Structural Equation Modeling (SEM) |

Keunggulan SEM
https://khansamhamnida.wordpress.com
Ada beberapa keunggulan SEM diantaranya adalah

1.Kemampuan untuk membuat  model konstruk-konstruk sebagai variabel laten atau variabel –
variabel  yang tidak diukur secara langsung,  tetapi diestimasi dalam model dari variabel-variabel
yang diukur yang diasumsikan mempunyai hubungan dengan variabel tersebut– variabel latent.
2.Memungkinkan adanya asumsi-asumsi yang lebih fleksibel.

3.Kemampuan  untuk mengatasi data yang sulit, seperti data time series dengan kesalahan
otokorelasi, data yang tidak normal, dan data yang tidak lengkap.
4.Kemungkinan adanya pengujian model secara keseluruhan dari pada koefesien-koefesien secara
sendiri-sendiri

5.Penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk mengurangi

kesalahan pengukuran dengan memiliki banyak indikator dalam satu variabel laten

EVALUASI DENGAN TEKNIK ANALISA SEM

 Leave a comment
Evaluasi merupakan salah satu tahapan yang penting untuk menilai keberhasilan suatu program/ proyek/
kebijakan. Ada banyak ahli yang memiliki definisi terkait evaluasi. Menurut Stufflebeam, evaluasi adalah
proses memperoleh dan menyajikan informasi yang berguna untuk mempertimbangkan alternatif-alternatif
pengambilan keputusan.Chelimsky (1989), mendefinisikan evaluasi adalah suatu metode penelitian yang
sistematis untuk menilai rancangan,implementasi dan efektifitas suatu program. Sementara Djaali, Mulyono
dan Ramli (2000) mendefinisikan bahwa Evaluasi sebagai proses menilai sesuatu berdasarkan standar objektif
yang telah ditetapkan kemudian diambil keputusan atas obyek yang dievaluasi.

Dalam melakukan evaluasi, banyak teknik analisa yang bisa dilakukan, tergantung tujuan evaluasi serta kapan
evaluasi dilakukan. Oleh karena adanya perbedaan tersebut, muncul beberapa teknik evaluasi dalam
pengimplementasian suatu program.

 
Salah satu teknik yang dapat digunakan adalah dengan teknik analisa SEM ( Struktural Equation Model). SEM
merupakan teknik analisis multivariat yang merupakan gabungan analisis regresi, analisis jalur, analisis faktor
dan model struktural. Kelebihan SEM dibandingkan dengan analisis data yang lain adalah dapat digunakan
untuk mengetahui indikator pembentuk suatu variabel, menguji validitas dan reliabilitas suatu instrumen,
mengkonfirmasi ketepatan model dan menguji pengaruh suatu variabel terhadap variabel lain.
SEM mempunyai karakteristik yang bersifat sebagai teknik analisis untuk lebih menegaskan (confirm) dari
pada untuk menerangkan. Maksudnya, 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.

Model persamaan struktural saat ini telah banyak diaplikasikan di berbagai bidang ilmu sosial, ekonomi,
psikologi, pertanian, pendidikan, kesehatan, dan lain-lain.Dalam hal evaluasi, teknik ini dapat digunakan untuk
menilai dampak suatu kebijakan, apakah sudah memberikan dampak positif bagi pembangunan, yang sesuai
dengan teori. Dalam analisanya, teknik ini didukung oleh software AMOS dan LISREL.
Ada tujuh langkah yang harus dilakukan dalam teknik analisa SEM.

1. Langkah pertama dalam SEM adalah melakukan identifikasi secara teoretis terhadap permasalahan
penelitian. Topik penelitian ditelaah secara mendalam dan hubungan antara variabel-variabel yang akan
dihipotesiskan harus didukung oleh justifikasi teori yang kuat. Hal ini dikarenakan SEM adalah untuk
mengkonfirmasikan apakah data observasi sesuai dengan teori atau tidak.
2. Langkah kedua adalah menggambarkan kerangka penelitian dalam sebuah diagram alur (path diagram).
Kesepakatan yang ada dalam penggambaran diagram alur telah dikembangkan oleh LISREL, sehingga
tinggal menggunakannya saja.
3. Langkah ketiga adalah mengkonversikan diagram alur ke dalam persamaan, baik persamaan struktural
maupun persamaan model pengukuran. Sebenarnya langkah ini telah dilakukan secara otomatis oleh
program SEM yang tersedia (AMOS atau LISREL). Berikut adalah contoh persamaan umum struktural.
 

Variabel Endogen = Variabel Eksogen + Kesalahan estimasi

1. Langkah keempat adalah memilih jenis matrik input dan estimasi model yang diusulkan. Jenis matrik
input yang dimasukkan adalah data input berupa matrik varian atau kovarian atau matrik korelasi. Data
mentah observasi akan diubah secara otomatis oleh program menjadi matriks kovarian atau matriks
 korelasi. Dalam langkah ini, ada dua tahapan yaitu estimasi model pengukuran dan model struktur
persamaan. Estimasi Model Pengukuran (Measurement Model)Juga sering disebut dengan
Confirmatory Factor Analysis (CFA). Yaitu dengan menghitung diagram model penelitian dengan
memberikan anak panah dua arah antara masing-masing konstruk. Langkah ini adalah untuk melihat
apakah matriks kovarian sampel yang diteliti mempunyai perbedaan yang signifikan atau tidak dengan
matriks populasi yang diestimasi. Model Struktur Persamaan (Structure Equation Model) juga
sering disebut dengan Full model, yaitu melakukan running program dengan model penelitian. Langkah
ini untuk melihat berbagai asumsi yang diperlukan, sekaligus melihat apakah perlu dilakukan
modifikasi atau tidak dan pada akhirnya adalah menguji hipotesis penelitian.
 

1. Langkah kelima adalah kemungkinan munculnya masalah identifikasiyang sering muncul

sehingga model tidak layak.
 

1. Langkah Keenam: Evaluasi Kriteria Goodness of Fit

1. Uji Kesesuaian dan Uji Statistik. Ada beberapa uji kesesuaian statistik, berikut adalah beberapa
kriteria yang lazim dipergunakan
2. Uji Reliabilitas: Construct Reliability dan Varianceextracted. Nilai yang diharapkan untuk
construct reliability adalah di atas 0,7 dan variance extracted di atas 0,5.
 

1. Langkah Ketujuh: Menginterpretasikan Hasil Pengujian dan Modifikasi Model

Peneliti dapat melakukan modifikasi model untuk memperbaiki model yang telah disusun, dengan sebuah
catatan penting, yaitu bahwa setiap perubahan model harus didukung oleh justifikasi teori yang kuat. Tidak
boleh ada modifikasi model tanpa adanya dukungan teori yang kuat.

Kelebihan dan Kelemahan SEM
Beberapa kelebihan teknik analisa ini antara lain:
1. 1.      Pelibatan koreksi terhadap atenuasi.
2. 2.      Keluwesan mengembangkan model.
3. 3.      Pengujian secara komprehensif.
 4. 4.      SEM mampu mengatasi masalah ketidaknormalan distribusi (dengan beberapa syarat)
Sementara beberapa kelemahan yang dimiliki oleh SEM adalah sebagai berikut:
1. SEM tidak digunakan untuk menghasilkan model namun untuk mengkonfirmasi suatu bentuk model.
2. Hubungan kausalitas diantara variabel tidak ditentukan oleh SEM, namun dibangun oleh teori yang
mendukungnya.
3. SEM tidak digunakan untuk menyatakan suatu hubungan kausalitas, namun untuk menerima atau
menolak hubungan sebab akibat secara teoritis melalui uji data empiris.
4. Studi yang mendalam mengenai teori yang berkaitan menjadi model dasar untuk pengujian aplikasi
SEM.
 TEORI SEM (STRUCTURAL EQUATION MODEL)
 
1.1.  Pengertian Structural Equation Modeling (SEM)

1.1.1. Definisi Istilah

Apa sebenarnya  structural equation modeling  (SEM) itu? Terdapat beberapa definisi SEM,

diantaranya ialah sebagai berikut:

Structural equation modeling, yang dalam buku ini untuk selanjutnya akan disebut  SEM, adalah
suatu 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 ).

Definisi lain menyebutkan structural equation modeling (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 berikutnya mengatakan bahwa  Structural equation modeling

(SEM) merupakan teknik statistik yang digunakan untuk membangun dan menguji
model statistik yang biasanya dalam bentuk model-model sebab akibat. SEM
sebenarnya merupakan teknik hibrida yang meliputi aspek-aspek penegasan
(confirmatory) dari analisis faktor, analisis jalur dan regresi yang dapat dianggap
sebagai kasus khusus dalam SEM.

Sedikit berbeda dengan definisi-definisi sebelumnya  mengatakan structural equation

modeling (SEM) berkembang dan mempunyai fungsi mirip dengan regresi berganda,
sekalipun demikian nampaknya SEM menjadi suatu teknik analisis yang lebih kuat
karena mempertimbangkan pemodelan interaksi, nonlinearitas,  variabel – variabel
bebas yang berkorelasi (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 alternatif lain  yang lebih kuat dibandingkan dengan
menggunakan regresi berganda., analisis jalur, analisis faktor, analisis time series, dan
analisis kovarian

Dari definisi di atas dapat disimpulkan bahwa SEM mempunyai karakteristik yang
bersifat sebagai teknik analisis untuk lebih menegaskan (confirm) dari pada untuk
menerangkan. Maksudnya, 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.

1.1.2. Pengertian

Pada umumnya orang menggunakan SEM lebih  berfokus pada konstruk-konstruk

laten—yang dimaksud ialah variabel-variabel psikologis abstrak, seperti "kecerdasan"
atau "sikap terhadap merek (brand)"—dibandingkan dengan variabel-variabel
manifest (indikator) yang digunakan untuk mengukur konstruk-konstruk tersebut.
Pengukuran dianggap sulit dan rentan dengan kesalahan. Dengan adanya kesalahan
pengukuran modeling yang dapat terjadi secara eksplisit, para pengguna SEM
berusaha menurunkan estimasi-estimasi yang tidak bias untuk hubungan antara
konstruk laten.  Pada akhirnya,  SEM memungkinkan pengukuran jamak dihubungkan
dengan konstruk laten tunggal.

SEM mencakup pengukuran struktur matriks covariance atau disebut juga sebagai
"analisis struktur covariance". Sekali model parameter-parameternya sudah diestimasi,
maka model yang dihasilkan – matrik covariance kemudian dapat dibandingkan
dengan matrik kovarian yang berasal dari data empiris. Jika kedua matrices konsisten
satu dengan lainnya, maka model persamaan struktural tersebut dapat
dianggap  sebagai eksplanasi yang dapat diterima untuk hubungan-hubungan antara
pengukuran-pengukuran tersebut.

