Analisis SEM: Pengertian, Jenis & Cara Kerjanya

Pengertian SEM

SEM adalah metode statistik multivariat yang memungkinkan untuk menguji dan memodelkan hubungan antara variabel-variabel yang kompleks. Metode ini dapat menguji model hipotesis dan mengidentifikasi hubungan antara variabel laten dan variabel terukur. Dalam SEM, model struktural yang diusulkan didasarkan pada teori dan hipotesis yang didefinisikan sebelumnya.

Keunggulan dari SEM adalah mampu memodelkan hubungan kompleks antara variabel dengan mempertimbangkan variabel laten. Selain itu, SEM juga mampu memodelkan hubungan antara variabel tergantung dan variabel bebas serta mengevaluasi pengaruh variabel bebas pada variabel tergantung.

Konsep Dasar SEM

SEM mengintegrasikan analisis faktor dan analisis jalur dalam satu kerangka konsep. SEM memungkinkan para peneliti untuk memperkirakan, menguji, dan memodifikasi model teoritis yang kompleks dengan menguji hubungan antar variabel, memperkirakan parameter, dan memeriksa kesesuaian model.

1. Hubungan antara SEM dengan Analisis Faktor dan Analisis Jalur

SEM memadukan analisis faktor dan analisis jalur dalam satu kerangka kerja. Pada analisis faktor, tujuannya adalah untuk mengurangi dimensi data dengan mereduksi variabel menjadi faktor yang lebih sedikit, sedangkan pada analisis jalur, tujuannya adalah untuk mengidentifikasi hubungan sebab-akibat antara variabel. SEM menggabungkan kedua teknik ini dengan menghasilkan model yang memungkinkan pengukuran variabel laten (faktor) dan menguji hubungan sebab-akibat antara variabel laten dan observasi.

2. Model Konfirmatori dan Eksploratori (Perbedaan SEM dan SEM PLS)

Dalam SEM, terdapat dua jenis model: model konfirmatori dan model eksploratori. 

• Model konfirmatori adalah model yang dirancang sebelumnya berdasarkan teori atau hipotesis tertentu. Model ini memeriksa sejauh mana data empiris mendukung model yang telah dirancang sebelumnya. Model konfirmatori memiliki parameter yang telah ditentukan sebelumnya, yang digunakan untuk menguji kesesuaian antara model yang telah dirancang dengan data yang ada. Untuk mengolah model konfirmatori kita dapat menggunakan software AMOS atau Lisrel 
• Model eksploratori adalah model yang dibuat tanpa hipotesis yang jelas sebelumnya dan digunakan untuk mengeksplorasi hubungan antara variabel dalam data. Dalam model eksploratori, parameter yang digunakan untuk menghubungkan variabel biasanya dihitung berdasarkan korelasi antara variabel-variabel tersebut. Model ini bisa kita sebut dengan model SEM PLS, untuk mengolah data dengan model SEM PLS kita bisa gunakan software Smart PLS

Jika kamu membutuhkan bantuan mengolah data SEM dengan AMOS atau Lisrel secara menyeluruh. Kami menawarkan Jasa Olah Data SEM selesai dalam 1–2 hari.

Uji Kesesuaian Model SEM

Dalam SEM, terdapat beberapa uji statistik yang dapat digunakan untuk mengevaluasi kecocokan model dengan data yang dianalisis. Berikut adalah beberapa di antaranya:

Chi-Square Test of Model Fit

1. Uji statistik chi-square digunakan untuk menguji kecocokan model terhadap data. Semakin kecil nilai chi-square yang dihasilkan, semakin baik pula kecocokan model dengan data.

Comparative Fit Index (CFI)

1. CFI adalah ukuran kecocokan model yang mengukur seberapa baik model yang diuji cocok dengan data yang dianalisis. CFI memiliki rentang nilai antara 0 dan 1, dengan nilai yang semakin mendekati 1 menunjukkan kecocokan model yang semakin baik.

Tucker-Lewis Index (TLI)

1. TLI serupa dengan CFI dalam mengukur kecocokan model dengan data. TLI juga memiliki rentang nilai antara 0 dan 1, dan semakin mendekati 1 menunjukkan kecocokan model yang semakin baik.

Root Mean Square Error of Approximation (RMSEA)

1. RMSEA mengukur kesalahan perkiraan yang dihasilkan oleh model. Semakin kecil nilai RMSEA, semakin baik pula kecocokan model dengan data.

Standardized Root Mean Square Residual (SRMR)

1. SRMR adalah ukuran kesalahan model yang mengukur seberapa baik model yang diuji cocok dengan data. Semakin kecil nilai SRMR, semakin baik pula kecocokan model dengan data.

Akaike Information Criterion (AIC) dan Bayesian Information Criterion (BIC)

1. AIC dan BIC digunakan untuk membandingkan model yang berbeda untuk melihat mana yang lebih baik dalam menjelaskan data. Model dengan nilai AIC dan BIC yang lebih rendah dianggap lebih baik.

Modification Indices (MI)

1. MI digunakan untuk mengidentifikasi variabel mana yang harus dimodifikasi atau ditingkatkan dalam model untuk meningkatkan kecocokan model dengan data. MI menunjukkan pengaruh variabel pada model dan perubahan apa yang dapat dilakukan untuk meningkatkan kecocokan model dengan data.

