Download - 82629606 Tutorial Analisis SEM Menggunakan Program LISREL AMOS SPSS Dan SmartPLS

Structural Equation Modelling (SEM)

Tutorial Analisis SEM Menggunakan Program LISREL, AMOS SPSS dan SmartPLS

by Adi Wijaya

NRP. 1310201720

PROGRAM MAGISTER STATISTIKA BIDANG KEAHLIAN KOMPUTASI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA 2011

adiwtalks.wordpress.

com

Pengantar SEM

SEM adalah metode yang mampu menunjukkan keterkaitan secara simultan antar

variabel-variabel indikator (yang teramati secara langsung) dengan variabel-variabel laten (yang

tidak teramati secara langsung). Raykov dan Marcaulides (2006) mendefinisikan variabel laten

adalah teori atau hipotesis konstruk yang sangat penting atau sebuah variabel yang tidak

mempunyai sampel atau populasi yang bisa diamati secara langsung.

Beberapa Karakteristik SEM menurut Raykov, dkk., (2006) adalah sebagai berikut: (i)

Model SEM tidak dapat diukur secara langsung dan tidak dapat didefinisikan secara baik. (ii)

Model SEM memperhitungkan potensi kesalahan pengukuran di semua variabel observasi,

khususnya pada variabel independent. (iii) Model SEM sangat tepat dibentuk matrik yang

memperlihatkan hubungan antara variabelnya, seperti matrik kovarian maupun matrik korelasi.

Pada prinsipnya SEM merupakan pendekatan terintegrasi dari Confirmatory Factor

Analysis (CFA) dan Path Analysis. Menurut Raykov et al (2006), CFA dan Path Analysis

merupakan tipe SEM dan mendefinisikannya sebagai berikut:

1. Model Path Analysis/Diagram Jalur.

Diagram Jalur biasa dipakai untuk mengamati hubungan antara variabel yang dapat diamati.

Beberapa peneliti menganggap bahwa diagram jalur tidak termasuk dalam tipe SEM. Namun

demikian mereka mengakui bahwa diagram jalur merupakan suatu ha l yang penting dalam

membentuk SEM.

2. Model Confirmatory Factor Analysis

Model Confirmatory Factor Analysis sering digunakan untuk menguji pola hubungan antara

beberapa konstruk laten. Termasuk didalamnya beberapa konstruk dalam model tersebut diukur

melalui sejumlah indikator amatan.

Bollen (1989) mendefinisikan variabel laten sebagai variabel atau faktor yang tidak dapat

diobservasi atau tidak dapat diukur. Variabel laten dibedakan menjadi 2 (dua) yaitu variabel eksogen

dan variabel endogen. Variabel eksogen adalah variabel laten yang tidak dipengaruhi oleh

variabel laten yang lain, sedangkan variabel endogen adalah variabel laten yang dipengaruhi oleh

variabel laten yang lain.

Misal terdapat sebanyak m peubah laten endogen (η), n peubah laten eksogen (ξ), p

peubah manifes endogen (Y), dan q peubah manifes eksogen (X), menggunakan notasi yang

dibuat oleh Jöreskog dan Sörbom dalam Wijanto (2008), model lengkap (hybrid) SEM

diberikan dengan persamaan-persamaan berikut:

η = B η + Γ ξ + ζ (2.1) (mx1) (mxm)(mx1) (mxn)(nx1) (mx1)


com

Y = Λy η + ε (2.2) (px1) (pxm) (mx1) (px1)

X = Λx ξ + δ (2.3) (qx1) (qxm) (mx1) (qx1)

dengan : E (ζ) = 0 ; Cov (ζ) = ψ (2.4)

E (ε) = 0 ; Cov (ε) = Θε (2.5)

E (δ) = 0 ; Cov (δ) = Θδ (2.6)

Dari (2.1), (2.2) dan (2.3) diasumsikan bahwa:

ζ, ε dan δ satu sama lain tidak berkorelasi;

Cov (ξ) = Φ;

ζ tidak berkorelasi dengan ξ ;

ε tidak berkorelasi dengan η;

δ tidak berkorelasi dengan ξ;

Matriks B mempunyai nilai nol pada diagonalnya;

