SEM (STRUCTURAL EQUACTION MODELING) PDF

Preview

Summary

SEM (STRUCTURAL EQUACTION MODELING) MAKALAH disusun untuk memenuhi salah satu tugas mata kuliah Statistika Terapan dosen pengampu Prof. Yayan Sanjaya, M.Si., Ph.D. dan Dr. Wahyu Surakusumah, M.T oleh: Naufal Ahmad Muzakki 2002009 PROGRAM STUDI PENDIDIKAN BIOLOGI DEPARTEMEN PENDIDIKAN BIOLOGI FAKULTA...

Description

SEM (STRUCTURAL EQUACTION MODELING)

MAKALAH

disusun untuk memenuhi salah satu tugas mata kuliah Statistika Terapan dosen pengampu Prof. Yayan Sanjaya, M.Si., Ph.D. dan Dr. Wahyu Surakusumah, M.T

oleh: Naufal Ahmad Muzakki

2002009

PROGRAM STUDI PENDIDIKAN BIOLOGI DEPARTEMEN PENDIDIKAN BIOLOGI FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA 2020

KATA PENGANTAR Puji dan syukur dipanjatkan kehadirat Allah ‫ ﷻ‬karena berkat rahmat dan karunia-Nya penulis dapat menyelesaikan makalah yang berjudul SEM (Structural Equation Modeling) sebagai salah satu tugas mata kuliah Statistika Terapan. Shalawat serta salam semoga selalu tercurahkan limpahkan kepada Nabi Muhammad ‫ ﷺ‬beserta keluarga, sahabat, dan kita sebagai pengikutnya hingga akhir zaman. Penulisan makalah ini bertujuan untuk menjelaskan tentang pengertian dan penggunaan SEM. Isi makalah ini semoga dapat bermanfaat bagi penulis ataupun pihak yang memerlukan rujukan tentang SEM (Structural Equation Modeling). Penulis menyadari bahwa dalam penyusunan makalah ini masih terdapat banyak kekurangan. Oleh karenanya, kritik dan saran yang bersifat membangun sangat diharapkan untuk perbaikan kedepannya. Semoga makalah ini bermanfaat dan dapat menjadi berkah bagi penulis dan pembacanya.

Bandung, 12 Desember 2020

i

DAFTAR ISI

KATA PENGANTAR ............................................................................................ i DAFTAR ISI .......................................................................................................... ii BAB I PENDAHULUAN ...................................................................................... 1 1.1.

Latar Belakang ......................................................................................... 1

1.2.

Rumusan Masalah .................................................................................... 1

1.3.

Tujuan ....................................................................................................... 2

BAB II ISI .............................................................................................................. 3 2.1.

Definisi SEM (Structural Equation Modeling)......................................... 3

2.2.

Perbedaan SEM dengan Teknik Multivariat Lainnya .............................. 4

2.3.

Keunggulan-keunggulan SEM ................................................................. 5

2.4.

Keterbatasan SEM .................................................................................... 6

2.5.

Asumsi Dasar ........................................................................................... 6

2.6.

Prinsip Dasar Dibalik SEM .................................................................... 10

2.7.

Komponen Model SEM (Structural Equation Modeling) ...................... 10

2.8.

Tahapan Menggunakan SEM (Structural Equation Modeling) .............. 13

BAB III PENUTUP ............................................................................................. 16 3.1.

Kesimpulan ............................................................................................. 16

3.2.

Saran ....................................................................................................... 16

