Aplikasi Metode Structural Equation Modeling Dengan LISREL 8.54 (Edisi Kedua)

Aplikasi Metode Structural Equation Modeling Dengan LISREL 8.54 (Edisi Kedua)

Achmad Hisyam, S.Si., M.Si Office : Jl. Baru Lenteng Agung No. 36 – Lenteng Agung - Jakarta Selatan Telp : 021-7872622 HP : 0815-13300438 http://www.olahdata.com E-mail : [email protected]

Kata Pengantar Edisi Kedua Assalammualaikum Wr. Wb. Alhamdulillahi Rabbil Alamiin. Segala puji bagi ALLAH SWT, Sang Pencipta yang telah memberikan banyak karunia yang tiada tara. Sehingga penulisan buku kecil ini dapat selesai walau masih banyak kekurangan di sana – sini. Sebagai seorang konsultan statistika, penulis sering menghadapi pertanyaan mengenai aplikasi statistika dengan menggunakan software LISREL. LISREL adalah software Statistika yang khusus menangani masalah analisis kausal (Causal Analysis). Software ini belum lama dikenal di Indonesia, sehingga belum banyak terdapat buku yang membahas penggunaan LISREL. Buku ini berisikan teori singkat SEM, cara penggunaan LISREL dengan bahasa LISREL, contoh aplikasi pembahasan output, serta penggunaan PRELIS sebagai alat bantu LISREL yang cukup penting. Penulis menyadari bahwa buku kecil ini masih memiliki banyak kekurangan, untuk itu penulis mengharapkan masukan dan koreksi serta kritik dari pembaca. Tak lupa penulis mengucapkan banyak terima kasih untuk Istri tercinta, Peppy Rofi’awaty, S.Ag, dan anak kami Kamilatun Nuha, Ayyasy Tamam Hamdi, dan Aaliyah Faizatun NisaA yang telah memberikan banyak dorongan dan semangat hidup, dan juga kepada Bapak Dr. Sudarmasto, MA, SE, S.Teks, yang memberi izin untuk menggunakan data hasil penelitian beliau dalam penulisan buku ini. Selamat membaca ! Semoga bermanfaat. Amin. Wassalammualaikum Wr. Wb.

Jakarta, 25 September 2009

Achmad Hisyam, S.Si., M.Si [email protected] http://www.olahdata.com

Kata Pengantar

Halaman i

Daftar Isi I. Kata Pengantar.............................................................................................. i II. Daftar Isi ..................................................................................................... ii III. Bagian Pertama STRUCTURAL EQUATION MODELING 1. Apakah SEM ? ....................................................................................... 1 2. Contoh dari SEM .................................................................................... 1 3. Dasar Teori dalam SEM .......................................................................... 2 4. Pembentukan Model Dalam SEM .............................................................. 3 5. Langkah – Langkah Aplikasi SEM ............................................................. 3 IV. Bagian Kedua LINEAR STRUCTURAL RELATION 1. Apakah LISREL ? ................................................................................... 7 2. Notasi dalam LISREL .............................................................................. 7 3. Menerjemahkan Path Diagram Ke Dalam Notasi LISREL.............................. 8 V. Bagian Ketiga IDENTIFIKASI DAN UJI KECOCOKAN MODEL 1. Identifikasi Model ................................................................................ 10 2. Uji Kecocokan Model ............................................................................ 10 3. Uji Individual Measurement Model ......................................................... 12 4. Uji Individual Structural Model .............................................................. 13 VI. Bagian Keempat APLIKASI SEM DENGAN LISREL 1. Mengimport File SPSS .......................................................................... 14 2. Membuat Syntax LISREL Secara Interactive ............................................ 15 3. Syntax LISREL .................................................................................... 24 4. Output LISREL .................................................................................... 25 5. Ukuran Kecocokan Model ...................................................................... 30 VII. Daftar Pustaka ........................................................................................... 31

Aplikasi Structural Equation Modeling dengan LISREL 8.54

Halaman

ii

Bagian Pertama Structural Equation Modeling 1. Apakah SEM ? SEM adalah sebuah tehnik analisis statistika yang mengkombinasikan beberapa aspek yang terdapat pada analisis jalur dan analisis faktor konfirmatori untuk mengestimasi beberapa persamaan secara simultan. Secara umum, tehnik di dalam SEM terbagi menjadi dua : a. Mengestimasi beberapa persamaan yang saling berhubungan secara simultan. (Structural Model) b. Merepresentasikan variabel construct berdasarkan variabel observed (Measurement Model)

2. Contoh dari SEM Untuk memperjelas gambaran mengenai SEM, perhatikanlah gambar di bawah ini :

Gambar 1 Path Diagram dan Measurement Model

Yang berbetuk persegi adalah variabel observasi (observed variables), sedangkan yang berbentuk oval adalah variabel construct (construct variables). Structural Model Yang dimaksud dengan structural model adalah bagian dari SEM yang menampilkan hubungan antara variabel – variabel construct. Untuk contoh di atas, yang dimaksud dengan structural model adalah sebagai berikut


Halaman

1

Gambar 2 Path Diagram

Exogenous Variable Adalah variabel construct yang menjadi variabel independen, yaitu variabel yang tidak diprediksi oleh variabel construct yang lain. Untuk contoh di atas, variabel eksogennya adalah Struktur dan Budaya Endogenous Variable Adalah variabel construct yang menjadi variabel dependen, yang diprediksi oleh variabel construct yang lain. Untuk contoh di atas, variabel eksogennya adalah Motivasi Apabila structural model untuk contoh diatas diterjemahkan ke dalam persamaan, maka akan berbentuk sebagai berikut : Endogenous Variable Motivasi

