7/29/2019 Panduan Aplikasi Sem
1/47
Structural Equation Model
DR. NANDAN LIMAKRISNA., IR.,MM
PELATIHAN
7/29/2019 Panduan Aplikasi Sem
2/47
Konsep SEM (Structural Equation Model) adalah teknik statistik untuk
pengujian rangkaian hubungan yang relatif rumitContoh:
X
X3e3
1
1
X2e21
X1e11
Y
Y3 e611
Y2 e51
Y1 e41
d
1
7/29/2019 Panduan Aplikasi Sem
3/47
Konsep Variabel terukur :Variabel yang datanya harus dicari. Dalam
hal ini adalah volume penjualan (x1) , pertumbuhanpelanggan (x2), dan pertumbuhan penjualan (x3).Digambarkan dalam bentuk segi empat.
Variabel laten : Variabel bentukan dari variabel terukur,variabel ini tidak diukur langsung tetapi dibentuk melaluivariabel terukur. Dalam hal adalah kinerja pemasaran (X),yang dibentuk dari volume penjualan, pertumbuhanpelanggan, dan pertumbuhan penjualan. Digambarkandalam bentuk oval
Garis satu anak panah adalah pengaruh satu variabeldengan variabel lain Garis dua anak panah adalah hubungan antara dua variabel
7/29/2019 Panduan Aplikasi Sem
4/47
Konsep Variabel dependen adalah variabel yang dituju satu anak panah.
Misalnya Kinerja Pemasaran Semua variabel dependen harus mempunyai anak panah dari
lingkaran kecil dengan berlabel e untuk variabel terukur, dan
label d untuk variabel laten Variabel Independen variabel yang tidak dituju anak panah.
Misalnya Derajat Orientasi Pasar Confirmatory Factor Analysis: adalah menggunakan yang faktor
diteliti untuk mendefinisikan faktor yang tidak diukur secaralangsung.
Konstruk eksogen adalah konstruk yang tidak diprediksi olehvariabel lain dalam model. Dalam hal ini adalah konstruk derajatorientasi pasar
Konstruk endogen adalah konstruk yang diprediksi olehbeberapa konstruk. Dalam hal ini adalah konstruk kinerjapemasaran
7/29/2019 Panduan Aplikasi Sem
5/47
Asumsi SEM Sampel minimal adalah 5 x indikator
(pertanyaan observasi) dan harus lebih
dari 100 sampel
Sebaran normal dan linear
Outliers (nilai ekstrem) harus
dihilangkan
7/29/2019 Panduan Aplikasi Sem
6/47
Langkah-Langkah SEM Pengembangan Model Berbasis teori
Pengembangan diagram alur untukmenunjukkan hubungan kausalitas
Konversi diagram alur ke dalamserangkaian persamaan struktural dan
spesifikasi model pengukuran
Estimasi model
7/29/2019 Panduan Aplikasi Sem
7/47
Pengembangan Model Berbasis Teori
Mencari teori pada setiap diagram alurkausalitas yang dibuat.
