90938910 Sem Dan Lisrel
Transcript of 90938910 Sem Dan Lisrel
-
7/15/2019 90938910 Sem Dan Lisrel
1/50
1http://junaidichaniago.wordpress.com/
SEM dan LISREL (Seri LISREL bag.1)
Tulisan kali ini merupakan pengantar untuk seri tulisan yang akan membahas mengenai aplikasi Program
LISREL. Sebagai suatu pengantar, pada bagian ini akan diberikan konsep-konsep dasar yang berguna
untuk mengikuti pembahasan pada tulisan berikutnya.
1. Konsep Stuctural Equation Modelling (SEM)Dalam penelitian, kita seringkali menganalisis hubungan atau pengaruh antar variabel. Tetapi, seringkali
juga dalam penelitian (terutama dalam penelitian ilmu sosial) kita berhadapan dengan variabel yang
tidak bisa diukur secara langsung (misalnya kinerja karyawan, kepribadian dan lainnya), dan
memerlukan beberapa indikator untuk pengukurannya. Variabel yang tidak bisa diukur ini dinamakan
dengan konstruk laten/variabel laten/variabel unobserved, sedangkan indikator sebagai variabel terukur
dinamakan sebagai variabel manifest/variabel observed.
Misalnya di bidang manajemen keuangan, kita ingin menganalisis pengaruh efektivitas penggunaan
dana terhadap kinerja keuangan. Kedua variabel tersebut (efektivitas penggunaan dana dan kinerja
keuangan) adalah variabel yang tidak terukur. Oleh karenanya kita membutuhkan indikator untuk
merepresentasikan kedua variabel tersebut.
Jika secara teori efektivitas penggunaan dana tercermin melalui nilai-nilai ARTO, ITO, WCTO, FATO dan
TATA, sedangkan kinerja keuangan, tercermin melalui nilai-nilai ROA dan ROE, kita dapat
menggambarkan diagram hubungan tersebut sebagai berikut:
Keterangan:
ARTO : penjualan/rata-rata piutang ITO : HPP/rata-rata persediaan WCTO : penjualan/rata-rata modal kerja FATO : penjualan/aktiva tetap
-
7/15/2019 90938910 Sem Dan Lisrel
2/50
2http://junaidichaniago.wordpress.com/
TATA : penjualan/total aktiva ROA : penerimaan setelah pajak/total aktiva ROE : penerimaan setelah pajak/modal sendiri EFEKTIF : Efektivitas penggunaan dana KINERJA : Kinerja keuangan E : error
Pada dasarnya diagram diatas sama dengan regresi sederhana biasa yang melihat pengaruh satu
variabel independen terhadap variabel dependen. Namun perbedaannya adalah variabel-variabel
tersebut adalah variabel unobserved yang diukur dengan berbagai indikator. Oleh karena itu, teknik
regresi biasa tidak dapat digunakan untuk mengestimasi model tersebut.
Selain itu, dari diagram tersebut terlihat bahwa, di setiap pengukuran indikator pasti terdapat kesalahan
yang dinamakan dengan kesalahan pengukuran (measurement error). Selain itu juga terdapat kesalahan
struktural (error yang diperlihatkan pada variabel dependent) sebagai akibat tidak masuknya semua
variabel yang mempengaruhi variabel dependen (kinerja keuangan) ke dalam model. Ini dinamakan
dengan kesalahan struktural (structural error).
SEM memungkinkan kita untuk menguji hubungan antara variabel laten (antara efektivitas penggunaan
dana dengan kinerja keuangan) sehingga kita dapat menguji teori. Selain itu, secara simultan, SEM juga
menguji indikator-indikatornya sehingga kita dapat menilai kualitas pengukuran. Dengan demikian kita
dapat menentukan apakah efektivitas penggunaan dana berpengaruh terhadap ARTO (misalnya),seberapa besar pengaruhnya dan seberapa baik ARTO dapat dijadikan indikator untuk variabel
efektivitas penggunaan dana.
2. Beberapa Definisi dan Konsep Terkait1. Variabel eksogen: adalah variabel yang nilainya tidak dipengaruhi/ditentukan oleh variabel lain
di dalam model; setiap variabel eksogen selalu variabel independen
2. Variabel endogen: adalah variabel yang nilainya dipengaruhi/ditentukan oleh variabel lain didalam model. Dikenal juga dengan istilah variabel dependen
3. Konstruk Laten/Variabel Laten/Variabel Unobserved: adalah variabel yang tidak dapat diukursecara langsung dan memerlukan beberapa indikator atau proksi untuk mengukurnya.4. Indikator/Variabel Manifest/Variabel Observed: adalah variabel yang nilainya dapat diukur
secara langsung. Indikator ini dapat dibagi atas dua kelompok:
1. Indikator Reflektif/Indikator Efek: adalah indikator yang dianggap dipengaruhi olehkonstruk laten, atau indikator yang dianggap merefleksikan/merepresentasikan
konstruk laten. LISREL dan beberapa program SEM yang lain hanya dapat menggunakan
indikator reflektif ini.
-
7/15/2019 90938910 Sem Dan Lisrel
3/50
3http://junaidichaniago.wordpress.com/
2. Indikator Formatif: adalah indikator yang dianggap mempengaruhi konstruk laten.Indikator formatif ini hanya dapat digunakan dengan metode Partial Least Square (PLS).
Perbedaan antara indikator formatif dan indikator reflektif digambarkan dalam diagram berikut:
5. Path Diagram: adalah representasi grafis mengenai bagaimana beberapa variabel pada suatu
model berhubungan satu sama lain, yang memberikan suatu pandangan menyeluruh mengenai struktur
model.
3. LISREL (Linear Structural Relationship)Pentingnya SEM sebagai alat statistik dalam penelitian (khususnya dibidang ilmu sosial) menyebabkan
berkembangnya berbagai software SEM, seperti LISREL, AMOS, ROMANO, SEPATH dan LISCOMP. Namun
demikian, diantara software yang ada tersebut, LISREL (Linerar Structural RELationship) merupakanprogram SEM yang paling banyak digunakan. Hal ini disebabkan, selain kemampuan LISREL dalam
mengestimasi berbagai masalah SEM (yang seringkali tidak mungkin dilakukan program lain), tampilan
LISREL juga paling informatif dalam menyajikan hasil-hasil statistik.
Sayangnya, untuk ukuran Indonesia, harga software LISREL relatif mahal. Untuk versi terakhir (LISREL
Versi 8.8 for Windows) harganya US$ 495 ditambah ongkos kirim US$ 20. Dengan kurs 9.130 (hari ini
tanggal 14 Juli 2008), kita harus merogoh kocek sekitar Rp 4,7 juta. SSI (Scientific Software International)
sebagai perusahaan yang mengeluarkan produk LISREL juga menyediakan versi rental (sewa) untuk
program ini. Untuk sewa selama 6 bulan dikenakan biaya US$ 75 (sekitar Rp 685 ribu), dan untuk 12
bulan dengan sewa US$ 130 (sekitar Rp 1,2 juta).
Masih terlalu mahal ? Jangan kuatir. Tersedia juga LISREL student edition. Versi ini gratis dan bukan versitrial (jadi tidak memiliki limit waktu pemakaian), namun demikian yang namanya gratis yang tetap ada
batasannya. Batasannya adalah:
Analisis-analisis statistik dasar dan manipulasi data dibatasi maksimum 20 variabel Model SEM dibatasi maksimum 15 variabel observed Pemodelan multilevel dibatasi maksimum 15 variabel
-
7/15/2019 90938910 Sem Dan Lisrel
4/50
4http://junaidichaniago.wordpress.com/
Model GLM dibatasi dibatasi maksimum 20 variabel Hanya dapat mengimpor data ASCII, tab-delimited, comma-delimited dan SPSS
Yah cukup lumayan. Meskipun ada batasannya, untuk kepentingan pengolahan data penelitian pada
level rendah-menengah sudah sangat memadai.
