dievaluasi dg
uji-t dan koefisien determinasi R2
Ukuran kesesuaian model lainnya:
o Goodness of Fit Index (GFI), bernilai di antara 0
hingga 1. Semakin mendekati 1, menunjukkan
kecocokan model

4. Goodness-of-Fit
Kelompok 1:
1. Ch-square (2):
semakin kecil 2 dan p-value makin mendekati 1,
model semakin cocok,
Nilai Chi-square = 71.34 cukup besar, p-value
(0.00) < taraf nyata (5%), sehingga model
kurang sesuai
2. NCP (Non-Centrality Parameter):
NCP = 2 df: semakin kecil NCP, model semakin
sesuai
Nilai NCP = 65 merupakan nilai yang besar,
sehingga model kurang sesuai

4. Goodness-of-Fit
Kelompok 2:
RMSEA (Root Mean Square Residual): mirip
dengan Chi-square yang terkoreksi dengan
ukuran sampel.
RMSEA 0.05 menunjukkan close fit
0.05 RMSEA 0.08 menunjukkan good fit
0.08 RMSEA 0.1 menunjukkan mediocre
(marginal) fit
0.1 RMSEA menunjukkan poor fit

4. Goodness-of-Fit
Kelompok 3:
ECVI (Expected Cross-Validation Index): Nilai
untuk perbandingan model, yaitu membandingkan
model terhadap model saturated dan model
independensi.
Penilaian model dilihat dari kedekatan nilai ECVI
model terhadap nilai ECVI model saturated
model dan ECVI independence model.

4. Goodness-of-Fit
Kelompok 4:
AIC (Akaike Information Criterion: untuk
membandingkan beberapa model dengan jumlah
konstruk yang berbeda
AIC = 2 + 2*q, q = jumlah parameter yang
diestimasi
Penilaian model dilihat dari kedekatan nilai AIC
model terhadap nilai AIC model saturated model
dan AIC independence model.

4. Goodness-of-Fit
Kelompok 5:
NFI (Normed Fit Index):
0.9 NFI menunjukkan good fit
0.80 NFI RMSEA 0.9 menunjukkan mediocre
(marginal) fit
Kelompok 6:
Nilai CN menunjukkan model cukup
merepresentasikan data sampel
CN> 200, model sesuai

5. Respesifikasi Model
Bila model awal kurang sesuai maka model
dapat direspesfikasi atau dimodifikasi.
Model modifikasi kemudian diuji kembali
untuk data yang sama.