konsep dan pengaplikasian structural equation modeling (sem)

Dr. Donny Maha Putra

Konsep dan Pengaplikasian

Structural Equation Modeling (SEM)

MENGENAL KONSEP DASAR SEM

Menjelaskan dasar-dasar SEM

Sejarah SEM

Pertama kali diperkenalkan pada tahun 1970-an, SEM adalah perkawinan antara psikometrik dan ekonometrika.

Di sisi psikometrik, SEM memungkinkan untuk variabel laten dengan berbagai indikator. Di sisi ekonometrik, SEM

memungkinkan untuk beberapa persamaan. SEM merupakan metodologi statistik yang banyak

digunakan oleh para peneliti dalam ilmu sosial, perilaku, pendidikan dan manajemen untuk

penyelidikan hubungan sebab akibat.

Apa itu SEM?

(Bagozzi & Fornell, 1982)

Teknik Analisis Multivariate yang memungkinkan peneliti untuk menguji

hubungan atau pengaruh antar variabel yang kompleks baik recursive maupun

non-recursive guna memperoleh gambaran menyeluruh mengenai

keseluruhan model

(Bollen,1989)

SEM dapat menguji secara bersama-sama

• Hubungan nilai loading antara indikator dengan konstruk (Model Pengukuran)

• Hubungan konstruk eksogen dan endogen (Model struktural)

Tujuan Utama Analisis SEM

1. Menentukan apakah model plausible (masuk akal) atau fit berdasarkan

data yang dimiliki.

2. Menguji berbagai hipotesis yang telah dibangun sebelumnya

Kelebihan dan Kelemahan SEM

Kelebihan

▪ Komprehensif

▪ Mengakomodasi model-model yang

kompleks

▪ Pemodelan variabel laten

Kelemahan

▪ Sangat tergantung pada software

▪ Kompleks

▪ Terbatas pada hubungan linier

▪ Ukuran sampel besar

Sebuah skor hasil pengukuran (skor tampak), didalamnya terkandung dua komponen, yaitu: komponen yang menjelaskan atribut yang diukur, dan komponen yang terkait dengan atribut lain yang tidak diukur (eror)

Teori Skor Murni Klasik

X = T + E

Tipe SEM

1. SEM berdasarkan Covariance (CB-SEM).

2. SEM berdasarkan Variance atau Component (SEM-PLS)

CB-SEM VS VB-SEM

KRITERIA SEM-PLS CB-SEM

Tujuan Penelitian Untuk mengembangkan teori atau membangun teori (orientasi prediksi)

Untuk menguji teori atau mengkonfirmasi teori (orientasi parameter)

Pendekatan Berdasarkan Variance Berdasarkan Covariance

Metode Estimasi Least Square Umumnya Maximum Likelihood

Model Struktural Model dengan kompleksitas besar dengan banyak konstruk dan banyak indikator, model hanya berbentuk recursive

Model dapat berbentuk recursive dan non recursive dengan tingkat kompleksitas menengah kebawah

Evaluasi Model dan Asumsi Normalitas data

Tidak mensyaratkan data terdistribusi normal dan estimasi parameter dapat langsung dilakukan tanpa persyaratan kriteria goodness of fit

Mensyaratkan data terdistribusi normal dan memenuhi kriteria goodness off fit sebelum estimasi parameter

CB-SEM VS VB-SEM (cont)

KRITERIA SEM-PLS CB-SEM

Pengujian Signifikansi Tidak dapat diuji dan difalsifikasi (harus melalui prosedur bootstrap atau jackknife)

Model dapat diuji dan difalsifikasi

Asumsi Spesifikasi prediktor (nonparametric) Multivariate normal distribution, independence observation (parametric)

Implikasi Optimal untuk ketepatan prediksi Optimal untuk ketepatan konfirmasi

Kompleksitas Model Kompleksitas besar (100 konstruk dan 1000 indikator)

Kompleksitas kecil sampai menengah (kurang dari 100 indikator)

Konstruk Model Formative dan Reflective Hanya Reflective

Besar Sample Direkomendasikan 30 – 100 sampel Direkomendasikan 200 – 800 sampel

Software Produk PLS Graph, SmartPLS, SPAD-PLS,XLSTAT-PLS,dll

AMOS, EQS, LISREL, MPLUS, dll

Sumber : Chin & Newsted,1999; Hair et al., 2011

VARIABEL DALAM SEM

Variabel Laten

Variabel laten merupakan konsep abstract, Contoh :

perilaku orang, sikap, motivasi, perasaan, dll

Eksogen (ξ) Endogen (η)

