TUGAS KELOMPOK

METODOLOGI PENELITIAN
STRUCTURAL EQUATION MODELING (SEM)

Kelompok 3:

Nama Anggota :

1. Putri Kusuma Ningsih (201901020012)

2. Nadia Rahmasari (201901020013)
3. Raihan Muhammad Al-Lintangi (201901020015)
4. Aroginanto (201901020018)
5. Anis Safitri (201901020019)
6. Gina Sonia (201901020020)
7. M. Hussain Ismail (201901020025)
8. Satifa Salsabillah (201901020030)
9. M. Alfa Rosyada (201901020036)
10. Eza Firgiawan (201901020039)
11. Supriatin (201901020051)
12. Anam Khanafi (201901020052)
13. Ahmad Muwafiq (201901020070)
 1

A. Pengertian Structural Equation Modeling (SEM)

Structural Equation Modeling (SEM) merupakan suatu Teknik permodelan
statistic yang bersifat sangat cross-sectinal, linier, dan kompleks. SEM yaitu gabungan
dari dua teknik multivariat yakni analisis faktor konfirmatori dan analisis jalur. Definisi
berikutnya menyebutkan SEM adalah teknik analisis multivariat yang umum dan sangat
bermanfaat yang meliputi versi-versi khusus dalam jumlah metode analisis lainnya
sebagai kasus-kasus khusus. Definisi lain mengatakan bahwa SEM merupakan teknik
statistik yang digunakan untuk membangun dan menguji model statistik yang biasanya
dalam bentuk model-model sebab akibat. SEM sebenarnya meru- pakan teknik hibrida
yang meliputi aspek-aspek penegasan (confirmatory) dari analisis faktor, analisis jalur
dan regresi yang dapat dianggap sebagai kasus khusus dalam SEM.
SEM bagi para peneliti ilmu social memberikan kemampuan untuk melakukan
analisis jalur (path) dengan variabel laten. SEM memiliki fleksibilitas yang lebih tinggi
bagi peneliti untuk menghubungkan antara teori dan data. SEM berkembang dan
mempunyai fungsi mirip dengan regresi berganda, tetapi nampaknya SEM menjadi suatu
teknik analisis yang lebih kuat karena mempertimbangkan pemodelan interaksi,
nonlinearitas, variabel – variabel bebas yang berkore- lasi (correlated independents),
kesalahan pengukuran, gangguan kesalahan-kesalahan yang berkorelasi (correlated error
terms), beberapa variabel bebas laten (multiple latent independents) dimana masing-
masing diukur dengan menggunakan banyak indikator, dan satu atau dua variabel
tergantung laten yang juga masing-masing diukur dengan beberapa indikator. Dengan
demikian menurut definisi ini, SEM dapat digunakan sebagai alternatif lain yang lebih
kuat dibandingkan dengan menggunakan regresi berganda., analisis jalur, analisis faktor,
analisis time series, dan analisis kovarian.
Seorang peneliti lebih cenderung menggunakan SEM untuk menentukan apakah
suatu model tertentu valid atau tidak dari pada menggunakannya untuk menemukan suatu
model tertentu cocok atau tidak, meski analisis SEM sering pula mencakup elemen-
elemen yang digunakan untuk menerangkan.
 2

B. Macam-macam Structural Equation Modeling (SEM)

1. SEM berdasarkan pada Covariance
SEM berbasis Covariance dikembangkan pertama kali oleh Jorekog (1973),
Keesling (1972) dan Wiley (1973). Penggunan Covariance based SEM (CBSEM)
sangat dipengaruhi oleh asumsi parametrik yang harus dipenuhi seperti variabel yang
diobservasi memiliki multivariate normal distribution dan observasi harus
independent satu sama lain.
CBSEM sangat dipengaruhi oleh jumlah sample, jumlah sample kecil secara
potensial akan menghasilkan Type II error yaitu model yang jelek masih dapat
menghasilkan model fit. Modal yang komplek dapat menghasilkan perhitungan dan
indek fit yang bermasalah. CBSEM mengharuskan dalam membentuk variabel laten,
indicator-indikatornya bersifat refleksif. Dalam modal refleksif indicator atau
manifest dipandang variabel yang dipengaruhi oleh variabel laten sesuai dengan teori
pengukuran classical test theory. Pada modal indicator refleksif, indicator-indikator
pada satu konstruk (variabel laten) dipengaruhi oleh konsep yang sama. Perubahan
dalam satu item atau dindikator akan berakbitan pada indicator lainnya dengan arah
yang sama. Berikut ini contoh gambar indicator refleksif.

