4/22/2021

CURRICULUM VITAE STATISTICS PENGANTAR SEM PENGANTAR LISREL

MEMBANGUN MODEL PERSAMAAN STRUKTURAL

(SEM) DENGAN PROGRAM LISREL
CFA PATH ANALYSIS FULL MODEL MODIFIKASI MODEL

MUJI GUNARTO
Dosen PNS Dpk LLDikti Wilayah II
Dekan FEB Universitas Bina Darma
Statistician Mc CENDEKIA Research and Statistics Consulting
Ketua Forum Manajemen Indonesia Korwil SUMBAGSEL
Wakil Ketua Asosiasi Manajemen Indonesia (SAMA) BPC Palembang
Reviewer Journal Nasional dan Internasional

Palembang, 22 April 2021

MUJI GUNARTO
Pendidikan: 1. S1 (Statistika UNPAD Bandung)
2. S2 (Ilmu Ekonomi UNSRI Palembang)
3. S3 (Ilmu Manajemen UPI Bandung)

Sinta ID : 104660
Orchid ID : 0000-0001-9494-2127
Researcher ID : R-9960-2016
Scopus ID : 57203388622
Scholar ID : 432BBXMAAAAJ
Publon ID : 2179664
Telp./Hp : 085709080744

1
 4/22/2021

BACK TO
4/21/2021
MATERI
@ Dr. Muji Gunarto, S.Si, M.Si

AGENDA WORKSHOP
 PENGENALAN STRUCTURAL EQUATION MODELS (SEM)
 PENGENALAN LINEAR STRUCTURAL RELATIONS (LISREL)

 PEMBENTUKAN MODEL SEM

 IDENTIFIKASI MODEL DAN KECOCOKAN MODEL
 ANALISIS FAKTOR KONFIRMATORI (CFA)
 ANALISIS FULL MODEL SEM
 DISKUSI

2
 4/22/2021

 KlasifikasiTeknik Univariate
UNIVARIATE TECHNIQUES

METRIC DATA NONMETRIC DATA

TWO OR TWO OR
ONE SAMPLE ONE SAMPLE
MORE SAMPLES MORE SAMPLES
* t -test •Frequency
* Z -test •Chi-Square
•K-S
INDEPENDENT RELATED
•Runs
•t test * Paired t test
•Binomial
•Z test INDEPENDENT RELATED
•One-Way •Chi-Square •Sign
ANOVA
•Mann-Whitney •Wilcoxon
•Median •McNemar
•K-S
•K-W ANOVA

3
 4/22/2021

Klasifikasi TeknikMultivariate

MULTIVARIATE TECHNIQUES

DEPENDENCE INTERDEPENDENCE
TECHNIQUES TECHNIQUES

MORE THAN ONE

ONE DEPENDENT VARIABLE INTEROBJECT
DEPENDENT
VARIABLE INTERDEPENDENCE SIMILARITY
VARIABLE
• Cross-Tabulation • Multivariate * Factor Analysis •Cluster Analysis
Analysis of
• Analysis of •Multidimensional
Variance and
Variance and Scaling
Covariance
Covariance
• Canonical
• Multiple
Correlation
Regression
• Multiple
• Two-Group
Discriminant
Discriminant
Analysis
Analysis
• Structural
• Conjoint Analysis
Equation Models

POLA HUBUNGAN KORELASIONAL

LINGKUNGAN
KOORDINASI KERJA
(X1) (X1)

r12 r12

MOTIVASI KERJA KESEHATAN

(X2) KERJA
(X2)

PENDAPATAN PENGELUARAN
(X1) (X2)
r12

4
 4/22/2021

ANALISIS KORELASIONAL
Interval/
Nominal Ordinal
Ratio
Kendall Theta Point Biserial
Lambda Eta
Nominal
Phi
Tectrachoric
Theta Spearman Biserial
Kendell Jaspen
Ordinal Gamma
Somer
Point Biserial Biserial Pearson
Interval Eta Jaspen (Product
/ Ratio Moment)

POLA HUBUNGAN SEBAB AKIBAT

LINGKUNGAN
KERJA yx1
(X1)
PRODUKTIVITAS
r12 KERJA
yx2 (Y)
KESEHATAN
KERJA
(X2)

