S.E.M.STRUCTURAL EQUATION MODELING

Oleh:Soemarno

PSDL.PDKL.PPSUB.2013

MK. METODE PENELITIAN DALAM KAJIAN LINGKUNGAN

S.E.M. = Structural Equation ModellingLISREL = Linear Structural RelationsSEM = 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 & jalurnya3. Mendapatkan model untuk prakiraan/ estimasi

/ekstrapolasi

Factors Analysis Modelling

X1

Xi dan Yi : Variabel atau FaktorKsi : variabel laten XEta : variabel laten Y

Segi-empat : Variabel manifest, indikator, observable variableBulatan oval : Variabel laten, dimensi, construct variable

X2

X3

X4

X5

X8

X6

X7

Ksi1

Ksi3

Ksi2

Eta2

Eta1

Y1

Y2

Y3

Y4

Structural Equation Modelling

X1

Analisis faktorVariabel Eksogen

X2

X3

X4

X5

X8

X6

X7

Ksi1

Ksi3

Ksi2

Eta2

Eta1

Y1

Y2

Y3

Y4

Analisis faktorVariabel Endogen

Analisis RegresiAnalisis Jalur Path Analysis

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

X2

X3

X4

X5

X8

X6

X7

Ksi1

Ksi3

Ksi2

Eta2

Eta1

Y1

Y2

Y3

1

7

4

11

1

2

3

1

1 1

8

10

1

1

1

121

123

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 reliabilitas2. SEM dapat diterapkan untuk Model rekursif dan Resiprokal3. SEM input datanya dapat berupa data mentah4. SEM outputnya berupa faktor determinan, model struktural dan model pengukuran

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

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 tersebutSalah 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.

KONSTRUKSI DIAGRAM LINTASANPath diagram

Diagram ini sangat bermanfaat untuk menunjukkan alur-alur (lintasan) kausalita antar variabel yang secara teoritis layakHubungan kausalita : Simbol panah satu arahHubungan korelasional : Simbol panah bolak-balik

X1i

X2i

X3i

Y1i

Y2i

X1:Unobservable

variabel

Variabel manifes, variabel terukur

X1.1

X1.2X1.3X1….

KONSTRUKSI DIAGRAM LINTASANPath diagram

X1

X2

X3

Y1

Y2

X1.1

X1.2

X2.1

X2.2

X3.1

X3.2X3.3

Y2.1 Y2.2

Y1.1

KONVERSI menjadi MODEL STRUKTURAL

X1

X2

X3

Y1

Y2

X1.1

X1.2

X2.1

X2.2

X3.1

X3.2X3.3

Y2.1 Y2.2

Y1.1

1

11

1

4

103

1

1

1

1.2

1 = 2. 2 + 1. 1 + 1

2 = 1. 1 + 2. 2 + 3. 3 + 2

X1.1 = 1. 1 + 1X1.2 = 2. 1 + 2 …. Dst.

22

2

3

1

2

3

5

67

8

9

2

32

2

2

3

4

5

67

MEMILIH MATRIKS INPUT

Input data untuk SEM dapat berupa:1. Matriks korelasi, atau2. Matriks peragam, kovarians

Matriks Peragam, digunakan kalau:1. Tujuannya menguji model hipotetik yang secarateoritis sudah layak2. Serupa dengan analisis regresi3. Model yang diperoleh dapat digunakan untuk prediksi4. Model yg diperoleh dapat untuk menjelaskan fenomena yang dikaji5. ….

Matriks korelasi, digunakan kalau: 1. Tujuannya ingin membuktikan hubungan kausalita antar variabel2. Lintasan mana saja yang pengaruhnya dominan3. Variabel eksogen mana saja yang pengaruhnya dominan terhadap variabel endogen4. ...