Exogenous Variable = Struktur + Budaya

Measurement Model Secara definisi Measurement Model adalah bagian dari SEM yang menspesifikasikan indikator (variabel observed) untuk setiap variable construct, serta menghitung nilai reliabilitas untuk contruct tersebut. Indikator untuk contoh diatas adalah STOKO, STOFE, STOSE, BUDPD, BUDIN, BUDMA, dan BUDOLO, indikator – indikator tersebut untuk variabel exogenous, sedangkan untuk variabel endogenous adalah MOTVA, MOTEX, dan MOTIN. Dibawah ini adalah pembentukan measurement model Construct Variables (Latent) Struktur Budaya

Observed Variables (Indikator) = STOKO + STOFO + STOSE = BUDPD + BUDIN + BUDMA + BUDOLO

3. Dasar Teori Dalam SEM Model yang akan dianalisis dengan SEM harus memiliki landasan teori yang mendukungnya. Dengan demikian model yang direka – reka, atau tidak memiliki landasan teori tidak dapat dipakai. Teori didefinisikan sebagai sekelompok hubungan causal yang sistematis yang memberikan penjelasan yang konsisten dan menyeluruh dari sebuah fenomena. “Teori” di sini tidak hanya monopoli dari akademisi, tapi juga dapat berupa pengalaman empiris dari peneliti yang dituangkan ke dalam model.


Halaman

2

4. Pembentukan Model Dalam SEM Terdapat tiga buah strategi dalam membangun model di dalam SEM, yaitu : a. Confirmatory Modeling Strategy Mayoritas aplikasi SEM menggunakan Confirmatory Modeling Strategy, di mana seorang peneliti membentuk model dan hanya ingin mengetahui apakah model tersebut cocok atau tidak. Strategi ini adalah strategi yang paling mudah, karena hanya menguji satu model saja dan setelah diperoleh hasilnya langsung dapat diputuskan apakah model tersebut cocok atau tidak. Kekurangan dari strategi ini adalah bila sebuah model diterima maka peneliti tidak akan mencari model lain yang juga mungkin diterima (cocok). Karena terdapat kemungkinan bahwa model yang cocok tidak hanya model yang diusulkan tersebut b. Competing Models Strategy Dalam Competing Models Strategy, model yang diusulkan dibandingkan dengan beberapa model alternatif. Strategi ini lebih baik dari Confirmatory Modeling Strategy, karena peneliti dapat mengetahui dan membandingkan beberapa model sehingga memperoleh informasi yang lebih banyak dan dapat memutuskan model mana yang akan digunakan. c. Model Development Strategy Dalam Model Development Strategy, sebuah model diusulkan lalu diestimasi dengan SEM, setelah diperoleh hasilnya (cocok atau tidak cocok), peneliti melakukan re-spesifikasi model untuk mendapatkan model yang lebih baik. Strategi ini yang paling banyak digunakan dan yang paling baik, karena tidak harus membuat beberapa model aternatif yang cukup repot (Competing Models Strategy), namun tidak menutup kemungkinan adanya model lain yang lebih baik (Confirmatory Modeling Strategy).

5. Langkah – Langkah Aplikasi SEM a. Membangun Model Berdasarkan Teori Model SEM berdasarkan pada hubungan kausal, di mana perubahan dari sebuah variabel akan mempengaruhi variabel lainnya. Terdapat empat buah kriteria yang harus dipenuhi apabila seseorang ingin mengatakan bahwa model yang ia bangun merupakan model kausal.  Adanya asosiasi (hubungan) antara kedua variabel tersebut.  Adanya perbedaan waktu terjadinya sebab dan akibat  Tidak adanya variabel “sebab” yang lain  Adanya dukungan teori untuk model tersebut b. Membentuk Path Diagram Diagram jalur adalah sebuah gambar yang menampilkan hubungan (relationship) yang lengkap dari sekelompok construct. Di mana garis lurus dengan panah menunjukkan bahwa variabel sumber panah adalah variabel independen, dan variabel yang dikenai panah adalah variabel dependen. Gambar 2 diatas merupakan contoh dari Path Diagram. c. Menerjemahkan Path Diagram Ke Dalam Persamaan Setelah model disusun ke dalam path diagram, langkah berikutnya adalah menerjemahkan diagram tersebut ke dalam bentuk persamaan matematis. Terdapat dua kelompok persamaan matematis yang harus dibuat, yaitu Structural Model, dan Measurement Model.


Halaman

3

Structural Model Model struktural untuk contoh diatas (gambar 2) memiliki dua buah variabel independen dan dua buah variabel dependent. Variabel independen dalam notasi LISREL disimbolkan dengan  (Ksi) sedangkan variabel dependen disimbolkan dengan  (eta). Panah yang menunjuk dari independen variabel ke variabel independen lain atau ke variabel dependen disimbolkan dengan  (gamma). Sedangkan panah dari variabel dependen ke variabel dependen lainnya diberi simbol dengan  (Beta) Measurement Model Terdapat dua kelompok Measurement Model, yaitu untuk Variabel Independen, dan untuk variabel Dependen. Untuk variabel independent disimbolkan x (lambda x), dan y (lambda y) untuk dependen variabel. d. Menentukan Matrik Input dan Mengestimasi Model Data Input Data yang harus diinput untuk SEM berbeda dengan data yang diperlukan oleh Data yang perlu diinput ke dalam program komputer dalam hal ini LISREL hanyalah matrik varians kovarians atau matrik korelasi. Asumsi Terdapat beberapa asumsi yang harus dipenuhi dalam SEM :  Setiap pengamatan harus saling Independen  Sampel yang diperoleh merupakan sampel random  Hubungan antara variabel berbentuk linear  Data berdistribusi normal Matrik Korelasi atau Kovarians Input matrik dapat menggunakan Matrik Korelasi atau Kovarians, masing – masing memiliki kelebihan dan kekurangan. 

Matrik Kovarians Hasil estimasi yang diperoleh dengan menggunakan matrik kovarians sebagai input dapat digunakan sebagai pembanding yang valid dengan hasil estimasi dari sampel yang lain dengan model yang sama. Hal ini tidak dapat dilakukan apabila digunakan matrik korelasi. Kekurangan matrik kovarians adalah bahwa hasil yang diperoleh tidak mudah untuk dinterpretasikan karena setiap variabel memiliki satuan (metrik) yang berbeda.



