S.E.M. STRUCTURAL EQUATION MODELING

Presentasi berjudul: "S.E.M. STRUCTURAL EQUATION MODELING"— Transcript presentasi:

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

2 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) 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

3 Factors Analysis Modelling
X1 Y1 X2 Ksi1 Eta1 Y2 X3 Ksi2 X4 Y3 Eta2 X5 Ksi3 Y4 X6 X7 X8 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

4 Structural Equation Modelling
X1 Y1 X2 Ksi1 Eta1 Y2 X3 Ksi2 X4 Y3 Eta2 X5 Ksi3 Y4 X6 X7 X8 Analisis faktor Variabel Eksogen Analisis Regresi Analisis Jalur Path Analysis Analisis faktor Variabel Endogen

5 NOTASI dalam S.E.M. 1 X1 1 Y1 1 1 X2 1 8 Ksi1 1 Eta1 Y2 1 X3
2 1 1 1 4 X4 12 23 Eta2 1 X5 Ksi3 3 10 Y3 1 X6 7 X7 X8  : 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

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. 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

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

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 Untuk kepentingan praktis analisis data dan interpretasinya, maka seyogyanya banyaknya variabel tidak lebih dari 20.

9 Unobservable variabel Variabel manifes, variabel terukur
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 X1i Y1i X2i Y2i X3i X1: Unobservable variabel Variabel manifes, variabel terukur X1.1 X1.2 X1.3 X1….

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

11 KONVERSI menjadi MODEL STRUKTURAL
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. 1 X1.1 1 X1 Y1.1 1 1 8 1 Y1 1 2 2 X1.2 2 1 X2 1 3 2 3 X2.1 2 1.2 2 2 4 Y2 3 X2.2 4 X3 3 10 9 5 7 Y2.2 Y2.1 X3.1 6 5 X3.3 3 X3.2 2 7 6

12 MEMILIH MATRIKS INPUT Input data untuk SEM dapat berupa:
1. Matriks korelasi, atau 2. Matriks peragam, kovarians 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. ... 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. ….

13 PROBLEMATIK IDENTIFIKASI
Problematik pendugaan parameter: 1. Un-identified atau under identified 2. Over identified 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 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”

14 EVALUASI GOODNESS - OF - FIT
Asumsi-asumsi SEM: 1. Asumsi yang berkaitan dengan model 2. Asumsi yang berkaitan dengan pendugaan parameter & pengujian hipotesis Asumsi yang berkaitan dengan model: 1. Semua hubungan berbentuk linier (Lihat diagram pencarnya) 2. Model bersifat adetif, sesuai dengan landasan teorinya 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

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 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 4. Uji Model Pengukuran Uji validitas ……… koefisien korelasi Uji reliabilitas ……….. Nilai error

16 Kriteria uji goodness of fit : Model Overall
Goodness of fit Cut-off Keterangan Chi-square Non-signifikan Dipakai untuk n = , Model yg baik bila nilai Chi-square tidak jauh berbeda dg derajat bebasnya RMR Kecil Dipakai untuk n besar RMSEA < Dipakai untuk n besar GFI > Mirip dengan koef. determinasi R2 AGFI > Mirip dgn R2 adjusted CFI >0.94 Tdk sensitif thd besar sampel AIC Kecil Bila 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. 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. Penentuan besarnya sampel: 1. Kalau pendugaan dg metode Maximum likelihood,maka sampel , minimum absolut 50 2. Jumlah sampel = 5-10 kali banyaknya parameter 3. Jumlah sampel = 5-10 kali jumlah variabel manifest dari keseluruhan variabel laten Sampel untuk LISREL 1. Sampel untuk program LISREL > 400 2. Sample size 10 x banyaknya variabel 3. Banyaknya sampel minimum 10 x banyaknya parameter yang ada dalam model

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 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 X3 X2 Harga X4 Fasilitas X5 Image Produk Y1 X6 X7
Promosi X4 Fasilitas X5 Image Produk Y1 X6 X7 No Sampel X X X X X X X Y1 1 2 3 4 5 6 7 8 9 .

21 Diagram Lintasan Model Pengukuran (standardized)
HASIL ANALISIS: Diagram Lintasan Model Pengukuran (standardized) 0.36 X1 0.80 0.18 X2 1.00 Harga 0.91 0.44 X4 0.58 0.75 1.00 Fasilitas 0.65 0.10 X5 0.59 0.27 1.00 Produk 0.82 0.33 X6 0.80 X7 0.36

22 Diagram Lintasan Model Pengukuran (t-values)
HASIL ANALISIS: Diagram Lintasan Model Pengukuran (t-values) 3.92 X1 9.19 1.64 unreliable X2 0.00 Harga 10.38 3.80 X4 6.25 7.42 0.00 Fasilitas 6.39 1.00 X5 6.22 2.33 10.59 0.00 4.68 Produk X6 10.24 X7 5.21

23 Diagram Lintasan Model Keseluruhan (standardized)
HASIL ANALISIS: Diagram Lintasan Model Keseluruhan (standardized) 0.36 X1 0.80 0.18 X2 0.00 Harga 0.91 0.06 0.44 1.00 X4 -0.18 Promosi 0.75 X3 Fasilitas 0.02 0.65 0.01 X5 0.59 0.14 Image 1.00 0.82 Y1 0.33 Produk X6 0.74 0.36 X7 0.80 0.00 Chi-square = 28.78, df= 12, P-value = , RMSEA = 0.100

24 Model Strultural (estimate)
HASIL ANALISIS Model Strultural (estimate) Chi square = 28.78, df=12, P-value= RMSEA = 0.100 0.00 Harga 0.13 Promosi 3.77 0.92 0.58 0.22 0.00 Fasilitas 0.10 0.01 -0.23 0.27 0.17 Produk Image 0.65 0.00 0.93

25 Path Analysis (standardized)
HASIL ANALISIS Path Analysis (standardized) Chi square = 28.78, df=12, P-value= RMSEA = 0.100 1.00 Harga 0.06 Promosi 0.76 -0.18 0.41 0.58 0.10 1.00 Fasilitas 0.10 0.01 0.27 0.14 Produk Image 0.40 1.00 0.74

26 Model Struktural (t-value)
HASIL ANALISIS Model Struktural (t-value) Chi square = 28.78, df=12, P-value= RMSEA = 0.100 0.00 Harga 0.46 Promosi 7.27 signifikan 6.25 2.78 1.02 0.00 Fasilitas 1.00 0.18 -1.84 2.33 1.06 Produk Image 0.40 0.00 8.91

27 S.E.M.: STRUCTURAL EQUATION MODELLING
MANAJEMEN SDM DOSEN PTS Mendua Peran Komitmen organisasional Kelelahan Emosional Kepuasan Kerja Keinginan untuk Keluar Konflik Peran Kinerja Model Konsep : Keadaan yang mendahului dan konsekuensi kelelahan emosional tenaga penjual, Babakus et al. 1999

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

29 MANAJEMEN SDM DOSEN PTS
S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS Beban Kerja Identifikasi Kepuasan Kerja Penghargaan Kelelahan Emosional Penilaian Kinerja Komitmen Organisasional Lingkungan Keluarga Keterlibatan Kinerja Konflik Peran Kelelahan emosional Depersonalisasi Kemunduran kepribadian Loyalitas Pengaruh Kelelahan Emosional thd Kepuasan Kerja dan Kinerja dalam pencapaian komitmen organisasi

30 MANAJEMEN SDM DOSEN PTS
S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS Beban Kerja (X11) Penghargaan (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
Konstruk (Indikator) Dimensi Konstruk (Variabel) Sekala Pengukuran. 1. Beban Kerja 1. Jumlah MK yang diampu per semester Likert, 5 opsi 2. Penelitian – penelitian ilmiah 3. Sebagai Penasehat akademik 4. Sebagai Dosen Pembimbing skripsi 5. Seminar ilmiah 2. Penghargaan 1. Gaji, HR, tunjangan, Insentif Likert, 5 opsi 2. Kenaikan pangkat dan jabatan 3. Kesempatan pendidikan lanjut 4. Fasilitas yang diterima 3. Lingkungan 1. Jumlah anggota keluarga Likert, 5 opsi Keluarga 2. Status kepemilikan rumah 3. Kondisi tempat tinggal 4. Keadaan masyarakat sekitar 4. Konflik Peran 1. Perubahan radikal perkuliahan Likert & skoring 2. Hubungan dosen-atasan-staf 3. Hubungan dengan mahasiswa 4. Persaingan jabatan struktural 5. Kelelahan 1. Perasaan cemas setiap mulai pekerjaan Skoring Emosional 2. Merasa kekeringan emosi 3. Merasa berguna kembali ketika senja hari 4. Merasa lelah ketika bangun pagi 5. Merasa frustasi oleh pekerjaan 6. Kepuasan Kerja 1. Pekerjaan sesuai dg keinginan Likert, 5 opsi 2. Gaji, HR, tunjangan 3. Citra PTS tempat mengajar 4. Promosi kenaikan pangkat, jabatan, mutasi 7. Kinerja 1, Kinerja pekerjaan dan nkepuasan Likert, 5 opsi 2. Kinerja selama ini 8. Penilaian Kinerja 1. Penilaian kinerja yg proporsional Likert, 5 opsi 2. Pengukuran prestasi kerja 9. Komitmen organisasi 1. Identifikasi Skoring 2. Keterlibatan 3. Loyalitas

32 MANAJEMEN SDM DOSEN PTS
S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS Beban Kerja (X11) Penghargaan (X12) Lingkungan Keluarga (X13) Konflik Peran (X14) (S) 0.199 (S) 0.394 (S) (TS) Kelelahan Emosional (X1) (TS) (S) Kepuasan Kerja (X2) Penilaian Kinerja (X31) Kinerja (X3) 0.555 (S) 1 (S) 0.364 (S) 0.265 (TS) Komitmen Organisasional (Y) Diagram hasil akhir hubungan kausal : Pengaruh kelelahan emosional thd kepuasan kerja dan kinerja dalam pencapaian komitmen organisasional dosen PTS

33 Environmental Health 2013, 12:81
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  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. .SUMBER: .DIUNDUH DARI:

34 Environmental Health 2013, 12:81
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  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. .SUMBER: .DIUNDUH DARI:

35 Environmental Health 2013, 12:81
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  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. .SUMBER: .DIUNDUH DARI:

36 Holly Hollingsworth dan David B. Gray
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 2010 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. .SUMBER: .DIUNDUH DARI:

37 .SUMBER: .DIUNDUH DARI: …http://www.scientific.net/AMR.347-353.1832
Application of Structural Equation Model for Exploring the influence of Environmental Factors on Phytoplankton in Bohai Bay Xiao Fu Xu, Jian Hua Tao Advanced Materials Research, , 1832 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 . .SUMBER: .DIUNDUH DARI: …

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): e68766. 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 , , 0.516, total pengaruhnya terhadap vektor adalah 0,359 , -0,112 , , 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 . .SUMBER: .DIUNDUH DARI:

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

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 Ide sederhana untuk Solusi Sistem Kompleks

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

43 Mediation in SEM .SUMBER: .

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

45 ...Model dengan Dua Mediator…
Pestisida Caprellids menjelaskan efek pestisida (yang tersisa). -0.40 -0.75 Gammarids lebih tepat dikendalikan dengan pestisida ε 0.38 Caprellids Gammarids ε Makroalga memfasilitasi semua amphipods dan secara tidak langsung mempromosikan herbivora, melindungi eelgrass. 0.46 -0.33 -0.64 0.42 Macro-algae Epifit Eelgrass ε -0.14 Kerapatan eelgrass yang lebih tinggi berhubungan dnegan kerapatan epifit yang lebih tinggi

46 Ziad A. Malaeb, J. Kevin Summers, Bruce H. Pugesek
Environmental and Ecological Statistics. March 2000, Vol 7, Issue 1, pp Using structural equation modeling to investigate relationships among ecological variables Ziad A. Malaeb, J. Kevin Summers, Bruce H. Pugesek 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, 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, 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 . .SUMBER: .

47 S. B. Nugroho, A. Fujiwara and J. Zhang
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: …
…… . .SUMBER: .DIUNDUH DARI: …