TEORI SEM (STRUCTURAL EQUATION MODEL)

1.1. Pengertian Structural Equation Modeling (SEM)

1.1.1. Definisi Istilah
Apa sebenarnya structural equation modeling (SEM) itu? Terdapat beberapa definisi SEM,
diantaranya ialah sebagai berikut:
Structural equation modeling, yang dalam buku ini untuk selanjutnya akan disebut SEM,
adalah suatu teknik modeling statistik yang bersifat sangat cross-sectional, linear dan umum.
Termasuk dalam SEM ini ialah analisis faktor (factor analysis), analisis jalur (path analysis)
dan regresi (regression ).
Definisi lain menyebutkan structural equation modeling (SEM) adalah teknik analisis
multivariat yang umum dan sangat bermanfaat yang meliputi versi-versi khusus dalam
jumlah metode analisis lainnya sebagai kasus-kasus khusus.
Definisi berikutnya mengatakan bahwa Structural equation modeling (SEM) merupakan
teknik statistik yang digunakan untuk membangun dan menguji model statistik yang biasanya
dalam bentuk model-model sebab akibat. SEM sebenarnya merupakan teknik hibrida yang
meliputi aspek-aspek penegasan (confirmatory) dari analisis faktor, analisis jalur dan regresi
yang dapat dianggap sebagai kasus khusus dalam SEM.
Sedikit berbeda dengan definisi-definisi sebelumnya mengatakan structural equation
modeling (SEM) berkembang dan mempunyai fungsi mirip dengan regresi berganda,
sekalipun demikian nampaknya SEM menjadi suatu teknik analisis yang lebih kuat karena
mempertimbangkan pemodelan interaksi, nonlinearitas, variabel variabel bebas yang
berkorelasi (correlated independents), kesalahan pengukuran, gangguan kesalahan-kesalahan
yang berkorelasi (correlated error terms), beberapa variabel bebas laten (multiple latent
independents) dimana masing-masing diukur dengan menggunakan banyak indikator, dan
satu atau dua variabel tergantung laten yang juga masing-masing diukur dengan beberapa
indikator. Dengan demikian menurut definisi ini SEM dapat digunakan alternatif lain yang
lebih kuat dibandingkan dengan menggunakan regresi berganda., analisis jalur, analisis
faktor, analisis time series, dan analisis kovarian
Dari definisi di atas dapat disimpulkan bahwa SEM mempunyai karakteristik yang bersifat
sebagai teknik analisis untuk lebih menegaskan (confirm) dari pada untuk menerangkan.
Maksudnya, seorang peneliti lebih cenderung menggunakan SEM untuk menentukan apakah
suatu model tertentu valid atau tidak dari pada menggunakannya untuk menemukan suatu
model tertentu cocok atau tidak, meski analisis SEM sering pula mencakup elemen-elemen
yang digunakan untuk menerangkan.
1.1.2. Pengertian
Pada umumnya orang menggunakan SEM lebih berfokus pada konstruk-konstruk laten
yang dimaksud ialah variabel-variabel psikologis abstrak, seperti "kecerdasan" atau "sikap
terhadap merek (brand)"dibandingkan dengan variabel-variabel manifest (indikator) yang
digunakan untuk mengukur konstruk-konstruk tersebut. Pengukuran dianggap sulit dan rentan
dengan kesalahan. Dengan adanya kesalahan pengukuran modeling yang dapat terjadi secara
eksplisit, para pengguna SEM berusaha menurunkan estimasi-estimasi yang tidak bias untuk

hubungan antara konstruk laten. Pada akhirnya, SEM memungkinkan pengukuran jamak
dihubungkan dengan konstruk laten tunggal.
SEM mencakup pengukuran struktur matriks covariance atau disebut juga sebagai "analisis
struktur covariance". Sekali model parameter-parameternya sudah diestimasi, maka model
yang dihasilkan matrik covariance kemudian dapat dibandingkan dengan matrik kovarian
yang berasal dari data empiris. Jika kedua matrices konsisten satu dengan lainnya, maka
model persamaan struktural tersebut dapat dianggap sebagai eksplanasi yang dapat diterima
untuk hubungan-hubungan antara pengukuran-pengukuran tersebut.
Salah satu keunggulan SEM ialah kemampuan untuk membuat model konstruk-konstruk
sebagai variabel laten atau variabel variabel yang tidak diukur secara langsung, tetapi
diestimasi dalam model dari variabel-variabel yang diukur yang diasumsikan mempunyai
hubungan dengan variabel tersebut variabel latent. Dengan demikian hal ini memungkinkan
pembuat model secara eksplisit dapat mengetahui ketidak-reliabilitas suatu pengukuran
dalam model yang mana teori mengijinkan relasi relasi struktural antara variabel-variabel
laten yang secara tepat dibuat suatu model.
Kenggulan-keunggulan SEM lainnya dibandingkan dengan regresi berganda diantaranya
ialah
1. Pertama, memungkinkan adanya asumsi-asumsi yang lebih fleksibel;
2.

Kedua, penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk

mengurangi kesalahan pengukuran dengan memiliki banyak indikator dalam satu
variabel laten;

3. Ketiga, daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca
keluaran hasil analisis;
4.

Keempat, kemungkinan adanya pengujian model secara keseluruhan dari pada

koefesien-koefesien secara sendiri-sendiri;

5. Kelima, kemampuan untuk menguji model model dengan menggunakan beberapa

variabel tergantung;
6. Keenam, kemampuan untuk membuat model terhadap variabel-variabel perantara;
7. Ketujuh, kemampuan untuk membuat model gangguan kesalahan (error term);
8.

Kedelapan, kemampuan untuk menguji koefesien-koefesien diluar antara beberapa

kelompok subyek;

9.

Kesembilan kemampuan untuk mengatasi data yang sulit, seperti data time series
dengan kesalahan otokorelasi, data yang tidak normal, dan data yang tidak lengkap.

Meskipun tidak merupakan hal yang wajib, sangat direkomendasikan untuk mengetahui
teknik analisis faktor, jika seorang peneliti ingin menggunakan SEM.
Aplikasi utama structural equation modeling meliputi:
1; Model sebab akibat (causal modeling,) atau disebut juga analisis jalur (path analysis),
yang menyusun hipotesa hubungan-hubungan sebab akibat (causal relationships)
diantara variabel - variabel dan menguji model-model sebab akibat (causal models)
dengan menggunakan sistem persamaan linier. Model-model sebab akibat dapat
mencakup variabel-variabel manifest (indikator), variabel-variabel laten atau
keduanya;

2; Analisis faktor penegasan (confirmatory factor analysis), suatu teknik kelanjutan dari
analisis faktor dimana dilakukan pengujian hipotesis hipotesis struktur factor
loadings dan interkorelasinya;
3; Analisis faktor urutan kedua (second order factor analysis), suatu variasi dari teknik
analisis faktor dimana matriks korelasi dari faktor-faktor tertentu ( common factors)
dilakukan analisis pada faktornya sendiri untuk membuat faktor-faktor urutan kedua;
4; Model-model regresi (regression models), suatu teknik lanjutan dari analisis regresi
linear dimana bobot regresi dibatasi agar menjadi sama satu dengan lainnya, atau
dilakukan spesifikasi pada nilai-nilai numeriknya;
5; Model-model struktur covariance (covariance structure models), yang mana model
tersebut menghipotesakan bahwa matrix covariance mempunyai bentuk tertentu.
Sebagai contoh, kita dapat menguji hipotesis yang menyusun semua variabel yang
mempunyai varian yang sama dengan menggunakan prosedur yang sama;
6; Model struktur korelasi (correlation structure models), yang mana model tersebut
menghipotesakan bahwa matrix korelasi mempunyai bentuk tertentu. Contoh klasik
adalah hipotesis yang menyebutkan bahwa matrix korelasi mempunyai struktur
circumplex.
Berbagai jenis model dalam SEM sudah termasuk dalam kategori di atas.
Prosedur SEM bersifat penegasan (confirmatory) dibandingkan sebagai prosedur yang
bersifat eksploratori. Hal ini dikarenakan penggunaan salah satu pendekatan sebagai berikut:
1; Pendekatan penegasan saja (strictly confirmatory approach): artinya suatu model diuji
dengan menggunakan uji keselarasan SEM (goodness-of-fit tests) untuk menentukan
jika pola varians dan kovarians dalam suatu data bersifat konsisten dengan model
jalur struktural yang dibuat secara spesifik oleh peneliti. Sekalipun demikian pada saat
model-model lain yang tidak teramati dapat sesuai dengan datanya atau bahkan lebih
baik, maka model yang diterima model yang diterima hanya berupa model penegasan
saja.
2; Pendekatan model-model alternatif (alternative models approach): maksudnya
peneliti dapat melakukan pengujian dua atau lebih model-model sebab akibat untuk
menentukan model mana yang paling cocok. Ada banyak pengukuran keselarasan
yang mencerminkan pertimbangan-pertimbangan yang berbeda dan biasanya peneliti
melaporkan 3 atau 4 saja.
3; Pendekatan pengembangan model (model development approach): Dalam praktiknya,
banyak penelitian yang menggunakan SEM menggabungkan antara tujuan-tujuan
yang bersifat konfirmatori dan eksploratori, yaitu suatu model diuji dengan
menggunakan prosedur-prosedur SEM, karena merasa tidak cukup efisien, maka
suatu model alternatif kemudian diuji didasarkan pada perubahan-perubahan
sebagaimana disarankan dalam indeks-indeks modifikasi SEM. Masalah dengan
pendekatan ini ialah bahwa model model yang ditegaskan dengan menggunakan
cara seperti bisa tidak stabil atau tidak akan cocok dengan data yang baru karena
sudah di buat didasarkan pada keunikan seperangkat data awal. Untuk mengatasi hal
ini, peneliti dapat menggunakan strategi validasi silang dimana model dikembangkan
dengan sampel data kalibrasi dan kemudian dikonfirmasi dengan menggunakan
sampel validasi yang independen.
Dengan mengabaikan pendekatan apapun yang digunakan, SEM tidak dapat secara otomatis
menggambar panah-panah sebab akibat dalam model model tersebut atau menyelesaikan