DAFTAR PUSTAKA ........................................................................................... 17

ii

BAB I PENDAHULUAN

1.1. Latar Belakang Masalah di keseharian tidak hanya didasarkan pada hubungan satu variabel atau dua variabel saja, tetapi cenderung melibatkan banyak variabel. Pengujian statistik yang melibatkan banyak variabel dinamakan analisis multivariat. Statistik kini telah menjadi kebutuhan bagi masyarakat global, baik dalam kalangan akademis, ilmuan, praktisi bisnis, kesehatan terutama kalangan peneliti. Metode statistik memainkan peranan yang sangat penting bagi hampir dari keseluruhan usaha atau kegiatan manusia. Berdasarkan yang kita ketahui, terdapat beberapa jenis analisis data yaitu analisis univariat, analisis bivariat dan analisis multivariat. SEM (Structural Equation Modeling) merupakan teknik analisis multivariat yang dikembangkan guna menutupi keterbatasan yang dimiliki oleh model-model analisis sebelumnya yang telah digunakan secara luas dalam penelitian statistik. Model-model yang dimaksud diantaranya adalah regression analysis (analisis regresi), path analysis (analisis jalur), dan confirmatory factor analysis (analisis faktor konfirmatori) (Hox dan Bechger, 1998). 1.2. Rumusan Masalah Berdasarkan latar belakang yang telah dijelaskan diatas maka rumusan masalahnya, sebagai berikut; 1) Apa yang dimaksud SEM (structural equation modeling)? 2) Apa saja perbedaan SEM dengan teknik multivariat lainnya? 3) Apa saja keunggulan-keunggulan dari SEM? 4) Apa saja keterbatasan dari SEM? 5) Apa yang dimaksud asumsi dasar SEM? 6) Apa saja prinsip dasar dibalik SEM? 7) Apa saja komponen model SEM? 8) Bagaimana tahapan menggunakan SEM?

1

1.3. Tujuan Berdasarkan rumusan masalah diatas maka tujuan dari makalah ini, sebagai berikut; 1) Untuk mengetahui definisi SEM (structural equation modeling). 2) Untuk mengetahui perbedaan SEM dengan teknik multivariat lainnya. 3) Untuk mengetahui keunggulan-keunggulan dari SEM. 4) Untuk mengetahui keterbatasan dari SEM. 5) Untuk mengetahui asumsi dasar SEM. 6) Untuk mengetahui prinsip dasar dibalik SEM. 7) Untuk mengetahui komponen model SEM. 8) Untuk mengetahui tahapan menggunakan SEM.

2

BAB II ISI

2.1. Definisi SEM (Structural Equation Modeling) SEM adalah salah satu analisis multivariat yang sering digunakan untuk melihat hubungan dan pengaruh antar variabel yang lebih kompleks dibandingkan dengan analisis regresi atau analisis jalur. Menurut Arbuckle (1997) the structural equation modeling is a family of statistical models to explain the relationship among multiple variables. SEM adalah salah satu modal statistika untuk menjelaskan hubungan antara variabel-variabel multivariat definisi lain menyebutkan SEM adalah suatu teknik statistika yang bersifat sangat processional linier dan umum dan yang termasuk di dalam analisis sistem adalah analisis faktor, analisis regresi, analisis jalur, dan analisis simultan. SEM merupakan teknik analisis multivariat yang dikembangkan guna menutupi keterbatasan yang dimiliki oleh model-model analisis sebelumnya yang telah digunakan secara luas dalam penelitian statistik. model-model yang dimaksud diantaranya adalah model regresi, model analisis jalur, analisis faktor dan analisis simultan keterbatasan dari model-model tersebut. Misalnya dalam penelitian ilmu sosial ataupun perilaku proses, dalam pengukuran karakteristik terhadap subjek tersebut tidak dapat dilakukan secara langsung melainkan harus melalui indikator-indikator. Indikatorindikator tersebut yang merupakan refleksi dari suatu konsep atau variabel yang ingin diukur. Didalam analisis regresi hanya mengakomodasi hubungan langsung dan variabel yang digunakan harus terukur secara langsung. Kemudian untuk analisis jalur atau analisis path dapat mengakomodasi hubungan langsung dan hubungan tidak langsung namun hanya dapat mengakomodasi variabel yang terukur langsung tidak dapat digunakan untuk variabel yang diukur dengan menggunakan indikator-indikator. Kemudian untuk analisis simultan hanya mengakomodir hubungan timbal balik kemudian variabel yang digunakan adalah variabel yang terukur secara langsung sedangkan pada analisis faktor tidak dapat mengukur hubungan