Tulisan ini, sebagai pengantar untuk seri tulisan mengenai LISREL akan menggunakan LISREL 8.80 for
Windows Student Edition tersebut. Oleh karenanya, silakan download dulu programnya di
http://www.ssicentral.com/lisrel/student.html . Setelah itu, silakan baca seri tulisan LISREL berikutnya di
bawah ini:
Mempersiapkan Input Data pada LISREL (Seri LISREL bag.2) Menyiapkan Input Perintah pada LISREL (Seri LISREL bag.3) Aplikasi LISREL untuk Regresi (Seri LISREL bag.4) Aplikasi LISREL untuk Path Analysis (Seri LISREL bag.5) Aplikasi LISREL pada Model Pengukuran dan Analisis Faktor (Seri LISREL bag.6) Modifikasi Model Pengukuran dan Analisis Faktor (Seri LISREL bag.7) Aplikasi LISREL pada Model Persamaan Struktural (Seri LISREL bag.8 )
-
7/15/2019 90938910 Sem Dan Lisrel
5/50
5http://junaidichaniago.wordpress.com/
Mempersiapkan Input Data untuk LISREL (Seri LISREL bag.2)
Dalam operasinya, Program LISREL membutuhkan input data dan input file (perintah). Untuk
menyiapkan input data, LISREL menyediakan program PRELIS dan untuk menyiapkan input file, LISREL
menyediakan program SIMPLIS sebagai bahasa perintah.
Pada dasarnya selain menggunakan PRELIS, input data untuk LISREL juga dapat ditulis dengan text
documen. Demikian juga untuk input file, selain melalui SIMPLIS juga dapat disiapkan melalui bahasa
LISREL itu sendiri. Namun demikian, alternatif tersebut tidak dianjurkan karena relatif sulit untuk
dioperasionalkan. Oleh karenanya, pada seri LISREL bagian kedua ini hanya akan diuraikan tahapan-
tahapan persiapan input data dengan PRELIS, dan pada seri tulisan LISREL bagian ketiga akan dibahas
tahapan-tahapan input file (perintah) dengan SIMPLIS.
1. MENYIAPKAN INPUT DATA (Program PRELIS)PRELIS adalah program suplemen dari paket program LISREL 8. PRELIS dapat menyimpan data mentah
yang sebelumnya disimpan pada berbagai macam program seperti SPSS, EXCEL, SAS, data text, dan
berbagai program pengolah angka lainnya. LISREL hanya dapat menjalankan model dari data mentah
yang disimpan dalam PRELIS atau text document. Sehingga setiap data mentah yang disimpan pada
program yang lain harus disimpan terlebih dahulu kedalam PRELIS. Selain untuk menyimpan data,
PRELIS juga dapat digunakan untuk melakukan manipulasi data dan manajemen data serta memberikan
deskripsi awal dari data.
Sayangnya, pada student edition, program PRELIS dari LISREL hanya dapat mengenali data yang
berformat SPSS (*.sav), Comma Delimited Data (*.csv), Tab Delimited Data (*.txt) dan Free Format Data
(*.dat, *.raw)
Tapi jangan kuatir. Anda tetap dapat mengetik data di program Excel. Kemudian, sewaktu menyimpan
data tersebut, simpanlah dengan Save As ke format CSV (Comma Delimited) atau ke Text (Tab
Delimited). Dengan cara seperti ini, meskipun kita mengetik dengan Excel, kita bisa dapatkan file data
yang berformat CSV atau TEXT yang bisa diolah Program PRELIS.
Pada bagian berikut ini akan kita bahas cara menyiapkan/menginput data yang berasal dari SPSS
maupun yang berformat *.csv dan *.txt
2. MENYIMPAN DATA2.1. File dari SPSS
Buka program LISREL, kemudian klik File dan klik Import Data. Akan muncul kotak dialog Open.
Tampilan 1. Kotak Dialog Open
-
7/15/2019 90938910 Sem Dan Lisrel
6/50
http://junaidichaniago.wordpre
Pada Look in, pilih folder tempa
File Name pilih nama file (dalam
Akan muncul tampilan Save As
Dalam contoh dibawah, kita ber
Tampilan 2. Kotak Dialog Save
Secara langsung file data SPSS ki
akan tampil di layar seperti b
(umur), SEX (jenis kelamin),
(pendidikan).
Tampilan 3. Hasil Prelis
6s.com/
t data disimpan. Pada Files of Type pilih SPSS fo
contoh, nama file adalah latihan lisrel1). Kemud
berikut. Isikan pada File Name nama file untuk
i nama lisrel1. Setelah itu klik Save.
s
ta akan tersimpan dalam bentuk file PRELIS den
rikut: (keterangan: contoh data kita terdiri d
RAS (suku), WORK (jenis pekerjaan), INC
r Windows (*.sav). Pada
ian klik Open.
enyimpan data PRELIS.
an nama lisrel1.psf, dan
ri 6 variabel yaitu AGE
pendapatan) dan EDC
-
7/15/2019 90938910 Sem Dan Lisrel
7/50
http://junaidichaniago.wordpre
2.2. File Data dengan FormSeperti yang telah dikemukaka
menyimpan ke format *.csv ata
sebagai berikut: (Catatan: dala
setiap variabel)
Buka program LISREL, kemudia
tampilan 1 sebelumnya.
Dari tampilan 1 tersebut, pad
Comma Delimited Data (*.csv).
Akan muncul tampilan Save As
untuk menyimpan data PRELIS.
Setelah mengklik Save, akan m
Dalam kasus kita, jumlah variab
Tampilan 4. Input Jumlah Varia
7s.com/
at Comma Delimited Data (*.csv), Tab Delimite
sebelumnya, setelah mengetik data dengan P
*.txt. Untuk mengimpor data dengan format i
mengetik data di Excel, nama variabel tempa
klik File dan klik Import Data. Akan muncul ko
Look in, pilih folder tempat data disimpan.
ada File Name pilih nama file. Kemudian klik Op
seperti pada tampilan 2 sebelumnya. Isikan p
etelah itu klik Save.
ncul tampilan berikut yang meminta kita mem
lnya 6. Setelah itu klik OK.
bel
Data (*.txt)
rogram Excel, anda bisa
i ke PRELIS, tahapannya
kan pada baris pertama
tak dialog Open, seperti
Pada Files of Type pilih
en.
da File Name nama file
sukkan jumlah variabel.
-
7/15/2019 90938910 Sem Dan Lisrel
8/50
8http://junaidichaniago.wordpress.com/
Setelah mengklik OK, maka secara langsung file data yang berformat *.csv tadi, akan tersimpan dalam
bentuk file PRELIS dengan format *. psf, dan akan tampil di layar seperti pada tampilan 3 sebelumnya.
Untuk file data dengan format *.txt, caranya juga sama dengan format *.csv. Hanya pada pilihan
Files of Type pada tampilan 1 diambil pilihan Tab Delimited Data (*.txt)
2.2.1.Menentukan Jenis DataJenis data dalam LISREL umumnya dibagi 2 yaitu dari continous dan data ordinal. Data dikatakan
continous jika memiliki kategori lebih dari 15. Sebaliknya, dikatakan data ordinal.
