Disusun Oleh:
UNIVERSITAS RIAU
2023/2024
i
KATA PENGANTAR
Pertama kami panjatkan puji kehadirat Allah SWT yang telah memberikan rahmatnya serta
karunia-Nya kepada kami sehingga kami berhasil menyelesaikan makalah ini yang
alhamdulliah tepat pada waktunya dengan topik “Analisis SEM”. Kami mengharapkan
makalah ini dapat memberikan informasi yang memuaskan bagi para pembaca. Serta kami
juga menyadari bahwa makalah kami masih jauh dari kata sempurna karena kesempurnaan
hanya milik Allah SWT dan kekurangan datangnya dari diri kami pribadi. Oleh karena itu
kritik dan saran dari semua pihak yang bersifat membangun selalu kami harapkan untuk
kesempurnaan makalah ini.
Adapun tujuan dari penulisan makalah ini ialah untuk memenuhi tugas yang diberikan oleh
Ibu Jushermi, S.E., MSBA. pada mata kuliah Riset Pemasaran Kelas A, Jurusan Manajemen,
Fakultas Ekonomi dan Bisnis, Universitas Riau. Selain itu, makalah ini juga bertujuan untuk
menambah wawasan kita mengenai Analisis SEM
Akhir kata kami sampaikan terimakasih kepada semua pihak yang telah membantu dan
berperan dalam penyusunan makalah ini dari awal hingga akhir semoga Allah SWT meridhoi
segala usahanya. Aamiin.
Pekanbaru, 17 Maret 2023
Penulis
ii
DAFTAR ISI
KATA PENGANTAR..............................................................................................................................ii
DAFTAR ISI............................................................................................................................................1
BAB I.......................................................................................................................................................2
PENDAHULUAN....................................................................................................................................2
Latar Belakang.....................................................................................................................................2
Rumusan Masalah................................................................................................................................2
Tujuan Penulisan..................................................................................................................................3
BAB II......................................................................................................................................................4
PEMBAHASAN......................................................................................................................................4
Pengertian Analisis SEM.....................................................................................................................4
Komponen Analisis SEM.....................................................................................................................4
Asumsi Dasar Penggunaan Analisis SEM...........................................................................................5
Tujuan Analisis SEM...........................................................................................................................7
Kelebihan dan Kekurangan Analisis SEM...........................................................................................7
Pengertian SEM PLS...........................................................................................................................8
Langkah-Langkah SEM PLS...................................................................................................................9
Kelebihan dan Kekurangan SEM PLS....................................................................................................13
BAB III...................................................................................................................................................10
PENUTUP..............................................................................................................................................10
Kesimpulan.........................................................................................................................................10
Saran...................................................................................................................................................10
Daftar Pustaka........................................................................................................................................11
1
BAB I
PENDAHULUAN
2
1.3 Tujuan Penulisan
1. Untuk mengetahui pengertian Analisis SEM?
2. Untuk mengetahui komponen Analisis SEM?
3. Untuk mengetahui asumsi dasar penggunaan analisis SEM?
4. Untuk mengetahui tujuan analisis SEM?
5. Untuk mengetahui kekurangan dan kelebihan analisis SEM?
6. Untuk mengetahui pengertian SEM PLS
3
BAB II
PEMBAHASAN
4
3. Kesalahan dalam SEM
a. Kesalahan struktural
Variabel latent bebas tidak dapat secara sempurna memprediksi variabel terikat, sehingga
dalam model struktural ditambahkan komponen kesalahan struktural
b. Kesalahan pengukuran
Variabel-variabel teramati tidak dapat secara sempurna menggambarkan variabel latent,
sehingga perlu ditambahkan komponen kesalahan pengukuran.
5
Suatu model disebut rekursif jika semua anak panah menuju satu arah, tidak ada arah umpan
balik (feedback looping), dan faktor gangguan (disturbance terms) atau kesalahan tersisa
(residual error) untuk variabel-variabel endogenous yang tidak dikorelasikan. Dengan kata
lain, model-model recursive merupakan model dimana semua anak panah mempunyai satu
arah tanpa putaran umpan balik, dan peneliti dapat membuat asumsi kovarian – kovarian
gangguan kesalahan semua 0. Hal itu 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.