PROBLEMATIK IDENTIFIKASI

Problematik pendugaan parameter:1. Un-identified atau under identified2. 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 teorinya3. 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 besar2. Matriks informasi tidak dapat disajikan sbgm mestinya3. Nilai penduga parameter tidak dapat diperoleh4. Muncul angka (nilai) yang aneh5. Adanya koefisien korelasi yg tinggi (> 0.9) antar koefisien hasil pendugaan

EVALUASI GOODNESS - OF - FIT

Asumsi-asumsi SEM:1. Asumsi yang berkaitan dengan model2. Asumsi yang berkaitan dengan pendugaan parameter & pengujian hipotesis

Asumsi Pendugaan parameter & Uji hipotesis:1. Random sampling2. Tidak boleh ada missing data3. Tidak ada data pencilan, outliers4. 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

TAHAPAN UJI GOODNESS OF FIT

A. Uji Parameter, dengan t-test:1. Parameter Lamda: validitas instrument 2. Parameter Delta dan Epsilon: Reliabilitas instrumen3. Parameter Beta dan Gama, dan lainnya

4. Uji Model PengukuranUji validitas ……… koefisien korelasiUji reliabilitas ……….. Nilai error

2. Uji Keseluruhan ModelModel ini merupakan integrasi antara model struktural dan model pengukuran

3. Uji Model StrukturalMenggunakan uji koefisien determinasi, seperti model regresi

Kriteria uji goodness of fit : Model Overall

Goodness of fit Cut-off Keterangan

Chi-square Non-signifikan Dipakai untuk n = 100-200, Model yg baik bila nilai Chi-square tidak jauh

berbeda dg derajat bebasnya

RMR Kecil Dipakai untuk n besarRMSEA < 0.08 Dipakai untuk n besar

GFI > 0.90 Mirip dengan koef. determinasi R2

AGFI >0.90 Mirip dgn R2 adjusted

CFI >0.94 Tdk sensitif thd besar sampel

AIC Kecil Bila model lebihdari satu, pilihlah yg nilainya kecil

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 prediksi2. Analisis Lintasan:

1. Efek langsung2. Efek tidak langsung3. Total efek4. Faktor dominan5. Kausalitas antar variabel.

SAMPLE SIZE

Dalam SEM, Parameter yang diduga:.1. Parameter pada Model Pengukuran2. Parameter pengaruh variabel eksogen thd variabel endogen3. Parameter pengaruh antar variabel endogen4. Parameter korelasi antar variabel eksogen5. Parameter error.

Sampel untuk LISREL1. Sampel untuk program LISREL > 4002. Sample size 10 x banyaknya variabel3. Banyaknya sampel minimum 10 x banyaknya parameter yang ada dalam model

Penentuan besarnya sampel:1. Kalau pendugaan dg metode Maximum likelihood,maka sampel 100-200, minimum absolut 502. Jumlah sampel = 5-10 kali banyaknya parameter3. Jumlah sampel = 5-10 kali jumlah variabel manifest dari keseluruhan variabel laten

SEM dalam STUDI MARKETING

MODEL HIPOTETIK1. Harga produk berpengaruh thd image pelanggan, Harga berpengaruh terhadap Promosi2. Fasilitas berpengaruh thd image pelanggan, juga berpengaruh thd Promosi 3. Produk berpengaruh thd image pelanggan, dan dapat digunakan sebagai sarana Promosi4. Promosi dapat membantu membentuk Image pelanggan

IDENTIFIKASI VARIABEL

Variabel Laten (Konstruk) Variabel Manifest (Terukur)

Harga (X) X1 = Potongan, atau berbentuk hadiahX2 = Harga yg ditetapkan

Promosi (X) X3 = Promosi mampu memberikan informasi yg jelas shg dapat membantu pengambilan keputusan pembelian

Fasilitas (X) X4 = Fasilitas PArkirX5 = Fasilitas bermain anak-anak

Produk (X) X6 = Kualitas produkX7 = Kelengkapan produk yg ditawarkan

Image (Y) Y1 = Citra dan pandangan pelanggan

Jumlah Sampel = 140 orang

Diagram Lintasan

X1

No Sampel X1 X2 X3 X4 X5 X6 X7 Y1

123456789...

X2

X4

X5

X6

X7

Harga

Produk

Fasilitas

Image

Promosi

X3

Y1

HASIL ANALISIS: Diagram Lintasan Model Pengukuran (standardized)

X1

X2

X4

X5

X6

X7

Harga

Produk

Fasilitas

0.36

0.18

0.44

0.65

0.33

0.36

0.80

0.91

0.75

0.59

0.82

0.80

1.00

1.00

1.00

0.58

0.10

0.27

HASIL ANALISIS: Diagram Lintasan Model Pengukuran (t-values)

X1

X2

X4

X5

X6

X7

Harga

Produk

Fasilitas

3.92

1.64unreliable

3.80

6.39

4.68

5.21

9.19

10.38

7.42

6.22

10.59

10.24

0.00

0.00

0.00

6.25

1.00

2.33

HASIL ANALISIS: Diagram Lintasan Model Keseluruhan (standardized)

