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: y y y y y y y y y y ARTO ITO WCTO FATO TATA ROA ROE EFEKTIF KINERJA e = penjualan/rata-rata piutang = HPP/rata-rata persediaan = penjualan/rata-rata modal kerja = penjualan/aktiva tetap = penjualan/total aktiva = penerimaan setelah pajak/total aktiva = penerimaan setelah pajak/modal sendiri = Efektivitas penggunaan dana = Kinerja keuangan = 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 Terkait 1. 2. 3. 4. Variabel eksogen: adalah variabel yang nilainya tidak dipengaruhi/ditentukan oleh variabel lain di dalam model; setiap variabel eksogen selalu variabel independen Variabel endogen: adalah variabel yang nilainya dipengaruhi/ditentukan oleh variabel lain di dalam model. Dikenal juga dengan istilah variabel dependen Konstruk Laten/Variabel Laten/Variabel Unobserved: adalah variabel yang tidak dapat diukur secara langsung dan memerlukan beberapa indikator atau proksi untuk mengukurnya. 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 oleh konstruk laten, atau indikator yang dianggap merefleksikan/merepresentasikan konstruk laten. LISREL dan beberapa program SEM yang lain hanya dapat menggunakan indikator reflektif ini. Indikator Formatif: adalah indikator yang dianggap mempengaruhi konstruk laten. Indikator formatif ini hanya dapat digunakan dengan metode Partial Least Square (PLS).

2.

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) merupakan program 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 versi trial (jadi tidak memiliki limit waktu pemakaian), namun demikian yang namanya gratis yang tetap ada batasannya. Batasannya adalah: y y y y y Analisis-analisis statistik dasar dan manipulasi data dibatasi maksimum 20 variabel Model SEM dibatasi maksimum 15 variabel observed Pemodelan multilevel dibatasi maksimum 15 variabel 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 rendahmenengah sudah sangat memadai.

csv). Kotak Dialog Open .dat. selain melalui SIMPLIS juga dapat disiapkan melalui bahasa LISREL itu sendiri. data text. LISREL menyediakan program PRELIS dan untuk menyiapkan input file. Dengan cara seperti ini. meskipun kita mengetik dengan Excel. Oleh karenanya. input data untuk LISREL juga dapat ditulis dengan text documen.txt) dan Free Format Data (*. *. kemudian klik File dan klik Import Data. program PRELIS dari LISREL hanya dapat mengenali data yang berformat SPSS (*. MENYIAPKAN INPUT DATA (Program PRELIS) PRELIS adalah program suplemen dari paket program LISREL 8. Anda tetap dapat mengetik data di program Excel. MENYIMPAN DATA 2. Tab Delimited Data (*. Comma Delimited Data (*. Program LISREL membutuhkan input data dan input file (perintah). kita bisa dapatkan file data yang berformat CSV atau TEXT yang bisa diolah Program PRELIS. Selain untuk menyimpan data. LISREL hanya dapat menjalankan model dari data mentah yang disimpan dalam PRELIS atau text document. dan berbagai program pengolah angka lainnya. Untuk menyiapkan input data. 1. Tampilan 1.sav). alternatif tersebut tidak dianjurkan karena relatif sulit untuk dioperasionalkan. SAS. simpanlah dengan ³Save As´ ke format CSV (Comma Delimited) atau ke Text (Tab Delimited). EXCEL. PRELIS dapat menyimpan data mentah yang sebelumnya disimpan pada berbagai macam program seperti SPSS. pada student edition. sewaktu menyimpan data tersebut. Sehingga setiap data mentah yang disimpan pada program yang lain harus disimpan terlebih dahulu kedalam PRELIS. Namun demikian.1.raw) Tapi jangan kuatir.Input Data untuk LISREL (Seri LISREL bag. Demikian juga untuk input file. LISREL menyediakan program SIMPLIS sebagai bahasa perintah. Pada dasarnya selain menggunakan PRELIS.2) Dalam operasinya. Pada bagian berikut ini akan kita bahas cara menyiapkan/menginput data yang berasal dari SPSS maupun yang berformat *. Kemudian. Akan muncul kotak dialog Open. File dari SPSS Buka program LISREL. pada seri LISREL bagian kedua ini hanya akan diuraikan tahapan-tahapan persiapan input data dengan PRELIS.txt 2. PRELIS juga dapat digunakan untuk melakukan manipulasi data dan manajemen data serta memberikan deskripsi awal dari data Sayangnya.csv dan *. dan pada seri tulisan LISREL bagian ketiga akan dibahas tahapan-tahapan input file (perintah) dengan SIMPLIS.

