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