ambiguitas sebab akibat Oleh karena itu, pengertian secara teoritis dan penilaian yang
dilakukan oleh peneliti tetap menjadi satu faktor yang paling penting.

1.2. Asumsi
Untuk menggunakan SEM, peneliti memerlukan pengetahuan tentang asumsi-asumsi yang
mendasari penggunaannya. Beberapa asumsi tersebut, diantaranya ialah:

Distribusi normal indikator indikator multivariat (Multivariate normal

distribution of the indicators): Masing-masing indikator mempunyai nilai yang
berdistribusi normal terhadap masing-masing indikator lainnya. Karena permulaan
yang kecil normalitas multivariat dapat menuntun kearah perbedaan yang besar dalam
pengujian chi-square, dengan demikian akan melemahkan kegunaannya. Secara
umum, pelanggaran asumsi ini menaikkan chi-square sekalipun demikian didalam
kondisi tertentu akan menurunkannya. Selanjutnya penggunaan pengukuran ordinal
atau nominal akan menyebabkan adanya pelanggaran normalitas multivariat. Perlu
diperhatikan bahwa normalitas multivariat diperlukan untuk estimasi kemiripan
maksimum / maximum likelihood estimation (MLE), yang merupakan metode
dominan dalam SEM yang akan digunakan untuk membuat estimasi koefesien koefesien (jalur)
struktur. Khususnya, MLE membutuhkan variabel-variabel
endogenous yang berdistribusi normal.
Secara umum, sebagaimana ditunjukkan dalam suatu studi-studi
simulasi
menunjukkan bahwa dalam kondisi kondisi data yang sangat tidak normal, estimasiestimasi parameter SEM, misalnya estimasi jalur masih dianggap akurat tetapi
koefesien-koefesien signifikansi yang bersangkutan akan menjadi terlalu tinggi.
Sehingga nilai-nilai chi-square akan meningkat. Perlu diingat bahwa untuk uji
keselarasan chi-square dalam model keseluruhan, nilai chi-square tidak harus
signifikan jika ada keselarasan model yang baik, yaitu: semakin tinggi nilai chisquare, semakin besar perbedaan model yang diestimasi dan matrices kovarian
sesungguhnya, tetapi keselarasan model semakin jelek. Chi-square yang meninggi
dapat mengarahkan peneliti berpikir bahwa model-model yang sudah dibuat
memerlukan modifikasi dari apa yang seharusnya. Kurangnya normalitas multivariat
biasanya menaikkan statistik chi-square, misalnya, statistik keselarasan chi-square
secara keseluruhan untuk model yang bersangkutan akan bias kearah kesalahan Type
I, yaitu menolak suatu model yang seharusnya diterima. Pelanggaran terhadap
normalitas multivariat juga cenderung menurunkan (deflate) kesalahan-kesalahan
standar mulai dari menengah sampai ke tingkat tinggi. Kesalahan-kesalahan yang
lebih kecil dari yang seharusnya terjadi mempunyai makna jalur-jalur regresi dan
kovarian-kovarian faktor / kesalahan didapati akan menjadi signifikan secara statistik
dibandingkan dengan seharusnya yang terjadi.

Distribusi normal multivariat variabel-variabel tergantung laten ( Multivariate

normal distribution of the latent dependent variables). Masing-masing variabel
tergantung laten dalam model harus didistribusikan secara normal untuk masingmasing nilai dari masing-masing variabel laten lainnya. Variabel-variabel laten
dichotomi akan melanggar asumsi ini karena alasan-alasan tersebut.

Linieritas (Linearity). SEM mempunyai asumsi adanya hubungan linear antara

variabel-variabel indikator dan variabel-variabel laten, serta antara variabel-variabel
laten sendiri. Sekalipun demikian, sebagaimana halnya dengan regresi, peneliti
dimungkinkan untuk menambah transformasi eksponensial, logaritma, atau non-linear
lainnya dari suatu variabel asli ke dalam model yang dimaksud.

Pengukuran tidak langsung (Indirect measurement): Secara tipikal, semua variabel

dalam model merupakan variabel-variabel laten.

Beberapa indikator (Multiple indicators). Beberapa indikator harus digunakan

untuk mengukur masing-masing variabel laten dalam model. Regresi dapat dikatakan
sebagai kasus khusus dalam SEM dimana hanya ada satu indikator per variabel laten.
Kesalahan pemodelan dalam SEM membutuhkan adanya lebih dari satu pengukuran
untuk masing-masing variabel laten.

Secara teoritis tidak sedang atau baru saja diidentifikasi (Underidentified). Suatu
model baru saja teridentifikasi jika ada banyak parameter yang harus diestimasi
sebanyak adanya elemen elemen dalam matriks kovarian. Sebagai contoh, dalam
suatu model dimana variabel 1 mempengaruhi variabel 2 dan juga mempengaruhi
variabel 3, dan variabel 2 juga mempengaruhi variabel 3. Dengan demikian ada tiga
parameter (anak panah) dalam model, dan ada tiga unsur kovarian (1,2; 1,3; 2,3).
Dalam kasus yang baru saja teridentifikasi, peneliti dapat menghitung parameter
parameter jalur tetapi untuk melakukannya harus memanfaatkan semua derajat
kebebasan yang tersedia (degrees of freedom) dan peneliti tidak dapat menghitung uji
keselarasannya.
Suatu model disebut underidentified, atau model yang mana jumlah parameternya
yang sedang diestimasi lebih besar dari data yang sudah diketahui, atau dengan kata
lain adalah jika terdapat lebih parameter yang harus diestimasi daripada elemenelemen dalam matriks kovarian. Karakteristik matematis model-model yang sedang
diidentifikasi menghalangi penyelesaian parameter yang diestimasi dan dilakukan
pengujian keselarasan dalam model. Pemecahan masalah ini ialah dengan cara
menambah lagi lebih banyak variabel-variabel exogenous, yang harus dilakukan
sebelum koleksi data.
Jika suatu model disebut underidentified atau baru saja diidentifikasi, maka peneliti
harus melakukan salah satu atau beberapa langkah-langkah sebagai berikut:
1; Hilangkan pembalikan umpan balik (feedback loops) dan pengaruh-pengaruh
sebab akibat (reciprocal effects).
2; Spesifikasi pada tingkat yang pasti setiap koefesien yang magnitude-nya sudah
pasti diketahui.
3; Sederhanakan model dengan cara mengurangi jumlah anak panah, yang sama
dengan mengendalikan estimasi koefesien jalur sampai 0.
4; Sederhanakan model dengan estimasi jalur (anak panah) dengan cara-cara lain,
yaitu: kesejajaran (equality), artinya sama dengan estimasi yang lain),
proporsional ( proportionality), artinya proporsional dengan estimasi yang
lain, atau ketidak-sejajaran (inequality), artinya lebih besar atau lebih kecil
daripada estimasi yang lain.
5; Pertimbangkan untuk menyederhanakan model dengan cara menghilangkan
beberapa variabel.

6; Hilangkan beberapa variabel yang nampaknya mempunyai multicollinear

dengan variabel-variabel lainnya.
7; Tambahkan variabel-variabel exogenous yang sebaiknya dilakukan sebelum
pengambilan data.
8; Miliki setidak-tidaknya tiga indikator untuk satu variabel laten.
9; Tegaskan opsi untuk the listwise, bukan pairwise, dan perlakuan terhadap data
yang hilang sudah dipilih.
10; Pertimbangkan untuk menggunakan bentuk estimasi yang berbeda, misalnya
GLS atau ULS sebagai ganti MLE.

