Tag: konsultasi tesis yogyakarta

PLS pertama kali dikembangkan oleh Herman Wold (1996) sebagai metode umum untuk mengestimasi path model yang menggunakan konstruk laten dengan multiple indikator. Pendekatan PLS adalah distribution free (tidak mengasumsikan data berdistribusi tertentu, dapat berupa nominal, kategori, ordinal, interval, dan rasio). PLS merupakan metode analisis powerfull karena tidak didasarkan banyak asumsi, jumlah sampel kecil dan residul distribusi. Walaupun PLS dapat digunakan untuk mengkonfirmasi teori, tetapi PLS juga dapat digunakan untuk menjelaskan ada tidaknya hubungan antara variabel laten. Model analisis jalur semua variabel laten dalam PLS terdiri dari 3 (tiga) set hubungan, yaitu :

1. Inner Model (Inner relation, structural model dan substantive theory)

Inner Model mespesifikasikan hubungan antar variabel laten berdasarkan pada teori . Model struktural dievaluasi dengan melihat nilai R-Square untuk konstruk laten dependen, Stone Geisser Q-square test untuk predictive relevance dan uji t, serta signifikansi dari koefisien parameter jalur struktural. Perubahan nilai R-square dapat digunakan untuk menilai pengaruh variabel laten independen terhadap variabel laten dependen.

2. Outer Model (Outer relation atau Measurement Model)

Outer Model menspesifikasikan hubungan antar variabel laten dengan indikator. Outer Model terdiri dari 2 (dua) macam mode, yaitu mode reflective (mode A) dan mode formative (mode B). Mode reflektif merupakan relasi dari peubah laten ke peubah indikator atau “effect”. Sedangkan mode formative merupakan relasi dari perubah indikator membentuk peubah laten “causal”. 30 3. Weight Relation Inner dan Outer model memberikan spesifikasi yang diikuti dalam estimasi algoritma PLS.

SEM merupakan suatu teknik statistika yang mampu menganalisis hubungan peubah laten, peubah indikator dan kesalahan pengukuran secara langsung. Disamping hubungan kausal searah, metode SEM memungkinkan untuk menganalisi hubungan dua arah (Ghozali et al,2005). Konstruk laten adalah variabel-variabel yang tidak dapat diobservasi, sehingga tidak dapat diukur secara langsung. Pengamatan pada variabel laten melalui efek pada variabel-variabel terobservasi. Variabel terobservasi adalah indikator-indikator yang dapat diukur (Ghozali et al,2005). Dalam model SEM, konstruk laten berdasarkan fungsinya dibagi menjadi dua, yaitu: variabel eksogen dan variabel endogen. Variabel eksogen adalah suatu variabel yang tidak dapat dipengaruhi oleh variabel lain (atau disebut variabel independen didalam model regresi). Sedangkan variabel endogen adalah variabel yang dapat dipengaruhi variabel lain. Dalam model SEM, variabel endogen dapat berperan menjadi variabel independen apabila variabel tersebut dapat mempengaruhi variabel lain (Ghozali et al,2005). Menurut Ghozali (2005), proses Structural Equation Modelling mencakup beberapa langkah yang harus dilakukan, yaitu:

a. Konseptual Model Tahap ini berhubungan dengan pengembangan hipotesis (berdasarkan teori-teori) sebagai dasar dalam menghubungkan  variabel laten dengan variabel laten lainnya, dan juga dengan indikator-indikatornya.

b. Penyusunan Diagram Alur Tahap ini memudahkan dalam proses menvisualisasikan hipotesis yang telah kita ajukan dalam konseptualisasi model di atas. c. Spesifikasi Model Spesifikasi model yaitu untuk menggambarkan sifat dan jumlah parameter yang diestimasi. Spesifikasi model berkaitan dengan pembentukan awal persamaan struktur sebelum dilakukan estimasi. Model awal ini dilakukan berdasarkan suatu teori atau penelitian sebelumnya.

d. Identifikasi Model Informasi yang diperoleh dari data diuji untuk menentukan apakah cukup untuk mengestimasi parameter dalam model. Nilai yang unik harus diperoleh untuk seluruh parameter dari data yang telah diperoleh sebelumnya.

e. Estimasi Parameter Berkaitan dengan estimasi terhadap model untuk menghasilkan nilai-nilai parameter dengan menggunakan salah satu model estimasi yang tersedia. Pemilihan metode estimasi yang digunakan seringkali ditentukan berdasarkan karakteristik dari variabel-variabel yang dianalisis.

f. Penilaian Model Fit Berkaitan dengan uji kecocokan antara model dengan data. Beberapa kriteria ukuran kecocokan atau Goodness Of Fit (GOF) dapat digunakan untuk melaksanakan langkah ini.

g. Modifikasi Model Setelah melakukan penilaian model fit, maka model penelitian diuji untuk menentukan apakah modifikasi model diperlukan karena tidak fitnya hasil yang diperoleh tahap pada tahap  sebelumnya. Semua modifikasi harus berdasarkan teori yang mendukung.

h. Validasi Silang Model Tahap ini menguji fit tidaknya model terhadap suatu data baru. Validasi silang ini penting apabila terdapat modifikasi yang substansial yang dilakukan terhadap model asli yang dilakukan pada langkah sebelumnya. Secara teknis SEM dibagi dalam 2 (dua) kelompok yaitu SEM berbasis kovarian yang diwakili oleh LISREL dan SEM variance atau sering disebut Component Based SEM yang mempergunakan software SmartPLS dan PLS Graph. Covariance Based SEM lebih bertujuan memberikan pernyataan tentang hubungan kausalitas atau memberikan deskripsi mekanisme hubungan kausalitas (sebab – akibat). Sedangkan Component Based SEM dengan PLS bertujuan mencari hubungan liniear prediktif antar variabel (Ghozali, 2008)

1. Convergent validity Uji Validitas yang dimaksud adalah pengujian terhadap indikator dalam variabel laten untuk memastikan bahwa indikator yang digunakan dalam penelitian ini benar-benar mampu dipahami dengan baik oleh responden sehingga responden tidak mengalami kesalahpahaman terhadap indikator yang digunakan.

