Structural Equation Modeling (SEM)

Structural Equation Modeling (SEM) merupakan salah satu analisis multivariate yang
dapat menganalisis hubungan variabel secara kompleks. Analisis ini pada umumnya
digunakan
untuk penelitian-penelitian yang menggunakan banyak variabel.

Pengertian dan Konsep Dasar SEM

Teknik analisis data menggunakan SEM dilakukan untuk menjelaskan secara

menyeluruh
hubungan antar variabel yang ada dalam penelitian. SEM digunakan bukan untuk merancang
suatu teori, tetapi lebih ditujukan untuk memeriksa dan membenarkan suatu model. Oleh
karena
itu, syarat utama menggunakan SEM adalah membangun suatu model hipotesis yang terdiri
dari
model struktural dan model pengukuran dalam bentuk diagram jalur yang berdasarkan
justifikasi
teori. SEM adalah merupakan sekumpulan teknik-teknik statistik yang memungkinkan
pengujian
sebuah rangkaian hubungan secara simultan. Hubungan itu dibangun antara satu atau
beberapa
variabel independen.
SEM adalah salah satu metode penelitian multivariate yang paling sering digunakan
untuk penelitian di bidang ilmu sosial, psikologi, menejemen, ekonomi, sosiologi, ilmu
politik ilmu pemasaran, dan pendidikan. Alasan yang mendasari digunakannya SEM dalam
penelitian –
penelitian tersebut adalah karena SEM dapat menjelaskan hubungan antar beberapa variable
yang ada dalam penelitian.

Persamaan dalam SEM menggambarkan semua hubungan antar konstruk (variable

dependen dan independen) yang terlibat dalam suatu analisis. Konstruk adalah faktor yang
tidak
dapat langsung diukur atau faktor laten yang direpresentasikan dengan beberapa variabel.
SEM
merupakan gabungan dari 2 teknik multivariat yaitu analisis faktor dan model persamaan
simultan.

Perbedaan yang paling jelas nyata di antara SEM dan teknik multivariat lain adalah
penggunaan dari hubungan terpisah untuk masing-masing perangkat variabel dependen.
Dalam kondisi sederhana, SEM menaksir satu rangkaian terpisah yang saling bergantung.
Perbedaan yang lain adalah teknik statistika yang lain biasanya hanya memperhitungkan
variabel – variabel
yang dapat diukur secara langsung saja (manifest variable), padahal dalam ilmu sosial sering
kali
muncul variabel yang tidak dapat langsung diukur (latent variable). Pengukuran variabel
laten tersebut perlu direpresentasikan dengan beberapa indikator. Munculnya variabel laten
dikarenakan penelitian pada bidang-bidang sosial tidak memiliki alat ukur khusus. Oleh
karena alasan tersebut, SEM ditawarkan sebagai teknik statistika yang memperhitungkan
variable manifest dan variabel laten.
 SEM adalah metode yang mampu menunjukkan keterkaitan secara simultan antar
variabel-variabel indikator (yang teramati secara langsung) dengan variabel-variabel laten
(yang tidak teramati secara langsung). Raykov dan Marcaulides (2006) mendefinisikan
variabel laten adalah teori atau hipotesis konstruk yang sangat penting atau sebuah variabel
yang tidak mempunyai sampel atau populasi yang bisa diamati secara langsung.

Beberapa Karakteristik SEM menurut Raykov, dkk., (2006) adalah sebagai berikut: (i)
Model SEM tidak dapat diukur secara langsung dan tidak dapat didefinisikan secara baik. (ii)
Model SEM memperhitungkan potensi kesalahan pengukuran di semua variabel observasi,
khususnya pada variabel independent. (iii) Model SEM sangat tepat dibentuk matrik yang
memperlihatkan hubungan antara variabelnya, seperti matrik kovarian maupun matrik
korelasi.
Lebih lanjut dijelaskan bahwa SEM merupakan metode analisis data untuk melihat pengaruh
hubungan sebab akibat antara variabel bebas dengan variabel terikat dalam rangka mencari
penjelasan dari korelasi yang teramati dengan membuat hubungan sebab akibat antar
variabel. Formulasi SEM dalam bentuk persamaan adalah sebagai berikut:
Y1 = X11 + X12 + X13 + . . . + X1n
Y2 = X21 + X22 + X23 + . . . + X2n
Y3 = X31 + X32 + X33 + . . . + X3n
.
.
.
Ym = Xm1 + Xm2 + Xm3 + . . . + Xmn

(metrik) (metrik, non metrik)

Aplikasi Utama SEM

Aplikasi utama structural equation modeling meliputi:
1. Model sebab akibat (causal modeling,) atau disebut juga analisis jalur (path analysis),
yang enyusun 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.