3

antar variabel dan variabelnya dapat terukur secara langsung maupun terukur secara tidak langsung sedangkan dalam analisis SEM dapat melengkapi keterbatasan dari analisis-Analisis tersebut. hubungan antar variabel didalam analisis SEM dapat mengakomodir hubungan langsung, hubungan tidak langsung, dan hubungan timbal balik dan variabel yang digunakan dapat menggunakan variabel yang tidak terukur secara langsung. 2.2. Perbedaan SEM dengan Teknik Multivariat Lainnya Menurut Efferin (2008) beberapa hal yang membedakan SEM dengan regresi biasa dan teknik multivariat lainnya diantaranya adalah; 1) SEM membutuhkan lebih dari sekedar perangkat statistik yang didasarkan atas regresi biasa dan analisis varian. 2) Regresi biasa, umumnya, menspesifikan hubungan kausal antara variabel-variabel teramati, sedangkan pada model variabel laten SEM, hubungan kausal terjadi di antara variabel-variabel tidak teramati atau variabel-varibel laten. 3) SEM selain memberikan informasi tentang hubungan kausal simultan diantara variabel-variabelnya, juga memberikan informasi tentang muatan faktor dan kesalahan-kesalahan pengukuran. 4) Estimasi terhadap multiple interrelated dependence relationships. pada SEM sebuah variabel bebas pada satu persamaan bisa menjadi variabel terikat pada persamaan lain. Sedangkan menurut Widodo (2006) mengemukakan sepuluh keistimewaan SEM sebagai berikut; 1) Mampu memperlakukan variabel endogen dan variabel eksogen sebagai variabel acak dengan kesalahan pengukuran. 2) Mampu memodelkan variabel laten sengan sejumlah indikatornya. 3) Mampu membedakan kesalahan pengukuran dan kesalahan model. 4) Mampu menguji model secara kesuluruhan, bukan hanya menguji koefisien model secara individu. 5) Mampu memodelkan variabel mediator. 6) Mampu memodelkan hubungan antar error. 7) Mampu menguji silang koefisien model dari berbagai kelompok sampel. 4

8) Mampu memodelkan dinamika suatu fenomena. 9) Mampu mengatasi data yang hilang. 10) Mampu menangani data tidak normal. Perbedaan SEM dengan teknik analisis lainnya menurut Sumarto (2009) ditunjukkan oleh tabel dibawah ini. Tabel 1. Perbedaan SEM dengan Teknik Anilisis Lainnya

• • • • • • •

SEM Multiple interelated dependence relationships Persamaan tunggal dan ganda secara simultan Model pengukuran dan kausal Ada Measurement error Single dependen relationships dan Single measured variables Estimated single equations Model kausal

•

Teknik Anlisis Lain Tidak ada measurement error

2.3. Keunggulan-keunggulan SEM Keunggulan-keunggulan SEM-lainnya 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);

5

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. 2.4. Keterbatasan SEM Beberapa keterbatasan 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. 3) SEM tidak digunakan untuk menyatakan suatu hubungan kausalitas, namun untuk menerima atau menolak hubungan sebab akibat secara teoritis melalui uji data empiris. 4) Studi yang mendalam mengenai teori yang berkaitan menjadi model dasar untuk pengujian aplikasi SEM. 2.5. Asumsi Dasar Untuk menggunakan SEM, peneliti memerlukan pengetahuan tentang asumsi-asumsi yang mendasari penggunaannya. Beberapa asumsi tersebut, diantaranya ialah; •

Distribusi normal indikator – indikator multivariat (Multivariate normal distribution of the indicators): Masing-masing indikator mempunyai nilai yang berdistribusi normal terhadap masing-masing indikator lainnya. Karena permulaan yang kecil normalitas multivariat dapat menuntun kearah perbedaan yang besar dalam pengujian chisquare, dengan demikian akan melemahkan kegunaannya. Secara umum, pelanggaran

asumsi ini menaikkan chi-square sekalipun demikian

didalam kondisi tertentu akan menurunkannya. Selanjutnya penggunaan pengukuran

ordinal

atau

nominal

akan

menyebabkan

adanya

pelanggaran normalitas multivariat. Perlu diperhatikan bahwa normalitas 6

multivariat diperlukan untuk estimasi kemiripan maksimum/ maximum likelihood estimation (MLE), yang merupakan metode dominan dalam SEM yang akan digunakan untuk membuat estimasi koefesien koefesien (jalur) struktur. Khususnya, MLE membutuhkan variabelvariabel endogen yang berdistribusi normal. •