2. Discriminant validity Pengukuran indikator refleksif berdasarkan cross loading dengan variabel latennya. Bilamana nilai cross loading setiap indikator pada variabel bersangkutan lebih besar dibandingkan dengan cross loading pada variabel laten lainnya maka dikatakan valid. Metode lain dengan membandingkan nilai square root of average variance extracted (AVE) setiap konstruk dengan korelasi antar konstruk lainnya dalam model. Jika AVE konstruk lebih besar dari korelasi dengan seluruh konstruk lainnya maka dikatakan memiliki discriminant validity yang baik

. 3. Composite reliability Composite reliability adalah indeks yang menunjukkan sejauh mana suatu alat pengukur dapat dipercaya untuk diandalkan. Bila suatu alat dipakai dua kali untuk mengukur gejala yang sama dan hasil pengukuran yang diperoleh relatif konsisten maka alat tersebut reliabel. Dengan kata lain, reliabilitas menunjukkan suatu konsistensi alat pengukur dalam gejala yang sama

Berikut istilah – istilah dalam SEM

1. Model jalur ialah suatu diagram yang menghubungkan antara variabel bebas, perantara dan tergantung. Pola hubungan ditunjukkan dengan menggunakan anak panah. Anak panah tunggal menunjukkan hubungan sebab-akibat antara variabel-variabel eksogen atau perantara dengan satu variabel tergantung atau lebih. Anak panah juga menghubungkan kesalahan-kesalahan (variabel error)  dengan semua variabel endogen masing-masing. Anak panah ganda menunjukkan korelasi antara pasangan variabel-variabel eksogen.

2. Model sebab akibat (causal modeling,) atau disebut juga analisis jalur (path analysis), yang menyusun hipotesis hubungan sebab akibat (causal relationships) diantara variabel- variabel dan menguji model-model sebab akibat (causal models) dengan menggunakan sistem persamaan linier. Modelmodel sebab akibat dapat mencakup variabel-variabel manifes (indikator), variabel-variabel laten atau keduanya.

3. Variabel eksogen dalam suatu model jalur ialah semua variabel yang tidak ada penyebab – penyebab eksplisitnya atau dalam diagram tidak ada anak-anak panah yang menuju ke arahnya, selain pada bagian kesalahan pengukuran. Jika antara variabel eksogen dikorelasikan maka korelasi tersebut ditunjukkan dengan anak panah berkepala dua yang menghubungkan variabel-variabel tersebut.

4. Variabel endogen ialah variabel yang mempunyai anak panah-anak panah menuju ke arah variabel tersebut. Variabel yang termasuk didalamnya mencakup semua variabel perantara dan tergantung.

5. Variabel laten adalah variabel yang tidak dapat diukur secara langsung kecuali diukur dengan satu atau lebih variabel manifes.

6. Variabel manifes adalah variabel yang digunakan untuk menjelaskan atau mengukur sebuah variabel laten. Dalam satu variabel laten terdiri dari beberapa variabel manifes.

7. Koefisien jalur adalah koefisien regresi standar atau disebut “beta” yang menunjukkan pengaruh langsung dari suatu variabel bebas terhadap variabel tergantung dalam suatu model jalur tertentu.

8. Analisis faktor penegasan (confirmatory factor analysis), suatu teknik kelanjutan dari analisis faktor dimana dilakukan pengujian hipotesis-hipotesis struktur factor loadings dan interkorelasinya.

SEM (Structural Equation Modeling) adalah suatu teknik statistik yang mampu menganalisis pola hubungan antara konstruk laten dan indikatornya, konstruk laten yang satu dengan lainnya, serta kesalahan pengukuran secara langsung. SEM memungkinkan dilakukannya analisis di antara beberapa variabel dependen dan independen secara langsung (Hair et al, 2006). 11 Teknik analisis data menggunakan Structural Equation Modeling (SEM), dilakukan untuk menjelaskan secara menyeluruh hubungan antar variabel yang ada dalam penelitian SEM adalah merupakan sekumpulan teknik-teknik statistik yang memungkinkan pengujian sebuah rangkaian hubungan secara simultan. Hubungan itu dibangun antara satu atau beberapa variabel independen (Santoso, 2011). Yamin (2009) mengemukakan bahwa di dalam SEM peneliti dapat melakukan tiga kegiatan sekaligus, yaitu pemeriksaan validitas dan reliabilitas instrumen (setara dengan analisis faktor konfirmatori), pengujian model hubungan antar variabel laten (setara dengan analisis path), dan mendapatkan model yang bermanfaat untuk prediksi (setara dengan model struktural atau analisis regresi). Alasan yang mendasari digunakannya SEM adalah (1) SEM mempunyai kemampuan untuk mengestimasi hubungan antar variabel yang bersifat multiple relationship. Hubungan ini dibentuk dalam model struktural (hubungan antara konstruk dependen dan independen). (2) SEM mempunyai kemampuan untuk menggambarkan pola hubungan antara konstruk laten dan variabel manifes atau variabel indikator

Setelah melakukan estimasi yang menghasilkan nilai parameter, perlu dilakukan pemeriksaan tingkat kecocokan. Antara variabel dengan data digunakan GOF (Goodness of Fit) untuk mengukur kecocokan model yaitu RMSEA (Root Mean Square Error of Approximation). RMSEA mirip dengan Chi-square yang terkoreksi dengan ukuran sampel. RMSEA mengukur penyimpangan nilai parameter suatu model dengan matriks kovarians populasinya.

RMSEA ≤ 0.05 menunjukkan close fit

0.05 < RMSEA ≤ 0.08 menunjukkan good fit

0.08 < RMSEA ≤ 0.1 menunjukkan mediocre (marginal) fit

0.1 < RMSEA menunjukkan poor fit

Bootstrap adalah salah satu prosedur dalam statistika untuk melihat tingkat ketidakpastian dari hasil estimasi. Bootstrap meliputi langkah-langkah memilih sampel secara random dari suatu set data dengan pengembalian dan melakukan analisis setiap sampel dengan cara yang sama. Setiap sampel yang diambil dikembalikan sebelum mengambil sampel berikutnya. Dengan demikian, satu titik data sangat mungkin untuk terambil lebih dari sekali dalam satu sampel bootstrap. Jumlah elemen dalam setiap sampel sama dengan jumlah elemen dari set data aslinya. Tujuan dari bootstrap yaitu memperbaiki ukuran sampel untuk mengevaluasi kebenaran dalam situasi yang tidak standar. Bootstrap merupakan sebuah pendekatan untuk membuktikan kebenaran model multivariat dengan menggambarkan sejumlah besar subsampel dan menduga model untuk setiap subsampel. Pendugaan dari semua subsampel kemudian digabungkan, tidak hanya menyediakan pendugaan koefisien terbaik. Pendekatan  ini tidak bergantung pada asumsi statistik tentang populasi untuk menilai signifikansi statistik, melainkan membuat penilaiannya hanya berdasarkan data sampel (Hair et.al., 2007). Salah satu bentuk aplikasi metode resampling bootstrap adalah mengestimasi selang kepercayaan dari parameter sampel. Pada kasus selang kepercayaan dan pengujian hipotesis pengambilan sampel bootstrap paling sedikit sebanyak 1000 replikasi bootstrap (Chernick, 2007). Pendugaan bootstrap dapat diperoleh dengan cepat tanpa iterasi untuk beberapa model persamaan struktural yang berguna pada tahap awal penelitian. Metode bootstrap dapat menghasilkan nilai standar eror. Nilai standar eror digunakan untuk menentukan sebuah parameter yang diuji signifikan atau tidak. Sayangnya, metode bootstrap memerlukan data yang lengkap.