X1

X2

X4

X5

X6

X7

Harga

Produk

Fasilitas

0.36

0.18

0.44

0.65

0.33

0.36

0.80

0.91

0.75

0.59

0.82

0.80

Promosi

Image

X3

Y1

0.06

-0.18

0.01

0.14

0.74

0.02

0.00

1.00

1.00

0.00

Chi-square = 28.78, df= 12, P-value = 0.00425, RMSEA = 0.100

HASIL ANALISISModel Strultural (estimate)

Chi square = 28.78, df=12, P-value= 0.00425 RMSEA = 0.100

Harga

Fasilitas

Produk

Promosi

Image

3.77

0.65

0.01

0.22

-0.23

0.13

0.93

0.17

0.92

0.00

0.00

0.00

0.27

0.10

0.58

HASIL ANALISISPath Analysis (standardized)

Chi square = 28.78, df=12, P-value= 0.00425 RMSEA = 0.100

Harga

Fasilitas

Produk

Promosi

Image

0.76

0.40

0.01

-0.18

0.10

0.06

0.74

0.14

0.41

1.00

1.00

1.00

0.27

0.10

0.58

HASIL ANALISISModel Struktural (t-value)

Chi square = 28.78, df=12, P-value= 0.00425 RMSEA = 0.100

Harga

Fasilitas

Produk

Promosi

Image

7.27

0.40

0.18

-1.84

1.02

0.46

8.91

1.06

2.78

0.00

0.00

0.00

2.33

1.00

6.25 signifikan

S.E.M.: STRUCTURAL EQUATION MODELLINGMANAJEMEN SDM DOSEN PTS

Model Konsep : Keadaan yang mendahului dan konsekuensi kelelahan emosional tenaga penjual, Babakus et al. 1999

Mendua Peran

Komitmen organisasional

Kelelahan Emosional

Kepuasan Kerja

Keinginan untuk Keluar

Konflik Peran

Kinerja

S.E.M.: STRUCTURAL EQUATION MODELLINGMANAJEMEN SDM DOSEN PTS

Kinerja Karyawa

n

Umpan balik karyawan

Ukuran Kinerja

Penilaian Kinerja

Standar Kinerja

Keputusan SDM

Catatan Karyawa

n

Elemen kunci sistem penilaian kinerja, Mangkuprawira, 2002

S.E.M.: STRUCTURAL EQUATION MODELLINGMANAJEMEN SDM DOSEN PTS

Beban Kerja Identifik

asiKepuasan Kerja

Kelelahan

Emosional

Penghargaan

Lingkungan Keluarga

Konflik Peran

Penilaian

Kinerja

Kinerja

Komitmen Organisasio

nal Keterlibatan

Loyalitas Kelelahan emosional

Depersonalisasi

Kemunduran kepribadian

Pengaruh Kelelahan Emosional thd Kepuasan Kerja dan Kinerja dalam pencapaian komitmen organisasi

S.E.M.: STRUCTURAL EQUATION MODELLINGMANAJEMEN 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

S.E.M.: STRUCTURAL EQUATION MODELLINGMANAJEMEN 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 ilmiah3. Sebagai Penasehat akademik4. Sebagai Dosen Pembimbing skripsi5. Seminar ilmiah

2. Penghargaan 1. Gaji, HR, tunjangan, Insentif Likert, 5 opsi2. Kenaikan pangkat dan jabatan3. Kesempatan pendidikan lanjut4. Fasilitas yang diterima

3. Lingkungan 1. Jumlah anggota keluarga Likert, 5 opsi Keluarga 2. Status kepemilikan rumah

3. Kondisi tempat tinggal4. Keadaan masyarakat sekitar

4. Konflik Peran 1. Perubahan radikal perkuliahan Likert & skoring

2. Hubungan dosen-atasan-staf3. Hubungan dengan mahasiswa4. Persaingan jabatan struktural

5. Kelelahan 1. Perasaan cemas setiap mulai pekerjaan Skoring Emosional 2. Merasa kekeringan emosi

3. Merasa berguna kembali ketika senja hari4. Merasa lelah ketika bangun pagi5. Merasa frustasi oleh pekerjaan

6. Kepuasan Kerja 1. Pekerjaan sesuai dg keinginan Likert, 5 opsi2. Gaji, HR, tunjangan3. Citra PTS tempat mengajar4. Promosi kenaikan pangkat, jabatan, mutasi