Untuk menentukan jenis data klik Data kemudian Define Variables, maka akan muncul tampilan
Tampilan 5. Definisi Variabel
Setelah itu klik nama variabel dan klik Variable Type, akan muncul kotak dialog berikut:
Tampilan 6. Jenis Variabel
-
7/15/2019 90938910 Sem Dan Lisrel
9/50
9http://junaidichaniago.wordpress.com/
Tentukan jenis data. Jika seluruh data akan diperlakukan sama, klikApply to all.
3. MEMBUAT MATRIKS COVARIANCE DAN CORRELATIONSInput data pada LISREL dapat berupa data mentah maupun matriks covariance dan matriks korelasi. Jikaingin mempublikasikan hasil penelitian pada jurnal ilmiah, kita tidak mungkin menyediakan data
mentah. Solusinya adalah dengan memberikan data matriks covariance atau matriks korelasi.
3.1. Membuat Matriks CovarianceSetelah data mentah disimpan dalam PRELIS, klik Statistics dan klik Output Options pada bagian
Statistics.
Akan muncul kotak dialog berikut:
Tampilan 7. Covariance Matrix
-
7/15/2019 90938910 Sem Dan Lisrel
10/50
10http://junaidichaniago.wordpress.com/
Pada moment matrix pilih covariances, klik save to file, kemudian tulis nama file untuk menyimpan
matriks kovarians tersebut. Kemudian klik OK. Dalam contoh diatas data disimpan pada partisi hardisk D
dengan nama file data1.cov
Data matriks kovarians akan tersimpan dalam format text documen. File tersebut dapat dibuka dengan
program Notepad (bagian program Windows).
3.2. Membuat Matriks korelasiMatriks korelasi dibagi dua yaitu :
1. Matriks korelasi continous yang dihasilkan dari data continous. Untuk jenis ini PRELIS akanmenghasilkan matriks korelasinya dalam bentuk Pearsons Correlation.
2. Matriks korelasi ordinal yang dihasilkan dari data ordinal. Untuk jenis ini PRELIS akanmenghasilkan matriks korelasinya dalam bentuk Polychoric Correlation.
Dalam LISREL, data yang memiliki kategori lebih dari 15 dikategorikan sebagai data continous, sebaliknya
jika kurang dari 15 secara otomatis dikategorikan sebagai data ordinal. Kita dapat merubah data
ordinal/interval menjadi continous, tetapi tidak sebaliknya.
-
7/15/2019 90938910 Sem Dan Lisrel
11/50
11http://junaidichaniago.wordpress.com/
Terdapat empat jenis matriks korelasi untuk data ordinal
1. Polychoric: matriks korelasi yang seluruh variabel memiliki skala ordinal dan juga diperlakukansebagai ordinal
2. Tetrachoric: matriks korelasi dimana seluruh variabel memiliki skala dichotomous (variabeldummy; 1 dan 0)
3. Polyserial: matriks korelasi dimana variabel memiliki skala ordinal dan juga skala interval, yangdiperlakukan sebagai ordinal.
4. Biserial: matriks korelasi dimana variabel memiliki skala interval (continuos) dan juga skaladichotomous.
Untuk membuat matrik korelasi adalah sebagai berikut:
Setelah data mentah disimpan dalam PRELIS, klik Output Options pada bagian Statistics. Akan muncul
tampilan berikut:
Tampilan 8. Correlations Matrix
-
7/15/2019 90938910 Sem Dan Lisrel
12/50
12http://junaidichaniago.wordpress.com/
Pada moment matrix pilih Correlations, klik save to file, kemudian tulis nama file untuk menyimpan
matriks korelasi tersebut. Kemudian klik OK. Dalam contoh diatas data disimpan pada partisi hardisk D
dengan nama file data2.cor
Data matriks korelasi akan tersimpan dalam format text documen. File tersebut dapat dibuka dengan
program Notepad (bagian program Windows).
3.3. Membuat Asymtotic Covariance MatrixAsymtotic Covariance Matrix merupakan perhitungan matriks varians dan kovarians yang dihitung
berdasarkan data yang berdistribusi tidak normal. Matriks ini umumnya digunakan untuk metode
Weigthed Least Square (WLS). Selain itu, asymptotic covariance matrix juga digunakan bersamaan
dengan penggunaan polychoric matrix.
Untuk membuat Asymtotic Covariance Matrix adalah sebagai berikut:
Setelah data mentah disimpan dalam PRELIS, klik Output Options pada bagian Statistics. Akan muncul
tampilan berikut:
Tampilan 9. Asymptotic Covariance Matrix
-
7/15/2019 90938910 Sem Dan Lisrel
13/50
13http://junaidichaniago.wordpress.com/
Klik Save to file pada Asymptotic Covariance Matrix, kemudian tulis nama file tempat penyimpanan di
bawahnya. Kemudian klik OK. Dalam contoh diatas data disimpan pada partisi hardisk D dengan nama
file data3.acm
Data matriks asymtotic covariance akan tersimpan dalam format text document. File tersebut dapat
dibuka dengan program Notepad (bagian program Windows), namun demikian nilainya tidak dapat
dibaca dengan Notepad. Tetapi file tersebut tetap memiliki nilai dan dapat dipergunakan untuk analisis.
-
7/15/2019 90938910 Sem Dan Lisrel
14/50
14http://junaidichaniago.wordpress.com/
Menyiapkan Input Perintah pada LISREL (Seri LISREL bag.3)
Jika pada seri kedua tulisanLISREL kita sudah membahas dasar-dasar input data dengan PRELIS, maka
pada seri ketiga ini akan dibahas tahapan-tahapan input file (perintah) dengan SIMPLIS.
MENYIAPKAN INPUT FILE/PERINTAH (Program/Bahasa SIMPLIS)
Buka program LISREL, kemudian klik File dan klik New. Akan muncul tampilan berikut:
Kemudian klik SIMPLIS Project, dan klik OK. Akan muncul kotak dialog Save As.
Pada Save in, pilih folder tempat data disimpan. Pada Save of Type pilih SIMPLIS Project (*.spj). Pada File
Name pilih nama file. Kemudian klik Save. Akan muncul tampilan kosong berikut tempat untuk
menginput/menulis perintah
-
7/15/2019 90938910 Sem Dan Lisrel
15/50
15http://junaidichaniago.wordpress.com/
STRUKTUR PENULISAN PERINTAH PADA PROGRAM SIMPLIS
Syntax dan aturan-aturan yang sering digunakan dalam input file SIMPLIS sebagai berikut: (syntaxlainnya selain yang diberikan di bawah ini, akan diberikan bersamaan dengan contoh aplikasi pada seri-
seri tulisan berikutnya mengenai LISREL)
1. Baris Judul
Baris pertama pada input file dapat digunakan sebagai baris judul. Setiap keterangan pada baris pertama
akan diperlakukan sebagai baris judul kecuali LISREL menemukan dua hal berikut:
Baris yang dimulai dengan kata Observed Variables atau Labels yang merupakan baris perintahpertama dalam input file SIMPLIS
Baris yang dua karakter (huruf) pertamanya dimulai dengan DA, Da, dA atau da, yangmerupakan baris perintah pertama dalam input file SIMPLIS
2. Variabel Observed
Setelah baris judul, baris selanjutnya adalah observed variables, yang merupakan variabel yang memiliki
nilai pada input data.
-
7/15/2019 90938910 Sem Dan Lisrel
16/50
16http://junaidichaniago.wordpress.com/
Baris ini harus dilakukan jika input data adalah matriks kovarians atau matriks korelasi atau datamentah yang disimpan dalam file text.