Variabel SEM
Variabel-variabel pada SEM masing-masing saling mempengaruhi. Variabelvariabel
yang terdapat dalam SEM meliputi:
1) Variabel laten (Latent Variable)
Dalam SEM variabel yang menjadi perhatian adalah variabel laten. Variabel laten atau
konstruk laten adalah variabel yang tidak terukur secara langsung, sebagai contoh: perilaku,
sikap, perasaan, dan motivasi. Variabel laten terdapat dua jenis, yaitu:
a)Eksogen
Variabel laten eksogen dinotasikan dengan huruf Yunani adalah “ksi”. Variabel bebas
(independenet latent variable) pada semua persamaan yang ada pada SEM, dengan simbol
lingkaran dengan anak panah menuju keluar.
b)Endogen
Variabel laten endogen dinotasikan dengan huruf Yunani adalah “eta”. Variabel terikat
(dependent latent variable) pada paling sedikit satu persamaam dalam model, dengan simbol
lingkaran dengan anak panah menuju keluar dan satu panah ke dalam. Simbol anak panah
untuk menunjukkan adanya hubungan kausal (ekor anak panah untuk hubungan penyebab
dan kepala anak panah untuk variabel akibat).

Pemberian nama variabel laten pada diagram lintasan bisa mengikuti notasi matematiknya
(ksi atau eta) atau sesuai dengan nama dari variabel dalam penelitian.

Model SEM
Model-model yang terdapat dalam SEM meliputi:
1) Model struktural
Model struktural bertujuan untuk memeriksa hubungan yang mendasari atau yang
menyusun variabel laten ke dalam model pengukuran dan variabel konstruk
lainnya berdasarkan teori. Parameter yang menunjukkan regresi variabel laten
eksogen diberi label dengan huruf Yunani (“gamma”), sedangkan untuk regresi
variabel laten endogen diberi label dengan huruf Yunani (“beta”), dan matriks
kovarians variabel-variabel laten eksogen diberi label dengan huruf Yunani Φ
(“phi”).
di mana:
variabel
: (berukuran m x 1) variabel laten endogen (dependent)
: (berukuran n x 1) variabel laten eksogen
: (berukuran m x 1) galat struktural
koefisien
B : matriks (berukuran m x m) koefisien untuk variabel laten endogen
: matriks (berukuran m x n) koefisien untuk variabel laten eksogen
dengan asumsi:
( ) = 0, ( ) = 0, ( ) = 0
tidak berkorelasi dengan
(I – B) nonsingular
2) Model pengukuran
Model pengukuran digunakan untuk menduga hubungan antar variabel laten
dengan variabel-variabel teramatinya. Variabel laten dimodelkan sebagai sebuah
faktor yang mendasari variabel-variabel teramati yang terkait. Muatan-muatan
faktor atau factor loadings yang menghubungkan variabel laten dengan variabelvariabel
teramati disimbolkan dengan huruf Yunani (“lambda”).
9
Pada model variabel laten SEM, hubungan kausal (sebab-akibat) terjadi diantara
variabel-variabel tidak teramati (unobserved variables) atau variabel-variabel
laten. Parameter-parameter dari persamaan pada model pengukuran SEM
merupakan factor loadings dari variabel laten terhadap indikator-indikator atau
variabel-variabel teramati yang terkait. Model SEM memberikan informasi
tentang hubungan kausal simultan di antara variabel-variabelnya, memberikan
informasi tentang muatan faktor dan galat-galat pengukuran.
Berdasarkan contoh dalam Bollen (1989) diberikan model pengukuran yaitu:

Model SEM

A. Penulisan dan Penggambaran Variabel.

 Dalam SEM yang menjadi perhatian lebih adalah variabel laten yaitu konsep

abstrak psikologi pelanggan. Peneliti harus mengamati hubungan variabel laten

tersebut dengan variabel manifes. Berikut akan dijelaskan mengenai penulisan dan

penggambaran variabel – variabel yang terdapat pada SEM.