7. Kinerja 1, Kinerja pekerjaan dan nkepuasan Likert, 5 opsi2. Kinerja selama ini

8. Penilaian Kinerja 1. Penilaian kinerja yg proporsional Likert, 5 opsi2. Pengukuran prestasi kerja

9. Komitmen organisasi 1. Identifikasi Skoring2. Keterlibatan3. Loyalitas

S.E.M.: STRUCTURAL EQUATION MODELLINGMANAJEMEN 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)

Diagram hasil akhir hubungan kausal :Pengaruh kelelahan emosional thd kepuasan kerja dan kinerja dalam

pencapaian komitmen organisasional dosen PTS

0.364 (S)

-0.248 (S)

0.265 (TS)

1 (S)0.555 (S)

-0.121 (TS)

0.394 (S) -0.338 (S)-0.093 (TS)

0.199 (S)

Structural equation modeling of parasympathetic and sympathetic response to traffic air pollution in a repeated

measures studyEmmanuel S Baja, Joel D Schwartz, Brent A Coull, Gregory A Wellenius, Pantel S

Vokonas and Helen H SuhEnvironmental Health 2013, 12:81 

.SUMBER: .DIUNDUH DARI: http://www.ehjournal.net/content/12/1/81

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.

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: http://www.ehjournal.net/content/12/1/81

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.

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: http://www.ehjournal.net/content/12/1/81

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.

Structural Equation Modeling of the Relationships Between Participation in Leisure Activities and Community Environments by People With Mobility

ImpairmentsHolly Hollingsworth dan David B. Gray

Archives of Physical Medicine and Rehabilitation. Vol. 91, Issue 8 , Pages 1174-1181, August 2010

.SUMBER: .DIUNDUH DARI: http://www.archives-pmr.org/article/S0003-9993%2810%2900250-9/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.

Application of Structural Equation Model for Exploring the influence of Environmental Factors on Phytoplankton in Bohai Bay

Xiao Fu Xu, Jian Hua Tao. 2011. Advanced Materials Research, 347-353, 1832

.SUMBER: .DIUNDUH DARI: …http://www.scientific.net/AMR.347-353.1832

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 .

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.

.SUMBER: .DIUNDUH DARI: http://www.plosone.org/article/info:doi/10.1371/journal.pone.0068766…

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 0.043 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 .

Structural Equation Modeling for Ecology & Evolutionary Biology

Jarrett E. K. Byrnes (University of Massachusetts Boston )http://jarrettbyrnes.info/sem

.SUMBER: .

…… .

SEM adalah bentuk Modeling Grafis

Struktur di SEM menyiratkan kausalitas

..

Ide sederhana untuk Solusi Sistem Kompleks

SEM: Penggunaan dua atau lebih persamaan struktural untuk mengevaluasi efek langsung dan tidak langsung dalam suatu

sistem

SEM sebagai Satu Kesatuan Proses

.SUMBER: .

Teori

SpesifikasiModel

Pengukuran &

Samping

ModifikasiModel

Pendugaan Fit

Estimasi

Interpretasi

Mediation in SEM

.SUMBER: .

...Model dengan Dua Mediator…

.SUMBER: .

Pestisida

Caprellids Gammarids

Macro-algae Epifit Eelgrass

Apakah Caprellids menjelaskan efek

pestisida yang tersisa?

...Model dengan Dua Mediator…

Pestisida

Caprellids Gammarids

Macro-algae Epifit Eelgrass

Caprellids menjelaskan efek

pestisida (yang tersisa). ε

0.38

-0.40 -0.75

ε

ε

0.46

0.42-0.33

-0.64

-0.14

Makroalga memfasilitasisemua amphipods dansecara tidak langsung

mempromosikanherbivora, melindungi

eelgrass.

Gammarids lebih tepat dikendalikan dengan pestisida

Kerapatan eelgrass yang lebih tinggi berhubungan dnegan kerapatan

epifit yang lebih tinggi

Environmental and Ecological Statistics. March 2000, Vol 7, Issue 1, pp 93-111 Using structural equation modeling to investigate relationships

among ecological variablesZiad 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 .

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

.SUMBER: .DIUNDUH DARI: …

…… .