Rekursivitas (Recursivity): Suatu model disebut rekursif jika semua anak panah
menuju satu arah, tidak ada pembalikan umpan balik (feedback looping), dan faktor
gangguan (disturbance terms) atau kesalahan sisaan (residual error) untuk variabelvariabel endogenous yang tidak dikorelasikan. Dengan kata lain, model-model
recursive merupakan model-model dimana semua anak panah mempunyai satu arah
tanpa putaran umpan balik dan peneliti dapat membuat asumsi kovarian kovarian
gangguan kesalahan semua 0, yang berarti bahwa semua variabel yang tidak diukur
yang merupakan determinan dari variabel-variabel endogenous tidak dikorelasikan
satu dengan lainnya sehingga tidak membentuk putaran umpan balik (feedback loops).
Model model dengan gangguan kesalahan yang berkorelasi dapat diperlakukan
sebagai model recursive hanya jika tidak ada pengaruh-pengaruh langsung diantara
variabel-variabel endogenous. Contoh bentuk rekursive dapat dilihat dalam contoh di
bawah ini yang diambil dari John Fox (2002):

Konvensi berikut ini diantaranya menggunakan model makroekonomi dari Klein untuk
menggambarkan diagram jalurnya.

Variabel-variabel yang diobservasi secara langsung diletakkan dalam kotak empat persegi
panjang.

Variabel-variabel yang tidak diobservasi diletakan dalam lingkaran, umumnya bentuknya

elips. Dalam model ini, variabel-variabel yang tidak dobservasi hanya merupakan variabel
gangguan (disturbances).

Variabel-variabel exogenous diwakili dengan

endogenous dengan y; dan gangguan dengan .

Anak panah satu arah mewakili parameter-parameter struktural. Variabel-variabel

endogenous dibedakan dari variabel-variabel exogenous dengan mempunyai anak panah satu
arah menuju kearah variabel-variabel tersebut, sedang variabel-variabel exogenous hanya
nampak pada ekor anak panah satu arah.

Anak panah dengan dua arah mewakili kovarian-kovarian bukan penyebab, secara potensial
tidak bernilai nol, dan kovarian antara variabel-variabel exogenous dan umumnya diantara
gangguan-gangguan.

Seperti sebelumnya, digunakan sebagai parameter parameter

struktural yang menghubungkan antara satu variabel endogenous dengan
variabel exogenous, sedang digunakan sebagai parameter-parameter
struktural yang menghubungkan satu variabel endogenous dengan
variabel endogenous lainnya.

Dalam hal tertentu pengurutan variabel-variabel dalam bentuk horisontal berhubungan

dengan urutan sebab akibatnya: Dengn demikian, penyebab nampak disebelah kiri dari

x;

variabel-variabel

akibat. Persamaan-persamaan struktural model ini dapat dibaca dari diagram jalur sebagai
berikut:
y1i = 10 + 11x1i + 12x2i + 1i
y2i = 20 + 21x1i + 22x2i + 21y1i + 2i
y3i = 30 + 32x2i + 31y1i + 32y2i + 2i
Model-model recursive mempunyai dua karaktareistik sebagai berikut:

Tidak ada jalur arah sebab akibat (reciprocal directed paths) atau feedback
loops dalam diagram jalur.

Gangguan berbeda bersifat independent antara satu dengan lainnya. Sebagai

akibat dari dua ciri ini, maka, predictors dalam suatu persamaan struktural
dengan model recursive selalu bebas dari kesalahan persamaan tersebut, dan
persamaan struktural dapat diestimasi dengan menggunakan regresi OLS.
Membuat estimasi model recursive hanya merupakan ururtan dari regresi
OLS.

Tidak dapat diidentifikasi secara empiris karena adanya multikolinearitas tinggi: Suatu
model dapat secara teoritis diidentififikasi tetapi tidak dapat diselesaikan karena masalahmasalah empiris, misalnya adanya multikolinearitas tinggi dalam setiap model, or atau
estimasi jalur (path estimates) mendekati 0 dalam model-model non-recursive.

Tanda-tanda multikolinearitas tinggi, diantaranya:

o Pembobotan regresi yang dibakukan: Karena semua variabel model SEM sudah
dikenakan metrik sebesar 1, maka semua pembobotan regresi yang dibakukan harus
berada dalam cakupan plus atau minus 1. Apabila ada masalah multikolinearitas,
pembobotan yang mendekati 1 menunjukkan bahwa dua variabel mendekati untuk
sedang diidentifikasil. Jika kedua variabel laten yang hampir identik ini kemudian
digunakan sebagai penyebab terhadap variabel laten ketiga, maka metode SEM akan
mengalami kesulitan dalam proses penghitungan pembobotan-pembobotan regresi
yang terpisah untuk dua jalur dari variabel-variabel yang hampir sama dan variabel
ketiga. Sebagai hasilnya akan muncul satu pembobotan regresi yang dibakukan lebih
besar dari +1 dan satu pembobotan kurang dari -1 untuk kedua jalur tersebut.

o Kesalahan-kesalahan standar pada pembobotan regresi yang tidak baku: Jika ada dua
variabel laten yang hampir mirip, dan keduanya digunakan sebagai penyebab satu
variabel laten ketiga, kesulitan dalam menghitung pembobotan regresi terpisahkan
terefleksikan dalam kesalahan-kesalahan satndar yang semakin besar untuk jalurjalur tersebut dalam suatu model, yang merefleksikan multikolinearitas yang tinggi
dari kedua variabel yang hampir sama tersebut.

o Kovarian-kovarian estimasi parameter: Kesulitan yang sama dalam penghitungan

pembobotan regresi terpisah akan terefleksikan secara jelas dengan tingginya angka
kovarian estimasi parameter untuk jalur-jalur tersebut estimasi lebih tinggi
dibandingkan dengan kovarian kovarian estimasi estimasi parameter untuk jalurjalur lain dan model tersebut.

o Estimasi-estimasi varian: Akibat lain dari sindrom multikolinearitas yang sama adalah
estimasi estimasi varian kesalahan negatif. Pada contoh di atas dua variabel laten
yang hampir sama mempengaruhi satu variabel laten ketiga, maka estimasi varian
dari variabel ketiga ini akan negatif.

Data interval: Sebaiknya data interval digunakan dalam SEM. Sekalipun demikian, tidak
seperti pada analisis jalur tradisional, kesalahan model-model SEM yang eksplisit muncul
karena penggunaan data ordinal. Variabel-variabel exogenous berupa variabel-variabel

dichotomi atau dummy dan variabel dummy kategorikal tidak boleh digunakan dalam
variabel-variabel endogenous. Penggunaan data ordinal atau nominal akan mengecilkan
koefesien matriks korelasi yang digunakan dalam SEM.

Ketepatan yang tinggi: Apakah data berupa data interval atau ordinal, data-data tersebut
harus mempunyai jumlah nilai yang besar. Jika variabel variabel mempunyai jumlah nilai
yang sangat kecil, maka masalah-masalah metodologi akan muncul pada saat peneliti
membandingkan varian dan kovarian, yang merupakan masalah sentral dalam SEM.

Residual-residual acak dan kecil: Rata-rata residual residual atau kovarian hasil
pengitungan yang diestimasikan minus harus sebesar 0, sebagaimana dalam regresi. Suatu
model yang sesuai akan hanya mempunyai residual residual kecil. Residual residual besar
menunjukkan kesalahan spesifikasi model, sebagai contoh, beberapa jalur mungkin
diperlukan untuk ditambahkan ke dalam model tersebut.

Gangguan kesalahan yang tidak berkorelasi (Uncorrelated error terms) seperti dalam
regresi, maka gangguan kesalahan diasumsikan saja. Sekalipun demikian, jika memang ada
dan dispesifikasi secara eksplsit dalam model oleh peneliti, maka kesalahan yang berkorelasi
(correlated error) dapat diestimasikan dan dibuat modelnya dalam SEM.

Kesalahan residual yang tidak berkorelasi (Uncorrelated residual error): Kovarian nilai
nilai variabel tergantung yang diprediksi dan residual residual harus sebesar 0.

Multikolinearitas yang lengkap: multikolinearitas diasumsikan tidak ada, tetapi korelasi

antara semua variabel bebas dapat dibuat model secara eksplisit dalam SEM.
Multikolinearitas yang lengkap akan menghasilkan matrices kovarian tunggal, yang mana
peneliti tidak dapat melakukan penghitungan tertentu, misalnya inversi matrix karena
pembagian dengan 0 akan terjadi.

Ukuran Sampel tidak boleh kecil karena SEM bergantung pada pengujian-pengujian yang
sensitif terhadap ukuran sampel dan magnitude perbedaan-perbedaan matrices kovarian.
Secara teori, untuk ukuran sampelnya berkisar antara 200 - 400 untuk model-model yang
mempunyai indikator antara 10 - 15. Satu survei terhadap 72 penelitian yang menggunakan
SEM didapatkan median sukuran sampel sebanyak 198. Sampel di bawah 100 akan kurang
baik hasilnya jika menggunakan SEM.