Matriks I-B merupakan matriks nonsingular ;

E (ξ) = 0; dan E (η) = 0;

Langkah-langkah dalam SEM

1. Pengembangan model berbasis konsep dan teori, menganalisis hubungan kausal antar variabel

eksogen dan endogen, sekaligus validitas dan reliabilitas indikator/instrumen penelitian

2. Mengkonstruksi diagram jalur, untuk menunjukkan alur hubungan kausal antar variabel

eksogen dan endogen

3. Memilih Matriks Input. Data input untuk SEM dapat berupa matriks korelasi atau matriks

kovarians

4. Mengkonversikan diagram jalur ke dalam model struktural

5. Estimasi Parameter

6. Pengujian Model :

- Overall Model : Goodness of fit statistics

- Pengujian parameter : Lambda, Delta, Epsilon, Beta dan Gamma

7. Interpretasi dan Modifikasi Model. Bila model sudah baik model bisa diinterpretasikan, tetapi

bila belum baik perlu dilakukan modifikasi


com

Tutorial Analisis SEM Menggunakan Program LISREL 8.50

1. Buka program LISREL 8.50 (kalau tidak tersedia full version bisa juga menggunakan student

version yang free license) dengan tampilan awal sbb:

2. Langkah berikutnya adalah mempersiapkan data yang akan dianalisis dengan SEM. Data yang

diimpor dapat berupa berbagai extensi (.sav, .xls dsb)

Misalkan sebagai contoh file SEMAMOS.sav

3. Langkah berikutnya adalah menghitung matriks korelasi antar variabel dengan cara klik

Statistics Output Options … Pada Opsi moment Matrix pilih korelasi, karena

rentang antar variabel (ukuran) berbeda-beda. Check save to file, isikan nama file yang

akan diinput, misalnya cor_sem.cor OK


com

4. Membuat syntax dapat dilakukan dengan klik File New Syntax Only OK

Syntax Only : hanya menuliskan barisan sintaks/kode untuk membangun model

Output : membuat window output baru

PRELIS Data : mendefinisikan variabel dan input data

SIMPLIS Project : membuat project dengan ekstensi *.spj

LISREL Project : membuat project LISREL dengan ekstensi *.lpj

Path Diagram : membuat path diagram

5. Langkah selanjutnya adalah membangun syntax untuk analisis SEM lanjutan dengan

memperhatikan beberapa petunjuk sebagai berikut:

a. Judul


com

Definisikan judul dari project yang akan dibuat pada baris pertama. 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 perintah pertama dalam input file SIMPLIS

• Baris yang dua karakter (huruf) pertamanya dimulai dengan DA, Da, da,

ata dA yang merupakan baris perintah pertama dalam input filel SIMPLIS

b. Variabel Observed

Setelah judul, baris selanjutnya adalah definisi dari Observed variables. Observed

variables merupakan variabel yang memiliki nilai pada input data. Penulisan

observed variables dengan memberikan spasi antar variabel.

c. Data

Dalam LISREL input data dapat berupa data mentah, matriks kovarians, matriks

korelasi, standard deviasi, dan means. Untuk memanggil matriks korelasi

perintahnya adalah sebagai berikut :

Correlation Matrix from file ‘nama file’

d. Ukuran sampel (Sample Size)

Ukuran sampel perlu dituliskan apabila input data bukan berupa data mentah.

e. Variabel Laten

Nama variabel laten tidak boleh sama dengan observed variables.

f. Hubungan (Relationships)

Judul untuk baris ini dapat ditulis sebagai relationships, Relations, atau Equations.

Penulisan hubungan bisa menggunakan persamaan sebagai berikut :

Variabel dependen = variabel independen

Indikator = variabel laten.