7. 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. Jika data ordinal yang digunakan maka sebelum di
analisis dengan SEM, data harus diubah ke interval dengan menggunakan method of
successive interval (MSI)
8. 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
9. 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.
10. 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.
11. Kesalahan residual yang tidak berkorelasi (Uncorrelated residual error)
Kovarian nilai – nilai variabel tergantung yang diprediksi dan residual – residual harus
sebesar 0.
12. Multikolinearitas yang lengkap
multikolinearitas diasumsikan tidak ada, tetapi korelasi antara semua variabel bebas dapat
dibuat model secara eksplisit dalam SEM. Multikolinearitas yang lengkap akan menghasilkan
6
matriks - matriks kovarian tunggal, yang mana peneliti tidak dapat melakukan penghitungan
tertentu, misalnya inversi matrix karena pembagian dengan 0 akan terjadi.
13. 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 ditemukan
median ukuran sampel sebanyak 198. Sampel di bawah 100 akan kurang baik hasilnya jika
menggunakan SEM.
Analisis SEM (Structural Equation Modeling) adalah metode statistik yang digunakan untuk
menguji hubungan antara variabel-variabel dalam suatu model. Berikut adalah beberapa fungsi
utama dari analisis SEM:
2. Pengujian Model: Dengan SEM, Anda dapat menguji sejauh mana model yang dibangun
sesuai dengan data yang diamati. Ini termasuk pengujian signifikansi parameter, pengujian
asumsi model, dan memeriksa tingkat kesesuaian model dengan data.
4. 5Pengukuran Variabel Laten: Dalam SEM, variabel laten dapat diukur melalui indikator
yang diamati. Ini memungkinkan pengukuran konsep abstrak atau kompleks yang tidak dapat
diukur langsung.
6. Pemodelan Struktur: Analisis SEM dapat membantu dalam memahami struktur yang
mendasari fenomena yang diamati. Ini dapat mengungkapkan hubungan yang kompleks dan
7
menyediakan wawasan tentang dinamika sistem.
8. Eksplorasi Data: SEM dapat digunakan untuk menjelajahi data dan memeriksa hubungan
antara variabel-variabel tanpa adanya asumsi sebelumnya tentang struktur model.
9. Penilaian dan Pengembangan Teori: Analisis SEM dapat digunakan untuk menguji dan
mengembangkan teori dalam berbagai bidang, seperti psikologi, sosiologi, ekonomi, dan ilmu
sosial lainnya.
10. Verifikasi dan Reproduksi: SEM memungkinkan pengujian ulang dan verifikasi temuan
penelitian sebelumnya, serta reproduksi analisis untuk memeriksa keandalan hasil.
8
3. SEM tidak digunakan untuk menyatakan suatu hubungan kausalitas, namun untuk
menerima atau menolak hubungan sebab akibat secara teoritis melalui uji data
empiris.Studi yang mendalam mengenai teori yang berkaitan menjadi model dasar
untuk pengujian aplikasi SEM.
9
sehingga diasumsikan memiliki mean sama dengan nol (0) dengan varian sama dengan satu
(1) untuk menghilangkan konstanta dalam kausalitas.
15
15
Pertanyaan tentang bagaimana mengukur variabel atau konstruk laten saat ini menjadi
perdebatan penting dalam penelitian sosial seperti pemasaran, sistem informasi, dan akuntansi
( (lihat Bisbe et al., 2007). Membangun Indeks Pengukuran Peneliti perlu mempertimbangkan
dua jenis spesifikasi pengukuran: model pengukuran reflektif dan model pengukuran formatif.
Pertanyaan utama dalam memilih diantara kedua model tersebut adalah apakah indikator
tersebut menyebabkan atau disebabkan oleh konstruk yang diukur atau variabel laten.
