Handout 12

MODEL PERSAMAAN STRUKTURAL

(Structural Equation Modeling, SEM)

Kusnendi

SEKOLAH PASCASARJANA
UNIVERSITAS PENDIDIKAN INDONESIA
2019
 A. Mengapa SEM?
• Semangat para pakar disiplin ilmu-ilmu sosial dan perilaku (social and behavioral
sciences) untuk selalu meningkatkan kualitas hasil penelitian kuantitatif.
• Asumsi analisis jalur, semua variabel yang diteliti dapat diobservasi langsung tidak
sesuai dengan kenyataan. Dalam penelitian ilmu-ilmu sosial dan ilmu perilaku,
variabel yang diteliti pada umumnya merupakan variabel yang tidak dapat
diobservasi langsung, bersifat laten serta bersifat multi-indikator dan juga multi-
dimensi (second order factor).
• Metode analisis jalur perlu dimodifikasi dari the causal models for direcly observed
variables menjadi the causal models for unobserved variables atau path analysis
with latent variables (Jöreskog & Sörbom, 1993: 28). Bagaimana caranya? Caranya,
model pengukuran dan model struktural variabel laten digabungkan secara simultan.
Hasilnya, diperoleh satu metode analisis data multivariat dependensi, Structural
Equation Modeling (SEM) atau Linear Structural Relationships (LISREL).
• “SEM techniques are therefore a more preferred method to confirm (or disconfirm)
theoretical models.” (Schumacker & Lomax, 2016: 6).
 B. Apa SEM (LISREL) itu?
• “SEM are often diagrammed by using path models in which the factors
(hypothetical contructs) are viewed as latent variables. These structrural equation
models typically consist of two parts: measurement model, and the structural
equation model.” (Schumacker & Lomax, 1996: 49-50).
• “Structural equation models (SEM) combine path models and confirmatory factor
models when establishing hypothesized relations amongst latent variables.”
(Schumacker & Lomax, 2016: 5).
• “The LISREL model, in its most general form, consists of two parts: the
measurement model and the structural equation model. The measurement model
specifies how the latent variables or hyphotetical contructs depend upon or are
indicated by the observed variables. It is describes the measurement properties
(realibility and validity). The structural equation model specifies the causal
relationships among the latent variables.” (Jöreskog & Sörbom, 1996: 1).
 Penelitian
Konsep, kuantitatif: Hubungan
Konstruk, TES TEORI antara
Definisi variabel

MODEL PENGUKURAN MODEL STRUKTURAL

MASALAH PENELITIAN MASALAH PENELITIAN

DESKRIPTIF EKSPLANASI
Apakah indikator- Bagaimana pengaruh
indikator (variabel variabel laten penyebab
manifes) yang terhadap variabel laten
dikonsepsikan secara akibat? Berapa besar
unidimensional, tepat dan pengaruh langsung, tidak
konsisten dapat langsung, dan total
menjelaskan konstruk variabel laten penyebab
atau variabel laten yang terhadap variabel laten
diteliti? akibat?