Misalkan syntax yang dibangun sebagai berikut:

Tugas SEM - Adi Wijaya

Observed variables: ROA REA BFOA BFEA RPA RI RSS BFSS BFI BFPA Correlation matrix: 1.000 .6247 1.000 .3269 .3639 1.000 .4210 .3275 .6404 1.000 .2137 .2742 .1124 .0839 1.000 .4105 .4043 .2903 .2599 .1839 1.000 .3240 .4047 .3054 .2786 .0489 .2220 1.000 .2930 .2407 .4105 .3607 .0186 .1861 .2707 1.000 .2995 .2863 .5191 .5007 .0782 .3355 .2302 .2950 1.000 .0760 .0702 .2784 .1988 .1147 .1021 .0931 -.0438 .2087 1.000 Sample size: 329 Latent variables: RAMB BFAMB Relationships: ROA = 1.00*RAMB REA = RAMB BFOA = 1.00*BFAMB BFEA = BFAMB RAMB = BFAMB BFAMB = RAMB RAMB = RPA RI RSS BFSS BFAMB = RSS BFSS BFI BFPA Path Diagram End of problem


com

Pada syntax “correlation matrix” yang merupakan matriks korelasi dari data yang

digunakan dalam model SEM dapat pula diganti dengan “correlation matrix from file

cor_sem.corr”

6. Untuk menjalankan syntax yang telah dibuat dapat dilakukan dengan cara klik File Run

Lisrel (F5) atau dapat dengan menekan hasilnya adalah sebagai berikut

Path diagram dan outputnya

Sample Size = 329


Correlation Matrix

ROA REA BFOA BFEA RPA RI -------- -------- -------- -------- -------- -------- ROA 1.00 REA 0.62 1.00 BFOA 0.33 0.36 1.00 BFEA 0.42 0.33 0.64 1.00 RPA 0.21 0.27 0.11 0.08 1.00 RI 0.41 0.40 0.29 0.26 0.18 1.00 RSS 0.32 0.40 0.31 0.28 0.05 0.22 BFSS 0.29 0.24 0.41 0.36 0.02 0.19 BFI 0.30 0.29 0.52 0.50 0.08 0.34 BFPA 0.08 0.07 0.28 0.20 0.11 0.10

Correlation Matrix

RSS BFSS BFI BFPA -------- -------- -------- -------- RSS 1.00 BFSS 0.27 1.00 BFI 0.23 0.29 1.00 BFPA 0.09 -0.04 0.21 1.00


com


Number of Iterations = 7

LISREL Estimates (Maximum Likelihood)

Measurement Equations

ROA = 1.00*RAMB, Errorvar.= 0.41 , R² = 0.59 (0.051) 8.05

REA = 1.06*RAMB, Errorvar.= 0.34 , R² = 0.66 (0.090) (0.052) 11.80 6.51

BFOA = 1.00*BFAMB, Errorvar.= 0.31 , R² = 0.69 (0.046) 6.85

BFEA = 0.93*BFAMB, Errorvar.= 0.40 , R² = 0.60 (0.070) (0.046) 13.23 8.74

Structural Equations

RAMB = 0.16*BFAMB + 0.16*RPA + 0.25*RI + 0.22*RSS + 0.079*BFSS, Errorvar.= 0.28 , R² =

0.52 (0.080) (0.039) (0.043) (0.043) (0.047) (0.047) 2.01 4.23 5.99 5.11 1.68 6.03

BFAMB = 0.20*RAMB + 0.072*RSS + 0.23*BFSS + 0.35*BFI + 0.16*BFPA, Errorvar.= 0.26 , R² =

0.61 (0.085) (0.046) (0.043) (0.043) (0.039) (0.045) 2.32 1.56 5.46 8.25 4.22 5.85

Reduced Form Equations

RAMB = 0.17*RPA + 0.26*RI + 0.24*RSS + 0.12*BFSS + 0.059*BFI + 0.027*BFPA, Errorvar.= 0.31,

R² = 0.48 (0.040) (0.043) (0.042) (0.041) (0.031) (0.015) 4.24 6.07 5.69 2.95 1.91 1.79

BFAMB = 0.033*RPA + 0.052*RI + 0.12*RSS + 0.26*BFSS + 0.37*BFI + 0.17*BFPA, Errorvar.= 0.29,