Model pengukuran reflektif, atau sering disebut pengukuran Mode A dalam SEM-PLS,
memiliki tradisi panjang dalam penelitian ilmu sosial dan didasarkan pada teori tes klasik.
Menurut teori ini, metrik adalah efek atau manifestasi dari konstruksi yang mendasarinya.
Ukuran reflektif (sering disebut sebagai ukuran efek dalam literatur psikometri) dapat dianggap
sebagai sampel yang mewakili semua item dalam domain konstruk (Nunnally dan Bernstein,
1994). Karena skala reflektif menunjukkan bahwa semua item disebabkan oleh konstruk yang
sama (berasal dari domain yang sama), maka indikator suatu konstruk tertentu harus
mempunyai korelasi yang tinggi dengan indikator lainnya. Selain itu, indikator-indikator ini
dapat dipertukarkan, sehingga selama konfigurasinya cukup andal, Anda dapat menghapus
indikator apa pun dari model tanpa mengubah arti konfigurasinya. Kumpulan indikator reflektif
sering disebut dengan skala (Hair et al, 2017).
Ada dua jenis model pengukuran formatif: indikator komposit dan indikator kausal.
Indikator komposit konsisten dengan definisi model pengukuran formatif di atas. Artinya,
indikator-indikator tersebut digabungkan secara linier membentuk suatu variabel, disebut juga
variabel komposit dalam konteks SEM. Indikator-indikator tersebut membentuk variabel
komposit yang lengkap, dan variabel komposit tersebut dianggap sebagai proksi dari variabel
laten. Sedangkan indikator kausal tidak membentuk variabel laten, namun sesuai dengan
namanya menyebabkan variabel laten. Oleh karena itu, indikator kausalitas harus konsisten
dengan definisi teoritis dari konsep yang diteliti. Perbedaan dengan indikator komposit ini
mempunyai implikasi penting untuk pemodelan variabel laten. Hal ini karena sangat kecil
kemungkinannya indikator sebab akibat mampu menangkap seluruh aspek fenomena laten
(Diamantopoulos dan Winklehofer).
Peneliti yang menggunakan data primer biasanya memperoleh data tersebut dari
kuesioner terstruktur. Ada beberapa hal yang perlu diwaspadai dalam hal ini, seperti data yang
tidak lengkap (data yang salah), pola respon responden yang dipertanyakan seperti jawaban
yang lurus atau tidak konsisten, outlier, dan sebaran data.
15
15
Data yang hilang merupakan masalah umum dalam penelitian yang menggunakan
metode survei. Data yang hilang terjadi ketika responden secara sengaja atau tidak sengaja
gagal menjawab satu atau lebih pertanyaan dalam suatu survei. Akibatnya akan terjadi
observasi kosong. Haar dkk (2017) menyatakan bahwa jika jumlah data yang hilang dalam
kuesioner melebihi 15%, observasi tersebut biasanya dibuang dari file data. Namun, observasi
dapat dihapus dari file data meskipun totalnya tidak melebihi 15%. Hal ini terjadi, misalnya,
ketika ada sebagian besar data yang hilang dalam konfigurasi.
Ada tiga cara untuk menangani data yang hilang: pertukaran media, penghapusan
casewise/penghapusan listwise, dan penghapusan berpasangan. Dalam pendekatan penggantian
rata-rata, nilai-nilai yang hilang dalam suatu observasi diganti dengan nilai rata-rata dari
indikator tersebut. Meskipun pendekatan ini mudah diterapkan, pendekatan ini memiliki
kelemahan dalam mengurangi variabilitas data, sehingga mengurangi kemungkinan
diperolehnya hasil yang berarti. Oleh karena itu, pendekatan penggantian rata-rata sebaiknya
hanya digunakan jika jumlah nilai yang hilang sedikit. Hair dkk (2017) menyarankan
penggunaan pendekatan mean replacement ketika nilai yang hilang kurang dari 5% untuk setiap
indikator.