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 masingmasing variabel laten lainnya. Variabel-variabel laten dichotomi akan melanggar asumsi ini karena alasan-alasan tersebut. •

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.

•

Pengukuran tidak langsung (Indirect measurement): Secara tipikal, semua variabel dalam model merupakan variabel-variabel laten.

•

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.

•

Secara teoritis tidak sedang atau baru saja diidentifikasi (Underidentified). Suatu model baru saja teridentifikasi jika ada banyak parameter yang harus diestimasi sebanyak adanya elemen – elemen dalam matriks kovarian. Sebagai contoh, dalam suatu model dimana variabel 1 mempengaruhi variabel 2 dan juga mempengaruhi variabel 3, dan variabel 2 juga mempengaruhi variabel 3. Dengan demikian ada tiga parameter (anak panah) dalam model, dan ada tiga unsur kovarian

7

(1,2; 1,3; 2,3). Dalam kasus yang baru saja teridentifikasi, peneliti dapat menghitung parameter – parameter jalur tetapi untuk melakukannya harus memanfaatkan semua derajat kebebasan yang tersedia (degrees of freedom) dan peneliti tidak dapat menghitung uji keselarasannya. •

Rekursivitas (Recursivity): Suatu model disebut rekursif jika semua anak panah menuju satu arah, tidak ada pembalikan umpan balik (feedback looping), dan faktor gangguan (disturbance terms) atau kesalahan sisaan (residual error) untuk variabel-variabel endogen yang tidak dikorelasikan. Dengan kata lain, model-model recursive merupakan model-model dimana semua anak panah mempunyai satu arah tanpa putaran umpan balik dan peneliti dapat membuat asumsi kovarian – kovarian gangguan kesalahan semua 0, yang berarti bahwa semua variabel yang tidak diukur yang merupakan determinan dari variabelvariabel 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 endogen.

•

Tidak

dapat

diidentifikasi

multikolinearitas

tinggi:

secara

Suatu

empiris

model

dapat

karena

adanya

secara

teoritis

diidentififikasi tetapi tidak dapat diselesaikan karena masalah-masalah empiris, misalnya adanya multikolinearitas tinggi dalam setiap model, or atau estimasi jalur (path estimates) mendekati 0 dalam model-model nonrecursive. •

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 exogen berupa variabel-variabel dichotomi atau dummy dan variabel dummy kategorikal tidak boleh digunakan dalam variabel-variabel endogen. Penggunaan data ordinal atau nominal akan mengecilkan koefesien matriks korelasi yang digunakan dalam SEM.

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. •

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. •

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.

•

Kesalahan residual yang tidak berkorelasi (Uncorrelated residual error): Kovarian nilai – nilai variabel tergantung yang diprediksi dan residual – residual harus sebesar 0.

•

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 matrices kovarian tunggal, yang mana peneliti tidak dapat melakukan penghitungan tertentu, misalnya inversi matrix karena pembagian dengan 0 akan terjadi.

•

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 didapatkan median sukuran sampel sebanyak

9

198. Sampel di bawah 100 akan kurang baik hasilnya jika menggunakan SEM. 2.6. Prinsip Dasar Dibalik SEM Dalam statistik terdapat generaliasi yang menyatakan bahwa beberapa variabel saling terkait satu dengan yang lain dalam

suatu kelompok

persamaan linear. Aturan-aturannya kemudian menjadi lebih rumit, penghitungan-penghitungan menjadi lebih rumit, sekalipun demikian dasarnya tetap sama, yaitu peneliti dapat menguji apakah variabel-variabel tersebut saling berkaitan sa...