Analisis Regresi
Y = b o + b 1 X1 + b 2 X2 + e

5
 4/22/2021

POLA HUBUNGAN STRUKTURAL

LINGKUNGAN
KERJA yx1
(X1)
PRODUKTIVITAS
x2x1 KERJA
yx2 (Y2)
KESEHATAN
KERJA
(Y1)

Analisis Jalur / Path Analysis

Untuk melihat pengaruh langsung dan tidak
langsung

POLA HUBUNGAN STRUKTURAL

KOMPENSASI
(X1)
y2x1

Y1x1 y2x3
PRODUKTIVITAS
r12 MOTIVASI KERJA KERJA
(Y1) (Y2)
y1x2

y2x2
KEPEMIMPINAN
(X2)
Dapat di selesaikan dengan Analisis Jalur dan
Analisis Regresi, tetapi kurang tepat karena model di
atas menggunakan variabel laten.

6
 4/22/2021

POLA HUBUNGAN STRUKTURAL (MEDIATOR)

X11

X12 Y11 Y12 Y13

X13 KOMPENSASI
(X1) y2x1

y1x1 y2y1
MOTIVASI KERJA PRODUKTIVITAS
(Y1) KERJA
(Y2)
y1x2
X21
KEPEMIMPINAN y2x2
X22 (X2)
X23 Y21 Y22 Y23

Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social
psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality
and Social Psychology, 51, 1173-1182.
http://quantpsy.org/sobel/sobel

POLA HUBUNGAN STRUKTURAL (MODERATOR)

Y11 Y12 Y13

KEBERANIAN
MORAL
X11 (Y1)
KARAKTERISTIK
X12 INTERNAL
(X1)
X13

EFEKTIVITAS
AUDITOR INTERNAL
(Y2)
X21
BUDAYA
X22 ORGANISASI
(X2)
X23
Y21 Y22 Y23
Betri, 2021

7
 4/22/2021

Kenapa SEM?
1) Teori dan model dalam ilmu sosial dan perilaku tidak dapat diukur
atau diamati secara langsung.
2) Mampu menguji hipotesis-hipotesis yang rumit dan bertingkat
secara serempak.
3) Kesalahan (error) pada masing-masing observasi tidak diabaikan
tetapi tetap dianalisis, sehingga SEM lebih akurat untuk
menganalisis data kuesioner yang melibatkan persepsi.
4) Mampu menganalisis model hubungan timbal balik (recursive)
secara serempak, di mana model ini tidak dapat diselesaikan
dengan analisis regresi linear secara serempak.
5) Terdapat fasilitas bootstrapping, di mana hal tersebut tidak dapat
dilakukan dengan analisis regresi linear.
6) Untuk jumlah sampel yang relatif besar (di atas 2000) terdapat
metode asymtot distribution free (ADF) yang tidak memerlukan
asumsi normalitas pada data.
7) Peneliti dapat dengan mudah memodifikasi model dengan second
order untuk memperbaiki model yang telah disusun agar lebih
layak secara statistik.

Pengenalan SEM
 Joreskog dan Sorborm (1989) ada 2 permasalahan:
1) Masalah pengukuran
2) Masalah hubungan kausal antar variable (structural)

 Perangkat lunak untuk menyelesaikan SEM:

1) EQS (Equatins)---Bentler (1985)
2) LISCOMP (Linear Structural Equations with Comprehensive) -
--Muthen (1987)
3) AMOS (Analysis of Moment Structures)---Arbuckle (1988)
4) LISREL (Linear Structural Relationship)---- Joreskog dan
Sorborm (1989)

Program LISREL lebih mampu menyelesaikan model structural

yang komplek dan memilliki kemampuan grafis yang lebih baik
dibanding AMOS dan EQS (Kline, 1998)

8
 4/22/2021

Structural Equation Model (SEM) : kombinasi beberapa teknik

analisis, utk menganalisis hubungan yang relatif “rumit”

Analisis
Faktor
S
E
Analisis M
Analisis
Regresi
Jalur
Berganda

Prinsip SEM (Structural Equation Models)

 2 Jenis Variabel : Variabel Laten (LV) dan variabel

teramati (MV)

 2 Jenis Model : Model Struktural (Structural Models)

dan Model Pengukuran (measurement Model).