Confirmatory MODEL Path Analysis

Factor PERSAMAAN with Latent
Analysis (CFA) STRUKTURAL Variables
(SEM)
 KESIMPULAN
• SEM merupakan kombinasi teknik analisis data multivariat
interdependensi dan dependensi, yaitu analisis faktor konfirmatori,
analisis regresi dan analisis jalur.
• SEM bertujuan bukan untuk menghasilkan model melainkan menguji
atau mengkonfirmasikan model berbasis teori, yaitu model
pengukuran dan model struktural. “Thus, the point of SEM is to test a
theory” (Kline, 2016: 10). “SEM should never be attempted without a
strong theoretical basis for specification of both the measurement and
structural models.” (Hair Jr., dkk., 2014: 554).
• Variabel yang dianalisis adalah variabel laten (konstruk), yaitu variabel
yang tidak dapat diobservasi langsung (unobservable) tetapi diukur
melalui indikator-indikator terukur atau variabel manifes.
 C. Asumsi SEM
• Ukuran Sampel. Ukuran sampel minimal 100 dan selanjutnya menggunakan perbandingan 5
observasi untuk setiap estimated parameter (Kline, 2016). “Sample sizes in the range of 100 to
400 are suggested.” (Hair Jr., dkk., 2014: 573).
• Normalitas. Sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi
sehingga data dapat diolah lebih lanjut untuk pemodelan SEM. Uji normalitas perlu dilakukan
baik untuk normalitas data tunggal maupun normalitas multivariat. Data non normal secara
multivariat, estimasi parameter digunakan pendekatan bootstrap. (Kline, 2016; Ghozali, 2011).
• Outliers. Outliers adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat
maupun multivariat.
• Multikolinearitas. Multikolinearitas dapat dideteksi dari determinan matriks kovarian. Nilai
determinan matriks kovarian yang sangat kecil memberikan indikasi adanya problem
multikolinearitas atau singularitas. (Schumacker & Lomax, 2016: 36; Ferdinand, 2002: 51-54).
• Dari sekian asumsi, satu asumsi yang secara empiris tidak bisa dilanggar, yaitu asumsi
multikolinieritas. Pelangaran terhadap asumsi ini menyebabkan matriks kovarian data sampel
menjadi non-positive definite, yang menyebabkan parameter model gagal diestimasi (Kusnendi,
2008: 51-52; Schumacker & Lomax, 2016: 36).
 D. Strategi Pengujian Model dalam SEM
• One-step approach, parameter model pengukuran dan struktural
diestimasi secara simultan.
• Two-step approach, parameter model diestimasi dalam dua tahap
secara terpisah, yaitu: ”The measurement model should be tested
before the structural relationships are tested (Jöreskog & Sörbom,
1993: 113). “..... estimate the measurement model for all the
constructs ... Finally, estimate the structural equation model for the
construct jointly with the measurement models” (Jöreskog dan
Sörbom, 1993: 128).
• Two-step SEM process: approach to SEM in which the
measurement model fit and construct validity are first
assessed using CFA and then the structural model is tested,
including an assessment of the significance of relationships.
The structural model is tested only after adequate
measurement and construct validity are established. (Hair Jr.
dkk., 2014: 640).
 Dipilih two-step approach
• Sejak awal sudah dapat dievaluasi asumsi SEM utama, yaitu
asumsi matriks kovarian positive definite.
• Sejak awal sudah dapat diidentifikasi validitas-reliabilitas
model pengukuran yang diusulkan. Jika dalam model
pengukuran ada indikator (variabel manifes) yang tidak valid
maka upaya perbaikan model pengukuran sudah dapat
dilakukan sebelum model struktural di uji. (Kusnendi, 2008).
 Prosedur Aplikasi SEM
Masalah Penelitian

Kerangka Pemikiran Teori dan Hasil Riset

1. Model Struktural 2. Model Pengukuran 3. Uji Model

(Hipotesis) (Definisi Operasional) Pengukuran

perbaikan

Model Pengukuran
Tidak
Fit, Valid dan Reliabel?

4. Uji Model
5. Kesimpulan Ya
Persamaan Struktural
 Contoh
• Diteliti: PENGARUH KOMITMEN PROFESIONAL TERHADAP KINERJA AUDITOR
DENGAN MEDIATOR KOMITMEN ORGANISASI DAN KEPUASAN KERJA*)
• Pertanyaan Penelitian
1. Apakah Komitmen profesional mempengaruhi Komitmen Organisasi?
2. Apakah Komitmen Profesional dan Komitmen Organisasi mempengaruhi
Kepuasan Kerja?
3. Apakah Komitmen Organisasi dan Kepuasan Kerja mempengaruhi Kinerja?
4. Apakah Komitmen Organisasi dan Kepuasan Kerja memediasi pengaruh
Komitmen Profesional terhadap Kinerja Auditor?