1.3. Prinsip Dasar Dibalik SEM

Dalam statistik terdapat generaliasi yang menyatakan bahwa beberapa variabel saling terkait
satu dengan yang lain dalam suatu kelompok persamaan linear. Aturan-aturannya kemudian
menjadi lebih rumit, penghitungan-penghitungan menjadi lebih rumit, sekalipun demikian
dasarnya tetap sama, yaitu peneliti dapat menguji apakah variabel-variabel tersebut saling

berkaitan satu dengan yang lainnya melalui satu perangkat hubungan-hubungan linear dengan
memerksa varian-varian dan kovarian variabel-variabel tersebut.
Para ahli statistik telah mengembangkan prosedur prosedur untuk menguji apakah
seperangkat varian dan kovarian dalam suatu matrix cocok dengan struktur tertentu. Cara
pemodelan struktural bekerja sebagai berikut:
1; Nyatakan secara tegas bahwa beberapa variabel berkaitan antara satu dengan yang lainnya
dengan menggunakan diagram jalur.

2; Teliti melalui beberapa aturan internal yang kompleks implikasi-implikasi apa saja dalam
kaitannya degan varian varian dan kovarian-kovariannya beberapa variabel tersebut.

3; Ujilah apakah semua varian dan kovarian cocok dengan modelnya.

4; Laporkan hasil-hasil pengujian statistik, dan juga estimasi-estimasi parameter serta
kesalahan-kesalahan standard untuk semua koefisen numerik yang ada dalam persamaan
linear.

5; Berdasarkan semua informasi di atas, peneliti memutuskan apakah model nampak sesuai
dengan data yang dipunyai atau tidak.

Terdapat beberapa hal yang penting dan sangat mendasar untuk melakukan proses ini, yaitu:

Pertama, meski proses penghitungan matematis SEM sangat rumit,

sebenarnya logika dasarnya sudah tercakup dalam lima langkah di atas

Kedua, kita harus ingat adalah sesuatu yang tidak masuk akal jika peneliti
mengharapkan model struktural sesuai secara sempurna. Suatu model
struktural dengan hubungan-hubungan linear hanya dapat mendekati
kesesuaian. Karena dalam kenyataan sehari hari dunia ini tidak linear. Oleh
karena itu sebenarnya hubungan-hubungan antar variabel mungkin tidak linear
juga. Sehingga asumsi-asumsi pertanyaannya seharusnya tidak seperti ini:
"Apakah model yang dibuat cocok benar?" melainkan sebagai berikut:
"Apakah model cukup sesuai mendekati kenyataan dan memberikan
keterangan yang masuk akal terhadap kecenderungan data yang dimiliki?

Ketiga, peneliti harus ingat bahwa hanya karena model sudah sesuai dengan data
maka secara otomatis model tersebut benar. Oleh karena itu, peneliti dapat
menyatakan jika suatu model sebab akibat itu benar, maka akan sesuai degan data
yang ada. Akan tetapi model yang sesuai dengan data tidak secara langsung berarti
model tersebut benar, karena akan ada model lain juga yang akan sesuai dengan data.

1.4. Konsep-Konsep dan Istilah Dasar

Bagian ini akan dibahas beberapa konsep dasar dalam SEM, diantaranya:

Dua tahapan proses SEM: pertama, melakukan validasi model pengukuran dan kedua
menyesuaikan dengan model struktural. Langkah pertama diselesaikan dengan melalui
analisis faktor penegasan (confirmatory factor analysis), sedang langkah kedua diselesaikan
melalui analisis jalur (path analysis) dengan variabel-variabel laten. Peneliti memulai dengan
melakukan spesifikasi suatu model didasarkan pada teori. Masing-masing variabel dalam
model dikonseptualisasikan sebagai variabel laten dan yang diukur dengan beberapa
indikator. Beberapa indikator dikembangkan untuk masing-masing model. Untuk masingmasing variabel laten diikuti dengan setidak-tidak tiga indikator setelah dilakukan analisis
faktor penegasan. Dengan menggunakan sampel yang besar, sebaiknya di atas 100 (n>100),
analisis faktor digunakan untuk menetapkan bahwa indikator indikator tersebut yang akan
digunakan untuk mengukur variabel-variabel laten yang berhubungan dan yang diwakili
dengan beberapa faktor. Peneliti dapat melanjutkan prosesnya jika model pengukuran sudah

divalidasi. Dua model atau lebih kemudian dibandingkan dalam kesesuaian modelnya, yang
mengukur sejauh mana kovarian yang diprediksi oleh model tersebut berhubungan dengan
kovarian yang diobservasi dalam data.

Program-program untuk analisis SEM: LISREL, AMOS, dan EQS merupakan programprogram perangkat lunak untuk melakukan analisis SEM. Lisrel dan Amos diproduksi oleh
SPSS.

Indikator merupakan variabel-variabel yang diobservasi (observed variable), kadang disebut

sebagai variabel manifest (manifest variables) atau variabel referensi (reference variables).
Sebaiknya peneliti menggunakan empat variabel atau lebih. Tiga variabel juga sudah cukup
dapat diterima. Jika hanya digunakan dua variabel, maka analisis akan bermasalah. Berkaitan
dengan itu, jika hanya digunakan satu pengukuran, maka kesalahan (error) tidak dapat dibuat
model. Model model yang menggunakan hanya dua indikator per variabel laten akan sulit
diidentifikasi (underidentified) dan estimasi-estimasi kesalahan akan tidak reliabel.

Variabel-variabel laten merupakan variabel-variabel yang tidak terobservasi (unobserved

variables) atau disebut sebagai konstruk (constructs) atau sebutan lainnya ialah faktor
(factors) yang diukur dengan menggunakan indikator-indikator masing-masing. Variabelvariabel laten mencakup variabel bebas, perantara dan tergantung. Variabel-variabel
"exogenous" merupakan variabel bebas dengan tanpa variabel penyebab sebelumnya.
Variabel-variabel "endogenous"merupakan variabel-variabel perantara yang dapat sebagai
efek dari variabel exogenous lainnya atau variabel-variabel perantara, dan merupakan
penyebab terhadap variabel-variabel perantara lainnya dan variabel-variabel tergantung, serta
dapat berfungsi sebagai variabel-variabel tergantung sebenarnya. Variabel-variabel dalam
suatu model dapat bersifat mengalir keatas (upstream) atau kebawah (downstream) tergantung
pada apakah variabel-variabel tersebut dianggap sebagai penyebab atau akibat. Representasi
dari variabel-variabel laten tergantung pada hubungan mereka terhadap variabel-variabel
indikator yang diobservasi merupakan salah satu karakteristik SEM.
Catatan: Variabel-variabel indikator tidak dapat dikombinasikan secara arbitrer untuk
membentuk variabel-variabel laten. Sebagai contoh, menggabungkan variabel jender,
ras, atau variabel-variabel demografi lainnya untuk membentuk satu variabel laten
yang disebut "faktor-faktor latar belakang" akan berakibat tidak benar karena
penggabungan tersebut tidak mewakili kontinum yang mendasari makna variabelvariabel yang digabung. Langkah analisis faktor konfirmatori dalam SEM merupakan
suatu pengujian makna dari variabel-variabel laten dan indikator-indikatornya
Sekalipun demikian peneliti juga dapat mengaplikasikan pengujian tradisional, seperti
Cronbach's alpha atau melakukan analisis faktor tradisional, seperti membuat faktor
axis utama

Model pengukuran. Model pengukuran adalah bagian dari suatu model SEM yang
berhubungan dengan variabel-variabel laten dan indikator-indikatornya. Model pengukuran
murni disebut model analisis faktor konfirmatori atau confirmatory factor analysis (CFA)
dimana terdapat kovarian yang tidak terukur antara masing-masing pasangan variabelvariabel yang memungkinkan. Terdapat anak panah lurus dari variabel-variabel laten kearah
indikator-indikator masing-masing. Terdapat anak panah anak panah lurus dari faktor
kesalahan dan gangguan (error and disturbance terms) kearah variabel-variabel masingmasing. Sekalipun demikian tidak ada pengaruh langsung atau anak panah lurus yang
menghubungkan dengan variabel-variabel laten. Model pengukuran dievaluasi sebagaimana
model SEM lainnya dengan menggunakan pengukuran uji keselarasan. Proses analisis hanya
dapat dilanjutkan jika model pengukuran valid.

Model yang tidak mempunyai efek (The null model). Model pengukuran biasanya
digunakan sebagai model yang tidak mempunyai pengaruh (null model), perbedaanperbedaan yang seharusnya signifikan jika model struktural yang diusulkan harus diteliti lebih

lanjut. Dalam model ini, semua kovarian dalam matriks kovarian untuk semua variabel laten
yang diasumsikan nol.

Model struktural. Model struktural dapat dikontraskan dengan model pengukuran. Model ini
adalah seperangkat variabel exogenous dan endogenous dalam suatu model, bersamaan
dengan efek langsung atau arah anak panah langsung yang menghungkannya, dan faktor
gangguan untuk semua variabel tersebut.

