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
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?
Kepuasan Kerja Sikap yang dimiliki individu anggota Skor skala kepuasan kerja model Likert 5 poin dengan
organisasi terhadap pekerjaannya indikator:
(Robbins, 1996). 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)
Kinerja Kinerja individu anggota organisasi Skor skala kinerjamodel Likert 5 poin dengan indikator:
dalam kegiatan perencanaan audit, 1. Saran konstruktif kepada atasan tentang pekerjaan (Y18)
pelaksanaan audit, dan evaluasi hasil 2. Usaha agar hasil pekerjaan lebih baik (Y19)
audit serta tindak lanjut hasil audit 3. Memelihara hubungan baik dengan klien organisasi (Y20)
(Kalbert & Forgarty, 1995). 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
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
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
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%
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.