Kepuasan Kerja

X1 X2 X3

Menurut kenyataan yang sesungguhnya indicator dapat dibentuk dalam bentuk

formatif indicator model. Dalam model formatif, indicator dipandang sebagai
variabel yang mempengaruhi variabel laten. Menurut Bollen dan Lennox (1991)
formatif indicator tidak sesuai dengan classical theory atau model analisis factor.
Sebagai misal Cohen et al. (1990) menggunakan variabel laten status social ekonomi
(SSE) dengan indicator-indikator antara lain Pendidikan, prestise pekerjaan dan
pendapatan. Dalam hal ini indicator Pendidikan, prestise pekerjaan dan pendapatan
 3

mempengaruhi variabel laten status social ekonomi. Jika salah satu indicator
meningkat maka indicator yang lian tidak harus ikut mengingkat pula. Kenaikan pada
satu indicator pendapatan akan meningkatkan variabel laten SSE. Berikut ini contoh
gambar konstruk dengan formatif indicator.

prestise
pekerjaan

pendidikan pendapatan

status
sosial
ekonomi

2. SEM berbasis component atau variance

Sebagai alternatif Covariance based SEM, pendekatan variance based atau
component based dengan PLS orientasi analisis bergeser dari menguji model
kausalitas/teori ke component based predictive model. CBSEM lebih berorientasi
pada model building yang dimaksudkan untuk menjelaskan covariance dari semua
observed indicators, sedangkan tujuan PLS adalah prediksi. Variabel laten
didefinisikan sebagai jumlah dari indikatornya. Algoritma PLS ingin mendapatkan
the best weight estimate untuk setiap blok indikator dari setiap variabel laten. Hasil
komponen skor untuk setiap variabel laten didasarkan pada estimated indicator
weight yang memaksimumkan variance explained untuk variabel dependent (laten,
observe atau keduanya).
Seperti dinyatakan oleh Wold (1985) Partial Least Square (PLS) merupakan
metode analisis yang powerfull oleh karena tidak didasarkan banyak asumsi. Data
tidak harus berdistribusi normal multivariate ( indikator dengan skala kategori,
ordinal, interval sampai ratio dapat digunakan pada model yang sama), sample tidak
harus besar. Walaupun PLS dapat juga digunakan untuk mengkonfirmasi teori, tetapi
dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel
 4

laten. Oleh karena lebih menitik beratkan pada data dan dengan prosedur estimasi
yang terbatas, maka mispesifikasi model tidak begitu berpengaruh terhadap estimasi
parameter. Dibandingkan dengan CBSEM, component based SEM - PLS
menghindarkan dua masalah serius yaitu inadmisable solution dan factor
indeterminacy (Fornell and Bookstein, 1982)
Secara ringkas dapat disimpulkan bahwa jika model struktural dan model pengukuran
yang dihipotesiskan benar dalam artian menjelaskan covariance semua indikator dan
kondisi data serta sample size terpenuhi, maka covariance based SEM memberikan
estimasi optimal dari parameter model. Ini ideal untuk konfirmasi model dan estimasi
kebenaran parameter populasi. Namun demikian tergantung dari tujuan si peneliti dan
pandangan epistemic dari data ke teori, property data yang ada, tingkat pengetahuan
teoritis dan pengembangan pengukuran, pendekatan PLS mungkin lebih cocok. Tabel
1 berikut ini memberikan ringkasan perbandingan antara SEM berbasis covariance
dan SEM berbasis variance-PLS
Berikut ini perbangan antara kedua macam SEM:
kriteria PLS CBSEM
 Tujuan  Orientasi prediksi  Orientasi Paramater
 Pendekatan  Besar Variance  Berdasar Covariance
 Asumsi  Spesifikasi Prediktor  Multivariate normal
distribution, independence
observation (parametric)
konsisten
 Estimasi  Konsisten sebagai
Parameter indicator dan simple size
meningkat
 Skore Variabel  secara eksplisit di estimasi  indeterminate
Laten
 Implikasi  Optimal untuk ketepatan  Optimal untuk ketepatan
prediksi parameter