Salah satu keunggulan SEM ialah kemampuan untuk membuat  model konstruk-

konstruk sebagai variabel laten atau variabel – variabel  yang tidak diukur secara
langsung,  tetapi diestimasi dalam model dari variabel-variabel yang diukur yang
diasumsikan mempunyai hubungan dengan variabel tersebut– variabel latent. Dengan
demikian hal ini memungkinkan pembuat model secara eksplisit dapat mengetahui
ketidak-reliabilitas suatu pengukuran dalam model yang mana teori mengijinkan relasi
– relasi struktural antara variabel-variabel laten yang secara tepat dibuat suatu model.

Kenggulan-keunggulan SEM lainnya dibandingkan dengan regresi berganda

diantaranya ialah

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;

7.      Ketujuh, kemampuan untuk membuat model gangguan kesalahan (error term);

8.      Kedelapan, kemampuan untuk menguji koefesien-koefesien diluar antara

beberapa kelompok subyek;

9.      Kesembilan kemampuan  untuk mengatasi data yang sulit, seperti data time

series dengan kesalahan otokorelasi, data yang tidak normal, dan data yang
tidak lengkap.

Meskipun tidak merupakan hal yang wajib, sangat direkomendasikan untuk

mengetahui teknik analisis faktor, jika seorang peneliti ingin menggunakan SEM.

Aplikasi utama structural equation modeling meliputi:

1. Model sebab akibat (causal modeling,) atau disebut juga analisis jalur (path analysis),
yang menyusun hipotesa hubungan-hubungan sebab akibat  (causal relationships)
diantara variabel - variabel dan menguji model-model sebab akibat  (causal models)
dengan menggunakan sistem persamaan linier. Model-model sebab akibat dapat
mencakup variabel-variabel  manifest (indikator), variabel-variabel laten  atau keduanya;
2. Analisis faktor penegasan (confirmatory factor analysis), suatu teknik kelanjutan dari
analisis faktor dimana dilakukan pengujian  hipotesis – hipotesis struktur factor
loadings dan interkorelasinya;
3. Analisis faktor urutan kedua (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. Model-model regresi (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. Model-model struktur covariance (covariance structure models),  yang mana 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. Model struktur korelasi (correlation structure models), yang mana model tersebut
menghipotesakan bahwa matrix korelasi mempunyai bentuk tertentu. Contoh klasik
adalah hipotesis yang menyebutkan bahwa matrix korelasi
mempunyai  struktur circumplex.
Berbagai jenis model dalam SEM sudah termasuk dalam kategori di atas.

Prosedur SEM bersifat penegasan (confirmatory) dibandingkan sebagai prosedur yang

bersifat eksploratori. Hal ini dikarenakan penggunaan salah satu pendekatan sebagai
berikut:

1. Pendekatan penegasan saja (strictly confirmatory approach): artinya suatu model diuji
dengan menggunakan uji keselarasan SEM (goodness-of-fit tests) untuk menentukan jika
pola   varians dan kovarians dalam suatu data bersifat  konsisten dengan model jalur
struktural yang dibuat secara spesifik oleh peneliti. Sekalipun demikian pada saat model-
model lain yang tidak teramati dapat sesuai dengan  datanya atau bahkan lebih baik,
maka model yang diterima  model yang diterima hanya berupa model penegasan saja.
2. Pendekatan model-model alternatif (alternative models approach): maksudnya peneliti
dapat melakukan pengujian dua atau lebih model-model sebab akibat untuk menentukan
model mana yang paling cocok. Ada banyak pengukuran keselarasan yang
mencerminkan pertimbangan-pertimbangan yang berbeda dan biasanya peneliti
melaporkan 3 atau  4 saja.
3. Pendekatan pengembangan model (model development approach): Dalam praktiknya,
banyak penelitian yang menggunakan SEM menggabungkan antara tujuan-tujuan yang
bersifat  konfirmatori dan eksploratori, yaitu suatu  model diuji dengan menggunakan
prosedur-prosedur  SEM, karena merasa tidak cukup efisien, maka suatu model alternatif
kemudian diuji didasarkan pada perubahan-perubahan  sebagaimana disarankan dalam
indeks-indeks modifikasi SEM. Masalah dengan pendekatan ini ialah bahwa model –
model yang ditegaskan dengan menggunakan cara seperti bisa tidak stabil atau tidak akan
cocok dengan data yang baru karena sudah di buat didasarkan pada keunikan seperangkat
data awal. Untuk mengatasi hal ini, peneliti dapat menggunakan strategi validasi silang
dimana model dikembangkan dengan sampel data kalibrasi dan kemudian dikonfirmasi
dengan menggunakan sampel validasi yang independen.
Dengan mengabaikan pendekatan apapun yang digunakan, SEM tidak dapat secara
otomatis menggambar panah-panah sebab akibat dalam model – model tersebut atau
menyelesaikan ambiguitas sebab akibat Oleh karena itu, pengertian secara teoritis dan
penilaian yang dilakukan oleh peneliti tetap menjadi satu faktor yang paling penting.
 
 
 
1.2.  Asumsi
 
Untuk menggunakan SEM, peneliti memerlukan pengetahuan tentang asumsi-asumsi
yang mendasari penggunaannya. Beberapa asumsi tersebut, diantaranya ialah:
 Distribusi normal indikator – indikator multivariat (Multivariate normal distribution
of the indicators): Masing-masing indikator mempunyai nilai yang berdistribusi normal
terhadap masing-masing indikator lainnya. Karena permulaan yang kecil normalitas
multivariat dapat menuntun kearah perbedaan yang besar dalam pengujian chi-square,
dengan demikian akan melemahkan kegunaannya. Secara umum, pelanggaran  asumsi ini
menaikkan chi-square sekalipun demikian  didalam kondisi tertentu akan
menurunkannya. Selanjutnya penggunaan pengukuran ordinal atau  nominal akan
menyebabkan adanya pelanggaran normalitas multivariat. Perlu diperhatikan bahwa
normalitas multivariat diperlukan untuk estimasi kemiripan maksimum /  maximum
likelihood estimation (MLE), yang merupakan metode  dominan dalam SEM yang akan
digunakan untuk membuat estimasi koefesien - koefesien (jalur)  struktur. Khususnya,
MLE membutuhkan variabel-variabel endogenous yang berdistribusi normal.

Secara umum, sebagaimana ditunjukkan dalam suatu studi-

studi  simulasi  menunjukkan bahwa dalam kondisi – kondisi data yang sangat
tidak normal, estimasi-estimasi parameter SEM, misalnya estimasi jalur masih
dianggap akurat tetapi koefesien-koefesien signifikansi yang bersangkutan akan
menjadi terlalu tinggi. Sehingga nilai-nilai chi-square akan meningkat. Perlu
diingat bahwa untuk uji keselarasan chi-square dalam model keseluruhan, nilai
chi-square tidak harus signifikan jika ada keselarasan model yang baik, yaitu:
semakin tinggi nilai chi-square, semakin besar perbedaan model yang
diestimasi dan matrices kovarian sesungguhnya, tetapi keselarasan model
semakin jelek. Chi-square yang meninggi dapat mengarahkan peneliti berpikir
bahwa model-model yang sudah dibuat memerlukan modifikasi dari apa yang
seharusnya. Kurangnya normalitas multivariat biasanya menaikkan statistik
chi-square, misalnya, statistik keselarasan  chi-square secara keseluruhan untuk
model yang bersangkutan akan bias kearah kesalahan Type I, yaitu menolak
suatu model yang seharusnya diterima. Pelanggaran terhadap normalitas
multivariat juga cenderung menurunkan (deflate) kesalahan-kesalahan standar
mulai dari menengah sampai ke tingkat tinggi. Kesalahan-kesalahan yang lebih
kecil dari yang seharusnya terjadi mempunyai makna jalur-jalur regresi dan
kovarian-kovarian faktor / kesalahan didapati akan menjadi signifikan  secara
statistik dibandingkan dengan seharusnya yang terjadi.

 Distribusi normal multivariat variabel-variabel tergantung laten ( Multivariate

normal distribution of the latent dependent variables). Masing-masing variabel
tergantung laten dalam model harus didistribusikan secara normal untuk masing-masing
nilai dari masing-masing variabel laten lainnya. Variabel-variabel laten dichotomi akan
melanggar asumsi ini  karena alasan-alasan tersebut.
 Linieritas (Linearity). SEM mempunyai asumsi adanya hubungan linear antara variabel-
variabel indikator dan variabel-variabel laten, serta antara variabel-variabel laten sendiri.
Sekalipun demikian, sebagaimana halnya dengan regresi, peneliti dimungkinkan untuk
 menambah transformasi eksponensial, logaritma, atau non-linear lainnya dari suatu
variabel asli ke dalam model yang dimaksud.
 Pengukuran tidak langsung (Indirect measurement): Secara tipikal, semua variabel
dalam  model merupakan variabel-variabel  laten.
 Beberapa indikator (Multiple indicators).  Beberapa indikator harus digunakan untuk
mengukur masing-masing variabel laten dalam model. Regresi dapat dikatakan sebagai
kasus khusus dalam SEM dimana hanya ada satu indikator per variabel laten. Kesalahan
pemodelan dalam SEM membutuhkan adanya lebih dari satu pengukuran untuk masing-
masing  variabel laten.
 Secara teoritis tidak sedang atau baru saja diidentifikasi (Underidentified).  Suatu
model baru saja teridentifikasi jika ada banyak parameter yang harus diestimasi sebanyak
adanya elemen – elemen dalam matriks kovarian. Sebagai contoh,  dalam suatu model
dimana variabel 1 mempengaruhi variabel 2 dan juga mempengaruhi variabel 3, dan
variabel  2 juga mempengaruhi  variabel 3. Dengan demikian ada tiga parameter (anak
panah) dalam model, dan ada tiga unsur kovarian (1,2; 1,3; 2,3). Dalam kasus yang baru
saja teridentifikasi, peneliti dapat  menghitung parameter – parameter jalur tetapi untuk
melakukannya harus memanfaatkan semua derajat kebebasan yang tersedia (degrees of
freedom) dan peneliti tidak dapat menghitung uji keselarasannya.

Suatu model  disebut underidentified, atau model yang mana jumlah

parameternya yang sedang diestimasi lebih besar dari data yang sudah
diketahui, atau dengan kata lain adalah jika terdapat lebih parameter yang harus
diestimasi daripada elemen-elemen dalam matriks kovarian. Karakteristik
matematis model-model yang sedang diidentifikasi menghalangi penyelesaian
parameter yang diestimasi  dan dilakukan pengujian keselarasan dalam model.
Pemecahan masalah ini ialah dengan cara menambah lagi lebih banyak
variabel-variabel exogenous, yang harus dilakukan sebelum koleksi data.