Hair dkk. (2017) menyatakan bahwa pendekatan terbaik untuk mengatasi data yang hilang
adalah dengan mengidentifikasi profil demografi responden yang datanya hilang. Perhitungan
rata-rata kemudian dilakukan pada sampel subkelompok yang mewakili profil demografis yang
diidentifikasi. Peneliti dapat merata-ratakan respon indikator yang banyak datanya yang hilang
dan mengisi nilai yang hilang tersebut dengan rata-rata tersebut.
Sebelum melakukan analisis data, peneliti juga sebaiknya memeriksa pola respon
responden untuk mengetahui apakah terdapat pola respon yang mencurigakan. Garis lurus
adalah ketika responden memberikan jawaban yang sama terhadap sebagian besar pertanyaan.
Misalnya pada survei yang mempunyai skala 7 poin untuk mendapatkan jawaban dari
responden atas seluruh pertanyaan, maka responden akan memilih jawaban poin 3. Dalam hal
ini, data yang diperoleh dari responden tidak perlu digunakan untuk analisis lebih lanjut (Hair et
al, 2017). Hal yang sama juga berlaku untuk pola mencurigakan lainnya, seperti garis diagonal
atau respons kutub ekstrem. Anda dapat mengamati pola mencurigakan ini secara visual atau
15
15
menggunakan statistik deskriptif.
Selain pola yang mencurigakan, peneliti juga harus mewaspadai tanggapan responden
yang tidak konsisten. Jika responden memberikan jawaban yang sangat berbeda terhadap
pertanyaan yang sebenarnya sama tetapi strukturnya berbeda, hal ini menunjukkan jawaban
yang tidak konsisten. Hal yang sama berlaku untuk survei yang mencakup pertanyaan
penyaringan. Respons yang tidak konsisten terjadi ketika responden tidak memenuhi kriteria
pertanyaan penyaringan, namun menjawab pertanyaan berikutnya. Seperti halnya pola
pencurian lainnya, tanggapan yang tidak konsisten harus dibuang dan tidak digunakan untuk
analisis data.
Peneliti juga perlu mencari outlier sebelum menganalisis data. Outlier adalah nilai observasi
yang ekstrim. Dalam kasus survei, respons ekstrem terhadap pertanyaan tertentu atau respons
ekstrem terhadap semua pertanyaan. Pencilan harus diinterpretasikan sesuai dengan konteks
penelitian dan jenis informasi yang diberikan. Outlier dapat disebabkan oleh kesalahan ketik
pada tabel data. Misalnya, seorang peneliti memasukkan angka 44 pada skala Likert 5 poin
padahal seharusnya angka 4.
Distribusi data Hair dkk. (2017) menunjukkan bahwa distribusi yang menyimpang terlalu jauh
dari distribusi normal menimbulkan masalah dalam menilai signifikansi parameter, sehingga
penting bagi peneliti untuk memastikan bahwa datanya tidak menyimpang terlalu jauh dari
distribusi normal. Untuk data yang sangat anomali, nilai kesalahan standarnya akan sangat
tinggi, sehingga kecil kemungkinannya Anda dapat mendeteksi signifikansi koefisien jalur.
Peneliti dapat menggunakan uji Kolmogorov-Smirnov dan Shapiro-Wilk dengan
membandingkan data hingga berdistribusi normal. Namun, kedua tes tersebut memiliki
keterbatasan. Artinya, Anda hanya dapat menunjukkan apakah hipotesis nol bahwa data
terdistribusi normal ditolak menggunakan analisis skewness dan kurtosis. Apabila nilai
skewness dan kurtosis mendekati nol maka pola data mendekati distribusi normal. Hair dkk.
(2017) memberikan bukti bahwa nilai skewness dan kurtosis yang lebih besar dari nilai absolut
1 (yaitu bisa +1 atau -1) merupakan data non-normal.