Indikator diatas hanya beberapa contoh saja, masih banyak indikator kecocokan model yang bisa digunakan. Ketika menerapkan SEM, penting untuk menggunakan uji statistik ini untuk mengevaluasi kecocokan model dengan data. Jika hasil uji kecocokan model tidak memenuhi kriteria, maka semua hasil interpretasi yang dilakukan akan salah.

Oleh karena itu, uji yang pertama di lakukan adalah menguji kecocokan model sebelum menguji pengaruh variabel untuk mendapatkan model yang bagus.

Contoh Kasus: Model Fit vs Model Belum Fit

Berikut perbandingan dua skenario nyata untuk melihat bagaimana indikator-indikator di atas dibaca bersamaan, bukan satu per satu:

Model A: semua indikator memenuhi ambang ideal — model bisa dianggap fit, aman melanjutkan ke interpretasi koefisien jalur.

Model B: seluruh indikator gagal memenuhi ambang. Ini bukan kasus ambigu (beda dari contoh SRMR/NFI di artikel interpretasi SmartPLS) — kalau CFI, TLI, RMSEA, dan SRMR semuanya gagal sekaligus, model perlu dimodifikasi sebelum interpretasi lanjut bisa dipercaya. Cek Modification Indices (MI) untuk melihat penyesuaian mana yang punya justifikasi teoritis, jangan langsung menyerah atau memaksakan interpretasi model yang jelas-jelas belum fit.

Interpretasi Hasil SEM

Interpretasi hasil SEM merupakan tahapan penting dalam analisis SEM karena hasil dari model tersebut akan digunakan untuk membuat kesimpulan dan membuat keputusan. Interpretasi hasil SEM dapat dilakukan dengan memperhatikan beberapa hal, antara lain:

1. Nilai goodness-of-fit: Goodness-of-fit adalah ukuran seberapa baik model yang dibuat cocok dengan data yang dianalisis. Beberapa nilai goodness-of-fit yang dapat digunakan adalah R-square, Bentuk fit, GFI, AGFI, CFI, TLI, dan RMSEA. Nilai goodness-of-fit yang baik menunjukkan bahwa model tersebut cocok dengan data yang dianalisis.
2. Signifikansi koefisien: Seperti dalam regresi linier, koefisien yang signifikan secara statistik menunjukkan bahwa variabel tersebut memiliki pengaruh yang signifikan pada variabel lainnya dalam model.
3. Besarnya koefisien: Besarnya koefisien menunjukkan seberapa besar pengaruh suatu variabel pada variabel lainnya dalam model. Namun, harus diperhatikan bahwa besarnya koefisien harus dilihat dalam konteks variabel lainnya dalam model, karena suatu variabel dapat memiliki pengaruh yang lebih besar atau lebih kecil tergantung pada variabel lain yang ada dalam model.
4. Kausalitas: Kausalitas adalah hubungan sebab-akibat antar variabel dalam model. Dalam SEM, hubungan sebab-akibat ini dapat diidentifikasi melalui analisis jalur. Oleh karena itu, hasil SEM dapat digunakan untuk mengidentifikasi faktor-faktor yang memiliki pengaruh signifikan dalam hubungan antar variabel dan untuk menentukan strategi untuk meningkatkan hasil yang diinginkan.

Dalam melakukan interpretasi hasil SEM, penting untuk memperhatikan bahwa hasil tersebut harus dilihat dalam konteks teori yang ada, dan harus diuji kembali untuk memastikan bahwa model tersebut cocok dengan data yang dianalisis.

Kesalahan Umum Analisis SEM

1. Langsung interpretasi koefisien jalur tanpa cek goodness of fit dulu. Seperti dijelaskan di catatan Lukman di atas — kalau modelnya belum fit, semua kesimpulan tentang pengaruh antar variabel berisiko salah.
2. Memaksakan CB-SEM (AMOS/LISREL) padahal sampel kecil atau data tidak normal. Kalau kondisimu seperti ini, PLS-SEM (SmartPLS) adalah pilihan yang lebih sesuai — memaksakan CB-SEM di kondisi yang tidak memenuhi syarat menghasilkan estimasi yang tidak stabil.
3. Melakukan modifikasi model (via Modification Indices) hanya untuk mengejar angka fit, tanpa justifikasi teoritis. MI menyarankan hubungan tambahan yang bisa meningkatkan fit statistik, tapi kalau hubungan itu tidak masuk akal secara teori, jangan ditambahkan hanya demi angka yang lebih baik.
4. Menyimpulkan kausalitas hanya dari analisis jalur SEM. SEM menunjukkan pola hubungan sesuai model yang diajukan, tapi kausalitas sesungguhnya tetap bergantung pada desain penelitian (misalnya eksperimen) — SEM pada data cross-sectional tidak membuktikan kausalitas secara mutlak.

> Catatan dari Lukman, Statistical Analyst: Kesalahan nomor 3 ini yang sering saya temui — mahasiswa menambahkan garis hubungan antar variabel di model cuma karena disarankan Modification Indices, padahal secara teori hubungan itu tidak masuk akal. Selalu tanya dulu: apakah penambahan ini punya alasan teoretis, atau cuma untuk mengejar angka RMSEA/CFI yang lebih cantik?

Langkah Selanjutnya

Setelah anda memahami konsep dasar dan interpretasi SEM. Selanjutanya kita akan belajar langkah-langkah pengolahan menggunakan SEM beserta aplikasinya pada artikel berikut 

Model Kofirmatori

• Pengolahan menggunakan AMOS

Model Eksploratori

• Cara menggunakan SmartPLS untuk olah data
• Cara baca hasil output SmartPLS