1. Variabel laten (variabel yang tidak dapat diukur secara langsung)

Di dalam SEM, variabel laten digambarkan dengan bulat oval atau elips. Ada

dua jenis variabel laten yaitu variabel laten endogen dan variabel laten eksogen.

Variabel laten endogen adalah variabel laten yang bergantung, atau variabel laten

yang tidak bebas. Variabel laten eksogen adalah variabel laten yang bebas. Dalam

SEM variabel laten eksogen dilambangkan dengan karakter ‘ksi’ (£) dan variabel

laten endogen dilambangkan dengan karakter ‘eta’ (5). Dalam bentuk grafis variabel

laten endogen menjadi target dengan satu anak panah (→) atau hubungan regresi,

sedangkan variabel laten eksogen menjadi target dengan 2 anak panah (↔) atau

hubungan korelasi.

Gambar 3.1: Penggambaran Variabel laten

Penjelasan gambar 3.1:

Terdapat 2 variabel laten eksogen yaitu harga 𝜁 1 dan pelayanan 𝜁 2 . Terdapat 2 variabel
laten
endogen yaitu kepuasan pelanggan 𝜂1 dan kesetiaan pelanggan 𝜂2 . Bila dilihat pada
gambar, 2variabel laten eksogen dihubungkan dengan 2 anak panah (  ) dan varabel endogen
dihubungkan dengan 1 anak panah  .
2. Variabel manifest

Variabel manifest adalah variabel yang langsung dapat diukur. Variabel

manifest digunakan sebagai indikator pada konstruk laten. Variabel manifest

digambarkan dengan kotak. Variabel manifest digunakan untuk membentuk konstruk

laten. Variabel manifest ini diwujudkan dengan pertanyaan – pertanyaan kepada

responden dengan skala likert. Responden akan diberi pertanyaan dengan 5 ketegori

jawaban yaitu sangat tidak setuju, tidak setuju, netral, setuju, dan sangat setuju

(Ghozali, 2005:11). Varibel manifest untuk membentuk konstruk laten eksogen

diberi symbol X sedangkan varibel manifest untuk membentuk konstruk laten

endogen diberi simbol Y.

Gambar 3.2: Penggambaran Variabel Manifest

Penjelasan Gambar 3.2:

Variabel laten pelayanan dipengaruhi oleh 2 indikator yang disebut variabel manifest

X1 (waktu memberi pelayanan yang relatif cepat) dan X2 (pegawai bagian pelayanan

yang ramah). Variabel laten kepuasan pelanggan 2 indikator yang disebut variabel

manifest Y1 (penilaian yang baik terhadap citra perusahaan) dan Y2 (rasa puas secara

keseluruhan terhadap perusahaan).

3. Model Struktural
 Model struktural meliputi hubungan antar variabel laten dan hubungan ini

dianggap linear. Parameter yang menggambarkan hubungan regresi antar variabel

laten umumnya ditulis dengan lambang 𝛾 untuk regresi variabel laten eksogen ke

variabel endogen dan ditulis dengan lambang 𝛽 untuk regresi satu variabel laten

endogen ke variabel endogen yang lainnya. Variabel laten eksogen dapat pula

dikorelasikan satu sama lain dan parameter yang menghubungkan korelasi ini ditulis

dengan lambang  . (Ghozali, 2005:11).

Gambar 3.3: Pemberian Lambang untuk Model Struktural

Penjelasan Gambar 3.3:

Hubungan antara harga dan pelayanan ditulis dengan lambang (Φ 21). Hubungan

antara harga dan kepuasan pelanggan ditulis dengan lambang (y11). Hubungan antara

pelayanan dan kepuasan pelanggan ditulis dengan lambang (y12). Hubungan antara

kepuasan pelanggan dan kesetiaan pelanggan ditulis dengan lambang (þ21)

4. Kesalahan Struktural (Structural Error)

Sangat tidak memungkinkan untuk melakukan prediksi secara sempurna, oleh

karena itu SEM memasukkan kesalahan structural yang ditulis dengan lambang

‘zeta’ (Ç). Kesalahan struktural ini dikorelasikan dengan variabel laten endogen.
 Gambar 3.4: Notasi Kesalahan Struktural

Penjelasan Gambar 3.4:

Dapat dilihat bahwa pada variabel laten kepuasan pelanggan dan variabel kesetiaan

pelanggan terhadap structural error yaitu 𝜁 1 dan 𝜁 2

5. Model Pengukuran (Measurement Model)

Setiap variabel laten biasanya dihubungkan dengan multiple measure.