Estimasi terhadap model dilakukan untuk menghasilkan nilai-nilai parameter.
Jenis galat estimasi yang sering terjadi dalam SEM yaitu besar varians dari suatu variabel bernilai negatif. Varians adalah rata-rata dari jumlah kuadrat deviasi.
Sumber-sumber galat yang sering terjadi dalam SEM yaitu (Hair et. al., 1989):
1) Banyaknya parameter yang diestimasi relatif terhadap varians-kovarians
matriks sampel.
2) Penggunaan efek timbal-balik (reciprocal effect). 3) Kegagalan dalam menetapkan skala dari konstruk.
Pendugaan parameter dalam SEM dapat digunakan untuk memperoleh dugaan dari setiap parameter yang dispesifikasikan dalam model yang membentuk matriks ∑ sedemikian sehingga nilai parameter sedekat mungkin dengan nilai yang ada dalam matriks S (matriks kovarians dari sampel). Metode-metode yang digunakan dalam SEM yaitu Maximum Likelihood Estimation (MLE), Weighted Least Square (WLS), Ordinary Least Square (OLS), Unweighted Least Square (ULS), Generalized Least Square (GLS), Instrument Variable (IV), Two Stage Least Square (TSLS), dan Diagonally Weighted Least Square (DWLS).

Tujuan dari dilakukannya identifikasi model yaitu untuk menentukan analisis dapat dilakukan lebih lanjut atau tidak, maka identifikasi model perlu dilakukan. Berikut ini kategori hasil identifikasi model dalam SEM yaitu:

1) Under-Identified, yaitu model dengan jumlah parameter yang diestimasi lebih besar dari jumlah data yang diketahui. Nilai df pada model ini adalah kurang dari 0 (nol)/negatif.

2) Just-Identified, yaitu model dengan jumlah parameter yang diestimasi sama dengan data yang diketahui. Nilai df pada model ini adalah 0 (nol).

3) Over-Identified, yaitu model dengan jumlah parameter yang diestimasi lebih kecil dari jumlah data yang diketahui. Nilai df pada model ini adalah lebih dari 0 (nol)/positif. Analisis dalam SEM dapat dilakukan jika model yang diperoleh adalah OverIdentified dan SEM menghindari model Under-Identified agar data dapat dianalisis. Pada saat identifikasi kemungkinan diperoleh nilai unik untuk setiap parameter

Langkah ini merupakan langkah dalam melakukan identifikasi terhadap permasalahan penelitian, sehingga hubungan antar variabel-variabel yang dihipotesiskan harus didukung oleh teori yang kuat. Spesifikasi model tersebut berdasarkan teori atau penelitian sebelumnya atau bisa juga dengan menggunakan diagram path. Langkah-langkah memperoleh model yaitu: 1) Spesifikasi model pengukuran, yaitu dengan cara: a) Mendefinisikan variabel laten yang ada dalam penelitian. b) Mendefinisikan variabel teramati. c) Mendefinisikan hubungan antara setiap variabel laten dengan variabel teramati yang terkait. 2) Spesifikasi model struktural Dengan cara mendefinisikan hubungan kausal di antara variabel laten. 3) Gambar diagram path dari model hybrid Model hybrid adalah bentuk umum dari SEM yang merupakan kombinasi model pengukuran dan struktural. Model hybrid mengandung variabel-variabel laten maupun variabel-variabel teramati yang terkait

Suatu model dikatakan baik jika dapat mendeskripsikan suatu kejadian yang sebenarnya dengan galat yang kecil. Munculnya galat tidak dapat dihindari karena kejadian sebenarnya sangat kompleks sedangkan model hanya menjelaskan hubungan pokoknya saja. Detail dari kejadian yang tidak bisa dijelaskan oleh model akan masuk dalam komponen galat (residual). Terkait dengan data dapat dinyatakan dengan:

Data = Model + Residual

di mana: Data adalah nilai pengukuran yang berkaitan dengan variabel-variabel teramati dan membentuk sampel penelitian. Residual adalah perbedaan antara model yang dihipotesiskan dengan data yang diamati. Model adalah model yang dihipotesiskan atau dispesifikasikan oleh peneliti. Jika nilai residual mendekati 0 (nol), maka kecocokan data-model yang dihasilkan baik. Dalam SEM, selain data mentah, matriks kovarians dan matriks korelasi dari variabel yang diuji dapat digunakan sebagai input. Matriks kovarians adalah matriks yang terdiri dari nilai kovarians antara semua indikator setiap variabel.

Berikut ini jenis-jenis yang digunakan dalam model persamaan struktural:

1) Diagram Path

Diagram path adalah representasi grafis dari sebuah model yang menggambarkan seluruh hubungan antara variabel-variabel yang ada di dalamnya. Variabel- variabel yang terdapat dalam diagram path adalah variabel teramati dan tidak mengandung variabel laten. Diagram path dibuat untuk mempermudah melihat hubungan yang ada pada model.

2) Confirmatory Factor Analysis (CFA)

Analisis faktor konfirmatori atau Confirmatory Factor Analysis (CFA) dalam SEM merupakan model pengukuran sebuah variabel laten diukur oleh satu atau lebih variabel-variabel teramati. CFA didasarkan pada variabel-variabel teramati adalah indikator-indikator tidak sempurna dari variabel laten atau konstruk tertentu yang mendasarinya. Karakteristik dalam model CFA yaitu: a. Model dibentuk lebih dahulu. 12 b. Jumlah variabel laten ditentukan oleh analisis. c. Pengaruh suatu variabel laten terhadap variabel teramati ditentukan lebih dahulu. d. Beberapa efek langsung variabel laten terhadap variabel teramati dapat ditetapkan sama dengan nol atau konstan. e. Galat pengukuran boleh berkorelasi. f. Kovarians variabel-variabel laten dapat diestimasi atau ditetapkan pada nilai tertentu. g. Identifikasi parameter diperlukan

Galat yang terdapat dalam SEM meliputi:

1) Galat Struktural (Structural Error)

Dilambangkan dengan “zeta”, untuk memperoleh estimasi parameter yang konsisten, galat struktural diasumsikan tidak berkorelasi dengan variabel-variabel eksogen dari model. Walaupun begitu, galat struktural bisa dimodelkan berkorelasi dengan galat struktural yang lain.