Baris ini tidak diharuskan jika input data menggunakan data mentah yang disimpan dalamprogram PRELIS.
Penulisan observed variables dengan memberikan spasi antar variabel. Contoh: Observed Variables X1
X2 X3 Y1 Y2
3. Data
Setelah baris observed variables, baris selanjutnya adalah penjelasan unuk input data. Dalam LISREL
input data dapat berupa data mentah, Matriks kovarians, Matriks kovarias dan means, Matriks
korelasi,Matriks korelasi dan standar deviasi, Matriks korelasi, standar deviasi dan means. Pada seluruh
macam format input data tersebut, asymptotic covariance matrix juga dapat ditambahkan pada input
data.
Untuk membaca data, perintahnya adalah sebagai berikut:
Untuk Data mentahRaw Data from file nama file
Matriks kovariansCovariance Matrix from file nama file
Matriks kovarians dan meansCovariance Matrix from file nama file
Means from file nama file
Matriks korelasiCorrelations Matrix from file nama file
Matriks korelasi dan standar deviasiCorrelations Matrix from file nama file
Standard Deviations from file nama file
Matriks korelasi, standar deviasi dan meansCorrelations Matrix from file nama file
Standard Deviations from file nama file
-
7/15/2019 90938910 Sem Dan Lisrel
17/50
17http://junaidichaniago.wordpress.com/
Means from file nama file
Asymptotic Covariance MatrixAsymptotic Covariance Matrix from file nama file
Asymptotic Variances MatrixAsymptotic Variances Matrix from file nama file
4. Ukuran Sampel
Ukuran sampel perlu dituliskan jika input data bukan berupa data mentah. Contoh penulisannya sebagai
berikut: Sample size = 113
5. Variabel Laten atau Unobserved
Untuk menuliskan nama variabel laten dapat menggunakan Latent Variables atau Unobserved Variables.
Nama variabel laten tidak boleh sama dengan variabel observed. Contoh penulisan:
Latent Variables: komitmen kepuasan kinerja
6. Relationships (hubungan)
Setelah baris variabel laten, baris selanjutnya adalah baris hubungan. Judul untuk baris ini dapat ditulis
sebagai Relationships, Relations atau Equations. Judul juga boleh tidak dituliskan.
Penulisan hubungan bisa menggunakan persamaan (tanda =) berikut:
Variabel dependen = variabel independen
Indikator = variabel laten
Penulisan hubungan juga bisa dilakukan dengan menggunakan path (jalur) berikut:
Variabel independen variabel dependen
Variabel laten indikator
Baik dengan menggunakan persamaan maupun menggunakan path, penulisan variabel dapat dilakukansecara simultan (beberapa/seluruh variabel dituliskan secara bersamaan). Berkaitan dengan ini,
penulisannya dapat dilakukan dengan versi pendek atau versi panjang. Contoh:
Versi panjang Versi Pendek
Relationships Relationships
-
7/15/2019 90938910 Sem Dan Lisrel
18/50
18http://junaidichaniago.wordpress.com/
X1 X2 X3 X4 = kinerja X1 X4 = kinerja
Relationships
kinerja X1 X2 X3 X4
Relationships
kinerja X1 X4
7. LISREL Output
Output LISREL bisa dihasilkan dalam format SIMPLIS atau format LISREL. Pada format SIMPLIS, model
diestimasi berdasarkan bentuk persamaan, sedangkan pada format LISREL, model disajikan dalam
bentuk matriks. Format SIMPLIS diperoleh secara default, sedangkan format LISREL dapat diperoleh
dengan menuliskan perintah pada file input sebagai berikut: LISREL Output
Jika hal-hal lainnya tidak dituliskan dalam baris LISREL Output, maka informasi yang disajikan akan sama
dengan output SIMPLIS. Tetapi kita juga bisa memberikan informasi tambahan dengan menuliskan kata-
kata kunci sebagai berikut:
LISREL Output: SS SC EF SE VA MR FS PC PT
SS : menghasilkan standardized solution
SC : menyajikan seluruhnya standardized solution
EF : menyajikan pengaruh langsung dan tidak langsung (komposisi pengaruh)
VA : menyajikan varians dan kovarians
MR : sama dengan RS dan VA
FS : menghasilkan nilai faktor regresi
PC : menyajikan korelasi antara estimasi parameter
PT : menyajikan informasi-informasi teknis
8. End of Problem
Untuk menunjukkan seluruh persamaan telah dituliskan, maka tuliskan baris: End of Problem
Pada multi sampel, End of Problem dituliskan pada akhir kelompok, tidak pada masing-masing kelompok
-
7/15/2019 90938910 Sem Dan Lisrel
19/50
19http://junaidichaniago.wordpress.com/
-
7/15/2019 90938910 Sem Dan Lisrel
20/50
20http://junaidichaniago.wordpress.com/
Aplikasi LISREL untuk Regresi (Seri LISREL bag.4)
Tulisan seri keempat dari LISREL ini akan membahas aplikasi sederhana pada persoalan regresi
berganda. Misalkan, kita punya data mentah dari 474 pekerja/karyawan yang mencakup variabel-
variabel sebagai berikut: (Untuk latihan, silakan ambil datanya di
http://junaidichaniago.files.wordpress.com/2008/07/kerja.doc. Tapi data tersebut dalam bentuk word,
rubah dulu ke Excel atau SPSS ya. Maklum, WordPress tidak mendukung file data Excel dan SPSS)
X1 = pendidikan dalam tahun pendidikan formal
X2 = masa kerja pada pekerjaan (perusahaan) sekarang dalam bulan
X3 = masa kerja sebelum pekerjaan (perusahaan) sekarang dalam bulan
Y1 = Gaji sekarang (dalam Juta Rp)
Y2 = Gaji awal bekerja (dalam Juta Rp)
Setelah data yang Anda ambil tersebut dirubah ke SPSS atau Excel, kemudian simpan ke dalam format
PRELIS (lihat tahapannya pada tulisan Seri 2), dengan nama kerja1.psf, pada folder D:\blog. Kemudian,
kita buat file perintah dengan nama file kerja2.psf (lihat tahapannya pada tulisan Seri 3).
Misalnya kita ingin menganalisis pengaruh pendidikan (X1), masa kerja sekarang (X2) dan masa kerja
sebelumnya (X3) terhadap gaji sekarang (Y1), maka pada halaman perintah, kita ketikkan perintah-
perintahnya seperti tampilan berikut.
-
7/15/2019 90938910 Sem Dan Lisrel
21/50
21http://junaidichaniago.wordpress.com/
Baris pertama dari perintah tersebut adalah judul dari output kita. Baris kedua adalah perintah agar
LISREL membaca data mentah kerja1.psf di folder D:\blog. Baris ketiga adalah baris hubungan, yang
memerintahkan LISREL untuk mencari hubungan. Baris keempat adalah bentuk hubungan yang akan kita
cari. Baris kelima adalah perintah agar LISREL menghasilkan path diagram. Baris keenam untukmenyatakan seluruh persamaan telah dituliskan.
Setelah mengetikkan semua perintah tersebut, langkah selanjutnya adalah memerintahkan LISREL untuk
mengolah hasilnya. Caranya? Perhatikan di bagian atas layar ada icon orang sedang berlari dan tulisan L.
Klik icon tersebut. Maka kita akan mendapatkan hasil perhitungan LISREL.
Sesuai dengan perintah kita, LISREL akan menghasilkan dua output. Output pertama dengan nama file
kerja2.out, seperti tampilan di bawah ini.