R² = 0.57 (0.017) (0.025) (0.041) (0.042) (0.044) (0.040) 2.02 2.10 2.94 6.11 8.35 4.23

Correlation Matrix of Independent Variables

RPA RI RSS BFSS BFI BFPA -------- -------- -------- -------- -------- -------- RPA 1.00 (0.08) 12.81

RI 0.18 1.00 (0.06) (0.08) 3.28 12.81


com

RSS 0.05 0.22 1.00 (0.06) (0.06) (0.08) 0.88 3.93 12.81

BFSS 0.02 0.19 0.27 1.00 (0.06) (0.06) (0.06) (0.08) 0.34 3.31 4.73 12.81

BFI 0.08 0.34 0.23 0.29 1.00 (0.06) (0.06) (0.06) (0.06) (0.08) 1.41 5.76 4.06 5.12 12.81

BFPA 0.11 0.10 0.09 -0.04 0.21 1.00 (0.06) (0.06) (0.06) (0.06) (0.06) (0.08) 2.06 1.84 1.68 -0.79 3.70 12.81

Goodness of Fit Statistics

Degrees of Freedom = 16 Minimum Fit Function Chi-Square = 26.46 (P = 0.048) Normal Theory Weighted Least Squares Chi-Square = 25.78 (P = 0.057) Estimated Non-centrality Parameter (NCP) = 9.78 90 Percent Confidence Interval for NCP = (0.0 ; 27.74)

Minimum Fit Function Value = 0.081 Population Discrepancy Function Value (F0) = 0.030 90 Percent Confidence Interval for F0 = (0.0 ; 0.085) Root Mean Square Error of Approximation (RMSEA) = 0.043 90 Percent Confidence Interval for RMSEA = (0.0 ; 0.073) P-Value for Test of Close Fit (RMSEA < 0.05) = 0.61

Expected Cross-Validation Index (ECVI) = 0.32 90 Percent Confidence Interval for ECVI = (0.29 ; 0.37) ECVI for Saturated Model = 0.34 ECVI for Independence Model = 2.72

Chi-Square for Independence Model with 45 Degrees of Freedom = 871.23 Independence AIC = 891.23 Model AIC = 103.78 Saturated AIC = 110.00 Independence CAIC = 939.19 Model CAIC = 290.82 Saturated CAIC = 373.78

Normed Fit Index (NFI) = 0.97 Non-Normed Fit Index (NNFI) = 0.96 Parsimony Normed Fit Index (PNFI) = 0.34 Comparative Fit Index (CFI) = 0.99 Incremental Fit Index (IFI) = 0.99 Relative Fit Index (RFI) = 0.91

Critical N (CN) = 397.62

Root Mean Square Residual (RMR) = 0.020 Standardized RMR = 0.020 Goodness of Fit Index (GFI) = 0.98 Adjusted Goodness of Fit Index (AGFI) = 0.95 Parsimony Goodness of Fit Index (PGFI) = 0.29

The Modification Indices Suggest to Add an Error Covariance Between and Decrease in Chi-Square New Estimate BFOA ROA 8.4 -0.09


com

BFEA ROA 12.7 0.11

Time used: 0.062 Seconds

Interpretasi output

Layak tidaknya model SEM untuk digunakan dapat diketahui dengan memperhatikan model fit

criteria (Schumacher dan Lomax, 2004) seperti yang dihasilkan dari syntax running LISREL di atas,

diantaranya adalah :

1. Menggunakan Chi-Square goodness of fit test, dengan membandingkan statistik ujinya dengan

nilai tabel chi-square atau lebih mudahnya dengan melihat nilai p-value (output). Jika p-value

kurang dari significant level (misal 0,05) maka dapat disimpulkan bahwa model fit atau cocok

dengan model teorinya, dalam kasus ini dapat diketahui bahwa statistik uji Chi-square nya

bernilai 25,78 dengan derajat bebas 16 atau p-value nya 0,05725. Sehingga dapat disimpulkan

bahwa model SEM di atas fit (cocok) secara statistik pada significant level 10%.

2. Memperhatikan nilai root-mean-square error of approximation (RMSEA), jika nilainya kurang

dari 0,05 maka model layak untuk digunakan. Pada kasus ini dapat diketahui bahwa nilai

RMSEA nya 0,043 yang nilainya kurang dari 0,05 dengan demikian dapat disimpulkan bahwa

model SEM di atas layak untuk digunakan

3. Nilai GFI = 0.98 dan AGFI = 0.95 berada diantara di antara nilai 0 dan 1 dan di atas 0,90. Hal

ini menunjukkan bahwa model SEM fit/cocok dengan datanya.