Hubungan antar variabel laten dengan pengukurannya, dilakukan lewat factor

analytic measurement model, yaitu setiap variabel laten dibuat model sebagai faktor

umum dari pengukurannya. Nilai yang menghubungkan variabel laten dengan

pengukurannya diberi simbol ‘lamda’ . Penjelasan mengenai measurement model

dapat dilihat pada gambar 3.5.

Gambar 3.5: Pemberian Nilai pada Model Pengukuran

6. Kesalahan Pengukuran (Measurement Error)

 Kesalahan pengukuran yang berhubungan dengan pengukuran X diberi

lambang ‘delta’ (𝛿) sedangkan kesalahan pengukuran yang berhubungan dengan

pengukuran Y diberi lambang ‘ epsilon (𝜀). Penjelasan mengenai measurement

error dapat dilihat pada gambar 3.6.

Gambar 3.6: Notasi Kesalahan Pengukuran pada Model

Tabel Cara Penggambaran variabel dalam SEM.

Simbol Penjelasan

Kotak yang menggambarkan variabel manifes.

Bulat atau oval yang menggambarkan variabel

laten.

Menggambarkan laten variabel yang dipengaruhi

variabel laten yang lain dengan error laten.

Hubungan dua variabel manifes yang dipengaruhi

variabel manifes yang lain dengan nilai error.

 Variabel laten yang dipengaruhi variabel manifes

dengan nilai error yang independent.

(Timm, 2002:560)

B. Pendekatan Umum SEM

Pendekatan Umum SEM

Model persamaan struktural dengan variabel laten dan manifest dengan menggunakan model
Linear Structural Relationship (Timm, 2002:560) adalah :
Model persamaan struktural

Model persamaan pengukuran untuk y

Model persamaan pengukuran untuk x

dengan:

keterangan:
Y : variabel manifest untuk variabel laten endogen
X : variabel manifest untuk variabel laten eksogen
𝜂 : (eta), variabel laten endogen
𝜉 : (ksi), variabel laten eksogen
𝜀 : (epsilon), kesalahan pengukuran (error) yang berhubungan dengan Y
𝛿: (delta), kesalahan pengukuran (error) yang berhubungan dengan X
𝜍: (zeta), kesalahan pengukuran (error) dalam persamaan struktural
Γ : (gamma), matriks koefisien jalur untuk hubungan variabel laten endogen dan variabel
laten eksogen
B : (beta), matriks koefisien jalur untuk hubungan antar variabel laten endogen
Notasi pembentukan model struktural dalam SEM dapat pula ditulis dalam bentuk
matriks. Tabel di bawah ini menunjukan penulisan notasi matriks pada SEM (Hair, et.al,
1998: 16)
 Tabel 3.2: Notasi Matriks SEM dengan Model Lisrel

dengan:

n: Banyaknya variabel

laten eksogen m :

Banyaknya variabel

laten endogen

p: Banyaknya variabel manifest untuk variabel

laten endogen q : Banyaknya variabel manifest

untuk variabel laten eksogen

 Contoh diagram jalur pada SEM yang mengandung variabel laten dan manifest

adalah sebagai berikut:

Gambar 3.7: Contoh diagram Model struktural

Penjelasan Gambar 3.1 :

 Terdapat 2 variabel laten eksogen yaitu 𝜉 1 dan 𝜉 2 masing–masing variabel diukur

dengan variabel manifest yang dilambangkan dengan X. Untuk nilai eror yang

berhubungan dengan X dilambangkan dengan𝛿.

 Terdapat 2 variabel laten endogen yaitu 𝜂1 dan 𝜂 2 masing–masing variabel

diukur dengan variabel manifest yang dilambangkan dengan Y. Untuk nilai eror

yang berhubungan dengan Y dilambangkan dengan 𝜀.

 Hubungan antar 2 variabel eksogen dilambangkan dengan 𝜑, dan hubungan

korelasi antar keduanya dilukiskan dengan 2 anak panah.