SEM bukan membangun alur kausalitastapi membenarkan kausalitas teoritismelalui uji empiris
7/29/2019 Panduan Aplikasi Sem
8/47
Pengembangan diagram alur untukmenunjukkan hubungan kausalitas
X
X3e3
1
1
X2e21
X1e1
1
Y
Y3 e61 1
Y2 e51
Y1 e41
d
1
7/29/2019 Panduan Aplikasi Sem
9/47
ESTIMASI ATAS MODEL YANG
DIBANGUN
Estimasi model menggunakan programkomputer seperti Amos dan Lisrel,
7/29/2019 Panduan Aplikasi Sem
10/47
VariabelVariabel Arti
x1 Informasi Pelanggan
x2 Informasi Pesaing
x3 Koordinasi Lintas Fungsi
y1 Volume Penjualan
y2 Pertumbuhan Pelanggany3 Pertumbuhan Penjualan
X Derajat Operasi Pasar
Y Kinerja Pemasaran
7/29/2019 Panduan Aplikasi Sem
11/47
Penggunaan Lisrel Membuka Program Lisrel
Mengambil Data
Merubah Data Menjadi Covarians
Membuat Program Simplis
Melihat Hasil
7/29/2019 Panduan Aplikasi Sem
12/47
Membuka Lisrel
7/29/2019 Panduan Aplikasi Sem
13/47
Membuka Data
7/29/2019 Panduan Aplikasi Sem
14/47
7/29/2019 Panduan Aplikasi Sem
15/47
7/29/2019 Panduan Aplikasi Sem
16/47
7/29/2019 Panduan Aplikasi Sem
17/47
7/29/2019 Panduan Aplikasi Sem
18/47
Mengambil Data Dari SPSS
7/29/2019 Panduan Aplikasi Sem
19/47
7/29/2019 Panduan Aplikasi Sem
20/47
7/29/2019 Panduan Aplikasi Sem
21/47
Mendefinisikan Variabel
7/29/2019 Panduan Aplikasi Sem
22/47
7/29/2019 Panduan Aplikasi Sem
23/47
Merubah Data Menjadi Covarians
7/29/2019 Panduan Aplikasi Sem
24/47
7/29/2019 Panduan Aplikasi Sem
25/47
7/29/2019 Panduan Aplikasi Sem
26/47
Membuat Path
7/29/2019 Panduan Aplikasi Sem
27/47
7/29/2019 Panduan Aplikasi Sem
28/47
7/29/2019 Panduan Aplikasi Sem
29/47
7/29/2019 Panduan Aplikasi Sem
30/47
7/29/2019 Panduan Aplikasi Sem
31/47
7/29/2019 Panduan Aplikasi Sem
32/47
7/29/2019 Panduan Aplikasi Sem
33/47
Menggambar Path
7/29/2019 Panduan Aplikasi Sem
34/47
7/29/2019 Panduan Aplikasi Sem
35/47
Membuat Simplis
Title
Observed Variables
Data Sample Size
Latent Variables
Relationship Path Diagram
End of Problem
7/29/2019 Panduan Aplikasi Sem
36/47
Membuka Simplis
7/29/2019 Panduan Aplikasi Sem
37/47
7/29/2019 Panduan Aplikasi Sem
38/47
Program Simplis
7/29/2019 Panduan Aplikasi Sem
39/47
Isi Program Simplis
Title LatihObserved VariablesX1 X2 X3 Y1 Y2 Y3Covariance Matrix From File DatacovSample Size = 100Latent VariablesX YRelationshipX1 = 1*XX2 = XX3 = X
Y1 = 1*YY2 = YY3 = YX ->YPath DiagramEnd Of Problem
7/29/2019 Panduan Aplikasi Sem
40/47
HASIL ESTIMATE
7/29/2019 Panduan Aplikasi Sem
41/47
HASIL STANDART
7/29/2019 Panduan Aplikasi Sem
42/47
HASIL T HITUNG
7/29/2019 Panduan Aplikasi Sem
43/47
OUTPUT
DATE: 2/ 2/2005TIME: 14:43
L I S R E L 8.30
BY
Karl G. Jreskog & Dag Srbom
This program is published exclusively byScientific Software International, Inc.