Sebagian output pertama tersebut kita kutipkan disini.
Perhitungan pertama yang ditampilkan LISREL adalah kovarians matriks yang diikuti oleh nilai rata-rata
hitung masing-masing variable sebagai berikut:
-
7/15/2019 90938910 Sem Dan Lisrel
22/50
22http://junaidichaniago.wordpress.com/
Koefisien regresi ditunjukkan dengan angka-angka pada baris pertama. Di bawah koefisien regresi
(dalam tanda kurung) adalah estimasi standar error yang mengukur ketepatan dari estimasi parameter.
Di bawah standar error adalah nilai t-hitung, yang diuji dengan nilai t-tabel untuk menarik kesimpulan
mengenai signifikansi koefisien regresi. Jika nilai t-hitung > t-tabel dapat ditarik kesimpulan adanya
pengaruh yang signifikan antar variable.
Nilai t-tabel pada = 5% dan df=470 adalah 1,97. dan nilai t-tabel pada = 1% dan df=470 adalah 2,59.
Berdasarkan hal tersebut, variable X1 berpengaruh signifikan terhadap Y1 pada level 1%, variable X3
berpengaruh signifikan terhadap Y1 pada level 5 %, sedangkan X2 tidak berpengaruh terhadap Y1.
Angka konstantanya adalah sebesar -2,79. (catatan: jika dalam perintah SIMPLIS tidak ditambahkan kataconstant, LISREL tidak akan memunculkan nilai ini). Secara matematis ini berarti nilai Y1 ketika nilai X1,
X2 dan X3 sama dengan 0. (catatan: secara teori empirik, penafsiran konstanta tidak selalu seperti hal
tersebut).
Dalam estimasi persamaan regresi juga dimunculkan nilai error variance dan R2.
-
7/15/2019 90938910 Sem Dan Lisrel
23/50
23http://junaidichaniago.wordpress.com/
Output LISREL juga menampilkan kovarians matriks antara variable-variabel independent. Kovarians
antara variable X1 dan X3 adalah -76,14 dengan standar error 14,35 dan nilai t adalah -5,30 (signifikan
pada level 1%). Sebagai catatan: kovarians antar variable independent yang standardized adalah nilai
korelasi.
Dengan cara pembacaan yang sama, terlihat bahwa kovarians antara X2 dan X3 tidak signifikan,
demikian juga antara X1 dan X2.
Varians X1 adalah sebesar 8,32 dengan standar error 0,54 dan nilai t adalah 15,33 (membandingkan
dengan nilai t table, angka ini signifikan pada level 1 %). Varians X2 adalah sebesar 101,22 dengan
standar error 6,60 dan nilai t adalah 15,33 (signifikan pada level 1 %).
Berikutnya, output LISREL juga menampilkan kovarians matriks variable laten. Namun demikian, karena
variable kita adalah variable observed bukan variable laten, maka tampilan ini dapat diartikan sebagai
kovarians antara semua variable yang dianalisis.
-
7/15/2019 90938910 Sem Dan Lisrel
24/50
24http://junaidichaniago.wordpress.com/
Selain output yang dijelaskan diatas, masih terdapat beberapa output lainnya dari LISREL. Namun
demikian output-output tersebut belum terkait dengan contoh kita pada bagian ini, dan akan dibahas
pada contoh-contoh pada tulisan seri berikutnya:
Selanjutnya, output kedua yang dihasilkan LISREL dari perintahpath diagram diberikan sebagai berikut:
Tampilan path diagram diatas menampilkan nilai estimasi unstandarized. Angka ini sama dengan output
teks sebelumnya. Sedangkan angka pada panah dua arah yang menghubungan antar variabel
independen adalah nilai kovarians antara variabel independent tersebut.
Perhatikan pada menu bagian atas. Pada menu model ada dua pilihan yaitu Structural Model (seperti
yang terlihat pada tampilan diatas) dan Mean Model (yang bisa kita pilih dengan mengklik panah
disamping menu tersebut). Jika kita pilih Mean Model, maka angka-angka yang ada pada diagram
tersebut akan berganti dengan angka mean model.
Demikian juga, pada menu bagian atas terdapat menu Estimates. Terdapat beberapa pilihan pada menu
Estimates yaitu Estimates (seperti yang terlihat pada tampilan), Standarized Solution (menghasilkanestimasi standarisasi), Conceptual Diagram (menghasilkan konsep diagram tanpa angka), T-Values
(mengeluarkan nilai t-hitung), Modification Indices (indeks modifikasi) dan Expected Change (perubahan
yang diharapkan).
Sebagaimana halnya pada menu Model, ketika kita merubah pilihan pada Menu Estimates ini, maka
angka-angka pada diagram juga akan berubah. Misalnya, pada menu Estimates kita pilih T-values, maka
akan muncul tampilan seperti berikut, yang menampilkan nilai t untuk estimasi masing-masing
parameter. Hubungan yang signifikan (default LISREL adalah sebesar 5%) ditampilkan dengan warna
hitam, sedangkan yang tidak signifikan ditampilkan dengan warna merah.
-
7/15/2019 90938910 Sem Dan Lisrel
25/50
25http://junaidichaniago.wordpress.com/
-
7/15/2019 90938910 Sem Dan Lisrel
26/50
26http://junaidichaniago.wordpress.com/
Aplikasi LISREL untuk Path Analysis (Seri LISREL bag.5)
Pada tulisan seri kelima ini, kita akan mencoba mengaplikasikan program LISREL untuk Path Analysis.
Untuk dapat mengikuti pembahasan pada tulisan ini, Anda diharapkan sudah membaca tulisan-tulisan
seri LISREL sebelumnya yang ada pada blog ini (Seri 1, Seri 2, Seri 3 dan Seri 4)
Analisis jalur (Path Analysis) merupakan teknik statistik yang digunakan untuk menguji hubungan kausal
antara dua atau lebih variabel. Analisis jalur berbeda dengan teknik analisis regresi lainnya, dimana pada
analisis jalur memungkinkan pengujian dengan menggunakan variabel mediating/intervening/perantara
(misalnya X Y Z)
Dengan menggunakan data pekerja seperti pada tulisan seri LISREL bagian 4 sebelumnya, misalnya kita
membentuk model sebagai berikut:
Y1 = X1 X2 X3 Y2
Y2 = X1 X3
Yang berarti bahwa gaji sekarang (Y1) selain dipengaruhi oleh pendidikan (X1), masa kerja sekarang (X2),
masa kerja sebelumnya (X3), juga dipengaruhi oleh gaji awal bekerja (Y2). Gaji awal bekerja (Y2) itu
sendiri juga dipengaruhi oleh pendidikan (X1) dan masa kerja sebelumnya (X3).
Input untuk menjalankan persamaan tersebut adalah sebagai berikut:
Catatan: perintah Option: SS, digunakan untuk menampilkan nilai standardized hubungan antar variable.
Jika perintah ini tidak digunakan, maka yang akan ditampilkan hanya nilai unstandarized (tetapi nilai
standardized tetap bias dilihat pada path diagram). Option: EF digunakan untuk menampilkan effectdecomposition (komposisi pengaruh).
Dengan input tersebut, LISREL menghasilkan estimasi regresi unstandarized berikut:
-
7/15/2019 90938910 Sem Dan Lisrel
27/50
27http://junaidichaniago.wordpress.com/
Dari output tersebut terlihat bahwa semua variabel pada taraf 1 % berpengaruh signifikan, baik
terhadap Y1 maupun Y2.
