Structural Equation Modeling

Structural Equation Modeling (SEM) adalah alat statistik yang dipergunakan untuk menyelesaikan
model bertingkat secara serempak yang tidak dapat diselesaikan oleh persamaan regresi linear.
SEM dapat juga dianggap sebagai gabungan dari analisis regresi dan analisis faktor. SEM dapat
dipergunakan untuk menyelesaikan model persamaan dengan variabel terikat lebih dari satu dan
juga pengaruh timbal balik (recursive). SEM berbasis pada analisis covarians sehingga
memberikan matriks covarians yang lebih akurat dari pada analisis regresi linear. Programprogram statistik yang dapat dipergunakan untuk menyelesaikan SEM misalnya Analysis Moment
of Structure (AMOS) atau LISREL.

SEM mampu menyelesaikan model yang rumit yang sering muncul dalam dunia pemasaran atau
bidang konsentrasi yang lain. Model yang akan diselesaikan dengan SEM harus mempunyai dasar
teori yang kuat, karena SEM tidak dapat digunakan untuk menyelesaikan model kausalitas
imaginer. SEM hanyalah untuk mengkonfirmasi apakah observasi sesuai dengan model teoretis
yang telah dibentuk berdasarkan telaah teori yang mendalam. Metode lain yang tidak
memerlukan telaah teori adalah Partial Least Square (PLS), sebuah metode alternatif yang
berdasarkan variance.

Mengapa Menggunakan SEM

Beberapa alasan menggunakan analisis SEM adalah sebagai berikut:
1. Model yang dianalisis bertingkat dan relatif rumit, sehingga akan sangat sulit untuk
diselesaikan dengan metode jalur analisis pada regresi linear.
2. Mampu menguji hipotesis-hipotesis yang rumit dan bertingkat secara serempak.
3. Kesalahan (error) pada masing-masing observasi tidak diabaikan tetapi tetap dianalisis,
sehingga SEM lebih akurat untuk menganalisis data kuesioner yang melibatkan persepsi.
4. Mampu menganalisis model hubungan timbal balik (recursive) secara serempak, di mana
model ini tidak dapat diselesaikan dengan analisis regresi linear secara serempak.
5. Terdapat fasilitas bootstrapping, di mana hal tersebut tidak dapat dilakukan dengan analisis
regresi linear.
6. Untuk jumlah sampel yang relatif besar (di atas 2000) terdapat metode asymtot distribution
free (ADF) yang tidak memerlukan asumsi normalitas pada data.
7. Peneliti dapat dengan mudah memodifikasi model dengan second order untuk memperbaiki
model yang telah disusun agar lebih layak secara statistik.

Tujuh Langkah SEM

Dalam pengujian model SEM terdapat tujuh langkah yang harus ditempuh (Hair dkk, 1998 dalam
Ferdinand, 2005), yaitu:
1 Langkah pertama: Pengembangan Model Teoritis.
2 Langkah kedua: Pengembangan Diagram Alur (Path Diagram).
3 Langkah ketiga: Konversi Diagram Alur ke dalam Persamaan Struktural dan Model Pengukuran.
4 Langkah keempat: Memilih Jenis Matrik Input dan Estimasi Model yang Diusulkan.

a. Estimasi Model Pengukuran (Measurement Model).

b. Model Struktur Persamaan (Structure Equation Model).
5 Langkah kelima: Kemungkinan Munculnya Masalah Identifikasi
a. Standard error yang besar untuk satu atau beberapa koefisien.
b. Program tidak mampu menghasilkan matriks informasi yang seharusnya disajikan.
c. Munculnya angka-angka yang aneh seperti adanya varians error yang negatif.
d. Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat (misal 0,9).
6 Langkah keenam : Evaluasi Kriteria Goodness of Fit
a. Uji Kesesuaian dan Uji Statistik: Likelihood ratio chi-square statistic (2), Root Mean Square
Error Approximation (RMSEA), Goodness of Fit Index (GFI), Adjusted Goodness of Fit Index
(AGFI), The Minimum Sampel Discrepancy Function atau Degree of Freedom (CMIN/DF), Tucker
Lewis Index (TLI) dan Comparative Fit Index (CFI).
c. Uji Reliabilitas: Construct Reliability dan Variance extracted.
d. Uji Validitas.
e. Asumsi-asumsi SEM: Ukuran Sampel, Normalitas, Outliers, Multicollinearity dan Singularity.
7 Langkah ketujuh: Menginterpretasikan Hasil Pengujian dan Modifikasi Model.