Werner R.

Murhadi

PEMODELAN SEM

Tahapan pemodelan dengan analisis persamaan structural:

1. Pengembangan model berdasar teori
2. Menyusun diagram jalur untu menunjukkan hubungan kausalitas
3. Konversi diagram jalur kedalam persamaan structural
4. Memilih jenis input matrik dan teknik estimasi model yang diusulkan
Teknik estimasi:
a. Maximum likelihood (ML)
b. Generalized Least square (GLS)
c. Unweighed least square (ULS)
d. Scale free least square (SLS)
e. Asymptotically Distribution Free (ADF)

Pertimbangan Teknik Yang Dipilih Keterangan

Ukuran sample 100-200
dan asumsi normalitas
dipenuhi
Ukuran sample 200-500
dan asumsi normalitas
dipenuhi
Ukuran sample >2500 dan
asumsi normalitas kurang
dipenuhi
ML ULS dan SLS biasanya
tidak menghasilkan uji
chisquare, karena itu tidak
menarik perhatian peneliti
ML dan GLS Bila ukuran sampel kurang
dari 500, hasil GLS cukup
baik
ADF ADF kurang cocok bila
ukuran sampel kurang dai
2500

5. Menilai masalah identifikasi model structural

6. Evaluasi/Menilai criteria goodness of fit
Kriteria Cut-off value Keterangan
1. Chisquare Diharapkan kecil Nilai chisquare yg kecil,
dg prob. lebih besar dr tk
signifikan. Hal ini berarti
tidak adanya perbedaan
signifikan antara matris
kovarians prediksi dengan
data observasi
2. RMSEA (root mean < 0,08 (Browne dan Merupakan ukuran model
square error of Curdeck , 1993) yang mencoba
approximation) memperbaiki
kecenderungan chisquare
menolak model dengan
jumlah sample yang besar.
 Werner R. Murhadi

3. GFI (Goodness of fit > 0,90 Menghitung proporsi

index) tertimbang dari varians
dalam matrik kovarians
sample yang dijelaskan
oleh matriks kovarians
populasi yang
terestimasikan.
Nilai berkisar 0 1 (dg 0=
poor fit dan 1=perfect fit)
4. AGFI (Adjusted > 0,90 (Hair, 1995 dan GFI adalah analog dari R2
goodness of fit) Hulland, 1996) dalam regresi berganda.
(0-1)
5. CMIN/DF (the < 2 (Byrne, 1998) Adl chisquare/DF
minimum sample < 5 (Wheaton, 1977)
discrepancy
function/degree of
freedom)
6. TLI (Tucker Lewis > 0.90 (Arbuckle, 1997) Alternative incremental fit
Index) > 0,95 (Hair dkk, 1995) index yang
membandingkan sebuah
model yang diuji terhadap
sebuag baseline model.
(0-1)
7. NFI (normed fit index) > 0,90 Perbandingan antara
proposed model dan null
model (0-1)
8. CFI (Comparative fit > 0,95 (Bentler) Adv. Tidak dipengaruhi
index) oleh ukuran sample. Sama
dg Relative noncentrality
index-RNI dari MCDonald
dan Marsh, 1990. (0-1)
9. Parsimonious normal fit Semakin tinggi semakin Modifikasi NFI, kegunaan
index (PNFI) baik membandingkan model dg
DF yang berbeda
10. Parsimonious Semakin tinggi semakin Modifikasi dari GFI atas
goodness of fit index baik/parsimony dasar parsimony estimated
(PGFI) model. (0-1)
11. Measurement model fit Reliabilitas > 0,70 Unidimensionalitas =
(dg mengukur construct asumsi yang melandasi
reliability dan variance Variance extracted > 0,50 perhitungan reliabilitas
extracted) dan ditunjukkan ketika
indicator suatu konstruk
 Werner R. Murhadi

memiliki acceptable fit 1

single factor (one
dimensional) model.
Cara menuliskan hasil di gambar: title kemudian klik kiri di tempat yang kita
inginkan muncul keterangan angka tersebut, maka akan muncul figure caption
ketik nama yang diinginkan diikuti tanda=\
Contoh:
Chisquare=\cmin
Probabilitas=\p
CMIN/DF=\cmindf
RMSEA=\rmsea
GFI=\gfi
AGFI=\agfi
TLI=\tli
NFI=\nfi
PNFI=\pnfi
PGFI=\pgfi
\format (perintah untuk menghasilkan model specification di layar apakah
unstandardized dan standardize-lihat di box menu)