*) Diadaptasi dari Imam Ghozali (2004: 213 – 235).

Kerangka Teoretis dan Hipotesis
HIPOTESIS:
1. Komitmen profesional berpengaruh
positif terhadap Komitmen Organisasi.
2. Komitmen Profesional berpengaruh
positif terhadap Kepuasan Kerja.
3. Komitmen Organisasi berpengaruh
positif terhadap Kepuasan Kerja.
4. Komitmen Organisasi berpengaruh
positif terhadap Kinerja.
5. Kepuasan Kerja betrpengaruh positif
terhadap Kinerja?
6. Komitmen Organisasi dan Kepuasan
Kerja memediasi secara serial pengaruh
Komitmen Profesional terhadap Kinerja.
 Tabel 1 Definisi Operasional Konstruk Penelitian Studi Kinerja Auditor
Konstruk Konsep Teoritis
Komitmen Profesional Keyakinan dan penerimaan
terhadap tujuan dan nilai-nilai
profesi, keinginan berupaya
yang sungguh-sungguh demi
kemajuan profesi, serta
dorongan untuk
mempertahankan
keanggotaan dalam profesi
(Aranya, 1981; Ferris, 1984).
Komitmen Organisasi Keyakinan dan penerimaan
terhadap tujuan dan nilai-nilai
organisasi, keinginan untuk
bekerja keras demi kemajuan
organisasi, serta dorongan
untuk mempertahankan
keanggotaannya dalam
organisasi (Aranya, 1981;
Ferris, 1984).
Definisi Operasional
Skor komitmen profesional model Likert 5 poin dengan indikator:
1. Bangga sebagai auditor (X1)
2. Auditor profesi yang baik untuk ditekuni (X2)
3. Rasa senang memilih profesi auditor (X3)
4. Memilih profesi auditor sebagai pilihan yang terbaik (4)
5. Profesi auditor sebagai wahana mengembangkan potensi diri (X5)
6. Dedikasi penuh pada profesi auditor (X6)
7. Kesamaan nilai pribadi dengan nilai profesi auditor (X7)
8. Sulit menyetujui kebijakan atasan tentang profesi (X8)
9. Perasaan kecewa melanggar kode etik profesi auditor (X9)
Skor skala komitmen organisasi model Likert 5 poin dengan indikator:
1. Kebiasaan kerja keras penuh dedikasi (Y1)
2. Bangga terhadap organisasi sebagai tempat kerja yang baik (Y2).
3. Nilai yang berlaku dalam organisasi sesuai dengan nilai pribadi (Y3)
4. Bangga terhadap organisasi sebagai suatu institusi terpandang (Y4)
5. Keyakinan pada kemampuan pribadi (Y5)
6. Organisasi sebagai institusi yang memiliki nilai lebih (Y6)
7. Perubahan mendasar pada organisasi (Y7)
8. Sulit menerima kebijakan pimpinan organisasi (Y8)
9. Usaha untuk membuat organisasi tetap eksis (Y9)
10. Organisasi sebagai tempat terbaik untuk aktualisasi diri (Y10)
Konstruk Konsep Teoritis
Kepuasan Kerja Sikap yang dimiliki individu anggota
organisasi terhadap pekerjaannya
(Robbins, 1996).
Kinerja Kinerja individu anggota organisasi
dalam kegiatan perencanaan audit,
pelaksanaan audit, dan evaluasi hasil
audit serta tindak lanjut hasil audit
(Kalbert & Forgarty, 1995).
Definisi Operasional
Skor skala kepuasan kerja model Likert 5 poin dengan
indikator:
1. Terdapat variasi pekerjaan (Y11)
2. Atasan mampu untuk mengambil keputusan (Y12)
3. Terdapat sistem kompensasi yang memadai (Y13)
4. Adanya tugas yang jelas (Y14)
5. Ada otonomi yang luas (Y15)
6. Kesempatan yang luas untuk aktualisasi diri (Y16)
7. Kebijakan pimpinan dapat dipraktikkan (Y17)
Skor skala kinerjamodel Likert 5 poin dengan indikator:
1. Saran konstruktif kepada atasan tentang pekerjaan (Y18)
2. Usaha agar hasil pekerjaan lebih baik (Y19)
3. Memelihara hubungan baik dengan klien organisasi (Y20)
4. Usaha memperbaiki prosedur audit (Y21)
5. Hasil evaluasi kerja dianggap sebagai umpan balik (Y22)
6. Kinerja yang baik akan dihargai (Y23)
7. Kinerja terbaik diantara yang lain (Y24)
8. Terbukanya kesempatan berkarya (Y25)
Langkah 1. Merumuskan model struktural berbasis teori yang kuat dan
hasil riset yang relevan.
• Model struktural: adegan (setting) tentang hubungan antara variabel
laten yang dirumuskan dalam bentuk diagram jalur dan atau
persamaan tertentu.
ηi = γiξi + βiηi + ζi
di mana:
ξi (ksi) = variabel laten eksogen
ηi (eta) = variabel laten endogen
γi (gamma) = koefisien regresi variabel laten eksogen
βi (beta) = koefisien regresi variabel laten endogem
ζi (zeta) = kesalahan persamaan struktural (error variables).
 Model Struktural Kinerja Auditor