Matrik Korelasi Keuntungan dari penggunaan matrik korelasi sebagai input adalah bahwa selain setiap nilai yang diperoleh sudah memiliki satuan yang sama, juga nilai – nilai yang diperoleh dapat langsung dibandingkan. Penggunaan matrik korelasi sangat tepat bila tujuan dari penelitian adalah untuk melihat model hubungan (relation) antar construct.

Jenis Korelasi Terdapat beberapa jenis korelasi yang dapat di dalam LISREL bergantung pada jenis data yang dihadapi. Umumnya yang digunakan adalah korelasi Product Moment Pearson. Korelasi ini digunakan bila data yang dihadapi seluruhnya berskala ukur interval. Bila data berskala ordinal dengan kategori minimal 3 buah, maka yang digunakan adalah korelasi Polychoric, sedangkan untuk data biner gunakan korelasi Tetrachoric. Aplikasi Structural Equation Modeling dengan LISREL 8.54

Halaman

4

Ukuran Sampel Tidak terdapat aturan yang pasti mengenai ukuran sampel yang harus diperoleh. Hanya terdapat beberapa anjuran mengenai hal ini. Menurut sebagian besar peneliti, jumlah sampel minimal yang harus diambil adalah sepuluh kali lipat jumlah parameter yang akan ditaksir. Bahkan ada yang menganjurkan 15 kali lipat apabila data tidak berdistribusi normal. Akan tetapi jumlah yang dianjurkan adalah sebesar 100 – 200 responden. Bila lebih dari 400 responden LISREL akan menjadi sangat sensitif. e. Mengidentifikasi Model Struktural Yang Dihasilkan Pada saat estimasi, seringkali nilai yang dihasilkan tidak bermakna, atau tidak masuk akal. Hal ini disebabkan karena program tidak dapat menghasilkan sebuah solusi yang unique. Satu hal yang harus dipenuhi adalah bahwa persamaan yang ada harus lebih banyak dari parameter yang akan ditaksir. Semakin kompleks model yang akan diestimasi, tidak ada jaminan bahwa solusi yang unique akan diperoleh.

Bila sebuah model diidentifikasi, ada tiga macam kesimpulan yang dapat diambil : 1. Just-Identified. Sebuah model disebut Just-Identified apabila nilai derajat kebebasan adalah nol (0). Model Just-Identified pastilah merupakan model yang cocok sempurna (perfect fit). Namun model ini tidak dapat diuji. Sebuah model akan Just-Identified apabila jumlah korelasi antara variabel indikator (observed variables) sama dengan jumlah parameter yang akan ditaksir. Jumlah korelasi antara variabel indikator dihitung dengan menggunakan rumus : 1  p  q   p  q  1  2 p q

= Jumlah indikator endogen = Jumlah indikator eksogen

Dan nilai derajat kebebasan dihitung dengan rumus :

df 

1  p  q   p  q  1  t 2

dimana t = Jumlah parameter yang akan ditaksir 2. Underidentified Sebuah model disebut underidentified bila nilai derajat bebas negatif. Model ini tidak akan dapat diestimasi sebelum dilakukan perubahan pada model dengan mem-fix-kan beberapa parameter. 3. Overidentified Model disebut overidentified adalah model yang diharapkan, yaitu dimana nilai derajat kebebasan positif. Yaitu dimana informasi yang dimiliki lebih banyak dari informasi yang dibutuhkan.


Halaman

5

f.

Menguji Kecocokan Model Terdapat empat langkah yang harus dilakukan dalam menguji kecocokan model, yaitu : 1. Memperhatikan nilai taksiran yang rusak Pada langkah pertama ini, harus diperhatikan adanya nilai taksiran yang rusak, nilai rusak ini dapat terjadi pada structural model atau measurement model. Umumnya nilai rusak ini adalah taksiran pada :  Varians error negatif  Nilai standardized yang lebih besar atau terlalu mendekati 1  Standard Error yang terlampau besar 2. Uji keseluruhan Bila tidak terdapat nilai yang rusak, langkah berikutnya dapat dilakukan yaitu menguji kecocokan model secara keseluruhan. Kecocokan sebuah model dapat dilihat dari tiga kondisi :  Absolute Fit Measures  Incremental Fit Measures  Parsimonious Fit Measures 3. Uji individual Measurement Model Bila kecocokan model secara keseluruhan telah terpenuhi, selanjutnya adalah memperhatikan kecocokan Measurement Model untuk setiap model. Yang harus diperhatikan dari setiap contruct adalah unidimensionality dan reliability. Unidimensionality Yaitu sebuah asumsi yang diambil pada saat penghitungan nilai reliability dan dapat dilihat bila mana indikator – indikator dari sebuah construct sudah memiliki nilai kecocokan yang dapat diterima. Reliability Adalah sebuah ukuran konsistensi internal dari indikator – indikator sebuah construct, yang menggambarkan kemampuan dari indikator – indikator untuk mewakili construct. Yang harus diketahui adalah bahwa reliability tidak sama dengan validity. Validity adalah kemampuan (keakuratan) dari indikator untuk mengukur apa – apa yang seharusnya diukur . 4. Uji Individual Structural Model Langkah berikutnya adalah menguji struktural model. Ada dua hal yang harus diperhatikan, yaitu : a. Signifikansi koefisien Beta dan Gama dengan uji t b. Kecocokan dari model struktural dengan memperhatikan nilai R 2 (Squared Multiple Correlation).

g. Menginterpertasi Dan Memodifikasi Model Setelah model dapat diterima dari segi statistik, peneliti harus menguji apakah hasil yang diperoleh sesuai dengan teori yang diajukan atau tidak. Misalnya, apakah hubungan yang dinyatakan dalam teori mendapatkan hasil yang signifikan ? Apakah terdapat model alternatif ? Apakah model hasil estimasi memiliki arah yang sama dengan model dalam teori (positif atau negatif) ?