Pengelompokkan Validitas Model

1. Basic goodness of fit: Chisquare & statistically significance of chisquare
2. Absolute fit measure: GFI, AGFI, RMSR, SRMR, & RMSEA
3. Incremental fit indices: NFI, CFI, TLI, RNI
4. Parsimonious fit indices: Parsimony Ratio, PGFI, & PNFI.

Unstandardized estimates hasilnya akan sama dengan regresi biasa pada table
coefficient model khususnya unstandardized coefficient beta yang akan
membentuk persamaan regresi biasa yang terdiri dari konstanta + variable
independent
Sedangan standardized estimates hasilnya akan sama dengan regresi biasa pada
table coefficient model khususnya standardized coefficient beta yang akan
membentuk persamaan regresi biasa yang terdiri dari variable independent saja
(tanpa konstanta)

Bila menggunakan perintah \format maka akan muncul model specification

dengan cara membaca:
Tempat Angka Unstandardized estimate Standardized estimate
Dekat garis anak panah Koefisien regresi Koefisien regresi standar
tunggal
Dekat garis anak panah 2 kovarians Korelasi
ujung
 Werner R. Murhadi

Dekat variable endogen intercept Koefisien determinasi

Dekat variable eksogen Mean dan Varians ---

Unstandardized estimates
1.23

5.37; 4.41 5.30; 2.51

Efektifitas Derajat Orientasi

manajemen pasar
pelanggan

44.03 27.59

414.77

Volume
penjualan

VP = 414,77 +44,03 EMP + 27,59 DOP dengan kovarians = 1,23 dan pada
masing-masing var. independent terdapat means & varians

Standardized estimates
0.37

Efektifitas Derajat Orientasi

manajemen pasar
pelanggan

0.56 0.26

0.49

Volume
penjualan
 Werner R. Murhadi

VP = 0,56 EMP + 0,26 DOP, dengan koef.determinasi 0,49 dan

koef.korelasi=0,37

Asumsi SEM:
Data distribusi normal
Tidak terdapat outlier baik univariate maupun multivariate.
Untuk melihat outlier pada Univariate dapat melalui SPSS:
Analyze>>>Descriptive Statistics>>>desciptive (masukan variable yang akan
dilihat normalitasnya dan klik save standardized value as variable.
Maka akan muncul variable Z di data view.
Terjadi outlier bila terdapat nilai Z<-1,96 dan Z>1,96
Atau setelah muncul variable z di data view maka lakukan langkah ulang
Analyze>>>Descriptive Statistics>>>desciptive (masukan variable Z saja
yang akan dilihat normalitasnya). Bila nilai descriptive statistics tidak ada
yang menunjukkan nilai Z yang lebih tinggi dari 3.0 maka berarti tidak ada
outlier.
Untuk melihat outlier multivariate dapat langsung melalui AMOS (point 2
dibawah ini atau melalui SPSS: Analyze>>>Regresion, masukan dependen
dan independent dan klik SAVE: Distance Mahalnobis).
Bila Mahalnobis distance > table chisquare (n,p) maka terdapat outlier.

Multicollinearity dan singularity

Dapat dilihat melalui determinant matriks kovarian, dimana nilai determinant
yang sangat kecil megindikasikan terdapatnya masalah multikol/singularitas
sehingga data tidak dapat dipakai untuk riset (Tabachnik dan Fidell, 1998)
Amos menghasilkan nilai determinant sample covariance matrix yang terdapat
dalam sample moment.
Sample moment terdiri 2 yakni sample covariance dan sample correlation,
nilai determinant sample covariance matrix terdapat dibawah sample
covariances.