KO = γ1KP + z1

KINERJA = β2KO + β3KK + z3

KK = γ2KP + β1KO + z2
Langkah 2. Merumuskan model pengukuran berbasis pendekatan reflektif.
• Model pengukuran reflektif, definisi operasional variabel laten menurut
indikator-indikator terukur (variabel manifes) yang dirumuskan dalam
bentuk diagram dan atau persamaan tertentu.
(1) X-Model, model pengukuran variabel laten eksogen (ξ):
Xi = iξi + δi
(2) Y-Model, model pengukuran variabel laten endogen (η):
Yi = iηi + εi
di mana:
i = koefisien bobot faktor
δi (delta) = kesalahan pengukuran variabel laten eksogen
εi (epsilon) = kesalahan pengukuran variabel laten endogen
 Tabel 2
Persamaan Model Pengukuran Studi Kinerja Auditor
Variabel Laten Indikator Persamaan Pengukuran
X1 X1 = λ1KP + d1
X2 X2 = λ2KP + d2
X3 X3 = λ3KP + d3
X4 X4 = λ4KP + d4
Komitmen Profesional (KP) X5 X5 = λ5KP + d5
X6 X6 = λ6KP + d6
X7 X7 = λ7KP + d7
X8 X8 = λ8KP + d8
X9 X9 = λ9KP + d8
Y1 Y1 = 10KO + e1
Y2 Y2 = 11KO + e2
Y3 Y3 = 12KO + e3
Komitmen Organisasi (KO)
Y4 Y4 = 13KO + e4
Y5 Y5 = 14KO + e5
Y6 Y6 = 15KO + e6
Variabel Laten Indikator Persamaan Pengukuran