Jika suatu model disebut underidentified atau baru saja  diidentifikasi, maka

peneliti harus melakukan salah satu atau beberapa langkah-langkah sebagai
berikut:

1. Hilangkan pembalikan umpan balik (feedback loops) dan pengaruh-pengaruh

sebab akibat  (reciprocal effects).
2. Spesifikasi pada tingkat yang pasti setiap koefesien yang magnitude-nya sudah
pasti diketahui.
3. Sederhanakan model dengan cara mengurangi jumlah anak panah, yang sama
dengan mengendalikan estimasi koefesien jalur sampai 0.
4. Sederhanakan model dengan estimasi jalur (anak panah) dengan cara-cara lain,
yaitu: kesejajaran (equality), artinya sama dengan  estimasi yang lain),
proporsional ( proportionality),  artinya  proporsional dengan estimasi yang lain,
atau ketidak-sejajaran (inequality),  artinya lebih besar atau lebih kecil daripada
estimasi yang lain.
5. Pertimbangkan untuk menyederhanakan model dengan cara menghilangkan
beberapa variabel.
 6. Hilangkan beberapa variabel yang nampaknya mempunyai multicollinear dengan
variabel-variabel lainnya.
7. Tambahkan variabel-variabel exogenous yang sebaiknya dilakukan sebelum
pengambilan data.
8. Miliki setidak-tidaknya tiga indikator untuk satu variabel laten.
9. Tegaskan opsi untuk the listwise, bukan pairwise, dan perlakuan terhadap data
yang hilang sudah dipilih.
10. Pertimbangkan untuk menggunakan bentuk estimasi yang berbeda,
misalnya  GLS atau ULS sebagai ganti  MLE.

         Rekursivitas (Recursivity): Suatu
model disebut  rekursif jika semua anak
panah menuju satu arah, tidak ada pembalikan umpan balik (feedback looping),
dan faktor gangguan (disturbance terms) atau kesalahan sisaan (residual error)
untuk variabel-variabel endogenous yang tidak dikorelasikan. Dengan kata lain,
model-model recursive merupakan model-model dimana semua anak panah
mempunyai satu arah tanpa putaran umpan balik dan peneliti dapat membuat
asumsi kovarian – kovarian gangguan kesalahan semua 0, yang berarti bahwa
semua variabel yang tidak diukur yang merupakan  determinan dari variabel-
variabel endogenous tidak dikorelasikan satu dengan lainnya sehingga tidak
membentuk putaran umpan balik (feedback loops). Model – model dengan
gangguan kesalahan yang berkorelasi dapat diperlakukan sebagai model
recursive hanya jika tidak ada pengaruh-pengaruh langsung diantara variabel-
variabel endogenous. Contoh bentuk rekursive dapat dilihat dalam contoh di
bawah ini yang diambil dari John Fox (2002):

 
Konvensi berikut ini diantaranya menggunakan model makroekonomi dari Klein
untuk menggambarkan diagram jalurnya.
        Variabel-variabel yang diobservasi secara langsung diletakkan dalam kotak
empat persegi panjang.
        Variabel-variabel yang tidak diobservasi diletakan dalam lingkaran, umumnya
bentuknya elips. Dalam model ini, variabel-variabel yang tidak dobservasi
hanya merupakan variabel gangguan (disturbances).
        Variabel-variabel exogenous diwakili dengan x; variabel-variabel endogenous
dengan y; dan gangguan dengan ζ.
        Anak panah satu arah mewakili parameter-parameter struktural. Variabel-
variabel endogenous dibedakan dari variabel-variabel exogenous dengan
mempunyai anak panah satu arah menuju kearah variabel-variabel tersebut,
sedang variabel-variabel exogenous hanya nampak pada ekor anak panah satu
arah.
        Anak panah dengan dua arah mewakili kovarian-kovarian bukan penyebab,
secara potensial tidak bernilai nol, dan kovarian antara variabel-variabel
exogenous dan umumnya diantara gangguan-gangguan.
        Seperti sebelumnya, γ digunakan sebagai parameter –parameter struktural
yang menghubungkan antara satu variabel endogenous dengan variabel
exogenous, sedang β digunakan sebagai parameter-parameter struktural yang
menghubungkan satu variabel endogenous dengan variabel endogenous
lainnya.
        Dalam hal tertentu pengurutan variabel-variabel dalam bentuk horisontal
berhubungan dengan urutan sebab akibatnya: Dengn demikian, ‘penyebab’
nampak disebelah kiri dari  ‘akibat.’ Persamaan-persamaan struktural model
ini dapat dibaca  dari diagram jalur sebagai berikut:
y1i = γ10 + γ11x1i + γ12x2i + ζ1i
y2i = γ20 + γ21x1i + γ22x2i + β21y1i + ζ2i
y3i = γ30 + γ32x2i + β31y1i + β32y2i + ζ2i
Model-model recursive mempunyai dua karaktareistik sebagai berikut:
        Tidak ada jalur arah sebab akibat (reciprocal directed paths)
atau feedback loops dalam  diagram jalur.
        Gangguan berbeda bersifat independent antara satu dengan
lainnya. Sebagai akibat dari dua ciri ini, maka,  predictors dalam
suatu persamaan struktural dengan model recursive selalu bebas
dari kesalahan persamaan tersebut, dan persamaan struktural dapat
diestimasi dengan menggunakan regresi OLS. Membuat estimasi
model recursive hanya merupakan ururtan dari regresi OLS.
 Tidak dapat diidentifikasi secara empiris karena adanya multikolinearitas tinggi:
Suatu model dapat secara teoritis diidentififikasi tetapi tidak dapat diselesaikan karena
 masalah-masalah empiris, misalnya adanya multikolinearitas tinggi dalam setiap model,
or atau estimasi jalur (path estimates) mendekati 0 dalam model-model non-recursive.

Tanda-tanda multikolinearitas tinggi, diantaranya:

o Pembobotan  regresi yang dibakukan: Karena semua variabel model SEM sudah

dikenakan metrik sebesar 1, maka semua pembobotan   regresi yang dibakukan
harus berada dalam cakupan plus atau minus 1. Apabila ada masalah
multikolinearitas, pembobotan yang mendekati 1 menunjukkan bahwa dua
variabel mendekati untuk sedang diidentifikasil. Jika kedua variabel laten yang
hampir identik ini kemudian digunakan sebagai penyebab terhadap variabel laten
ketiga, maka metode SEM akan mengalami kesulitan dalam proses penghitungan
pembobotan-pembobotan regresi yang terpisah untuk dua jalur dari variabel-
variabel yang hampir sama dan variabel ketiga. Sebagai hasilnya akan muncul
satu pembobotan regresi yang dibakukan lebih besar dari +1 dan satu pembobotan
kurang dari -1 untuk kedua jalur tersebut.
o Kesalahan-kesalahan standar pada pembobotan regresi yang tidak baku: Jika ada
dua variabel laten yang hampir mirip, dan keduanya digunakan sebagai penyebab
satu variabel laten ketiga, kesulitan dalam menghitung pembobotan regresi
terpisahkan terefleksikan  dalam kesalahan-kesalahan satndar yang semakin besar
untuk jalur-jalur tersebut dalam suatu model, yang merefleksikan
multikolinearitas yang tinggi dari kedua variabel yang hampir sama tersebut.
o Kovarian-kovarian estimasi parameter: Kesulitan yang sama dalam
penghitungan  pembobotan regresi terpisah akan terefleksikan  secara jelas
dengan tingginya angka kovarian estimasi parameter untuk jalur-jalur tersebut –
estimasi lebih tinggi dibandingkan dengan kovarian –kovarian estimasi – estimasi
parameter untuk jalur-jalur lain dan model tersebut.
o Estimasi-estimasi varian: Akibat lain dari sindrom multikolinearitas yang sama
adalah estimasi – estimasi varian kesalahan  negatif. Pada contoh di atas dua
variabel laten yang hampir sama mempengaruhi satu variabel laten ketiga, maka
estimasi varian dari variabel ketiga ini akan negatif.
 Data interval: Sebaiknya  data interval  digunakan dalam SEM. Sekalipun demikian,
tidak seperti pada analisis jalur tradisional, kesalahan model-model SEM yang eksplisit
muncul karena penggunaan data ordinal. Variabel-variabel exogenous berupa variabel-
variabel dichotomi 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.
 Ketepatan yang tinggi: Apakah data berupa data interval atau ordinal, data-data tersebut
harus mempunyai jumlah nilai yang besar. 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.
 Residual-residual acak dan kecil: Rata-rata  residual – residual  atau kovarian hasil
pengitungan yang diestimasikan minus harus sebesar 0, sebagaimana dalam  regresi.
Suatu model yang sesuai akan hanya mempunyai residual – residual kecil. Residual –
 residual besar menunjukkan kesalahan spesifikasi model, sebagai contoh, beberapa jalur
mungkin diperlukan untuk ditambahkan ke dalam  model tersebut.
 Gangguan kesalahan yang tidak berkorelasi (Uncorrelated error terms) seperti dalam
regresi, maka gangguan kesalahan diasumsikan saja. Sekalipun demikian,  jika memang
ada  dan dispesifikasi secara eksplsit dalam model oleh peneliti, maka kesalahan yang
berkorelasi (correlated error) dapat diestimasikan dan dibuat modelnya dalam SEM.
 Kesalahan residual yang tidak berkorelasi (Uncorrelated residual error): Kovarian
nilai – nilai variabel tergantung yang diprediksi dan residual – residual harus sebesar 0.
 Multikolinearitas yang lengkap: multikolinearitas diasumsikan tidak ada, tetapi
korelasi antara semua variabel bebas dapat dibuat model secara eksplisit dalam SEM.
Multikolinearitas yang lengkap akan menghasilkan matrices kovarian tunggal, yang mana
peneliti tidak dapat melakukan penghitungan tertentu, misalnya inversi matrix karena
pembagian dengan 0 akan terjadi.
 Ukuran Sampel tidak boleh kecil karena  SEM bergantung pada pengujian-pengujian
yang sensitif terhadap ukuran  sampel dan magnitude perbedaan-perbedaan
matrices  kovarian. Secara teori, untuk ukuran sampelnya berkisar antara 200 - 400 untuk
model-model yang mempunyai indikator antara 10 - 15. Satu survei terhadap 72
penelitian yang menggunakan SEM didapatkan  median sukuran sampel sebanyak 198.
Sampel di bawah 100 akan kurang baik hasilnya jika menggunakan SEM. 

