REFERENSI PENTING METODE SEM

SEBELUM 2001

1988 ANDERSON & GERBING Structural Equation Modeling in Practice: A Review and Recommended Two-Step Approach

1993 STEIGER Measures of Fit in Structural Equation Modeling: An Introduction

1995 HATCHER Latent-Variable, Structural Equation Modeling with PROC CALIS

1996 BROWN Assessing Specific Mediational Effects in Complex Theoretical Models

1997 BACON Using Amos for Structural Equation Modeling in Market Research

1998 HOX An Introduction to Structural Equation Modeling

1998 MACLEAN & GRAY Structural Equation Modeling in Market Research

1998 PEARL Graphs, Causality and Structural Equation Models

1998 SPIRTES ETAL Using Path Diagrams as a Structural Equation Modeling Tool

2000 OUD & FOLMER A Structural Equation Approach to Spatial Dependence Models

 

2001-2005

2001 LEE & SONG Hypothesis Testing and Model Comparison in Two-Level Structural Equation Models

2001 GONZALEZ & GRIFFIN Testing Parameters in Structural Equation Modeling: Every “One” Matters

2001 OLIVARES & BOCKENHOLT Structural Equation Modeling of Paired Comparison and Ranking Data using Mplus

2001 SUHR The Basics of Structural Equation Modeling

2003 OCZKOWSKI Two-Stage Least Squares (2SLS) and Structural Equation Models (SEM)

2003 NACHTIGALL (Why) Should We Use SEM? Pros and Cons of Structural Equation Modeling

2004 FOGUET ETAL Simultaneous Estimation of Indirect and Interaction Effects using Structural Equation Models

2004 OLIVARES Thurstone’s Case V Model: A Structural Equation Modeling Perspective

2004 HESKETH Generalized Multilevel Structural Equation Modeling

2005 SKRONDAL & HESKETH Structural Equation Modeling: Categorical Variables

2006-2010

2006 SCHREIBER ETAL Reporting Structural Equation Modeling and Confirmatory Factor Analysis Results: A Review

2007 MUELLER & HANCOCK Best Practices in Structural Equation Modeling

2007 BARRETT Structural Equation Modeling: Adjudging Model Fit

2007 TIAN Parameter Identification in a Class of Linear Structural Equation Models

2007 IACOBUCCI ETAL A Meditation on Mediation: Evidence That Structural Equation Models Perform Better Than Regressions

2007 LEI & WU Introduction to Structural Equation Modeling: Issues and Practical Considerations

2007 TIAN A Criterion for Parameter Identification in Structural Equation Models

2008 BRANCATO ETAL Modelling Survey Quality by Structural Equation Models

2008 YUNG Structural Equation Modeling and Path Analysis using PROC TCALIS in SAS

2008 TENENHAUS Structural Equation Modeling for Small Samples

2008 TENENHAUS Component-based Structural Equation Modeling

2008 HOOPER ETAL Structural Equation Modeling: Guidelines for Determining Model Fit

2008 HOE Issues and Procedures in Adopting Structural Equation Modeling Technique

2009 STEINBERG Context-Sensitive Data Fusion using Structural Equation Modeling

2009 ASPAROUHOV & MUTHEN Exploratory Structural Equation Modeling

2010 WESTLAND Lower Bounds on Sample Size in Structural Equation Modeling

2010 SILVA & GRAMACY Gaussian Process Structural Equation Models with Latent Variables

2011-2015

2011 INNAMI Reproduction of Structural Equation Models in Second Language Testing and Learning Research

2011 LEE An Application of Latent Variable Structural Equation Modeling for Experimental Research in Educational Technology

2011 FADLELMULA Assessing Power of Structural Equation Modeling Studies: A Meta-Analysis

2011 HOLTZMAN & VEZZU Confirmatory Factor Analysis and Structural Equation Modeling of Noncognitive Assessments using PROC CALIS

