Teknik statistik multivariat yang bertujuan menguji hubungan antar variabel pada sebuah model. Analisis Multivariat adalah metode pengolahan variabel dalam jumlah yang banyak untuk menganalisis hubungan antar variabel secara bersamaan menggunakan Structural Equation Modeling (SEM)."

1. Teknik statistik multivariat
yang bertujuan menguji
hubungan antar variabel
pada sebuah model

2. Pengertian analisis multivariat
Analisis Multivariat
Analisis Multivariat adalah metode pengolahan variabel dalam jumlah
yang banyak, dimana tujuannya adalah untuk mencari pengaruh
variabel-variabel tersebut terhadap suatu obyek secara simultan atau
serentak.
Pengertian Analisis Multivariat
Metode analisis multivariat adalah suatu metode statistika yang tujuan
digunakannya adalah untuk menganalisis data yang terdiri dari
banyak variabel serta diduga antar variabel tersebut saling
berhubungan satu sama lain.

3. • Kita dapat melihat contoh data multivariat dari sebuah burger yang dinikmati secara
objektif melalui rasanya. Rasa dalam burger merupakan objek sedangkan aspek
penyusun rasa burger tersebut terdiri dari roti (bun), daging giling (patty), sayuran, jamur
panggang, dan sebagainya

4. • Untuk memahami struktur rasa sebuah burger ini, kita harus memahami
korelasi setiap variabel penyusunnya. Itulah yang disebut analisis
multivariat, objeknya bukan pada burger sebagai bentuk tetapi rasa burger
sebagai satu kesatuan sistem.
• Jika gambar burger di atas dibuat dalam sebuah rumus maka dapat diambil
uraian berikut ini:
Rasa Burger = (x) Patty + (z) Tomato + (α) Avocado + (β) Grilled Mushrooms
+ (δ) Un-toasted Bun

5. Tipe analisis multivariat
1. Multivariate One-Way Analysis of Variance Model (MANOVA)
2. Principal Component Analysis (PCA)
3. Multivariate Multiple Regression (MMR)
4. Conjoint Analysis
5. Multiple Discriminant Analysis (MDA)
6. Canonical Correlation
7. Multidimensional Scaling (MDS)
8. Cluster Analysis
9. Structural Equation Modeling (SEM)
10. Multiple Correspondence Analysis (MCA)

6. Structural Equation Modeling (SEM)
• SEM merupakan salah satu jenis analisis multivariat yang umum dikenal dalam ilmu
pengetahuan. SEM atau pemodelan persamaan struktural adalah teknik analisis multivariat
yang kuat untuk penyelidikan ilmiah terutama dalam pengujian atau evaluasi hubungan
kausal dari banyak variabel.
• SEM menguji efek langsung dan tidak langsung pada hubungan kausal yang diasumsikan
sebagai salah satu metode statistik tertua. SEM merupakan analisis multivariat yang
digunakan untuk menganalisis hubungan struktural.
• SEM digunakan untuk menganalisis hubungan struktural antara variabel terukur dan
konstruksi laten. Secara umum metode analisis multivariat jenis ini disukai oleh peneliti
karena dapat memperkirakan ketergantungan ganda dan saling terkait dalam satu analisis
saja.

7. DEFINISI SEM (Structural Equation Model)
• SEM adalah sekumpulan teknik-teknik statistical yang memungkinkan pengujian sebuah
rangkaian hubungan yang relative rumit secara simultan (Ferdinand dalam Sutarso,
2008).
• Model yang rumit adalah model-model simultan yang dibentuk oleh lebih dari satu
variabel dependen yang dijelaskan oleh satu atau beberapa variabel independen dan
dimana sebuah variabel dependen pada saat yang sama berperan sebagai variabel
independen bagi hubungan berjenjang lainnya.
• Biasanya SEM dipandang sebagai kombinasi antara analisis faktor dan analisis regresi
berganda).
• Teknik statistik multivariat yang bertujuan menguji hubungan antar variabel
pada sebuah model

8. • Kelebihan SEM adalah dapat meneliti hubungan antara beberapa kelompok variabel
secara bersamaan atau serentak. Baik variabel bebas maupun variabel terikat. Bahkan
metode ini juga dapat menggabungkan adanya variabel laten. Variabel laten dalam hal
ini adalah variabel yang sebenarnya keberadaannya tidak dapat diukur secara
langsung ke dalam analisis.