 
 
 
 
 
 
 
 
 
1.3.  Prinsip Dasar Dibalik SEM

Dalam statistik terdapat generaliasi yang menyatakan bahwa beberapa variabel saling
terkait satu dengan yang lain dalam  suatu kelompok persamaan linear. Aturan-
aturannya kemudian menjadi lebih rumit, penghitungan-penghitungan menjadi lebih
rumit, sekalipun demikian dasarnya tetap sama, yaitu peneliti dapat menguji apakah
variabel-variabel tersebut saling berkaitan satu dengan yang lainnya melalui satu
perangkat hubungan-hubungan linear dengan memerksa varian-varian dan kovarian
variabel-variabel tersebut.

Para ahli statistik telah mengembangkan prosedur – prosedur untuk menguji apakah

seperangkat varian dan kovarian dalam suatu matrix cocok dengan struktur tertentu.
Cara pemodelan struktural bekerja sebagai berikut:
 1. Nyatakan secara tegas bahwa beberapa variabel  berkaitan antara satu dengan yang
lainnya dengan menggunakan diagram jalur.
2. Teliti melalui beberapa aturan internal yang kompleks implikasi-implikasi apa saja dalam
kaitannya degan varian – varian  dan kovarian-kovariannya beberapa variabel tersebut.
3. Ujilah apakah semua varian dan kovarian cocok dengan modelnya.
4. Laporkan hasil-hasil pengujian statistik, dan juga estimasi-estimasi  parameter
serta  kesalahan-kesalahan standard untuk semua koefisen numerik yang ada dalam
persamaan linear.
5. Berdasarkan semua informasi di atas, peneliti memutuskan apakah model nampak  sesuai
dengan data yang dipunyai atau tidak.

Terdapat beberapa hal yang penting dan sangat mendasar untuk melakukan proses ini,
yaitu:

        Pertama, meski proses penghitungan matematis SEM sangat rumit,

sebenarnya logika dasarnya sudah tercakup dalam lima langkah di atas

        Kedua, kita harus ingat adalah sesuatu yang tidak masuk akal jika
peneliti mengharapkan model  struktural sesuai secara sempurna.  Suatu
model struktural dengan hubungan-hubungan linear hanya dapat
mendekati kesesuaian. Karena dalam kenyataan sehari hari dunia ini
tidak linear. Oleh karena itu sebenarnya hubungan-hubungan antar
variabel mungkin tidak linear juga. Sehingga asumsi-asumsi
pertanyaannya seharusnya tidak seperti ini: "Apakah model yang dibuat
cocok benar?" melainkan sebagai berikut: "Apakah model cukup sesuai
mendekati kenyataan dan memberikan keterangan yang masuk akal
terhadap kecenderungan data yang dimiliki?”

 Ketiga, peneliti harus ingat bahwa hanya karena model sudah sesuai dengan data
maka secara otomatis model tersebut benar. Oleh karena itu, peneliti dapat
menyatakan jika suatu model sebab akibat itu benar, maka akan sesuai degan data
yang ada. Akan tetapi model yang sesuai dengan data tidak secara langsung
berarti model tersebut benar, karena akan ada model lain juga yang akan sesuai
dengan data.
 
 
 
1.4.  Konsep-Konsep  dan Istilah Dasar
Bagian ini akan dibahas beberapa konsep dasar dalam SEM, diantaranya:
 Dua tahapan proses SEM: pertama, melakukan validasi model pengukuran dan kedua
menyesuaikan dengan model  struktural. Langkah  pertama diselesaikan dengan melalui
analisis faktor penegasan (confirmatory factor analysis), sedang langkah kedua
diselesaikan melalui analisis jalur (path analysis) dengan variabel-variabel laten.  Peneliti
memulai dengan melakukan spesifikasi suatu  model didasarkan pada teori. Masing-
 masing variabel dalam model dikonseptualisasikan sebagai variabel laten dan yang
diukur dengan beberapa indikator. Beberapa indikator dikembangkan untuk masing-
masing  model. Untuk masing-masing variabel laten diikuti dengan setidak-tidak tiga
indikator setelah dilakukan analisis faktor penegasan. Dengan menggunakan sampel yang
besar, sebaiknya di atas 100 (n>100), analisis faktor digunakan untuk menetapkan bahwa
indikator – indikator tersebut yang akan digunakan untuk mengukur variabel-variabel
laten yang berhubungan dan yang diwakili dengan beberapa faktor. Peneliti dapat
melanjutkan prosesnya jika model pengukuran sudah divalidasi. Dua model atau lebih
kemudian dibandingkan dalam kesesuaian modelnya, yang mengukur sejauh mana
kovarian yang diprediksi oleh model tersebut berhubungan dengan kovarian yang
diobservasi dalam data.
 Program-program untuk analisis SEM:  LISREL, AMOS, dan EQS merupakan
program-program perangkat lunak untuk melakukan analisis SEM. Lisrel dan Amos
diproduksi oleh SPSS.
 Indikator merupakan variabel-variabel yang diobservasi (observed variable), kadang
disebut sebagai variabel manifest (manifest variables) atau variabel referensi (reference
variables). Sebaiknya peneliti menggunakan empat variabel atau lebih. Tiga variabel juga
sudah cukup dapat diterima. Jika hanya digunakan dua variabel, maka analisis akan
bermasalah. Berkaitan dengan itu, jika hanya digunakan satu pengukuran, maka
kesalahan (error) tidak dapat dibuat  model. Model – model yang menggunakan hanya
dua indikator per variabel laten akan sulit diidentifikasi (underidentified) dan estimasi-
estimasi kesalahan akan tidak reliabel.
 Variabel-variabel laten merupakan variabel-variabel yang tidak terobservasi
(unobserved variables) atau disebut sebagai konstruk (constructs) atau sebutan lainnya
ialah faktor (factors) yang diukur dengan menggunakan indikator-indikator masing-
masing. Variabel-variabel laten mencakup variabel bebas, perantara dan tergantung.
Variabel-variabel "exogenous" merupakan variabel bebas dengan tanpa variabel
penyebab sebelumnya. Variabel-variabel "endogenous"merupakan variabel-variabel
perantara yang dapat sebagai efek dari  variabel exogenous lainnya atau variabel-variabel
perantara, dan merupakan penyebab terhadap variabel-variabel perantara lainnya dan
variabel-variabel tergantung, serta dapat berfungsi sebagai variabel-variabel tergantung
sebenarnya. Variabel-variabel dalam suatu model dapat bersifat mengalir keatas
(upstream) atau kebawah (downstream) tergantung pada apakah variabel-variabel
tersebut dianggap sebagai penyebab atau akibat. Representasi dari variabel-variabel laten
tergantung pada hubungan mereka terhadap variabel-variabel indikator yang diobservasi
merupakan salah satu karakteristik SEM.
Catatan: Variabel-variabel indikator tidak dapat dikombinasikan secara
arbitrer untuk  membentuk variabel-variabel laten. Sebagai contoh,
menggabungkan variabel jender, ras, atau variabel-variabel demografi
lainnya untuk membentuk satu variabel laten yang disebut "faktor-faktor
latar belakang" akan berakibat tidak benar karena penggabungan tersebut
tidak mewakili kontinum yang mendasari makna variabel-variabel yang
digabung. Langkah analisis faktor konfirmatori dalam SEM merupakan
suatu pengujian makna dari variabel-variabel laten dan indikator-
indikatornya Sekalipun demikian peneliti juga dapat mengaplikasikan
 pengujian tradisional, seperti  Cronbach's alpha atau melakukan analisis
faktor tradisional, seperti  membuat faktor axis utama
 Model pengukuran. Model pengukuran adalah bagian dari suatu model SEM yang
berhubungan dengan variabel-variabel laten dan  indikator-indikatornya. Model
pengukuran  murni disebut model analisis faktor konfirmatori  atau confirmatory factor
analysis (CFA) dimana terdapat kovarian yang tidak terukur antara masing-masing
pasangan variabel-variabel yang memungkinkan. Terdapat anak panah lurus
dari  variabel-variabel laten kearah indikator-indikator masing-masing. Terdapat anak
panah – anak panah lurus dari faktor kesalahan dan gangguan (error and disturbance
terms) kearah variabel-variabel masing-masing. Sekalipun demikian tidak ada pengaruh
langsung  atau anak panah lurus yang menghubungkan dengan variabel-variabel laten.
Model pengukuran dievaluasi sebagaimana model  SEM lainnya dengan
menggunakan  pengukuran uji keselarasan. Proses analisis hanya dapat dilanjutkan jika
model pengukuran  valid.
 Model yang tidak mempunyai efek (The null model). Model pengukuran biasanya
digunakan sebagai model yang tidak mempunyai pengaruh (null model), perbedaan-
perbedaan yang seharusnya signifikan jika model struktural yang diusulkan harus diteliti
lebih lanjut. Dalam model ini, semua kovarian dalam matriks kovarian untuk semua
variabel laten yang diasumsikan nol.
 Model struktural. Model struktural dapat dikontraskan dengan model pengukuran.
Model ini adalah seperangkat variabel exogenous dan endogenous dalam suatu model,
bersamaan dengan efek langsung atau arah anak panah langsung yang menghungkannya,
dan faktor gangguan untuk semua variabel tersebut.
 Analisis faktor konfirmatori (Confirmatory factor analysis (CFA)) boleh digunakan
untuk menegaskan bahwa semua indikator mengelompokan sendiri kedalam faktor-faktor
yang berkaitan dengan bagaimana peneliti telah menghubungkan  indikator-indikator
dengan variabel-variabel laten. CFA mempunyai peranan penting dalam SEM. Model-
model CFA dalam SEM digunakan untuk menilai peranan kesalahan pengukuran  dalam
model, untuk validasi model  multifaktorial, dan untuk menentukan efek-efek kelompok
pada faktor-faktor.
 
