Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

S.E.M. STRUCTURAL EQUATION MODELING Oleh: Soemarno PSDL.PDKL.PPSUB.2013 S.E.M. STRUCTURAL EQUATION MODELING Oleh: Soemarno PSDL.PDKL.PPSUB.2013 MK. METODE.

Presentasi serupa


Presentasi berjudul: "S.E.M. STRUCTURAL EQUATION MODELING Oleh: Soemarno PSDL.PDKL.PPSUB.2013 S.E.M. STRUCTURAL EQUATION MODELING Oleh: Soemarno PSDL.PDKL.PPSUB.2013 MK. METODE."— Transcript presentasi:

1 S.E.M. STRUCTURAL EQUATION MODELING Oleh: Soemarno PSDL.PDKL.PPSUB.2013 S.E.M. STRUCTURAL EQUATION MODELING Oleh: Soemarno PSDL.PDKL.PPSUB.2013 MK. METODE PENELITIAN DALAM KAJIAN LINGKUNGAN

2 S.E.M. = Structural Equation Modelling LISREL = Linear Structural Relations SEM = Simultaneous Equation Model S.E.M. = Structural Equation Modelling LISREL = Linear Structural Relations SEM = Simultaneous Equation Model SEM: mrp pendekatan terintegrasi antara : ANALISIS FAKTOR (Factor Analysis) SISTEM PERSAMAAN SIMULTAN (Model Struktural) SIDIK LINTAS (Path Analysis) SEM: mrp pendekatan terintegrasi antara : ANALISIS FAKTOR (Factor Analysis) SISTEM PERSAMAAN SIMULTAN (Model Struktural) SIDIK LINTAS (Path Analysis) S.E.M.= pendekatan terintegrasi antara: Analisis data empirik, dan Pengembangan konsep teoritik S.E.M.= pendekatan terintegrasi antara: Analisis data empirik, dan Pengembangan konsep teoritik S.E.M. : tiga macam analisis sekaligus, yaitu: 1. Uji validitas dan reliabilitas instrumen 2. Uji model hubungan antar variabel & jalurnya 3. Mendapatkan model untuk prakiraan/ estimasi /ekstrapolasi S.E.M. : tiga macam analisis sekaligus, yaitu: 1. Uji validitas dan reliabilitas instrumen 2. Uji model hubungan antar variabel & jalurnya 3. Mendapatkan model untuk prakiraan/ estimasi /ekstrapolasi

3 Factors Analysis Modelling X1 Xi dan Yi : Variabel atau Faktor Ksi : variabel laten X Eta: variabel laten Y Segi-empat : Variabel manifest, indikator, observable variable Bulatan oval : Variabel laten, dimensi, construct variable Xi dan Yi : Variabel atau Faktor Ksi : variabel laten X Eta: variabel laten Y Segi-empat : Variabel manifest, indikator, observable variable Bulatan oval : Variabel laten, dimensi, construct variable X2 X3 X4 X5 X8 X6 X7 Ksi 1 Ksi 3 Ksi 2 Eta 2 Eta 1 Y1 Y2 Y3 Y4

4 Structural Equation Modelling X1 Analisis faktor Variabel Eksogen X2 X3 X4 X5 X8 X6 X7 Ksi 1 Ksi 3 Ksi 2 Eta 2 Eta 1 Y1 Y2 Y3 Y4 Analisis faktor Variabel Endogen Analisis Regresi Analisis Jalur Path Analysis

5 NOTASI dalam S.E.M. X1  : Ksi, variabel laten X  : Eta, variabel laten Y  : delta, galat pengukuran variabel laten X  : epsilon, galat pengukuran variabel laten Y  : koefisien pengaruh variabel endogen thd variabel endogen lainnya  : koefisien pengaruh variabel eksogen thd variabel endogen : loading factor  : Zeta, galat model  : Psi, peragam antar galat model  : Ksi, variabel laten X  : Eta, variabel laten Y  : delta, galat pengukuran variabel laten X  : epsilon, galat pengukuran variabel laten Y  : koefisien pengaruh variabel endogen thd variabel endogen lainnya  : koefisien pengaruh variabel eksogen thd variabel endogen : loading factor  : Zeta, galat model  : Psi, peragam antar galat model X2 X3 X4 X5 X8 X6 X7 Ksi 1 Ksi 3 Ksi 2 Eta 2 Eta 1 Y1 Y2 Y3 11 77 44 1 11 11 22 33 11 11 1 11 11 11  12 11 11  23