2011 SOROOSHIAN ETAL Bias of Structural Equation Modeling

2012 PANKHAM & KORNPETPANEE Linking Bayesian Networks and Bayesian Approach for Structural Equation Modeling

2012 ALAVIFAR ETAL Structural Equation Modeling vs Multiple Regression

2012 OKE ETAL Establishing a Common Ground for the Use of Structural Equation Modeling for Construction Related Research Studies

2012 DIJKSTRA & HENSELER Consistant and Asymptotically Normal PLS Estimators for Linear Structural Equations

2012 HAIR ETAL An Assessment of the Use of Partial Least Squares Structural Equation Modeling in Marketing Research

2012 GROENLAND & STALPERS Structural Equation Modeling: A Verbal Approach

2012 BOLLEN ETAL Issues in the Structural Equation Modeling of Complex Survey Data

2013 ZANELLA & CANTALUPPI Global Evaluation of Reliability for a Structural Equation Model with Latent Variables and Ordinal Observations

2013 HYVARINEN & SMITH Pairwise Likelihood Ratios for Estimation of Non-Gaussian Structural Equation Models

2013 BOLLEN & PEARL Eight Myths about Causality and Structural Equation Models

2013 [EBOOK] RUSYDIANA Structural Equation Modeling: Konsep, Aplikasi dan Tutorial

BUKU: Handbook of Structural Equation Modeling

The first comprehensive structural equation modeling (SEM) handbook, this accessible volume presents both the mechanics of SEM and specific SEM strategies and applications. The editor, contributors, and editorial advisory board are leading methodologists who have organized the book to move from simpler material to more statistically complex modeling approaches. 

Sections cover the foundations of SEM; statistical underpinnings, from assumptions to model modifications; steps in implementation, from data preparation through writing the SEM report; and basic and advanced applications, including new and emerging topics in SEM. Each chapter provides conceptually oriented descriptions, fully explicated analyses, and engaging examples that reveal modeling possibilities for use with readers' data. Many of the chapters also include access to data and syntax files at the companion website, allowing readers to try their hands at reproducing the authors' results.

BUKU: Principles and Practice of Structural Equation Modeling, Third Edition

This bestselling text provides a balance between the technical and practical aspects of structural equation modeling (SEM). Using clear and accessible language, Rex B. Kline covers core techniques, potential pitfalls, and applications across the behavioral and social sciences. Some more advanced topics are also covered, including estimation of interactive effects of latent variables and multilevel SEM. The companion Web page offers downloadable syntax, data, and output files for each detailed example for EQS, LISREL, and Mplus, allowing readers to view the results of the same analysis generated by three different computer tools.

 

New to This Edition

*Thoroughly revised and restructured to follow the phases of most SEM analyses.

*Syntax, data, and output files for all detailed research examples are now provided online.

*Chapter on computer tools.

*Exercises with answers, which support self-study.

*Topic boxes on specialized issues, such as dealing with problems in the analysis; the assessment of construct measurement reliability; and more.

*Updated coverage of a more rigorous approach to hypothesis and model testing; the evaluation of measurement invariance; and more.
*”Troublesome” examples have been added to provide a context for discussing how to handle various problems that can crop up in SEM analyses.

SMART LIBRARY: Koleksi 50 + Buku Metodologi Penelitian

Aplikasi Teknik Pengambilan Keputusan dalam Manajemen Rantai Pasok; Teori dan Aplikasi Sistem Pakar dalam Teknologi Manajerial; SEM dengan Lisrel 8.8, Konsep & Tutorial; Riset Pemasaran; Metode Penelitian Kombinasi (Mixed Methods); Analisis Ekonometrika & Statistika dengan Eviews (Ed 2), Riset Bisnis dengan Analisis Jalur SPSS; Pemodelan Sumber Daya Perikanan dan Kelautan; Konsep Dasar Riset Pemasaran & Perilaku Konsumen;