Setelah itu klik Save.Pada Look in. SEX (jenis kelamin). nama file adalah latihan lisrel1). Kemudian klik Open.psf. Tampilan 3. Isikan pada File Name nama file untuk menyimpan data PRELIS. INC (pendapatan) dan EDC (pendidikan). Pada File Name pilih nama file (dalam contoh. Akan muncul tampilan Save As berikut. WORK (jenis pekerjaan). Hasil Prelis . Kotak Dialog Save As Secara langsung file data SPSS kita akan tersimpan dalam bentuk file PRELIS dengan nama lisrel1. dan akan tampil di layar seperti berikut: (keterangan: contoh data kita terdiri dari 6 variabel yaitu AGE (umur). pilih folder tempat data disimpan. Dalam contoh dibawah. Pada Files of Type pilih SPSS for Windows (*. kita beri nama lisrel1. RAS (suku).sav). Tampilan 2.

csv. Dalam kasus kita. nama variabel tempatkan pada baris pertama setiap variabel) Buka program LISREL. Menentukan Jenis Data Jenis data dalam LISREL umumnya dibagi 2 yaitu dari continous dan data ordinal. caranya juga sama dengan format *. Dari tampilan 1 tersebut. Tab Delimited Data (*.2. Sebaliknya. File Data dengan Format Comma Delimited Data (*. maka akan muncul tampilan Tampilan 5. akan muncul tampilan berikut yang meminta kita memasukkan jumlah variabel. Definisi Variabel . Akan muncul tampilan Save As seperti pada tampilan 2 sebelumnya. Pada Files of Type pilih Comma Delimited Data (*. maka secara langsung file data yang berformat *. Untuk menentukan jenis data klik Data kemudian Define Variables.csv). pilih folder tempat data disimpan.txt) 2. Input Jumlah Variabel Setelah mengklik OK.txt.2. dan akan tampil di layar seperti pada tampilan 3 sebelumnya. tahapannya sebagai berikut: (Catatan: dalam mengetik data di Excel. jumlah variabelnya 6.1. Isikan pada File Name nama file untuk menyimpan data PRELIS. Untuk mengimpor data dengan format ini ke PRELIS. kemudian klik File dan klik Import Data.txt. psf. pada Look in.csv). Data dikatakan continous jika memiliki kategori lebih dari 15. setelah mengetik data dengan Program Excel. Untuk file data dengan format *.csv atau *. Kemudian klik Open.txt) Seperti yang telah dikemukakan sebelumnya. Setelah itu klik Save. Hanya pada pilihan Files of Type pada tampilan 1 diambil pilihan Tab Delimited Data (*. anda bisa menyimpan ke format *. Pada File Name pilih nama file.2. dikatakan data ordinal. akan tersimpan dalam bentuk file PRELIS dengan format *. Setelah itu klik OK. Akan muncul kotak dialog Open. Setelah mengklik Save. seperti tampilan 1 sebelumnya.csv tadi. Tampilan 4.

Setelah itu klik nama variabel dan klik Variable Type. Jenis Variabel Tentukan jenis data. klik Apply to all. Solusinya adalah dengan memberikan data matriks covariance atau matriks korelasi. MEMBUAT MATRIKS COVARIANCE DAN CORRELATIONS Input data pada LISREL dapat berupa data mentah maupun matriks covariance dan matriks korelasi.cov Data matriks kovarians akan tersimpan dalam format text documen. klik save to file. Akan muncul kotak dialog berikut: Tampilan 7. Kemudian klik OK. klik Statistics dan klik Output Options pada bagian Statistics. kemudian tulis nama file untuk menyimpan matriks kovarians tersebut. Dalam contoh diatas data disimpan pada partisi hardisk D dengan nama file data1. Jika ingin mempublikasikan hasil penelitian pada jurnal ilmiah. 3. 3. . Jika seluruh data akan diperlakukan sama. akan muncul kotak dialog berikut: Tampilan 6. Membuat Matriks Covariance Setelah data mentah disimpan dalam PRELIS. kita tidak mungkin menyediakan data mentah. File tersebut dapat dibuka dengan program Notepad (bagian program Windows).1. Covariance Matrix Pada moment matrix pilih covariances.

Untuk jenis ini PRELIS akan menghasilkan matriks korelasinya dalam bentuk Pearson¶s Correlation. Matriks korelasi ordinal yang dihasilkan dari data ordinal.3.2. 2. Untuk membuat matrik korelasi adalah sebagai berikut: Setelah data mentah disimpan dalam PRELIS. Untuk jenis ini PRELIS akan menghasilkan matriks korelasinya dalam bentuk Polychoric Correlation. Kita dapat merubah data ordinal/interval menjadi continous. Dalam LISREL.cor Data matriks korelasi akan tersimpan dalam format text documen. 2. Polychoric: matriks korelasi yang seluruh variabel memiliki skala ordinal dan juga diperlakukan sebagai ordinal Tetrachoric: matriks korelasi dimana seluruh variabel memiliki skala dichotomous (variabel dummy. yang diperlakukan sebagai ordinal. Correlations Matrix Pada moment matrix pilih Correlations. 4. 3. klik Output Options pada bagian Statistics. Dalam contoh diatas data disimpan pada partisi hardisk D dengan nama file data2. Terdapat empat jenis matriks korelasi untuk data ordinal 1. Kemudian klik OK. sebaliknya jika kurang dari 15 secara otomatis dikategorikan sebagai data ordinal. data yang memiliki kategori lebih dari 15 dikategorikan sebagai data continous. klik save to file. Matriks korelasi continous yang dihasilkan dari data continous.3. File tersebut dapat dibuka dengan program Notepad (bagian program Windows). Membuat Matriks korelasi Matriks korelasi dibagi dua yaitu : 1. tetapi tidak sebaliknya. 1 dan 0) Polyserial: matriks korelasi dimana variabel memiliki skala ordinal dan juga skala interval. kemudian tulis nama file untuk menyimpan matriks korelasi tersebut. Biserial: matriks korelasi dimana variabel memiliki skala interval (continuos) dan juga skala dichotomous. 3. Membuat Asymtotic Covariance Matrix . Akan muncul tampilan berikut: Tampilan 8.

