MAKALAH

Konsep Dasar Analisis SEM (Structural Equation Model)

Dosen Pengampu : Jushermi, SE, MSBA.

Disusun Oleh:

Elsa Rosanti 2102114284

Ilham hidayat 2102126009
M. Steffano Alexander Arsy 2102126014
Muhammad Zidan 2102135522
Sabrina Helena Tambun 2102114084
Selvi Felisya 2102113977
Azza Ayumi 2102111124

PROGRAM STUDI S1 MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS

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

1.1 Latar Belakang

Structural Equation Modelling (SEM) adalah alat analisis statistic yang semakin popular.
Dilihat dari penyusunan serta cara kerjanya, SEM adalah gabungan dari analisis faktor dan
analisis regresi. Pada tahun 1950-an SEM sudah mulai dikemukakan oleh para ahli statistic
yang mencari metode untuk membuat model yang dapat menjelaskan hubungan di antara
variable-variabel. Dalam kenyataanya banyak variable yang bersifat laten, sepeti kualitas
Sistem, Kualitas Informasi, Kepuasan Pengguna dan lain-lain. Variabel-variabel tersebut baru
bisa diukur dengan sejumlah indikator (variable manifes), dan hubungan di antara keduanya,
serta antar variable laten memunculkan model yang membutuhkan alat analisis lanjutan untuk
menyelesaikannya.
Teknik SEM sebagai sebuah perluasan atau kombinasi dari beberapa teknik multivariat,
merupakan sebuah jawaban atas masalah di atas. SEM adalah sekumpulan teknik-teknik
statistikal yang memungkinkan pengujian sebuah rangkaian hubungan yang relatif rumit
secara simultan.
Hubungan yang rumit itu dapat dibangun antara satu atau beberapa variabel dependen
dengan satu atau beberapa variabel independen. Masing-masing variabel dependen dan
independen dapat berbentuk faktor (atau konstruk, yang dibangun dari beberapa variabel
indikator). Variabel-variabel tersebut juga dapat berbentuk sebuah variabel tungggal yang
diobservasi atau yang diukur langsung dalam sebuah proses penelitian.
Pemodelan Persamaan Struktural semacam itu telah luas dikenal dalam penelitian-penelitian
manajemen melalui berbagai nama anatar lain, sperti causal modeling, causal analysis,
simultaneous equation modeling atau analisis struktural kovarians. Sering kali SEM juga
disebut sebagai Path Analysis atau Confirmatory Factor Analysis, yang merupakan jenis-jenis
SEM yang khusus.
Pemodelan penelitian melalui SEM memungkinkan seorang peneliti untuk dapat menjawab
pertanyaan penelitian yang bersifat regresif maupun dimensional (yaitu mengukur apa
dimensi dari sebuah konsep). Pada dasarnya SEM adalah kombinasi antara analisis faktor
dengan analisis regresi berganda yang dapat diaplikasikan secara terpisah hanya dalam
analisis faktor (Confirmatory Factor Analysis) atau hanya dalam analisis regresi.

1.2 Rumusan Masalah

1. Apa yang dimaksud dengan Analisis SEM?
2. Apa saja komponen Analisis SEM?
3. Apa asumsi dasar penggunaan analisis SEM?
4. Apa tujuan analisis SEM?
5. Apa saja kekurangan dan kelebihan analisis SEM?
6. Apa yang dimaksud SEM PLS?

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

2.1 Pengertian Analisis SEM

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 berikutnya menyebutkan SEM adalah teknik
analisis multivariat yang umum dan sangat bermanfaat yang meliputi versi-versi khusus
dalam jumlah metode analisis lainnya sebagai kasus-kasus khusus. Definisi lain mengatakan
bahwa SEM merupakan teknik statistik yang digunakan untuk membangun dan menguji
model statistik yang biasanya dalam bentuk model-model sebab akibat. SEM sebenarnya
merupakan teknik hibrida yang meliputi aspek-aspek penegasan (confirmatory) dari analisis
faktor, analisis jalur dan regresi yang dapat dianggap sebagai kasus khusus dalam SEM.

