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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


7/15/2019 90938910 Sem Dan Lisrel

20/50


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


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


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


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


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


7/15/2019 90938910 Sem Dan Lisrel

26/50


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


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


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


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


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


7/15/2019 90938910 Sem Dan Lisrel

32/50


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


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


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


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


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


Output path diagram yang menampilkan nilai t dari kasus kita sebagai berikut:

7/15/2019 90938910 Sem Dan Lisrel

38/50


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


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


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


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


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



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



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


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


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


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


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


7/15/2019 90938910 Sem Dan Lisrel

49/50


7/15/2019 90938910 Sem Dan Lisrel

50/50

90938910 Sem Dan Lisrel

Documents

Transcript of 90938910 Sem Dan Lisrel