Keunggulan SEM Stuctural Equation Modeling SEM

b. Kedua, penggunaan analisis faktor penegasan confirmatory factor analysis untuk mengurangi kesalahan pengukuran dengan memiliki banyak indicator dalam satu variabel laten. Analisis faktor penegasan digunakan untuk menegaskan bahwa semua indicator mengelompok sendiri kedalam faktor-faktor yang berkaitan denga bagaimana peneliti telah menghubungkan indikator-indikator dengan variabel-variabel laten, sehingga dapat menilai peranan kesalahan pengukuran dalam model. c. Ketiga, daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca keluaran hasil analisis. Berhubungan dengan pemodelan SEM yang digambarkan menggunakan model grafis yang dapat dengan mudah dibaca keluaran hasil analisisnya. d. Keempat, kemungkinan adanya pengujian model secara keseluruhan dari pada koefisien-koefisien secara sendiri-sendiri. Koefisien merupakan besarnya efek yang dihitung dengan menggunakan program estimasi model, dan dalam SEM tersebut dapat digambarkan dalam satu model yang dapat diukur secara keseluruhan. e. Kelima, kemampuan untuk menguji model-model dengan menggunakan beberapa variabel tergantung. Representasi dari variabel-variabel laten tergantung pada hubungan mereka terhadap variabel-variabel indikator dapat diobservasi atau diuji. f. Keenam, kemampuan untuk membuat model terhadap variabel- variabel perantara. Model dari variabel perantara merupakan efek dari variabel endogen atau variabel perantara lainnya terhadap variabel tergantung. g. Ketujuh, kemampuan untuk membuat model gangguan kesalahan error term. Kesalahan menunjuk pada faktor kesalahan pengukuran yang dikaitkan dengan indikator yang diberikan, dimana faktor-faktor kesalahan secara eksplisit dibuat modelnya dalam SEM dan sebagai hasil dari koefisien-koefisien jalur yang dibuat model dalam SEM. h. Kedelapan, kemampuan untuk menguji koefisien-koefisien diluar antara beberapa kelompok subyek. Dalam SEM pada umumnya peneliti mendapatkan estimasi koefisien yang mirip dengan setiap metode yang digunakan. Metode tersebut memungkinkan penggunaan diluar dari model yang ada. i. Kesembilan, kemampuan untuk mengatasi data yang sulit, seperti data time series dengan kesalahan autokorelasi, data yang tidak berdistribusi normal, dan data yang tidak lengkap.

2.2.4 Konsep SEM

2.2.4.1 Variabel-variabel dalam SEM

1 Variabel Laten Dalam SEM variabel kunci yang menjadi perhatian adalah variabel laten latent variabel atau konstruk laten. Variabel laten merupakan konsep abstrak, sebagai contoh : perilaku orang, sikap attitude, perasaan dan motivasi. Variabel laten ini hanya dapat diamati secara tidak langsung. SEM mempunyai dua jenis variabel laten yaitu eksogen dan endogen. SEM membedakan kedua jenis variabel ini berdasarkan atas keikutsertaan mereka sebagai variabel terikat pada persamaan-persamaan dalam model. Sedangkan variabel endogen merupakan variabel terikat pada paling sedikit satu persamaan dalam model, meskipun di semua persamaan sisanya variabel tersebut adalah variabel bebas. Notasi matematik dari variabel laten eksogen adalah huruf Yunani