7. Interprestasi dan modifikasi model

Lihat Text Output: (output yang dimunculkan sesuai dengan kebutuhan dalam
Analysis property (Piano dg 6 kotak berwarna). Defaultnya adalah minimization
history, kemudian dapat diklik:standardized estimates, squared multiple correlation,
factor score weight dan test for normality and outlier, serta modification index)
Perhatikan Output:
 Werner R. Murhadi

1. Your model contains the following variables

2. Assessment of normality (perhatikan nilai CR/critical ratio pada multivariate.
Bila nilai CR < + 2,58 pada tingkat signifikansi 1% maka data berdistribusi
normal).

Assessment of normality (Group number 1)

Variable min max skew c.r. kurtosis c.r.

x1 .000 6.100 -.084 -.343 -.545 -1.113
x2 .200 5.400 .462 1.887 -.544 -1.110
x3 5.000 10.000 -.285 -1.162 -1.080 -2.204
x7 3.700 10.000 -.226 -.921 -.867 -1.770
x4 2.500 8.200 .215 .876 .021 .043
x6 1.100 4.600 .486 1.984 .042 .086
Multivariate -3.888 -1.984
Skewness CR untuk melihat distribusi normal univariat
Multivariat CR untuk melihat distribusi normal multivariat

3. Sample size: 265

4. Computation of degrees of freedom
5. Chi-square = 150.577 (>>>>Harus angka rendah<<<<)
Degrees of freedom = 98 (>>>>Variabel independent<<<<)
Probability level = 0.001 (>>>>Harus lebih besar 5%<<<<)

Result (Default model) kasus bab V

Minimum was achieved

Chi-square = 150.577
Degrees of freedom = 98
Probability level = .001

6. Maximum Likelihood Estimates

Regression Weight >>>> perhatikan nilai critical ratio (CR) minimum 2
(Ingat CI 95%).
Bila bernilai diatas 2 maka hubungan variable sudah benar.
Bila CR bernilai kurang dari 2, maka item tersebut dibuang bila bukan
merupakan variable utama. Nilai regression weight estimate merupakan
nilai regresi
7. Standardized Regression Weights (SR) dan Factor Score Weights (FS)
dipergunakan untuk menghitung dan error untuk masing-masing (Contoh
penghitungan lihat Two step approach SEM dalam SPSS Latihan/kuesioner).
 Werner R. Murhadi

8. Perhatikan SR estimate (LOADING FACTOR) bila ada yang bernilai >1

maka akan menghasilkan nilai varians negative yang disebut HEYWOOD
CASE. HC dapat disebabkan karena spesifikasi model yang salah, adanya
outlier data, sample size yang kecil (<100 atau <150) hanya dengan 2
indikator per variable laten, adanya korelasi populasi mendekati 0 atau 1
(menyebabkan underindentifikasi) dan bad starting value pada estimasi
maximum likelihood.
Model final harus tidak terdapat HC.
Pengobatan: menghapuskan indicator dari model atau membuat constraint
model dengan memberikan nilai positif kecil untuk error term tertentu. Cara
membuat konstrain dengan memberikan nilai positive kecil 0,005 dg cara
menaruh kursor pada indicator yang bermasalah lalu klick kanan mouse, pilih
object properties dan pada kota variance berikan nilai positif kecil 0,005.
Cara lain dengan menghapus data outlier, membuat transformasi data,
memastikan paling tidak ada 3 indiator pervariabel laten, menambah sample,
atau mengubah dari ML menjadi GLS atau OLS.

Estimates (Group number 1 - Default model) .kasus bab VI..

Scalar Estimates (Group number 1 - Default model)

Maximum Likelihood Estimates

Regression Weights: (Group number 1 - Default model) Nilai CR harus >2

(hubungan var.benar)
Estimate S.E. C.R. P Label
x6 <--- Image 1.000
x4 <--- Image 2.467 1.520 1.623 .105 par_1
P *** berarti signifikan
x7 <--- Strategy 1.000 (terdapat hubungan)
x3 <--- Strategy -.916 .169 -5.414 *** par_2
x2 <--- Strategy .716 .140 5.121 *** par_3
x1 <--- Strategy -.779 .154 -5.068 *** par_4
Koef.Regresi pada
unstandardized estimate