Halaman

6

Bagian Kedua Linear Structural RELations 1. Apakah itu LISREL ? LISREL adalah sebuah software yang dikembangkan khusus untuk menangani permasalah Structural Equation Modeling. LISREL dikembangkan oleh dua orang ahli psikologi pendidikan yaitu Prof. Karl Joreskog dan Prof. Dag Sorbom. Saat ini sudah terbit versi LISREL terbaru yaitu versi 8.72 yang dapat dibeli di www.ssicentral.com. Untuk menghindari pembajakan, www.ssicentral.com juga menyediakan LISREL Student Version versi 8.72. Hanya saja dalam LISREL Student Version banyaknya variabel yang dapat diolah adalah 12.

2. Notasi dalam LISREL Untuk menggunakan LISREL dengan baik, user harus mengetahui bahasa yang digunakan sebagai input. Ada dua bahasa yang dapat digunakan dalam LISREL sebagai input, yaitu bahasa LISREL dan bahasa SIMPLIS. Kedua jenis bahasa tersebut memiliki hasil yang relatif sama, namun dengan LISREL pemodelan dapat dilakukan dengan hati – hati, karena semua matrik yang akan diestimasi dipersiapkan terlebih dahulu. Dalam modul dan pelatihan ini yang akan dibahas adalah bahasa LISREL. LISREL menggunakan notasi dengan huruf Yunani sebagai lambang dari matrik, construct dan indikator. Untuk jelasnya perhatikan tabel di bawah ini : Model LISREL

Keterangan

Matriks

Elemen

Construct dan Indicator Construct Exogenous (Ksi) Endogenous (Eta)

Exogenous Construct Exogenous Construct

 

Indicator Exogenous Endogenous

Exogenous Indicator Exogenous Indicator

X Y

Matrik Structural Model Beta Gamma Phi Psi

Relasi dari  kepada  Relasi dari  kepada  Hubungan antar  Error dari 

   

   

Measurement Model Lambda-X Lambda-Y Theta-Delta Theta-Epsilon

Loading dari X Loading dari Y Error dari X Error dari Y

x y  

x y  


Halaman

7

3. Menerjemahkan Path Diagram kedalam notasi LISREL Untuk memudahkan aplikasi LISREL, evaluasi serta menjaga kehati-hatian, sebelum menjalankan LISREL sebaiknya dipersiapkan terlebih dahulu path diagram dan matrik yang dibutuhkan. Perhatikan gambar 1 diatas, gambar tersebut adalah sebuah contoh dari SEM. Pada point (c) nomor 5 bagian pertama diatas, gambar 1 telah diterjemahkan ke dalam bentuk persamaan dengan notasi yunani. Hal tersebut belum cukup, karena dibutuhkan pula penerjemahan ke dalam bentuk matriks. Di bawah ini adalah matriks yang dibutuhkan untuk model dengan gambar 1 diatas : Structural Model Matrik Beta (Full Matrix, menunjukkan hubungan antar construct endogenous)

 0 0    21 0 Matrik Gamma (Full Matrix, menunjukkan hubungan antara construct exogenous dan construct endogenous)

      11 12   21  22  Matrik Phi (Symmetric Matrix, menunjukkan korelasi antar construct exogenous)

     11  21 22  Matrik Psi (Full Matrix, menunjukkan error dari construct endogenous)

     11  0   22 

Measurement Model Matrik Lambda X (Full Matrix, Indikator construct exogenous)

 11   21  x   31  0 0 

0 0 0

     42  52 

Matrik Lambda Y (Full Matrix, Indikator construct endogenous)

 11    y   21 0   0

0   0  32   42 


Halaman

8

Matrik Theta Delta (Symmetric Matrix, Error construct exogenous) 11    0  22       0 0 33   0 0  44 0  0 0 0 0 55  

Matrik Theta Epsilon (Symetrik Matrik, Error construct endogenous)

11    0 22     0  0 33   0 0  44   0


Halaman

9

BAGIAN KETIGA Identifikasi dan Uji Kecocokan Model Pada bagian ketiga ini akan dibahas mengenai uji kecocokan model, yaitu pengujian secara keseluruhan dan pengujian individu untuk Structural Model dan Measurement Model.

Identifikasi Model Dari hasil output diatas dapat dapat diidentifikasi bahwa model yang dibentuk adalah model yang Overidentified. Yaitu diperoleh nilai derajat bebas yang positif (21), dan diperoleh solusi yang unique dengan iterasi sebanyak 11 kali. Dengan demikian dapat diteruskan dengan menguji kecocokan model.

Uji Kecocokan Model Seperti yang telah dijelaskan pada bagian pertama halaman 6, bahwa uji kecocokan model terdiri atas empat langkah, yaitu : Memperhatikan Nilai Taksiran Yang Rusak, Uji Keseluruhan Model, Uji Individual Measurement Model, dan Uji Individual Structural Model.

1. Memperhatikan Nilai Taksiran Yang Rusak Dari output yang diperoleh terlihat bahwa tidak ada nilai yang rusak, yaitu tidak ada varians error yang negatif, tidak ada nilai standardized yang sangat mendekati atau lebih dari 1, juga tidak ada standard error yang terlampau besar.

2. Uji Keseluruhan Model Uji keseluruhan model terbagi menjadi tiga bagian yaitu : Absolute Fit Measures, Incremental Fit Measures, dan Parsimonious Fit Measures. Absolute Fit Measures Bagian pertama dari uji keseluruhan model ini menentukan tingkat keakuratan dari model untuk memprediksi matrik kovarians atau matrik korelasi yang digunakan sebagai input. Statistik uji yang digunakan adalah : 

Likelihood Ratio Chi-Square Statistics Alat ukur yang paling penting untuk menguji model keseluruhan adalah likelihood chi square (2). Nilai chi square yang besar (relatif terhadap derajat kebebasan) menunjukkan perbedaan antara matrik input terhadap matrik hasil estimasi (korelasi atau kovarians) P-value dari statistik chi square diharapkan untuk lebih besar dari 0.05 atau 0.1, yakni uji tidak signifikans. Bila uji tidak signifikans, yang berarti matrik input dengan matrik hasil estimasi tidak berbeda, maka model yang diajukan cocok. Kekurangan dari statistik chi square ini adalah dapat dipengaruhi oleh jumlah sampel yang terlalu besar atau terlalu kecil, dengan kata lain statistik chi square sensitif terhadap jumlah sampel. Disarankan jumlah sampel berkisar antara 100 sampai 200.


