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

latenyang 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, estimasi-estimasi 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 chi-square, 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 masing-
masing 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 elemen-elemen 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 variabel-variabel 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 x; variabel-variabel
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 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 masalah-masalah 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 jalur-jalur 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 jalur-jalur 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 masing-masing 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
program-program 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. Variabel-variabel 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 variabel-variabel 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 variabel-variabel 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 masing-masing. 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), perbedaan-
perbedaan 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 parsimonymerupakan 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 temuan-temuan 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 kovarian-kovarian 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, koefesien-koefesien 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 invariancepengukuran 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 sli merupakan muatan-muatan yang distandarisasi (the standardized
loadings) untuk semua indikator dalam variabel laten tertentu dan
ei 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 variabel-variabel 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 variable-variabel 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 variabel-variabel yang
dipengaruhi oleh variabel-variabel lain disebut sebagai endogenous atau variabel-
variabel 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 ataumodel persamaan struktural lainnya
ialah untuk membuat suatu model yang cocok dengan datasecara baik yang
berfungsi sebagai representasi realitas yang memberikan manfaat serta
memberikan keterangan parsimoni data. Oleh karena itu, menurut Stoelting
adalimalangkahmenyangkutpenyusunanSEM,yaitu

1.Spesifikasimodel
2.Identifikasimodel
3.Estimasimodel
4.Pengujiankeocokanmodel
5.Manipulasimodel

1. SpesifkasiModelmerupakanlatihansecaraformalmenyatakansuatumodel.
Tahapinimerupakalangkahdimanaparameterparameterditentukanuntuk
bersifat tetap (fixed) atau bebas (free). Parameter parameter tetap(fixed
parameters)tidakdiestimasidaridatadanbiasanyatetappadabesaran0yang
mempunyaiartitidakadahubunganantarvariabelyangdiobservasi.Jalur
jalurparameterparametertetapdiberilabelsecaranumerik;terkecualidiberi
nilai 0 dengan sendirinya tidak ada jalur yangakan dibuat dalam diagram
SEM.Parameterparameterbebas(freeparameters)diestimasikandaridata
yangdiobservasidandipercayaolehpenelitibukan0.Tandaasterisdalam
diagram SEM menandai jalurjalur parameter parameter bebas. Penentuan
parameterparametermanamerupakanparameterparameteryangtetapdan
yang bebas dalam SEM sangat penting karena hal itu akan menentukan
parameter parameter mana yang akan digunakan untukmembandingkan
 diagramyangdihipotesiskandenganvarianpopulasiyangdiambil(thesample
population variance) serta matriks koovarian dalam pengujian model pada
tahapberikutnya.Pemilihanparameterparametermanayangdianggapbebas
dan tetap dalam suatumodel sepenuhnya terserah peneliti. Pemilihan ini
mewakili hipotesisa prioripeneliti mengenai jalurjalur mana (pathways)
dalamsuatusistemmenjadipentingdalammemunculkanstrukturrelasional
sistemyangdiobservasi,misalnyavariansampelyangdiobservasidanmatriks
kovarian.

2. IdentifikasiModelmenyangkutapakahnilaiunikuntukmasingmasingdan
setiapparameterbebasdapatdiperolehdaridatayangdiobservasi.Semuaitu
tergantungpadapilihanmodelsertaspesifikasiparameterparametertetapdan
dibatasi serta parameter parameter bebas. Suatu parameter dibatasi ketika
parametertersebutdibuatsamadenganparameterlain.Modelmodelharusdi
identifikasisecaramenyeluruh(overidentified)supayadapatdiestimasiserta
untukmelakukanpengujianhipotesismenyangkuthubunganantarvariabel.
Kondisiyangdiwajibkanuntukmelakukanoveridentificationaddalahbahwa
poinpoindata(jumlahvarian dan kovarian) kurang dari jumlah variabel
yangdiobservasidalammodel.

Model dalam contoh ini diambil dari tulisan Dr. Abbas Ghozali
(2001)dengankasusmenganalisis hubungan antara kepuasan kerja
dengan kinerja studi di sebuah perusahaan. Secara lebih detil
variabel-variabel yang akan dianalisis ialah pengaruh achievement
motivation, task-specific self esteem, dan verbal
intelligence terhadap job satisfcation dan performance.
Variabel achievement motivation ( 1) dihipotesiskan dibentuk

didasarkan pada faktor-faktor achievement motivation measure

1 (x1), achievement motivation measure 2 (x2), dan achievement
motivation measure 3 (x3). Untuk variabel task-specific self esteem
motivation ( 2) dihipotesiskan dibentuk didasarkan pada faktor-

faktor task-specific self esteem motivation measure 1 (x4), task-

specific self esteem motivation measure 2 (x5), dan achievement
motivation measure 3 (x3). Sedangkan variabel verbal
intelligence dihipotesiskan dibentuk didasarkan pada faktor-
faktor verbal intelligence measure 1 (x4) dan verbal intelligence
measure 1 (x6) dan verbal intelligence measure 1 (x7). Sementara itu
untuk variabel job satisfcation motivation ( 1) dihipotesiskan

dibentuk didasarkan pada faktor-faktor job satisfcation motivation

measure 1 (y1) dan job satisfcation motivation measure 2 (y2).
 Sedang variabel Performance ( 2 ) dihipotesiskan dibentuk

didasarkan pada faktor-faktor performance measure 1 (y3) dan

performance measure 1 (y4). Data yang akan dianalisis berupa data
matriks kovarian untuk kesebelas variabel indikator terlihat di
bawah ini:
Tabel . Matriks Kovarians untuk Variabel Variabel Indikator

Model dalam bentuk diagram jalur yang mencerminkan hubungan antar variabel
dapat dilihat di bawah ini.