Y7 Y7 = 16KO + e7
Y8 Y8 = 17KO + e8
Komitmen Organisasi (KO)
Y9 Y9 = 18KO + e9
Y10 Y10 = 19KO + e10
Y11 Y11 = 20KK + e11
Y12 Y12 = 21KK + e12
Y13 Y13 = 22KK + e13
Kepuasan Kerja (KK)
Y14 Y14 = 23KK + e14
Y15 Y15 = 24KK + e15
Y16 Y16 = 25KK + e16
Y17 Y17 = 26KK + e17
Y18 Y18 = 27KINERJA + e18
Y19 Y19 = 28KINERJA + e19
Y20 Y20 = 29KINERJA + e20
Y21 Y21= 30KINERJA + e21
KINERJA
Y22 Y22 = 31KINERJA + e22
Y23 Y23 = 32KINERJA+ e23
Y24 Y24 = 33KINERJA + e24
Y25 Y25 = 34KINERJA + e25
Model Pengukuran Multi Faktor Studi Kinerja Auditor
• Langkah 3. Merumuskan diagram jalur lengkap model persamaan
struktural.
Langkah 4. Identifikasi model persamaan struktural.
• Menghitung derajat bebas (degree of freedom, df) untuk menentukan
apakah model yang diusulkan under, just atau over-identifield.
Diinginkan model yang diusulkan adalah over-identifield.
• df = ½(p + q)(p + q + 1) – t
• df < 0 (under), df = 0 (just), dan df > 0 (over identifield).
di mana:
p = jumlah variabel manifes eksogen.
q = jumlah variabel manifes endogen.
½(p + q)(p + q + 1) = jumlah seluruh parameter yang ada dalam model.
t = jumlah parameter model yang diestimasi.
 Derajat Bebas (df) Studi Kinerja Auditor
• Jumlah seluruh parameter yang ada dalam model:
½(p + q)(p + q + 1) = ½(9 + 25)(9 + 25 + 1) = 595
• Parameter model bebas diestimasi:
a. 30 buah koefisien bobot faktor;
b. 9 buah varians kesalahan pengukuran variabel laten eksogen (d1 sampai d9);
c. 25 buah varians kesalahan pengukuran variabel laten endogen (e1 sampai e25);
d. 1 buah varians variabel laten eksogen (KP);
e. 3 buah varians kesalahan struktural (z1, z2, z3);
f. 5 buah koefisien regresi model struktural.
• t = 30 + 9 + 25 + 1 + 3 + 5 = 73. Ukuran sampel minimal = 5 : 1 = 5(73) = 365.
• df = ½(p + q)(p + q + 1) – t = 595 – 73 = 522. Model persamaan struktural yang
diusulkan adalah over-identifield. Artinya, model yang diusulkan dimungkinkan
dapat diuji dengan statistik uji yang ada.
• Langkah 5. Estimasi dan uji parameter model pengukuran.
1. Uji kesesuaian model. Apakah model fit tidak dengan data? (p
> 0.05; CMIN/DF ≤ 2,00, RMSEA ≤ 0.08, GFI, CFI dan/atau TLI ≥
0.90).
2. Uji individual koefisien bobot faktor masing-masing indikator.
Apakah indikator yang digunakan valid dan reliabel tidak
dalam mengukur variabel latennya? (p < 0.05, λi > 0.50; CR >
0.70; AVE > 0.50)
3. Jika model tidak fit dan tidak valid, model pengukuran
diperbaiki, dan parameter model diestimasi serta diuji ulang.
Hasil Estimasi Parameter Model Pengukuran Studi Kinerja Auditor
 Tabel 3
Standardized Factor Loadings Model Pengukuran Studi Kinerja Auditor
Konstruk Konstruk
Indikator Indikator
KP KO KK KINERJA
X9 .8078 Y17 .7615
X8 .7879 Y16 .8810
X7 .1648
X6 .9143 Y15 .2046
X5 .7336 Y14 .2398
X4 .3641 Y13 .7775
X3 .2869
Y12 .7618
X2 .8474
X1 .6473 Y11 .7463
Y1 .6541 Y18 .7542
Y2 .3420 Y19 .5887
Y3 .2949
Y20 .2627
Y4 .4036
Y5 .8028 Y21 .7177
Y6 .6394 Y22 .7268
Y7 .6909 Y23 .3438
Y8 .6575
Y24 .0939
Y9 .4056
Y10 .2942 Y25 .6452
 Evaluasi Outlier
Observation number Mahalanobis d-squared
139 72.3266
148 67.8301