 2 Jenis kesalahan : Kesalahan struktural dan

Kesalahan pengukuran (Measurement Error).

9
 4/22/2021

Simbol dalam SEM

Analisis SEM (Structural Equation Models)

10
 4/22/2021

Model Pengukuran
Model Pengukuran/measurement/Var.obserb/var. manifes

Indikator pada Model Pengukuran

(a) Indikator Reflektif (SEM) (b) Indikator Formatif (PLS)

11
 4/22/2021

Model Umum SEM

Kesalahan Struktural

1 X1 1 Y1 1
11 11
21 21 2
2 X2 1 1 Y2

31 31
3 X3 Y3 3

Kesalahan Pengukuran

Pada Intinya adalah Membentuk

1. Model Pengukuran (Measurement Model)
2. Model Struktural (Structural Model)

12
 4/22/2021

Pengembangan Model Teoritis, mutlak harus berdasarkan

justifikasi teori yang mapan, hubungan kausal yang ada
benar-benar hasil telaah pustaka yg intens.
Karena SEM bukan untuk menghasilkan model tetapi
digunakan untuk mengkonfirmasi model teoritis.

Pengembangan model berbasis konsep dan teori,

menganalisis hubungan kausal antar variabel eksogen dan
endogen, sekaligus validitas dan reliabilitas indikator/instrumen
penelitian

Uji Reliabilitas Konstruk

Construct Re liability 
 Loading Standardized  2

 Loading Standardized   ( Measurement Error )

2

Average Variance Extracted 

 ( Loading Standardized )
2

 ( Loading Standardized )  ( Measurement Error )

2

13
 4/22/2021

Pengembangan konstruk atau faktor pada diagram

jalur (path diagram) lengkap dengan hubungan
kausalitas antar faktor berdasarkan konsep teoritis yg
kuat hasil langkah 1

 Mengkonstruksi diagram jalur, untuk menunjukkan alur

hubungan kausal antar variabel eksogen dan endogen

Konstruk dalam Diagram Alur

Konstruk Eksogen Konstruk Endogen

* independent variabel. * Diprediksi oleh satu
* tidak diprediksi oleh atau beberapa var.
satu atau beberapa * Memprediksi satu
variabel. atau beberapa var.

Konstruk Eksogen dan Endogen ditentukan

berdasarkan teoritis

14
 4/22/2021

Pengkonversian model dan diagram alur menjadi

rangkaian persamaan dengan notasi-notasi
variabel dan parameter-parameternya:
1. Persamaan struktural, menyatakan hubungan
kausalitas antar berbagai konstruk.
2. Persamaan spesifikasi model pengukuran,
menentukan persamaan variabel2 pengukur
masing-masing konstruk.

Penentuan matriks input dan teknik estimasi

model:
Matriks input : Matriks Kovarian atau Matriks
Korelasi (bukan data observasi individual)
Teknik estimasi model: Max. Likelihood,
Generalized Least Square (GLS), Unweighted
LS (ULS), Scale Free LS (SLS), Asymptotically
Distribution-Free Estimation (ADF)

15
 4/22/2021

Data Observasi  Matriks Input

Matriks Kovarians
* Hasil estimasi unggul (valid,
akurat) dalam menyajikan
perbandingan populasi atau
sampel yang berbeda.
Matriks Korelasi
* Hasil estimasi memberikan
standar error yang kurang
akurat.

* Interpretasi hasil agak sulit, * Interpretasi hasil lebih

harus melihat unit mudah, karena rentang
pengukuran pembentuk nilainya sudah umum (antara
konstruk. 0 s.d 1)

Matriks Kovarians Lebih banyak digunakan dan direkomendasikan

untuk penelitian (Baumgartner & Homburg, 1996; Hair dkk, 2014)

Ukuran Sampel Data Observasi Individual, menentukan

matriks kovarian yg di input

 Berperan penting dalam estimasi dan

interpretasi hasil SEM
 Hair dkk, 2014 menyarankan jumlah sampel (n)
= 100 – 200 atau minimal 5 x banyak parameter
yang diestimasi.
 Bila > 400 : metode menjadi “sangat sensitif”,
ukuran goodness of fit yg baik sulit diperoleh.