Variabel Teramati

Variabel teramati (observase Variabel) adalah variabel

yang dapat diamati atau diukur secara empiris, sering

disebut sebagai indikator

X Y

Dua sub-model SEM

1. Model pengukuran (Model

Outer) : suatu sub bagian dari

model lengkap yang meliputi

relasi-relasi antara variabel-

variabel manifes dengan

laten

2. Model struktural (Model

Inner) : suatu sub bagian dari

model lengkap yang meliputi

relasi-relasi antara variabel-

variabel laten Model pengukuran (Model Outer)

Model struktural (Model Inner)

Bagian-Bagian SEM

Model Pengukuran (MODEL OUTER)

Reflective : mencirikan

Stres

Sering Tertawa Sendiri

Hubungan yang tidak baik dengan

atasanJarang Mandi

Stres

Sering Melamun

Banyak HutangBanyak

masalah

Formative : Membangun

Model Struktural

Model struktural menggambarkan hubungan-hubungan yang ada

diantara variabel-variabel laten

ETA.1η1

KSI.1ξ1

KSI.2ξ2

ETA.3η3

ETA.2η2

GAMMA. 11

GAMMA. 12

BETA. 21

BETA. 31

GAMMA. 32

Sub Model : Model Struktural

• Model struktural menggambarkan hubungan satu variabel dengan variabel lainnya. Hubungan tersebut dapat berupa korelasi maupun pengaruh/peranan/prediksi.

• Korelasi antar variabel ditunjukkan dengan garis dengan berpanah di kedua ujungnyasedangkan pengaruh ditandai dengan satu ujung berpanah.

Berapa Jumlah

Indikator?

“two might be fine, three is

better, four is best, and

anything more is gravy” (Kenny,

1984)

Model Struktural (Model Inner)

Variabel Laten

Endogen

Variabel Laten

Eksogen

Variabel Laten

Endogen

VL Eksogen dan VL Endogen

Variabel Laten Eksogen : Hanya mempengaruhiVariabel Laten Endogen : Dipengaruhi dan dapat mempengaruhi

Ilustrasi Model SEM

Hipotesis: Budaya Organisasi berpengaruh terhadap Kualitas SIA

Budaya Organisas

i

V1 V2

Kualitas SIA

V1 V2

Error

Error Error Error Error

Budaya Organisasi merupakanvariabel laten eksogen

Kualitas SIAsebagai variabellaten endogen

Second Order Confirmatory Factor Anaysis

Konstruk laten dalam penelitan

kadangkala merupakan konstruk

multidimensi, contoh dalam gambar ini,

Birding Specialization dapat diukur

dengan melihat dimensi Behavior, Skill

and Knowledge, dan Commitment,

masing-masing dimensi diukur lagi

dengan indikator-indikator. Jadi ketiga

dimensi ini merupakan first order

konstruk, dan Birding Spicialization

merupakan second order Konstruk

Contoh Representasi Model SEM

Contoh Aplikasi SEM

menggunakan variabel mediasi

atau intervening dalam sebuah

penelitian

Contoh Persamaan Model SEM

η1 = γ11 ξ1 + γ12 ξ2 + γ13 ξ3 + ζ1

η2 = β21 η1 + ζ2

η3 = β31 η1 + β32 η2 + ζ3

Persamaan Struktural

Variabel eksogen IP:

X1 = λX1 ξ1 + δ1

.

.

X6 = λx6 ξ1 + δ6

Variabel eksogen KM:

X7 = λX7 ξ3 + δ7

.

.

X15 = λx15 ξ3 + δ15

Persamaan Pengukuran

Tabel Notasi SEM (1)

Notasi Keterangan

ξ (ksi) Variabel laten eksogen (variabel independen), digambarkan sebagai lingkaran pada model struktural dalam Structural Equation Modeling

η (eta) Variabel laten endogen (variabel dependen, dan juga dapat menjadi veriabel independen pada persamaan lain), juga digambarkan sebagai lingkaran

γ (gamma) Hubungan langsung variabel eksogen terhadap variabel endogen

β (beta) Hubungan langsung variabel endogen terhadap variabel endogen

Y Indikator variabel endogen

X Indikator variabel eksogen

λ (lambda) Hubungan antara variabel laten eksogen ataupun endogen terhadapindikator-indikatornya