 Kompleksitas  Kompleksitas kecil sampai

 5

Model  Kompleksitas besar (100 menengah (kurang dari 100

konstruk dan 1000 indikator)
 Besar Sampel indikator)  Kekuatan analisis
 Kekuatan analisis didasarkan pada model
idasarkan pada porsi spesifik- minimal
ari model yang direkomendasikan berkisar
memiliki S umlah dari 200 sampai 800
prediktor terbesar.
inimal
irekomendasikan
erkisart dari 30
sampai 100 kasus

C. Pengujian Asumsi SEM

Pengujian data dengan menggunakan model analisis SEM juga harus
mempertimbangkan pengujian asumsi-asumsi SEM yang terdiri dari pengujian outlier,
normalitas, evaluasi nilai residual, multicolinierity dan singularity (Bahri & Zamzam,
2015).
1. Pengujian Outlier
Hair mendefenisikan bahwa outlier merupakan sutu kondisi dalam observasi suatu
data yang memiliki karekteristik unik yang sangat berbeda jauh dari observasi yang
mana muncul dalam bentuk nilai ekstrim, baik untuk variabel tunggal ataupun
kombinasi. Outlier juga dapat dipahami juga secara univariate outlier dan
multivariate outlier. Di mana, univariate outlier dapat dilihat dari nilai Zcore yang
mana dikatakan terdapat nilai outlier jika nilai Zcore berada diatas 2,58 (> 2,58).
Sedangkan, multivariate outlier dapat dilihat dengan nilai Mahalanobis
Distance yang mana tidak terdapat outlier jika nilai p1 dan p2 pada hasil
Mahalanobis berada diatas 0,05 (Bahri & Zamzam, 2015).
2. Pengujian Normalitas
Pengujian asumsi normalitas dilakukan agar dapat dilakukan pengolahan data
lebih lanjut menggunakan model analisis SEM. Pengujian normalitas menggunakan
 6

AMOS dapat dilakukan dengan melihat nilai critical ratio (c.r) skeweness dan critical
ratio (c.r) cortusis pada output hasil Assessment of Normality. Di mana, pengujian
normalitas dapat dilihat dalam bentuk univariate dan multivariate. Secara univariate
data dikatakan normal jika nilai c.r skeweness dan c.r cortusis pada masing-masing
indikator berada di bawah 2,58. Sedangkan, pengujian normlaitas secara multivariate
dapat dilihat pada kolom.
c.r cortusis yakni dikatakan normal jika nilai c.r cortusis < 2,58 (Bahri &
Zamzam, 2015).
3. Evaluasi Nilai Residual
Evaluasi nilai residual berfungsi untuk melihat kesesuaian antara restricted
covariance matrix dan sample covariance matrix. Di mana, perbedaan keduanya
tercermin dari nilai residual covariance matrix. Pada pengujian SEM-AMOS nilai
residual dapat dilihat pada hasil output standardized residual. Di mana, nilai
dikatakan terdapat residual yang besar jika nilai standardized residual > 2,58. Jika
nilai berada di atas 2,58 maka perlu dilakukan perombakan atau modifikasi dengan
membuang variable observed pada model penelitian (Bahri & Zamzam, 2015).
4. Multicolinierity dan Singularity
Ferdinand (2002) dalam Bahry & Zamzam (2015) menjelaskan bahwa
multicolinierity dan singularity merupakan suatu pengujian untuk melihat apakah
data penelitian terindikasi multicolinierity dan singularity. Di mana indikasi dapat di
lihat dari nilai Determinant of sample covariance. Tidak terjadi multicolinierity dan
singularity jika nilai Determinant of sample covariance berada jauh dari 0 (nol).
Sedangkan, jika nilai Determinant of sample covariance berada mendekati 0 (nol)
maka perlu dipertimbangkan lagi perihal persyaratan pada pengujian asumsi SEM
lainnya sehingga dapat ditetapkan data dapat dilakukan pengujian SEM atau tidak.