2) Galat Pengukuran (Measurement Error)

Variabel teramati X dilambangkan dengan “delta” dan variabel teramati Y dilambangkan dengan “epsilon”. Matriks kovarians dari δ diberi tanda dengan huruf Yunani Θδ “theta delta” dan untuk matriks kovarians dari ε yaitu Θε “theta epsilon”. Galat pengukuran berpengaruh pada penduga parameter dan besar kecilnya varians. Hal ini dapat diatasi oleh SEM melalui persamaan-persamaan yang ada pada model pengukuran

Model-model yang terdapat dalam SEM meliputi:

1) Model struktural Model struktural bertujuan untuk memeriksa hubungan yang mendasari atau yang menyusun variabel laten ke dalam model pengukuran dan variabel konstruk lainnya berdasarkan teori. Parameter yang menunjukkan regresi variabel laten eksogen diberi label dengan huruf Yunani (“gamma”), sedangkan untuk regresi variabel laten endogen diberi label dengan huruf Yunani (“beta”), dan matriks kovarians variabel-variabel laten eksogen diberi label dengan huruf Yunani Φ (“phi”).

2) Model pengukuran

Model pengukuran digunakan untuk menduga hubungan antar variabel laten dengan variabel-variabel teramatinya. Variabel laten dimodelkan sebagai sebuah faktor yang mendasari variabel-variabel teramati yang terkait. Muatan-muatan faktor atau factor loadings yang menghubungkan variabel laten dengan variabel- variabel teramati disimbolkan dengan huruf Yunani (“lambda”). 9 Pada model variabel laten SEM, hubungan kausal (sebab-akibat) terjadi diantara variabel-variabel tidak teramati (unobserved variables) atau variabel-variabel laten. Parameter-parameter dari persamaan pada model pengukuran SEM merupakan factor loadings dari variabel laten terhadap indikator-indikator atau variabel-variabel teramati yang terkait. Model SEM memberikan informasi tentang hubungan kausal simultan di antara variabel-variabelnya, memberikan informasi tentang muatan faktor dan galat-galat pengukuran

Variabel-variabel pada SEM masing-masing saling mempengaruhi. Variabel- variabel yang terdapat dalam SEM meliputi:

1) Variabel laten (Latent Variable) Dalam SEM variabel yang menjadi perhatian adalah variabel laten. Variabel laten atau konstruk laten adalah variabel yang tidak terukur secara langsung, sebagai contoh: perilaku, sikap, perasaan, dan motivasi. Variabel laten terdapat dua jenis, yaitu: a)Eksogen Variabel laten eksogen dinotasikan dengan huruf Yunani adalah “ksi”. Variabel bebas (independenet latent variable) pada semua persamaan yang ada pada SEM, dengan simbol lingkaran dengan anak panah menuju keluar. b)Endogen Variabel laten endogen dinotasikan dengan huruf Yunani adalah “eta”. Variabel terikat (dependent latent variable) pada paling sedikit satu persamaam dalam model, dengan simbol lingkaran dengan anak panah menuju keluar dan satu panah ke dalam. Simbol anak panah untuk menunjukkan adanya hubungan kausal (ekor anak panah untuk hubungan penyebab dan kepala anak panah untuk variabel akibat). Pemberian nama variabel laten pada diagram lintasan bisa mengikuti notasi matematiknya (ksi atau eta) atau sesuai dengan nama dari variabel dalam penelitian

2) Variabel teramati (Observed atau Measured atau Manifest Variable) Variabel teramati adalah variabel yang dapat diamati atau dapat diukur secara empiris dan disebut sebagai indikator. Variabel teramati merupakan efek atau ukuran dari variabel laten. Variabel teramati yang berkaitan dengan variabel eksogen diberi notasi matematik dengan label X, sedangkan yang berkaitan dengan dengan variabel laten endogen diberi label Y. Disimbolkan dengan bujur sangkar atau kotak, variabel ini merupakan indikator. Pemberian nama variabel teramati pada diagram lintasan bisa mengikuti notasi matematiknya atau nama/kode dari pertanyaan-pertanyaan pada kuisioner.

Pemodelan persamaan struktural (Structural Equation Modeling, SEM) adalah salah satu teknik peubah ganda yang dapat menganalisis secara simultan beberapa peubah laten endogenous dan eksogenous (Bollen, 1989). SEM dilakukan untuk menganalisis serangkaian hubungan secara simultan sehingga memberikan efisiensi secara statistik. Pendugaan atas persamaan regresi yang berbeda tetapi terkait satu sama lain secara bersama-sama dilakukan dengan model struktural dalam SEM (Hair et.al., 2007). Dari segi metodologi, SEM memiliki beberapa peranan, di antaranya, sebagai sistem persamaan simultan, analisis kausal linear, analisis lintasan (path analysis), analisis struktur kovarians, dan model persamaan struktural (Wijanto, 2008). Komponen-komponen yang terdapat dalam SEM yang menjadi karakteristik dalam model tersebut yaitu: 1) Variabel yaitu variabel laten dan variabel teramati. 2) Model yaitu model struktural dan model pengukuran. 3) Galat yaitu galat struktural dan galat pengukura

Variabel laten merupakan variabel yang tidak dapat diamati atau diukur secara langsung. Variabel laten tidak dapat diukur secara langsung tetapi dapat diwakili atau diukur oleh satu atau lebih variabel (indikator) (Hair et al., 2010:632). Sedangkan, variabel observasi atau manifest variable adalah variabel yang datanya harus dicari melalui penelitian lapangan misalnya melalui 7 instrumen-instrumen survey (Hair et al., 2010:635). Variabel observasi digunakan sebagai indikator dari variabel laten. Sehingga variabel laten bisa diukur secara tidak langsung melalui pengamatan pada variabel observasi. SEM mempunyai 2 jenis variabel laten yaitu variabel laten eksogen dan variabel laten endogen : 1. Variabel laten eksogen adalah variabel yang tidak dipengaruhi oleh variabel laten lainnya. Dalam diagram jalur, variabel laten eksogen ditandai sebagai variabel yang tidak ada kepala panah yang menuju kearahnya dari variabel laten lainnya (Hair et al., 2010:637). Variabel laten eksogen dinotasikan dengan Ksi (ξ). 2. Variabel laten endogen adalah variabel yang dipengaruhi oleh variabel laten lainnya. Dalam diagram jalur, variabel endogen ini ditandai oleh kepala panah yang menuju kearahnya dari variabel laten eksogen atau variabel laten endogen (Hair et al., 2010:637). Variabel laten endogen dinotasikan dengan Eta (η).