Asumsi Normalitas
Kurtosis c.r.
Multivariate 87.7499 11.5621

Condition number = 112.6125

Eigenvalues
13.8731 7.6067 6.3215 4 .8056 2.7870 2.5540 2.2816 1.9239 1.8357 1.6433 1.5853
1.4899 1.2412 1.2267 1.1684 1.0272 .9171 .8947 .8296 .7608 .7334 .6452 .5963
.5129 .4634 .4331 .3930 .3682 .3527 .3469 .2444 .2212 .1301 .1232
Determinant of sample covariance matrix = .3008
 Hasil Uji Model Pengukuran
• Dalam data sampel terdapat kasus outlier (d2 = 72.3266 > χ2 = 65.25 (df
= 34 dan α = 0.001).
• Secara multivariat, data sampel tidak berdistribusi normal (cr = 11.5621
> 2.580).
• Dalam data sampel tidak terdapat multikolinieritas (determinant of
sample covariance matrix = 0.3008).
• Model pengukuran tidak fit dengan data (CMIN/DF > 2, RMSEA > 0.08;
GFI, CFI dan TLI < 0.90).
• Indikator X4, X3, X7, Y2, Y3, Y4, Y9, Y10, Y14, Y15, Y20, dan Y23, Y24
tidak valid (λ < 0.50). Indikator tidak valid dikeluarkan dari model. Model
diperbaiki dan parameter model diestimasi serta diuji ulang.
Hasil Estimasi Ulang Parameter Model Pengukuran
Studi Kinerja Auditor
 Tabel 4
Standardized Factor Loadings, Average Variance Extracted,
dan Construct Reliability Model Pengukuran Studi Kinerja Auditor Setelah Perbaikan

Konstruk Konstruk
Indikator Indikator
KP KO KK KINERJA
X9 .8104 Y17 .7619
X8 .7839 Y16 .8804
X6 .9126 Y13 .7874
X5 .7328
Y12 .7624
X2 .8574
Y11 .7374
X1 .6505
Y18 .7448
Y1 .6385
Y5 .8195 Y19 .6008
Y6 .6626 Y21 .7106
Y7 .7193 Y22 .7499
Y8 .6997 Y25 .6429
CR .9111 .8350 CR .8905 .8204
AVE .6333 .5050 AVE .6202 .4793
 Tabel 5
Validitas Diskriminan Model Pengukuran Studi Kinerja Auditor
Konstruk KP KO KK KINERJA
KP 0.7958*
KO 0.2411 0.7107*
KK 0.2235 0.2603 0.7875*
KINERJA -0.0523 0.2453 0.2494 0.6923*
*Koefisien akar kuadrat AVE
 Kesimpulan
Setelah model diperbaiki:
1. Model menjadi fit dengan data (p = 0.120 > 0.05, CMIN/DF = 1.124 < 2.00,
RMSEA = 0.027 < 008, CFI, GFI dan TLI > 0.90). Artinya, model dapat
digeneralisasikan terhadap populasi.
2. Data set penelitian secara multivariat tidak berdistribusi normal (c.r = 2.61 >
2.58).
3. Dalam data set tidak terdapat kasus outlier (d2 = 43.32 < χ2(df = 21, α = 0.001) = 46.78)
4. Masing-masing indikator memiliki validitas yang memadai dalam mengukur
variabel latennya (λi > 0.50).
5. Dilihat dari estimasi koefisien CR dan nilai akar kuadrat koefisien AVE,
indikasinya menunjukkan bahwa keempat model pengukuran yang diusulkan
memiliki reliabilitas dan validitas diskriminan yang memadai. Karena itu, model
pengukuran yang telah diperbaiki dapat digunakan sebagai basis untuk menguji
model struktural yang diusulkan.
• Langkah 6. Estimasi parameter model persamaan struktural.
 Tabel 6
Estimasi dan Uji Parameter Model Struktural Studi Kinerja Auditor
Estimate
Hipotesis S.E. C.R. P Hasil Uji
Standardized
KO <--- KP .2364 .0858 2.6159 .0089 H0 ditolak