dan klik OK. MENYIAPKAN INPUT FILE/PERINTAH (Program/Bahasa SIMPLIS) Buka program LISREL. Asymptotic Covariance Matrix Klik Save to file pada Asymptotic Covariance Matrix. Akan muncul tampilan berikut: Tampilan 9. Tetapi file tersebut tetap memiliki nilai dan dapat dipergunakan untuk analisis. Selain itu. Kemudian klik OK. kemudian klik File dan klik New. maka pada seri ketiga ini akan dibahas tahapan-tahapan input file (perintah) dengan SIMPLIS. File tersebut dapat dibuka dengan program Notepad (bagian program Windows). namun demikian nilainya tidak dapat dibaca dengan Notepad. Akan muncul kotak dialog Save As.acm Data matriks asymtotic covariance akan tersimpan dalam format text document. Input Perintah pada LISREL (Seri LISREL bag. Akan muncul tampilan berikut: Kemudian klik SIMPLIS Project. kemudian tulis nama file tempat penyimpanan di bawahnya. klik Output Options pada bagian Statistics. Untuk membuat Asymtotic Covariance Matrix adalah sebagai berikut: Setelah data mentah disimpan dalam PRELIS. . asymptotic covariance matrix juga digunakan bersamaan dengan penggunaan polychoric matrix.Asymtotic 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).3) Jika pada seri kedua tulisan LISREL kita sudah membahas dasar-dasar input data dengan PRELIS. Dalam contoh diatas data disimpan pada partisi hardisk D dengan nama file data3.

Baris Judul Baris pertama pada input file dapat digunakan sebagai baris judul. Akan muncul tampilan kosong berikut tempat untuk menginput/menulis perintah STRUKTUR PENULISAN PERINTAH PADA PROGRAM SIMPLIS Syntax dan aturan-aturan yang sering digunakan dalam input file SIMPLIS sebagai berikut: (syntax lainnya selain yang diberikan di bawah ini. Setiap keterangan pada baris pertama akan diperlakukan sebagai baris judul kecuali LISREL menemukan dua hal berikut: . Pada File Name pilih nama file. pilih folder tempat data disimpan. Pada Save of Type pilih SIMPLIS Project (*. Kemudian klik Save.spj).Pada Save in. akan diberikan bersamaan dengan contoh aplikasi pada seri-seri tulisan berikutnya mengenai LISREL) 1.

Baris ini tidak diharuskan jika input data menggunakan data mentah yang disimpan dalam program PRELIS. Matriks kovarias dan means. perintahnya adalah sebagai berikut: y Untuk Data mentah Raw Data from file µnama file¶ y Matriks kovarians Covariance Matrix from file µnama file¶ y Matriks kovarians dan means Covariance Matrix from file µnama file¶ Means from file µnama file¶ y Matriks korelasi Correlations Matrix from file µnama file¶ y Matriks korelasi dan standar deviasi Correlations Matrix from file µnama file¶ Standard Deviations from file µnama file¶ y Matriks korelasi. Da. yang merupakan baris perintah pertama dalam input file SIMPLIS 2. baris selanjutnya adalah penjelasan unuk input data. Data Setelah baris observed variables. Matriks kovarians. baris selanjutnya adalah observed variables.y y 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 atau da. y y Baris ini harus dilakukan jika input data adalah matriks kovarians atau matriks korelasi atau data mentah yang disimpan dalam file text. standar deviasi dan means . Contoh: Observed Variables X1 X2 X3 Y1 Y2 3. Dalam LISREL input data dapat berupa data mentah. Variabel Observed Setelah baris judul. Penulisan observed variables dengan memberikan spasi antar variabel.Matriks korelasi dan standar deviasi. Matriks korelasi. Untuk membaca data. Pada seluruh macam format input data tersebut. asymptotic covariance matrix juga dapat ditambahkan pada input data. yang merupakan variabel yang memiliki nilai pada input data. standar deviasi dan means. Matriks korelasi.

kita buat file perintah dengan nama file kerja2. Baris pertama dari perintah tersebut adalah judul dari output kita. Baris ketiga adalah baris hubungan.psf (lihat tahapannya pada tulisan Seri 3). 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. langkah selanjutnya adalah memerintahkan LISREL untuk mengolah hasilnya. Klik icon tersebut. Baris kedua adalah perintah agar LISREL membaca data mentah kerja1. Baris keenam untuk menyatakan seluruh persamaan telah dituliskan.psf. Baris keempat adalah bentuk hubungan yang akan kita cari. rubah dulu ke Excel atau SPSS ya. Tapi data tersebut dalam bentuk word. . Kemudian. Caranya? Perhatikan di bagian atas layar ada icon orang sedang berlari dan tulisan L. LISREL akan menghasilkan dua output. Maka kita akan mendapatkan hasil perhitungan LISREL. kemudian simpan ke dalam format PRELIS (lihat tahapannya pada tulisan Seri 2). maka pada halaman perintah. kita punya data mentah dari 474 pekerja/karyawan yang mencakup variabel-variabel sebagai berikut: (Untuk latihan. pada folder D:\blog. Output pertama dengan nama file kerja2. dengan nama kerja1. Setelah mengetikkan semua perintah tersebut.silakan ambil datanya disini. kita ketikkan perintah-perintahnya seperti tampilan berikut.psf di folder D:\blog. masa kerja sekarang (X2) dan masa kerja sebelumnya (X3) terhadap gaji sekarang (Y1). Sesuai dengan perintah kita. Misalkan. Baris kelima adalah perintah agar LISREL menghasilkan path diagram.out. Maklum.4) Tulisan seri keempat dari LISREL ini akan membahas aplikasi sederhana pada persoalan regresi berganda.Aplikasi LISREL untuk Regresi (Seri LISREL bag. Misalnya kita ingin menganalisis pengaruh pendidikan (X1). seperti tampilan di bawah ini. yang memerintahkan LISREL untuk mencari hubungan.

variable X3 berpengaruh signifikan terhadap Y1 pada level 5 %. X2 dan X3 sama dengan 0. yang diuji dengan nilai t-tabel untuk menarik kesimpulan mengenai signifikansi koefisien regresi. . Secara matematis ini berarti nilai Y1 ketika nilai X1. Berdasarkan hal tersebut.97. Di bawah standar error adalah nilai t-hitung. penafsiran konstanta tidak selalu seperti hal tersebut). (catatan: secara teori empirik. dan nilai t-tabel pada = 1% dan df=470 adalah 2.Sebagian output pertama tersebut kita kutipkan disini. Di bawah koefisien regresi (dalam tanda kurung) adalah estimasi standar error yang mengukur ketepatan dari estimasi parameter. LISREL tidak akan memunculkan nilai ini). Dalam estimasi persamaan regresi juga dimunculkan nilai error variance dan R2.59. Jika nilai t-hitung > t-tabel dapat ditarik kesimpulan adanya pengaruh yang signifikan antar variable. sedangkan X2 tidak berpengaruh terhadap Y1.79. variable X1 berpengaruh signifikan terhadap Y1 pada level 1%. Perhitungan pertama yang ditampilkan LISREL adalah kovarians matriks yang diikuti oleh nilai rata-rata hitung masing-masing variable sebagai berikut: Koefisien regresi ditunjukkan dengan angka-angka pada baris pertama. (catatan: jika dalam perintah SIMPLIS tidak ditambahkan kata constant. Angka konstantanya adalah sebesar -2. Nilai t-tabel pada = 5% dan df=470 adalah 1.

Varians X2 adalah sebesar 101. Kovarians antara variable X1 dan X3 adalah -76. output LISREL juga menampilkan kovarians matriks variable laten. Namun demikian. Sebagai catatan: kovarians antar variable independent yang standardized adalah nilai korelasi.35 dan nilai t adalah -5. Dengan cara pembacaan yang sama.22 dengan standar error 6. dan akan dibahas pada contoh-contoh pada tulisan seri berikutnya: Selanjutnya. terlihat bahwa kovarians antara X2 dan X3 tidak signifikan. masih terdapat beberapa output lainnya dari LISREL. output kedua yang dihasilkan LISREL dari perintah path diagram diberikan sebagai berikut: .54 dan nilai t adalah 15. Namun demikian outputoutput tersebut belum terkait dengan contoh kita pada bagian ini. demikian juga antara X1 dan X2. maka tampilan ini dapat diartikan sebagai kovarians antara semua variable yang dianalisis. angka ini signifikan pada level 1 %). Berikutnya. karena variable kita adalah variable observed bukan variable laten.33 (signifikan pada level 1 %).14 dengan standar error 14.Output LISREL juga menampilkan kovarians matriks antara variable-variabel independent. Varians X1 adalah sebesar 8.32 dengan standar error 0.33 (membandingkan dengan nilai t table. Selain output yang dijelaskan diatas.30 (signifikan pada level 1%).60 dan nilai t adalah 15.

Angka ini sama dengan output teks sebelumnya. Hubungan yang signifikan (default LISREL adalah sebesar 5%) ditampilkan dengan warna hitam. sedangkan yang tidak signifikan ditampilkan dengan warna merah. . Terdapat beberapa pilihan pada menu Estimates yaitu Estimates (seperti yang terlihat pada tampilan). Misalnya. Sebagaimana halnya pada menu Model. T-Values (mengeluarkan nilai t-hitung). maka akan muncul tampilan seperti berikut. Conceptual Diagram (menghasilkan konsep diagram tanpa angka). Modification Indices (indeks modifikasi) dan Expected Change (perubahan yang diharapkan). pada menu Estimates kita pilih T-values. pada menu bagian atas terdapat menu Estimates. maka angka-angka yang ada pada diagram tersebut akan berganti dengan angka mean model. Standarized Solution (menghasilkan estimasi standarisasi). ketika kita merubah pilihan pada Menu Estimates ini. yang menampilkan nilai t untuk estimasi masing-masing parameter.Tampilan path diagram diatas menampilkan nilai estimasi unstandarized. 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). maka angka-angka pada diagram juga akan berubah. Sedangkan angka pada panah dua arah yang menghubungan antar variabel independen adalah nilai kovarians antara variabel independent tersebut. Demikian juga. Jika kita pilih Mean Model. Perhatikan pada menu bagian atas.

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). maka yang akan ditampilkan hanya nilai unstandarized (tetapi nilai standardized tetap bias dilihat pada path diagram). Analisis jalur berbeda dengan teknik analisis regresi lainnya. kita akan mencoba mengaplikasikan program LISREL untuk Path Analysis. Jika perintah ini tidak digunakan. Input untuk menjalankan persamaan tersebut adalah sebagai berikut: Catatan: perintah Option: SS.5) Pada tulisan seri kelima ini. juga dipengaruhi oleh gaji awal bekerja (Y2). baik terhadap Y1 maupun Y2. Selanjutnya. . Dengan input tersebut. Gaji awal bekerja (Y2) itu sendiri juga dipengaruhi oleh pendidikan (X1) dan masa kerja sebelumnya (X3). Seri 3 dan Seri 4) Analisis jalur (Path Analysis) merupakan teknik statistik yang digunakan untuk menguji hubungan kausal antara dua atau lebih variabel. digunakan untuk menampilkan nilai standardized hubungan antar variable. Option: EF digunakan untuk menampilkan effect decomposition (komposisi pengaruh). output covariance matrix untuk independent variables dan latent variables diberikan sebagai berikut. Untuk dapat mengikuti pembahasan pada tulisan ini. 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. Anda diharapkan sudah membaca tulisan-tulisan seri LISREL sebelumnya yang ada pada blog ini (Seri 1. Interpretasinya sama dengan kasus sebelumnya. Seri 2. masa kerja sekarang (X2).Aplikasi LISREL untuk Path Analysis (Seri LISREL bag. LISREL menghasilkan estimasi regresi unstandarized berikut: Dari output tersebut terlihat bahwa semua variabel pada taraf 1 % berpengaruh signifikan. masa kerja sebelumnya (X3).

Catatan: model yang fit seharusnya memiliki nilai p yang tidak signifikan (lebih besar dari 0.Model memiliki fit yang sangat baik karena memiliki nilai probabilitas yang tidak signifikan (p-value = 0. Dari output tersebut diketahui nilai standardized pengaruh antara Y2 terhadap Y1 adalah 0.12 ChiSquare = 2.05).81. Bagian kolom adalah variable endogen independent dan bagian baris adalah variable endogen dependent.41 dengan df = 1). Penjelasan lebih lanjut mengenai model fit ini lihat pada bab khusus mengenai model fit. Berdasarkan perintah Option: SS. LISREL memberikan output sebagai berikut: Output BETA adalah output LISREL yang berupa matriks hubungan antara sesame variable endogen. 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).

40. 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. berdasarkan perintah Option: EF.55. Karena variable-variabel yang dianalisis adalah variable observed dan tidak latent.33. Misalnya pengaruh total X1 terhadap Y1 sebesar 0. LISREL memberikan output berikut: Output diatas memberikan pengaruh total antara variable eksogen terhadap variable endogen. Selanjutnya. Karena hubungan X2 dan Y1 adalah langsung dan tidak memiliki hubungan tidak langsung. Ini adalah penjumlahan dari pengaruh langsung X1 terhadap Y1 sebesar 0. Y1 memiliki measureme nt error 0.19 dan Y2 sebesar 0. Pengaruh total X2 terhadap Y1 sama dengan pengaruh langsungnya.067 dengan pengaruh tidak langsung X1 terhadap Y1 sebesar 0. Pengaruh total ini merupakan penjumlahan dari pengaruh langsung (lihat output estimasi regresi unstandarized sebelumnya) dengan pengaruh tidak langsung (lihat output di bawah ini).Output diatas adalah matrik korelasi antara variable yang dianalisis. maka output di atas adalah output gabungan sebelumnya yaitu output BETA dan GAMMA. .

Silakan baca dulu seri 1 ± 5 dari tulisan LISREL yang ada pada blog ini. Nah. Measurement model berkaitan dengan sebuah faktor.Output diatas memberikan pengaruh Aplikasi LISREL pada Model Pengukuran & Analisis Faktor (Seri LISREL bag. maka indikatornya misalnya panjang hidung. Karenanya. analisis yang dilakukan sebenarnya sama dengan analisis faktor. tidak setuju = 4 dan sangat tidak setuju = 5. pemodelan yang ditujukan untuk mengukur dimensi-dimensi yang membentuk sebuah faktor atau variabel tersebut disebut Measurement Model atau Model Pengukuran. misalnya kita ingin meneliti mengenai persepsi nasabah terhadap kualitas pelayanan suatu bank (Untuk latihan. Sebagai latihan. tidak setuju = 2. Dimensi Pelayanan Fisik Kualitas . silakan ambil datanya disini. Selanjutnya simpan dalam format PRELIS). Anda harus rubah dulu ke Excel atau SPSS. yaitu sangat tidak setuju = 1.6) Tulisan ini merupakan seri ke 6 dari seri LISREL yang akan membahas mengenai aplikasi LISREL pada Model Pengukuran dan Analisis Faktor. Untuk mengukur suatu variabel/faktor. dalam konteks apakah indikator yang digunakan dapat mengkonfirmasi faktor. kita memerlukan indikator-indikator yang membentuk variabel tersebut. Tapi file ini masih dalam word. Rincian indikator sebagai berikut: Indikator Persepsi Kualitas Pelayanan Fasilitas ATM di Bank ini terjamin keamanannya. Untuk dimensi fisik digunakan tiga indikator pengukuran dan untuk dimensi non-fisik dikembangkan lima indikator pengukuran. setuju = 3. Misalnya untuk mengukur tingkat ketampanan seseorang. Untuk mengukur persepsi terhadap kualitas pelayanan bank tersebut dikembangkan dua dimensi kualitas pelayanan yaitu dimensi fisik dan dimensi non-fisik. warna kulit dan lain sebagainya. Diambil sebanyak 101 responden nasabah bank tersebut. Indikator-indikator tersebut ditanyakan kepada responden dengan menggunakan pengukuran skala likert 1-5.

Bantuan pelayanan yang diberikan sangat lambat jika saya ada masalah yang berkaitan dengan bank ini NonFisik Kemampuan pegawai bank sangat rendah dalam mengatasi masalah saya yang berkaitan dengan bank ini Bank ini tidak memiliki kepedulian dan perhatian personal yang tinggi kepada saya X5 X6 X7 Penulisan input pada LISREL untuk menjalankan model tersebut adalah sebagai berikut: .X1 Memarkir kendaraan di Bank ini terjamin keamanannya X2 X3 Ruangan tunggu di Bank ini cukup memadai untuk menampung nasabah yang ada X4 Keakuratan dan keterandalan pelayanan bank ini tidak sesuai dengan yang dijanjikan.

indicator X3 merupakan indicator yang paling reliable. maka kita dapat menggunakan nilai estimasi (loading) sebagai koefisien validitas. Perintah ini meminta LISREL untuk menguji (menandai) output path diagram dengan tingkat signifikansi 10%.05). Model memiliki fit yang sangat baik karena memiliki nilai probabilitas yang tidak signifikan (p-value = 0. 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. biasanya diinterpretasikan sebagai reliabilitas indicator. Kedua indicator itu juga memberikan nilai R2 paling kecil. Dengan menggunakan = 10%. Sebaliknya. kita ingin menguji validitas indikator dalam merefleksikan variabel laten (unobserved). yang berarti ³sampai dengan´. pada baris ketiga kita sebutkan nama variabel laten (unobserved variable). indicator X7 yang paling reliable.08 dengan df = 13). Catatan: model yang fit seharusnya memiliki nilai p yang tidak signifikan (lebih besar dari 0. atau dengan kata lain. 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 X1.60 ChiSquare = 11. X2 dan X3. (Jika tidak dituliskan. Dengan demikian. nilai t-tabel df=99 adalah 1. indicator-indikator lainnya terbukti cukup baik dalam merepresentasikan variable laten. default LISREL adalah 5%). karena adanya variabel laten.4. Ini berarti dari output diatas dapat diketahui bahwa yang tidak signifikan adalah indicator X2 yang merupakan indicator FISIK dan X4 sebagai indicator NONFISIK.5). Dari output juga dapat disimpulkan bahwa dari ketiga indicator FISIK. karena X3 memiliki nilai loading yang paling besar (sebesar .66. Input tersebut akan memberikan estimasi mengenai hubungan antara indikator dengan variabel laten. Nilai R2 pada masing-masing persamaan. Perhatikan juga penulisan tanda strip (-) diantara indikator. sedangkan dari lima empat indicator NONFISIK. sedangkan variabel laten di sebelah kanan. Indikator berada di sebelah kiri tanda sama dengan. Karena model pengukuran di atas memiliki fit yang sangat baik.Perhatikan. Perhatikan penulisan perintah path diagram yang diikuti dengan kata-kata tv=10.

maka output LISREL juga menampilkan nilai korelasinya.43 bandingkan dengan X1 sebesar 0. maka dapat kita simpulkan sebaiknya model menggunakan satu dimensi saja. Output path diagram yang menampilkan koefisien estimasi dari kasus kita sebagai berikut: Output path diagram yang menampilkan nilai t dari kasus kita sebagai berikut: . Karena korelasinya cukup kuat.82 dengan standar error 0.31 (signifikan pada = 5%). kita dapat membuktikan apakah dari tujuh indicator tersebut. Sedangkan untuk variabel NONFISIK adalah indikator X7. 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.022).35 dan nilai t= -2. Nilai korelasi antara FISIK dan NONFISIK adalah -0. Dua variable independent (eksogen) secara default LISREL diasumsikan saling berkorelasi. sebaiknya dipecah dalam dua dimensi (FISIK dan NONFISIK) atau menjadi satu dimensi saja.0.28 dan X2 sebesar 0. maka dapat disimpulkan bahwa X3 merupakan indikator yang paling valid dari indikator variabel FISIK.

.

X2 dan X3 dan FAKTOR2 diukur melalui X4.7) 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. Tapi data tersebut masih dalam bentuk word. (Silakan ambil datanya disini. model tersebut dapat digambarkan sebagai berikut: Input untuk model tersebut dapat ditulis dalam LISREL sebagai berikut: . yaitu FAKTOR1 dan FAKTOR2. tetapi lebih ditekankan pada teknik modifikasi model dalam analisis faktor jika model fit tidak baik Misalnya. Indikator-indikator itu sendiri merupakan respon dari responden yang diukur dengan skala likert 1-5. pada seri ketujuh ini juga masih membahas hal yang sama. FAKTOR1 diukur melalui indikator X1.Modifikasi Model Pengukuran & Analisis Faktor (Seri LISREL bag. Rubah dulu ke bentuk SPSS atau Excel. kita punya data hipotetik dengan dua faktor. Asumsikan masing-masing faktor tersebut akan diukur melalui tiga indikator. X5 dan X6. kemudian simpan dalam format PRELIS) Secara konseptual.

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). LISREL menghasilkan persamaan pengukuran sebagai berikut: . 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.

asal terdapat justifikasi teori yang kuat untuk modifikasi model tersebut. Seluruh error variance juga signifikan pada tarf 1% atau 5%. Tetapi jika dilihat dari goodness of fit.121 sampai 0. dengan R2 berkisar antara 0. ada dua alternatif.821 dengan derajat bebas 8 dan nilai p yang signifikan. .Seluruh indicator tersebut signifikan pada taraf 1% atau 5%. Chi-Square sebesar 65. mengindikasikan model tidak fit.863. Perintah Print residual dalam input kita sebelumnya dapat memberikan kita informasi mengenai penyebab tidak fitnya model. ternyata model tidak fit. Melakukan penelitian ulang atau memodifikasi model. Output-output LISREL di bawah ini dapat digunakan sebagai pemandu untuk menganalisis penyebab tidak fitnya model. Tentu saja pilihan yang lebih logis adalah memodifikasi model. Dalam konteks ini.

Output dengan judul Covariance Matrix secara statistik juga dikenal dengan istilah Sample Covariance Matrix (yang merupakan tampilan default dari LISREL). Menambah path (jalur) dari FAKTOR2 ke indikator X3. sehingga diperoleh kesimpulan bahwa X1 dan X4 inilah yang menjadi penyebab tidak fitnya model. Modifikasi ini akan menurunkan nilai ChiSquare sebesar 27. Output LISREL menyarankan dua tipe modifikasi yang dapat dilakukan: Tipe 1. Dengan kata lain.7 dan menghasilkan estimasi baru menjadi 0. X3 selain merupakan indikator FAKTOR1 juga merupakan indikator indikator FAKTOR2.0 dan menghasilkan estimasi baru menjadi 0. Dengan kata lain. informasi residual ini perlu ditanggapi secara hati-hati karena nilai residual tersebut adalah unstandarized. .65 2. X4 selain merupakan indikator FAKTOR2 juga merupakan indikator indikator FAKTOR1. Modifikasi ini akan menurunkan nilai ChiSquare sebesar 13. sebaiknya menggunakan Standarized Residual yang juga ditampilkan dalam output LISREL sebagai berikut: Dari output diatas terlihat bahwa berdasarkan standarized residual. 1. Berdasarkan hal tersebut. Tipe 2. Suatu model dikatakan fit jika matriks residualnya (Fitted Residuals) adalah nol (mendekati nol). Namun demikian. Lalu apa yang harus dilakukan ? Dalam konteks ini LISREL memberikan output modification index yang merupakan salah satu alternatif terbaik untuk modifikasi model. sebenarnya yang memiliki residual terbesar adalah X5 dan X6.338. terlihat bahwa residual kovarians yang terbesar adalah antara X1 dan X4 yaitu 0. 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.48 Menambah path (jalur) dari FAKTOR1 ke indikator X4. Sedangkan model dikatakan memiliki fit yang sangat buruk apabila matriks residualnya sangat besar. Jika indicator-indikator dalam model kita memiliki perbedaan dalam skala pengukurannya. yang mungkin nilai-nilainya dipengaruhi oleh bedanya pengukuran.