Structural Equation Modeling (SEM) merupakan teknik dengan kombinasi dari analisis jalur (path) dan analisis regresi yang memungkinkan peneliti menguji secara simultan rangkaian hubungan yang saling terkait antara variabel terukur (measured variables) dan konstrak laten (latent constructs) (Hair et. al, 2010:634). Analisis SEM merupakan analisis multivariat yang bersifat kompleks, karena melibatkan sejumlah variable bebas (independent variable) dan variabel terikat (dependent variable) yang saling berhubungan membentuk sebuah model. Pada SEM tidak dapat dikatakan ada variabel bebas dan variabel terikat, karena sebuah variabel bebas dapat menjadi variabel terikat pada hubungan yang lain. SEM dapat dikategorikan menjadi 2 model yaitu model struktural dan model pengukuran. Model struktural yaitu model yang menggambarkan hubungan-hubungan yang ada diantara variabel-variabel laten. Sedangkan model pengukuran menggambarkan tentang hubungan antara variabel yang diamati (juga disebut indikator) dengan variabel laten yang mendasarinya (Kline, 1998)

Menurut Hair et al (1995) dalam Hartono (2006), ada 7 (tujuh) langkah yang harus dilakukan apabila menggunakan Structural Equation Modeling (SEM) yaitu:
1. Pengembangan model teoritis
Dalam langkah pengembangan model teoritis, hal yang harus dilakukan
adalah melakukan serangkaian eksplorasi ilmiah melalui telaah pustaka guna mendapatkan justifikasi atas model teoritis yang akan dikembangkan. SEM  digunakan bukan untuk menghasilkan sebuah model, tetapi digunakan untuk mengkonfirmasi model teoritis tersebut melalui data empirik.
2. Pengembangan diagram alur
Dalam langkah kedua ini, model teoritis yang telah dibangun pada tahap
pertama akan digambarkan dalam sebuah diagram alur, yang akan mempermudah untuk melihat hubungan kausalitas yang ingin diuji. Dalam diagram alur, hubungan antar konstruk akan dinyatakan melalui anak panah. Anak panah yang lurus menunjukkan sebuah hubungan kausal yang langsung antara satu konstruk lainnya. Sedangkan garis-garis lengkung antar konstruk dengan anak panah pada setiap ujungnya menunjukkan korelasi antara konstruk. Konstruk yang dibangun dalam diagram alur dapat dibedakan dalam dua kelompok, yaitu :
1) Konstruk eksogen (exogenous constructs), yang dikenal juga sebagai source variables atau independent variables yang akan diprediksi oleh variabel yang lain dalam model. Konstruk eksogen adalah konstruk yang dituju oleh garis dengan satu ujung panah.
2) Konstruk endogen (endogen constructs), yang merupakan faktor-faktor yang diprediksi oleh satu atau beberapa konstruk. Konstruk endogen dapat
memprediksi satu atau beberapa konstruk endogen lainnya, tetapi konstruk
eksogen hanya dapat berhubungan kausal dengan konstruk endogen.
3. Konversi diagram alur ke dalam persamaan
Persamaan yang didapat dari diagram alur yang dikonversi terdiri dari :
1) Persamaan struktural (structural equation) yang dirumuskan untuk
menyatakan hubungan kausalitas antar berbagai konstruk.
Variabel endogen = variabel eksogen + variabel endogen + error
2) Persamaan spesifikasi model pengukuran (measurement model), dimana harus
ditentukan variabel yang mengukur konstruk dan menentukan serangkaian
matriks yang menunjukkan korelasi antar konstruk atau variabel.
4. Memilih matriks input dan estimasi model
SEM menggunakan input data yang hanya menggunakan matriks
varians/kovarians atau matriks korelasi untuk keseluruhan estimasi yang dilakukan. Matriks kovarian digunakan karena SEM memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi yang berbeda atau sampel yang berbeda, yang tidak dapat disajikan oleh korelasi. Hair et.al (1996) menyarankan agar menggunakan matriks varians/kovarians pada saat pengujian teori sebab lebih memenuhi asumsi-asumsi metodologi dimana standar error menunjukkan angka yang lebih akurat dibanding menggunakan matriks korelasi.
5. Kemungkinan munculnya masalah identifikasi
Problem identifikasi pada prinsipnya adalah problem mengenai
ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang
unik. Bila setiap kali estimasi dilakukan muncul problem identifikasi, maka
sebaiknya model dipertimbangkan ulang dengan mengembangkan lebih banyak
konstruk.
6. Evaluasi kriteria goodness of fit
Pada tahap ini dilakukan pengujian terhadap kesesuaian model melalui telaah
terhadap berbagai kriteria goodness of fit. Berikut ini beberapa indeks kesesuaian dan
cut off value untuk menguji apakah sebuah model dapat diterima atau ditolak menurut
Ferdinand (2000) :
1) Uji Chi-square, dimana model dipandang baik atau memuaskan bila nilai Chisquare nya rendah. Semakin kecil nilai chi-square semakin baik model itu dan
nilai signifikansi lebih besar dari cut off value (p>0,05).
2) RMSEA (The Root Mean Square Error of Approximation), yang
menunjukkan goodness of fit yang dapat diharapkan bila model diestimasi
dalam populasi (Hair et.al., 1995). Nilai RMSEA yang lebih kecil atau sama
dengan 0,08 merupakan indeks untuk dapat diterimanya model yang
menunjukkan sebuah close fit dari model itu berdasarkan degrees of freedom.
3) GFI (Goodness of Fit Index) adalah ukuran non statistikal yang mempunyai
rentang nilai antara 0 (poor fit) sampai dengan 1.0 (perfect fit). Nilai yang
tinggi dalam indeks ini menunjukkan sebuah “better fit”.
4) AGFI (Adjusted Goodness of Fit Index), dimana tingkat penerimaan yang
direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih
besar dari 0,90.
5) CMIN/DF adalah The Minimum Sample Discrepancy Function yang dibagi
dengan Degree of Freedom. Chi-square dibagi DF-nya disebut chi-square
relatif. Bila nilai chi-square relatif kurang dari 2.0 atau 3.0 adalah indikasi
dari acceptable fit antara model dan data.
6) TLI (Tucker Lewis Index), merupakan incremental index yang
membandingkan sebuah model yang diuji terhadap sebuah baseline model,
dimana sebuah model ≥ 0,95 dan nilai yang mendekati 1 menunjukkan a very
good fit.
7) CFI (Comparative Fit Index), dimana bila mendekati 1, mengindikasi tingkat
fit yang paling tinggi. Nilai yang direkomendasikan adalah CFI ≥ 0,947. Interpretasi dan modifikasi model
Tahap terakhir ini adalah menginterpretasikan model dan memodifikasi model
bagi model-model yang tidak memenuhi syarat pengujian yang dilakukan. Tujuan modifikasi adalah untuk melihat apakah modifikasi yang dilakukan dapat menurunkan nilai chi-square; seperti diketahui, semakin kecilnya angka chi-square menunjukkan semakin fit model tersebut dengan data yang ada.
Proses SEM tentu tidak bisa dilakukan secara manual selain karena
keterbatasan kemampuan manusia, juga karena kompleksitas model dan alat statistik  yang digunakan. Walaupun banya ahli yang sudah menyadari perlunya membuat model yang dapat menjelaskan banyak fenomena sosial dalam hubungan banyak variabel, namun mereka belum dapat menangani kompleksitas perhitungan matematisnya. Saat ini banyak software yang khusus digunakan untuk analisis model SEM, seperti LISREL, AMOS, EQS dan Mplus. Pada penelitian ini, peneliti menggunakan AMOS 18.0 sebagai alat analisisnya. Sebagai sebuah model persamaan struktur, AMOS telah sering digunakan dalam pemasaran dan penelitian manajemen strategik. Model kausal AMOS menunjukkan pengukuran dan masalah yang struktural dan digunakan untuk menganalisis dan menguji model hipotesis. AMOS sangat tepat untuk analisis seperti ini, karena kemampuannya untuk : (1) memperkirakan koefisien yang tidak diketahui dari persamaan linier struktural, (2) mengakomodasi model yang meliputi latent variabel, (3) mengakomodasi kesalahan pengukuran pada variabel dependen dan independen, (4) mengakomodasi peringatan yang timbal balik, simultan dan saling
ketergantungan

