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.
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
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
tersebut dengan variabel manifes. Berikut akan dijelaskan mengenai penulisan dan
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.
responden dengan skala likert. Responden akan diberi pertanyaan dengan 5 ketegori
jawaban yaitu sangat tidak setuju, tidak setuju, netral, setuju, dan sangat setuju
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
3. Model Struktural
Model struktural meliputi hubungan antar variabel laten dan hubungan ini
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
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
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
Dapat dilihat bahwa pada variabel laten kepuasan pelanggan dan variabel kesetiaan
analytic measurement model, yaitu setiap variabel laten dibuat model sebagai faktor
Simbol Penjelasan
laten.
(Timm, 2002:560)
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
dengan variabel manifest yang dilambangkan dengan X. Untuk nilai eror yang
diukur dengan variabel manifest yang dilambangkan dengan Y. Untuk nilai eror
Semua variabel laten endogen diberi nilai residual regression dengan lambang 𝜍.
Koefisien regresi antara variabel laten eksogen dengan variabel laten endogen
diberi lambang y.
𝜉1
𝜉2
Variabel laten
𝜂1
Variabel laten 𝜂 2
Model persamaan struktural adalah hubungan antar variabel laten yang
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.
Persamaan yang didapat dari diagram alur yang dikonversi terdiri dari :
1) Persamaan struktural (structural equation) yang dirumuskan untuk menyatakan hubungan
kausalitas antar berbagai konstruk.
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.
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 :
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;
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.
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.
Oleh karena software ini dkhususkan untuk melakukan olah data sem dengan sampel kecil, maka
tidak cocok digunakan untuk penelitian dengan sample besar