Analisis Sistem Dinamis, Lingkungan Hidup, Sosial, Ekonomi, Manajemen; Konsep dan Aplikasi SEM berbasis Varian dalam Penelitian Bisnis; Metode Riset Kualitatif dalam PR & Marketing Communication; Analisis SWOT Teknik Membedah Kasus Bisnis; An Introduction to DEA, A Tool for Performance Measurement; Statistika untuk Penelitian; Riset Pemasaran dan Konsumen; Analisis Input Output; Marketing Research;

Penelitian Bisnis Paradigma Kuantitatif; Teknik dan Aplikasi Pengambilan Keputusan Kriteria Majemuk; SPSS Statistik Parametrik; Riset Eksperimen dengan Excel 2007 dan Minitab 15; Buku Pintar Minitab 15; Olah Data Skripsi dan Penelitian dengan SPSS 19; Metodologi Penelitian Ekonomi Islam; Analytic Hierarchy Process; Buku Saku SPSS, Analisis Statistik Data; Decision Making with The ANP, Economic, Political, Social & Technological Application with BOCR;

 

Analytical Network Process, Pengantar Teori dan Aplikasi; Mengukur Tingkat Efisiensi dengan DEA; Aplikasi Metode VAR dalam Riset Ekonomi Keuangan Islam; Structural Equation Modeling, Konsep Aplikasi dan Tutorial; Measuring Customer Satisfaction; BSC dan Key Performance Indicators; Sistem Manajemen kinerja Terintegrasi BSC dengan Six Sigma; The Executive Guide to Implementing Lean Six Sigma; Organizational Excellence;

Step by Step in Cascading BSC to Functional Scorecards; Aplikasi SPSS dalam Penelitian; SEM, Konsep dan Aplikasi dengan AMOS 18; SWOT Balanced Scorecard; Marketing Strategy & Competitive Positioning, Mengukur STP menggunakan SPSS; Problem Solving & Decision Making for Improvement; Metode Riset Online: Teori, Praktik dan Pembuatan Aplikasi; 5 Jam Belajar Olah Data dengan SPSS 17; Metode Penelitian Kuantitatif, Kualitatif dan R&D; Memahami Penelitian Kualitatif; Metode Statistik Deskriptif; dan Aplikasi SPSS dalam Quick Count.

BUKU: Longitudinal Structural Equation Modeling

Featuring actual datasets as illustrative examples, this book reveals numerous ways to apply structural equation modeling (SEM) to any repeated-measures study. Initial chapters lay the groundwork for modeling a longitudinal change process, from measurement, design, and specification issues to model evaluation and interpretation. 

Covering both big-picture ideas and technical "how-to-do-it" details, the author deftly walks through when and how to use longitudinal confirmatory factor analysis, longitudinal panel models (including the multiple-group case), multilevel models, growth curve models, and complex factor models, as well as models for mediation and moderation. 

User-friendly features include equation boxes that clearly explain the elements in every equation, end-of-chapter glossaries, and annotated suggestions for further reading. The companion website (www.guilford.com/little-materials) provides datasets for all of the examples--which include studies of bullying, adolescent students' emotions, and healthy aging--with syntax and output from LISREL, Mplus, and R (lavaan).

BUKU: Structural Equation Modeling With Lisrel, Prelis, and Simplis: Basic Concepts, Applications, and Programming

This book illustrates the ease with which various features of LISREL 8 and PRELIS 2 can be implemented in addressing research questions that lend themselves to SEM. Its purpose is threefold: (a) to present a nonmathmatical introduction to basic concepts associated with SEM, (b) to demonstrate basic applications of SEM using both the DOS and Windows versions of LISREL 8, as well as both the LISREL and SIMPLIS lexicons, and (c) to highlight particular features of the LISREL 8 and PRELIS 2 progams that address important caveats related to SEM analyses.