Analisis faktor konfirmatori (Confirmatory factor analysis (CFA)) boleh digunakan untuk
menegaskan bahwa semua indikator mengelompokan sendiri kedalam faktor-faktor yang
berkaitan dengan bagaimana peneliti telah menghubungkan indikator-indikator dengan
variabel-variabel laten. CFA mempunyai peranan penting dalam SEM. Model-model CFA
dalam SEM digunakan untuk menilai peranan kesalahan pengukuran dalam model, untuk
validasi model multifaktorial, dan untuk menentukan efek-efek kelompok pada faktor-faktor.

Spesifikasi model merupakan proses dimana peneliti meyakinkan bahwa efek-efeknya tidak
ada (null), yang sesuai dengan nilai konstan biasanya sebesar 1.0, dan kadang juga bervariasi.
Efek-efek variabel berhubungan dengan anak panah anak panah dalam model tersebut;
sedang tidak adanya efek berhubungan dengan ketidak adanya anak panah. Efek-efek yang
sudah pasti biasanya merefleksikan efek-efek yang parameternya sudah ada dalam teori atau
yang biasanya ditentukan sebesar 1.0 untuk menetapkan suatu metrik untuk satu variabel
laten.
Model spesifikasi ada dua: pertama model parsimony (model yang dibuat sesederhana
mungkin), yaitu suatu model dimana tidak adanya efek dibatasi sampai 0 yang akan selalu
sesuai dengan data yang ada sekalipun model tersebut tidak mempunyai makna. Model yang
lebih mendekati adalah model yang paling kompleks yang akan menjadi lebih sesuai dengan
data. Kekurangan parsimony merupakan suatu masalah khusus untuk model-model dengan
variabel yang jumlahnya sedikit.
Cara-cara mengurangi kompleksitas model adalah pertama, dengan menghilangkan efek-efek
langsung dari satu variabel laten ke yang lain; kedua, menghilangkan efek-efek langsung dari
variabel-variabel laten yang menuju ke variabel indikator yang sama; dan ketiga,
menghilangkan korelasi yang tidak dianalisis atau semua anak-panah dengan dua arah yang
berbentuk kurva faktor-faktor kesalahan pengukuran serta antara faktor-faktor gangguan dari
variabel-variabel endogenous. Pada masing-masing kasus, semua anak panah dapat
dihilangkan dari model jika tidak ada alasan teoritis yang digunakan untuk menduga bahwa
memang efek atau korelasi ada.
Model spesifikasi kedua disebut sebagai faktor-faktor interaksi dan power polynomials
dimana hal tersebut dapat ditambahkan terhadap model struktural sebagaimana biasanya
ditambahkan ke dalam regresi berganda. Sekalipun demikian, untuk menghindari temuantemuan keselarasan yang hanya disebabkan oleh pengaruh rata-rata, diusulkan untuk
memfokuskan efek utama terlebih dahulu ketika sedang menambahkan faktor-faktor tersebut.
Pemfokusan dilakukan dengan cara mengurangi rata-rata dari masing masing nilai. Tindakan
ini akan memberikan efek mengurangi secara substansial kolinearitas antara variabel akibat
utama dan interaksi serta faktor-faktor polynomial.

Metrik. Dalam SEM, masing-masing variabel laten yang tidak terobservasi harus dikenakan
secara eksplisit suatu metrik, yang merupakan skala pengukuran. Hak ini biasanya dilakukan
dengan cara membatasi salah satu jalur dari variabel laten yang menuju kearah salah satu dari
variabel-variabel indikatornya, sebagaimana saat memberikan nilai 1 untuk jalur tersebut.
Dengan diberikannya batasan tersebut, jalur-jalur berikutnya dapat diestimasi. Indikator yang
dipilih untuk dibatasi menjadi 1 adalah butir referensi (reference item).

Kesalahan dan faktor gangguan (error and disturbance terms). Kesalahan atau error term
menunjuk pada faktor kesalahan pengukuran yang dikaitkan dengan indikator yang diberikan.
Dimana model-model regresi secara implisit diasumsikan mempunyai kesalahan pengukuran
sebesar 0. Faktor-faktor kesalahan secara eksplisit dibuat modelnya dalam SEM dan sebagai
hasil dari koefesien-koefesien jalur yang dibuat model dalam SEM. Perlu diingat bahwa
faktor-faktor kesalahan pengukuran tidak boleh disamakan dengan faktor-faktor kesalahan
residual (residual error terms), yang juga disebut sebagai faktor-faktor gangguan
(disturbance terms), yang merefleksikan varian yang tidak dapat diterangkan dalam variabel
variabel laten endogenous variable disebabkan oleh beberapa penyebab yang tidak diukur.

Faktor-faktor kesalahan yang berkorelasi (correlated error terms) mengacu pada situasi
dimana pengetahuan tentang residu satu indikator akan membantu dalam mengetahui residu
yang dihubungkan dengan indikator yang lain. Faktor-faktor kesalahan yang tidak berkorelasi
(uncorrelated error terms) merupakan suatu asumsi regresi, dimana faktor-faktor kesalahan
korelasi dapat atau sebaiknya harus secara eksplisit dibuat model dalam SEM. Maksudnya,
dalam regresi peneliti membuat model variabel-variabel, sedang dalam SEM peneliti harus
membuat model kesalahan serta variabel variabel yang bersangkutan.

Koefesien struktural atau jalur merupakan besarnya efek yang dihitung dengan
menggunakan program estimasi model.

1; Tipe-tipe estimasi koefisien - koefesien dalam SEM. Koefesien-koefesien

struktural dalam SEM dapat dihitung dengan berbagai cara. Biasanya, peneliti akan
mendapatkan estimasi yang mirip dengan setiap metode yang digunakan. Metode
tersebut diantaranya ialah:

Estimasi kesamaan maksimum (Maximum likelihood estimation (MLE)) yang

merupakan metode yang paling umum. MLE membuat estimasi didasarkan
pada tindakan memaksimalkan probabilitas (likelihood) bahwa kovariankovarian yang diobservasi ditarik dari suatu populasi yang diasumsikan sama
seperti yang direfleksikan dalam estimasi-estimasi koefisien. Artinya, MLE
mengambil estimasi-estimasi yang mempunyai kesempatan terbesar untuk
mereproduksi data yang diobservasi.

Metode estimasi lainnya memang ada dan mungkin dapat cocok dalam
situasi-situasi tertentu, diantaranya, yaitu GLS (generalized least squares)
yang merupakan metode kedua yang paling populer setelah MLE. GLS dapat
bekerja dengan baik untuk sampel besar, misalnya diatas 2500 (n>2500).

2; Koefesien-koefesien struktural (jalur) yang sudah distandarisasi (Standardized

structural (path) coefficients). Estimasi koefesien struktutral yang distandarisasi
didasarkan pada data yang sudah distandarisasi yang mencakup matriks-matriks
korelasi. Estimasi yang sudah distandarisasi digunakan untuk pada saat
membandingkan efek-efek langsung terhadap satu variabel endogenous yang
diberikan dalam suatu studi kelompok tunggal, yaitu sebagaimana dalam regresi
OLS. Pembobotan yang sudah distandarisasi (the standardized weights) digunakan
untuk membandingkan tingkat kepentingan relatif dari variabel-variabel bebas.
Penafsirannya sama dengan regresi, yaitu jika suatu koefesien struktural yang sudah
distandarisasi adalah sebesar 2.0, maka variabel laten tergantung akan meningkat
menjadi sebesar 2.0 unit unit standard untuk masing-masing unit meningkat dalam
variabel laten bebas .

3; Rasio Kritis dan signifikansi koefesien-koefesien jalur (The Critical Ratio (CR)
and significance of path coefficients). Pada saat besarnya rasio krisis (CR) > 1.96
untuk pembobotan regresi (regression weight), dan jalur signifikan pada level 0,05.

4; Rasio krisis dan signifikansi kovarian-kovarian faktor (The Critical Ratio and the
significance of factor covariances). Signifikansi kovarian-kovarian yang diestimasi

diantara variabel-variabel laten dinilai dengan cara yang sama, yaitu jika mereka
mempunyai CR > 1.96, maka merka signifikan.

5; Koefesien-koefesien struktural (jalur) yang tidak distandarisasi (Unstandardized

structural (path) coefficients). Estimasi-estimasi yang tidak distandarisasi didasarkan
pada data mentah atau matriks-matriks kovarian. Pada saat sedang membandingkan
kelompok-kelompok, maka indikator-indikator dapat mempunyai varian-varian yang
berbeda, seperti juga pada variabel-variabel laten, faktor-faktor kesalahan pengukuran
(measurement error terms), dan faktor-faktor gangguan (disturbance terms). Jika
kelompok-kelompok mempunyai varian-varian yang berbeda, maka perbandingan
yang tidak distandarisasi akan lebih disukai. Untuk estimasi-estimasi yang tidak
distandarisasi, koefesien-koefesien yang sama mempunyai makna efek-efek absolut
yang sama terhadap y. Sedang estimasi-estimasi yang distandarisai, koefesienkoefesien yang sama mempunyai makna efek-efek yang sama terhadap y relatif
terhadap perbedaan-perbedaan dalam rata-rata dan varian.