Selanjutnya, output covariance matrix untuk independent variables dan latent variables diberikan
sebagai berikut. Interpretasinya sama dengan kasus sebelumnya.
Model memiliki fit yang sangat baik karena memiliki nilai probabilitas yang tidak signifikan (p-value =
0,12 Chi-Square = 2,41 dengan df = 1). Catatan: model yang fit seharusnya memiliki nilai p yang tidak
signifikan (lebih besar dari 0,05). Penjelasan lebih lanjut mengenai model fit ini lihat pada bab khusus
mengenai model fit.
-
7/15/2019 90938910 Sem Dan Lisrel
28/50
28http://junaidichaniago.wordpress.com/
Berdasarkan perintah Option: SS, LISREL memberikan output sebagai berikut:
Output BETA adalah output LISREL yang berupa matriks hubungan antara sesame variable endogen.
Bagian kolom adalah variable endogen independent dan bagian baris adalah variable endogen
dependent. Dari output tersebut diketahui nilai standardized pengaruh antara Y2 terhadap Y1 adalah
0,81.
Output GAMMA adalah output LISREL yang berupa matriks pengaruh (standardized) antara variable
eksogen (independent) terhadap variable endogen (dependen). Bagian kolom adalah variable eksogen
(independent) dan bagian baris adalah variable endogen (dependent).
Output diatas adalah matrik korelasi antara variable yang dianalisis. Output ini hanya akan ditampilkan
jika ada perintah Option: SS
Output PSI menampilkan output mengenai measurement error (perhatikan hanya untuk variable
endogen) dimana error telah distandarisasi. Y1 memiliki measurement error 0,19 dan Y2 sebesar 0,55.
-
7/15/2019 90938910 Sem Dan Lisrel
29/50
29http://junaidichaniago.wordpress.com/
Karena variable-variabel yang dianalisis adalah variable observed dan tidak latent, maka output di atas
adalah output gabungan sebelumnya yaitu output BETA dan GAMMA.
Selanjutnya, berdasarkan perintah Option: EF, LISREL memberikan output berikut:
Output diatas memberikan pengaruh total antara variable eksogen terhadap variable endogen.
Pengaruh total ini merupakan penjumlahan dari pengaruh langsung (lihat output estimasi regresi
unstandarized sebelumnya) dengan pengaruh tidak langsung (lihat output di bawah ini). Misalnyapengaruh total X1 terhadap Y1 sebesar 0,40. Ini adalah penjumlahan dari pengaruh langsung X1
terhadap Y1 sebesar 0,067 dengan pengaruh tidak langsung X1 terhadap Y1 sebesar 0,33.
Pengaruh total X2 terhadap Y1 sama dengan pengaruh langsungnya. Karena hubungan X2 dan Y1 adalah
langsung dan tidak memiliki hubungan tidak langsung.
Output diatas memberikan pengaruh tidak langsung antara variable. Misalnya pengaruh tidak langsung
X1 terhadap Y1 adalah sebesar 0,33. Ini diperoleh melalui perkalian antara pengaruh langsung antara X1
-
7/15/2019 90938910 Sem Dan Lisrel
30/50
30http://junaidichaniago.wordpress.com/
terhadap Y2 (variable antara) dengan pengaruh langsung Y2 terhadap Y1. Dengan demikian nilai 0,33
diperoleh melalui 0,19 x 1,77 = 0,33. (Untuk lebih mudah memahaminya, lihat path diagram di bawah).
Output diatas memberikan pengaruh total variable endogen terhadap variable endogen. Pengaruh total
Y2 terhadap Y1 sama dengan pengaruh langsungnya. Karena hubungan antara Y2 dan Y1 adalah
langsung dan tidak memiliki hubungan tidak langsung.
Tampilan output diatas sama dengan tampilan sebelumnya, hanya ini merupakan pengaruh yang telah
standarized (yang diturunkan dari estimasi nilai standarized).
-
7/15/2019 90938910 Sem Dan Lisrel
31/50
31http://junaidichaniago.wordpress.com/
-
7/15/2019 90938910 Sem Dan Lisrel
32/50
32http://junaidichaniago.wordpress.com/
Aplikasi LISREL pada Model Pengukuran & Analisis Faktor (Seri LISREL bag.6)
Tulisan ini merupakan seri ke 6 dari seri LISREL yang akan membahas mengenai aplikasi LISREL pada
Model Pengukuran dan Analisis Faktor. Silakan baca dulu seri 1 5 dari tulisan LISREL yang ada pada
blog ini.
Untuk mengukur suatu variabel/faktor, kita memerlukan indikator-indikator yang membentuk variabel
tersebut. Misalnya untuk mengukur tingkat ketampanan seseorang, maka indikatornya misalnya
panjang hidung, warna kulit dan lain sebagainya. Nah, pemodelan yang ditujukan untuk mengukur
dimensi-dimensi yang membentuk sebuah faktor atau variabel tersebut disebut Measurement Model
atau Model Pengukuran. Measurement model berkaitan dengan sebuah faktor. Karenanya, analisis yang
dilakukan sebenarnya sama dengan analisis faktor, dalam konteks apakah indikator yang digunakan
dapat mengkonfirmasi faktor.
Sebagai latihan, misalnya kita ingin meneliti mengenai persepsi nasabah terhadap kualitas pelayanansuatu bank (Untuk latihan, silakan ambil datanya di
http://junaidichaniago.files.wordpress.com/2008/07/bank.doc. Tapi file ini masih dalam word, Anda
harus rubah dulu ke Excel atau SPSS. Selanjutnya simpan dalam format PRELIS). Diambil sebanyak 101
responden nasabah bank tersebut. Untuk mengukur persepsi terhadap kualitas pelayanan bank tersebut
dikembangkan dua dimensi kualitas pelayanan yaitu dimensi fisik dan dimensi non-fisik. Untuk dimensi
fisik digunakan tiga indikator pengukuran dan untuk dimensi non-fisik dikembangkan lima indikator
pengukuran. Indikator-indikator tersebut ditanyakan kepada responden dengan menggunakan
pengukuran skala likert 1-5, yaitu sangat tidak setuju = 1, tidak setuju = 2, setuju = 3, tidak setuju = 4 dan
sangat tidak setuju = 5. Rincian indikator sebagai berikut:
Indikator Persepsi Kualitas PelayananDimensi Kualitas
Pelayanan
X1Fasilitas ATM di Bank ini terjamin keamanannya.
FisikX2
Memarkir kendaraan di Bank ini terjamin keamanannya
X3
Ruangan tunggu di Bank ini cukup memadai untuk menampung nasabah
yang ada
-
7/15/2019 90938910 Sem Dan Lisrel
33/50
33http://junaidichaniago.wordpress.com/
X4
Keakuratan dan keterandalan pelayanan bank ini tidak sesuai dengan yang
dijanjikan.
NonFisik
X5
Bantuan pelayanan yang diberikan sangat lambat jika saya ada masalah
yang berkaitan dengan bank ini
X6
Kemampuan pegawai bank sangat rendah dalam mengatasi masalah saya
yang berkaitan dengan bank ini
X7
Bank ini tidak memiliki kepedulian dan perhatian personal yang tinggi
kepada saya
Penulisan input pada LISREL untuk menjalankan model tersebut adalah sebagai berikut:
-
7/15/2019 90938910 Sem Dan Lisrel
34/50
34http://junaidichaniago.wordpress.com/
Perhatikan, pada baris ketiga kita sebutkan nama variabel laten (unobserved variable), yang
menunjukkan dua dimensi kualitas pelayanan yang akan diukur. Perhatikan penulisan persamaan pada
baris keempat dan kelima yang berbeda dengan contoh-contoh sebelumnya (pada tulisan seri 3,4,5),
karena adanya variabel laten. Indikator berada di sebelah kiri tanda sama dengan, sedangkan variabel
laten di sebelah kanan. Perhatikan juga penulisan tanda strip (-) diantara indikator, yang berarti sampai
dengan. Penulisan baris kelima (demikian juga untuk baris keenam) sebenarnya adalah ringkasan dari:
X1 = FISIK
X2 = FISIK
X3 = FISIK
Yang berarti variabel laten FISIK berpengaruh terhadap indikator X1, X2 dan X3.