Secara umum, sebuah model SEM dapat dibagi menjadi dua bagian utama, yaitu:

1. Measurement Model Measurement model adalah bagian dari model SEM yang menggambarkan hubungan antara variabel laten dengan indikator-indikatornya.

2. Structural Model Structural model menggambarkan hubungan antar variabel-variabel laten atau antar variabel eksogen dengan variabel laten.

Asumsi Untuk menggunakan SEM diperlukan asumsi-asumsi yang mendasari penggunaannya. Asumsi tersebut diantaranya adalah:

1. Normalitas Data Uji normalitas yang dilakukan pada SEM mempunyai dua tahapan. Pertama menguji normalitas untuk setiap variabel, sedangkan tahap kedua adalah pengujian normalitas semua variabel secara bersama-sama yang disebut dengan multivariate normality. Hal ini disebabkan jika setiap variabel normal secara individu, tidak berarti jika diuji secara bersama (multivariat) juga pasti berdistribusi normal.

2. Jumlah Sampel Pada umumnya dikatakan penggunaan SEM membutuhkan jumlah sampel yang besar. Menurut pendapat Ferdinand (2002) dalam Wuensch (2006) bahwa ukuran sampel untuk pengujian model dengan menggunakan SEM adalah antara 100-200 sampel atau tergantung pada jumlah parameter yang digunakan dalam seluruh variabel laten, yaitu jumlah parameter dikalikan 5 sampai 10. Satu survei terhadap 72 penelitian yang menggunakan SEM didapatkan median ukuran sampel sebanyak 198. Untuk itu jumlah sampel sebanyak 200 data pada umumnya dapat diterima sebagai sampel yang representatif pada analisis SEM.

3. Multicolinnearity dan Singularity Suatu model dapat secara teoritis diidentififikasi tetapi tidak dapat diselesaikan karena masalah-masalah empiris, misalnya adanya multikolinearitas tinggi dalam setiap model.

4. Data interval Sebaiknya data interval digunakan dalam SEM. Sekalipun demikian, tidak seperti pada analisis jalur, kesalahan model-model SEM yang eksplisit muncul karena penggunaan data ordinal. Variabel-variabel eksogenous berupa variabel-variabel dikotomi atau dummy dan variabel dummy kategorikal tidak boleh digunakan dalam variabel-variabel endogenous. Penggunaan data ordinal atau nominal akan mengecilkan koefesien matriks korelasi yang digunakan dalam SEM.

1. Model jalur ialah suatu diagram yang menghubungkan antara variabel bebas, perantara dan tergantung. Pola hubungan ditunjukkan dengan menggunakan anak panah. Anak panah tunggal menunjukkan hubungan sebab-akibat antara variabelvariabel eksogen atau perantara dengan satu variabel tergantung atau lebih. Anak panah juga menghubungkan kesalahan-kesalahan (variabel error) dengan semua variabel endogen masing-masing. Anak panah ganda menunjukkan korelasi antara pasangan variabel-variabel eksogen.

2. Model sebab akibat (causal modeling,) atau disebut juga analisis jalur (path analysis), yang menyusun hipotesis hubungan sebab akibat (causal relationships) diantara variabel- variabel dan menguji model-model sebab akibat (causal models) dengan menggunakan sistem persamaan linier. Model-model sebab akibat dapat mencakup variabel-variabel manifes (indikator), variabelvariabel laten atau keduanya.

3. Variabel eksogen dalam suatu model jalur ialah semua variabel yang tidak ada penyebab-penyebab ekspilsitnya atau dalam diagram tidak ada anak-anak panah yang menuju ke arahnya, selain pada bagian kesalahan pengukuran. Jika antara variabel eksogen dikorelasikan maka korelasi tersebut ditunjukkan dengan anak panah berkepala dua yang menghubungkan variabel-variabel tersebut

. 4. Variabel endogen ialah variabel yang mempunyai anak panah-anak panah menuju ke arah variabel tersebut. Variabel yang termasuk didalamnya mencakup semua variabel perantara dan tergantung.

5. Variabel laten adalah variabel yang tidak dapat diukur secara langsung kecuali diukur dengan satu atau lebih variabel manifes.

6. Variabel manifes adalah variabel yang digunakan untuk menjelaskan atau mengukur sebuah variabel laten. Dalam satu variabel laten terdiri dari beberapa variabel manifes.