9. KONSEP DASAR SEM

10. Variabel-variabel pada SEM
a. Variabel laten/unobserved variable/konstruk
b. Variabel Manifest /Observed variabel/Measured
variabel/ Indikator,
c. Variabel Error

11. A. Variabel laten/unobserved variable/konstruk
Variabel laten dibedakan menjadi dua bagian:
a.Variabel laten Eksogen = Variabel Independen
(variabel yang mempengaruhi)
b. Variabel laten Endogen = Variabel dependen
variabel yang dipengaruhi (
masuk panah )
Misalnya : Komitmen, Kepercayaan, Kepuasan, Kesetiaan,
Kebahagiaan

13. Gambar 1.1 Konstruk Eksogen dan Endogen
Konstruk eksogen (TRUST )  Konstruk endogen ( SATISFACTION dan
LOYALTY)
TRUST
(KEPERCAYAAN)
LOYALTY
(KESETIAAN)
SATISFACTIO
N
(KEPUASAN)

14. B. Variabel Manifest /Observed variabel/
Measured variabel/ Indikator,
Variabel manifest (indikator) merupakan variabel
pembentuk variabel laten.
Variabel manifest  datanya harus dicari melalui
penelitian lapangan , misalnya survey.

15. Apa itu Trust ?
Apa itu Satisfaction ?
Apa itu Loyalty ?
Misalkan setelah dilakukan survey, diperoleh sejumlah faktor penyebab puas-
tidaknya seseorang, seperti:
- pelayanan pegawai toko yang ramah
- letak toko yang strategis
- fasilitas parkir yg memadai dan aman
- tata letak produk yg menarik
- produk tersedia dengan lengkap
- harga barang yang kompetitif, dan sebagainya
Sejumlah factor ini dapat disusun dalam bentuk variable manifest atau indicator.

16. Sebagai contoh ,
Misalakan ditentukan empat variable manifest untuk
satisfaction (Kepuasan), yakni: Letak Toko,
Kelengkapan Produk, Harga Kompetitif, dan
Pelayanan Karyawan.

17. Jika digambarkan, konstruk satisfaction (Kepuasan) dan
empat indikatornya adalah sebagai berikut :
Kelengkapan
Produk
Harga Kompetitif
Pelayanan
Karyawan
Letak Toko
SATISFACTION
(KEPUASAN

18. Di dalam memilih indikator utk membentuk variable
laten, kita harus mempertimbangkan tentang validitas
dan reabilitas variable indicator.
Tujuan validitas adalah berkaitan dengan seberapa
baik kita membuat kesimpulan dari skor di dalam
mengukur variable laten.
Realibilitas berkaitan dengan konsistensi kemampuan
pengukuran, yaitu berkaitan dengan konsistensi
pengukuran dalam periode yg berbeda.

19. C. Variabel Error
Pada sebuah model SEM, khususnya pd sebuah pengukuran
indicator atau sebuah variable laten, akan terdapat variable
error.
Lalu, apa yg dimaksud dengan error (kesalahan) ??
Dalam SEM ada dua jenis error, yakni:
1. error pada sebuah measurement model
2. error pada sebuah structural model

21. STRUCTURAL ERROR
Stuctural Error (error pada structural model, yg sering disebut juga Residual error)
Perhatikan kembali hubungan antara tiga variable laten pd model
Dari gambar model terlihat bahwa LOYALTY dipengaruhi oleh TRUST dan SATISFACTION
atau dapat diartikan bahwa LOYALTY secara bersama-sama dipengaruhin oleh TRUST dan
SATISFACTION..
Namun dua variable independen tersebut tidaklah dapat menjelaskan semua hal pada variable
dependen. Atau dapat dikatakan ada kesalahan (error) saat memprediksi variable dependen
(LOYALTY)
TRUST
(KEPERCAYAAN)
SATISFACTION
(KEPUASAN)
LOYALTY
(KESETIAAN)