 Semua variabel laten endogen diberi nilai residual regression dengan lambang 𝜍.
 Koefisien regresi antara variabel laten eksogen dengan variabel laten endogen
diberi lambang y.

 Hubungan antar 2 variabel endogen dilambangkan dengan þ.

 Model pengukuran untuk X adalah :

 Variabel laten eksogen

𝜉1

 Variabel laten eksogen

𝜉2

 Model pengukuran untuk Y

 Variabel laten

𝜂1

 Variabel laten 𝜂 2
 Model persamaan struktural adalah hubungan antar variabel laten yang

dapat ditulis sebagai persamaan berikut ini:

Terdapat tiga alternatif strategi pengembangan model yang disarankan oleh

Hair et al. (2006), yaitu:
1) Confirmatory modeling strategy, yaitu strategi pemodelan yang bertujuan menguji tingkat
signifikansi model tunggal. Jika model yang diusulkan dapat diterima atau sesuai dengan
kriteria tertentu, peneliti tidak melakukan pembuktian model yang diusulkan tersebut,
melainkan hanya mengkonfirmasi sebagai salah satu model dari beberapa model dapat
diterima.
2) Competing model strategy, yaitu strategi pemodelan yang bertujuan mengevaluasi
beberapa model alternatif yang diusulkan peneliti berdasarkan kajian teoritis yang telah
dilakukan. Masing-masing model alternative merepresentasikan hipotesis hubungan
struktural yang cukup berbeda. Selanjutnya, masing-masing model diidentifikasi berdasarkan
uji-uji yang ditentukan dan dievaluasi sesuai dengan kerangka konseptual yang dibangun.
3) Model development strategy, yaitu strategi pemodelan yang bertujuan untuk memperbaiki
suatu model dasar melalui modifikasi model pengukuran atau model struktural atau kedua-
duanya yang diistilahkan sebagai respesifikasi model. Pengembangan model SEM dengan
menggunakan strategi ini, teori diposisikan sebagai titik awal untuk pengembangan model
yang memiliki justifikasi secara teoritis dan didukung data empirik.

Asumsi
Untuk menggunakan SEM diperlukan asumsi-asumsi yang mendasari penggunaannya. Asumsi
tersebut diantaranya adalah:
1. Normalitas Data

Uji normalitas yang dilakukan pada SEM mempunyai dua tahapan. Pertama menguji normalitas
untuk setiap variabel, sedangkan tahap kedua adalah pengujian normalitas semua variabel secara
bersama-sama yang disebut dengan multivariate normality. Hal ini disebabkan jika setiap
variabel normal secara individu, tidak berarti jika diuji secara bersama (multivariat) juga pasti
berdistribusi normal.
2. Jumlah Sampel

Pada umumnya dikatakan penggunaan SEM membutuhkan jumlah sampel yang besar. Menurut
pendapat Ferdinand (2002) dalam Wuensch (2006) bahwa ukuran sampel untuk pengujian model
dengan menggunakan SEM adalah antara 100-200 sampel atau tergantung pada jumlah parameter
yang digunakan dalam seluruh variabel laten, yaitu jumlah parameter dikalikan 5 sampai 10. Satu
survei terhadap 72 penelitian yang menggunakan SEM didapatkan median ukuran sampel
sebanyak 198. Untuk itu jumlah sampel sebanyak 200 data pada umumnya dapat diterima sebagai
sampel yang representatif pada analisis SEM.
3. Multicolinnearity dan Singularity

Suatu model dapat secara teoritis diidentififikasi tetapi tidak dapat diselesaikan karena masalah-
masalah empiris, misalnya adanya multikolinearitas tinggi dalam setiap model

4. Data interval
Sebaiknya data interval digunakan dalam SEM. Sekalipun demikian, tidak seperti pada analisis
jalur, kesalahan model-model SEM yang eksplisit muncul karena penggunaan data ordinal.
Variabel-variabel eksogenous berupa variabel-variabel dikotomi 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.
2.1.6 Bagian SEM
Secara umum, sebuah model SEM dapat dibagi menjadi dua bagian utama, yaitu:
1. Measurement Model

Measurement model adalah bagian dari model SEM yang menggambarkan hubungan antara
variabel laten dengan indikator-indikatornya.
2. Structural Model