7. Koefisien jalur adalah koefisien regresi standar atau disebut “beta” yang menunjukkan pengaruh langsung dari suatu variabel bebas terhadap variabel tergantung dalam suatu model jalur tertentu.

8. Analisis faktor penegasan (confirmatory factor analysis), suatu teknik kelanjutan dari analisis faktor dimana dilakukan pengujian hipotesis-hipotesis struktur factor loadings dan interkorelasinya. Isi sebuah model SEM pastilah variabel-variabel, baik itu variabel laten maupun variabel manifes. Jika ada sebuah variabel laten, pastilah akan ada dua atau lebih variabel manifes.

Banyak pendapat menyarankan sebuah variabel laten sebaiknya dijelaskan oleh paling tidak tiga variabel manifes. Cara sederhana untuk mengetahui apakah sebuah variabel dapat digolongkan menjadi sebuah variabel laten adalah dengan menguji apakah variabel tersebut dapat langsung diukur, jika tidak, dapat dikategorikan sebagai variabel laten yang membutuhkan sejumlah variabel manifes. Dalam sebuah model SEM, sebuah variabel laten dapat berfungsi sebagai variabel eksogen atau variabel endogen. Sebuah variabel dependen dapat saja menjadi variabel independen untuk variabel yang lain

Sewal Wright mengembangkan konsep ini pada tahun 1934, pada awalnya teknik ini dikenal dengan analisa jalur dan kemudian dipersempit dalam bentuk analisis Structural Equation Modeling (Yamin, 2009). SEM (Structural Equation Modeling) adalah suatu teknik statistik yang mampu menganalisis pola hubungan antara konstruk laten dan indikatornya, konstruk laten yang satu dengan lainnya, serta kesalahan pengukuran secara langsung. SEM memungkinkan dilakukannya analisis di antara beberapa variabel dependen dan independen secara langsung (Hair et al, 2006). Teknik analisis data menggunakan Structural Equation Modeling (SEM), dilakukan untuk menjelaskan secara menyeluruh hubungan antar variabel yang ada dalam penelitian. SEM digunakan bukan untuk merancang suatu teori, tetapi lebih ditujukan untuk memeriksa dan membenarkan suatu model. Oleh karena itu, syarat utama menggunakan SEM adalah membangun suatu model hipotesis yang terdiri dari model struktural dan model pengukuran dalam bentuk diagram jalur yang berdasarkan justifikasi teori. SEM adalah merupakan sekumpulan teknik-teknik statistik yang memungkinkan pengujian sebuah rangkaian hubungan secara simultan. Hubungan itu dibangun antara satu atau beberapa variabel independen (Santoso, 2011). SEM menjadi suatu teknik analisis yang lebih kuat karena mempertimbangkan pemodelan interaksi, nonlinearitas, variabel-variabel bebas yang berkorelasi (correlated independent), kesalahan pengukuran, gangguan kesalahan-kesalahan yang berkorelasi (correlated error terms), beberapa variabel bebas laten (multiple latent independent) dimana masing-masing diukur dengan menggunakan banyak indikator, dan satu atau dua variabel tergantung laten yang juga masing-masing diukur dengan beberapa indikator. Dengan demikian menurut definisi ini SEM dapat digunakan alternatif lain yang lebih kuat dibandingkan dengan menggunakan regresi berganda, analisis jalur, analisis faktor, analisis time series, dan analisis kovarian (Byrne, 2010). Yamin (2009) mengemukakan bahwa di dalam SEM peneliti dapat melakukan tiga kegiatan sekaligus, yaitu pemeriksaan validitas dan reliabilitas instrumen (setara dengan analisis faktor konfirmatori), pengujian model hubungan antar variabel laten (setara dengan analisis path), dan mendapatkan model yang bermanfaat untuk prediksi (setara dengan model struktural atau analisis regresi). Dua alasan yang mendasari digunakannya SEM adalah (1) SEM mempunyai kemampuan untuk mengestimasi hubungan antar variabel yang bersifat multiple relationship. Hubungan ini dibentuk dalam model struktural (hubungan antara konstruk dependen dan independen). (2) SEM mempunyai kemampuan untuk menggambarkan pola hubungan antara konstruk laten dan variabel manifes atau variabel indikator.

Model – Model Struktural dapat berupa dalam SEM ialah: 1) just – identified, 2) over – identified, dan 3) under – identified

Model ‘Just – identified’– : jumlah poin data varian dan kovarian sama dengan jumlah parameter yang harus diestimasi. Model ini secara ilmiah tidak menarik karena tidak ada Degree of Freedom (DF) sehingga model harus selalu diterima / tidak dapat ditolak (Catatan: DF = data – parameter)

Model ‘Over – identified’– : jumlah poin data varian dan kovarian variabel-variabel yang teramati lebih besar dari jumlah parameter yang harus diestimasi. Dengan demikian terdapat DF positif sehingga memungkinkan penolakan model

Model ‘Under – identified’– : jumlah poin data varian dan kovarian lebih kecil dibandingkan dengan jumlah parameter yang harus diestimasi. Dengan demikian model akan kekurangan informasi yang cukup untuk mencari pemecahan estimasi parameter karena akan terdapat solusi yang tidak terhingga untuk model yang seperti ini.

Saturated Model– : mempunyai parameter bebas sebanyak jumlah moments (rata-rata dan varian). Jika dianalisis dengan data yang lengkap, maka model akan selalu cocok dengan data sampel secara sempurna (Chi square = 0.0; DF = 0)

Dalam statistik terdapat generaliasi yang menyatakan bahwa beberapa variabel saling berhubungan satu dengan yang lain dalam suatu kelompok persamaan linear. Hubungan tersebut menjadi semakin kompleks tetapi inti pesannya tetap sama, yaitu: kita dapat menguji apakah beberapa variable saling berhubungan melalui seperangkat hubungan linier dengan cara memeriksa varian dank ovarian variable tersebut. Dictum ini dapat diilustrasikan secara sederhana sebagai berikut:

Ada sekelompok angka (kita beri simbol X): 1, 2, dan 3. Sekeleompok angka tersebut mempunyai rata-rata sebesar 2 dan standard deviasi 1. Kemudian sekelompok ini ini (X) kita kalikan 4; maka akan menjadi sekelompok angka sebagai berikut: 4, 8, dan 12 (Kita beri simbol Y). Sekelompok angka tersebut mempunyai rata-rata sebesar 8, standard deviasi 4, dan varian sebesar 16 (varian adalah standard deviasi yang dikuadratkan). Seperangkat angka X dapat dihubungkan dengan seperangkat anhgka Y dengan menggunakan persamaan Y = 4 X; dengan demikian varian Y ialah 16 kali X. Dari persamaan tersebut kita dapat melakukan pengujian hipotesis, yaitu Y dan X dihubungkan dengan menggunakan persamaan Y = 4secara tidak langsung dengan cara membandingkan varian – varian variable X dan Y.