Memberikan hubungan antara dua error indikator X2 dan X1. akan menghasilkan penurunan nilai ChiSquare sebesar 27.8 dan menghasilkan kovarians baru sebesar 0. Your computer may not have enough memory to open the image.26 Memberikan hubungan antara dua error indikator X4 dan X1. and then open the file again. Restart your computer. If the red x still appears.23 Modification indices dan perubahan yang diharapkan (Expected Change) juga divisualisasikan oleh LISREL dalam bentuk path diagram berikut: The image cannot be displayed. akan menghasilkan penurunan nilai ChiSquare sebesar 17.7 dan menghasilkan kovarians baru sebesar -0.17 Memberikan hubungan antara dua error indikator X6 dan X5. . or the image may have been corrupted.0 dan menghasilkan kovarians baru sebesar 0.24 Memberikan hubungan antara dua error indikator X6 dan X3.25 Memberikan hubungan antara dua error indikator X6 dan X1.0 dan menghasilkan kovarians baru sebesar 0. akan menghasilkan penurunan nilai ChiSquare sebesar 13.7 dan menghasilkan kovarians baru sebesar 3. 2. 3. 4. akan menghasilkan penurunan nilai ChiSquare sebesar 10.1. 5. akan menghasilkan penurunan nilai ChiSquare sebesar 10. you may have to delete the image and then insert it again.

Contoh untuk modifikasi tipe 1a dari kasus kita diatas. Selamat mencoba. Inputnya dapat ditulis: Nah. Apakah modelnya sudah fit? Jika belum. coba di run untuk melihat hasilnya.Berikut ini diberikan cara mengoperasikan LISREL untuk memodifikasi model. . setelah mengetikan perintah tersebut di LISREL. coba lagi dengan tipe modifikasi lain yang disarankan LISREL.

sebagai tulisan yang mengantarkan kepada pemahaman awal. Ok. Meskipun demikian.8) Tulisan ini merupakan seri terakhir (seri kedelapan) dari seri yang membahas mengenai aplikasi-aplikasi dasar dari LISREL. 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: . harapannya ini bisa membantu. Misalnya kita ingin melakukan penelitian mengenai keyakinan masyarakat terhadap partai politik di Indonesia. Pada tulisan ini kita akan fokuskan pada aplikasi LISREL untuk Structural Equation Model (SEM). untuk mendalami lebih jauh mengenai LISREL. Jawaban responden kita skor dengan skala Likert. Keyakinannya terhadap kemampuan pengurus partai juga mempengaruhi keyakinannya terhadap keberhasilan program partai. Untuk itu diambil sampel sebanyak 150 orang. SEM secara statistik adalah generasi kedua dari teknik analisis multivariate. Tentunya. yang memungkinkan peneliti untuk menguji hubungan antara variabel yang kompleks baik recursive maupun non-recursive untuk memperoleh gambaran menyeluruh mengenai keseluruhan model. Selanjutnya untuk mengukur keyakinan terhadap partai politik digunakan dua indikator (X5 dan X6).Aplikasi LISREL pada Model Persamaan Struktural (Seri LISREL bag. 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). kita harus membaca buku-buku mengenai LISREL dengan bahasan-bahasan yang lebih lanjut. Misalnya lagi.

tuliskan input perintah pada program LISREL (SIMPLIS) sebagai berikut Setelah dirun dengan LISREL kita akan mendapatkan hasil output grafik dan output dalam bentuk teks. Sebagai bahan latihan silakan interpretasikan sendiri mengacu pada tulisan-tulisan seri LISREL sebelumnya) . Sebagian output grafik (yaitu grafik dengan koefisien estimasi) ditampilkan di bawah ini. dan data sudah diinput.Setelah melakukan penelitian. Ubah file data ke dalam format prelis dan misalnya kita tempatkan di folder D:/blog dengan nama file partai. (Catatan: Tetapi tidak diinterpretasikan disini. Sedangkan output teks kita tampilkan utuh. Selanjutnya.psf.

Sign up to vote on this title
UsefulNot useful