Halaman 10



Noncentrality and Scaled Noncentrality Parameter Noncentrality parameter (NCP) dan Scaled Noncentrality Parameter (SNCP) adalah dua statistik yang dibuat untuk menambal kelemahan dari statistik chi square. Tidak ada acuan yang pasti mengenai nilai NCP untuk mengatakan bahwa model yang diujikan cocok, hanya semakin kecil nilai maka akan semakin baik.



Goodness of Fit Index (GFI) GFI juga merupakan sebuah nilai yang disediakan LISREL, GFI tidak memiliki acuan signifikansi. Akan tetapi sebuah model dikatakan baik apabila nilai GFI mendekati 1 dan buruk apabila mendekati 0



Root Mean Square Residual (RMR) RMR adalah akar dari rata – rata error kuadrat, nilai ini menunjukkan besar perbedaan antara matrik input dengan matrik hasil estimasi. Nilai RMR < 0.05 menunjukkan model yang baik.



Root Mean Square Error of Approximation (RMSEA) RMSEA menunjukkan kecocokan model yang dikatakan baik apabila nilainya lebih kecil dari 0.05, reasonable jika lebih kecil dari 0.08, cukup jika kurang dari 0.1, dan buruk bila lebih dari 0.1.

Incremental Fit Measures Bagian kedua dari uji keseluruhan ini membandingkan model yang diajukan terhadap model nol (null model). Null Model adalah sebuah model dimana hanya matrik korelasi / kovarian yang diinput dianggap nol. Statistik uji yang digunakan adalah :  Adjusted Goodness of Fit Index (AGFI) AGFI merupakan statistik GOF yang mirip dengan GFI, perbedaannya bahwa AGFI disesuaikan dengan nilai derajat bebasnya. Model dengan nilai AGFI minimal 0.90 dapat dikatakan sebagai model yang baik. 

Non Normed Fit Index (NNFI / Tucker Lewis Index) NNFI adalah nilai yang membandingkan model yang sedang diuji dengan null model, model dikatakan baik bila nilai NNFI-nya minimal 0.90



Normed Fit Index (NFI) NFI hampir mirip dengan NNFI, hanya saja NFI memiliki rentang dari 0 hingga 1, nilai NFI yang mendekati 0.90 mengindikasikan model yang baik.



Beberapa Statistik GOF Lainnya Di samping AGFI, NNFI, dan NFI masih ada beberapa statistik GOF lainnya yaitu : Relative Fit Index (RFI), Incremental Fit Index (IFI), dan Comparative Fit Index (CFI). Ketiga statistik tersebut menunjukkan perbandingan antara model yang diuji dengan model null, dengan rentang nilai 0 hingga 1, model dikatakan baik bila nilai mendekati 0.90.


Halaman 11

Parsimonious Fit Measures Ukuran kelompok ketiga ini menghubungkan antara kecocokan model dengan jumlah parameter yang ditaksir. Prinsip yang dipegang adalah parsimoni, yaitu gunakan jumlah parameter yang minimal dengan tingkat akurasi maksimal. 

Parsimonious Normed Fit Index (PNFI) Nilai PNFI adalah nilai NFI yang dimodifikasi, pada PNFI diperhatikan nilai derajat kebebasan yang digunakan untuk mencapai kecocokan model. Semakin besar nilai PNFI, maka model menjadi semakin baik. Nilai PNFI dapat digunakan untuk membandingkan dua model, bila perbedaannya mencapai 0.06 sampai 0.09, maka dikatakan perbedaan kedua model tersebut signifikan.



Parsimonious Goodness of Fit Index (PGFI) PGFI memodifikasi nilai GFI dengan memperhatikan banyaknya variabel laten yang dibentuk dalam model. Nilai PGFI berada dalam rentang 0 sampai 1. Nilai yang lebih tinggi menunjukkan model yang lebih baik.



Akaike Criterion Information (AIC) dan Consistent AIC (CAIC) AIC dan CAIC digunakan pada saat membandingkan beberapa model, dimana nilai yang lebih kecil menunjukkan model yang lebih baik. Sebuah model dikatakan baik bila nilai Model AIC lebih baik dari Independent AIC dan Saturated AIC. Hal yang sama juga berlaku untuk CAIC.

3. Uji Individual Measurement Model Bila model telah memenuhi kriteria yang ditetapkan pada uji keseluruhan, maka langkah selanjutnya menguji setiap construct secara terpisah, dengan: 1. Uji signifikansi setiap indikator dengan Uji - t 2. Menghitung Reliabilitas Construct Uji Signifikansi Indikator Variabel indikator dikatakan signifikan apabila nilai t yang diperoleh minimal sebesar 1.96 untuk taraf  = 5%, dan 2.58 untuk taraf  = 1%. Nilai reliabilitas minimal untuk setiap indikator diharapkan sebesar 0.50, dengan loading minimal sebesar 0.70. Measurement error untuk setiap indikator adalah satu dikurangi dengan relibilitas indikator tersebut. Menghitung Reliabilitas Construct dan Ekstraksi Varians Rumus yang digunakan untuk menghitung reliabilitas dari sebuah construct adalah :

  Loading Standardized Construct Reliability =   Loading Standardized +   Measurement Error  2

2

Sedangkan rumus yang untuk menghitung ekstraksi varians dari construct adalah :

 Loading Standardized  Loading Standardized +   Measurement Error  2

Variance Extracted =

2


Halaman 12

4. Uji Individual Structural Model Langkah selanjutnya adalah menguji structural model. Pada pengujian ini trdapat dua hal yang harus dilakukan, yaitu : 1. Uji koefisien gamma dan beta 2. Uji keseluruhan structural model Uji Signifikansi Koefisien Gamma dan Beta Seperti halnya uji signifkansi untuk indikator, parameter Gamma atau Beta dikatakan signifikan apabila nilai t yang diperoleh minimal sebesar 1.96 untuk taraf  = 5%, dan 2.58 untuk taraf  = 1%. Uji Keseluruhan Structural Model Untuk menilai kebaikan dari keseluruhan structural model, perhatikanlah nilai Squared Multiple Correlation (R2). Semakin besar nilai tersebut semakin baik model yang dihasilkan.