7383 N. Lincoln Avenue, Suite 100Chicago, IL 60646-1704, U.S.A.
Phone: (800)247-6113, (847)675-0720, Fax: (847)675-2140
Copyright by Scientific Software International, Inc., 1981-99Use of this program is subject to the terms specified in theUniversal Copyright Convention.Website: www.ssicentral.com
The following lines were read from file D:\LATIH\LATIH.SPJ:
7/29/2019 Panduan Aplikasi Sem
44/47
Title LatihObserved VariablesX1 X2 X3 Y1 Y2 Y3Covariance Matrix From File Datacov
Sample Size = 100Latent VariablesX YRelationshipX1 = 1*XX2 = XX3 = X
Y1 = 1*YY2 = YY3 = YX ->YPath DiagramEnd Of Problem
Sample Size = 100
Latih
Covariance Matrix to be Analyzed
Y1 Y2 Y3 X1 X2 X3
-------- -------- -------- -------- -------- --------Y1 2.57Y2 1.26 2.75Y3 0.79 0.80 1.63X1 1.38 1.11 0.70 3.28X2 1.20 0.82 0.28 2.65 3.57X3 1.42 1.17 0.95 3.15 3.14 4.55
7/29/2019 Panduan Aplikasi Sem
45/47
Latih
Number of Iterations = 5
LISREL Estimates (Maximum Likelihood)
Y1 = 1.00*Y, Errorvar.= 1.10 , R = 0.57(0.30)
3.64
Y2 = 0.87*Y, Errorvar.= 1.65 , R = 0.40(0.19) (0.31)4.65 5.26
Y3 = 0.56*Y, Errorvar.= 1.17 , R = 0.28(0.13) (0.19)4.16 6.05
X1 = 1.00*X, Errorvar.= 0.56 , R = 0.83(0.14)3.93
X2 = 0.98*X, Errorvar.= 0.99 , R = 0.72(0.083) (0.18)11.79 5.41
X3 = 1.17*X, Errorvar.= 0.84 , R = 0.81(0.090) (0.20)
13.05 4.16
Y = 0.45*X, Errorvar.= 0.91 , R = 0.38(0.090) (0.30)5.02 2.98
7/29/2019 Panduan Aplikasi Sem
46/47
Variances of Independent Variables
X--------
2.71(0.47)
5.72
Covariance Matrix of Latent Variables
Y X-------- --------
Y 1.47X 1.23 2.71
Goodness of Fit Statistics
Degrees of Freedom = 8Minimum Fit Function Chi-Square = 17.09 (P = 0.029)
Normal Theory Weighted Least Squares Chi-Square = 16.04 (P = 0.042)Estimated Non-centrality Parameter (NCP) = 8.04
90 Percent Confidence Interval for NCP = (0.28 ; 23.52)
Minimum Fit Function Value = 0.17Population Discrepancy Function Value (F0) = 0.081
90 Percent Confidence Interval for F0 = (0.0028 ; 0.24)Root Mean Square Error of Approximation (RMSEA) = 0.10
90 Percent Confidence Interval for RMSEA = (0.019 ; 0.17)P-Value for Test of Close Fit (RMSEA < 0.05) = 0.11
Expected Cross-Validation Index (ECVI) = 0.4290 Percent Confidence Interval for ECVI = (0.35 ; 0.58)ECVI for Saturated Model = 0.42
ECVI for Independence Model = 3.23
7/29/2019 Panduan Aplikasi Sem
47/47
Chi-Square for Independence Model with 15 Degrees of Freedom = 307.53Independence AIC = 319.53
Model AIC = 42.04Saturated AIC = 42.00
Independence CAIC = 341.16Model CAIC = 88.91
Saturated CAIC = 117.71
Root Mean Square Residual (RMR) = 0.11Standardized RMR = 0.044
Goodness of Fit Index (GFI) = 0.95Adjusted Goodness of Fit Index (AGFI) = 0.87Parsimony Goodness of Fit Index (PGFI) = 0.36
Normed Fit Index (NFI) = 0.94Non-Normed Fit Index (NNFI) = 0.94
Parsimony Normed Fit Index (PNFI) = 0.50Comparative Fit Index (CFI) = 0.97Incremental Fit Index (IFI) = 0.97Relative Fit Index (RFI) = 0.90
Critical N (CN) = 117.40
The Modification Indices Suggest to Add an Error CovarianceBetween and Decrease in Chi-Square New EstimateX2 Y3 10.9 -0.42
The Problem used 6632 Bytes (= 0.0% of Available Workspace)
Time used: 0.219 Seconds