KK <--- KO .2208 .0994 2.4092 .0160 H0 ditolak

KK <--- KP .1686 .0886 1.9598 .0500 H0 ditolak

KINERJA <--- KO .1894 .1026 1.9885 .0468 H0 ditolak

KINERJA <--- KK .1972 .0913 2.1446 .0320 H0 ditolak

Tabel 7
Estimasi Persamaan Model Struktural Studi Kinerja Auditor
Model Persamaan Struktural R2
KO KO = 0.2364KP + z1 0.0559
KK KK = 0.1686KP + 0.2208KO + z2 0.0948
KINERJA KINERJA = 0.1894KO + 0.1972KK + z3 0.0943
 Tabel 8
Pengaruh Total Variabel Laten KP, KO dan KK terhadap Kinerja
(Standardized)
Konstruk KP KO KK Standardized indirect effect:
KO .2364 .0000 .0000 1. Indirect effect 1: KP  KO 
Kinerja = (0.236)(0.189) =
KK .2208 .2208 .0000
0.045.
KINERJA .0883 .2330 .1972
2. Indirect effect 2: KP  KK 
Tabel 9 Kinerja = (0.169)(0.197) =
Pengaruh Tidak Langsung KP, KO dan KK terhadap Kinerja 0.033.
(Standardized) 3. Indirect effect 3: KP  KO 
Konstruk KP KO KK KINERJA KK  Kinerja =
(0.236)(0.221)(0.197) = 0.010.
KO .0000 .0000 .0000 .0000
4. Total indirect effect KP 
KK .0522 .0000 .0000 .0000 Kinerja = 0.045 + 0.033 +
KINERJA .0883 .0435 .0000 .0000 0.010 = 0.0883.
Langkah 7. Menarik kesimpulan statistik.
1. Model persamaan struktural fit dengan data (P > 0.05, CMIN/DF < 2,
RMSEA < 0.08, GFI, CFI dan TLI > 0.90). Artinya, model struktural yang
diajukan bisa digeneralisasikan terhadap populasi.
2. Kelima hipotesis yang diajukan secara signifikan (p < 0.05) seutuhnya
dapat diterima.
3. Besarnya pengaruh KP terhadap KO sebesar 5.59%. Sisanya, merupakan
pengaruh variabel laten lain yang tidak dijelaskan dalam model.
4. Besarnya pengaruh KP dan KO terhadap KK masing-masing sebesar
0.1686 dan 0.2208
5. Sebesar 9.48% variasi yang terjadi dalam KK bisa dijelaskan secara
bersama oleh KP dan KO. Sisanya, sebesar 90.52% merupakan variasi
dalam KK yang bersumber dari variabel lain yang tidak dijelaskan dalam
model.
6. Besarnya pengaruh KO dan KK terhadap KINERJA masing-masing sebesar
0.1894 dan 0.1972.
7. Sebesar 9.43% variasi yang terjadi pada KINERJA bisa dijelaskan secara
bersama oleh KO dan KK. Sisanya, sebesar 90.57% merupakan variasi dalam
KINERJA yang bersumber dari variabel lain yang tidak dijelaskan dalam model.
8. Dilihat dari pengaruh totalnya, KO merupakan variabel yang memiliki pengaruh
relatif paling kuat terhadap KINERJA, dan variabel yang memiliki pengaruh
relatif paling rendah disumbangkan oleh KP.
9. Dilihat dari estimasi besaran koefisien R2, indikasinya menunjukkan bahwa
ketiga model yang diusulkan kurang efektif dalam menjelaskan fenomena yang
diteliti (R2 < 50%) . Hal tersebut mengandung arti, masih ada variabel lain yang
perlu diteliti untuk menjelaskan fenomena variasi KINERJA yang dicapai
auditor.
10. Karena data set penelitian secara multivariat tidak normal, estimasi parameter
model diuji ulang dengan metode boostrap.
 E. Prosedur Bootstrap
• Data set sampel tidak memenuhi asumsi berdistribusi normal secara multivariate.
• Estimasi parameter model dilakukan
dengan prosedur bootstrap.
• Klik Analysis Properties. Klik Bootstrap,
pilih Perform bootstrap dengan 2000
number of boostrap samples, pilih
estimasi Bootstrap ML. Pilih Bias-
corrected confidance interval dengan 90
BC confidance level (default).
• Klik Analyze, klik Calculate Estimate.
• Number of bootstrap samples, biasanya
500 sampai 1.000 atau 5.000 dan
confidance interval (CI) 95% (Cheung &
Lau, 2008; Hair, Jr., dkk., 2014).
Hasil output boostrap ditunjukkan oleh nilai bias-corrected cofidance interval 90% (default) untuk
koefisien regresi unstandardized dan standardized, semuanya memberikan nilai interval estimasi
lower - upper tidak ada yang memberikan nilai nol. Artinya, semua koefisien regresi signifikan.
Bias-corrected
cofidance
interval 90%

Standardized indirect effect KP terhadap Kinerja = 0.088. Bias-corrected

cofidance interval 90% memberikan hasil estimasi berkisar antara 0.045
(lower); 0.153 (upper), dengan nilai p = 0.002. Hasil estimasi tidak
memberikan angka nol. Hasil uji signifikan. KO dan KK memediasi secara
serial pengaruh KP terhadap kinerja.
Two Tailed Significance (BC)

Bias-corrected
cofidance interval 90%
memberikan hasil
estimasi berkisar antara
0.045 (lower) sampai
0.153 (upper) dengan
nilai p = 0.002.
 Daftar Pustaka
• Byrne, B.M. (2016). Structural Equation Modeling with AMOS: Basic Concepts,
Applications and Programming. Third Edition. Mahwah, NJ: Erlbaum.
• Cheung, G. W., & Lau, R. S. (2008). “Testing mediation and suppression effects of
latent variables: Bootstrapping with structural equation models.”
Organizational Research Methods, 11(2), 296-325.
• Ferdinand, Augusty. (2002). SEM dalam Penelitian Manajemen. Semarang: BP –
UNDIP.
• Ghozali, Imam. (2004). Model Persamaan Struktural Konsep dan Aplikasi
dengan AMOS Ver.5. Semarang: BP-UNDIP.
• Hair, Joseph F., Jr., et.al. (2006). Multivariate Data Analysis. Sixth Edition. New
Jersey: Pearson Educational, Inc.
• Hair, Joseph F., Jr., et.al. (2014). Multivariate Data Analysis. Seventh Edition.
USA: Prentice-Hall International, Inc.
• Hair, Jr. J.F., Hult, G.T.M., Ringle C.M., Sarstedt, M. (2014). A Primer on Partial
Least Squares Structral Eqation Modeling (PLS-SEM). USA: SAGE Pub. Inc.
• Joreskog, K.G. & Dag Sorbom. (1993). LISREL 8: Structural Equation Modeling
with the Simplis Command Language. Chicago: Scientific Software
International.Inc. Chicago: Scientific Software International, Inc.
• Kline, Rex B. (2016). Principles and Practice of Structural Equation Modeling.
Fourth edition. New York: Guilford Publications, Inc.
• Kusnendi. (2008). Model Persamaan Struktural Satu dan Multigroup Sampel
dengan LISREL. Bandung: Alphabeta.
• Schumacker, Randal E. & Richard G. Lomax. (1996). A Beginner’s Guide to SEM.
Jew Jersey: Lawrence Erlbaum Associates, Inc. Pub.
• Schumacker, Randal E. & Richard G. Lomax. (2016). A Beginner’s Guide to SEM.
Fourth edition. New York: Routledge.