Muatan (Loadings): Variabel-variabel laten dalam SEM sama dengan faktor-faktor dalam
analisis faktor, dan variabel-variabel indikator juga mempunyai muatan (loadings) pada
variabel-variabel laten masing-masing. Seperti dalam analisis faktor, muatan-muatan tersebut
dapat digunakan untuk memahami makna dari faktor-faktor atau variabel-variabel laten.
Jumlah muatan yang dikuadratkan untuk semua indikator sama dengan korelasi jamak yang
dikuadratkan untuk variabel-variabel laten Y atau X. Muatan juga digunakan untuk menilai
reliabilitas variabel-variabel laten sebagaimana diterangkan di bagian berikut ini:
o

Pengujian untuk invariance pengukuran dalam lintas kelompok Testing

for measurement invariance across groups (multigroup modeling). Peneliti
sering menginginkan dapat menentukan seandainya model SEM dapat
diaplikasikan kedalam lintas kelompok. Prosedur umum adalah melakukan
pengujian untuk invariance pengukuran antara model yang tidak dibatasi
untuk semua kelompok yang dikombinasikan, kemudian untuk suatu model
dimana parameter-parameter tertentu dibatasi menjadi sama diantara
kelompok-kelompok tersebut. Jika statistik pembeda chi-square tidak
membeberkan adanya perbedaan yang signifikan antara model asli dengan
model sama yang, maka peneliti menyimpulkan bahwa model mempunyai
invariance pengukuran lintas kelompok, oleh karena it modelnya dapat
diaplikasikan dalam lintas kelompok.

o Pengujian untuk invariance struktural dalam lintas kelompok (Testing for

Structural Invariance across Groups). Jika orang mendemonstrasikan invariance
model pengukuran pada lintas kelompok sudah biasa, maka memungkinkan juga bagi
peneliti untuk melakukan pengujian terhadap invariance struktural dalam lintas
kelompok. Pengujian-pengujian seperti ini dilakukan dengan menghubungkan semua
anak panah yang saling berhubungan dalam variabel - variabel laten satu dengan
lainnya digambar secara benar dengan cara yang sama bagi masing-masing kelompok
dalam suatu analisis. Prosedur ini sama dengan pengujian untuk pengukuran
invariance. Pengujian perbedaan chi-square dapat dilakukan. Jika model-model dasar
dan yang dibatasi secara signifikan tidak berbeda, maka hal tersebut disimpulkan
bahwa model struktural bersifat invariant antara sampel kalibrasi dan validasi, oleh
karena itu pada model tersebut sebaiknya dilakukan validasi silang. Sebaliknya, Jika
model-model dasar dan yang dibatasi secara signifikan berbeda, peneliti dapat
membut kesimpulan bahwa ada efek moderasi pada hubungan sebab akibat dalam
model dan efek bervariasi didasarkan kelompok masing-masing.

o Reliabilitas konstruk (Construct reliability). Didasarkan pada konvensi besarnya

setidak-tidaknya 0,70 untuk muatan-muatan faktor factor loadings. Misalnya sl i
merupakan muatan-muatan yang distandarisasi (the standardized loadings) untuk

semua indikator dalam variabel laten tertentu dan e i merupakan faktor kesalahan yang
berkorepondensi (corresponding error terms), dimana kesalahan sebesar 1 minus
reliabilitas indikator, yang merrupakan kudrat dari muatan indikator yang
distandarisasi,
maka
reliabilitas = [(SUM(sli))2]/[(SUM(sli))2 + SUM(ei))].

o Varian yang diekstrak (Variance extracted), didasarkan pada konvensi besarnya

setidak-tidaknya 0,50. Formulanya merupakan variasi pada reliabiltas konstruk sbb:
Variance extracted = [(SUM(sli2)]/[(SUM(sli2) + SUM(ei))].

R kuadrat, korelasi jamak yang dikuadratkan (R-squared, the squared multiple

correlation). Ada satu R kuadrat atau disebut juga sebagai korelasi jamak yang dikuadratkan
(squared multiple correlation (SMC)) untuk masing-masing variabel endogenous dalam
suatu model tertentu, yaitu varian persen yang diterangkan dalam variabel tersebut.

1; Korelasi jamak yang dikuadratkan untuk variabel Y: Ini merupakan bagian dari
keluaran LISREL yang memberikan persen varian dalam indikator-indikator variabel
tergantung yang dikenakan pada variabel (variabel) laten tergantung terhadap
kesalahan pengukuran.

2; Korelasi jamak yang dikuadratkan untuk variabel X: Ini merupakan bagian dari
keluaran LISREL yang memberikan persen varian dalam indikator-indikator variabel
tergantung yang dikenakan pada variabel (variabel) laten bebas terhadap kesalahan
pengukuran

3; Korelasi jamak yang dikuadratkan untuk persamaan-persamaan struktural: Ini

merupakan bagian dari keluaran LISREL yang memberikan persen varian dalam
variabel (variabel ) laten tergantung yang berfungsi untuk menerangkan variabelvariabel laten bebas.

Solusi yang distandarisasi secara lengkap: matriks korelasi eta dan KSI (Completely
standardized solution: correlation matrix of eta and KSI): Dalam keluaran LISREL, ini
merupakan matriks korelasi-korelasi variabel-variabel laten tergantung dan bebas. Eta
merupakan koefesien korelasi nonlinear.

Pengujian keselarasan (Goodness of fit tests) menentukan jika suatu model sedang
diuji harus diterima atau ditolak. Pengujian keselarasan total ini tidak akan
menetapkan jalur-jalur khusus tersebut dalam suatu model untuk dapat menjadi
signifikan. Jika suatu model diterima, maka peneliti kemudian akan melakukan
interpretasi terhadap koefesien-koefesien jalur dalam model tersebut. Perlu diketahui
bahwa koefesien jalur yang signifikan dalam model-model yang tidak selaras akan
tidak mempunyai arti..
Dalam kasus-kasus dimana variabel-variabel mempunyai korelasi rendah, maka
koefesien-koefesien structural (lajur) akan rendah juga. Peneliti harus memberikan
keterangan tidak hanya pengukuran keselarasan tetapi juga semua koefesien struktural
sehingga kekuatan-kekuatan jalur dalam model dapat dinilai.
Kecocokan yang bagus tidak berarti bahwa masing-masing bagian model tertentu
mempunyai kecocokan atau keselarasan secara baik. Suatu kecocokan yang baik juga
tidak berarti bahwa semua variable exogenous menjadi penyebab terhadap variablevariabel endogenous . Perlu diingat juga bahwa peneliti dapat vmemperoleh
kecocokan yang tidak baik bukan karena model strukturalnya yang salah tetapi karena
disebabkan oleh model pengukuran yang salah.
Suatu model dengan indikator-indikator yang lebih sedikit untuk setiap satu faktor
akan mempunyai penampakan kecocokan yang tinggi daripada sebuah model dengan
lebih banyak indikator untuk setiap faktornya.

Fungsi kesamaan maksimal (maximum likelihood function, LL) bukan merupakan

pengujian keselarasan itu sendiri tetapi digunakan sebagai satu komponen dari yang
lainnya. Fungsi ini merefleksikan perbedaan antara matriks kovarian dan matriks yang
diprediksi dengan menggunakan model tersebut. Fungsi tersebut sbb:
o Kesamaan log dasar (Baseline log likelihood) merupakan kesamaan ketika tidak ada
variabel bebas dan hanya ada konstan dalam persamaan tersebut.

o Kesamaan log model (Model log likelihood) merupakan kesamaan log ketika variabel
bebas disertakan dalam model juga. Semakin besar perbedaan LL dasar minus LL
model, semakin meyakinkan peneliti bahwa semua variabel bebas benar-benar
memberikan kontribusi terhadap model lebih dari sekedar jumlah yang acak.

Pengujian-pengujian keselarasan didasarkan pada kovarian yang diprediksi dan yang

diobservasi (Goodness-of-fit tests based on predicted vs. observed covariances):
Pengukuran seperangkat keselarasan ini didasarkan pada kecocokan model terhadap
momen-,momen sampel, yang mempunyai arti membandingkan matriks kovarian yang
diobservasi dengan matriks yang diestimasi dengan asumsi bahwa model yang sedang diuji
benar. Pengukuran-pengukuran ini, dengan demikian, menggunakan apa yang disebut dengan
fungsi keterbedaan konvensional (conventional discrepancy function).

Pengujian-pengujian keselarasan dengan membandingkan model yang diberikan dan model

alternatif (Goodness-of-fit tests comparing the given model with an alternative model):

Pengukuran-pengukuran keselarasan ini membandingkan model yang dibuat oleh peneliti untuk
dicocokkan dengan model yang lain. Kondisi ini akan baik jika ada model kedua. Jika tidak model
yang dispesifikasi, maka paket-paket statistik biasanya menggunakan standar (default) untuk
membandingkan model yang sudah dibuat dengan model yang independen. Model bebas adalah
model nol, yang merupakan model dimana semua variabel diasumsikan tidak berkorelasi dengan
variabel (variabel) tergantung.