6 S.E.M. vs. SIDIK LINTAS (Path Analysis) Tujuan SEM adalah mendapatkan model struktural yang dapat digunakan untuk keperluan prediksi. Dalam hal ini, SEM setara dengan REGRESI. Tujuan SEM adalah mendapatkan model struktural yang dapat digunakan untuk keperluan prediksi. Dalam hal ini, SEM setara dengan REGRESI. SEM juga dapat untuk menguji pengaruh (langsung dan tidak langsung) variabel bebas terhadap variabel tidak-bebas, menentukan variabel dominan, dan jalur-jalur keterkaitan antar variabel. Dalam hal ini, SEM setara dengan SIDIK LINTAS SEM juga dapat untuk menguji pengaruh (langsung dan tidak langsung) variabel bebas terhadap variabel tidak-bebas, menentukan variabel dominan, dan jalur-jalur keterkaitan antar variabel. Dalam hal ini, SEM setara dengan SIDIK LINTAS Keunggulan SEM. 1. SEM dapat menguji hubungan kausalita, validitas dan reliabilitas 2. SEM dapat diterapkan untuk Model rekursif dan Resiprokal 3. SEM input datanya dapat berupa data mentah 4. SEM outputnya berupa faktor determinan, model struktural dan model pengukuran Keunggulan SEM. 1. SEM dapat menguji hubungan kausalita, validitas dan reliabilitas 2. SEM dapat diterapkan untuk Model rekursif dan Resiprokal 3. SEM input datanya dapat berupa data mentah 4. SEM outputnya berupa faktor determinan, model struktural dan model pengukuran

7 Langkah-langkah S.E.M. Pengembangan Model Konsep & Teori Konstruksi Diagram Lintasan Konversi Diagram Lintasan menjadi Model Struktural Memilih Matriks Input Menilai Masalah Identifikasi Evaluasi Goodness of fit Interpretasi dan Modifikasi Model

8 Pengembangan Model Konsep & Teori Model Hipotetik = Model Konseptual = Model Teoritis Hubungan kausalita sebab-akibat antara variabel eksogen (variabel bebas, independent) dan variabel endogen (variabel tergantung, variabel dependent) Dengan demikian landasan teorinya harus kuat untuk dapat menjelaskan Model Hipotetik tersebut Salah satu aspek kritis dalam hal ini adalah “Spesifikasi variabel”, terutama variabel prediktif Model Hipotetik = Model Konseptual = Model Teoritis Hubungan kausalita sebab-akibat antara variabel eksogen (variabel bebas, independent) dan variabel endogen (variabel tergantung, variabel dependent) Dengan demikian landasan teorinya harus kuat untuk dapat menjelaskan Model Hipotetik tersebut Salah satu aspek kritis dalam hal ini adalah “Spesifikasi variabel”, terutama variabel prediktif Untuk kepentingan praktis analisis data dan interpretasinya, maka seyogyanya banyaknya variabel tidak lebih dari 20.

9 KONSTRUKSI DIAGRAM LINTASAN Path diagram KONSTRUKSI DIAGRAM LINTASAN Path diagram Diagram ini sangat bermanfaat untuk menunjukkan alur- alur (lintasan) kausalita antar variabel yang secara teoritis layak Hubungan kausalita : Simbol panah satu arah Hubungan korelasional : Simbol panah bolak-balik Diagram ini sangat bermanfaat untuk menunjukkan alur- alur (lintasan) kausalita antar variabel yang secara teoritis layak Hubungan kausalita : Simbol panah satu arah Hubungan korelasional : Simbol panah bolak-balik X1i X2i X3i Y1i Y2i X1: Unobservable variabel Variabel manifes, variabel terukur X1.1 X1.2 X1.3 X1….

10 KONSTRUKSI DIAGRAM LINTASAN Path diagram KONSTRUKSI DIAGRAM LINTASAN Path diagram X1 X2 X3 Y1 Y2 X1.1 X1.2 X2.1 X2.2 X3.1 X3.2 X3.3 Y2.1 Y2.2 Y1.1         

11 KONVERSI menjadi MODEL STRUKTURAL X1 X2 X3 Y1 Y2 X1.1 X1.2 X2.1 X2.2 X3.1 X3.2 X3.3 Y2.1 Y2.2 Y1.1 11 11 11 1 33 11 11 11  1.2  1 =  2.  2 +  1.  1 +  1  2 =  1.  1 +  2.  2 +  3.  3 +  2 X1.1 = 1.  1 +  1 X1.2 = 2.  1 +  2 …. Dst. 22 22 22 3 22 33 22 22 22 33 44 55 66 77

12 MEMILIH MATRIKS INPUT Input data untuk SEM dapat berupa: 1. Matriks korelasi, atau 2. Matriks peragam, kovarians Input data untuk SEM dapat berupa: 1. Matriks korelasi, atau 2. Matriks peragam, kovarians Matriks Peragam, digunakan kalau: 1. Tujuannya menguji model hipotetik yang secarateoritis sudah layak 2. Serupa dengan analisis regresi 3. Model yang diperoleh dapat digunakan untuk prediksi 4. Model yg diperoleh dapat untuk menjelaskan fenomena yang dikaji 5. …. Matriks Peragam, digunakan kalau: 1. Tujuannya menguji model hipotetik yang secarateoritis sudah layak 2. Serupa dengan analisis regresi 3. Model yang diperoleh dapat digunakan untuk prediksi 4. Model yg diperoleh dapat untuk menjelaskan fenomena yang dikaji 5. …. Matriks korelasi, digunakan kalau: 1. Tujuannya ingin membuktikan hubungan kausalita antar variabel 2. Lintasan mana saja yang pengaruhnya dominan 3. Variabel eksogen mana saja yang pengaruhnya dominan terhadap variabel endogen Matriks korelasi, digunakan kalau: 1. Tujuannya ingin membuktikan hubungan kausalita antar variabel 2. Lintasan mana saja yang pengaruhnya dominan 3. Variabel eksogen mana saja yang pengaruhnya dominan terhadap variabel endogen 4....

13 PROBLEMATIK IDENTIFIKASI Problematik pendugaan parameter: 1. Un-identified atau under identified 2. Over identified Problematik pendugaan parameter: 1. Un-identified atau under identified 2. Over identified Cara mengatasinya: 1. Landasan teori yang digunakan untuk menyusun Model Hipotetik harus benar-benar ‘bagus” 2. Menambah atau mengurangi variabel laten, disesuaikan dengan landasan teorinya 3. Iterasi dalam pendugaan model dengan menetapkan “kendala” pada model, misalnya salah satu atau beberapa parameter model dianggap “fixed” Cara mengatasinya: 1. Landasan teori yang digunakan untuk menyusun Model Hipotetik harus benar-benar ‘bagus” 2. Menambah atau mengurangi variabel laten, disesuaikan dengan landasan teorinya 3. Iterasi dalam pendugaan model dengan menetapkan “kendala” pada model, misalnya salah satu atau beberapa parameter model dianggap “fixed” Gejala yg muncul akibat dari adanya “masalah identifikasi”: 1. Adanya standard error yang terlalu besar 2. Matriks informasi tidak dapat disajikan sbgm mestinya 3. Nilai penduga parameter tidak dapat diperoleh 4. Muncul angka (nilai) yang aneh 5. Adanya koefisien korelasi yg tinggi (> 0.9) antar koefisien hasil pendugaan Gejala yg muncul akibat dari adanya “masalah identifikasi”: 1. Adanya standard error yang terlalu besar 2. Matriks informasi tidak dapat disajikan sbgm mestinya 3. Nilai penduga parameter tidak dapat diperoleh 4. Muncul angka (nilai) yang aneh 5. Adanya koefisien korelasi yg tinggi (> 0.9) antar koefisien hasil pendugaan

14 EVALUASI GOODNESS - OF - FIT Asumsi-asumsi SEM: 1. Asumsi yang berkaitan dengan model 2. Asumsi yang berkaitan dengan pendugaan parameter & pengujian hipotesis Asumsi-asumsi SEM: 1. Asumsi yang berkaitan dengan model 2. Asumsi yang berkaitan dengan pendugaan parameter & pengujian hipotesis Asumsi Pendugaan parameter & Uji hipotesis: 1. Random sampling 2. Tidak boleh ada missing data 3. Tidak ada data pencilan, outliers 4. Untuk pendugaan parameter, jumlah sampel minimum 100 Asumsi Pendugaan parameter & Uji hipotesis: 1. Random sampling 2. Tidak boleh ada missing data 3. Tidak ada data pencilan, outliers 4. Untuk pendugaan parameter, jumlah sampel minimum 100 Asumsi yang berkaitan dengan model: 1. Semua hubungan berbentuk linier (Lihat diagram pencarnya) 2. Model bersifat adetif, sesuai dengan landasan teorinya Asumsi yang berkaitan dengan model: 1. Semua hubungan berbentuk linier (Lihat diagram pencarnya) 2. Model bersifat adetif, sesuai dengan landasan teorinya

15 TAHAPAN UJI GOODNESS OF FIT A. Uji Parameter, dengan t-test: 1. Parameter Lamda: validitas instrument 2. Parameter Delta dan Epsilon: Reliabilitas instrumen 3. Parameter Beta dan Gama, dan lainnya A. Uji Parameter, dengan t-test: 1. Parameter Lamda: validitas instrument 2. Parameter Delta dan Epsilon: Reliabilitas instrumen 3. Parameter Beta dan Gama, dan lainnya 4. Uji Model Pengukuran Uji validitas ……… koefisien korelasi Uji reliabilitas ……….. Nilai error 4. Uji Model Pengukuran Uji validitas ……… koefisien korelasi Uji reliabilitas ……….. Nilai error 2. Uji Keseluruhan Model Model ini merupakan integrasi antara model struktural dan model pengukuran 2. Uji Keseluruhan Model Model ini merupakan integrasi antara model struktural dan model pengukuran 3. Uji Model Struktural Menggunakan uji koefisien determinasi, seperti model regresi 3. Uji Model Struktural Menggunakan uji koefisien determinasi, seperti model regresi

16 Kriteria uji goodness of fit : Model Overall Goodness of fit Cut-offKeterangan Chi-squareNon-signifikanDipakai untuk n = , Model yg baik bila nilai Chi-square tidak jauh berbeda dg derajat bebasnya RMRKecilDipakai untuk n besar RMSEA< 0.08Dipakai untuk n besar GFI> 0.90Mirip dengan koef. determinasi R 2 AGFI>0.90 Mirip dgn R 2 adjusted CFI>0.94Tdk sensitif thd besar sampel AICKecilBila model lebihdari satu, pilihlah yg nilainya kecil

17 INTERPRETASI & MODIFIKASI MODEL Bilamana Model telah dianggap baik, selanjutnya adalah interpretasi, apabila model belum baik perlu modifikasi Modifikasi Model: Menambah atau mengurangi “Lintasan” yang dianggap layak secara teoritis. Bilamana Model telah dianggap baik, selanjutnya adalah interpretasi, apabila model belum baik perlu modifikasi Modifikasi Model: Menambah atau mengurangi “Lintasan” yang dianggap layak secara teoritis. INTERPRETASI MODEL: 1. Model Struktural: Interpretasi terhadap fenomena yg sedang dikaji, dan melakukan prediksi 2. Analisis Lintasan: 1. Efek langsung 2. Efek tidak langsung 3. Total efek 4. Faktor dominan 5. Kausalitas antar variabel. INTERPRETASI MODEL: 1. Model Struktural: Interpretasi terhadap fenomena yg sedang dikaji, dan melakukan prediksi 2. Analisis Lintasan: 1. Efek langsung 2. Efek tidak langsung 3. Total efek 4. Faktor dominan 5. Kausalitas antar variabel.

18 SAMPLE SIZE Dalam SEM, Parameter yang diduga:. 1. Parameter pada Model Pengukuran 2. Parameter pengaruh variabel eksogen thd variabel endogen 3. Parameter pengaruh antar variabel endogen 4. Parameter korelasi antar variabel eksogen 5. Parameter error. Dalam SEM, Parameter yang diduga:. 1. Parameter pada Model Pengukuran 2. Parameter pengaruh variabel eksogen thd variabel endogen 3. Parameter pengaruh antar variabel endogen 4. Parameter korelasi antar variabel eksogen 5. Parameter error. Sampel untuk LISREL 1. Sampel untuk program LISREL > Sample size 10 x banyaknya variabel 3. Banyaknya sampel minimum 10 x banyaknya parameter yang ada dalam model Sampel untuk LISREL 1. Sampel untuk program LISREL > Sample size 10 x banyaknya variabel 3. Banyaknya sampel minimum 10 x banyaknya parameter yang ada dalam model Penentuan besarnya sampel: 1. Kalau pendugaan dg metode Maximum likelihood,maka sampel , minimum absolut Jumlah sampel = 5-10 kali banyaknya parameter 3. Jumlah sampel = 5-10 kali jumlah variabel manifest dari keseluruhan variabel laten Penentuan besarnya sampel: 1. Kalau pendugaan dg metode Maximum likelihood,maka sampel , minimum absolut Jumlah sampel = 5-10 kali banyaknya parameter 3. Jumlah sampel = 5-10 kali jumlah variabel manifest dari keseluruhan variabel laten

19 SEM dalam STUDI MARKETING MODEL HIPOTETIK 1. Harga produk berpengaruh thd image pelanggan, Harga berpengaruh terhadap Promosi 2. Fasilitas berpengaruh thd image pelanggan, juga berpengaruh thd Promosi 3. Produk berpengaruh thd image pelanggan, dan dapat digunakan sebagai sarana Promosi 4. Promosi dapat membantu membentuk Image pelanggan MODEL HIPOTETIK 1. Harga produk berpengaruh thd image pelanggan, Harga berpengaruh terhadap Promosi 2. Fasilitas berpengaruh thd image pelanggan, juga berpengaruh thd Promosi 3. Produk berpengaruh thd image pelanggan, dan dapat digunakan sebagai sarana Promosi 4. Promosi dapat membantu membentuk Image pelanggan IDENTIFIKASI VARIABEL Variabel Laten (Konstruk)Variabel Manifest (Terukur) Harga (X)X1 = Potongan, atau berbentuk hadiah X2 = Harga yg ditetapkan Promosi (X)X3 = Promosi mampu memberikan informasi yg jelas shg dapat membantu pengambilan keputusan pembelian Fasilitas (X)X4 = Fasilitas PArkir X5 = Fasilitas bermain anak-anak Produk (X)X6 = Kualitas produk X7 = Kelengkapan produk yg ditawarkan Image (Y)Y1 = Citra dan pandangan pelanggan Jumlah Sampel = 140 orang IDENTIFIKASI VARIABEL Variabel Laten (Konstruk)Variabel Manifest (Terukur) Harga (X)X1 = Potongan, atau berbentuk hadiah X2 = Harga yg ditetapkan Promosi (X)X3 = Promosi mampu memberikan informasi yg jelas shg dapat membantu pengambilan keputusan pembelian Fasilitas (X)X4 = Fasilitas PArkir X5 = Fasilitas bermain anak-anak Produk (X)X6 = Kualitas produk X7 = Kelengkapan produk yg ditawarkan Image (Y)Y1 = Citra dan pandangan pelanggan Jumlah Sampel = 140 orang

20 Diagram Lintasan X1 No Sampel X1 X2 X3 X4 X5 X6 X7 Y No Sampel X1 X2 X3 X4 X5 X6 X7 Y X2 X4 X5 X6 X7 Harga Produk Fasilitas Imag e Promosi X3 Y1

21 HASIL ANALISIS: Diagram Lintasan Model Pengukuran ( standardized ) HASIL ANALISIS: Diagram Lintasan Model Pengukuran ( standardized ) X1 X2 X4 X5 X6 X7 Harga Produk Fasilitas

22 HASIL ANALISIS: Diagram Lintasan Model Pengukuran (t-values) HASIL ANALISIS: Diagram Lintasan Model Pengukuran (t-values) X1 X2 X4 X5 X6 X7 Harga Produk Fasilitas unreliable

23 HASIL ANALISIS: Diagram Lintasan Model Keseluruhan ( standardized ) HASIL ANALISIS: Diagram Lintasan Model Keseluruhan ( standardized ) X1 X2 X4 X5 X6 X7 Harga Produk Fasilitas Promosi Image X3 Y Chi-square = 28.78, df= 12, P-value = , RMSEA = 0.100

24 HASIL ANALISIS Model Strultural ( estimate ) HASIL ANALISIS Model Strultural ( estimate ) Chi square = 28.78, df=12, P-value= RMSEA = Harga Fasilitas Produk Promosi Image

25 HASIL ANALISIS Path Analysis ( standardized ) HASIL ANALISIS Path Analysis ( standardized ) Chi square = 28.78, df=12, P-value= RMSEA = Harga Fasilitas Produk Promosi Image

26 HASIL ANALISIS Model Struktural ( t-value ) HASIL ANALISIS Model Struktural ( t-value ) Chi square = 28.78, df=12, P-value= RMSEA = Harga Fasilitas Produk Promosi Image signifikan

27 S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS Model Konsep : Keadaan yang mendahului dan konsekuensi kelelahan emosional tenaga penjual, Babakus et al Mendua Peran Komitmen organisasional Kelelahan Emosional Kepuasan Kerja Keinginan untuk Keluar Konflik Peran Kinerja

28 S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS Kinerja Karyawa n Umpan balik karyawan Ukuran Kinerja Penilaian Kinerja Standar Kinerja Keputusa n SDM Catatan Karyawa n Elemen kunci sistem penilaian kinerja, Mangkuprawira, 2002

29 S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS Beban Kerja Identifik asi Kepuasa n Kerja Kelelaha n Emosion al Pengharga an Lingkunga n Keluarga Konflik Peran Penilaia n Kinerja Kinerja Komitmen Organisasio nal Keterlibat an Loyalitas Kelelahan emosional Depersonalisasi Kemunduran kepribadian Pengaruh Kelelahan Emosional thd Kepuasan Kerja dan Kinerja dalam pencapaian komitmen organisasi

30 S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS Beban Kerja (X11) Pengharga an (X12) Lingkungan Keluarga (X13) Konflik Peran (X14) Kelelahan Emosional (X1) Kepuasan Kerja (X2) Penilaian Kinerja (X31) Kinerja (X3) Komitmen Organisasional (Y) Kerangka Pemikiran Konseptual Sudah pernah diteliti Diteliti dalam disertassi ini

31 S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS Konstruk (Indikator) Dimensi Konstruk (Variabel) Sekala Pengukuran. 1. Beban Kerja1. Jumlah MK yang diampu per semesterLikert, 5 opsi 2. Penelitian – penelitian ilmiah 3. Sebagai Penasehat akademik 4. Sebagai Dosen Pembimbing skripsi 5. Seminar ilmiah 2. Penghargaan1. Gaji, HR, tunjangan, InsentifLikert, 5 opsi 2. Kenaikan pangkat dan jabatan 3. Kesempatan pendidikan lanjut 4. Fasilitas yang diterima 3. Lingkungan 1. Jumlah anggota keluargaLikert, 5 opsi Keluarga2. Status kepemilikan rumah 3. Kondisi tempat tinggal 4. Keadaan masyarakat sekitar 4. Konflik Peran1. Perubahan radikal perkuliahanLikert & skoring 2. Hubungan dosen-atasan-staf 3. Hubungan dengan mahasiswa 4. Persaingan jabatan struktural 5. Kelelahan1. Perasaan cemas setiap mulai pekerjaanSkoring Emosional2. Merasa kekeringan emosi 3. Merasa berguna kembali ketika senja hari 4. Merasa lelah ketika bangun pagi 5. Merasa frustasi oleh pekerjaan 6. Kepuasan Kerja1. Pekerjaan sesuai dg keinginanLikert, 5 opsi 2. Gaji, HR, tunjangan 3. Citra PTS tempat mengajar 4. Promosi kenaikan pangkat, jabatan, mutasi 7. Kinerja1, Kinerja pekerjaan dan nkepuasanLikert, 5 opsi 2. Kinerja selama ini 8. Penilaian Kinerja1. Penilaian kinerja yg proporsionalLikert, 5 opsi 2. Pengukuran prestasi kerja 9. Komitmen organisasi1. IdentifikasiSkoring 2. Keterlibatan 3. Loyalitas

32 S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS Beban Kerja (X11) Pengharga an (X12) Lingkungan Keluarga (X13) Konflik Peran (X14) Kelelahan Emosional (X1) Kepuasan Kerja (X2) Penilaian Kinerja (X31) Kinerja (X3) Komitmen Organisasional (Y) Diagram hasil akhir hubungan kausal : Pengaruh kelelahan emosional thd kepuasan kerja dan kinerja dalam pencapaian komitmen organisasional dosen PTS (S) (S) (TS) 1 (S)0.555 (S) (TS) (S) (S) (TS) (S)

33 Structural equation modeling of parasympathetic and sympathetic response to traffic air pollution in a repeated measures study Emmanuel S Baja, Joel D Schwartz, Brent A Coull, Gregory A Wellenius, Pantel S Vokonas and Helen H Suh Environmental Health 2013, 12:81.SUMBER:.DIUNDUH DARI: Analisis dilakukan untuk mengetahui meneliti hubungan antara polusi lalu lintas laten dan nada parasimpatis laten ; dan antara polusi lalu lintas laten dengan penanda nada simpatik, LF / HF, menggunakan SEM. SEM terdiri dari dua komponen kunci, model struktural yang menunjukkan hubungan antara dua konstruk laten, antara konstruk laten dan variabel yang diukur ; atau antara dua variabel yang diukur, dan model pengukuran yang menunjukkan hubungan antara konstruk laten dan indikator nya. HF, SDNN, rMSSD, dan LF / HF ditransformasi ke bentuk logaritma untuk memenuhi asumsi SEM, bahwa semua variabel kontinyu mempunyai distribusi normal. Analisis Statistik deskriptif dan korelasi juga dilakukan antara penanda HRV, polutan lalu lintas dan kovariatnya.

34 Structural equation modeling of parasympathetic and sympathetic response to traffic air pollution in a repeated measures study Emmanuel S Baja, Joel D Schwartz, Brent A Coull, Gregory A Wellenius, Pantel S Vokonas and Helen H Suh Environmental Health 2013, 12:81.SUMBER:.DIUNDUH DARI: Diagram jalur dari SEM. (A) Efek polusi lalu lintas thd nada parasimpatis. (B) Efek polusi lalu lintas thd penanda nada simpatik, LF / HF. Elips digunakan untuk menunjukkan laten konstruksi, persegi panjang digunakan untuk menunjukkan variabel yang diamati dan mempengaruhi konstruks ini, dan panah tunggal berkepala digunakan untuk menunjukkan hubungan arah, dari prediktor terhadap outcome.

35 Structural equation modeling of parasympathetic and sympathetic response to traffic air pollution in a repeated measures study Emmanuel S Baja, Joel D Schwartz, Brent A Coull, Gregory A Wellenius, Pantel S Vokonas and Helen H Suh Environmental Health 2013, 12:81.SUMBER:.DIUNDUH DARI: Model pengukuran lalu lintas dan nada parasimpatis. Hubungan variabel laten (A: Lalu Lintas) dan (B: nada parasimpatik) dengan variabel penanda sebagai nilai loading factor. Data rata-rata 24 jam pengukuran polusi udara ambient dari November 2000 sampai Desember 2009.

36 Structural Equation Modeling of the Relationships Between Participation in Leisure Activities and Community Environments by People With Mobility Impairments Holly Hollingsworth dan David B. Gray Archives of Physical Medicine and Rehabilitation. Vol. 91, Issue 8, Pages , August 2010Vol. 91, Issue 8.SUMBER:.DIUNDUH DARI: 9/abstract… Penelitian dilakukan untuk menguji hubungan antara konstruk partisipasi dan lingkungan pada serangkaian kegiatan rekreasi (menghadiri konser, menghadiri film, menghadiri acara olahraga). Survei Self-laporan pengaruh lingkungan terhadap partisipasi dianalisis menggunakan model SEM. Aspek Temporal, evaluatif, dan kesehatan yang berhubungan dengan kegiatan rekreasi dipilih sebagai variabel laten yang terkait dengan partisipasi. Konstruks lingkungan terdiri dari variabel laten yang berpengaruh terhadap partisipasi lingkungan alami, interpersonal, terbangun, latar belakang, dan lingkungan yang mendukung. Pemodelan SEM dapat menjadi alat penting untuk memeriksa secara empiris kontribusi dari variabel laten partisipasi dan lingkungan.

37 Application of Structural Equation Model for Exploring the influence of Environmental Factors on Phytoplankton in Bohai Bay Xiao Fu XuXiao Fu Xu, Jian Hua Tao Advanced Materials Research, , 1832Jian Hua Tao.SUMBER:.DIUNDUH DARI: …http://www.scientific.net/AMR Model persamaan struktural ( SEM ) digunakan untuk mengeksplorasi pengaruh faktor lingkungan pesisir thd fitoplankton di Teluk Bohai. SEM adalah metode statistik multivariat dan dengan menggunakannya, peneliti dapat membangun konsep teoritis, uji reliabilitas pengukurannya, berhipotesis dan mengevaluasi jaringan hubungan antara variabel. Dalam penelitian ini model hipotesisnya adalah pengaruh lingkungan fisik ( suhu, salinitas, dan PH ) dan nitrogen ( nitrogen total terlarut anorganik, jumlah fosfat anorganik terlarut, dan silikat ) terhadap total biomassa fitoplankton. Dengan model ini, diketahui bahwa hara memiliki efek lebih besar thd biomassa fitoplankton dan ada korelasi yang kuat antara hara dengan lingkungan fisik. Selain itu, salinitas berpengaruh positif terbesar thd fitoplankton, sedangkan jumlah N-anorganik terlarut memiliki efek negatif terbesar. Umumnya, SEM memberikan hasil yang logis dan memungkinkan identifikasi peran faktor abiotik terhadap fitoplankton.

38 Application of Structural Equation Models for Elucidating the Ecological Drivers of Anopheles sinensis in the Three Gorges Reservoir Wang Duo-quan, Tang Lin-hua mail, Liu Heng-hui, Gu Zhen-cheng, Zheng Xiang PLoS ONE 8(7): e SUMBER:.DIUNDUH DARI: Penelitian dilakukan untuk mengidentifikasi driver ekologi utama terhadap kepadatan vektor malaria dengan menggunakan model persamaan struktural ( SEM ) di lokasi Three Gorges Reservoir. Sebuah surveilans selama 11 - tahun vektor malaria serta faktor ekologi yang terkait dilakukan di Three Gorges Reservoir. Metode Delphi digunakan untuk mengidentifikasi faktor-faktor ekologis terkait. Model persamaan struktural (SEM) berulang kali diperbaiki dengan indeks terkoreksi, dikombinasikan dengan situasi aktual. Model akhir yang ditentukan relatif sederhana, terbaik dan praktis. Model akhir menunjukkan bahwa efek langsung dari suhu, ternak, kelembaban, dan breeding thd vektor adalah 0,015, -0,228, 0.450, 0.516, total pengaruhnya terhadap vektor adalah 0,359, -0,112, 0.850, dan melalui jalur yang berbeda. SEM adalah efektif dan nyaman dalam menjelaskan mekanisme bagaimana dinamika vektor malaria bekerja. Model ini mengidentifikasi bahwa peternakan memiliki pengaruh langsung tertinggi thd vektor dan memainkan peran penting untuk mediasi pengaruh suhu dan kelembaban.

39 Structural Equation Modeling for Ecology & Evolutionary Biology Jarrett E. K. Byrnes (University of Massachusetts Boston ) …….

40 SEM adalah bentuk Modeling Grafis Struktur di SEM menyiratkan kausalitas

41 .. Ide sederhana untuk Solusi Sistem Kompleks SEM: Penggunaan dua atau lebih persamaan struktural untuk mengevaluasi efek langsung dan tidak langsung dalam suatu sistem

42 SEM sebagai Satu Kesatuan Proses.SUMBER:. Teori Spesifikasi Model Pengukuran & Samping Modifikasi Model Pendugaan Fit Estimasi Interpretasi

43 Mediation in SEM.SUMBER:.

44 ...Model dengan Dua Mediator….SUMBER:. Pestisida CaprellidsGammarids Macro-algae Epifit Eelgrass Apakah Caprellids menjelaskan efek pestisida yang tersisa?

45 ...Model dengan Dua Mediator… Pestisida CaprellidsGammarids Macro-algae Epifit Eelgrass Caprellids menjelaskan efek pestisida (yang tersisa). ε ε ε Makroalga memfasilitasi semua amphipods dan secara tidak langsung mempromosikan herbivora, melindungi eelgrass. Gammarids lebih tepat dikendalikan dengan pestisida Kerapatan eelgrass yang lebih tinggi berhubungan dnegan kerapatan epifit yang lebih tinggi

46 Environmental and Ecological Statistics. March 2000, Vol 7, Issue 1, pp Issue 1 Using structural equation modeling to investigate relationships among ecological variables Ziad A. Malaeb, J. Kevin Summers, Bruce H. Pugesek.SUMBER:. Pemodelan SEM adalah proses statistik multivariat canggih yang mana peneliti dapat membangun konsep teoritis, uji reliabilitas pengukurannya, hipotesa dan menguji sebuah teori tentang hubungan, memperhitungkan kesalahan pengukuran, dan mempertimbangkan dampak langsung dan tidak langsung dari satu variabel terhadap lainnya. Variabel laten adalah konsep teoritis yang menyatukan fenomena menjadi istilah tunggal, misalnya, kesehatan ekosistem, kondisi lingkungan, dan polusi. Variabel laten yang tidak diukur secara langsung tetapi dapat dinyatakan dalam satu atau lebih variabel langsung terukur disebut indikator. Seorang peneliti dapat mendefinisikan, membangun, dan menguji validitas variabel laten sebagai tugas akhirnya. Peneliti lain dapat menguji hubungan hipotetik antar variabel laten. Penelitian ini menganalisis matriks korelasi sebelas variabel lingkungan dari US Environmental Protection Agency ( USEPA ) Pemantauan Lingkungan dan Program Penilaian untuk Estuaries ( EMAP - E ) dengan menggunakan model SEM. Model konseptual nya menggambarkan saling ketergantungan antara empat variabel laten kontaminasi sedimen, variabilitas alam, keanekaragaman hayati, dan potensi pertumbuhan. Secara khusus, peneliti mengukur dampak langsung, tidak langsung, dan jumlah kontaminasi sedimen dan variabilitas alam keanekaragaman hayati dan potensi pertumbuhan. Model SEM sesuai dengan data dan menyumbang 81 % dari variabilitas keanekaragaman hayati dan 69 % dari variabilitas potensi pertumbuhan. Model ini mengungkapkan efek total positif variabilitas alami terhadap potensi pertumbuhan. Variabilitas alami memiliki efek negatif langsung terhadap potensi pertumbuhan besarnya -0,3251 dan pengaruh tidak langsung positif dimediasi melalui keanekaragaman hayati besarnya 0,4509, menghasilkan efek total positif bersih dari 0,1258. Variabilitas alami memiliki efek langsung yang positif terhadap keanekaragaman hayati besarnya 0,5347 dan pengaruh tidak langsung negatif dimediasi melalui potensi pertumbuhan besarnya -0,1105 menghasilkan total efek positif dari besarnya 0,4242. Kontaminasi sedimen memiliki efek negatif langsung terhadap keanekaragaman hayati besarnya -0,1956 dan efek tidak langsung negatif terhadap potensi pertumbuhan melalui keanekaragaman hayati besarnya -0,067. Keanekaragaman memiliki efek positif pada potensi pertumbuhan sebesar 0,8432, dan potensi pertumbuhan memiliki efek positif terhadap keanekaragaman hayati besarnya 0,3398. Korelasi antara keanekaragaman hayati dan potensi pertumbuhan diperkirakan 0,7658 dan bahwa antara kontaminasi sedimen dan variabilitas alam pada -0,3769.

47 Spatial and Temporal Analysis of Surface Ozone in Urban Area: A Multilevel and Structural Equation Model Approach S. B. Nugroho, A. Fujiwara and J. Zhang Air Pollutants Interactions Model for Jakarta City

48 .SUMBER:.DIUNDUH DARI: … …….


Download ppt "S.E.M. STRUCTURAL EQUATION MODELING Oleh: Soemarno PSDL.PDKL.PPSUB.2013 S.E.M. STRUCTURAL EQUATION MODELING Oleh: Soemarno PSDL.PDKL.PPSUB.2013 MK. METODE."

Presentasi serupa


Iklan oleh Google