TUGAS KELOMPOK

MATA KULIAH STATISTIKA INDUSTRI II

STRUCTURAL EQUATION MODELLING(SEM)

Oleh :
Farras Tsany (125100300111024)
Luki Hidayati (125100300111028)
Mutiara Devita Sari (125100301111020)
Yuniandini Ichsania G. (125100300111060)
M.Prima Dieky (125100300111041)
Azis Saputra (125100301111013)

JURUSAN TEKNOLOGI INDUSTRI PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS BRAWIJAYA
MALANG
2015
PENGERTIAN SEM
Structural Equation Modeling (SEM) merupakan generasi kedua teknik
anlisis multivariate untuk menguji hubungan variabel yang kompleks.SEM dapat
menguji model struktural dan model pengukuran, mampu menguji kesalahan
pengukuran dan analisis faktor bersamaan dengan pengujian hipotesis. Program
SEM lain seperti AMOS, LISREL, EQS, ROMANO, LISCOMP,dll (Bahri, 2014).
SEM adalah suatu teknik modeling statistik yang bersifat sangat cross
sectional, linear dan umum, termasuk didalamnya factor analysis dan regression
digunakan untuk menguji model statistic dalam bentuk sebab akibat.SEM
mencakup pengukuran struktur matriks covariance atau disebut juga sebagai
“analisis struktur covariance”.Sekali model parameter diestimasi, maka model
menghasilkan matriks covariance kemudian dapat dibandingkan dengan matriks
kovarian yang berasal dari data empiris.Jika kedua matrik konsisten satu dengan
lainnya, maka model persamaan struKtural tersebut dapat dianggap sebagai
eksplanasi yang dapat diterima untuk mengetahui hubungan-hubungan antara
pengukuran tersebut (Bahri, 2014).
Keunggulan SEM-Amos adalah memiliki kemampuan membuat model
konstruk sebagai variabel laten secara langsung, diestimasi dari variabel yang
diasumsikan mempunyai hubungan dengan variabel laten. Hal ini memungkinkan
pembuat model mengetahui adanya ketidak-relibilitas suatu pengukuran dalam
model (Bahri, 2014).

A. SEJARAH SEM
SEM (Structural Equation Modelling) adalah alat analisis statistic yang
semakin popular dewasa ini. Jika dilihat dari penyusunan model serta cara
kerjanya, sebenarnya SEM adalah gabungan dari analisis faktor dan analisis
regresi. Pada tahun 1950-an SEM sudah mulai dikemukakan oleh para ahli
statistic yang mencari metode untuk membuat model yang dapat menjelaskan
hubungan di antara variabel-variabel. Dalam kenyataan, khususnya ilmu-ilmu
sosial, banyak variabel yang bersifat laten, seperti motivasi seseorang,
komitmen, kesetian pelanggan dan lainnya. Variabel-variabel tersebut baru bisa
diukur dengan sejumlah indikator(variabel manifest), dan hubungan diantara
keduanya, serta antar variabel laten memunculkan model yang membutuhkan
alat analisis lanjutan untuk menyelesaikannya. Kemajuan teknologi informasi di
era 1970-an memungkinkan alat analisis SEM dikembangkan. Joreskog dan
Sorbom kemudian mengembangkan metode estimasi maximum likehoold, dan
mulai munculnya software khusus SEM, sepertia LISREL, AMOS, EQS dan
sebagainya. Alat analisis SEM saat ini sudah menjadi prosedur multivariate yang
dominan (Santoso, 2009).