4. Model disimpulkan fit dengan data jika nilai RMR kurang dari atau sama dengan 0. Pada

Output terlihat nilai RMR dan standardized RMR sebesar 0.02 sehingga menunjukkan bahwa

model fit dan layak untuk digunakan

5. Model dikatakan fit jika nilai NFI dan NNFI lebih dari 0.90. Dari output terlihat nilai NFI =

0.98 dan nilai


com

Tutorial Analisis SEM Menggunakan Program AMOS 18 SPSS

1. Mempersiapkan data dan rancangan diagram

• persiapkan data yang akan diolah ke dalam bentuk file yang berekstensi .SAV

(format SPSS)

• Rancang terlebih dahulu diagram jalur yang ingin dibuat dalam AMOS, untuk

memudahkan dalam melakukan penggambaran di AMOS

2. Buka program AMOS 18 dengan membuka Amos Graphics

Keterangan symbol/icon pada windows menu AMOS dapat dilihat pada menu Help

3. Buka data yang akan di analisis, misalkan di sini adalah PATHAMOS.sav


com

Untuk mengecek file yang dimasukkan sudah masuk dalam AMOS, klik

ViewVariables in Data Set dan muncul tampilan seperti berikut:

4. Menggambar path diagram. Beberapa icon/tool yang banyak digunakan dalam

penggambaran path diagram SEM.berikut beberpa diantaranya:

Menggambar observed variabel

Menggambar unobserved variables

Menggambar latent variables

Jalur/hubungan satu arah

Jalur dua arah (kovarians)

Menambahkan variabel unik (error)


com

List variabel pada model

List variabel pada data

Menggandakan objek

Memindahkan objek

Menghapus objek

Analysis Properties

Estimasi penghitungan

Objek properties

5. Mempersiapkan metode estimasi dan output

Setelah rancangan path diagram selesai dilakukan, tentukan metode estimasi

dan output-output yang akan ditampilkan dari hasil penghitungan di atas

• Klik tombol analysis properties pada toolbar, atau klik menu View Analysis

Properties…

• Pada Tab Estimasi, pilih metode yang akan digunakan, misalnya Maximum

Likelihood

• Pada Tab Output, pilih output yang akan ditampilkan, misalnya centang

standardized estimate


com

6. Simulasi Estimasi dan Melihat hasil

• Lakukan estimasi dengan cara klik toolbar estimas penghitungan atau klik menu

Analyze Calculate Estimates hingga tombol view the output diagram aktif

• Contoh path diagram pada kasus ini adalah pada gambar di bawah ini

Scalar Estimates (Group number 1 - Default model)

Maximum Likelihood Estimates

Regression Weights: (Group number 1 - Default model)

Estimate S.E. C.R. P Label

d <--- a ,138 ,051 2,700 ,007

d <--- b ,325 ,037 8,704 ***

d <--- c ,203 ,040 5,038 ***

e <--- b ,264 ,034 7,823 ***

e <--- c ,124 ,034 3,588 ***

e <--- d ,245 ,042 5,899 ***

e <--- a -,008 ,043 -,186 ,852

Standardized Regression Weights: (Group number 1 - Default model)


com

Estimate

d <--- a ,118

d <--- b ,387

d <--- c ,229

e <--- b ,356

e <--- c ,158

e <--- d ,277

e <--- a -,008

Covariances: (Group number 1 - Default model)


a <--> b ,134 ,033 3,997 ***

b <--> c ,286 ,046 6,280 ***

a <--> c ,181 ,032 5,589 ***

Correlations: (Group number 1 - Default model)

Estimate

a <--> b ,204

b <--> c ,331

a <--> c ,291

Variances: (Group number 1 - Default model)


a

,471 ,033 14,124 ***

b

,911 ,064 14,124 ***

c

,820 ,058 14,124 ***

r1

,444 ,031 14,124 ***

r2

,306 ,022 14,124 ***

Squared Multiple Correlations: (Group number 1 - Default model)