Halaman 13

BAGIAN KEEMPAT Aplikasi SEM dengan LISREL Mengimport File SPSS 1. Pilih Import Data in Free Format

Gambar 3

2. Browse File SPSS yang akan digunakan lalu klilk Open

Gambar 4

3. Setelah muncul layar yang menampilkan data hasil import, pilih menu File, lalu Close


Halaman 14

Membuat Syntax LISREL Secara Interactive 1. Pilih New dari menu File

Gambar 5

2. Dari kotak dialog New pilih LISREL Project

Gambar 6

3. Simpan file LISREL Project yang akan dibuat pada folder yang Anda inginkan. Harus diketahui bahwa LISREL akan meletakkan file – file yang dihasilkan pada folder yang sama dengan file LISREL Project

Gambar 7

4. Pilih Variables… dari menu Setup

Gambar 8


Halaman 15

5. Pada kotak dialog Variables isilah nama dari variabel indikator pada Observed Variables, dan variabel construct pada Latent Variables. Untuk menambah baris tekan Insert atau tekan kursor ke arah bawah. () Bila pada data SPSS yang sudah diimport sudah tertulis nama variabelnya, maka penulisan nama variabel tidak perlu dilakukan secara manual. Langkah – langkah yang harus dilakukan adalah sebagai berikut : Tekan tombol Add/Read Variables:

Gambar 9

Pilih PRELIS System Files untuk jenis file yang akan digunakan, lalu tekan Browse,

Gambar 10

Ambil file PSF yang dibutuhkan, file tersebut akan terletak pada lokasi yang sama dengan file SPSS yang telah di-import. Pilih Open lalu OK.


Halaman 16

Gambar 11

Untuk Latent Variables, isilah dengan cara manual.

Gambar 12

Setelah selesai klik Next 6. Pada kotak dialog Data, pilih Raw Data pada Statistics form, dan pada option Matrix to be analyzed pilih Covariances. Number of Observations sebanyak 235. Lalu klik Next.


Halaman 17

Gambar 13

7. Kotak dialog berikutnya adalah Define Observed Variable, pilih observed variabel yang ditampilkan sebagai variabel Y atau X. Pilih tujuh variabel pertama lalu klik Select As X, dan pilih sisanya sebagai Y

Gambar 14

Setelah selesai klik Next 8. Selanjutnya adalah kotak dialog Define Latent Variables, pilih Motivasi sebagai Eta-Variables dan Struktur dan Budaya sebagai Ksi Variables.


Halaman 18

Gambar 15

Setelah selesai klik Next 9. Kemudian akan muncul kotak dialog Model Parameter seperti di bawah ini :

Gambar 16

Pada kotak dialog di atas, spesifikasikanlah delapan buah matriks bila diperlukan.


Halaman 19

Matrik Lambda-Y -

Klik pada “Lambda-Y Full Matrix, Fixed”, akan muncul keterangan Full Matrix dan Fixed pada menu di sebelah kanan. Seperti pada gambar 13 di atas Klik tombol Specify, maka akan muncul kotak dialog Element and Value for Lambda-Y dimana isinya berwarna kuning semua dengan nilai nol. Pilih seluruh indikator pada kolom Motivasi lalu tekan Free. Sebagai berikut :

Gambar 17

Gambar 18

-

Klik Ok dan pilih Yes bila muncuk kotak dialog konfirmasi di atas.


Halaman 20

Matrik Lambda-X -

Klik pada “Lambda-X Full Matrix, Fixed”, akan muncul keterangan Full Matrix dan Fixed pada menu di sebelah kanan. Klik tombol Specify, maka akan muncul kotak dialog Element and Value for Lambda-X dimana isinya berwarna kuning semua dengan nilai nol. Pada kolom Struktur, pilih STOKO, STOFO, dan STOSE, lalu tekan Free. Ulangi untuk Kolom Budaya sehingga diperoleh hasil seperti gambar berikut :

Gambar 19

-

Klik Ok dan pilih Yes bila muncuk kotak dialog konfirmasi.

Matrik Gamma -

Klik pada “Gamma Full Matrix, Fixed”, akan muncul keterangan Full Matrix dan Fixed pada menu di sebelah kanan. Lalu tekan Specify. Buat seperti menjadi gambar berikut.

Gambar 20


Halaman 21

Matrik Phi dan Matrik Psi -

Abaikan

Matrik Theta Epsilon -

Klik pada “Theta Epsilon Diagonal Matrix, Free”, akan muncul keterangan Diagonal Matrix dan Free pada menu di sebelah kanan.

Gambar 21

Matrik Theta Delta -

Klik pada “Theta Delta Diagonal Matrix, Free”, akan muncul keterangan Diagonal Matrix dan Free pada menu di sebelah kanan.

Gambar 22

Matrik Theta Delta Epsilon -

Abaikan


Halaman 22

10. Setelah selesai klik Next, maka akan muncul kotak dialog Constraints

Gambar 23

Karena tidak ada constraints yang diperlukan klik Next, untuk memunculkan kotak dialog Output Selections 11. Pada kotak dialog Output Selections pilih output yang diinginkan,

Gambar 24

Klik OK dan akan muncul layar berikut yang menampilkan Syntax yang dihasilkan.