Standardized Regression Weights: (Group number 1 - Default model) Loading Factor pada
standardized estimate
Estimate
x6 <--- Image .685
x4 <--- Image 1.151 Heywood case terjadi bila SR>1
x7 <--- Strategy .689
 Werner R. Murhadi

Estimate
x3 <--- Strategy -.722
x2 <--- Strategy .654
x1 <--- Strategy -.644

Covariances: (Group number 1 - Default model)

Kovarians pada model
Estimate S.E. C.R. P Label unstandardized estimate
Image <--> Strategy .100 .096 1.034 .301 par_5

Correlations: (Group number 1 - Default model)

Estimate Koefisien Korelasi pada model

Image <--> Strategy .175 standardized estimate

Variances: (Group number 1 - Default model)

Variances estimate tidak boleh
Estimate S.E. C.R. P Label bernilai negatif
Image .276 .182 1.518 .129 par_6
Strategy 1.180 .348 3.391 *** par_7
e6 .312 .173 1.805 .071 par_8
e4 -.412 1.020 -.404 .686 par_9
e7 1.308 .255 5.125 *** par_10
e3 .912 .193 4.734 *** par_11
e2 .811 .148 5.466 *** par_12
e1 1.011 .182 5.548 *** par_13

Terdapat Varians Negatif pada e4

(Akibat Heywood Case)
 Werner R. Murhadi

Squared Multiple Correlations: (Group number 1 - Default model)

Estimate Koef. Determinasi pada

x1 .415 standardized estimate
x2 .427
x3 .521
x7 .474
x4 1.325
x6 .469

Matrices (Group number 1 - Default model)

Factor Score Weights (Group number 1 - Default model)

x1 x2 x3 x7 x4 x6
Strategy -.203 .232 -.264 .201 .063 -.034
Image .008 -.009 .011 -.008 .762 -.407

9. Bila model telah fit, maka setiap konstruk dapat dievaluasi terpisah dengan (1)
melihat signifikansi indicator loading factor (Standardized regression weight-
estimate) dan (2) menilai reliabilitas konstruk dan variance exctracted.

Reliabilitas Konstruk = (jumlah dari standard loading)2

(jumlah dari standard loading)2 + jumlah kesalahan p.

Catatan: Abaikan tanda +/-

Jumlah dari std loading diambil dari loading factor (Standardized regression
weight-estimate), sedangkan jumlah kesalahan pengukuran diperoleh dari:
Jumlah kesalahan pengukuran = 1 (standar loading)2

Variance Extracted = Jumlah kuadrat standard loading

Jumlah kuadrat standard loading + jumlah kesalahan p.

Beda dg yang diatas adalah: disini dilakukan kuadrat dulu baru kemudian
dijumlah.

Nilai reabilitas konstruk yang direkomendasikan adalah diatas 0,70

 Werner R. Murhadi

Nilai average variance extracted (AVE) yang direkomendasikan adalah diatas

0,50

Contoh dari kasus bab V (dengan memperbaiki e4 dengan konstrain 0.005 -

p.57)

Standardized Regression Weights: (Group number 1 - Default model)

Estimate
x6 <--- Image .790
x4 <--- Image 0.998
x7 <--- Strategy .692
x3 <--- Strategy -.718
x2 <--- Strategy .654
x1 <--- Strategy -.643

Konstruk strategi = (0,692 + 0,718 + 0,654 + 0,643) = 2.707

Konstruk Image = (0,790 + 0,998) = 1,787
Jumlah Kesalahan pengukuran
Strategi = (1 0.6922) + ( 1 - 0,7182) + (1 - 0,6542) + (1-0,6432)}
= 0.521 + 0.484 + 0.573 + 0.585
= 2.164
Image = (1 0.792 ) + (1 0.9982) = 0.376 + 0.005 = 0.381
Reliabilitas konstruk strategi = (2.707)2 = 0.772
2
(2.707) + 2.164

Reliabilitas konstruk image = (1.787)2 = 0.893

(1.787)2 + 0.381

sedangkan nilai AVE didapat dari

Jumlah kuadrat standard loading
Konstruk strategi = (0,692)2 + (0,718)2 + (0,654)2 + (0,643)2 = 1.836
Konstruk Image = (0,790)2 + (0,998)2 = 1.618

