SEM-PLS

Fransisca - 041914253017
Putu Nidia M - 041914253021
 DEFINISI DAN FUNGSI SEM
Structural equation modeling (SEM) merupakan 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).

Fungsi SEM :
1. Memungkinkan adanya asumsi-asumsi yang lebih fleksibel;
2. Penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk mengurangi kesalahan pengukuran
dengan memiliki banyak indikator dalam satu variabel laten;
3. Daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca keluaran hasil analisis;
4. Adanya pengujian model secara keseluruhan dari pada koefesien-koefesien secara sendiri-sendiri;
5. Kemampuan untuk menguji model - model dengan menggunakan beberapa variabel tergantung;
6. Kemampuan untuk membuat model terhadap variabel-variabel perantara;
7. Kemampuan untuk membuat model gangguan kesalahan (error term);
8. Kemampuan untuk menguji koefesien-koefesien diluar antara beberapa kelompok subyek;
9. Kemampuan untuk mengatasi data yang sulit, seperti data time series dengan kesalahan otokorelasi, data yang
tidak normal, dan data yang tidak lengkap.
 APLIKASI UTAMA SEM
1. Causal modeling menyusun hipotesis hubungan-hubungan sebab akibat (causal relationships) diantara
variabel - variabel dan menguji model-model sebab akibat (causal models) dengan menggunakan sistem
persamaan linier.
2. Confirmatory factor analysis, teknik kelanjutan dari analisis faktor dimana dilakukan pengujian hipotesis -
hipotesis struktur factor loadings dan interkorelasinya.
3. 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. 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. Covariance structure models, 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. Correlation structure models, yang mana model tersebut menghipotesakan bahwa matrix korelasi
mempunyai bentuk tertentu.
ASUMSI DASAR
1. Distribusi normal indikator - indikator multivariat, masing-masing indikator mempunyai nilai yang berdistribusi normal
terhadap masing-masing indikator lainnya.
2. Distribusi normal multivariat variabel-variabel tergantung laten, masing-masing variabel tergantung laten dalam model
harus didistribusikan secara normal untuk masing-masing nilai dari masing-masing variabel laten lainnya.
3. Linieritas, SEM mempunyai asumsi adanya hubungan linear antara variabel-variabel indikator dan variabel-variabel laten, serta
antara variabel-variabel laten sendiri.
4. Pengukuran tidak langsung, secara tipikal, semua variabel dalam model merupakan variabel-variabel laten.
5. Beberapa indikator, beberapa indikator harus digunakan untuk mengukur masing-masing variabel laten dalam model.
6. Rekursivitas, semua anak panah menuju satu arah, tidak ada arah umpan balik (feedback looping), dan faktor gangguan
(disturbance terms) atau kesalahan sisaan (residual error) untuk variabel-variabel endogenous yang tidak dikorelasikan.
7. Data interval, sebaiknya data interval digunakan dalam SEM.
8. Ketepatan yang tinggi, 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.
9. Residual-residual acak dan kecil, residual - residual besar menunjukkan kesalahan spesifikasi model, sebagai contoh, beberapa
jalur mungkin diperlukan untuk ditambahkan ke dalam model tersebut.
10. Gangguan kesalahan yang tidak berkorelasi
11. Kesalahan residual yang tidak berkorelasi, kovarian nilai – nilai variabel tergantung yang diprediksi dan residual – residual
harus sebesar 0.
12. Multikolinearitas yang lengkap, multikolinearitas diasumsikan tidak ada, tetapi korelasi antara semua variabel bebas dapat
dibuat model secara eksplisit dalam SEM.
13. Ukuran Sampel, tidak boleh kecil karena SEM bergantung pada pengujian-pengujian yang sensitif terhadap ukuran sampel dan
magnitude perbedaan-perbedaan matrices kovarian.
 ACUAN INDEKS KECOCOKAN MODEL
Untuk mengetahui apakah model yang dibuat didasarkan pada data observasi sesuai dengan model teori atau tidak
diperlukan acuan indeks kecocokan model.