Φ (PHI) Kovarians/korelasi antara variabel eksogen

Tabel Notasi SEM (2)

Notasi Keterangan

δ (DELTA) Kesalahan pengukuran (measurement error) dari indikator variabel eksogen

ε (EPSILON) Kesalahan pengukuran (measurement error) dari indikator variabel endogen

ζ (ZETA) Kesalahan dalam persamaan yaitu antara variabel eksogen dan/atauendogen terhadap variabel endogen

ψ (PSI) Matriks kovarians antara residual struktural (ζ)

Λ Matriks kovarians antara loading indikator dari variabel suatu variabel laten

Θδ (THETADELTA) Matriks kovarians simetris antara kesalahan pengukuran pada indikator indikatordari variabel laten eksogen (δ)

Θε (THETAEPSILON)

Matriks kovarians simetris antara kesalahan pengukuran pada indikator indikatordari variabel laten endogen (ε)

Sumber : Ghozali & Fuad, 2014

LANGKAH PEMODELAN SEM

Menjelaskan tahapan –tahapan dalam analisis SEM

7 Tahapan SEMTahapan dalam Analasis SEM

IdentifikasiModel

Mengidentifikasi model

(model overidentified).

SpesifikasiModel

Membuat Persamaan.

Estimasi Model

Skrining Data

Outliers, Missing Value,

Normalitas dsb

PenyusunanDiagram Alur

KonseptualisasiModel

Pengujian ModelUji Ketepatan Model

Uji Parameter

Modifikasi ModelJika dibutuhkan

SEM dibangun berdasarkan rujukan teori yang kuat. Terdapat 7 tahapan dalam analisis SEM

Alternatif PilihanSoftware SEM.

LISREL http://www.ssicentral.com/

Amos http://www.spss.com/amos

EQS http://www.mvsoft.com/

Mplus http://www.statmodel.com/

SEPATH (Statistica)

RAMONA (Systat)

ProcCalis (SAS)

Lincs (GAUSS)

MECOSA (GAUSS)

Fox‘s SEM (R)

MX

STREAMS

APLIKASI SEM DENGAN SMART PLS 3.2

Menjelaskan demo penggunaan SMART PLS dalam SEM dan Cara

Intepretasi hasil

APLIKASI SEM DENGAN LISREL 8.8

Menjelaskan demo penggunaan LISREL dalam SEM dan Cara

Intepretasi hasil

Download Aplikasi

Download aplikasi LISREL pada website ini, tersedia versi trial dan versi student

Siapkan data hasil kuisioner

Tampilan Awal aplikasi

Buat data Prelis

Uji Normalitas Data

Contoh Model Penelitian

Uji Validitas Dan Reliabilitas - CFA2nd

Raw Data from file C:\Data\olah_essaay\lisrel_olah\data_kl1.psfAsymptotic Covariance Matrix From File C:\Data\olah_essaay\lisrel_olah\data_kl1.acmSample Size = 301Latent Variables OC INNOVATION STABILITY OUTORIENRelationshipsOC1 - OC2 = INNOVATIONOC3 - OC4 = STABILITY OC5 - OC7 = OUTORIENINNOVATION STABILITY OUTORIEN = OCSet Error Variance of STABILITY to 0Path DiagramEnd of Problem

Sintax Simplis

Output CFA2nd

GOFI, Validitas dan Reliabilitas Model 2ndCFA Budaya Organisasi

Variable *SFL ≥ 0.5 Error *CR≥ 0.7 *VE ≥0.5 Kesimpulan

1stCFA

INNOVATI 0.74 0.59 Reliabilitas baik

OC1 0.72 0.29 Validitas baik

OC2 0.66 0.37 Validitas baik

STABILIT 0.58 0.41 Reliabilitas kurang baik

OC3 0.57 0.35 Validitas baik

OC4 0.53 0.51 Validitas baik

AUTORIEN 0.60 0.46 Reliabilitas kurang baik

OC5 0.65 0.19 Validitas baik

OC6 0.46 0.55 Validitas baik

OC7 0.55 0.52

2ndCFA

Budaya Organisasi 0.91 0.77 Reliabilitas baik

INNOVATI 0.61 0.62 Validitas baik

STABILIT 1.00 0.00 Validitas baik

AUTORIEN 0.97 0.06 Validitas baik

Goodness of Fit Index

p-value ≥ 0.05 = 0.2792 ; RMSEA ≤ 0.08 = 0.026 ; SRMR ≤ 0.05= 0.032 ; AGFI ≥ 0.90