 Spesifikasi model merupakan proses dimana peneliti meyakinkan bahwa efek-efeknya
tidak ada (null), yang sesuai dengan nilai konstan biasanya sebesar 1.0, dan kadang juga
bervariasi. Efek-efek variabel berhubungan dengan anak panah – anak panah dalam
model tersebut; sedang tidak adanya efek berhubungan dengan  ketidak adanya anak
panah. Efek-efek yang sudah pasti biasanya merefleksikan  efek-efek yang parameternya
sudah ada dalam teori atau yang biasanya ditentukan sebesar 1.0 untuk menetapkan suatu
metrik untuk  satu variabel  laten.
Model spesifikasi ada dua: pertama model parsimony (model yang dibuat
sesederhana mungkin), yaitu suatu model dimana tidak adanya efek dibatasi
sampai 0 yang akan selalu sesuai dengan data yang ada sekalipun model
tersebut tidak mempunyai makna. Model yang lebih mendekati adalah model
yang paling kompleks yang akan menjadi lebih sesuai dengan data.
Kekurangan parsimony merupakan suatu masalah khusus untuk model-model
dengan variabel yang jumlahnya sedikit.
 Cara-cara mengurangi kompleksitas model adalah pertama, dengan
menghilangkan efek-efek langsung dari satu variabel laten ke yang lain; kedua,
menghilangkan efek-efek langsung dari variabel-variabel laten yang menuju ke
variabel indikator yang sama; dan ketiga, menghilangkan korelasi yang tidak
dianalisis atau semua anak-panah dengan dua arah yang berbentuk kurva
faktor-faktor kesalahan pengukuran serta antara faktor-faktor gangguan dari
variabel-variabel endogenous. Pada masing-masing kasus, semua anak panah
dapat dihilangkan dari model jika tidak ada alasan teoritis yang digunakan
untuk menduga bahwa memang efek atau korelasi ada.
Model spesifikasi kedua disebut sebagai faktor-faktor interaksi dan  power
polynomials  dimana hal tersebut dapat ditambahkan terhadap model struktural
sebagaimana biasanya ditambahkan ke dalam regresi berganda. Sekalipun
demikian, untuk menghindari temuan-temuan keselarasan yang hanya
disebabkan oleh pengaruh rata-rata, diusulkan untuk memfokuskan efek utama
terlebih dahulu ketika sedang menambahkan faktor-faktor tersebut.
Pemfokusan dilakukan dengan  cara mengurangi rata-rata dari masing masing
nilai. Tindakan ini akan memberikan efek mengurangi secara substansial
kolinearitas antara variabel akibat utama dan interaksi serta faktor-
faktor polynomial.
 
 Metrik. Dalam SEM, masing-masing variabel laten yang tidak terobservasi harus
dikenakan secara eksplisit suatu  metrik, yang merupakan skala pengukuran. Hak ini
biasanya dilakukan dengan cara membatasi salah satu jalur dari variabel laten yang
menuju kearah salah satu dari variabel-variabel indikatornya, sebagaimana saat
memberikan nilai 1 untuk jalur tersebut. Dengan diberikannya batasan tersebut, jalur-
jalur berikutnya dapat diestimasi. Indikator yang dipilih untuk dibatasi menjadi 1
adalah  butir referensi  (reference item).
 Kesalahan dan faktor gangguan (error and disturbance terms). Kesalahan atau error
term menunjuk pada faktor kesalahan pengukuran yang dikaitkan dengan indikator yang
diberikan. Dimana model-model regresi secara implisit diasumsikan mempunyai
kesalahan pengukuran sebesar 0. Faktor-faktor kesalahan secara eksplisit dibuat
modelnya dalam SEM dan sebagai hasil dari koefesien-koefesien jalur yang dibuat model
dalam  SEM. Perlu diingat bahwa faktor-faktor kesalahan pengukuran tidak boleh
disamakan dengan faktor-faktor kesalahan residual (residual error terms), yang juga
disebut sebagai faktor-faktor gangguan (disturbance terms), yang  merefleksikan varian
yang tidak dapat diterangkan dalam variabel – variabel laten endogenous variable
disebabkan oleh beberapa  penyebab yang tidak diukur.
 Faktor-faktor kesalahan yang berkorelasi (correlated error terms) mengacu pada
situasi dimana pengetahuan tentang residu satu indikator akan membantu dalam
mengetahui residu yang dihubungkan dengan indikator yang lain. Faktor-faktor kesalahan
yang tidak berkorelasi (uncorrelated error terms) merupakan suatu asumsi regresi,
dimana faktor-faktor  kesalahan korelasi dapat atau sebaiknya harus secara eksplisit
dibuat model dalam SEM. Maksudnya, dalam regresi peneliti membuat model  variabel-
 variabel, sedang dalam SEM peneliti harus membuat model kesalahan serta  variabel –
variabel yang bersangkutan.
 Koefesien struktural atau jalur merupakan besarnya efek yang dihitung dengan
menggunakan program estimasi model.
1. Tipe-tipe estimasi koefisien - koefesien dalam SEM. Koefesien-koefesien
struktural dalam SEM dapat dihitung  dengan berbagai cara. Biasanya, peneliti
akan mendapatkan estimasi yang mirip dengan setiap metode yang digunakan.
Metode tersebut diantaranya ialah:
 Estimasi kesamaan maksimum (Maximum likelihood estimation (MLE))
yang merupakan metode yang paling umum. MLE membuat estimasi
didasarkan pada tindakan memaksimalkan probabilitas (likelihood) bahwa
kovarian-kovarian yang diobservasi ditarik dari suatu populasi yang
diasumsikan sama seperti yang direfleksikan dalam estimasi-
estimasi  koefisien. Artinya, MLE mengambil estimasi-estimasi yang
mempunyai  kesempatan terbesar untuk mereproduksi data yang
diobservasi.
 Metode estimasi lainnya memang ada dan mungkin dapat cocok dalam
situasi-situasi tertentu, diantaranya, yaitu GLS (generalized least squares)
yang merupakan metode kedua yang paling populer setelah MLE. GLS
dapat bekerja dengan baik untuk sampel besar, misalnya diatas
2500  (n>2500).
2. Koefesien-koefesien struktural (jalur) yang sudah
distandarisasi (Standardized structural (path) coefficients). Estimasi koefesien
struktutral yang distandarisasi didasarkan pada data yang sudah distandarisasi
yang mencakup matriks-matriks korelasi. Estimasi yang sudah distandarisasi
digunakan untuk pada saat membandingkan  efek-efek langsung terhadap satu
variabel  endogenous yang diberikan dalam suatu studi kelompok tunggal, yaitu
sebagaimana dalam regresi OLS. Pembobotan yang sudah distandarisasi  (the
standardized weights) digunakan untuk membandingkan tingkat kepentingan
relatif dari variabel-variabel bebas. Penafsirannya sama dengan regresi, yaitu jika
suatu koefesien struktural yang sudah distandarisasi adalah sebesar 2.0, maka
variabel laten tergantung akan meningkat menjadi sebesar 2.0 unit –
unit  standard  untuk masing-masing unit meningkat dalam variabel laten bebas .
3. Rasio Kritis dan signifikansi koefesien-koefesien jalur (The Critical Ratio
(CR)  and significance of path coefficients). Pada saat besarnya rasio
krisis  (CR)  > 1.96 untuk pembobotan regresi (regression weight), dan jalur
signifikan pada level 0,05.
4. Rasio krisis dan signifikansi kovarian-kovarian faktor (The Critical Ratio and
the significance of factor covariances). Signifikansi kovarian-kovarian yang
diestimasi diantara variabel-variabel laten dinilai dengan cara yang sama, yaitu
jika mereka mempunyai CR > 1.96, maka merka signifikan.
5. Koefesien-koefesien struktural (jalur) yang tidak
distandarisasi (Unstandardized structural (path) coefficients). Estimasi-estimasi
yang tidak distandarisasi didasarkan pada data mentah atau  matriks-
matriks  kovarian. Pada saat sedang membandingkan kelompok-kelompok, maka
indikator-indikator dapat mempunyai varian-varian yang berbeda, seperti juga
 pada variabel-variabel laten, faktor-faktor kesalahan pengukuran (measurement
error terms), dan faktor-faktor gangguan (disturbance terms). Jika kelompok-
kelompok mempunyai varian-varian yang berbeda, maka perbandingan yang tidak
distandarisasi akan lebih disukai. Untuk estimasi-estimasi yang tidak
distandarisasi, koefesien-koefesien yang sama mempunyai makna efek-efek
absolut yang sama terhadap y. Sedang estimasi-estimasi yang distandarisai,
koefesien-koefesien yang sama mempunyai makna efek-efek yang sama terhadap
y relatif terhadap perbedaan-perbedaan dalam rata-rata dan varian.
 Muatan (Loadings): Variabel-variabel laten dalam SEM sama dengan faktor-faktor
dalam analisis faktor, dan variabel-variabel indikator juga mempunyai  muatan (loadings)
pada variabel-variabel laten masing-masing. Seperti dalam analisis faktor, muatan-
muatan tersebut dapat digunakan untuk memahami makna dari  faktor-faktor atau
variabel-variabel laten. Jumlah muatan yang dikuadratkan untuk semua indikator sama
dengan korelasi jamak yang dikuadratkan untuk variabel-variabel laten Y atau X. Muatan
juga digunakan untuk menilai reliabilitas variabel-variabel laten sebagaimana diterangkan
di bagian berikut ini:

o        Pengujianuntuk invariance pengukuran dalam lintas

kelompok Testing for measurement invariance across groups
(multigroup modeling). Peneliti sering menginginkan dapat menentukan
seandainya model SEM dapat diaplikasikan kedalam lintas kelompok.
Prosedur umum adalah melakukan pengujian
untuk invariance pengukuran antara model yang tidak dibatasi untuk
semua kelompok yang dikombinasikan, kemudian untuk  suatu model
dimana parameter-parameter tertentu dibatasi menjadi sama diantara
kelompok-kelompok tersebut. Jika statistik pembeda chi-square tidak
membeberkan adanya perbedaan yang  signifikan  antara model asli
dengan model sama yang, maka peneliti menyimpulkan bahwa model
mempunyai invariance pengukuran lintas kelompok, oleh karena it
modelnya dapat diaplikasikan dalam lintas kelompok.