This book is intended neither as a text on the topic of SEM, nor as a comprehensive review of the many statistical funcitons available in the LISREL 8 and PRELIS 2 programs. Rather, the intent is to provide a practical guide to SEM using the LISREL approach. As such, the reader is "walked through" a diversity of SEM applications that include both factor analytic and full latent variable models, as well as a variety of data management procedures.

Uji Fit Model pada SEM

Fit model adalah rasio atau koefisien yang digunakan untuk menguji apakah model SEM yang dibentuk dapat digunakan untuk estimasi ( jika untuk uji hipotesis aja maka melihat probabilitasnyanya aja sudah cukup). ada banyak sekali koefisien untuk digunakan dalam pengujian model fit, namun yang penting adalah :

CHI-SQUARE (syarat : probabilitas > 5 %)
RMSEA ( syarat : < 0.08)
GFI ( syarat : > 0.9)
AGFI (syarat : > 0.9)
CMIN/DF ( syarat : < 2)
TLI ( syarat: > 0.95)
CFI (syarat: > 0.95)

Lalu bagaimana jika model awal tidak memenuhi fit model ?
Jawabannya adalah buat model revisinya yaitu :
1. menghilangkan hubungan yang tidak signifikan dalam model
2. melakukan korelasi antara varianse atau antar variabel 

Beberapa Kekurangan SEM

SEM mengsyaratkan jumlah sampel yang cukup besar 100-200 (minimal), jika sampel dibawah 100 maka disarankan menggunakan software PLS (partial least square). beda PLS dan SEM adalah PLS menggunakan asumsi distribusi data yang tidak normal sedangkan SEM dengan asumsi distribusi data yang normal.

SEM membutuhkan banyak jurnal karena semakin banyak hipotesis maka semakin banyak jurnal yang dibutuhkan

SEM sebaiknya digunakan untuk variabel variabel yang berbasis data pada "persepsi" seperti MSDM atau marketing atau sumber data primer dengan kuestionare (namun minimal skala data intervel). Variabel unobserved adalah variabel yang pengukurannya menggunakan indikator (lebih dari 1 indikator), namun untuk SEM sebaiknya indikator > 3. Variabel unobserved biasanya disebut : latent variabel. Untuk variabel observed sebaiknya menggunakan model path analysis (sama dengan model SEM, hanya tidak menggunakan indikator pada variabelnya). Variabel observed biasanya disebut : manifest atau proxy, biasanya digunakan pada penelitian yang menggunakan sumber data sekunder dengan skala data rasio.

Logika Pemodelan SEM

SEM merupakan suatu perluasan (extension) dari beberapa tehnik multivariate, khususnya regresi berganda dan analisis faktor. (Hair, dkk, 1992 : 426). Defenisi yang relatif sama adalah bahwa SEM : “tidak lebih “ dan “tidak kurang” dari path analytical model dengan “latent variables”. SEM = Path Anaysis + latent variables (Confirmatory factor analysis) (Mueller, 1996:129).

Jadi SEM dapat didefenisikan sebagai tehnik analisis multivariate yang menganalisis hubungan yang melibatkan variabel intervening.

Pertanyaan yang sering muncul adalah mengapa kita menggunakan SEM ? regresi saja udah cukup ! salah satu kelebihan SEM adalah melibatkan variabel intervening (variabel antara). Konsep intervening tidak sama dengan variabel moderating (walaupun ada beberapa tulisan yang menggunakan kedua istilah ini bergantian atau memiliki makna yang sama). 

Variabel intervening tidak sama dengan moderating. Variabel moderating biasanya disebut variabel kontrol, yaitu variabel yang "disisipkan" dalam model untuk melihat dampak variabel itu dalam suatu hubungan antara variabel Y dan X. jadi sifat variabel moderating ini tidak kuat (tidak ditunjang teori dan penelitian terdahulu yang kuat). 