2.2 Komponen Analisis SEM

1. Variabel
a. Variabel laten
Variabel laten merupakan suatu konsep yang abstrak dan tidak dapat diukur secara langsung.
Variabel laten hanya dapat diamati secara tidak langsung melalui efeknya pada variabel-
variabel teramati (observed variabel). Terdapat dua jenis variabel laten yaitu variabel laten
eksogen dan variabel laten endogen. Variabel laten eksogen adalah variabel laten yang bebas
dan dilambangkan dengan ksi, sedangkan variabel laten endogen merupakan variabel laten
yang terikat dan sering dilambangkan dengan eta. Variabel laten disimbolkan dengan elips
atau lingkaran.
b. Variabel teramati
Variabel teramati adalah variabel yang dapat diamati atau dapat diukur dan sering disebut
indikator. Variabel teramati berupa ukuran dari variabel laten. Variabel teramati yang
terbentuk dari variabel laten eksogen dilambangkan dengan X, sedangkan yang terbentuk dari
variabel laten endogen dilambangkan dengan Y.
2. Model
a. Model struktural
Model struktural menggambarkan hubungan antar variabel laten. Parameter yang
menunjukkan hubungan antara variabel laten eksogen terhadap variabel laten endogen adalah
gamma. Parameter yang menunjukkan hubungan antara variabel laten endogen terhadap
variabel endogen lainnya adalah beta.
b. Model pengukuran
Model pengukuran menggambarkan hubungan antara variabel laten dan veriabel teramati.
Factor loading yang menghubungkan variabel laten dan variabel teramati.

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.

2.3 Asumsi Dasar Penggunaan Analisis SEM

1. Distribusi normal indikator – indikator multivariat (Multivariate normal distribution
of indicators).
Masing-masing indikator mempunyai nilai yang berdistribusi normal terhadap 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.
2. 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 setiap variabel laten lainnya. Variabel-variabel laten
dichotomi akan melanggar asumsi ini karena alasan-alasan tersebut.
3. 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.
4. Pengukuran tidak langsung (Indirect measurement)
Secara tipikal, semua variabel dalam model merupakan variabel-variabel laten.
5. 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.
6. Rekursivitas (Recursivity)

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.

2.4 Tujuan Analisis SEM

SEM (Structural Equation Model) merupakan salah satu bidang kajian statistik yang dapat
menguji rangkaian hubungan yang biasanya sulit untuk diukur secara bersamaan. SEM
adalah teknik multivariate analysis yang menggabungkan antara analisis faktor dan analisis
regresi (korelasi), dengan tujuan untuk menguji hubungan antar variabel yang ada pada
sebuah model, baik itu antar indikator dengan konstruksnya maupun hubungan antar
konstruk.

2.5 Fungsi Analisis 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:

1. Pemodelan Hubungan: SEM memungkinkan para peneliti untuk memodelkan hubungan

kompleks antara variabel-variabel, baik variabel terukur maupun laten. Ini memungkinkan
pengujian teori atau hipotesis yang rumit.

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.

3. Penyimpangan: SEM memungkinkan identifikasi penyimpangan antara model yang

diusulkan dan data yang diamati. Ini membantu dalam meningkatkan model dan menafsirkan
hasil secara lebih akurat.

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.

5. Pemodelan Jalur: SEM memungkinkan pengujian hipotesis tentang hubungan sebab-akibat

antara variabel-variabel dalam model. Ini berguna dalam menyelidiki kompleksitas hubungan
antara variabel dalam suatu fenomena.

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.

7. Pengujian Multivariabel: SEM memungkinkan pengujian hubungan antara banyak variabel

secara simultan. Hal ini memungkinkan pemodelan yang lebih holistik dari fenomena yang
kompleks.

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.