Estimate

d

,309

e

,392

Model Fit Summary

CMIN

Model NPAR CMIN DF P CMIN/DF

Default model 15 ,000 0

Saturated model 15 ,000 0

Independence model 5 433,692 10 ,000 43,369

RMR, GFI


com

Model RMR GFI AGFI PGFI

Default model ,000 1,000

Saturated model ,000 1,000

Independence model ,210 ,636 ,455 ,424

Baseline Comparisons

Model NFI

Delta1

RFI

rho1

IFI

Delta2

TLI

rho2 CFI

Default model 1,000

1,000

1,000

Saturated model 1,000

1,000

1,000

Independence model ,000 ,000 ,000 ,000 ,000

Parsimony-Adjusted Measures

Model PRATIO PNFI PCFI

Default model ,000 ,000 ,000

Saturated model ,000 ,000 ,000

Independence model 1,000 ,000 ,000

NCP

Model NCP LO 90 HI 90

Default model ,000 ,000 ,000

Saturated model ,000 ,000 ,000

Independence model 423,692 359,239 495,555

FMIN

Model FMIN F0 LO 90 HI 90

Default model ,000 ,000 ,000 ,000

Saturated model ,000 ,000 ,000 ,000

Independence model 1,087 1,062 ,900 1,242

RMSEA

Model RMSEA LO 90 HI 90 PCLOSE

Independence model ,326 ,300 ,352 ,000

AIC

Model AIC BCC BIC CAIC

Default model 30,000 30,458 89,872 104,872

Saturated model 30,000 30,458 89,872 104,872

Independence model 443,692 443,845 463,649 468,649

ECVI

Model ECVI LO 90 HI 90 MECVI

Default model ,075 ,075 ,075 ,076

Saturated model ,075 ,075 ,075 ,076

Independence model 1,112 ,950 1,292 1,112

HOELTER


com

Model HOELTER

.05 HOELTER

.01

Default model

Independence model 17 22

Interpretasi output

Model SEM yang terbentuk adalah:

Dari hasil path analysis, parameter 2 tidak signifikan (nilai P>0,05) maka perlu dilakukan path

analysis lanjutan dengan menghilangkan path (dari a ke-E) tersebut. Dari hasil goodness of fit test

model , dapat diketahui bahwa model sudah fit untuk memodelkan data tersebut karena sudah ada

minimal satu kriteria yang dipenuhi. Lebih lengkapnya dapat dilihat pada tabel berikut:

Kriteria

(default model)

Kebaikan

Model

Hasil Pengolahan Keputusan

CMIN kecil (< χ2

tabel)

0,000 Model fit

p ≥0,05

CMIN/DF ≤2

GFI > 0,9 1,000 Model fit

AGFI >0,9

CFI ≥0,95 1,000 Model fit

TLI ≥0,95

RMSEA ≤0,08


com

Tutorial Analisis SEM Menggunakan Program Smart PLS

1. Langkah awal adalah membuka program SmartPLS dengan membuka Java Web Start Application

Seperti tampilan diatas, untuk memulai program SmartPLS, klik FileNew (untuk model baru)

atau open (untuk model yang telah disimpan). Karena tutorial ini beum mempunyai project yang

lama, maka dipilih New, akan muncul tampilan seperti berikut :


com

Ketikan nama model yang baru, misal project1, kemudian untuk memasukan data inputnya melalui

data source and name, file inputnya harus berextention *.csv dan CSV separatornya, bisa comma,

semicolon, tabulator dan space. File yang selain diatas harus diconvert dulu ke extention tersebut.

Setelah itu klik OK, kemudian tampilan utamanya sebagai berikut :

2. Diagram Model

Area kerja merupakan window tempat kita bekerja untuk mendesain model baru atau merubah

model yang telah ada. Fungsi untuk pemodelam ditampilkan dalam toolbar. Modelling mode dalam

SmartPLS memiliki tiga jenis modelling yang dapat digunakan untuk mendesain dan merubah model

yaitu: selection mode, drawing mode dan connection mode.

Berikut ini penjelasannya:

Obyek pada drawing board dapat dipilih dan dipindahkan dengan selection mode. Tekan

[SHIFT] key memungkinkan multiple selection objects. Obyek yang ada pada drawing board dapat

diedit dengan double click tombol mouse kiri.