Variabel moderating hanya berfungsi sebagai "variabel kontrol" atas suatu model hubungan. Sehingga untuk menganalisis peranan atau fungsi kontrol dari variabel moderating, biasanya digunakan analisis regresi berganda saja atau 2 or 3 SLS (stage least square). Sedangkan variabel intervening adalah variabel yang relatif stabil dalam suatu model karena telah didukung oleh teori dan penelitian terdahulu yang kuat. 

Dalam model SEM, kontribusi variabel intervning dapat dilihat pada koefisien "indirect effect" atau pengaruh tidak langsung, yang nantinya akan dibandingkan dengan "direct effect" untuk melihat posisi variabel intervening apakah menguatkan atau melemahkan hubungan dalam model tersebut.

Disamping itu, filosopi dasar dari model SEM adalah setiap model SEM didasari pada logika model : IPO (input-proses-output). artinya : variabel endogeneousnya adalah input, variabel endogeneous intervening adalah proses dan endogeneous dependent adalah outputnya. contoh : pengaruh kualitas layanan terhadap loyalitas. model ini belum sempurna karena kualitas layanan secara proses harus pertama tama mempengaruhi "kepuasan" baru ke loyalitas.

PLS dan SEM

• Structural Equation Model (SEM) adalah covariance based, sedangkan Partial Least Square (PLS) adalah component based
• Kapan saat membutuhkan SEM dengan PLS (selanjutnya kita sebut dengan PLS saja)?
  • Model penelitian mengindikasikan lebih dari satu var dependen
  • Data tidak bersifat multivariate normal
  • Sampel kecil atau jumlah cases terbatas
  • Model penelitian melibatkan item formatif dan item refleksif sekaligus.
• Kelebihan PLS adalah kemampuannya memetakan seluruh jalur ke banyak variabel dependen dalam satu model penelitian yang sama dan menganalisis semua jalur dalam model struktural secara simultan. (Fornell and Bookstein, 1982; Barclay, Higgins, and Thompson, 1995; Gefen, Straub, and Boudreau, 2000). Kelebihan lainnya adalah hanya memerlukan sedikit cases daripada SEM (Chin and Newsted, 1999; Gefen, Straub, and Boudreau, 2000).
• Dalam PLS data tidak perlu memenuhi asumsi multivariate normal.
• Analisis SEM mengasumsikan seluruh item/indikator adalah reflektif. Sedangkan PLS bisa reflektif dan formatif.
•  

Reflektif:

Formatif:

• Chin (1998a) menyarankan untuk membedakan apakah suatu item formatif atau tidak dengan mengajukan pertanyaan berikut: apakah perubahan pada satu item akan menimbulkan perubahan dengan arah yang sama pada item lainnya? Jika jawabannya tidak berarti kelompok item tersebut formatif.
• Penggunaan item formatif dalam SEM bisa mengakibatkan permasalahan serius terkait validitas hasil dan konklusinya. Chin (1998a) mengatakan:”… semua item harus reflektif agar konsisten dengan algoritma statistiknya yang mengasumsikan bahwa korelasi diantara indikator dalam satu Laten Variabel (LV) disebabkan oleh LV tersebut.
• Prosedur analisis data pada SEM-PLS bisa dijelaskan sebagai berikut:
  “At the measurement model level, PLS estimates items loading and covariance. At the structural level, PLS estimates path coefficients and correlation among Latent Variables, together with individual R² and AVE (Average Variance Extracted) of each of the latent constructs. T-values of both path and loadings are then calculated using either jackknife or a bootstrap method. Good model fit is established with significant path coefficients, acceptably high R² and internal consistency (construct reliability) being above 0.70 for each construct” (Gefen, Straub, and Boudreau, 2000).
• Barclay et al. (1995) menyarankan bahwa model PLS dianalisis dan diinterpretasikan dalam dua langkah berurutan berikut: pertama, menilai validitas dan reliabilitas model pengukuran (hubungan dari indikator ke laten variabel), kedua lalu menilai model strukturalnya.
• Cross Validation diperlukan dalam rangka menguji seberapa baik solusi yang diperoleh dari fitting model terhadap suatu sampel juga akan sesuai untuk sampel independen lainnya dari populasi yang sama (Chin and Todd, 1995).
• Statistik dari measurement model yang penting yaitu: item reliability, internal consistency, Average Variance Extracted (AVE), square root of AVE, and cross-loadings (Barclay, Higgins, and Thompson, 1995). Tiga uji pertama dikenal sebagai validitas konvergensi (Fornell and Larcker, 1981) dan dua uji terakhir dikenal sebagai validitas diskriminan (Barclay, Higgins, and Thompson, 1995).
• Evaluasi model yang biasa digunakan dalam PLS adalah R-kuadrat, bootstapping/jackknifing, composite reliability, AVE dan cross-loadings.
• R-kuadrat, sebagaimana pada analisis regresi berganda biasa, berfungsi untuk mengetahui seberapa besar variansi dalam construct dapat dijelaskan oleh model.
• Bootstrapping atau alternatifnya, jackknifing, digunakan untuk menilai signifikansi statistik dari loadings dan koefisien structural path. Penggunaan tekhnik ini karena mengacu pada data yang digunakan yang tidak mengasumsikan harus multivariate normal.