Structural model menggambarkan hubungan antar variabel-variabel laten atau antar variabel
eksogen dengan variabel laten.
2.1.7 Proses Analisis SEM
Menurut Hair et al (1995) dalam Hartono (2006), ada 7 (tujuh) langkah yang harus dilakukan
apabila menggunakan Structural Equation Modeling (SEM) yaitu:
1. Pengembangan model teoritis

Dalam langkah pengembangan model teoritis, hal yang harus dilakukan adalah melakukan
serangkaian eksplorasi ilmiah melalui telaah pustaka guna mendapatkan justifikasi atas model
teoritis yang akan dikembangkan. SEM digunakan bukan untuk menghasilkan sebuah model,
tetapi digunakan untuk mengkonfirmasi model teoritis tersebut melalui data empirik.
2. Pengembangan diagram alur

Dalam langkah kedua ini, model teoritis yang telah dibangun pada tahap pertama akan
digambarkan dalam sebuah diagram alur, yang akan mempermudah untuk melihat hubungan
kausalitas yang ingin diuji. Dalam diagram alur, hubungan antar konstruk akan dinyatakan
melalui anak panah. Anak panah yang lurus menunjukkan sebuah hubungan kausal yang
langsung antara satu konstruk lainnya. Sedangkan garis-garis lengkung antar konstruk dengan
anak panah pada setiap ujungnya menunjukkan korelasi antara konstruk.
Konstruk yang dibangun dalam diagram alur dapat dibedakan dalam dua
kelompok, yaitu :
1) Konstruk eksogen (exogenous constructs), yang dikenal juga sebagai source variables atau
independent variables yang akan diprediksi oleh variabel yang lain dalam model. Konstruk
eksogen adalah konstruk yang dituju oleh garis dengan satu ujung panah.
2) Konstruk endogen (endogen constructs), yang merupakan faktor-faktor yang diprediksi oleh
satu atau beberapa konstruk. Konstruk endogen dapat memprediksi satu atau beberapa konstruk
endogen lainnya, tetapi konstruk eksogen hanya dapat berhubungan kausal dengan konstruk
endogen.

3. Konversi diagram alur ke dalam persamaan

Persamaan yang didapat dari diagram alur yang dikonversi terdiri dari :
1) Persamaan struktural (structural equation) yang dirumuskan untuk menyatakan hubungan
kausalitas antar berbagai konstruk.

Variabel endogen = variabel eksogen + variabel endogen + error

2) Persamaan spesifikasi model pengukuran (measurement model), dimana harus ditentukan
variabel yang mengukur konstruk dan menentukan serangkaian matriks yang menunjukkan
korelasi antar konstruk atau variabel.

4. Memilih matriks input dan estimasi model

SEM menggunakan input data yang hanya menggunakan matriks varians/kovarians atau matriks
korelasi untuk keseluruhan estimasi yang dilakukan.
Matriks kovarian digunakan karena SEM memiliki keunggulan dalam menyajikan
perbandingan yang valid antara populasi yang berbeda atau sampel yang berbeda, yang tidak
dapat disajikan oleh korelasi. Hair et.al (1996) menyarankan agar menggunakan matriks
varians/kovarians pada saat pengujian teori sebab lebih memenuhi asumsi-asumsi metodologi
dimana standar error menunjukkan angka yang lebih akurat dibanding menggunakan matriks
korelasi.
5. Kemungkinan munculnya masalah identifikasi

Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan dari model yang
dikembangkan untuk menghasilkan estimasi yang unik. Bila setiap kali estimasi dilakukan
muncul problem identifikasi, maka sebaiknya model dipertimbangkan ulang dengan
mengembangkan lebih banyak konstruk.

6. Evaluasi kriteria goodness of fit

Pada tahap ini dilakukan pengujian terhadap kesesuaian model melalui telaah
terhadap berbagai kriteria goodness of fit. Berikut ini beberapa indeks kesesuaian dan cut off
value untuk menguji apakah sebuah model dapat diterima atau ditolak menurut Ferdinand (2000)
:
1) Uji Chi-square, dimana model dipandang baik atau memuaskan bila nilai Chi-square nya
rendah. Semakin kecil nilai chi-square semakin baik model itu dan nilai signifikansi lebih besar
dari cut off value (p>0,05).