B. KEUNGGULAN SEM
Keunggulan lain SEM-Amos dibandingkan dengan regresi berganda ialah :
(Bahri, 2014):
1. Memungkinkan adanya asumsi-asumsi yang lebih fleksibel
2. Penggunaan confirmatory factor analysis dapat mengurangi kesalahan
pengukuran
3. Daya tarik interface permodelan grafis memudahkan pengguna
membacahasil analisis
4. Kemungkinan adanya pengujian model secara keseluruhan
5. Kemampuan untuk menguji model menggunakan variabel tergantung
6. Kemampuan untuk membuat model terhadap variabel perantara
7. Kemampuan untuk membuat model gangguan kesalahan
8. Kemampuan menguji koefisien diluar antara beberapa kelompok subyek

C. CONTOH KASUS SEM

Suatu usaha yang berada di Kota Batu akan melaksanakan penelitian
tentang “Analisis Pengaruh Diferensiasi Produk Terhadap Kepuasan Konsumen
Keripik Tempe”. Penelitian ini bertujuan untuk mengetahui dan menganalisis
hubungan dan pengaruh variabel produk yaitu keistimewaan (4 indikator), kinerja
produk (4 indikator), kesesuaian kualitas produk (4 indikator) dan ,ngidentifikasi
variabel diferensiasi produk dengan kepuasan konsumen (4 indiaktor) dengan
metoden SEM-GSCA, dengan menggunakan metode SEM-GSCA dapat
diketahui hubungan diferensiasi produk dengan kepuasan konsumen, serta
variabel yang memiliki pengaruh dalam menciptakan kepuasan konsumen keripik
tempe bermerk Sari Alam Murni.
 Variabel Operasional yang Diteliti:
1. Keistimewaan (X1)
2. Kinerja Produk (X2)
3. Kesesuaian Produk (X3)
4. Tingkat Kepuasan Konsumen (Y)

 Langkah-langkah Uji Linieritas (SPSS) dan GSCA

Uji Linieritas
1. Input data (total tiap variable)
2. Klik Analyze-> Compare means-> Means

3. Masukkan data X1, X2, dan X3 ke Indpendent list dan Y ke

Dependent list

4. Klik Option- centang test for linearity- continue- OK

 Running GSCA
1. Upload data
2. Draw latent variables

3. Assign indicators
4. Draw path coefficients
 Evaluasi Asusmsi GSCA (Output)
Uji Linieritas (SPSS)
 Dari tabel ANOVA, dapat diketahui hubungan linier antar variable
melalui nilai signifikansi untuk linieritas. Syarat jika terdapat hubungan
linier antar variable jika nilai sig. <0,05. Dari tabel tersebut ditunjukkan jika
nilai sig. variable X1, X2, X3 memiliki nilai sig. <0,05 sehingga antara
keistimewaan, kinerja produk, dan kesesuaian kualitas produk terdapat
hubungan linier terhadap tingkat kepuasan konsumen.
Model Konstruk Variabel (Model Reflektif)
 Path Coefficients
Estimate SE CR
X1->Y 0.465 0.176 2.65*
X2->Y 0.333 0.235 1.42
X3->Y 0.223 0.388 0.57
Pada tabel Path Coefficients dapat dilihat nilai CR, nilai tersebut
digunakan untuk mengetahui pengaruh signifikan antar variable. Syarat adanya
hunbungan signifikan antar variable adalah jika nilai CR>1,96. Dari tabel dapat
ditunjukkan jika nilai CR yang memenuhi syarat adalah nilai CR X1->Y, sehingga
variable keistimewaan berpengaruh secara signifikan terhadap tingkat kepuasan
konsumen sedangkan kinerja produk dan kesesuaian kualitas produk tidak
memiliki pengaruh signifkan terhadap tingkat kepuasan konsumen. Dari nilai
estimate diperoleh persamaan Y= 0,465X1 + 0,333X2 + 0,223X3.
Measurement Model

Variable Loading Weight SMC

Estimate SE CR Estimate SE CR Estimate SE CR

X1 AVE = 0.802, Alpha =0.918

X11 0.890 0.048 18.67* 0.308 0.036 8.49* 0.793 0.081 9.81*
X12 0.818 0.102 8.05* 0.205 0.044 4.66* 0.670 0.149 4.49*
X13 0.936 0.034 27.19* 0.319 0.062 5.19* 0.875 0.062 14.1*
X14 0.933 0.041 22.53* 0.278 0.063 4.44* 0.870 0.073 11.89*