[SMART Book] SEM: Konsep, Aplikasi dan Tutorial

Structural Equation Modeling: Konsep, Aplikasi dan Tutorial [SMART Publishing]

BUKU: A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM)

A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), by Hair, Hult, Ringle, and Sarstedt, provides a concise yet very practical guide to understanding and using PLS structural equation modeling (PLS-SEM). PLS-SEM is evolving as a statistical modeling technique and its use has increased exponentially in recent years within a variety of disciplines, due to the recognition that PLS-SEM’s distinctive methodological features make it a viable alternative to the more popular covariance-based SEM approach. 

This text—the only comprehensive book available to explain the fundamental aspects of the method—includes extensive examples on SmartPLS software, and is accompanied by multiple data sets that are available for download from the accompanying website (www.pls-sem.com).

Langkah-Langkah dalam Pemodelan SEM

Dalam membuat permodelan SEM perlu dilakukan langkah-langkah berikut ini:

1.      Pengembangan model teoritis

Langkah pertama yang harus dilakukan dalam mengembangkan model SEM adalah mengembangkan sebuah model penelitian dengan dukungan teori yang kuat melalui berbagai telaah pustaka dari sumber-sumber ilmiah yang berhubungan dengan model yang dikembangkan. Tanpa dasar teoritis yang kuat, SEM tidak bisa digunakan. SEM tidak digunakan untuk mempengaruhi sebuah teori kausalitas yang sudah ada teorinya, karena dengan pengembangan sebuah teori yang berjustifikasi ilmiah merupakan syarat utama dalam menggunakan model SEM

2.      Pengembangan diagram alur (path diagram) untuk menunjukkan hubungan kausalitas (sebab akibat). Model penelitian yang telah dibangun pada tahap pertama akan digambarkan pada sebuah path diagram yang akan mempermudah untuk melihat hubungan-hubungan kausalitas yang akan diuji. Dalam path diagram hubungan antar konstruk akan dinyatakan melalui anak panah. Anak panah yang lurus menunjukkan sebuah hubungan kausal yang langsung antar satu konstruk dengan konstruk yang lainnya. Sedangkan garis lengkung antar konstruk dengan anak panah pada setiap ujungnya menunjukkan korelasi. Konstruk-konstruk dalam path diagram dapat dibedakan menjadi dua kelompok, yaitu:

·         Konstruk Eksogen (exogenous construct), dikenal dengan source variable atau independent variable yang tidak diprediksi oleh variabel-variabel yang lain yang terdapat dalam model. Konstruk eksogen adalah konstruk yang dituju oleh garis dengan satu ujung anak panah.