2.5 Kelebihan dan Kekurangan Analisis SEM

Kelebihan SEM dibandingkan dengan regresi berganda diantaranya ialah:
1. Memungkinkan adanya asumsi-asumsi yang lebih fleksibel;
2. Penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk
mengurangi kesalahan pengukuran dengan memiliki banyak indikator dalam satu
variabel laten;
3. Daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca
keluaran hasil analisis
4. Kemungkinan adanya pengujian model secara keseluruhan dari pada koefesien-
koefesien secara sendiri-sendiri;
5. Kemampuan untuk menguji model model dengan menggunakan beberapa variabel
tergantung;
6. Kemampuan untuk membuat model terhadap variabel-variabel perantara:
7. Kemampuan untuk membuat model gangguan kesalahan (error term);
8. Kemampuan untuk menguji koefesien-koefesien diluar antara beberapa kelompok
subyek;
9. Kemampuan untuk mengatasi data yang sulit, seperti data time series dengan
kesalahan otokorelasi, data yang tidak normal, dan data yang tidak lengkap.
Kelemahan yang dimiliki oleh SEM menurut Widodo (2006) 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.

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.

2.6 Pengertian SEM PLS

Partial Least Square (PLS) adalah metode yang diperkenalkan pertama kali oleh
Herman O.A. World. PLS merupakan teknikalternatif pada analisis SEM dimana data yang
dipergunakan tidak berdistribusi normal multivariat. Pada SEM dengan PLS nilai variabel
laten diestimasi sesuai kombinasi linear dari variabelvariabel manifest yang terkait dengan
variabel laten serta diperlakukan untuk mengganti variabel manifest. Kelebihan SEM dengan
PLS apabila dibandingkan dengan SEM berbasis kovarian, SEM dengan PLS mampu
menanganidua kondisi dimana:
1. Faktor yang tidak dapat ditentukan (factor indeterminacy). Faktor yang tidak dapat
ditentukan adalah suau kondisi dimana skor faktor yang dihasilkan memliki nilai berbeda
apabila dihitung dari suatu model faktor tunggal. Khusus untuk indikator yang bersifat
formatif,tidak memerlukan adanya common factor sehingga akan selalu diperoleh variabel
laten yang bersifat gabungan berupa suatu kesatuan. Dalam ini variabel laten merupakan
suatu bentuk kombinasi linier dari indikator-indikatornya.
2. Solusi yang tidak dapat diterima (inadmissible solution) Kondisi solusi yang tidak dapat
diterima tidak akan terjadi padaSEM dengan PLS, karena SEM dengan PLS berbasis varians
dan bukan kovarians sehingga mengakibatkan masalah matriks singularity tidak akan pernah
terjadi. Selain itu, PLS bekerja pada model struktural yang bersifat rekursif, sehingga
masalah un-identified, under-identified atau over-identified juga tidak akan pernah terjadi
Pada analisis jalur untuk Structural Equation Modeling dengan Partial Least Square
(SEM- PLS) terdapat tiga model yaitu inner model, outer model dan weight relation. Inner
model menunjukan hubungan antarvariabel laten, outer model menunjukan hubungan antara
variabel manifest dengan variabel latennya, dan weight relation menunjukan nilai estimasi
variabel laten
1) Model Struktural (Inner Model) Model struktural atau inner model menggambarkan
model hubungan antar variabel laten yang dibentuk berdasarkan substansi teori.
2) Model Pengukuran (Outer Model) Model pengukuran atau outer model
umenggambarkan hubungan antara variabel laten dengan indikatornya. Pada outer model
terdapat dua jenis model yaitu model indikator formatif dan refleksif.
• Model Refleksif atau Principal Factor, Model Model refleksif terjadi apabila variabel
manifest dipengaruhi oleh variabel laten.
• Model Formatif, Model formatif mengasumsikan bahwa variabel manifest
mempengaruhi variabel laten. Arah kausalitas mengalir dari variabel manifest menuju
variabel laten
3) Weight Relation Menurut Abdillah dan Jogiyanto HM (2015 : 153), skor weight
relation menunjukan hubungan nilai varian antara indikator dengan variabel latennya

9
 sehingga diasumsikan memiliki mean sama dengan nol (0) dengan varian sama dengan satu
(1) untuk menghilangkan konstanta dalam kausalitas.