1. Nilai Chi Square, semakin kecil maka model semakin sesuai antara model teori dan data sampel. Nilai ideal
sebesar <3.
2. Rasio Kritis, nilai ini diperoleh dari estimasi parameter dibagi dengan standard error . Besar nilai CR adalah 1,96
untuk pembobotan regresi dengan significance sebesar 0,05 untuk koefesien jalurnya.
3. Jika nilai CR > 1,96, jika nilai CR > 1,96 maka kovarian - kovarian faktor mempunyai hubungan signifikan
4. Jika koefesien struktural dibuat standar, misalnya 2; maka var laten tergantung akan meningkat sebesar 2
5. Kesalahan pengukuran sebaiknya sebesar 0
6. Pembobotan regresi : sebesar 1, tidak boleh sama dengan 0, bersifat random jika ada tanda ‘$’
7. Spesifikasi model dengan nilai konstan 1
8. Maximum Likehood Estimation akan bekerja dengan baik pada sampel sebesar >2500
9. Significance level sebaiknya <0.05
10. Reliabilitas konstruk : minimal sebesar 0,70 untuk faktor loadings
11. Uji lanjut reliabilitas : nilai minimal 0.5 semakin mendekati 1 semakin reliabel
12. Goodness of fit index : mengukur jumlah relatif varian dan kovarian 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
 SEM MENGGUNAKAN PLS

SEM menggunakan PLS terdiri tiga

komponen, yaitu model struktural, model
pengukuran dan skema pembobotan. Bagian
ketiga ini merupakan ciri khusus SEM
dengan PLS dan tidak ada pada SEM yang
berbasis kovarian. Jika digambarkan model
akan seperti dibawah ini.
DATA YANG DAPAT DIANALISIS DENGAN PLS SEM
Tidak harus memenuhi persyaratan asumsi normalitas data; dengan demikian PLS - SEM memberi kelonggaran pada
data yang tidak berdistribusi normal. Hal ini berbeda dengan SEM yang berbasis kovarian yang selama ini dikenal
banyak orang dimana normalitas data menjadi suatu keharusan dalam prosedur tersebut. Dengan demikian PLS SEM
menjadi suatu prosedur alternatif selain SEM yang berbasis kovarian, karena dalam praktik / kenyataan kita sering
menemukan bahwa data yang akan kita oleh tidak berdistribusi normal. Oleh karena itu sebelum kita menggunakan
prosedur ini, sebaiknya kita melakukan pengujian terlebih dahulu seperti apa distribusi data kita. Sekalipun demikian
data yang berdistribusi normal juga dapat dipergunakan dalam PLS SEM sebagaimana kita menggunakan data
tersebut dalam SEM yang berbasis kovarian.
SKALA PENGUKURAN
Karena akar dari PLS SEM adalah regresi linier sebagaimana sudah kita ketahui bahwa dalam regresi linier skala
pengukuran yang dipergunakan harus setidak-tidaknya berskala interval; maka data yang akan diolah dengan
menggunakan PLS SEM sebaiknya merupakan data dengan skala pengukuran interval. Sekalipun demikian hal ini
tidak menjadi keharusan dalam PLS SEM. PLS SEM memberi kelonggaran kepada pengguna untuk menggunakan
skala pengukuran selain interval dimana hal ini tidak diijinkan dalam SEM yang berbasis kovarian yang selama ini
kita kenal.
ASUMSI DALAM PLS SEM
1. PLS SEM tidak memperlakukan data sebagaimana dalam SEM yang berbasis kovarian dimana dalam SEM tersebut data
diharuskan berdistribusi normal. Kelonggaran ini memungkinkan kita menggunakan data yang tidak berdistribusi normal.
2. PLS SEM dapat menggunakan ukuran sampel yang kecil tidak seperti pada SEM yang berbasis kovarian yang mengharuskan
peneliti menggunakan ukuran sampel yang besar dikarenakan SEM merupakan suatu prosedur yang dikategorikan kedalam
prosedur multivariat dimana hampir semua prosedur multivariat mengharuskan jumlah data yang besar, misalnya
setidak-tidaknya 400.
3. Tidak mengharuskan randomisasi sampel dengan demikian sampel yang dipilih dengan pendekatan non-probabilitas, seperti
‘accidental sampling’, ‘purposive sampling’ dan sejenisnya dapat digunakan dalam PLS SEM.
4. Memberbolehkan indikator formatif dalam mengukur variabel laten selain indikator reflektif. Hal ini tidak diijinkan dalam SEM
berbasis kovarian yang menggunakan indikator reflektif saja.
5. PLS SEM mengijinkan adanya variabel laten dikotomi
6. Distribusi residual dalam PLS SEM tidak diharuskan seperti pada SEM yang berbasis kovarian dimana dalam SEM tersebut
distribusi residual harus sekecil mungkin seperti pada regresi linier.
7. PLS SEM cocok digunakan sebagai prosedur yang digunakan untuk mengembangkan teori pada tahap awal. Hal ini berbeda
dengan SEM yang berbasis kovarian yang menggunakan teori untuk dikonfirmasi dengan menggunakan data sampel.
8. Pendekatan regresi dalam PLS SEM lebih cocok dibandingkan dalam SEM yang berbasis kovarian.
Langkah - langkah Pengujian WarpPLS 5.0
● Pengujian outer
○ Uji Validitas (Convergent Validity) dalam model pengukuran dapat dianalisis melalui hubungan antara skor
indikator dan skor konstruk (loading factor) dan dapat dinyatakan valid apabila loading factor setiap
indikator memiliki nilai >0,70 dan dinyatakan signifikan apabila nilai p-value <0,05.
○ Discriminant Validity pengujian ini dilakukan dengan melihat nilai loading konstruk laten, yang mampu
memprediksi indikatornya lebi baik dai indikator yang lainnya. Kriteria discriminant validity dinyatakan
terpenuhi apabila korelasi konstruk dengan setiap indikator lebih besar daripada ukuran konstruk yang
lainnya.
○ Uji Reliabilitas merupakan langkah yang dilakukan dengan menguji dua kriteria yang terdiri dari composite
realibility coefficient dan cronbach’s alpha coefficient dengan syarat memiliki nilai > 0,70.
● Pengujian inner
2
○ Pengujian inner model ditinjau melalui nilai adjusted R dengan mempertimbangkan nilai Q-square.
● Pengujian Model Fit
○ Pengujian model fit bertujuan untuk menemukan model yang fit dengan data originalnya sehingga dapat
menentukan kualitas model. Pengujian model fit dilakukan dengan mempertimbangkan dua indeks yang
terdiri dari average path coefficient (APC) dan average variance factor (AVIF). APC digunakan untuk
mengukur rata-rata nilai koefisien jalur yang diukur dengan p-value <0,05. Sedangkan AVIF digunakan untuk
menguji masalah colleniarity pada model PLS dengan nilai <5 (Ratmono & Sholihin, 2013:61).
Langkah-langkah Mengolah Data
dengan WarpPLS 5.0
Interpretasi Hasil Indikator BS PDKIN KI CSRD FP SE P < keterangan
Value
Olah Data
1. Pengujian Outer Model BS 1.000 0.000 -0.000 0.000 0.000 0,070 <0.001 Memenuhi