Gambar
SEM tentang hubungan antara variabel kepuasan kerja dan kinerja
Sumber: Ghozali (2001)
Dengan mengacu pada model diatas, maka persamaan-persamaan
menjadi:
Bagian pertama, persamaan model jalur

Bagian kedua, persamaan model pengukuran untuk variabel y

Bagian ketiga, persamaan model pengukuran untuk variabel x

3. EstimasiDalamtahapini,nilaiparameterparameterawalyangbebasdipilih
untuk memunculkan matriks kovarian populasi yang diestimasi,(),
darimodel tersebut. Nilai awal dapat dipilih oleh peneliti dari informasi
sebelumnya dengan menggunakan programprogramkomputer yang
digunakanuntukmembangunmodeldalamSEM,ataudarianalisisregresi
jamak.Tujuanestimasiialahuntukmenghasilkan()yangberkonvergensi
pada matriks kovarian populasi yang diobservasi,S,dengan matriksresidu
(perbedaan()danS) dapat diperkecil. Berbagai metode dapat digunakan
untuk menghasilkan(). Pilihanmetode dituntun dengan karakteristik
karakteristik data termasuk ukuransampel dan distribusi. Sebagian besar
prosesdigunakansecaraiteratif.Bentukumumdarifungsiminimasiialah:
Q=(s())W(s())

dimana,

s=vektorberisivariandankovarianvariabelvariabelyangdiobservasi
()=vektorberisivariandankovarianyangberkorespondensi
sebagaimanadiprediksidenganmodeltersebut
W=matrikspembobotan

Matriks pembobotan (weight matrix),W, dalam fungsi di atas,

berkorespondensi dengan metode estimasi yang dipilih.Wdipilih untuk
memperkecilQ,danQ(N1)memberikanfungsikecocokan,dalamsebagian
besar kasus statistik distribusiX2(distributed statistic).
PerformansiX2dipengaruhi oleh ukuransampel , distribusi kesalahan,
distribusifaktor,danasumsibahwafaktorfaktordankesalahankesalahan
bersifat independen. Beberapa metode estimasi yang biasanya digunakan
ialah:

GeneralizedLeastSquares(GLS)

FGLS=tr[([S()]W1)2]

dimana,

tr=traceoperator,mengambilsejumlahelementpadadiagonal
pokoksuatumatriks

W1=optimalweightmatrix,harusdipiliholehpeneliti,bentuk
pilihanumumialahS1

MaximumLikelihood(ML)

FML=log||log|S|+tr(S 1)p

Dalamhalini,W= 1danp=jumlahvariabelyangdiukur

AsymptoticallyDistributionFree(ADF)Estimator

FADF=[S()]W1[S()]

 W,dalamfungsiini,berisielemenelemenyangmepertimbangkan
kurtosis.

Apapun fungsi yang dipilih, hasil proses estimasi yang diinginkan

ialahuntukmendapatkanfungsikecocokanyangmendekati0.Nilai
fungsikecocokansebesar0mempunyaiartibahwamatrikskovarian
modelyangdiestimasidanmatrikskovariansampelaslisetara.

4. ModifikasiModel.Jikamatrikskovarian/varianyangdiestimasiolehmodel
tidak dapat mereproduksi matriks kovarian/varian sampel secara memadai,
makahipotesishipotesisdapatdisesuaikandanmodeldapatdiujiulang.Untuk
menyesuaikan model, jalurjalur baru ditambahkan dan yang lama
dihilangkan.Dengankatalain,parameterparameterdiubahdaritetapkebebas
atausebaliknya.

Prosedurprosedur umum yang digunakan untuk modifikasi model

adalahLagrange Multiplier Index(LM)danWald test. Kedua
pengujianinimelaporkanperubahandalamnilaiX 2manakalajalur
jalur disesuaikan. LM akan mempertanyakan apakah penambahan
parameterparameter bebas meningkatkan kecocokan model.
Pengujian ini menggunakan logika sama dengan metodeforward
stepwisedalam regresi. Sedang pengujian Wald mempertanyakan
apakahpenghapusanparameterparameterbebasakanmeningkatkan
kecocokan model. Pengujian Wald mengikutilogikabackward
stepwisedalamregresi.

5.Presentasi Akhir Model:Pada saatmodel telah menghasilkan

kecocokan yang dapat diterima, estimasiestimasi individual bagi
parameterparameterbebasdapatdinilai.Parameterparameterbebas
dibandingkan dengan nilai nol, dengan menggunakan statistik
distribusi z. Statistik z diperoleh dengan membagi estimasi
parameter dengan menggunakanstandard errorestimasi tersebut.
Ratio pengujian ini harus diatas+/1.96 agar hubungan bersifat
signifikan. Setelah hubunganhubungan individual dalam model
dinilai,makaestimasiparameterdibakukanuntukpresentasimodel
akhir.Ketikaestimasiestimasiparameterdibakukan,makaestimasi
tersebut dapat diinterpretasi sebagai referensi untuk parameter
parameter lainnya dalammodel serta kekuatanrelatif jalur
dalammodeltersebutdapatdibandingkan.