o Pengujian untuk invariance struktural dalam lintas kelompok (Testing for

Structural Invariance across Groups). Jika orang
mendemonstrasikan invariance model pengukuran pada lintas kelompok sudah
biasa, maka memungkinkan juga bagi peneliti untuk melakukan pengujian
terhadap invariance struktural dalam lintas kelompok. Pengujian-pengujian
seperti ini dilakukan dengan menghubungkan  semua anak panah yang saling
berhubungan dalam variabel - variabel laten  satu dengan lainnya digambar secara
benar dengan cara yang sama bagi masing-masing kelompok dalam suatu analisis.
Prosedur ini sama dengan pengujian untuk pengukuran invariance. Pengujian
perbedaan  chi-square dapat dilakukan. Jika model-model dasar dan yang dibatasi
secara signifikan tidak berbeda, maka hal tersebut disimpulkan bahwa model
struktural bersifat  invariant antara  sampel kalibrasi dan validasi, oleh karena itu
pada model tersebut sebaiknya dilakukan validasi silang. Sebaliknya, Jika model-
model dasar dan yang dibatasi secara signifikan berbeda, peneliti dapat membut
 kesimpulan bahwa ada efek moderasi pada hubungan sebab akibat dalam model
dan efek bervariasi didasarkan kelompok masing-masing.
o Reliabilitas konstruk (Construct reliability). Didasarkan pada konvensi besarnya
setidak-tidaknya 0,70 untuk muatan-muatan faktor factor loadings. Misalnya
sli merupakan muatan-muatan yang distandarisasi  (the standardized
loadings) untuk semua indikator dalam variabel laten tertentu dan e i merupakan
faktor kesalahan yang berkorepondensi  (corresponding error terms), dimana
kesalahan sebesar 1 minus reliabilitas indikator, yang merrupakan kudrat dari
muatan indikator yang distandarisasi, maka
reliabilitas = [(SUM(sli))2]/[(SUM(sli))2 + SUM(ei))].
o Varian yang diekstrak (Variance extracted), didasarkan pada konvensi besarnya
setidak-tidaknya 0,50. Formulanya merupakan variasi pada reliabiltas konstruk
sbb:
Variance extracted = [(SUM(sli2)]/[(SUM(sli2) + SUM(ei))].
 R kuadrat, korelasi jamak yang dikuadratkan (R-squared, the squared multiple
correlation). Ada satu R kuadrat atau disebut juga sebagai korelasi jamak yang
dikuadratkan (squared multiple correlation (SMC)) untuk masing-masing  variabel
endogenous dalam suatu model tertentu, yaitu varian persen yang diterangkan dalam
variabel tersebut.
1. Korelasi jamak yang dikuadratkan untuk variabel Y: Ini merupakan bagian
dari keluaran LISREL yang memberikan  persen varian dalam indikator-indikator
variabel tergantung yang dikenakan pada variabel (variabel) laten tergantung
terhadap kesalahan pengukuran.
2. Korelasi jamak yang dikuadratkan untuk variabel X: Ini merupakan bagian
dari keluaran LISREL yang memberikan  persen varian dalam indikator-indikator
variabel tergantung yang dikenakan pada variabel (variabel) laten bebas terhadap
kesalahan pengukuran
3. Korelasi jamak yang dikuadratkan untuk persamaan-persamaan
struktural: Ini merupakan bagian dari keluaran LISREL yang
memberikan  persen varian dalam variabel (variabel  ) laten tergantung  yang
berfungsi untuk menerangkan variabel-variabel laten bebas.
 Solusi yang distandarisasi secara lengkap: matriks korelasi eta dan KSI (Completely
standardized solution: correlation matrix of eta and KSI): Dalam keluaran LISREL, ini
merupakan matriks korelasi-korelasi variabel-variabel laten tergantung dan bebas. Eta
merupakan koefesien korelasi  nonlinear.

         Pengujian
keselarasan (Goodness of fit tests) menentukan jika suatu  model
sedang diuji harus diterima atau ditolak. Pengujian keselarasan total ini tidak
akan menetapkan jalur-jalur khusus tersebut dalam suatu model untuk dapat
menjadi signifikan. Jika suatu model diterima, maka peneliti kemudian akan
melakukan interpretasi terhadap koefesien-koefesien jalur dalam model
tersebut. Perlu diketahui bahwa koefesien jalur yang signifikan dalam model-
model yang tidak selaras akan tidak mempunyai arti..
 Dalam kasus-kasus dimana variabel-variabel mempunyai korelasi rendah, maka
koefesien-koefesien structural (lajur) akan rendah juga. Peneliti harus
memberikan keterangan tidak hanya pengukuran keselarasan tetapi juga semua
koefesien struktural sehingga kekuatan-kekuatan jalur dalam model dapat
dinilai.

Kecocokan yang bagus tidak berarti bahwa masing-masing bagian model

tertentu mempunyai kecocokan atau keselarasan secara baik. Suatu kecocokan
yang baik juga tidak berarti bahwa semua variable exogenous menjadi
penyebab terhadap variable-variabel  endogenous . Perlu  diingat juga bahwa
peneliti dapat vmemperoleh kecocokan yang tidak baik bukan karena model
strukturalnya yang salah tetapi karena disebabkan oleh model pengukuran yang
salah.

Suatu  model dengan indikator-indikator yang lebih sedikit untuk setiap satu

faktor akan mempunyai penampakan kecocokan yang tinggi daripada
sebuah  model dengan lebih banyak indikator untuk setiap  faktornya.

         Fungsi
kesamaan maksimal (maximum likelihood function, LL) bukan
merupakan pengujian keselarasan itu sendiri tetapi digunakan sebagai satu
komponen dari yang lainnya. Fungsi ini merefleksikan perbedaan antara matriks
kovarian dan matriks yang diprediksi dengan menggunakan model tersebut. Fungsi
tersebut sbb:

o Kesamaan log dasar (Baseline log likelihood)  merupakan kesamaan  ketika tidak

ada variabel bebas dan hanya ada konstan dalam persamaan tersebut.
o Kesamaan log model (Model log likelihood) merupakan kesamaan log ketika
variabel bebas disertakan dalam model juga. Semakin besar perbedaan LL dasar
minus LL model, semakin meyakinkan peneliti bahwa semua variabel bebas
benar-benar memberikan kontribusi terhadap model lebih dari sekedar jumlah
yang acak.
 Pengujian-pengujian keselarasan didasarkan pada  kovarian yang diprediksi dan yang
diobservasi (Goodness-of-fit tests based on predicted vs. observed covariances):
Pengukuran seperangkat keselarasan ini didasarkan pada kecocokan model
terhadap momen-,momen  sampel, yang mempunyai arti membandingkan
matriks kovarian yang diobservasi dengan matriks yang diestimasi dengan
asumsi bahwa model yang sedang diuji benar. Pengukuran-pengukuran ini,
dengan demikian, menggunakan apa yang disebut dengan fungsi keterbedaan
konvensional (conventional discrepancy function).
 Pengujian-pengujian keselarasan dengan membandingkan model yang diberikan dan
model alternatif (Goodness-of-fit tests comparing the given model with an alternative
model):
 Pengukuran-pengukuran keselarasan ini membandingkan model yang dibuat
oleh peneliti untuk dicocokkan dengan model yang lain. Kondisi ini akan baik
jika ada model kedua. Jika tidak model yang dispesifikasi, maka paket-paket
statistik biasanya menggunakan standar (default) untuk membandingkan model
yang sudah dibuat dengan model yang independen. Model bebas adalah model
nol, yang merupakan model dimana semua variabel diasumsikan tidak
berkorelasi dengan variabel (variabel) tergantung.

 Pengujian-pengujian keselarasan tes didasarkan  pada kovarian yang diprediksi versus

kovarian yang diobservasi tetapi terdapat kerugian karena kekurangan parsimoni atau
kesederhaan model (Goodness-of-fit tests based on predicted vs. observed covariances
but penalizing for lack of parsimony):

Pengkuran parsimoni tidak memberikan manfaat karena kurangnya masalah

kesederhanaan model. Hal ini dikarenakan semakin kompleksnya suatu model
maka akan menimbulkan kecocokan yang lebih baik daripada model-model
yang kurang kompleks. Saat membandingkan model, semakin tinggi
pengukuran parsimoni akan mewakili kecocokan yang semakin baik. Beberapa
macam parsimoni, diantaranya:

1. Rasio parsimoni (parsimony ratio (PRATIO)) merupakan rasio derajat kebebasan

(degree of freedom) dalam model yang dibuat oleh peneliti terhadap derajat
kebebasan  dalam  model independent (nol).
2. Indeks parsimoni (parsimony index)  merupakan rasio parsimoni dikalikan
dengan BBI, (the Bentler/Bonnett index), besarnya adalah harus > 0,9 untuk
mengasumsikan kecocokan yang baik.

3.      Kesalahan kuadrat rata-rata akar (Root mean square error of

approximation, RMSEA), disebut juga RMS atau  RMSE dan juga
perbedaan per derajat kebebasan (degree of freedom). Didasarkan pada
konvensi, ada kecocokan model yang baik jika RMSEA besarnya lebih
kecil atau sama dengan 0,05. ada kecocokan model yang cukup jika
besarnya RMSEA kurang dari atau sama dengan 0,08. Penemuan yang
terbaru, Hu dan Bentler (1999) menyarankan besarnya RMSEA <= 0,06
merupakan titik potong untuk sebuah kecocokan model yang baik.

4.      Indeks keselarasan parsimoni (The parsimony goodness of fit index,

PGFI). PGFI merupakan varian dari  GFI yng dikalikan dengan rasio
yang diperoleh melalui derajat kebebasan dalam model yang dibuat oleh
peneliti dibagi dengan derajat kebebasan dalam model yang independen.

5.      Indeks kecocokan standar parsimoni (The parsimony normed fit

index, PNFI), sama dengan PRATIO dikalikan dengan NFI.
 6.      Indeks kecocokan komparatif parsimoni (The parsimony comparative fit
index, PCFI), sama dengan PRATIO dikalikan dengan CFI.

 Pengukuran keselarasan didasarkan pada teori informasi (Goodness of fit measures

based on information theory)

Pengukuran ini cocok jika peneliti membandingkan model-model yang sudah

diestimasikan dengan menggunakan estimasi kesamaan maksimal. Sebagai
suatu kelompok, perangkat pengukuran ini kurang umum dalam literatur,
sekalipun demikian terus berubah.

 Kuantil (Quantile or Q-Plots) menyusun residual yang distandarisasi dengan

menggunakan ukuran serta poin – poin persentase dalam distribusi sampel yang dihitung.
Kemudian residual dibagi dengan deviasi normal yang berhubungan dengan poin-poin
persentase ini yang disebut kuantil normal. Stem-and-leaf plots residual yang
distandarisasi juga disediakan dalam program LISREL.
 Ukuran efek interaksi (Interaction effect size, IES): IES merupakan suatu pengukuran
magnitude dari efek interaksi. Dalam SEM, IES merupakan kriteria yang sama
didasarkan pada keselarasan chi-square. Perlu diingat bahwa semakin kecil nilai chi-
square, maka semakin baik kecocokan mode. IES merupakan chi-square persen dikurangi
dengan menambahkan variabel interaksi terhadap model yang dimaksud.
1.5.  Model Dalam SEM
Pendekatan dalam pembuatan model SEM menggunakan pengembangan model
pengukuran (measurement model) dan model struktural (structural model). Model
pertama menghasilkan validitas konvergen (convergent validity) dan validitas
diskriminan (discriminant validity) sedang model kedua menghasilkan validitas
prediktif (predictive validity).
Untuk melakukan pembuatan model diperlukan data yang akan diolah dan dianalisis.
Data tersebut berupa matriks kovarian dari data hasil penelitian empiris. Selanjutnya
data ini akan dijadikan sebagai dasar untuk menghasilkan matriks kovarian estimasi
populasi. Pertanyaan mendasar yang muncul dalam SEM ialah “Apakah model
menghasilkan sebuah matriks kovarian populasi yang diestimasi yang konsisten
dengan matriks kovarian sampel yang diteliti”. Sedang untuk pertanyaan penelitian
yang mendasar ialah:”Apakah data yang diobservasi sesuai dan konsisten dengan teori
atau model yang akan diuji?”. Jika model yang dibuat dapat memperoleh dukungan
empiris yang memadai, maka pertanyaan selanjutnya ialah berapa besar pengaruh
antar variabel yang dibangun didasarkan pada model teoritis tersebut?” (Ferdinand,
2001:22). Oleh karena itu, menurut Augusty Ferdinand, SEM akan cocok digunakan
dalam: 1) melakukan konfirmasi unideminsionalitas berbagai indikator untuk
konstruk/konsep/faktor; 2) melakukan pengujian kesesuaian / ketepatan suatu model
tertentu didasarkan pada data empiris yang ada; dan 3) melalukan pengujian kesesuain
model serta menganalisis hubungan sebab akibat (causal relationship) antar faktor
yang dibangun dalam model tersebut.
 