Halaman 23

Gambar 25

12. Klik tombol Run Lisrel pada toolbar untuk eksekusi

Gambar 26

Syntax LISREL Di bawah ini akan dijelaskan isi dari Syntax LISREL yang dihasilkan TI DA NI=10 NO=235 NG=1 MA=CM RA FI='C:\Modul\SEM.psf' SE 8 9 10 1 2 3 4 5 6 7 / MO NX=7 NY=3 NK=2 NE=1 LY=FU,FI LX=FU,FI GA=FU,FI PH=SY,FR PS=DI,FR TE=SY,FI TD=SY,FI LE MOTIVASI LK STRUKTUR BUDAYA FR LY(1,1) LY(2,1) LY(3,1) LX(1,1) LX(2,1) LX(3,1) LX(4,2) LX(5,2) LX(6,2) FR LX(7,2) GA(1,1) GA(1,2) TE(1,1) TE(2,2) TE(3,3) TD(1,1) TD(2,2) TD(3,3) FR TD(4,4) TD(5,5) TD(6,6) TD(7,7) PD OU RS EF SC KODE SYNTAX TI

=

DA NI

= =

Adalah Title and Comments…., baris ini dapat diisi dengan beberapa baris, LISREL akan mengeksekusi program dari Perintah DA. Jadi berapapun baris Title dan Comments tidak jadi masalah. Data , artinya mulai dari baris ini perintah SEM dimulai Number of Indicator


Halaman 24

NO NG MA RA SE MO NX NY NK NE LE LK LY LX BE GA PH PS TE TD FU SY DI FI FR FR FI PD OU EF SC

= Number of Observation = Number of Groups = Jenis Matrik input yang digunakan (CM = Kovarian, KM = Korelasi) = Raw Data, menunjukkan bahwa yang digunkaan sebagai input adalah Raw Data = Menunjukkan baris berikutnya adalah variabel – variabel yang digunakan = Model Parameter = Jumlah Indikator X = Jumlah Indikator Y = Jumlah Variabel Laten Eksogen = Jumlah Variabel Laten Endogen = Label ETA = Label KSI = Matriks Lambda Y = Matriks Lambda X = Matriks Beta = Matriks Gamma = Matriks Phi = Matriks Psi = Matriks Theta Epsilon = Matriks Theta Delta = Full Matrix = Symmetric Matrix = Diagonal Matrix = Fixed Matrix = Free Matrix = Menspesifikasi lokasi sel yang difreekan = Menspesifikasikan sel yang difixkan = Meminta Path Diagram = Output = Total Effek dan Indirect Effect = Solution Completely Standardized

Output LISREL Di bawah ini adalah output dari syntax diatas yang diedit dengan membuang bagian – bagian yang tidak perlu. LISREL Menuliskan Kembali Syntax Yang Digunakan : TI DA NI=10 NO=235 NG=1 MA=CM RA FI='C:\Modul\SEM.psf' SE 8 9 10 1 2 3 4 5 6 7 / MO NX=7 NY=3 NK=2 NE=1 LY=FU,FI LX=FU,FI GA=FU,FI PH=SY,FR PS=DI,FR TE=SY,FI TD=SY,FI LE MOTIVASI LK STRUKTUR BUDAYA FR LY(1,1) LY(2,1) LY(3,1) LX(1,1) LX(2,1) LX(3,1) LX(4,2) LX(5,2) LX(6,2) FR LX(7,2) GA(1,1) GA(1,2) TE(1,1) TE(2,2) TE(3,3) TD(1,1) TD(2,2) TD(3,3) FR TD(4,4) TD(5,5) TD(6,6) TD(7,7) TE(1,3) PD OU RS EF SC


Halaman 25

TI Number Number Number Number Number Number

of of of of of of

Input Variables 10 Y - Variables 3 X - Variables 7 ETA - Variables 1 KSI - Variables 2 Observations 234

Dibawah Ini Adalah Matrik Covarians Yang Digunakan Sebagai Input Covariance Matrix

MOTIN MOTVA MOTEX STOKO STOFO STOSE BUDOPD BUDOIN BUDOMA BUDOLO

MOTIN -------38.05 10.15 21.99 1.48 8.36 5.55 2.04 2.98 2.10 4.47

MOTVA --------

MOTEX --------

STOKO --------

STOFO --------

STOSE --------

24.22 9.34 0.42 4.40 3.23 2.76 3.93 2.78 2.94

41.01 2.99 10.20 4.51 1.66 3.03 1.81 3.90

5.83 2.20 1.60 0.36 0.32 0.33 0.39

33.48 9.00 0.99 1.33 0.59 1.50

16.59 0.86 1.34 0.61 1.65

BUDOIN --------

BUDOMA --------

BUDOLO --------

4.48 1.78 2.21

1.92 1.49

4.29

Covariance Matrix

BUDOPD BUDOIN BUDOMA BUDOLO

BUDOPD -------1.88 1.81 1.35 1.45

Untuk Setiap Matrik Ditampilkan Parameter Yang Akan Ditaksir Yaitu Berupa Bilangan Bulat, Nampak Bahwa Terdapat 24 Parameter Yang Akan Ditaksir. Parameter Specifications LAMBDA-Y

MOTIN MOTVA MOTEX

MOTIVASI -------0 1 2 LAMBDA-X

STOKO STOFO STOSE BUDOPD BUDOIN BUDOMA BUDOLO

STRUKTUR -------3 4 5 0 0 0 0

BUDAYA -------0 0 0 6 7 8 9


Halaman 26

GAMMA STRUKTUR -------10

MOTIVASI

BUDAYA -------11

PHI STRUKTUR -------0 12

STRUKTUR BUDAYA

BUDAYA -------0

PSI MOTIVASI -------13 THETA-EPS

MOTIN MOTVA MOTEX

MOTIN -------14 0 16

MOTVA --------

MOTEX --------

15 0

17

STOFO -------19

STOSE -------20

THETA-DELTA STOKO -------18

BUDOPD -------21

BUDOIN -------22

BUDOMA -------23

THETA-DELTA BUDOLO -------24 Hasil Estimasi Dengan Metode Maximum Likelihood Number of Iterations = 16 LISREL Estimates (Maximum Likelihood) LAMBDA-Y

