Konsep dan Pengaplikasian Structural Equation Modeling (SEM) Dr. Donny Maha Putra

(1)

Dr. Donny Maha Putra

Konsep dan Pengaplikasian

Structural Equation Modeling (SEM)

(2)

MENGENAL KONSEP DASAR SEM

Menjelaskan dasar-dasar SEM

(3)

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.

(4)

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)

(5)

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

(6)

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

(7)

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

(8)

Tipe SEM

1. SEM berdasarkan Covariance (CB-SEM).

2. SEM berdasarkan Variance atau

Component (SEM-PLS)

(9)

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

(10)

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

(11)

VARIABEL

DALAM SEM

(12)

Variabel Laten

Variabel laten merupakan konsep abstract, Contoh : perilaku orang, sikap, motivasi, perasaan, dll

Eksogen (ξ) Endogen (η)

(13)

Variabel Teramati

Variabel teramati (observase Variabel) adalah variabel yang dapat diamati atau diukur secara empiris, sering disebut sebagai indikator

X Y

(14)

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)

(15)

Bagian-Bagian SEM

(16)

Model Pengukuran (MODEL OUTER)

Reflective : mencirikan

Stres

Sering Tertawa Sendiri

Hubungan yang tidak baik dengan

atasan

Jarang Mandi

Stres

Sering

Melamun Banyak Hutang Banyak

masalah

Formative : Membangun

(17)

Model Struktural

Model struktural menggambarkan hubungan-hubungan yang ada diantara variabel-variabel laten

ETA.1 η1 KSI.1

ξ1

KSI.2

ξ2 ETA.3

η3 ETA.2

η2 GAMMA. 11

GAMMA. 12

BETA. 21

BETA. 31 GAMMA. 32

(18)

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 ujungnya

sedangkan pengaruh ditandai dengan satu ujung berpanah.

(19)

Berapa Jumlah Indikator?

“two might be fine, three is better, four is best, and

anything more is gravy” (Kenny,

1984)

(20)

Model Struktural (Model Inner)

Variabel Laten Endogen Variabel

Laten Eksogen

Variabel Laten Endogen

(21)

VL Eksogen dan VL Endogen

Variabel Laten Eksogen : Hanya mempengaruhi

Variabel Laten Endogen : Dipengaruhi dan dapat mempengaruhi

(22)

Ilustrasi Model SEM

Hipotesis: Budaya Organisasi berpengaruh terhadap Kualitas SIA

Budaya Organisas

i

V1 V2

Kualitas SIA

V1 V2

Error

Error Error

Budaya Organisasi merupakan

variabel laten eksogen

Kualitas SIA

sebagai variabel

laten endogen

(23)

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

(24)

Contoh Representasi Model SEM

Contoh Aplikasi SEM menggunakan variabel mediasi

atau intervening dalam sebuah

penelitian

(25)

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:

X

₁

= λ

_X1

ξ

₁

+ δ

₁

.

X

₆

= λx

₆

ξ

₁

+ δ

₆

Variabel eksogen KM:

X

₇

= λ

_X7

ξ

₃

+ δ

₇

.

X

₁₅

= λx

₁₅

ξ

₃

+ δ

₁₅

Persamaan Pengukuran

(26)

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 terhadap indikator-indikatornya

Φ (PHI) Kovarians/korelasi antara variabel eksogen

(27)

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/atau

endogen 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

indikator

dari variabel laten eksogen (δ)

Θε (THETAEPSILON) Matriks kovarians simetris antara kesalahan pengukuran pada indikator indikator

dari variabel laten endogen (ε)

Sumber : Ghozali & Fuad, 2014

(28)

LANGKAH PEMODELAN SEM

Menjelaskan tahapan –tahapan dalam analisis SEM

(29)

7 Tahapan SEM

Tahapan dalam Analasis SEM

Identifikasi Model

Mengidentifikasi model (model overidentified).

Spesifikasi Model

Membuat Persamaan.

Estimasi Model

Skrining Data Outliers, Missing Value,

Normalitas dsb

Penyusunan Diagram Alur Konseptualisasi

Model

Pengujian Model Uji Ketepatan Model

Uji Parameter

Modifikasi Model Jika dibutuhkan

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

(30)

Alternatif Pilihan Software 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

(31)

APLIKASI SEM DENGAN SMART PLS 3.2

Menjelaskan demo penggunaan SMART PLS dalam SEM dan Cara

Intepretasi hasil

(32)

(33)

(34)

(35)

(36)

(37)

(38)

(39)

(40)

APLIKASI SEM DENGAN LISREL 8.8

Menjelaskan demo penggunaan LISREL dalam SEM dan Cara

Intepretasi hasil

(41)

Download Aplikasi

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

(42)

Siapkan data hasil kuisioner

(43)

Tampilan Awal aplikasi

(44)

Buat data Prelis

(45)

Uji Normalitas Data

(46)

Contoh Model Penelitian

(47)

Uji Validitas Dan Reliabilitas - CFA2nd

Raw Data from file C:\Data\olah_essaay\lisrel_olah\data_kl1.psf

Asymptotic Covariance Matrix From File C:\Data\olah_essaay\lisrel_olah\data_kl1.acm Sample Size = 301

Latent Variables OC INNOVATION STABILITY OUTORIEN Relationships

OC1 - OC2 = INNOVATION OC3 - OC4 = STABILITY OC5 - OC7 = OUTORIEN

INNOVATION STABILITY OUTORIEN = OC Set Error Variance of STABILITY to 0

Path Diagram End of Problem

Sintax Simplis

(48)

Output CFA2nd

(49)

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

STABILIT 0.58 0.41 Reliabilitas kurang baik

AUTORIEN 0.60 0.46 Reliabilitas kurang 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

(50)

Pengujian model pengukuran dan model struktural

Raw Data from file C:\Data\olah_essaay\lisrel_olah\data_kl1.psf

Asymptotic Covariance Matrix From File C:\Data\olah_essaay\lisrel_olah\data_kl1.acm Sample Size = 301

Latent Variables OC KM ITI OP Relationships

OC1 - OC7 = OC KM1 - KM9 = KM ITI1 - ITI8 = ITI OP1 - OP7 = OP ITI = OC KM OP = ITI

Path Diagram End of Problem

Sintax Simplis

Model Pengukuran Model Struktural

(51)

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.

No Kriteria

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

(52)

Goodnes of Fit Index (GOFI) Full Model Penelitian

(53)

Uji Hipotesis

No Path Nilai

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

(54)

Besarnya pengaruh antar variabel

No Path Nilai

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

(55)

Persamaan yang terbentuk

(56)

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