2.7 Langkah-langkah SEM PLS

Bagian ini menjelaskan langkah-langkah yang digunakan peneliti saat melakukan
analisis SEM-PLS oleh Hair et al (2017). Hair dkk (2017) menjelaskan prosedur tujuh langkah
yang harus digunakan sebagai cetak biru analisis SEM-PLS:
Tahap 1. Membuat spesifikasi model jalur (pure)
Tahap 2: Membuat spesifikasi model pengukuran
Tahap 3 Melakukan pengumpulan dan screening data
Tahap 4: Melakukan estimau Model SEM PLS
Tahap 5: Mengevaluasi hasil pengujian model pengukuran
Tahap 6: Mengevaluasi hasil pengujian model struktural
Tahap 7: Interpretasi hasil dan menarik kesimpulan

Tahap 1: Membuat Spesifikasi Model Jalur

Model jalur adalah diagram yang merepresentasikan hubungan variabel/komponen laten
berdasarkan penalaran logis dan teori. Dengan demikian, model jalur mewakili hipotesis yang
akan diuji, dan model jalur terdiri dari dua elemen: (1) model struktural, sering disebut model
internal, yang menggambarkan hubungan antar variabel laten/konstruk; 2) Model Pengukuran,
Ini juga sering disebut sebagai model eksternal. Menjelaskan hubungan antar variabel laten dan
pengukuran (indikator/elemen).
Saat membuat spesifikasi model jalur, ada dua masalah utama mengenai urutan dan hubungan
antar variabel dalam model. Kedua hal ini sangat penting karena menunjukkan hipotesis yang
Anda uji. Urutan komponen dalam model jalur didasarkan pada teori, penalaran, atau
pengalaman aktual peneliti (Hair et al., 2017). Urutan ditampilkan dari kiri ke kanan, dengan
konfigurasi independen (sebagai prediktor) di sebelah kiri dan konfigurasi dependen (sebagai
hasil) di sebelah kanan. Konfigurasi di sebelah kiri diasumsikan mendahului dan diprediksi oleh
konfigurasi di sebelah kanan. Konstruk yang hanya berperan sebagai variabel bebas (prediktor)
dan berada paling kiri dalam model disebut konstruk eksogen. Struktur ekstrinsik ditinggalkan
oleh anak panah dan tidak terpapar padanya. Konstruk yang nilainya dalam model diasumsikan
bergantung (yaitu dipengaruhi oleh tanda panah dan terletak di sebelah kanan model) disebut
konstruksi endogen. Suatu konstruk yang sekaligus berperan sebagai variabel bebas dan terikat
dalam suatu model disebut juga endogenitas dan terletak di tengah-tengah model.

Tahap 2: Membuat Spesifikasi Model Pengukuran

Peneliti biasanya menggunakan beberapa pendekatan pengukuran yang sudah ada dan
sudah mapan untuk membuat indikator pengukuran konstruk. Hampir semua peneliti ilmu
sosial menggunakan pengukuran dari penelitian terdahulu atau buku teks skala (scale manual),
sehingga hasil pengujian model pengukuran biasanya memenuhi kriteria. Namun, dalam situasi
tertentu, peneliti mungkin tidak memiliki akses terhadap instrumen pengukuran yang sudah ada
dan oleh karena itu harus mengembangkan instrumen mereka sendiri atau memodifikasi
instrumen yang sudah ada secara signifikan. Dalam situasi seperti ini, peneliti hendaknya
mengacu pada literatur pengembangan instrumen pengukuran dan mengingat bahwa proses
pengembangan instrumen harus mengikuti langkah-langkah yang ketat dan rinci. Keputusan
mengenai pendekatan mana yang harus dipilih (penggunaan alat yang ada atau pengembangan
alat baru) dan pemilihan indikator untuk mengukur konstruk tertentu menjadi dasar analisis
selanjutnya.
Konstruk Reflektif dan Formatif

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).

