P. 1
1. SEM dan LISREL (Seri LISREL bag.1) » pengertian teknologi informasi, teknologi komunikasi, informasi tentang komunikasi

1. SEM dan LISREL (Seri LISREL bag.1) » pengertian teknologi informasi, teknologi komunikasi, informasi tentang komunikasi

|Views: 2,128|Likes:
Published by Cynton

More info:

Published by: Cynton on Mar 23, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

05/12/2014

pdf

text

original

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.

Sehingga setiap data mentah yang disimpan pada program yang lain harus disimpan terlebih dahulu kedalam PRELIS. pada seri LISREL bagian kedua ini hanya akan diuraikan tahapan-tahapan persiapan input data dengan PRELIS. selain melalui SIMPLIS juga dapat disiapkan melalui bahasa LISREL itu sendiri. Program LISREL membutuhkan input data dan input file (perintah). 1. simpanlah dengan ³Save As´ ke format CSV (Comma Delimited) atau ke Text (Tab Delimited). Comma Delimited Data (*. kita bisa dapatkan file data yang berformat CSV atau TEXT yang bisa diolah Program PRELIS. Anda tetap dapat mengetik data di program Excel. dan berbagai program pengolah angka lainnya. Untuk menyiapkan input data. Oleh karenanya. LISREL menyediakan program PRELIS dan untuk menyiapkan input file. meskipun kita mengetik dengan Excel. Tampilan 1. LISREL menyediakan program SIMPLIS sebagai bahasa perintah.sav). LISREL hanya dapat menjalankan model dari data mentah yang disimpan dalam PRELIS atau text document. sewaktu menyimpan data tersebut. Demikian juga untuk input file. Pada dasarnya selain menggunakan PRELIS. Tab Delimited Data (*. PRELIS juga dapat digunakan untuk melakukan manipulasi data dan manajemen data serta memberikan deskripsi awal dari data Sayangnya. MENYIMPAN DATA 2. Selain untuk menyimpan data.dat.txt 2. MENYIAPKAN INPUT DATA (Program PRELIS) PRELIS adalah program suplemen dari paket program LISREL 8.1.raw) Tapi jangan kuatir.txt) dan Free Format Data (*. File dari SPSS Buka program LISREL. kemudian klik File dan klik Import Data.2) Dalam operasinya. pada student edition. SAS. EXCEL. Dengan cara seperti ini. Namun demikian. Pada bagian berikut ini akan kita bahas cara menyiapkan/menginput data yang berasal dari SPSS maupun yang berformat *. *.csv dan *. alternatif tersebut tidak dianjurkan karena relatif sulit untuk dioperasionalkan. data text. PRELIS dapat menyimpan data mentah yang sebelumnya disimpan pada berbagai macam program seperti SPSS. Kemudian.Input Data untuk LISREL (Seri LISREL bag. dan pada seri tulisan LISREL bagian ketiga akan dibahas tahapan-tahapan input file (perintah) dengan SIMPLIS. program PRELIS dari LISREL hanya dapat mengenali data yang berformat SPSS (*.csv). input data untuk LISREL juga dapat ditulis dengan text documen. Akan muncul kotak dialog Open. Kotak Dialog Open .

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

txt) Seperti yang telah dikemukakan sebelumnya.csv).2.txt. Setelah itu klik OK. jumlah variabelnya 6. Akan muncul kotak dialog Open. Setelah itu klik Save. maka secara langsung file data yang berformat *. Input Jumlah Variabel Setelah mengklik OK.csv atau *. pilih folder tempat data disimpan.txt. dan akan tampil di layar seperti pada tampilan 3 sebelumnya. kemudian klik File dan klik Import Data. Untuk file data dengan format *. Hanya pada pilihan Files of Type pada tampilan 1 diambil pilihan Tab Delimited Data (*.csv tadi. Isikan pada File Name nama file untuk menyimpan data PRELIS. Pada File Name pilih nama file. Setelah mengklik Save. Kemudian klik Open. maka akan muncul tampilan Tampilan 5. setelah mengetik data dengan Program Excel. Dari tampilan 1 tersebut. tahapannya sebagai berikut: (Catatan: dalam mengetik data di Excel. Dalam kasus kita.csv. psf.2. pada Look in. Tab Delimited Data (*. caranya juga sama dengan format *. Untuk mengimpor data dengan format ini ke PRELIS. Data dikatakan continous jika memiliki kategori lebih dari 15. Tampilan 4. akan tersimpan dalam bentuk file PRELIS dengan format *. anda bisa menyimpan ke format *. Pada Files of Type pilih Comma Delimited Data (*.2. dikatakan data ordinal. Untuk menentukan jenis data klik Data kemudian Define Variables. seperti tampilan 1 sebelumnya. Akan muncul tampilan Save As seperti pada tampilan 2 sebelumnya.csv). nama variabel tempatkan pada baris pertama setiap variabel) Buka program LISREL. Definisi Variabel .1. Menentukan Jenis Data Jenis data dalam LISREL umumnya dibagi 2 yaitu dari continous dan data ordinal. Sebaliknya.txt) 2. akan muncul tampilan berikut yang meminta kita memasukkan jumlah variabel. File Data dengan Format Comma Delimited Data (*.

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

Biserial: matriks korelasi dimana variabel memiliki skala interval (continuos) dan juga skala dichotomous.cor Data matriks korelasi akan tersimpan dalam format text documen. 2.2. kemudian tulis nama file untuk menyimpan matriks korelasi tersebut. Untuk membuat matrik korelasi adalah sebagai berikut: Setelah data mentah disimpan dalam PRELIS. Correlations Matrix Pada moment matrix pilih Correlations. Akan muncul tampilan berikut: Tampilan 8. Untuk jenis ini PRELIS akan menghasilkan matriks korelasinya dalam bentuk Polychoric Correlation. Membuat Asymtotic Covariance Matrix . Dalam contoh diatas data disimpan pada partisi hardisk D dengan nama file data2. Matriks korelasi continous yang dihasilkan dari data continous. 4. 3. tetapi tidak sebaliknya. Kemudian klik OK. sebaliknya jika kurang dari 15 secara otomatis dikategorikan sebagai data ordinal.3. klik Output Options pada bagian Statistics. Kita dapat merubah data ordinal/interval menjadi continous. Matriks korelasi ordinal yang dihasilkan dari data ordinal. 1 dan 0) Polyserial: matriks korelasi dimana variabel memiliki skala ordinal dan juga skala interval. Membuat Matriks korelasi Matriks korelasi dibagi dua yaitu : 1. Terdapat empat jenis matriks korelasi untuk data ordinal 1.3. 2. 3. klik save to file. 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. Untuk jenis ini PRELIS akan menghasilkan matriks korelasinya dalam bentuk Pearson¶s Correlation. Dalam LISREL. File tersebut dapat dibuka dengan program Notepad (bagian program Windows). data yang memiliki kategori lebih dari 15 dikategorikan sebagai data continous.

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

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. akan diberikan bersamaan dengan contoh aplikasi pada seri-seri tulisan berikutnya mengenai LISREL) 1. Pada File Name pilih nama file.spj). Kemudian klik Save. Baris Judul Baris pertama pada input file dapat digunakan sebagai baris judul. Pada Save of Type pilih SIMPLIS Project (*. Setiap keterangan pada baris pertama akan diperlakukan sebagai baris judul kecuali LISREL menemukan dua hal berikut: .Pada Save in. pilih folder tempat data disimpan.

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

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

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

karena variable kita adalah variable observed bukan variable laten. angka ini signifikan pada level 1 %).14 dengan standar error 14.30 (signifikan pada level 1%). masih terdapat beberapa output lainnya dari LISREL.32 dengan standar error 0. Varians X1 adalah sebesar 8. Berikutnya.33 (signifikan pada level 1 %). output kedua yang dihasilkan LISREL dari perintah path diagram diberikan sebagai berikut: . Kovarians antara variable X1 dan X3 adalah -76.35 dan nilai t adalah -5.54 dan nilai t adalah 15. Varians X2 adalah sebesar 101.22 dengan standar error 6. Selain output yang dijelaskan diatas. terlihat bahwa kovarians antara X2 dan X3 tidak signifikan. Namun demikian. output LISREL juga menampilkan kovarians matriks variable laten.33 (membandingkan dengan nilai t table. Namun demikian outputoutput tersebut belum terkait dengan contoh kita pada bagian ini. maka tampilan ini dapat diartikan sebagai kovarians antara semua variable yang dianalisis.Output LISREL juga menampilkan kovarians matriks antara variable-variabel independent. dan akan dibahas pada contoh-contoh pada tulisan seri berikutnya: Selanjutnya. Sebagai catatan: kovarians antar variable independent yang standardized adalah nilai korelasi. Dengan cara pembacaan yang sama. demikian juga antara X1 dan X2.60 dan nilai t adalah 15.

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

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

Dari output tersebut diketahui nilai standardized pengaruh antara Y2 terhadap Y1 adalah 0. . Bagian kolom adalah variable eksogen (independent) dan bagian baris adalah variable endogen (dependent).Model memiliki fit yang sangat baik karena memiliki nilai probabilitas yang tidak signifikan (p-value = 0.81.12 ChiSquare = 2.41 dengan df = 1). Berdasarkan perintah Option: SS.05). LISREL memberikan output sebagai berikut: Output BETA adalah output LISREL yang berupa matriks hubungan antara sesame variable endogen. Catatan: model yang fit seharusnya memiliki nilai p yang tidak signifikan (lebih besar dari 0. Penjelasan lebih lanjut mengenai model fit ini lihat pada bab khusus mengenai model fit. Output GAMMA adalah output LISREL yang berupa matriks pengaruh (standardized) antara variable eksogen (independent) terhadap variable endogen (dependen). Bagian kolom adalah variable endogen independent dan bagian baris adalah variable endogen dependent.

.067 dengan pengaruh tidak langsung X1 terhadap Y1 sebesar 0. Karena hubungan X2 dan Y1 adalah langsung dan tidak memiliki hubungan tidak langsung. Ini adalah penjumlahan dari pengaruh langsung X1 terhadap Y1 sebesar 0.40. LISREL memberikan output berikut: Output diatas memberikan pengaruh total antara variable eksogen terhadap variable endogen. berdasarkan perintah Option: EF. Y1 memiliki measureme nt error 0. Selanjutnya. 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.19 dan Y2 sebesar 0.33.55.Output diatas adalah matrik korelasi antara variable yang dianalisis. Karena variable-variabel yang dianalisis adalah variable observed dan tidak latent. Pengaruh total ini merupakan penjumlahan dari pengaruh langsung (lihat output estimasi regresi unstandarized sebelumnya) dengan pengaruh tidak langsung (lihat output di bawah ini). maka output di atas adalah output gabungan sebelumnya yaitu output BETA dan GAMMA. Pengaruh total X2 terhadap Y1 sama dengan pengaruh langsungnya. Misalnya pengaruh total X1 terhadap Y1 sebesar 0.

Sebagai latihan. Anda harus rubah dulu ke Excel atau SPSS. dalam konteks apakah indikator yang digunakan dapat mengkonfirmasi faktor. warna kulit dan lain sebagainya. Indikator-indikator tersebut ditanyakan kepada responden dengan menggunakan pengukuran skala likert 1-5. Diambil sebanyak 101 responden nasabah bank tersebut. Nah. analisis yang dilakukan sebenarnya sama dengan analisis faktor. silakan ambil datanya disini. Measurement model berkaitan dengan sebuah faktor. misalnya kita ingin meneliti mengenai persepsi nasabah terhadap kualitas pelayanan suatu bank (Untuk latihan. kita memerlukan indikator-indikator yang membentuk variabel tersebut. Dimensi Pelayanan Fisik Kualitas . Untuk mengukur suatu variabel/faktor. tidak setuju = 4 dan sangat tidak setuju = 5. Rincian indikator sebagai berikut: Indikator Persepsi Kualitas Pelayanan Fasilitas ATM di Bank ini terjamin keamanannya. pemodelan yang ditujukan untuk mengukur dimensi-dimensi yang membentuk sebuah faktor atau variabel tersebut disebut Measurement Model atau Model Pengukuran. Untuk mengukur persepsi terhadap kualitas pelayanan bank tersebut dikembangkan dua dimensi kualitas pelayanan yaitu dimensi fisik dan dimensi non-fisik. Silakan baca dulu seri 1 ± 5 dari tulisan LISREL yang ada pada blog ini. Selanjutnya simpan dalam format PRELIS). Karenanya.Output diatas memberikan pengaruh Aplikasi LISREL pada Model Pengukuran & Analisis Faktor (Seri LISREL bag. Untuk dimensi fisik digunakan tiga indikator pengukuran dan untuk dimensi non-fisik dikembangkan lima indikator pengukuran. yaitu sangat tidak setuju = 1. Tapi file ini masih dalam word. Misalnya untuk mengukur tingkat ketampanan seseorang. tidak setuju = 2. maka indikatornya misalnya panjang hidung. setuju = 3.6) Tulisan ini merupakan seri ke 6 dari seri LISREL yang akan membahas mengenai aplikasi LISREL pada Model Pengukuran dan Analisis Faktor.

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. 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: .

05). Perhatikan penulisan persamaan pada baris keempat dan kelima yang berbeda dengan contoh-contoh sebelumnya (pada tulisan seri 3. biasanya diinterpretasikan sebagai reliabilitas indicator. sedangkan dari lima empat indicator NONFISIK.08 dengan df = 13). karena adanya variabel laten. default LISREL adalah 5%). Sebaliknya. indicator-indikator lainnya terbukti cukup baik dalam merepresentasikan variable laten. (Jika tidak dituliskan.66.60 ChiSquare = 11. Perhatikan juga penulisan tanda strip (-) diantara indikator. maka kita dapat menggunakan nilai estimasi (loading) sebagai koefisien validitas. Ini berarti dari output diatas dapat diketahui bahwa yang tidak signifikan adalah indicator X2 yang merupakan indicator FISIK dan X4 sebagai indicator NONFISIK. Indikator berada di sebelah kiri tanda sama dengan. sedangkan variabel laten di sebelah kanan. atau dengan kata lain. Model memiliki fit yang sangat baik karena memiliki nilai probabilitas yang tidak signifikan (p-value = 0. yang berarti ³sampai dengan´.4. Karena model pengukuran di atas memiliki fit yang sangat baik. Dari output juga dapat disimpulkan bahwa dari ketiga indicator FISIK. indicator X7 yang paling reliable. Dengan demikian. Dengan menggunakan = 10%. Perhatikan penulisan perintah path diagram yang diikuti dengan kata-kata tv=10. Nilai R2 pada masing-masing persamaan. karena X3 memiliki nilai loading yang paling besar (sebesar . Catatan: model yang fit seharusnya memiliki nilai p yang tidak signifikan (lebih besar dari 0. X2 dan X3. Perintah ini meminta LISREL untuk menguji (menandai) output path diagram dengan tingkat signifikansi 10%. indicator X3 merupakan indicator yang paling reliable. Input tersebut akan memberikan estimasi mengenai hubungan antara indikator dengan variabel laten. kita ingin menguji validitas indikator dalam merefleksikan variabel laten (unobserved). yang menunjukkan dua dimensi kualitas pelayanan yang akan diukur. pada baris ketiga kita sebutkan nama variabel laten (unobserved variable). Kedua indicator itu juga memberikan nilai R2 paling kecil.5).Perhatikan. nilai t-tabel df=99 adalah 1. 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.

Sedangkan untuk variabel NONFISIK adalah indikator X7. Nilai korelasi antara FISIK dan NONFISIK adalah -0.28 dan X2 sebesar 0.022).82 dengan standar error 0. Output path diagram yang menampilkan koefisien estimasi dari kasus kita sebagai berikut: Output path diagram yang menampilkan nilai t dari kasus kita sebagai berikut: .35 dan nilai t= -2. Informasi korelasi dan standar error ini berguna untuk mengetahui apakah sebenarnya model cocok menggunakan satu variable laten saja atau dua variable laten.43 bandingkan dengan X1 sebesar 0.31 (signifikan pada = 5%). sebaiknya dipecah dalam dua dimensi (FISIK dan NONFISIK) atau menjadi satu dimensi saja. Dua variable independent (eksogen) secara default LISREL diasumsikan saling berkorelasi. maka dapat kita simpulkan sebaiknya model menggunakan satu dimensi saja. Karena korelasinya cukup kuat. Dengan kata lain. maka dapat disimpulkan bahwa X3 merupakan indikator yang paling valid dari indikator variabel FISIK. kita dapat membuktikan apakah dari tujuh indicator tersebut.0. maka output LISREL juga menampilkan nilai korelasinya.

.

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

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.

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

Dengan kata lain. yang mungkin nilai-nilainya dipengaruhi oleh bedanya pengukuran. terlihat bahwa residual kovarians yang terbesar adalah antara X1 dan X4 yaitu 0. Menambah path (jalur) dari FAKTOR2 ke indikator X3. Suatu model dikatakan fit jika matriks residualnya (Fitted Residuals) adalah nol (mendekati nol). X3 selain merupakan indikator FAKTOR1 juga merupakan indikator indikator FAKTOR2. . Tipe 2. Dengan kata lain. Pengurangan Covariance Matrix dengan Fitted Covariance Matrix menghasilkan output Fitted Residuals. Sedangkan model dikatakan memiliki fit yang sangat buruk apabila matriks residualnya sangat besar. sehingga diperoleh kesimpulan bahwa X1 dan X4 inilah yang menjadi penyebab tidak fitnya model.7 dan menghasilkan estimasi baru menjadi 0. informasi residual ini perlu ditanggapi secara hati-hati karena nilai residual tersebut adalah unstandarized. Output dengan judul Fitted Covariance Matrix merupakan estimasi program dalam memprediksi covariance matrix model penelitian yang diajukan.Output dengan judul Covariance Matrix secara statistik juga dikenal dengan istilah Sample Covariance Matrix (yang merupakan tampilan default dari LISREL). sebaiknya menggunakan Standarized Residual yang juga ditampilkan dalam output LISREL sebagai berikut: Dari output diatas terlihat bahwa berdasarkan standarized residual. Modifikasi ini akan menurunkan nilai ChiSquare sebesar 13. Output LISREL menyarankan dua tipe modifikasi yang dapat dilakukan: Tipe 1.48 Menambah path (jalur) dari FAKTOR1 ke indikator X4.338. Berdasarkan hal tersebut. Jika indicator-indikator dalam model kita memiliki perbedaan dalam skala pengukurannya. Modifikasi ini akan menurunkan nilai ChiSquare sebesar 27. 1. Namun demikian.0 dan menghasilkan estimasi baru menjadi 0. sebenarnya yang memiliki residual terbesar adalah X5 dan X6.65 2. X4 selain merupakan indikator FAKTOR2 juga merupakan indikator indikator FAKTOR1. Lalu apa yang harus dilakukan ? Dalam konteks ini LISREL memberikan output modification index yang merupakan salah satu alternatif terbaik untuk modifikasi model.

akan menghasilkan penurunan nilai ChiSquare sebesar 10.23 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. akan menghasilkan penurunan nilai ChiSquare sebesar 27.8 dan menghasilkan kovarians baru sebesar 0. Restart your computer.24 Memberikan hubungan antara dua error indikator X6 dan X3. .0 dan menghasilkan kovarians baru sebesar 0. and then open the file again. 5. you may have to delete the image and then insert it again.7 dan menghasilkan kovarians baru sebesar 3.7 dan menghasilkan kovarians baru sebesar -0. Your computer may not have enough memory to open the image. akan menghasilkan penurunan nilai ChiSquare sebesar 13.25 Memberikan hubungan antara dua error indikator X6 dan X1.17 Memberikan hubungan antara dua error indikator X6 dan X5.0 dan menghasilkan kovarians baru sebesar 0.1. 2. or the image may have been corrupted. If the red x still appears. 4.26 Memberikan hubungan antara dua error indikator X4 dan X1. Memberikan hubungan antara dua error indikator X2 dan X1. akan menghasilkan penurunan nilai ChiSquare sebesar 10. 3.

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

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

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->