= 0.96

Good Fit

NFI ≥ 0.90 = 0.98 ; CFI ≥ 0.90 = 1.00 ; IFI ≥ 0.90 = 1.00 Good Fit

NNFI ≥ 0.90 = 1.00 ; RFI ≥ 0.90 = 0.99 ; GFI ≥ 0.90 = 0.98 Good Fit

*SFL: Standardized Factor Loading; *CR : Construct Reliability; *VE: Variance Extracted

VE=Σstd loading2

Σstd loading2+ Σεj

CR =(Σstd loading)2

(Σstd loading)2+ Σεj

Pengujian model pengukuran dan model struktural

Raw Data from file C:\Data\olah_essaay\lisrel_olah\data_kl1.psfAsymptotic Covariance Matrix From File C:\Data\olah_essaay\lisrel_olah\data_kl1.acmSample Size = 301Latent Variables OC KM ITI OPRelationshipsOC1 - OC7 = OCKM1 - KM9 = KMITI1 - ITI8 = ITIOP1 - OP7 = OPITI = OC KMOP = ITIPath DiagramEnd of Problem

Sintax Simplis

Model Pengukuran

Model Struktural

Hasil Pengujian Kecocokan Model

Kesimpulan:Model yang dibangun dalam penelitian ini memiliki tingkat kecocokan yang baik, menurut (hair et al, 2014; Ghozali, 2014; Wijanto, 2015), minimal 5 dari 10 indikator dinyatakan fit,maka model secara keseluruhan dapat dinyatakan fit.

NoKriteria

Kecocokan

Target Tingkat

Kecocokan Model

Hasil Estimasi

Model

Kesimpulan

Model

1 Chi-square p-value ≥ 0.05 0.00000 Tidak Baik

2 RMSEA RMSEA ≤ 0.08 0.06 Baik

3 NFI NFI ≥ 0.90 0.94 Baik

4 NNFI NNFI ≥ 0.90 0.96 Baik

5 CFI CFI ≥ 0.90 0.97 Baik

6 IFI IFI ≥ 0.90 0.97 Baik

7 RFI RFI ≥ 0.90 0.93 Baik

8 SRMR SRMR ≤ 0.05 0.086 Kurang Baik

9 GFI GFI ≥ 0.90 0.77 Cukup Baik

10 AGFI AGFI ≥ 0.90 0.73 Cukup Baik

Goodnes of Fit Index (GOFI) Full Model Penelitian

Uji Hipotesis

No PathNilai

Koefisien(Standar)Nilai-t Kesimpulan

1 KM → ITI 0.31 3.51 ≥ 1.96 Signifikan

2 OC → ITI 0.45 5.12 ≥ 1.96 Signifikan

3 ITI → OP 0.73 8.61≥ 1.96 Signifikan

Besarnya pengaruh antar variabel

No PathNilai

Koefisien(Standar)Nilai-t Kesimpulan

1 KM → ITI 0.31 3.51 ≥ 1.96 Signifikan

2 OC → ITI 0.45 5.12 ≥ 1.96 Signifikan

3 ITI → OP 0.73 8.61≥ 1.96 Signifikan

Persamaan yang terbentuk

Referensi

1. Bagozzi dan Fornell. 1982. Theoretical Concepts Measurement and Meaning. In Second Generation of

multivariate analysis. Vol.1. Fornell Ed. New York. Praeger : 24-38

2. Chin and Newsted. 1999. Structural equation modeling analysis with small samples using partial least

square, in statiscal strategies for small sample research. Sage Publications. Thiusan Oack,CA, pp 307-341

3. Ghozali and Latan . 2015. Partial Least Square. Konsep, teknik dan aplikasi menggunakan SmartPLS 3.0.

Badan Penerbit Universitas Diponegoro

4. Ghozali. 2014. Structural Equation Modelling Metode alternatif dengan partial least square. Badan

Penerbit Universitas Diponegoro

5. Ghozali and Fuad. 2014. Structural Equation Modelling Teori, konsep dan aplikasi dengan program Lisrel

9.10. Badan Penerbit Universitas Diponegoro

6. Wijanto. 2015. Metode Penelitian menggunakan Structural Equation Modeling dengan Lisrel 9.10

7. Hair. et al . 2014. A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM)

8. Kenny and Charles. 1984. Estimating the nonlinear and interactive effects of latent variables,Psychological

Bulletin, p.201-210