Pengukuran outer model dalam

penelitian ini dilakukan dengan mengukur PKIND 0.000 1.000 -0.000 0.000 -0.000 0,070 <0.001 Memenuhi
refleksi indikator yang dinilai berdasarkan
korelasi antara component score atau item
KI -0.000 0.000 1.000 0.000 0.000 0,070 <0.001 Memenuhi
score yang diestimasi dengan nilai outer
loading factor.

CSRD 0.000 0.000 -0.000 1.000 0.000 0,070 <0.001 Memenuhi

a) Hasil Combined loadings
dan cross-loadings
(Gambar disamping)
ROA 0.032 0.054 0.002 0.034 0.967 0,070 <0.001 Memenuhi

ROE -0.032 -0.054 -0.002 -0.034 0.967 0,070 <0.001 Memenuhi

 Indikator BS PKIND KI CSRD FP

BS (1.000) -0.141 0.216 0.187 0.259

Lanjutan PKIND -0.141 (1.000) -0.094 0.096 -0.434

KI 0.216 -0.094 (1.000) -0.045 0.238

b) Uji Validitas
CSRD 0.187 0.096 -0.045 (1.000) 0.014
→ Discriminant validity diukur dengan
membandingkan nilai square root Average FP 0.259 -0.434 0.238 0.014 (0.967)
Variance Extracted (AVE) setiap konstruk
dengan korelasi antar konstruk lainnya
dalam model.

c) Uji Reliabilitas BS PKIND KI CSRD FP Keterangan

→ dengan menggunakan nilai composite

reliability dan Cronbach's alpha dilakukan Composite 1.000 1.000 1.000 1.000 0.966 Memenuhi
untuk mengukur reliabilitas dari setiap Reliability
konstruk.
Cronbach's alpha 1.000 1.000 1.000 1.000 0.930 Memenuhi
Lanjutan Variabel Dependen Nilai Adjusted R2 Nilai Q-square

2. Pengujian Inner Model

Corporate Social Responsibility 0.048 0.076
Pengukuran inner model ditinjau dari nilai
adjusted R2 dengan mempertimbangkan Disclosure
nilai Q-Square.

Financial performance (kinerja 0.361 0.396

keuangan)
Lanjutan
3. Pengujian Model Fit

Hasil olah data pada tabel disamping Average Path Coefficient (APC) 0.199 ; P=0.005

menunjukkan bahwa model dalam penelitian

Average R-squared (ARS) 0.226 ; P=0.002
ini dinyatakan fit. APC, ARS dan AARS

mempunyai p-value 0,05. Sedangkan nilai dari Average Adjusted R-squared (AARS) 0.204; P=0.004

AVIF 3,3 menunjukkan bahwa tidak ada

Average Block Variance Inflation Factor (AVIF) 1.049
masalah multicollinearity antara indikator dan

variabel yang digunakan.