Selanjutnya pemodelan SEM, menurut Agusty Ferdinand, dibuat melalui tahapan sbb:
1. Pengembangan berbasis teori
2. Pengembangan diagram alur untuk menunjukkan hubungan kausalitas.
3. Konversi diagram alur kedalam serangkaian persamaan struktural dan spesifikasi
model pengukuran.
4. Pemilihan matriks input (masukan) dan teknik estimasi terhadap model yang
dibuat
5. Menilai problem identifikasi
6. Mengevaluasi model
7. Melakukan interpretasi dan modifikasi model
 
Tahap pertama berkaitan dengan landasan teori yang akan digunakan sebagai
pengesahan model yang dibuat oleh peneliti. Dengan kata lain, teori yang digunakan
akan berfungsi sebagai justifikasi model yang akan dikembangkan. Jika tidak ada teori
yang sesuai, maka kemungkinan besar model yang dibuat akan salah. SEM pada
hakikatnya tidak ditujukan untuk membuat hubungan kausalitas, tetapi digunakan
sebagai pembenaran adanya hubungan kausalitas secara empiris dengan menggunakan
data yang diobservasi.
 
Tahap kedua berhubungan dengan pembuatan diagram jalur untuk mengambarkan
model teori yang sudah dibuat. Dengan menggunakan diagram jalur, peneliti akan
lebih mudah melihat hubungan antar variabel yang sedang diobservasi. Di bawah ini
diberikan contoh model dengan menggunakan diagram jalur. Penelitian dilakukan
oleh Wheaton, B., Muthén, B., Alwin, D., and Summers, G., 1977 untuk melakukan
pengujian model terhadap stabilitas keterasingan (alienation) dari waktu ke waktu
yang diukur dengan menggunakan faktor anomia dan perasaan tidak berdaya serta
tingkat pendidikan dan indeks sosioekonomi. Pengukuran dilakukan secara dua tahap
dengan selang waktu 4 tahun.
 
 
 sumber: Wheaton, B., Muthén, B., Alwin, D., and Summers, G., (1977)
 

Gambar di atas menunjukkan beberapa karakteristik umum dalam model-model

persamaan struktural. Pertama, variabel-variabel manifest yang diukur, seperti
variabel anomia67 diwakili dengan kotak-kotak segi empat, sedang konstruk-konstruk
laten yang tidak diukur, seperti alienation67 diberi simbol dengan lingkaran atau atau
oval.

Anak panah – anak panah tunggal mewakili dampak sebab akibat dari satu variabel
terhadap variabel lainnya, dengan kepala anak panah menunjuk kearah variabel yang
sedang dipengaruhi oleh variabel kedua. Sebagai contoh, variabel alienation71
mempengaruhi atau  menimbulkan  tanggapan terhadap butir-butir survei yang
tercakup dalam variabel anomia71 yang diukur.Tidak ada pengukuran manifest
terhadap variabel-variabel  alienation, powerlessness, ataupun konstruk laten yang
lain yang benar secara sempurna, kemungkinan selalu ada kesalahan pengukuran yang
harus dipertimbangkan. Kesalahan pengukuran untuk masing-masing variabel
diwakili  dengan anak panah – anak panah tunggal yang menuju kearah  variabel,
tetapi tidak dengan variabel yang berhubungan pada ujung lain anak panah
menimbulkan  pengaruh sebab akibat..
Anak panah – anak panah dengan dua arah menunjuk pada hubungan-hubungan
korelasi tunggal dan jamak. Dalam kasus di atas, misalnya ialah hubungan antara
kesalahan-kesalahan pada variabel anomia67 dan variabel anomia71; tidak ada
pernyataan mengenai adanya hubungan sebab dan akibat yang terjadi. Yang ada hanya
suatu hubungan yang didiskusikan. Variabel-variabel yang berada pada bagian atas
atau kiri dalam model tersebut dan yang menyebabkan dampak sebab akibat terhadap
variabel-variabel lainnya disebut variabel  exogenous atau  variabel upstream.
Sebaliknya variabel-variabel yang dipengaruhi oleh variabel-variabel lain disebut
sebagai endogenous  atau variabel-variabel downstream.
 
Tahap ketiga peneliti melakukan konversi spesifikasi model dalam bentuk rangkaian
persamaan sebagai berikut: persamaan   struktural yang dirumuskan sebagai sarana
untuk menyatakan adanya hubungan kasualitas antar berbagai konstruk dengan
menggunakan pedoman sebagai berikut:
            Variabel endogen = Variabel Eskogen + Variabel Endogen + Error
 
Persamaan berikutnya ialah persamaan spesifikasi model pengukuran yang akan
digunakan untuk menentukan variabel mana mengukur konstruk mana dan
menentukan matriks-matriks yang akan menunjukkan hubungan-hubungan yang
sudah dibuat dalam hipotesis antar konstruk dan variabel.
 
Tahap keempat peneliti menentukan bentuk masukan data yang akan digunakan untuk
membuat model dan estimasinya. Dalam SEM data yang akan dimasukkan untuk
diolah hanya matrik varian / kovarian atau disebut juga matriks korelasi sebagai data
untuk pembuatan model dan estimasi yang akan dikembangkan. Dikarenakan fokus
SEM bukan pada data individual hasil observasi, maka setiap data individual hasil
observasi yang dimasukkan kedalam program akan diubah dalam bentuk matriks
kovarian atau matriks korelasi terlebih dahulu baru kemudian dilakukan estimasi.
Penekanan SEM ialah pola hubungan antar responden.
 
Tahap kelima peneliti menghadapi masalah identifikasi yang menyangkut masalah
model yang sudah dikembangkan ternyata tidak mampu menghasilkan estimasi yang
unik. Menurut Augusty Ferdinand ( 2001: 46) masalah identifikasi akan muncul
melalui gejala-gejala sebagai berikut: a) besarnya standar error untuk satu atau
beberapa koefesien; b) matriks yang seharusnya disajikan tidak dapat dimunculkan
oleh program; c) angka-angka aneh akan muncul, diantaranya ialah angka varian error
yang negatif; dan d) korelasi sangat tinggi muncul dalam koefesien estimasi, misalnya
> 0,9.
 
Tahap keenam peneliti melakukan evaluasi model dengan menggunakan kriteria
keselarasan (goodness of fit). Pertama kali yang harus dilakukan oleh peneliti ialah
melakukan evaluasi bahwa data yang akan digunakan untuk pembuatan model dan
estimasi dapat memenuhi asumsi-asumsi dalam SEM. Asumsi-asumsi yang harus
dipenuhi dalam SEM diantarnya ialah: a) ukuran sampel sebaiknya di atas 100; b)
sudah dilakukan uji normalitas dengan menggunakan histogram dan linearitas data
dengan menggunakan mengamati scatterplots; c) hindari outliers dengan nilai-nilai
ekstrim muncul secara univariat dan multivariat; d)  hindari munculnya
multikolinieritas  dan singularitas karena data tidak mempunyai kombinasi linear
dalam variabel-variabel yang diteliti. Adanya multikolinieritas  dan singularitas dapat
dideteksi dengan melihat kecilnya angka determinan matriks kovarian;
           
Setelah memenuhi semua krietria SEM di atas, maka peneliti menentukan kriteria
untuk melakukan evaluasi model, yaitu:
1. Uji kesesuaian model (model fit) dan uji statistik yang dalam SEM tidak ada alat
uji statistik tunggal untuk mengukur ataupun menguji hipotesis model yang
dibuat, diantaranya:
        Untuk pengujian model dilakukan dengan menggunakan Chi
Square dengan ketentuan semakin kecil nilai Chi Square, maka
semakin baik model yang dibuat.
        Root Mean Square Error of Approximation (RMSEA) jika nilai
RMSEA sebesar 0.08 atau lebih kecil maka nilai tersebut
menunjukkan indeks untuk dapat diterimanya model yang dibuat.
        Nilai indeks keselarasan (goodness of fit index) 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.
        Nilai indeks keselarasan yang disesuaikan (Adjusted Goodness of Fit
Index (AGFI)) dengan ketentuan nilai AGFI sama dengan atau lebih
besar dari 0,9. Jika nilai lebih besar dari 0,9 maka model mempunyai
kesesuaian model keseluruhan yang baik.
        Fungsi perbedaan sampel minimum (The minimum sample
discrepancy function (CMNF))  yang merupakan nilai statistik Chi
Square dibagi dengan nilai derajat kebebasan (degree of
freedom (df)) disebut juga Chi Square relatif dengan besaran nilai
kurang dari 0,2 dengan toleransi dibawah 0,3 yang merupakan
indikator diterimanya suatu kecocokan model dan data.
        Indeks Tucker Lewis (Tucker Lewis Index (TLI)) dengan ketentuan
sebagai penerimaan sebuah model sebesar sama dengan atau lebih
besar dari 0,95. Jika nilai mendekati 1 maka model tersebut
menunjukkan kecocokan yang sangat tinggi.
        Indeks Kecocokan Komparatif (Comparative Fit Index (CFI))
dengan nilai antara 0- 1 dengan ketentuan jika nilai mendekati angka
 1 maka model yand dibuat mempunyai kecocokan yang sangat tinggi
sedang jika nilai mendekati 0, maka model tidak mempunyai
kecocokan yang baik.
2. Uji Reliabilitas. Uji berikutnya ialah penilaian terhadap unidimensionalitas dan
reliabilitas. Yang pertama asumsi yang dipergunakan untuk menghitung
reliabilitas model yang menunjukkan adanya indikator-indikator yang mempunyai
derajat kesesuaian yang baik dalam satu model satu dimensi. Reliabilitas
merupakan ukuran konsistensi internal indikator-indikator suatu konstruk yang
menunjukkan derajat sejauh mana setiap indikator tersebut menunjukkan sebuah
konstruk laten yang umum. Reliabilitas berikutnya ialah Varian Extracted dengan
besar diatas atau sama dengan 0,5. Dengan  ketentuan nilai yang semakin tinggi
menunjukkan bahwa indikator-indikator sudah mewakili secara benar konstruk
laten yang dikembangkan.
 