22. Kelengkapan
Produk
Harga
Kompetitif
Pelayanan
Karyawan
Letak Toko
SATISFACTI
ON
(KEPUASAN
e5
e1
e4
e3
e2
𝐆𝐚𝐦𝐛𝐚𝐫 𝐞𝐫𝐫𝐨𝐫 𝐝𝐚𝐥𝐚𝐦 𝐬𝐞𝐛𝐮𝐚𝐡 𝐦𝐨𝐝𝐞𝐥 𝐩𝐞𝐧𝐞𝐥𝐢𝐭𝐢𝐚𝐧

23. 3. Hubungan antar variabel :
- dinyatakan dengan bentuk garis.
• Garis dengan anak panah satu arah ( ) :
hubungan yang dihipotesakan antara dua variabel,
variabel yang dituju anak panah : variabel dependen.
• Garis dengan anak panah 2 arah ( ) :
untuk menghubungkan dua variabel independent untuk
menguji ada tidaknya korelasi antara keduanya.

24. Bentuk Model dari SEM
1. Measurement Model adalah bagian dari model SEM menggambarkan
hubungan antara variabel laten/konstruk dan variabel manifest (indikator-indikator)
Trust
Citra
1
1
Care
1
Jujur
1
2. Structural Model :
menggambarkan hubungan antar variabel laten / konstruk .
Trust
Satis
faction
Loyalty

26. e1

27. e1 e2

32. Hubungan antar variable di dalam model SEM dapat dibagi menjadi 3
kategorial, yaitu
1. Efek langsung dua variable laten (direct effect),
terdapat anak panah satu arah yg mengubungkan dua variable,
Besarnya efek langsung ini diukur dengan koefisien struktur (structure coefficient)
2. Efek tidak langsung (indirect effect),
tidak terdapat anak panah satu arah langsung yg menghubungkan keduanya, akan tetapi variable
laten pertama mempengaruhi variabel laten kedua melalui satu variable atau lebih variable laten
lainnya.
Besarnya efek tidak langsung dihitung dengan perkalian koefisien variable laten yg terlibat dalam
hubungan tidak langsung tersebut.
3. Efek Total (total effect)
jumlah baik efek langsung dan atau efek tidak langsung yg menghubungkan kedua variable laten
tersebut

33. Mengapa Menggunakan SEM
Beberapa alasan menggunakan analisis SEM adalah sebagai berikut:
1. Model yang dianalisis bertingkat dan relatif rumit, sehingga akan sangat sulit untuk
diselesaikan dengan metode jalur analisis pada regresi linear.
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. Untuk jumlah sampel yang relatif besar (di atas 2000) terdapat metode asymtot
distribution free (ADF) yang tidak memerlukan asumsi normalitas pada data.
6. Peneliti dapat dengan mudah memodifikasi model dengan second order untuk
memperbaiki model yang telah disusun agar lebih layak secara statistik.

34. Kelebihan dan Kelemahan SEM
• Komprehensif
• Mengakomodasi model-model yang
kompleks
• Pemodelan variabel laten
• Sangat tergantung pada software
• Kompleks
• Terbatas pada hubungan linier
• Ukuran sampel besar
Kelebihan Kelemahan

35. Sebagai model yg komplek di dalam menganalisis hubungan antar variable, ada
beberapa tahap yg perlu dilakukan di dalam analisis model SEM yaitu:
1. Spesifikasi Model,
berkaitan dengan pembentukan hubungan antarvariabel dalam SEM. SEM bukan membangun
sebuah teori, maka spesifikasi model harus di dasarkan pd teori yg ada
2. Identifikasi,
menentukan apakah model sudah tepat atau masih ada kesalahan spesifikasi model. Jika
model sudah tepat, maka kita bisa mendapatkan parameter estimasi dari hubungan antar
variable di dalam SEM
3. Estimasi Model
metode estimasi yg biasa digunakan seperti maximum likelihood (ML) dan ordinary least squares
4. Uji Kelayakan Model dan Uji signifikansi,
jika model sudah layak, maka kita bias melakukan uji signifikansi hubungan antatr
variabel di dalam SEM
5. Respesifikasi model
jika model tidak layak, maka perlu kita melakukan respesifikasi model agar bisa mendapatkan
model yang layak