D. Parameter Pengujian Hipotesis SEM

Pengujian hipotesis merupakan salah satu rangkaian pengujian yang ada pada
model analisis SEM. Pengujian hipotesis bertujuan untuk melihat apakah variabel laten
eksogen berpengaruh signifikan terhadap variabel laten endogen. Adapun hipotesis secara
parsial dapat dirumuskan sebagai berikut:
 7

H0 : Variabel laten eksogen secara parsial tidak berpengaruh signifikan terhadap variabel
laten endogen.
Ha : Variabel laten eksogen secara parsial berpengaruh signifikan terhadap variabel laten
endogen.
Berdasarkan perumusan hipotesis di atas, variabel laten eksogen secara parsial
tidak berpengaruh signifikan terhadap variabel laten endogen jika nilai CR. < 1,65 dan
nilai p-value > 0,1 maka H0 diterima dan Ha ditolak. Sebaliknya, variabel laten eksogen
secara parsial berpengaruh signifikan terhadap variabel laten endogen jika nilai CR. >
1,65 dan nilai p-value > 0,1 maka H0 ditolak dan Ha diterima. Dalam penelitian ini nilai
alpha (rule of thumb) yang digunakan adalah sebesar 0,1 yakni pada taraf kepercayaan
90%.
Selanjutnya, pengujian hipotesis dalam SEM juga dilakukan pengujian secara
simultan yakni pengujian pengaruh varibel laten secara bersama-sama terhadap variabel
laten endogen. Hipotesis secara simultan dapat dirumuskan sebagai berikut:
H0 : Variabel laten eksogen secara simultan tidak berpengaruh signifikan terhadap
variabel laten endogen.
Hb : Variabel laten eksogen secara simutan berpengaruh signifikan terhadap variabel
laten endogen.
Variabel laten eksogen secara simultan berpengaruh terhadap variabel laten
endogen jika nilai R-square bernilai positif. Sebaliknya, jika nilai R-square bernilai
negatif maka secara simultan variabel laten eksogen tidak berpengaruh signifikan
terhadap laten endogen (Bahri & Zamzam, 2015). Secara lebih jelas Samsul Bahri
merumuskan parameter pengujian hipotesis di atas dalam tabel di bawah ini :
no Hipotesis Pernyataan Hipotesis Terima Hipotesis

1. H0 Variabel laten eksogen secara parsial tidak Jika CR < 1,65 atau p-
berpengaruh signifikan terhadap variabel value > 0,1.
laten endogen.

Ha Variabel laten eksogen secara parsial Jika CR > 1,65 atau p-

berpengaruh signifikan terhadap variabel value < 0,1.
laten endogen
 8

2. Ho Variabel laten eksogen secara simultan Jika R-square memiliki

tidak berpengaruh signifikan terhadap nilai koefisien negatif.
variabel laten endogen

Hb Variabel laten eksogen secara simutan Jika R-square memiliki

berpengaruh signifikan terhadap variabel nilai koefisien positif.
laten endogen.

E. Analisis Structural Equation Modeling (Sem) Dengan Variabel Intervening (Mediator)

Hubungan antarkonstruk eksogen dan endogen dalam suatu pengembangan model
sering kali harus dijelaskan melalui variabel penghubung atau mediasi. Dalam SEM,
variabel penghubung sering juga disebut dengan variabel intervening. Menurut Suliyanto
(2011:193), variabel intervening ini merupakan variabel antara atau mediating, berfungsi
memediasi hubungan antara variabel independen (predictor) dan variabel dependen
(predictand).

F. Analisis Structural Equation Modeling (Sem) Dengan Model Recursive

Dalam merumuskan hipotesis model struktural arah hubungan antara satu konstruk
dan konstruk yang lain bersifat kausalitas atau searah. Sebagai contoh dimensi kualitas
pelayanan yang terdiri dari bukti fisik, keandalan, daya tanggap, jaminan, dan empati
berpengaruh terhadap kepuasan pada layanan jasa perbankan. Sebaliknya, tidak bisa
kepuasan berpengaruh terhadap dimensi kualitas pelayanan yang terdiri dari bukti fisik,
keandalan, daya tanggap, jaminan, dan empati. Artinya, kepuasan tidak akan bisa
dirasakan tanpa merasakan terlebih dahulu dari dimensi kualitas pelayanan. Menurut
Ghozali & Latan (2015:129) bahwa model recursive, yaitu model persamaan struktural
yang hanya mempunyai satu arah kausalitas.