AVE Konstruk Strategi = (1.836)2 = 0.459

(1.836)2 + 2.164

AVE Konstruk Image = (1.618)2 = 0.809

2
(1.618) + 0.381
 Werner R. Murhadi

disini terlihat nilai kedua reliabilitas diatas 0,7 dan AVE image diatas 0,5,
namun AVE strategi dibawah 0,5

10. Modification index digunakan untuk memperbaiki model.

Nilai MI pada covariance menunjukkan turunnya nilai chisquare jika error
term tersebut dikorelasikan (Harus berdasarkan teori). Tujuan kita adalah
mendapatkan nilai chisquare kecil untuk itu pilih nilai MI covariance paling
tinggi. Setelah itu ulangi proses penghitungan.

Covariances: (Group number 1 - Default model) kasus bab VII..

M.I. Par Change

e21 <--> Z2 4.839 .020
e19 <--> Z3 7.907 .049
e18 <--> Z2 5.038 -.028
e4 <--> e18 4.440 -.073
e12 <--> e11 5.314 -.055
e20 <--> Z2 11.954 -.036
e20 <--> Z1 10.553 .047
e20 <--> e21 22.438 .102
e20 <--> e4 10.603 -.094
e1 <--> e17 9.966 .071
e2 <--> e11 9.578 -.103
e6 <--> e15 4.398 -.069
e6 <--> e20 9.247 .102
e7 <--> e11 6.105 -.071
e8 <--> Z2 6.580 .029
e8 <--> Z1 5.210 -.035
e8 <--> e19 5.844 .059
e8 <--> e13 11.795 .108
e8 <--> e15 4.632 .059
e8 <--> e6 4.259 -.075
e9 <--> e18 9.526 .074
e9 <--> e20 4.080 -.040
e9 <--> e3 7.556 -.048
e9 <--> e5 5.318 -.038
e10 <--> e11 11.079 .162
e10 <--> e1 4.246 .070
e10 <--> e2 5.292 -.082
 Werner R. Murhadi

M.I. Par Change

e10 <--> e7 4.535 -.066
e10 <--> e8 4.092 -.079
e14 <--> e2 5.981 .089

Cari nilai MI terbesar (dengan harapan nilai chisquare akan turun bila e
dikorelasikan, sehingga probabilitas bisa naik diharapkan diatas 5%)
Terlihat e20 e21 memiliki nilai MI terbesar 22,438. artinya bila e20 dan e21
dikorelasikan maka nilai chisquare akan turun paling sedikit 22,438 (korelasi
e20 dan e21 harus berdasarkan pada teori).

Caranya: buat hubungan kovarians antara e20 dan e21. maka hasilnya akan
terjadi perubahan dalam goodness of fit.

11. salah satu alasan mengapa model tidak fit bisa jadi karena ukuran variable
laten tidak unidimensional. Hal ini dpat dilihat pada output squared multiple
correlation. Dalam toeri uji skor, reliabilitas suatu variable diukur dengan
variasi degree of true score relative terhadap variasi observed score. Hal ini
didefinisikan sebagai squared correlation antara true score (konstruk laten
dimana variable itu dianggap sebagai indicator) dan variable observed. Nilai
cut-off 0,50.
Contoh: kasus bab 9

Squared Multiple Correlations: (Group number 1 - Default model)

Estimate
A1 .830
A2 .001
A3 .103
A4 .306
A5 .293
A6 .518
A7 .149
A8 .725
k6 .339
k5 .670
k4 .513
K3 .708
K2 .674
K1 .592
 Werner R. Murhadi

Disini terlihat untuk laten knowledge terdapat 5 indikator yang reliable (K6
dibawah cut off 0,5). Sedangkan untuk laten attitude lebih komplek, dimana
hanya A1, A6 dan A8 yang reliable. Maka untuk laten attitude perlu dilakukan
reformulasi.

12. Summary of models (lihat criteria table diatas):

a. Default model merupakan model kita
b. Saturated model merupakan perfect/full model untuk menghasilkan
nilai chisquare=0 dan DF=0
c. Independence model berarti semua model dibuat tidak berkorelasi.