·         Konstruk Endogen (endogenous construct) yang merupakan faktor-faktor yang diprediksi oleh satu atau beberapa konstruk. Konstruk endogen dapat memprediksi satu atau beberapa kosntruk endogen lainnya, tetapi konstruk endogen hanya dapat berhubungan kausal dengan konstruk endogen.

3.      Persamaan spesifikasi model pengukuran, yaitu menentukan variabel mana mengukur konstruk mana, serta menentukan serangkaian matriks yang menunjukkan korelasi yang dihipotesakan antar konstruk dan variabel. Komponen-komponen ukuran mengidentifikasikan variabel laten dan komponen-komponen structural untuk mengevaluasi hipotesis hubungan kausal. Antara variabel laten pada model kausal dan menunjukkan sebuah pengujian seluruh hipotesis dari sebuah model sebagai suatu keseluruhan. 

4.      Pemilihan matrik input dan teknik estimasi

SEM menggunakan input data yang hanya menggunakan matriks/kovarian atau matrik korelasi untuk keseluruhan estimasi yang dilakukan. Matrik kovarian digunakan karena memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi yang berbeda atau sampel yang berbeda dan tidak dapat disajikan oleh korelasi. (Hair et al., dalam Ferdinand 2006)  menganjurkan bahwa jumlah sampel yang sesuai adalah berkisar antara 100 sampai dengan 200 responden, sedangkan ukuran sampel minimum adalah sebanyak 5 responden per estimasi parameter. 

5.      Menilai problem identifikasi

Problem identifikasi pada dasarnya merupakan problem mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unit. Salah satu solusi untuk problem identifikasi ini adalah dengan memberikan lebih banyak konstrain pada model yang dianalisis dan ini berarti mengeliminasi jumlah estimated coefficient. Oleh karena itu sangat disarankan bila setiap kali estimasi dilakukan muncul problem identifikasi, maka sebaiknya model dipertimbangkan ulang antara lain dengan mengembangkan lebih banyak model konstruk.

6.      Evaluasi kriteria goodness of fit

Pada tahap ini dilakukan pengujian terhadap berbagai kriteria goodness of fit, setelah dipastikan bahwa data yang digunakan sudah memenuhi asumsi-asumsi SEM.

Setelah melakukan uji kesesuaian dan uji statistic, beberapa indeks kesesuaian dan cut-off value yang umumnya digunakan untuk menguji apakah sebuah model akan diterima atau ditolak, yaitu (Wijanto, 2008):

a.       Statistic Chi-Square (χ²)

Mengikuti uji statistic yang berkaitan dengan persyaratan signifikan. Semakin kecil semakin baik.

b.      Root Mean Square Error of Approximation

Rata-rata perbedaan per degree yang diharapkan terjadi dalam populasi dan bukan dalam sampel. RMSEA ≤0.08 adalah good fit, sedang RMSEA < 0.05 adalah close fit.

c.       Goodness-of-Fit Index (GFI)

Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI ≥ 0.90 adalah good fit, sedang 0.80 ≤ GFI < 0.90 adalah marginal fit.

d.      Adjusted Goodness of Fit Index (AGFI)

Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. AGFI ≥ 0.90 adalah good fit, sedang 0.80 ≤ AGFI < 0.90 adalah marginal fit.

e.       Tucker-Lewis Index atau Non-Normed Fit Index (TLI atau NNFI)

Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. TLI ≥ 0.90 adalah good fit, sedang 0.80 ≤TLI < 0.90 adalah marginal fit.

f.       Comparative Fit Index (CFI)

Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. CFI ≥ 0.90 adalah good fit, sedang 0.80 ≤ CFI < 0.90 adalah marginal fit.

7.      Interpretasi model

Langkah terkahir adalah menginterpretasikan model solusi standard, yaitu melihat besarnya pengaruh atau kontribusi variabel indikator terhadap variabel laten dan besarnya pengaruh antar variabel laten.