2) RMSEA (The Root Mean Square Error of Approximation), yang menunjukkan goodness of fit
yang dapat diharapkan bila model diestimasi dalam populasi (Hair et.al., 1995). Nilai RMSEA
yang lebih kecil atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya model yang
menunjukkan sebuah close fit dari model itu berdasarkan degrees of freedom.

3) GFI (Goodness of Fit Index) adalah ukuran non statistikal yang mempunyai rentang nilai
antara 0 (poor fit) sampai dengan 1.0 (perfect fit). Nilai yang tinggi dalam indeks ini
menunjukkan sebuah "better fit".
4) AGFI (Adjusted Goodness of Fit Index), dimana tingkat penerimaan yang direkomendasikan
adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0,90.

5) CMIN/DF adalah The Minimum Sample Discrepancy Function yang dibagi dengan Degree of
Freedom. Chi-square dibagi DF-nya disebut chi-square relatif. Bila nilai chi-square relatif
kurang dari 2.0 atau 3.0 adalah indikasi dari acceptable fit antara model dan data.
6) TLI (Tucker Lewis Index), merupakan incremental index yang membandingkan sebuah model
yang diuji terhadap sebuah baseline model, dimana sebuah model ≥ 0,95 dan nilai yang
mendekati 1 menunjukkan a very good fit.

7) CFI (Comparative Fit Index), dimana bila mendekati 1, mengindikasi tingkat fit yang paling
tinggi. Nilai yang direkomendasikan adalah CFI ≥ 0,94.

Dengan demikian indeks-indeks yang digunakan untuk menguji kelayakan sebuah model adalah
seperti dalam Tabel 2.1 berikut ini :

Tabel 2.1 Indeks Pengujian Kelayakan Model

No Goodness of Fit index Cut off value
1 Chi-square Diharapkan kecil (dibawah
nilai tabel)
2 Signifikansi ≥ 0,05
3 RMSEA ≤ 0,08
4 GFI ≥ 0,90
5 AGFI ≥ 0,90
6 CMIN/DF ≤ 2,00
7 TLI ≥ 0,95
8 CFI ≥ 0,94

7. Interpretasi dan modifikasi model

Tahap terakhir ini adalah menginterpretasikan model dan memodifikasi model
bagi model-model yang tidak memenuhi syarat pengujian yang dilakukan. Tujuan modifikasi
adalah untuk melihat apakah modifikasi yang dilakukan dapat menurunkan nilai chi-square;
seperti diketahui, semakin kecilnya angka chi-square menunjukkan semakin fit model tersebut
dengan data yang ada.
Proses SEM tentu tidak bisa dilakukan secara manual selain karena keterbatasan kemampuan
manusia, juga karena kompleksitas model dan alat statistik yang digunakan. Walaupun banya ahli
yang sudah menyadari perlunya membuat model yang dapat menjelaskan banyak fenomena sosial
dalam hubungan banyak variabel, namun mereka belum dapat menangani kompleksitas
perhitungan matematisnya. Saat ini banyak software yang khusus digunakan untuk analisis model
SEM, seperti LISREL, AMOS, EQS dan Mplus. Pada penelitian ini, peneliti menggunakan
AMOS 18.0 sebagai alat analisisnya.
Sebagai sebuah model persamaan struktur, AMOS telah sering digunakan dalam pemasaran dan
penelitian manajemen strategik. Model kausal AMOS menunjukkan pengukuran dan masalah
yang struktural dan digunakan untuk menganalisis dan menguji model hipotesis. AMOS sangat
tepat untuk analisis seperti ini, karena kemampuannya untuk : (1) memperkirakan koefisien
yang tidak diketahui dari persamaan linier struktural, (2) mengakomodasi model yang meliputi
latent variabel, (3) mengakomodasi kesalahan pengukuran pada variabel dependen dan
independen, (4) mengakomodasi peringatan yang timbal balik, simultan dan saling
ketergantungan.

Kenggulan-Keunggulan SEM
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;

Aplikasi Utama 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.