Model pengukuran formatif (sering disebut pengukuran Mode B dalam SEM-PLS)

didasarkan pada asumsi bahwa indikator membentuk konstruk melalui kombinasi linier. Para
peneliti umumnya menyebut ukuran model ini sebagai indikator formatif. Ciri utama indikator
formatif adalah perbedaannya dengan indikator refleksif karena tidak dapat dipertukarkan.
Setiap indikator konstruk formatif menangkap atau menangkap aspek spesifik dan unik dari
domain konstruk tersebut. Indikator-indikator ini bersama-sama menentukan makna konstruk,
sehingga menghilangkan suatu indikator akan mengubah esensi atau sifat konstruk tersebut.
Oleh karena itu, tinjauan menyeluruh terhadap ruang lingkup konstruk sangat penting untuk
memastikan validitas konten konstruk formatif.

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).

Tahap 3: Pengumpulan dan Penyaringan Data

Metode SEM memerlukan ketersediaan data kuantitatif. Meskipun peneliti banyak
menggunakan data primer dalam penelitian SEM, namun penggunaan data sekunder tentunya
tidak menutup kemungkinan, terutama bila database arsip tersedia. Faktanya, penggunaan data
sekunder dalam analisis SEM-PLS diperkirakan akan meningkat di masa depan.

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.

Pendekatan lainnya adalah penghapusan berdasarkan kasus atau penghapusan

berdasarkan daftar. Artinya, hapus semua observasi atau kasus yang nilainya hilang untuk
setiap metrik sehingga tidak lagi digunakan dalam analisis. Pendekatan ini memerlukan
pertimbangan dua aspek. Pertama, peneliti harus menghindari penghapusan kelompok
responden tertentu secara sistematis. Kedua, menggunakan pendekatan penghapusan kasus per
kasus dapat mengurangi jumlah observasi dalam file data secara signifikan.

Pendekatan lainnya adalah penghapusan berpasangan. Artinya, seluruh observasi

dengan respon lengkap digunakan untuk menghitung parameter model. Misalnya kita
mempunyai variabel laten dengan tiga indikator x1, x2, x3. Semua nilai valid dari ketiga metrik
harus digunakan untuk memperkirakan parameter model. Pada pendekatan penghapusan
berpasangan, nilai x1 dan x2 digunakan untuk menghitung parameter model meskipun
responden tidak menjawab pertanyaan (indikator x3). Pendekatan ini tidak boleh digunakan
karena hasilnya mungkin bias (Hair et al, 2017). Pengecualiannya adalah dalam situasi di mana
terdapat begitu banyak observasi dengan nilai yang hilang sehingga tidak mungkin
menggunakan pendekatan penggantian rata-rata atau penghapusan secara casewise, dan tujuan
analisis adalah untuk memperoleh gambaran awal tentang struktur model.

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.