Area kerja

Toolbar properties


com

Variabel laten dapat ditambahkan pada drawing mode. Klik dengan tombol mouse kiri pada

drawing area untuk membuat variabel laten baru dengan standar label. Nama variabel laten dapat

dirubah dengan double click mouse pada variabel laten dan isikan nama variabel laten lalu enter.

Hubungan antar variabel laten dapat dibuat dengan connection mode. Jika connection mode

dipilih, maka connection point (ports) muncul ditengah semua variabel laten. Hubungkan antar port itu

dengan menekan tombol kiri dan tarik ke target laten variabel.

Sesuai dengan model yang dinginkan, maka terdapat 3 variabel latennya, maka klik drawing

mode di working area, dan dengan connection mode digambarkan hubungan antar variabel laten. Untuk

memasukkan data ke variabel indikator dengan cara mendrag dan drop dengan mouse ke variabel laten

yang dikehendaki. Lakukan terus sehingga selesai diagram jalur telah selesai dibuat, dengan tampilan

sebagai berikut:

3. Analisis Model

Pada bagian properties, terdapat menu output setting, bootstrapping setting, data setting,

algorithm settings. Pada menu output setting, menjelaskan tentang report yang dihasilkan dalam

bentuk HTML. Bootstrapping setting digunakan untuk proses bootstrapping yang akan dilakukan (bila

diperlukan). Sedangkan data setting digunakan untuk menggantikan missing values (bila ada). Pada

algorithm settings, beberapa setting dapat dipilih antara lain,

Weighting Scheme: ada tiga pilihan yaitu centroid, factor dan path

Data Metric: memberikan pilihan bagaimana data akan diolah apakah standardized

(mean=0 dan variance=1) atau data orignal (unstandardized).


com

Maximum Iteration: jumlah maksimum iterasi.

Stop criterion accuracy: kondisi kriteria stop

Setelah selesai memodelkan diagram jalurnya, untuk menjalankan model yang akan terbentuk,

pada menu klik PLSCalculate Model.

Interpretasi output

Convergent validity dari measurement model dengan indikator refleksif dapat dilihat dari

korelasi antara score item/indikator dengan score konstruknya. Indikator individu dianggap reliable

jika memiliki nilai korelasi diatas 0.70. Namun demikian pada riset tahap awal, loading 0.50 sampai

0.60 masih dapat diterima. Dengan melihat hasil output korelasi antara indikator dengan konstruknya

seperti terlihat pada output outer loading dibawah ini:


com

Berdasarkan pada outer loading diatas, maka semua indikator atau variabel observed sudah

siginifican, karena nilainya outer lodaing sudah sesuai dengan asumsi awal. Discriminant validity

indikator refleksif dapat dilihat pada cross loading antara indikator dengan konstruknya sebagai berikut:

Dari output diatas terlihat bahwa korelasi konstruk kerja dengan indikatornya lebih tinggi

dibandingkan korelasi indikator ekonomi dan sosial dengan konstruk lainnya. Berarti bahwa konstruk

laten memprediksi indikator pada blok mereka lebih baik dibandingkan dengan indikator lainnya.

Selain cara diatas, metode lain untuk menilai discriminant validity adalah dengan

membandingkan akar kuadrat dari average variance extracted untuk setiap konstruk dengan

konstruk lainnya dalam model. Model mempunyai discriminant validity yang cukup jika akar AVE

untuk setiap konstruk lebih besar daripada korelasi antara konstruk dan konstruk lainnya dalam model

seperti terlihat pada output laten variable correlation dibawah ini:

Berdasarkan output overview didapatkan hasil:


com

AVE Composite R Square Cronbachs Communalit

Redundancy

Reliability

Alpha

Kemiskinan 0.9447 0.9808 0.5076 0.9708 0.9447

0.3313

Kualitas Ekonomi 0.6925 0.8692 0.3175 0.7678 0.6925

0.2098

Kualitas Kesehatan 0.6494 0.8798 0.0000 0.8221 0.6494

0.0000

Kualitas SDM 0.7809 0.0066 0.4635 -2.6047 0.7809

0.3584

Model dikatakan baik kalau AVE menunjukkan nilai lebih besar dari 0,50, terlihat dari output

diatas, semua konstruk memiliki realiabilitas yang baik. Sehingga model tersebut fit dengan data yang

ada..


com