Melakukan olah data sem lebih rumit, karena sem dibangun oleh model pengukuran dan modl
struktual.
Untuk melakukan olah data sem dengan lebih mudah, tentu kita membutuhkan bantuan software
statistic. Saat ini sudah tersedia berbagai macam software untuk olah data SEM di antaranya
adalah Lisrel, AMOS, dan Smart PLS. Diantara software-software statistik tersebut, mana yang
cocok digunakan.
Kelebihan Lisrel

Lisrel dikembangkan oleh Karl Jöreskog and Dag Sörbom. Lisrel adalah software statistik yang
digunakan paling meluas dikalangan peneliti maupun praktisi. Kelebihan dari software lisrel
adalah kemampuannya mengidentifikasi hubungan antara variabel yang kompleks. Cara
mengoperasikannya yang terdiri dari bebagai pilihan, baik dengan syntax maupun dengan
program sederhana, menjadikannya lebih banyak digunakan berbagai kalangan. Syntax tentu
akan disukai bagi pengguna yang memang faham dengan bahasa pemograman. Sementara
Simplis atau simple lisrel merupakan alternatif bagi mereka yang awam dengan bahasa
pemograman.

Pilihan berbagai metode estimasi sudah tersedia di Lisrel, sehingga tidak terpaku kepada satu
metode estimasi Maximum Likelihood. Itu tergantung kondisi data, metode estimasi mana yang
akan kita gunakan.

Kekurangan Lisrel

Satu hal kekurangan dari software lisrel ini adalah ketidakmampuannya mengolah data sem
dengan jumlah sampel yang sedikit. Ketika kita memiliki sampel kurang dari 200, sementara
modelnya kompleks, maka terkadang hasil estimasi tidak sesuai dengan harapan kitan.

Kelebihan Amos

Sama halnya dengan SPSS, AMOS merupakan software statistika yang dikembangkan oleh IBM.
Sofware amos memang dikhususkan untuk membantu menguji hipotesis hubungan antar variabel.
Melalui software ini, kita dapat mengetahui tingkat kekuatan hubungan antara variabel baik
antara variabel laten maupun dengan variabel manifest. Seberapa signifikan hubungan antara
variabel, dan seberapa fit model hipotesis dibandingkan dengan data riil lapangan.

Kelebihan Amos adalah kita tidak memerlukan syntax atau bahasa pemograman yang rumit untuk
mengoperasikan software ini. Bagi pemula, atau yang awam dengan bahasa pemograman tentu
ini merupakan keuntungan tersendiri. Melalui amos, kita cukup menggambarkan variabel laten
dan variabel manifest, lalu menghubungkannya melalui panah-panah yang tersedia.

Kekurangan Amos

Kelebihan amos sekaligus menjadi kekurangan Amos. membuat gambar yang sangat banyak
ketika model sudah kompleks, tentu menjadi pekerjaan yang sangat membosankan. Padahal,
pekerjaan tersebut dapat dilakukan dengan lebih sederhana melalui bahasa pemograman. Kita
tinggal copy syntax dan mengganti beberapa variabel, kemudan running, maka selesailah
sekompleks apapun model yang hendak dibuat.

Kelebihan Smart PLS

Smart PLS atau Smart Partial Least Square adalah software statistik yang sama tujuannya dengan
Lisrel dan AMOS yaitu untuk menguji hubungan antara variabel, baik sesama variabel latent
maupun dengan variabel indikator, atau manifest.

Penggunaan Smart PLS sangat dianjutkan ketika kita mememiliki keterbatasan jumlah sampel
sementara model yang dibangung kompleks. hal ini tidak dapat dilakukan ketika kita
menggunakan kedua software di atas. mereka membutuhkan kecukupan sampel.

Kelebihan lainnya dai Smart PLS adalah kemampuannya mengolah data baik untuk model SEM
formatif ataupun reflektif. model SEM formatif memiliki ciri-ciri diantaranya adalah variabel
latent atau konstruk dibangun oleh variabel indikator dimana panah mengarah dari variabel
konstruk ke variabel indikator. Model SEM reflektif adalah model SEM dimana variabel konstruk
merupakan refleksi dari variabel indikator, sehingga panahnya mengarah dari variabel indikator
ke variabel latent. Secara statistik, konsekuensinya adalah tidak akan ada nilai error pada variabel
indikator.

Kekurangan Smart PLS

Oleh karena software ini dkhususkan untuk melakukan olah data sem dengan sampel kecil, maka
tidak cocok digunakan untuk penelitian dengan sample besar