16
 4/22/2021

Petimbangan dalam Memilih Teknik Estimasi

Maximum • n relatif kecil (100 – 200)

Likelihood • Asumsi normalitas dipenuhi

Maxium
• n antara 200 – 500
Likelihood &
• Asumsi normalitas dipenuhi
GLS

• Asumsi normalitas kurang dipenuhi

ADF
• n lebih dari 2500

Pemeriksaan masalah identifikasi model

yang dikembangkan (identification
problem)
Identifikasi masalah ketidakmampuan
model yang dikembangkan dalam
menghasilkan estimasi yang unik.

17
 4/22/2021

Gejala-Gejala Masalah Identifikasi

 Standard error beberapa koefisien sangat besar.

 Program tidak menghasilkan matriks informasi yang
seharusnya disajikan.
 Muncul angka-angka “aneh” (varians error negatif)
 Muncul korelasi yang sangat tinggi (> 0,9) antar
koefisien estimasi.

Pemeriksaan Kriteria Goodness-of-fit Model

Hair dkk, 2014; Joreskog & Sorbom, 1989; Long,
1983; Tabachnick & Fidell, 1996 menyatakan
bahwa alat uji statistik dalam SEM tidak tunggal.
Uji Chi-Square .
RMSEA (The Root Mean Square Error
Approximation)--- < 0,08 (Hair dkk, 2014)

18
 4/22/2021

Lanjutan…
kriteria goodness-of-fit
GFI (Goodness-of-fit Index)---rentang antar 0
s.d. 1 (diharapkan tinggi).
AGFI (Adjusted Goodness-of-fit Index)---analog
dengan koef.determinasi dalam regresi ganda
(Tanaka & Huba, 1989); diharapkan AGFI ≥ 0,9
(Hair dkk, 2014).
CMIN/DF (The minimum sample discrepancy
function) Chi-Square---diharapkan < 2 atau < 3
(Arbucke, 1997).

Lanjutan…
kriteria goodness-of-fit

TLI (Tucker Lewis Index)---diharapkan ≥

0,95 (Hair dkk, 2014) atau mendekati 1
(Arbuckle, 1997)
CFI (Comparative Fit Index)---rentang 0 s.d 1,
diharapkan ≥ 0,95 atau semakin mendekati 1
(Arbuckle, 1997)

19
 4/22/2021

Lanjutan…
kriteria goodness-of-fit
 Nilai chi-square yang kecil atau yang tidak signifikan sulit
terpenuhi khusunya pada sampel besar (Hair et al., 2014; Hoyle,
2012), akan tetapi bukan berarti model tidak cocok, untuk itu
disarankan untuk menggunakan kriteria kecocokan yang
lainnya (Hair et al., 2014).

 Berdasarkan konsensus, kriteria RMSEA lebih banyak

digunakan untuk melihat kecocokan suatu model (Hoyle, 2012).

 Gunakan paling sedikit satu ukuran yang bersifat absolut baik

(GFI atau AGFI), satu ukuran yang bersifat absolut buruk (Chi-
square, RMSR, SRMR, RMSEA) dan satu ukuran yang bersifat
komparatif (NFI, NNFI, CFI, TLI, atau RNI) maka model sudah
dapat dikatakan fit (Malhotra, 2010).

20
 4/22/2021

Interpretasi dan Modifikasi Model

• Interpretasi model
• Modifikasi model yang tidak memenuhi syarat
• Residual yang dihasilkan harus relatif
mendekati nol.
• Batas residual 5%, jika > 5% perlu modifikasi
model.
• Atau residual > 2,85 maka perlu
mempertimbangakn alur baru model

21
 4/22/2021

Jadi Penyelesaian dalam Analisis SEM:

1. Pemeriksaan validitas dan reliabilitas

indikator / instrumen (setara dengan CFA)
2. Pengujian model hubungan antar variabel
laten (setara Analisis Jalur)

Contoh LISREL:Model Persaman Struktural

(Estimates)

22
 4/22/2021

Contoh : Model Persamaan Struktural dengan AMOS

23
 4/22/2021

Ayooo…kita langsung Praktek!!!

24
 4/22/2021

 Gunarto, M. 2018. Analisis

Statistik dengan Model
Persamaan Struktural
(SEM): Teoritis dan Praktis,
Alfabeta. Bandung

25