G. Analisis Structural Equation Modeling (Sem) Dengan Efek Moderasi

Seperti yang diketahui bahwa Moderate Regression Analysis (MRA) merupakan cara
umum yang digunakan dalam analisis regresi linier berganda dengan memasukkan
variabel ketiga berupa perkalian antara dua variabel independen (eksogen) sebagai
 9

variabel moderating (Ghozali & Latan, 2015:163). Hal ini akan menimbulkan hubungan
nonlinier sehingga kesalahan pengukuran dari koefisien estimasi MRA jika menggunakan
variabel laten menjadi tidak konsisten dan bias. Solusi yang bisa dilakukan adalah dengan
menggunakan model persamaan struktural SEM dapat mengoreksi kesalahan pengukuran
ini dengan memasukkan pengaruh interaksi kedalam model (Ghozali & Latan, 2015:163).

H. Alasan Menggunakan SEM

Beberapa alasan menggunakan analisis SEM adalah sebagai berikut:
1. Model yang dianalisis bertingkat dan relatif rumit, sehingga akan sangat sulit untuk
diselesaikan dengan metode jalur analisis pada regresi linear.
2. Mampu menguji hipotesis-hipotesis yang rumit dan bertingkat secara serempak.
3. Kesalahan (error) pada masing-masing observasi tidak diabaikan tetapi tetap
dianalisis, sehingga SEM lebih akurat untuk menganalisis data kuesioner yang
melibatkan persepsi.
4. Mampu menganalisis model hubungan timbal balik (recursive) secara serempak, di
mana model ini tidak dapat diselesaikan dengan analisis regresi linear secara
serempak.
5. Terdapat fasilitas bootstrapping, di mana hal tersebut tidak dapat dilakukan dengan
analisis regresi linear.
6. Untuk jumlah sampel yang relatif besar (di atas 2000) terdapat metode asymtot
distribution free (ADF) yang tidak memerlukan asumsi normalitas pada data.
7. Peneliti dapat dengan mudah memodifikasi model dengan second order untuk
memperbaiki model yang telah disusun agar lebih layak secara statistik.

I. Contoh Penelitian Yang Menggunakan SEM

Untuk contoh penelitian yang menggunakan metode ini kelompok kami
mengambil contoh penelitian dari Skripsi yang dibuat Oleh Aditya Putra Pratama, yang
berjudul “ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPATUHAN
MASYARAKAT DALAM MEMBAYAR ZAKAT PERKEBUNAN KELAPA SAWIT
(PENDEKATAN STRUCTURAL EQUATION MODELING)” yang dapat diakses
melalui link berikut ini
 10

https://drive.google.com/file/d/1kly18U7uPHwkXSG2JSzpvgtI4b0r5pzq/view?usp=sharing
Penelitian tersebut membahas masalah tentang, Bagaimana pengaruh faktor-faktor
terhadap kepatuhan masyarakat dalam membayar zakat perkebunan kelapa sawit?.
Dari rumusan masalah tersebut peneliti membuat kerangka pemikiran dan
kerangka penelitian yang membantunya dalam proses penelitianya. Berikut gambar
kerangka pemikiran dan penelitian yang dibuat peneliti tersebut :
Kerangka pemikiran

Kerangka Penelitian
 11

Dalam penelitian itu hipotesis penelitian dapat dirumuskan sebagai berikut:

H1: Pendapatan berpengaruh positif dan signfikan terhadap kepatuhan masyarakat dalam
membayar zakat perkebunan kelapa sawit.
H2: Religiusitas berpengaruh positif dan signifikan terhadap kepatuhan masyarakat dalam
membayar zakat perkebunan kelapa sawit.
H3: Kepercayaan berpengaruh positif dan signifikan terhadap kepatuhan masyarakat
dalam membayar zakat perkebunan kelapa sawit.
H4: Keberkahan berpengaruh positif dan signifikan terhadap kepatuhan masyarakat
dalam membayar zakat perkebunan kelapa sawit.
H5: Variabel pendapatan, religiusitas, kepercayaan dan keberkahan secara simultan
berpengaruh positif dan signifikan terhadap kepatuhan masyarakat dalam membayar
zakat perkebunan kelapa sawit.
Setelah memperoleh data dan dan mengolahnya dengan menggunakan model analisis
Structural Equation Modeling (SEM) peneliti dapat menemukan hasil yang sesuai yang
mana bahwa tidak semua variabel teramati atau 85 indikator variabel dapat menjelaskan
 12

variabel latennya. Sehingga, dengan menggunakan Structural Equation Modeling (SEM)

hasil yang menjadi output menjadi lebih sesuai dan tidak bias.
Berikut ini tabel hasil pengujian SEM dengan model SEM
Tabel 4. 14
Pengujian Hipotesis Model SEM

Estimate S.E. C P
.
R
.
Kepatuhan <-- Pendapatan 0,057 0,145 0, 0,695
39
2
Kepatuhan <--Religiusitas 0,897 0,445 2, 0,044
01
6
Kepatuhan <--Kepercayaan -0,445 0,243 - 0,068
1,
82
8
Kepatuhan <--Keberkahan -0,549 0,555 - 0,322
0,
99
1
Sumber: Data diolah AMOS (2019)

Berdasarkan tabel 4.14 di atas dapat diturunkan persamaan sebagai berikut:

Kepatuhan = 0,057 (Pendapatan) + 0,897 (Religiusitas) – 0,445 (Kepercayaan) –
0,549 Keberkahan
Dari persamaan tersebut dapat dijelaskan bahwa:

1) Pendapatan memiliki koefisien estimasi positif terhadap kepatuhan sebesar

 13

0,057. Artinya, peningkatan pendapatan dapat berdampak pada peningkatan

kepatuhan seseorang dalam menunaikan zakat hasil perkebunan kelapa
sawitnya.
2) Religiusitas memiliki koefisien estimasi positif terhadap kepatuhan sebesar 0,897.
Artinya, peningkatan religiusitas atau keimanan seseorang dapat berdampak
pada peningkatan kepatuhan seseorang dalam menunaikan zakat hasil
perkebunan kelapa sawitnya.

3) Kepercayaan memiliki koefisien estimasi negatif terhadap kepatuhan sebesar

0,445. Artinya, kepercayaan masyarakat terhadap lembaga zakat masih belum
sepenuhnya percaya dan belum mampu berdampak pada peningkatan kepatuhan
seseorang dalam menunaikan zakat hasil perkebunan kelapa sawitnya.
4) Keberkahan memiliki koefisien estimasi negatif terhadap kepatuhan sebesar
0,549. Artinya, peningkatan keberkahan belum mampu berdampak pada
peningkatan kepatuhan seseorang dalam menunaikan zakat hasil perkebunan
kelapa sawitnya.
Hasil di atas dapat dengan jelas dilihat pada gambar hasil output SEM
menggunakan software AMOS sebagai berikut:
 DAFTAR PUSTAKA
Hamid, M. Anwar. (2019). Structural Equation Modeling (SEM) Berbasis Varian. (S. N. Abiratno, Ed.)
Jakarta: PT Inkubator Penulis Indonesia. Retrieved from https://www.bing.com/search?
q=makalah+structural+equation+modeling&qs=n&form=QBRE&sp=-
1&pq=makalah+structural+equation+modeling&sc=1-
36&sk=&cvid=EF40DF75121E4DD992D78F5CD4AE2D0D

Pratama, A. P. (2019). ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPATUHAN MASYARAKAT

DALAM MEMBAYAR ZAKAT PERKEBUNAN KELAPA SAWIT (PENDEKATAN STRUCTURAL
EQUATION MODELING). Aceh. Retrieved from
https://drive.google.com/file/d/1kly18U7uPHwkXSG2JSzpvgtI4b0r5pzq/view?usp=sharing

Prof. H. Imam Ghozali, M.Com,C.A,Ph.D. (2014). Structural Equation Modeling Edisi 4. Semarang:
Universitas Diponegoro Semarang.

14