Dalam kaitannya dengan pemahaman tersebut, maka prosedur dalam SEM dilakukan dilakukan dengan cara sebagai berikut:

Nyatakan secara tegas bahwa beberapa variabel berkaitan antara satu dengan yang lainnya dengan • menggunakan diagram jalur.

Teliti melalui beberapa aturan internal yang kompleks implikasi-implikasi apa saja dalam kaitannya • degan varian – varian dan kovarian-kovariannya beberapa variabel tersebut.

Ujilah apakah semua varian dan kovarian cocok dengan modelnya. •

Laporkan hasil-hasil pengujian statistik, dan juga estimasi-estimasi parameter serta kesalahan-kesalahan • standard untuk semua koefisen numerik yang ada dalam persamaan linear.

Berdasarkan semua informasi di atas, peneliti memutuskan apakah model nampak sesuai dengan data • yang dipunyai atau tidak

Aplikasi utama Structural Equation Modeling meliputi:

Model sebab akibat (1. causal modeling,) atau disebut juga analisis jalur (path analysis), yang menyusun hipotesa hubungan-hubungan sebab akibat (causal relationships) diantara variabel – variabel dan menguji model-model sebab akibat (causal models) dengan menggunakan sistem persamaan linier. Model-model sebab akibat dapat mencakup variabel-variabel manifest (indikator), variabel-variabel laten atau keduanya;

Analisis faktor penegasan (2. confirmatory factor analysis), suatu teknik kelanjutan dari analisis faktor dimana dilakukan pengujian hipotesis – hipotesis struktur factor loadings dan interkorelasinya;

Analisis faktor urutan kedua3. (second order factor analysis), suatu variasi dari teknik analisis faktor, dimana matriks korelasi dari faktor-faktor tertentu (common factors) dilakukan analisis pada faktornya sendiri untuk membuat faktor-faktor urutan kedua;

Model-model regresi (4. regression models), suatu teknik lanjutan dari analisis regresi linear, dimana bobot regresi dibatasi agar menjadi sama satu dengan lainnya, atau dilakukan spesifikasi pada nilai-nilai numeriknya;

Model-model struktur covariance (5. covariance structure models), yang mana model tersebut menghipotesakan bahwa matrix covariance mempunyai bentuk tertentu. Sebagai contoh, kita dapat menguji hipotesis yang menyusun semua variabel yang mempunyai varian yang sama dengan menggunakan prosedur yang sama;

Model struktur korelasi (6. correlation structure models), yang mana model tersebut menghipotesakan bahwa matrix korelasi mempunyai bentuk tertentu. Contoh klasik adalah hipotesis yang menyebutkan bahwa matrix korelasi mempunyai struktur circumplex

Beberapa fungsi SEM, diantaranya ialah:

Pertama, • memungkinkan adanya asumsi-asumsi yang lebih fleksibel;

Kedua •, penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk mengurangi kesalahan pengukuran dengan memiliki banyak indikator dalam satu variabel laten;

Ketiga, • daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca keluaran hasil analisis

Keempat,• kemungkinan adanya pengujian model secara keseluruhan dari pada koefesien-koefesien secara sendiri-sendiri;

Kelima,• kemampuan untuk menguji model – model dengan menggunakan beberapa variabel tergantung;

Keenam,• kemampuan untuk membuat model terhadap variabel-variabel perantara;

Ketujuh,• kemampuan untuk membuat model gangguan kesalahan (error term);

Kedelapan, kemampuan untuk menguji koefesien-koefesien diluar antara beberapa kelompok • subyek;

Kesembilan,• kemampuan untuk mengatasi data yang sulit, seperti data time series dengan kesalahan otokorelasi, data yang tidak normal, dan data yang tidak lengkap

Structural Equation Modeling, yang dalam buku ini untuk selanjutnya akan disebut SEM, adalah suatu teknik modeling statistik yang bersifat sangat cross-sectional, linear dan umum. Termasuk dalam SEM ini ialah analisis faktor (factor analysis), analisis jalur (path analysis) dan regresi (regression).

Definisi berikutnya menyebutkan SEM adalah teknik analisis multivariat yang umum dan sangat bermanfaat yang meliputi versi-versi khusus dalam jumlah metode analisis lainnya sebagai kasus-kasus khusus.

Definisi lain mengatakan bahwa SEM merupakan teknik statistik yang digunakan untuk membangun dan menguji model statistik yang biasanya dalam bentuk model-model sebab akibat. SEM sebenarnya merupakan teknik hibrida yang meliputi aspek-aspek penegasan (confirmatory) dari analisis faktor, analisis jalur dan regresi yang dapat dianggap sebagai kasus khusus dalam SEM.

Sedikit berbeda dengan definisi-definisi sebelumnya, disebutkan SEM berkembang dan mempunyai fungsi mirip dengan regresi berganda, tetapi nampaknya SEM menjadi suatu teknik analisis yang lebih kuat karena mempertimbangkan pemodelan interaksi, nonlinearitas, variabel – variabel bebas yang berkorelasi (correlated independents), kesalahan pengukuran, gangguan kesalahan-kesalahan yang berkorelasi (correlated error terms), beberapa variabel bebas laten (multiple latent independents) dimana masing-masing diukur dengan menggunakan banyak indikator, dan satu atau dua variabel tergantung laten yang juga masing-masing diukur dengan beberapa indikator. Dengan demikian menurut definisi ini, SEM dapat digunakan sebagai alternatif lain yang lebih kuat dibandingkan dengan menggunakan regresi berganda., analisis jalur, analisis faktor, analisis time series, dan analisis kovarian

Dari definisi di atas dapat disimpulkan bahwa SEM mempunyai karakteristik yang bersifat sebagai teknik analisis untuk lebih menegaskan (confirm) daripada menerangkan. Maksudnya, seorang peneliti lebih cenderung menggunakan SEM untuk menentukan apakah suatu model tertentu valid atau tidak dari pada menggunakannya untuk menemukan suatu model tertentu cocok atau tidak, meski analisis SEM sering pula mencakup elemen-elemen yang digunakan untuk menerangkan.

Alasan penggunaan PLS untuk penelitian ini adalah: