Structural Equation Modeling (SEM)

 

Structural Equation Modeling (SEM) adalah teknik analisis statistik multivariat yang digunakan untuk menguji hubungan yang kompleks antara variabel laten (constructs) dan variabel teramati (indicators) secara simultan. SEM menggabungkan keunggulan analisis faktor (factor analysis) dan analisis jalur (path analysis) dalam satu model terpadu.

Komponen Utama SEM

1. Measurement Model

Measurement model menguji apakah indikator-indikator mampu mengukur konstruk laten secara valid dan reliabel.

Contoh:

Technology Literacy

• TL1
• TL2
• TL3
• TL4

Critical Thinking

• CT1
• CT2
• CT3
• CT4

Analisis yang dilakukan:

• Factor Loading
• Construct Reliability (CR)
• Average Variance Extracted (AVE)
• Discriminant Validity
• Convergent Validity

2. Structural Model

Structural model menguji hubungan antar konstruk laten.

Contoh:

Project-Based Learning

          ↓

Technology Literacy

          ↓

Critical Thinking

          ↓

Lesson Plan Design Quality

Analisis:

• Path coefficient (β)
• t-value
• p-value
• R²
• Effect size (f²)

Diagram SEM sederhana

         Project-Based Learning

                    │

                    ▼

        Technology Literacy

                    │

                    ▼

          Critical Thinking

                    │

                    ▼

      Lesson Plan Design Quality

Tahapan Analisis SEM

1. Model Specification

Menentukan model berdasarkan teori.

Misalnya

PBL → Technology Literacy

PBL → Critical Thinking

Technology Literacy → Lesson Plan Design

Critical Thinking → Lesson Plan Design

2. Model Identification

Memastikan model dapat diestimasi.

3. Model Estimation

Metode estimasi yang umum:

• Maximum Likelihood (ML)
• Partial Least Squares (PLS)
• Bayesian SEM
• Weighted Least Squares (WLSMV)

4. Model Evaluation

Untuk CB-SEM

Goodness of Fit

Index	Kriteria
χ²/df	<3
CFI	>0.90
TLI	>0.90
RMSEA	<0.08
SRMR	<0.08
GFI	>0.90
AGFI	>0.90

Untuk PLS-SEM

Tidak menggunakan goodness-of-fit klasik.

Yang dilihat:

• Outer Loading
• Composite Reliability
• AVE
• HTMT
• VIF
• R²
• Q²
• f²
• Bootstrapping

Jenis SEM

1. CB-SEM (Covariance-Based SEM)

Software

• AMOS
• LISREL
• Mplus
• EQS
• lavaan

Tujuan:

• Menguji teori
• Confirmatory
• Model fit sangat penting

Sampel ideal:

• ≥200

2. PLS-SEM (Partial Least Squares SEM)

Software

• SmartPLS
• WarpPLS
• ADANCO

Tujuan:

• Prediksi
• Eksplorasi
• Cocok untuk model kompleks

Sampel:

• 30–100 sudah dapat digunakan (tergantung kompleksitas model)

Kapan Menggunakan CB-SEM?

Gunakan apabila:

✅ Menguji teori yang sudah mapan

✅ Ingin memperoleh model fit

✅ Data normal

✅ Sampel besar

Contoh:

Apakah Technology Literacy memediasi pengaruh Project-Based Learning terhadap Critical Thinking?

Kapan Menggunakan PLS-SEM?

Gunakan apabila:

✅ Mengembangkan teori baru

✅ Sampel kecil

✅ Data tidak normal

✅ Banyak indikator

Contoh:

Apa faktor-faktor yang paling memprediksi kesiapan calon guru SD menghadapi era AI?

Contoh Model Penelitian

Misalkan topik Anda:

AI Competencies of Future Elementary Teachers

Digital Literacy

        │

        ▼

AI Literacy

        │

        ▼

Technology Acceptance

        │

        ▼

Teaching Readiness

Hipotesis:

H1 Digital Literacy → AI Literacy

H2 AI Literacy → Technology Acceptance

H3 Technology Acceptance → Teaching Readiness

H4 AI Literacy → Teaching Readiness

H5 Technology Acceptance memediasi hubungan AI Literacy → Teaching Readiness

Output SEM

Output yang biasanya dilaporkan meliputi:

Measurement Model

• Factor loading
• Cronbach's Alpha
• Composite Reliability (CR)
• Average Variance Extracted (AVE)
• Discriminant validity (misalnya HTMT atau kriteria Fornell–Larcker)

Structural Model

• Path coefficient (β)
• t-statistic
• p-value
• R²
• Effect size (f²)
• Predictive relevance (Q², khusus PLS-SEM)
• Uji mediasi atau moderasi (jika ada)

Kelebihan SEM

• Mampu menganalisis banyak hubungan secara simultan.
• Mengakomodasi variabel laten yang diukur oleh banyak indikator.
• Memperhitungkan kesalahan pengukuran (measurement error).
• Dapat menguji hubungan langsung, tidak langsung (mediasi), dan moderasi dalam satu model.
• Sangat sesuai untuk penelitian di bidang pendidikan, psikologi, manajemen, dan ilmu sosial.

Keterbatasan SEM

• Memerlukan dasar teori yang kuat untuk menyusun model.
• CB-SEM umumnya membutuhkan ukuran sampel yang lebih besar dan asumsi distribusi data yang lebih ketat.
• Interpretasi hasil lebih kompleks dibandingkan regresi linear biasa.
• Model yang terlalu kompleks dengan sampel terbatas dapat menghasilkan estimasi yang kurang stabil.

Untuk penelitian pendidikan seperti yang sering Anda kerjakan (misalnya hubungan antara Project-Based Learning, technology literacy, critical thinking, AI literacy, atau kesiapan mengajar), SEM sangat sesuai apabila setiap konstruk diukur menggunakan beberapa indikator dalam kuesioner dan tujuan penelitian adalah menguji hubungan antar konstruk secara simultan berdasarkan kerangka teori.