Perhatikan penulisan perintah path diagram yang diikuti dengan kata-kata tv=10. Perintah ini meminta
LISREL untuk menguji (menandai) output path diagram dengan tingkat signifikansi 10%. (Jika tidak
dituliskan, default LISREL adalah 5%).
-
7/15/2019 90938910 Sem Dan Lisrel
35/50
35http://junaidichaniago.wordpress.com/
Input tersebut akan memberikan estimasi mengenai hubungan antara indikator dengan variabel laten,
atau dengan kata lain, kita ingin menguji validitas indikator dalam merefleksikan variabel laten
(unobserved).
Dengan menggunakan = 10%, nilai t-tabel df=99 adalah 1,66. Ini berarti dari output diatas dapat
diketahui bahwa yang tidak signifikan adalah indicator X2 yang merupakan indicator FISIK dan X4
sebagai indicator NONFISIK. Kedua indicator itu juga memberikan nilai R2 paling kecil. Nilai R2 pada
masing-masing persamaan, biasanya diinterpretasikan sebagai reliabilitas indicator. Sebaliknya,
indicator-indikator lainnya terbukti cukup baik dalam merepresentasikan variable laten.
Dari output juga dapat disimpulkan bahwa dari ketiga indicator FISIK, indicator X3 merupakan indicator
yang paling reliable, sedangkan dari lima empat indicator NONFISIK, indicator X7 yang paling reliable.
Model memiliki fit yang sangat baik karena memiliki nilai probabilitas yang tidak signifikan (p-value =
0,60 Chi-Square = 11,08 dengan df = 13). Catatan: model yang fit seharusnya memiliki nilai p yang tidak
signifikan (lebih besar dari 0,05).
Karena model pengukuran di atas memiliki fit yang sangat baik, maka kita dapat menggunakan nilai
estimasi (loading) sebagai koefisien validitas. Dengan demikian, karena X3 memiliki nilai loading yang
paling besar (sebesar 0,43 bandingkan dengan X1 sebesar 0,28 dan X2 sebesar 0,022), maka dapat
disimpulkan bahwa X3 merupakan indikator yang paling valid dari indikator variabel FISIK. Sedangkan
untuk variabel NONFISIK adalah indikator X7.
-
7/15/2019 90938910 Sem Dan Lisrel
36/50
36http://junaidichaniago.wordpress.com/
Dua variable independent (eksogen) secara default LISREL diasumsikan saling berkorelasi, maka
output LISREL juga menampilkan nilai korelasinya. Nilai korelasi antara FISIK dan NONFISIK
adalah -0,82 dengan standar error 0,35 dan nilai t= -2,31 (signifikan pada = 5%).
Informasi korelasi dan standar error ini berguna untuk mengetahui apakah sebenarnya model
cocok menggunakan satu variable laten saja atau dua variable laten. Dengan kata lain, kitadapat membuktikan apakah dari tujuh indicator tersebut, sebaiknya dipecah dalam dua dimensi
(FISIK dan NONFISIK) atau menjadi satu dimensi saja.
Karena korelasinya cukup kuat, maka dapat kita simpulkan sebaiknya model menggunakan satu
dimensi saja.
Output path diagram yang menampilkan koefisien estimasi dari kasus kita sebagai berikut:
-
7/15/2019 90938910 Sem Dan Lisrel
37/50
37http://junaidichaniago.wordpress.com/
Output path diagram yang menampilkan nilai t dari kasus kita sebagai berikut:
-
7/15/2019 90938910 Sem Dan Lisrel
38/50
38http://junaidichaniago.wordpress.com/
Modifikasi Model Pengukuran & Analisis Faktor (Seri LISREL bag.7)
Tulisan ini merupakan seri ketujuh dari tulisan seri LISREL yang ada pada blog ini. Jika pada seri keenam
kita membahas mengenai model pengukuran dan analisis faktor, pada seri ketujuh ini juga masih
membahas hal yang sama, tetapi lebih ditekankan pada teknik modifikasi model dalam analisis faktor
jika model fit tidak baik
Misalnya, kita punya data hipotetik dengan dua faktor, yaitu FAKTOR1 dan FAKTOR2. Asumsikan masing-
masing faktor tersebut akan diukur melalui tiga indikator. FAKTOR1 diukur melalui indikator X1, X2 dan
X3 dan FAKTOR2 diukur melalui X4, X5 dan X6. Indikator-indikator itu sendiri merupakan respon dari
responden yang diukur dengan skala likert 1-5. (Silakan ambil datanya di
http://junaidichaniago.files.wordpress.com/2008/07/analisis-faktor.doc. Tapi data tersebut masih
dalam bentuk word. Rubah dulu ke bentuk SPSS atau Excel, kemudian simpan dalam format PRELIS)
Secara konseptual, model tersebut dapat digambarkan sebagai berikut:
Input untuk model tersebut dapat ditulis dalam LISREL sebagai berikut:
-
7/15/2019 90938910 Sem Dan Lisrel
39/50
39http://junaidichaniago.wordpress.com/
Ada tambahan dua elemen baru dalam baris perintah yaitu:
Number of Decimals = 3
Yang memerintahkan LISREL untuk menampilkan output dengan tiga desimal di belakang koma (default
LISREL dua desimal).
Wide Print
Yang memerintahkan LISREL untuk menampilkan output dengan 132 karakter perbaris (default LISREL 80
karakter)
Print Residuals
Yang memerintahkan LISREL untuk menampilkan residual
Dengan perintah-perintah tersebut diatas, LISREL menghasilkan persamaan pengukuran sebagai berikut:
-
7/15/2019 90938910 Sem Dan Lisrel
40/50
40http://junaidichaniago.wordpress.com/
Seluruh indicator tersebut signifikan pada taraf 1% atau 5%. Seluruh error variance juga signifikan pada
tarf 1% atau 5%, dengan R2 berkisar antara 0,121 sampai 0,863. Tetapi jika dilihat dari goodness of fit,
ternyata model tidak fit. Chi-Square sebesar 65,821 dengan derajat bebas 8 dan nilai p yang signifikan,
mengindikasikan model tidak fit. Dalam konteks ini, ada dua alternatif. Melakukan penelitian ulang atau
memodifikasi model. Tentu saja pilihan yang lebih logis adalah memodifikasi model, asal terdapatjustifikasi teori yang kuat untuk modifikasi model tersebut.
Perintah Print residual dalam input kita sebelumnya dapat memberikan kita informasi mengenai
penyebab tidak fitnya model. Output-output LISREL di bawah ini dapat digunakan sebagai pemandu
untuk menganalisis penyebab tidak fitnya model.
-
7/15/2019 90938910 Sem Dan Lisrel
41/50
41http://junaidichaniago.wordpress.com/
Output dengan judul Covariance Matrix secara statistik juga dikenal dengan istilah Sample Covariance
Matrix (yang merupakan tampilan default dari LISREL). Output dengan judul Fitted Covariance Matrix
merupakan estimasi program dalam memprediksi covariance matrix model penelitian yang diajukan.Pengurangan Covariance Matrix dengan Fitted Covariance Matrix menghasilkan output Fitted Residuals.