X2 AVE = 0.693, Alpha =0.851

 X21 0.884 0.038 23.19* 0.308 0.047 6.49* 0.782 0.067 11.74*
X22 0.892 0.034 25.96* 0.347 0.054 6.42* 0.795 0.061 13.07*
X23 0.872 0.064 13.71* 0.291 0.047 6.13* 0.761 0.106 7.18*
X24 0.660 0.176 3.75* 0.250 0.061 4.11* 0.436 0.179 2.44*

X3 AVE = 0.491, Alpha =0.610

X31 0.730 0.723 1.01 0.351 0.351 1.0 0.533 0.200 2.67*
X32 0.633 0.660 0.96 0.335 0.339 0.99 0.400 0.241 1.66
X33 0.576 0.605 0.95 0.286 0.295 0.97 0.332 0.217 1.53
X34 0.835 0.814 1.02 0.439 0.421 1.04 0.697 0.158 4.41*

Y AVE = 0.602, Alpha =0.773

Y11 0.749 0.189 3.97* 0.342 0.107 3.2* 0.562 0.183 3.07*
Y12 0.771 0.157 4.92* 0.257 0.086 3.0* 0.595 0.171 3.49*
Y13 0.820 0.067 12.24* 0.335 0.083 4.04* 0.673 0.101 6.63*
Y14 0.760 0.121 6.28* 0.356 0.089 4.0* 0.578 0.160 3.62*
Dari tabel tersebut yang diinterpretasi adalah pada tabel Loading
dikarenakan bentuk model strukturalnya reflektif. Nilai estimate yang diperoleh
digunakan untuk uji validitas, nilai estimate yang valid memiliki nilai lebih dari
>0,5, dari tabel dapat ditunjukakan jika nilai semua variable valid. Uji reliabilitas
ditunjukkan oleh nilai AVE dan Cronbach’s Alpha, persyaratan penerimaan uji
tersebut adalah nilai AVE>0.5 dan nilai Cronbach’s Alpha>0,7. Dari tabel dapat
ditunjukkan jika X1, X2, dan Y memenuhi persyaratan namun X3 tidak memenuhi
persyaratan, sehingga variable keistimewaan, kinerja produk, dan tingkat
kepuasan konsumen memenuhi syarat kevalidan dan reliabilitas namun variabel
kesesuaian kualitas produk tidak memenuhi syarat kevalidan dan reliabilitas
R Square

R square of Latent Variable

X1 0
X2 0
X3 0
Y 0.470
Dari tabel dapat diketahui jika variable Y (dependen) sebesar 47%
dipengaruhi oleh vaiabel X1, X2, dan X3 (independen), sehingga tingkat
kepuasan konseumen dipengaruhi sebesar 47% oleh keistimewaan, kinerja
produk, dan kesesuaian kualitas produk.
Model Fit

Model Fit
FIT 0.541
AFIT 0.505
GFI 0.988
SRMR 0.166
NPAR 35
Nilai FIT digunakan untuk mengetahui atau mengukur besarnya total
varian semua variable yang dapat dijelaskan oleh model. Dari tabel didapatkan
jika sebesar 54,1% variable dapat dijelaskan oleh model dalam penelitian. Nilai
AFIT memiliki fungsi yang sama dengan FIT namun lebih memeperhatikan
kompleksitas, sehingga sebesar 50,5% variable dapat dijelaskan oleh model.
Model Fit Nilai Syarat Keterangan
GFI 0,988 Mendekati 1 Model baik
SRMR 0,166 Mendekati 0 Model baik
NPAR 35 - Terdapat 35 variabel yang
diestimasi

Daftar Pustaka
Bahri, S. dan Zamzam, F. 2014. Model Penelitian Kuantitatif Berbasis SEM-
Amos. Deepublish. Yogyakata.
Santoso, S. 2009. PL Menguasai Statistik dgn SPSS 17 + CD. Elex Media
Komputindo. Jakarta.