Pengujian-pengujian keselarasan tes didasarkan pada kovarian yang diprediksi versus

kovarian yang diobservasi tetapi terdapat kerugian karena kekurangan parsimoni atau
kesederhaan model (Goodness-of-fit tests based on predicted vs. observed covariances but
penalizing for lack of parsimony):

Pengkuran parsimoni tidak memberikan manfaat karena kurangnya masalah

kesederhanaan model. Hal ini dikarenakan semakin kompleksnya suatu model maka
akan menimbulkan kecocokan yang lebih baik daripada model-model yang kurang
kompleks. Saat membandingkan model, semakin tinggi pengukuran parsimoni akan
mewakili kecocokan yang semakin baik. Beberapa macam parsimoni, diantaranya:
1; Rasio parsimoni (parsimony ratio (PRATIO)) merupakan rasio derajat kebebasan
(degree of freedom) dalam model yang dibuat oleh peneliti terhadap derajat
kebebasan dalam model independent (nol).

2; Indeks parsimoni (parsimony index) merupakan rasio parsimoni dikalikan dengan

BBI, (the Bentler/Bonnett index), besarnya adalah harus > 0,9 untuk mengasumsikan
kecocokan yang baik.

3.

Kesalahan kuadrat rata-rata akar (Root mean square error of

approximation, RMSEA), disebut juga RMS atau RMSE dan juga perbedaan
per derajat kebebasan (degree of freedom). Didasarkan pada konvensi, ada
kecocokan model yang baik jika RMSEA besarnya lebih kecil atau sama
dengan 0,05. ada kecocokan model yang cukup jika besarnya RMSEA kurang
dari atau sama dengan 0,08. Penemuan yang terbaru, Hu dan Bentler (1999)

menyarankan besarnya RMSEA <= 0,06 merupakan titik potong untuk sebuah
kecocokan model yang baik.
4. Indeks keselarasan parsimoni (The parsimony goodness of fit index, PGFI).
PGFI merupakan varian dari GFI yng dikalikan dengan rasio yang diperoleh
melalui derajat kebebasan dalam model yang dibuat oleh peneliti dibagi
dengan derajat kebebasan dalam model yang independen.

5.

Indeks kecocokan standar parsimoni (The parsimony normed fit index,

PNFI), sama dengan PRATIO dikalikan dengan NFI.

6.

Indeks kecocokan komparatif parsimoni (The parsimony comparative fit

index, PCFI), sama dengan PRATIO dikalikan dengan CFI.

Pengukuran keselarasan didasarkan pada teori informasi (Goodness of fit measures

based on information theory)

Pengukuran ini cocok jika peneliti membandingkan model-model yang sudah diestimasikan
dengan menggunakan estimasi kesamaan maksimal. Sebagai suatu kelompok, perangkat
pengukuran ini kurang umum dalam literatur, sekalipun demikian terus berubah.

Kuantil (Quantile or Q-Plots) menyusun residual yang distandarisasi dengan menggunakan

ukuran serta poin poin persentase dalam distribusi sampel yang dihitung. Kemudian residual
dibagi dengan deviasi normal yang berhubungan dengan poin-poin persentase ini yang
disebut kuantil normal. Stem-and-leaf plots residual yang distandarisasi juga disediakan
dalam program LISREL.

Ukuran efek interaksi (Interaction effect size, IES): IES merupakan suatu pengukuran
magnitude dari efek interaksi. Dalam SEM, IES merupakan kriteria yang sama didasarkan
pada keselarasan chi-square. Perlu diingat bahwa semakin kecil nilai chi-square, maka
semakin baik kecocokan mode. IES merupakan chi-square persen dikurangi dengan
menambahkan variabel interaksi terhadap model yang dimaksud.

1.5. Model Dalam SEM

Pendekatan dalam pembuatan model SEM menggunakan pengembangan model pengukuran
(measurement model) dan model struktural (structural model). Model pertama menghasilkan validitas
konvergen (convergent validity) dan validitas diskriminan (discriminant validity) sedang model kedua
menghasilkan validitas prediktif (predictive validity).
Untuk melakukan pembuatan model diperlukan data yang akan diolah dan dianalisis. Data tersebut
berupa matriks kovarian dari data hasil penelitian empiris. Selanjutnya data ini akan dijadikan sebagai
dasar untuk menghasilkan matriks kovarian estimasi populasi. Pertanyaan mendasar yang muncul
dalam SEM ialah Apakah model menghasilkan sebuah matriks kovarian populasi yang diestimasi
yang konsisten dengan matriks kovarian sampel yang diteliti. Sedang untuk pertanyaan penelitian
yang mendasar ialah:Apakah data yang diobservasi sesuai dan konsisten dengan teori atau model
yang akan diuji?. Jika model yang dibuat dapat memperoleh dukungan empiris yang memadai, maka
pertanyaan selanjutnya ialah berapa besar pengaruh antar variabel yang dibangun didasarkan pada
model teoritis tersebut? (Ferdinand, 2001:22). Oleh karena itu, menurut Augusty Ferdinand, SEM
akan cocok digunakan dalam: 1) melakukan konfirmasi unideminsionalitas berbagai indikator untuk
konstruk/konsep/faktor; 2) melakukan pengujian kesesuaian / ketepatan suatu model tertentu
didasarkan pada data empiris yang ada; dan 3) melalukan pengujian kesesuain model serta
menganalisis hubungan sebab akibat (causal relationship) antar faktor yang dibangun dalam model
tersebut.
Selanjutnya pemodelan SEM, menurut Agusty Ferdinand, dibuat melalui tahapan sbb:

1; Pengembangan berbasis teori

2; Pengembangan diagram alur untuk menunjukkan hubungan kausalitas.
3; Konversi diagram alur kedalam serangkaian persamaan struktural dan spesifikasi
model pengukuran.

4; Pemilihan matriks input (masukan) dan teknik estimasi terhadap model yang dibuat
5; Menilai problem identifikasi
6; Mengevaluasi model
7; Melakukan interpretasi dan modifikasi model
Tahap pertama berkaitan dengan landasan teori yang akan digunakan sebagai pengesahan model yang
dibuat oleh peneliti. Dengan kata lain, teori yang digunakan akan berfungsi sebagai justifikasi model
yang akan dikembangkan. Jika tidak ada teori yang sesuai, maka kemungkinan besar model yang
dibuat akan salah. SEM pada hakikatnya tidak ditujukan untuk membuat hubungan kausalitas, tetapi
digunakan sebagai pembenaran adanya hubungan kausalitas secara empiris dengan menggunakan data
yang diobservasi.
Tahap kedua berhubungan dengan pembuatan diagram jalur untuk mengambarkan model teori yang
sudah dibuat. Dengan menggunakan diagram jalur, peneliti akan lebih mudah melihat hubungan antar
variabel yang sedang diobservasi. Di bawah ini diberikan contoh model dengan menggunakan
diagram jalur. Penelitian dilakukan oleh Wheaton, B., Muthn, B., Alwin, D., and Summers, G., 1977
untuk melakukan pengujian model terhadap stabilitas keterasingan (alienation) dari waktu ke waktu
yang diukur dengan menggunakan faktor anomia dan perasaan tidak berdaya serta tingkat pendidikan
dan indeks sosioekonomi. Pengukuran dilakukan secara dua tahap dengan selang waktu 4 tahun.

sumber: Wheaton, B., Muthn, B., Alwin, D., and Summers, G., (1977)

Gambar di atas menunjukkan beberapa karakteristik umum dalam model-model persamaan

struktural. Pertama, variabel-variabel manifest yang diukur, seperti variabel anomia67
diwakili dengan kotak-kotak segi empat, sedang konstruk-konstruk laten yang tidak diukur,
seperti alienation67 diberi simbol dengan lingkaran atau atau oval.
Anak panah anak panah tunggal mewakili dampak sebab akibat dari satu variabel terhadap
variabel lainnya, dengan kepala anak panah menunjuk kearah variabel yang sedang
dipengaruhi oleh variabel kedua. Sebagai contoh, variabel alienation71 mempengaruhi atau
menimbulkan tanggapan terhadap butir-butir survei yang tercakup dalam variabel anomia71
yang diukur.Tidak ada pengukuran manifest terhadap variabel-variabel
alienation,
powerlessness, ataupun konstruk laten yang lain yang benar secara sempurna, kemungkinan
selalu ada kesalahan pengukuran yang harus dipertimbangkan. Kesalahan pengukuran untuk
masing-masing variabel diwakili dengan anak panah anak panah tunggal yang menuju
kearah variabel, tetapi tidak dengan variabel yang berhubungan pada ujung lain anak panah
menimbulkan pengaruh sebab akibat..
Anak panah anak panah dengan dua arah menunjuk pada hubungan-hubungan korelasi tunggal dan
jamak. Dalam kasus di atas, misalnya ialah hubungan antara kesalahan-kesalahan pada variabel
anomia67 dan variabel anomia71; tidak ada pernyataan mengenai adanya hubungan sebab dan akibat
yang terjadi. Yang ada hanya suatu hubungan yang didiskusikan. Variabel-variabel yang berada pada
bagian atas atau kiri dalam model tersebut dan yang menyebabkan dampak sebab akibat terhadap
variabel-variabel lainnya disebut variabel exogenous atau variabel upstream. Sebaliknya variabelvariabel yang dipengaruhi oleh variabel-variabel lain disebut sebagai endogenous atau variabelvariabel downstream.