Suatu model dikatakan fit jika matriks residualnya (Fitted Residuals) adalah nol (mendekati nol).
Sedangkan model dikatakan memiliki fit yang sangat buruk apabila matriks residualnya sangat besar.
Berdasarkan hal tersebut, terlihat bahwa residual kovarians yang terbesar adalah antara X1 dan X4 yaitu
0,338, sehingga diperoleh kesimpulan bahwa X1 dan X4 inilah yang menjadi penyebab tidak fitnya
model.
Namun demikian, informasi residual ini perlu ditanggapi secara hati-hati karena nilai residual tersebut
adalah unstandarized, yang mungkin nilai-nilainya dipengaruhi oleh bedanya pengukuran. Jika indicator-
indikator dalam model kita memiliki perbedaan dalam skala pengukurannya, sebaiknya menggunakan
Standarized Residual yang juga ditampilkan dalam output LISREL sebagai berikut:
-
7/15/2019 90938910 Sem Dan Lisrel
42/50
42http://junaidichaniago.wordpress.com/
Dari output diatas terlihat bahwa berdasarkan standarized residual, sebenarnya yang memiliki residual
terbesar adalah X5 dan X6.
Lalu apa yang harus dilakukan ? Dalam konteks ini LISREL memberikan output modification indexyang
merupakan salah satu alternatif terbaik untuk modifikasi model.
Output LISREL menyarankan dua tipe modifikasi yang dapat dilakukan:
Tipe 1.
1. Menambah path (jalur) dari FAKTOR2 ke indikator X3. Dengan kata lain, X3 selain merupakanindikator FAKTOR1 juga merupakan indikator indikator FAKTOR2. Modifikasi ini akan
menurunkan nilai Chi-Square sebesar 13,0 dan menghasilkan estimasi baru menjadi 0,48
2. Menambah path (jalur) dari FAKTOR1 ke indikator X4. Dengan kata lain, X4 selain merupakanindikator FAKTOR2 juga merupakan indikator indikator FAKTOR1. Modifikasi ini akan
menurunkan nilai Chi-Square sebesar 27,7 dan menghasilkan estimasi baru menjadi 0,65
Tipe 2.
1. Memberikan hubungan antara dua error indikator X2 dan X1, akan menghasilkan penurunannilai Chi-Square sebesar 13,0 dan menghasilkan kovarians baru sebesar 0,26
-
7/15/2019 90938910 Sem Dan Lisrel
43/50
43http://junaidichaniago.wordpress.com/
2. Memberikan hubungan antara dua error indikator X4 dan X1, akan menghasilkan penurunannilai Chi-Square sebesar 10,0 dan menghasilkan kovarians baru sebesar 0,25
3. Memberikan hubungan antara dua error indikator X6 dan X1, akan menghasilkan penurunannilai Chi-Square sebesar 17,7 dan menghasilkan kovarians baru sebesar -0,24
4. Memberikan hubungan antara dua error indikator X6 dan X3, akan menghasilkan penurunannilai Chi-Square sebesar 10,8 dan menghasilkan kovarians baru sebesar 0,17
5. Memberikan hubungan antara dua error indikator X6 dan X5, akan menghasilkan penurunannilai Chi-Square sebesar 27,7 dan menghasilkan kovarians baru sebesar 3,23
Modification indices dan perubahan yang diharapkan (Expected Change) juga divisualisasikan oleh
LISREL dalam bentuk path diagram berikut:
-
7/15/2019 90938910 Sem Dan Lisrel
44/50
44http://junaidichaniago.wordpress.com/
Berikut ini diberikan cara mengoperasikan LISREL untuk memodifikasi model. Contoh untuk modifikasi
tipe 1a dari kasus kita diatas. Inputnya dapat ditulis:
-
7/15/2019 90938910 Sem Dan Lisrel
45/50
45http://junaidichaniago.wordpress.com/
Nah, setelah mengetikan perintah tersebut di LISREL, coba di run untuk melihat hasilnya. Apakah
modelnya sudah fit? Jika belum, coba lagi dengan tipe modifikasi lain yang disarankan LISREL. Selamat
mencoba.
-
7/15/2019 90938910 Sem Dan Lisrel
46/50
46http://junaidichaniago.wordpress.com/
Aplikasi LISREL pada Model Persamaan Struktural (Seri LISREL bag.8)
Tulisan ini merupakan seri terakhir (seri kedelapan) dari seri yang membahas mengenai aplikasi-aplikasi
dasar dari LISREL. Tentunya, untuk mendalami lebih jauh mengenai LISREL, kita harus membaca buku-
buku mengenai LISREL dengan bahasan-bahasan yang lebih lanjut. Meskipun demikian, sebagai tulisan
yang mengantarkan kepada pemahaman awal, harapannya ini bisa membantu.
Ok. Pada tulisan ini kita akan fokuskan pada aplikasi LISREL untuk Structural Equation Model (SEM). SEM
secara statistik adalah generasi kedua dari teknik analisis multivariate, yang memungkinkan peneliti
untuk menguji hubungan antara variabel yang kompleks baik recursive maupun non-recursive untuk
memperoleh gambaran menyeluruh mengenai keseluruhan model.
Misalnya kita ingin melakukan penelitian mengenai keyakinan masyarakat terhadap partai politik di
Indonesia. Untuk itu diambil sampel sebanyak 150 orang. Jawaban responden kita skor dengan skala
Likert.
Misalnya lagi, kita punya kerangka teori bahwa keyakinan terhadap partai politik (PARTAI) ditentukan
oleh keyakinannya terhadap keberhasilan program partai (PROGRAM) dan keyakinannya terhadap
kemampuan pengurus partai (PENGURUS). Keyakinannya terhadap kemampuan pengurus partai juga
mempengaruhi keyakinannya terhadap keberhasilan program partai.
Selanjutnya untuk mengukur keyakinan terhadap partai politik digunakan dua indikator (X5 dan X6),
untuk mengukur keyakinan terhadap keberhasilan program partai digunakan dua indikator (X3 dan X4)
sedangkan untuk mengukur keyakinan terhadap kemampuan pengurus partai dengan indikator X1 dan
X2
Model grafisnya dari kerangka teori kita adalah sebagai berikut:
Setelah melakukan penelitian, dan data sudah diinput. Ubah file data ke dalam format prelis dan
misalnya kita tempatkan di folder D:/blog dengan nama file partai.psf. Selanjutnya, tuliskan input
perintah pada program LISREL (SIMPLIS) sebagai berikut
-
7/15/2019 90938910 Sem Dan Lisrel
47/50
47http://junaidichaniago.wordpress.com/
Setelah dirun dengan LISREL kita akan mendapatkan hasil output grafik dan output dalam bentuk teks.
Sebagian output grafik (yaitu grafik dengan koefisien estimasi) ditampilkan di bawah ini. Sedangkan
output teks kita tampilkan utuh. (Catatan: Tetapi tidak diinterpretasikan disini. Sebagai bahan latihan
silakan interpretasikan sendiri mengacu pada tulisan-tulisan seri LISREL sebelumnya)
-
7/15/2019 90938910 Sem Dan Lisrel
48/50
48http://junaidichaniago.wordpress.com/
-
7/15/2019 90938910 Sem Dan Lisrel
49/50
49http://junaidichaniago.wordpress.com/
-
7/15/2019 90938910 Sem Dan Lisrel
50/50