Langkah 4: Estimasi Model SEM-PLS

Setelah pengumpulan data dan penyaringan data, peneliti melakukan estimasi model SEM-PLS
untuk memperoleh hasil pengukuran dan hasil model struktural. Estimasi model dilakukan
dengan menggunakan algoritma SEM-PLS berbasis varians. Algoritma ini memperkirakan
koefisien jalur dan parameter lainnya dengan memaksimalkan varians variabel endogen yang
dijelaskan. Untuk memahami cara kerja algoritma SEM-PLS, Anda perlu mengetahui matriks
data yang digunakan. Contoh matriks data pada Tabel 2.2 menunjukkan kumpulan data dengan
variabel dalam kolom dan pengamatan dalam baris. Matriks data digunakan sebagai masukan
untuk estimasi model SEM-PLS. Data untuk indikator x1 hingga x7 dapat diperoleh dari survei
atau database data sekunder. Kolom pertama Observasi atau Kasus memberikan contoh
observasi dan dapat berupa sejumlah responden atau database.
Untuk menjelaskan algoritma SEM-PLS, kami menggunakan contoh model SEM-PLS pada
Gambar 2.6. Model ini memiliki tiga variabel/konstruk laten: Y1, Y2, dan Y3 Komponen Y1
dan Y2 diukur secara formatif menggunakan indikator x1 dan x2 (untuk Y2) dan x3 dan x4
(untuk Y2). Y, diukur secara refleksif pada indikator x5, x6, dan x7. Model pengukuran yang
dipilih, baik formatif maupun refleksif, tentu saja harus didasarkan pada teori. Hubungan antara
indikator dengan struktur pembentuk Y1 dan Y2 disebut bobot eksternal dan dilambangkan
dengan w11, W12, w23, dan w24. Sebaliknya, hubungan antara indeks dan struktur reflektif Y
disebut beban eksternal dan dinyatakan dengan l35, l36, dan l37. Nilai bobot luar dan beban
luar pada awalnya tidak diketahui dan diperkirakan menggunakan algoritma SEM-PLS. Di sisi
15
15
lain, hubungan antar variabel laten pada model struktural juga tidak diketahui dan diperkirakan
menggunakan algoritma SEM-PLS.

Kelebihan dan Kekurangan SEM PLS

Kelebihan SEM PLS

Partial Least Squares Structural Equation Modeling (PLS-SEM) memiliki beberapa
kelebihan dibandingkan dengan metode SEM tradisional:

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.

Kekurangan SEM PLS

Beberapa kekurangan dari Partial Least Squares Structural Equation Modeling (PLS-
SEM) meliputi:
1. Kurangnya Keseragaman dalam Estimasi PLS-SEM dapat menghasilkan estimasi yang
kurang konsisten dibandingkan dengan metode Maximum Likelihood (ML) dalam Structural
Equation Modeling (SEM) tradisional. Ini dapat mengakibatkan ketidakpastian dalam
interpretasi parameter model.
2. Kurangnya Kemampuan dalam Menangani Model dengan Variabel Observasi Berlimpah :
PLS-SEM mungkin tidak efisien ketika dihadapkan pada model dengan jumlah variabel
observasi yang sangat besar. Dalam situasi ini, ML biasanya lebih disukai.
3. Keterbatasan dalam Pengujian Hipotesis PLS-SEM cenderung memiliki kemampuan yang
lebih terbatas dalam pengujian hipotesis daripada metode ML. Ini karena pendekatan yang lebih
fokus pada pengembangan model prediktif daripada pengujian hipotesis formal.
4. Kurangnya Efisiensi Estimasi PLS-SEM dapat menghasilkan estimasi parameter yang kurang
efisien, terutama dalam situasi di mana model memiliki struktur yang kompleks atau ketika
terdapat banyak observasi.
5. Keterbatasan dalam Penanganan Data yang Hilang PLS-SEM mungkin tidak sekuat ML
dalam menangani data yang hilang atau missing data. Hal ini dapat mempengaruhi validitas dan
15
15
kehandalan hasil analisis.

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

Robi, Matius., Kusnanda, Dadan., Sulistianingsih, Evy. (2017). PENERAPAN

STRUCTURAL EQUATION MODELING (SEM) UNTUK ANALISIS KOMPETENSI
ALUMNI. Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster), Volume 6, No. 02,113 –
120.
Byrne, Barbara. M. (2001). Structural Equation Modeling With Amos: Basic Concepts,
Applications, and Programming. London: Lawrence Erlbaum Associates Publishers
Narimawati, Umi dan Jonathan Sarwono.(2007). Structural Equation Model (SEM) Dalam
Riset Ekonomi: Menggunakan LISREL. Yogyakarta: Penerbit Gava Media.
Sarwono, Jonathan. (2008). Mengenal AMOS untuk Analisis Structural Equation Model.
Dalam proses
penerbitan
https://lp2m.uma.ac.id/2023/06/24/structural-equation-modeling-sem-definisi-dan-
keuntungannya/
https://www.academia.edu/44730540/SEM_STRUCTURAL_EQUACTION_MODELING_

16
16