1. Fleksibilitas: PLS-SEM dapat digunakan dengan baik bahkan ketika data tidak memenuhi
asumsi normalitas atau memiliki ukuran sampel kecil. Hal ini membuatnya menjadi pilihan
yang lebih fleksibel dalam analisis data.
2. Pengolahan Variabel Laten: PLS-SEM dapat menangani variabel laten dengan baik, bahkan
dalam kasus di mana hubungan antara variabel laten tidak normal atau non-linear.
3. Analisis Prediktif: PLS-SEM lebih fokus pada pengembangan model prediktif daripada
pengujian hipotesis. Ini cocok untuk tujuan seperti eksplorasi dan konfirmasi model konseptual
dalam penelitian.
4. Penggabungan Data: PLS-SEM dapat dengan mudah menggabungkan data kuantitatif dan
kualitatif dalam satu analisis, memungkinkan peneliti untuk memanfaatkan berbagai jenis data.
5. Penghitungan Path Model yang Rumit: PLS-SEM dapat menangani model yang kompleks
dengan banyak variabel laten dan jalur kausalitas tanpa memerlukan ukuran sampel yang besar.
6. Toleran terhadap Multikolinearitas :PLS-SEM tidak terlalu sensitif terhadap masalah
multikolinearitas antara variabel laten, sehingga dapat mengurangi risiko overfitting dalam
model.
7. Analisis Variabel Moderasi dan Mediasi PLS-SEM memungkinkan untuk memeriksa efek
moderasi dan mediasi dalam model dengan mudah, sehingga memberikan wawasan tambahan
tentang hubungan antara variabel.
Meskipun memiliki kelebihan-kelebihan ini, penting untuk diingat bahwa PLS-SEM juga
memiliki batasan dan tidak selalu menjadi pilihan terbaik untuk setiap situasi atau tujuan
penelitian.
BAB III
PENUTUP
Kesimpulan
Analisis multivariat adalah suatu teknik statistik dimana terdapat lebih dari dua
pengukuran (variabel) dan semua variabel tersebut dianalisis secara simultan. Beberapa
teknik multivariat yang umum digunakan adalah MANOVA (Multivariate Anova), analisis
regresi berganda, analisis faktor dan persamaan simultan. Analisis pengaruh tidak dapat
diselesaikan menggunakan analisis regresi ketika melibatkan beberapa variabel bebas,
variabel antara, dan variabel terikat. Penyelesaian kasus yang melibatkan ketiga variabel
tersebut dapat dilakukan dengan analisis jalur. Analisis jalur dapat digunakan untuk
mengetahui pengaruh langsung, pengaruh tidak langsung, dan pengaruh total suatu variabel
bebas terhadap variabel terikat. Analisis lebih bertambah kompleks lagi ketika melibatkan
variabel laten yang dibentuk oleh satu atau beberapa indikator variabel terukur/teramati.
Analisis variabel laten dapat dilakukan dengan menggunakan analisis faktor, dalam hal ini
analisis faktor konfirmatori. Analisis semakin bertambah komplek lagi ketika melibatkan
beberapa variabel laten dan variabel terukur langsung. Pada kasus demikian, teknik analisis
yang lebih tepat digunakan adalah pemodelan persamaan struktural (Structural Equation
Modeling) yang disingkat SEM.
Saran
Dari apa yang telah penyusun sampaikan dalam makalah ini, tentunya penulis
mengharapkan pengkajian ulang oleh pembaca dengan tujuan penyempurnaan makalah ini
sendiri di sebabkan oleh keterbatasan pengetahuan penulis yang tidak memadai, oleh karena
itu jika ada sesuatu yang menurut pembaca kurang pas dalam penulisan makalah ini, kami
mengharapkan kesediaannya untuk langsung menyampaikan permasalahannya kepada
penulis, yang terakhir kami ingin menyampaikan rasa terima kasih kami, karena pembaca
sudah berkenan membaca dan menelaah makalah ini, sekali lagi kami mengucapkan terima
kasih sebanyak banyaknya.
15
15
Daftar Pustaka
16
16