Tahap ketiga peneliti melakukan konversi spesifikasi model dalam bentuk rangkaian persamaan
sebagai berikut: persamaan struktural yang dirumuskan sebagai sarana untuk menyatakan adanya
hubungan kasualitas antar berbagai konstruk dengan menggunakan pedoman sebagai berikut:
Variabel endogen = Variabel Eskogen + Variabel Endogen + Error
Persamaan berikutnya ialah persamaan spesifikasi model pengukuran yang akan digunakan untuk
menentukan variabel mana mengukur konstruk mana dan menentukan matriks-matriks yang akan
menunjukkan hubungan-hubungan yang sudah dibuat dalam hipotesis antar konstruk dan variabel.
Tahap keempat peneliti menentukan bentuk masukan data yang akan digunakan untuk membuat
model dan estimasinya. Dalam SEM data yang akan dimasukkan untuk diolah hanya matrik varian /
kovarian atau disebut juga matriks korelasi sebagai data untuk pembuatan model dan estimasi yang
akan dikembangkan. Dikarenakan fokus SEM bukan pada data individual hasil observasi, maka setiap
data individual hasil observasi yang dimasukkan kedalam program akan diubah dalam bentuk matriks
kovarian atau matriks korelasi terlebih dahulu baru kemudian dilakukan estimasi. Penekanan SEM
ialah pola hubungan antar responden.
Tahap kelima peneliti menghadapi masalah identifikasi yang menyangkut masalah model yang sudah
dikembangkan ternyata tidak mampu menghasilkan estimasi yang unik. Menurut Augusty Ferdinand (
2001: 46) masalah identifikasi akan muncul melalui gejala-gejala sebagai berikut: a) besarnya standar
error untuk satu atau beberapa koefesien; b) matriks yang seharusnya disajikan tidak dapat
dimunculkan oleh program; c) angka-angka aneh akan muncul, diantaranya ialah angka varian error
yang negatif; dan d) korelasi sangat tinggi muncul dalam koefesien estimasi, misalnya > 0,9.
Tahap keenam peneliti melakukan evaluasi model dengan menggunakan kriteria keselarasan
(goodness of fit). Pertama kali yang harus dilakukan oleh peneliti ialah melakukan evaluasi bahwa
data yang akan digunakan untuk pembuatan model dan estimasi dapat memenuhi asumsi-asumsi
dalam SEM. Asumsi-asumsi yang harus dipenuhi dalam SEM diantarnya ialah: a) ukuran sampel
sebaiknya di atas 100; b) sudah dilakukan uji normalitas dengan menggunakan histogram dan
linearitas data dengan menggunakan mengamati scatterplots; c) hindari outliers dengan nilai-nilai
ekstrim muncul secara univariat dan multivariat; d) hindari munculnya multikolinieritas dan
singularitas karena data tidak mempunyai kombinasi linear dalam variabel-variabel yang diteliti.
Adanya multikolinieritas dan singularitas dapat dideteksi dengan melihat kecilnya angka determinan
matriks kovarian;
Setelah memenuhi semua krietria SEM di atas, maka peneliti menentukan kriteria untuk melakukan
evaluasi model, yaitu:

1; Uji kesesuaian model (model fit) dan uji statistik yang dalam SEM tidak ada alat uji
statistik tunggal untuk mengukur ataupun menguji hipotesis model yang dibuat,
diantaranya:

Untuk pengujian model dilakukan dengan menggunakan Chi Square dengan

ketentuan semakin kecil nilai Chi Square, maka semakin baik model yang dibuat.

Root Mean Square Error of Approximation (RMSEA) jika nilai RMSEA sebesar
0.08 atau lebih kecil maka nilai tersebut menunjukkan indeks untuk dapat
diterimanya model yang dibuat.

Nilai indeks keselarasan (goodness of fit index) yang besarnya berkisar dari 0 1.
Jika nilai besarnya mendekati 0 maka model mempunyai kecocokan yang rendah
sedang nilai mendekati 1 maka model mempunyai kecocokan yang baik.

Nilai indeks keselarasan yang disesuaikan (Adjusted Goodness of Fit Index

(AGFI)) dengan ketentuan nilai AGFI sama dengan atau lebih besar dari 0,9. Jika
nilai lebih besar dari 0,9 maka model mempunyai kesesuaian model keseluruhan
yang baik.

Fungsi perbedaan sampel minimum (The minimum sample discrepancy function

(CMNF)) yang merupakan nilai statistik Chi Square dibagi dengan nilai derajat
kebebasan (degree of freedom (df)) disebut juga Chi Square relatif dengan
besaran nilai kurang dari 0,2 dengan toleransi dibawah 0,3 yang merupakan
indikator diterimanya suatu kecocokan model dan data.

Indeks Tucker Lewis (Tucker Lewis Index (TLI)) dengan ketentuan sebagai
penerimaan sebuah model sebesar sama dengan atau lebih besar dari 0,95. Jika
nilai mendekati 1 maka model tersebut menunjukkan kecocokan yang sangat
tinggi.

Indeks Kecocokan Komparatif (Comparative Fit Index (CFI)) dengan nilai antara
0- 1 dengan ketentuan jika nilai mendekati angka 1 maka model yand dibuat
mempunyai kecocokan yang sangat tinggi sedang jika nilai mendekati 0, maka
model tidak mempunyai kecocokan yang baik.

2; Uji Reliabilitas. Uji berikutnya ialah penilaian terhadap unidimensionalitas dan

reliabilitas. Yang pertama asumsi yang dipergunakan untuk menghitung reliabilitas
model yang menunjukkan adanya indikator-indikator yang mempunyai derajat
kesesuaian yang baik dalam satu model satu dimensi. Reliabilitas merupakan ukuran
konsistensi internal indikator-indikator suatu konstruk yang menunjukkan derajat
sejauh mana setiap indikator tersebut menunjukkan sebuah konstruk laten yang
umum. Reliabilitas berikutnya ialah Varian Extracted dengan besar diatas atau sama
dengan 0,5. Dengan ketentuan nilai yang semakin tinggi menunjukkan bahwa
indikator-indikator sudah mewakili secara benar konstruk laten yang dikembangkan.
Tahap ketujuh peneliti melakukan interpretasi model yang sudah dibuat dan mengubah model-model
yang belum memenuhi persyaratan. Kesimpulannya ialah model yang diestimasi mempunyai residual
yang kecil atau mendekati nol serta distribusi frekuensi kovarian matriksnya bersifat simetrik.

Sedang menurut Ricka Stoelting tahapan dalam SEM sebagai berikut:

Tujuan membuat suatu diagram jalur atau model persamaan struktural lainnya ialah untuk membuat
suatu model yang cocok dengan data secara baik yang berfungsi sebagai representasi realitas yang
memberikan manfaat serta memberikan keterangan parsimoni data. Oleh karena itu, menurut Stoelting
ada lima langkah menyangkut penyusunan SEM, yaitu
1. Spesifikasi model
2. Identifikasi model
3. Estimasi model
4. Pengujian keocokan model

5. Manipulasi model

1; Spesifkasi Model merupakan latihan secara formal menyatakan suatu model. Tahap
ini merupaka langkah dimana parameter- parameter ditentukan untuk bersifat tetap
(fixed) atau bebas (free). Parameter- parameter tetap (fixed parameters) tidak
diestimasi dari data dan biasanya tetap pada besaran 0 yang mempunyai arti tidak ada
hubungan antar variabel yang diobservasi. Jalur-jalur parameter- parameter tetap
diberi label secara numerik; terkecuali diberi nilai 0 dengan sendirinya tidak ada jalur
yang akan dibuat dalam diagram SEM.
Parameter- parameter bebas (free
parameters) diestimasikan dari data yang diobservasi dan dipercaya oleh peneliti
bukan 0. Tanda asteris dalam diagram SEM menandai jalur-jalur parameterparameter bebas. Penentuan parameter- parameter mana merupakan parameterparameter yang tetap dan yang bebas dalam SEM sangat penting karena hal itu akan
menentukan parameter- parameter mana yang akan digunakan untuk
membandingkan diagram yang dihipotesiskan dengan varian populasi yang diambil
(the sample population variance) serta matriks koovarian dalam pengujian model
pada tahap berikutnya. Pemilihan parameter- parameter mana yang dianggap bebas
dan tetap dalam suatu model sepenuhnya terserah peneliti. Pemilihan ini mewakili
hipotesis a priori peneliti mengenai jalur-jalur mana (pathways) dalam suatu sistem
menjadi penting dalam memunculkan struktur relasional sistem yang diobservasi,
misalnya varian sampel yang diobservasi dan matriks kovarian.