MOTIN

MOTIVASI -------3.18

MOTVA

3.18 (0.59) 5.38

MOTEX

2.97 (0.47) 6.27


Halaman 27

LAMBDA-X STRUKTUR -------0.63 (0.20) 3.12

BUDAYA -------- -

STOFO

3.62 (0.57) 6.32

- -

STOSE

2.48 (0.40) 6.24

- -

BUDOPD

- -

1.15 (0.08) 14.86

BUDOIN

- -

1.58 (0.13) 12.62

BUDOMA

- -

1.15 (0.08) 14.64

BUDOLO

- -

1.32 (0.13) 10.28

STRUKTUR -------0.37 (0.12) 3.16

BUDAYA -------0.60 (0.12) 5.08

STOKO

GAMMA

MOTIVASI

Covariance Matrix of ETA and KSI MOTIVASI -------1.00 0.53 0.70

MOTIVASI STRUKTUR BUDAYA

STRUKTUR --------

BUDAYA --------

1.00 0.27

1.00

PHI

STRUKTUR BUDAYA

STRUKTUR -------1.00

BUDAYA --------

0.27 (0.09) 2.96

1.00


Halaman 28

PSI MOTIVASI -------0.38 (0.17) 2.19 Squared Multiple Correlations for Structural Equations MOTIVASI -------0.62 THETA-EPS MOTIN -------MOTIN

MOTVA -------27.94 (3.19) 8.76

MOTVA

- -

MOTEX

12.56 (2.67) 4.70

MOTEX --------

14.13 (2.15) 6.57 - -

32.22 (3.50) 9.21

Squared Multiple Correlations for Y - Variables

MOTIN -------0.27

MOTVA -------0.42

MOTEX -------0.21

THETA-DELTA STOKO -------5.43 (0.53) 10.25

STOFO -------20.41 (3.82) 5.34

STOSE -------10.43 (1.84) 5.66

BUDOPD -------0.56 (0.08) 6.81

BUDOIN -------1.99 (0.23) 8.74

BUDOMA BUDOLO -------- -------0.60 2.54 (0.08) (0.26) 7.07 9.69

Squared Multiple Correlations for X - Variables STOKO -------0.07

STOFO -------0.39

STOSE -------0.37

BUDOPD -------0.70

BUDOIN -------0.56


BUDOMA -------0.69

BUDOLO -------0.41

Halaman 29

Ukuran Kecocokan Model Ditampilkan Di Bawah Ini Goodness of Fit Statistics Degrees of Freedom = 31 Minimum Fit Function Chi-Square = 38.31 (P = 0.17) Normal Theory Weighted Least Squares Chi-Square = 38.39 (P = 0.17) Estimated Non-centrality Parameter (NCP) = 7.39 90 Percent Confidence Interval for NCP = (0.0 ; 27.31) Minimum Fit Function Value = 0.16 Population Discrepancy Function Value (F0) = 0.032 90 Percent Confidence Interval for F0 = (0.0 ; 0.12) Root Mean Square Error of Approximation (RMSEA) = 0.032 90 Percent Confidence Interval for RMSEA = (0.0 ; 0.061) P-Value for Test of Close Fit (RMSEA < 0.05) = 0.82 Expected Cross-Validation Index (ECVI) = 0.37 90 Percent Confidence Interval for ECVI = (0.34 ; 0.46) ECVI for Saturated Model = 0.47 ECVI for Independence Model = 4.39 Chi-Square for Independence Model with 45 Degrees of Freedom = 1003.82 Independence AIC = 1023.82 Model AIC = 86.39 Saturated AIC = 110.00 Independence CAIC = 1068.38 Model CAIC = 193.32 Saturated CAIC = 355.04 Normed Fit Index (NFI) = 0.96 Non-Normed Fit Index (NNFI) = 0.99 Parsimony Normed Fit Index (PNFI) = 0.66 Comparative Fit Index (CFI) = 0.99 Incremental Fit Index (IFI) = 0.99 Relative Fit Index (RFI) = 0.94 Critical N (CN) = 318.45 Root Mean Square Residual (RMR) = 0.88 Standardized RMR = 0.046 Goodness of Fit Index (GFI) = 0.97 Adjusted Goodness of Fit Index (AGFI) = 0.94 Parsimony Goodness of Fit Index (PGFI) = 0.55


Halaman 30

Daftar Pustaka Du Toit, Sthepen., Du Toit, Mathilda., Joreskog, K. G., & Sorbom, D. (1999). Interactive LISREL user’s guide. Chichago: Scientific Software International E. Schumacker, Randall., & G. Lomax, Richard., (1996). A Beginner’s Guide To Structural Equation Modeling. New Jersey: Lawrence Erlbaum Associates. F. Hair, Joseph., E. Anderson, Rolph., L. Tatham, Ronald., & C. Black, William. (1998). Multivariate Data Analysis, International Edition 5th Edition. New Jersey: PrenticeHall International, Inc Joreskog, K. G., & Sorbom, D. (1993). Structural equation modeling with the SIMPLIS command language. Chichago: Scientific Software International Joreskog, K. G., & Sorbom, D. (1996). LISREL 8 user’s references guide. Chichago: Scientific Software International Joreskog, K. G., & Sorbom, D. (1996). PRELIS 2 user’s references guide. Chichago: Scientific Software International M. Byrne, Barbara., (1998). Structural Equation Modeling with LISREL, PRELIS and SIMPLIS: Basic Consept, Applications, and Programming. London: Lawrence Erlbaum Associates.


Halaman 31

Aplikasi Metode Structural Equation Modeling Dengan LISREL 8.54 (Edisi Kedua)

Recommend Documents