Tahap ketujuh peneliti melakukan interpretasi model yang sudah dibuat dan
mengubah model-model yang belum memenuhi persyaratan. Kesimpulannya ialah
model yang diestimasi mempunyai residual yang kecil atau mendekati nol serta
distribusi frekuensi kovarian matriksnya bersifat simetrik.
 
 
Sedang menurut Ricka Stoelting tahapan dalam SEM sebagai berikut:
Tujuan membuat suatu diagram jalur atau  model persamaan struktural lainnya ialah
untuk membuat suatu model yang cocok dengan data  secara baik yang berfungsi
sebagai representasi realitas yang memberikan manfaat serta memberikan keterangan
parsimoni data. Oleh karena itu, menurut Stoelting ada lima langkah menyangkut
penyusunan SEM, yaitu
 
1. Spesifikasi model
2. Identifikasi model
3. Estimasi model
4. Pengujian keocokan model
5. Manipulasi model
 
1. Spesifkasi Model merupakan latihan secara formal menyatakan suatu  model.
Tahap ini merupaka langkah dimana parameter- parameter ditentukan untuk
bersifat tetap (fixed) atau bebas (free). Parameter- parameter tetap (fixed
parameters) tidak diestimasi dari data dan biasanya tetap pada besaran 0 yang
mempunyai arti tidak ada hubungan antar variabel yang diobservasi. Jalur-jalur
parameter- parameter tetap diberi label secara  numerik; terkecuali diberi nilai 0
dengan sendirinya tidak ada jalur yang akan dibuat dalam diagram
SEM.  Parameter- parameter bebas (free parameters) diestimasikan dari data yang
diobservasi dan dipercaya oleh peneliti bukan 0. Tanda asteris dalam diagram
SEM menandai jalur-jalur parameter- parameter bebas. Penentuan parameter-
parameter mana merupakan parameter- parameter yang tetap dan yang bebas
 dalam SEM sangat penting karena hal itu akan menentukan parameter- parameter
mana yang akan digunakan untuk  membandingkan diagram yang dihipotesiskan
dengan varian populasi yang diambil (the sample population variance) serta
matriks koovarian dalam pengujian model pada tahap berikutnya. Pemilihan
parameter- parameter mana yang dianggap bebas dan tetap dalam suatu  model
sepenuhnya terserah peneliti. Pemilihan ini mewakili hipotesis  a priori peneliti
mengenai jalur-jalur mana (pathways) dalam suatu sistem menjadi penting dalam
memunculkan struktur relasional sistem yang diobservasi, misalnya varian sampel
yang diobservasi dan matriks kovarian.
 
2. Identifikasi Model menyangkut apakah nilai unik untuk masing-masing dan
setiap parameter bebas dapat diperoleh dari data yang diobservasi. Semua itu
tergantung pada pilihan model serta spesifikasi parameter- parameter tetap dan
dibatasi serta parameter- parameter bebas. Suatu parameter dibatasi ketika
parameter tersebut dibuat sama dengan parameter lain. Model - model harus di
identifikasi secara menyeluruh (overidentified) supaya dapat diestimasi serta
untuk melakukan pengujian hipotesis menyangkut hubungan antar variabel.
Kondisi yang diwajibkan untuk melakukan overidentification addalah bahwa
poin-poin  data  (jumlah  varian dan kovarian) kurang dari jumlah variabel yang
diobservasi dalam model.
 
Model dalam contoh ini diambil dari tulisan Dr. Abbas Ghozali (2001)
dengan kasus menganalisis hubungan antara kepuasan kerja
dengan  kinerja studi di sebuah perusahaan. Secara lebih detil variabel-
variabel yang akan dianalisis ialah pengaruh achievement
motivation, task-specific self esteem, dan verbal
intelligence terhadap job satisfcation dan performance.
Variabel achievement motivation ( 1) dihipotesiskan  dibentuk
didasarkan pada  faktor-faktor achievement motivation measure 1 (x1),
achievement motivation measure 2 (x2), dan achievement motivation
measure 3 (x3). Untuk variabel task-specific self esteem motivation ( 2)
dihipotesiskan dibentuk didasarkan pada faktor-faktor task-specific self
esteem motivation measure 1 (x4), task-specific self esteem motivation
measure 2 (x5), dan achievement motivation measure 3 (x3). Sedangkan
variabel verbal intelligence dihipotesiskan dibentuk didasarkan pada
faktor-faktor  verbal intelligence measure 1 (x4) dan verbal intelligence
measure 1 (x6) dan verbal intelligence measure 1 (x7). Sementara itu
untuk variabel job satisfcation motivation ( 1) dihipotesiskan dibentuk
didasarkan pada faktor-faktor  job satisfcation motivation measure
1 (y1) dan job satisfcation motivation measure 2 (y2). Sedang
variabel  Performance ( 2) dihipotesiskan  dibentuk didasarkan pada
faktor-faktor performance measure 1 (y3) dan performance measure
 1 (y4). Data yang akan dianalisis berupa data matriks kovarian  untuk
kesebelas variabel indikator terlihat di bawah ini:
Tabel .  Matriks Kovarians untuk Variabel Variabel Indikator

Model dalam bentuk diagram jalur yang mencerminkan hubungan antar variabel
dapat dilihat di bawah ini.

Gambar
SEM tentang hubungan antara variabel kepuasan kerja dan kinerja
Sumber: Ghozali (2001)
 Dengan mengacu pada model diatas, maka  persamaan-persamaan menjadi:
Bagian pertama, persamaan model jalur

Bagian kedua, persamaan model pengukuran untuk variabel y

Bagian ketiga, persamaan model pengukuran untuk variabel x

 
 
3. Estimasi Dalam tahap ini, nilai parameter-parameter awal yang bebas dipilih
untuk memunculkan matriks kovarian populasi yang diestimasi, (), dari  model
tersebut. Nilai awal dapat dipilih oleh peneliti dari informasi sebelumnya dengan
menggunakan program-program  komputer yang digunakan  untuk membangun
model dalam SEM, atau dari analisis regresi jamak. Tujuan estimasi ialah untuk
menghasilkan () yang  berkonvergensi pada matriks kovarian populasi yang
diobservasi, S, dengan matriks  residu (perbedaan () dan S) dapat diperkecil.
Berbagai metode dapat digunakan untuk menghasilkan (). Pilihan  metode
dituntun dengan karakteristik-karakteristik data termasuk ukuran  sampel dan
distribusi. Sebagian besar proses digunakan secara iteratif. Bentuk umum dari
fungsi minimasi ialah:
Q = (s - ())’W(s - ())
 
dimana,
 
s = vektor berisi  varian dan kovarian variabel-variabel yang diobservasi
() = vektor berisi varian dan kovarian yang berkorespondensi sebagaimana
diprediksi dengan model tersebut
W = matriks pembobotan
 
Matriks pembobotan (weight matrix), W, dalam fungsi di atas,
berkorespondensi dengan metode estimasi yang dipilih. W dipilih untuk
memperkecil Q, dan Q(N-1) memberikan fungsi kecocokan, dalam sebagian
besar kasus statistik distribusi X2  (distributed statistic).
Performansi X dipengaruhi oleh ukuran  sampel , distribusi kesalahan,
2 

distribusi faktor, dan asumsi bahwa faktor - faktor dan kesalahan-kesalahan

bersifat independen. Beberapa metode estimasi yang biasanya digunakan ialah:
 
        Generalized Least Squares (GLS)
 
FGLS = ½ tr[([S - ()]W-1)2]
 
dimana,
 
tr = trace operator, mengambil sejumlah element pada diagonal pokok
suatu matriks
 
W-1 = optimal weight matrix, harus dipilih oleh peneliti, bentuk pilihan
umum ialah S-1
 
        Maximum Likelihood (ML)
 
FML = log|| - log|S| + tr(S-1) - p
 
Dalam hal ini, W = -1 dan p = jumlah variabel yang diukur
 
        Asymptotically Distribution Free (ADF) Estimator
 
FADF = [S - ()]’W-1[S - ()]
 
W, dalam fungsi ini, berisi elemen -elemen yang mepertimbangkan
kurtosis.
 
 Apapun fungsi yang dipilih, hasil proses estimasi yang diinginkan ialah
untuk mendapatkan fungsi kecocokan yang mendekati  0. Nilai fungsi
kecocokan sebesar 0 mempunyai arti bahwa matriks kovarian model
yang diestimasi dan matriks kovarian sampel asli setara.
 
4. Modifikasi Model . Jika matriks kovarian/varian yang di  estimasi oleh model
tidak dapat mereproduksi matriks kovarian/varian sampel secara memadai, maka
hipotesis-hipotesis dapat disesuaikan dan model dapat diuji ulang. Untuk
menyesuaikan model, jalur-jalur baru ditambahkan dan yang lama dihilangkan.
Dengan kata lain, parameter-parameter diubah dari tetap ke bebas atau sebaliknya.
 
Prosedur-prosedur umum yang digunakan untuk modifikasi model
adalah Lagrange Multiplier Index (LM) dan Wald test. Kedua
pengujian ini melaporkan perubahan dalam nilai X 2 manakala jalur-jalur
disesuaikan. LM akan mempertanyakan apakah penambahan parameter-
parameter bebas meningkatkan kecocokan model. Pengujian ini
menggunakan logika sama dengan metode forward stepwise dalam
regresi. Sedang pengujian Wald mempertanyakan apakah penghapusan
parameter-parameter bebas akan meningkatkan kecocokan model.
Pengujian Wald mengikuti  logika backward stepwise dalam regresi.
 
 
5. Presentasi Akhir Model: Pada saat  model telah menghasilkan
kecocokan yang dapat diterima, estimasi-estimasi individual bagi
parameter-parameter bebas dapat dinilai. Parameter-parameter bebas
dibandingkan dengan nilai nol, dengan menggunakan statistik distribusi
z-. Statistik z diperoleh dengan membagi estimasi parameter dengan
menggunakan standard error estimasi tersebut. Ratio pengujian ini harus
diatas  +/-1.96 agar hubungan bersifat signifikan. Setelah hubungan-
hubungan individual dalam model dinilai, maka estimasi parameter
dibakukan untuk presentasi model akhir. Ketika estimasi-estimasi
parameter dibakukan, maka estimasi tersebut dapat diinterpretasi sebagai
referensi untuk parameter-parameter lainnya dalam  model serta
kekuatan  relatif jalur dalam  model tersebut dapat dibandingkan.