Tutorial Analisis SEM Menggunakan Program LISREL AMOS SPSS Dan SmartPLS
Tutorial Analisis SEM Menggunakan Program LISREL AMOS SPSS Dan SmartPLS
c
.
s
s
Structural Equation
e
r
p
Modellingd(SEM)
r
o
w
.
s
i
d
k
l
a
t
w
by
Adi Wijaya
NRP. 1310201720
Pengantar SEM
SEM adalah metode yang mampu menunjukkan keterkaitan secara simultan antar
variabel-variabel indikator (yang teramati secara langsung) dengan variabel-variabel laten (yang
tidak teramati secara langsung). Raykov dan Marcaulides (2006) mendefinisikan variabel laten
adalah teori atau hipotesis konstruk yang sangat penting atau sebuah variabel yang tidak
mempunyai sampel atau populasi yang bisa diamati secara langsung.
Beberapa Karakteristik SEM menurut Raykov, dkk., (2006) adalah sebagai berikut: (i)
m
o
Model SEM tidak dapat diukur secara langsung dan tidak dapat didefinisikan secara baik. (ii)
c
.
s
khususnya
pada variabel independent. (iii) Model SEM sangat tepat dibentuk matrik yang
memperlihatkan hubungan antara variabelnya, seperti matrik kovarian maupun matrik korelasi.
s
e
r
p
d
r
o
Diagram Jalur biasa dipakai untuk mengamati hubungan antara variabel yang dapat diamati.
Beberapa peneliti menganggap bahwa diagram jalur tidak termasuk dalam tipe SEM. Namun
w
.
s
demikian mereka mengakui bahwa diagram jalur merupakan suatu ha l yang penting dalam
k
l
a
t
w
membentuk SEM.
2.
Model Confirmatory Factor Analysis sering digunakan untuk menguji pola hubungan antara
beberapa konstruk laten. Termasuk didalamnya beberapa konstruk dalam model tersebut diukur
i
d
Bollen (1989) mendefinisikan variabel laten sebagai variabel atau faktor yang tidak dapat
diobservasi atau tidak dapat diukur. Variabel laten dibedakan menjadi 2 (dua) yaitu variabel eksogen
dan variabel endogen. Variabel eksogen adalah
variabel
laten
oleh
variabel laten yang lain, sedangkan variabel endogen adalah variabel laten yang dipengaruhi oleh
variabel laten yang lain.
Misal terdapat sebanyak m peubah laten endogen (), n peubah laten eksogen (), p
peubah manifes endogen (Y), dan q peubah manifes eksogen (X), menggunakan notasi yang
dibuat oleh Jreskog dan Srbom dalam Wijanto (2008), model lengkap (hybrid) SEM
diberikan dengan persamaan-persamaan berikut:
= B
(mx1)
(mxm)(mx1)
+
(mxn)(nx1)
+
(mx1)
(2.1)
Y = y
(2.2)
X = x
(2.3)
(px1)
(qx1)
dengan :
(pxm) (mx1)
(qxm) (mx1)
(px1)
(qx1)
E () = 0 ;
Cov () =
(2.4)
E () = 0 ;
Cov () =
(2.5)
E () = 0 ;
Cov () =
(2.6)
Cov () = ;
E () = 0; dan
E () = 0;
m
o
c
.
s
s
e
r
p
d
r
o
w
.
s
k
l
a
t
w
1. Pengembangan model berbasis konsep dan teori, menganalisis hubungan kausal antar variabel
eksogen dan endogen, sekaligus validitas dan reliabilitas indikator/instrumen penelitian
2. Mengkonstruksi diagram jalur,
i
d
3. Memilih Matriks Input. Data input untuk SEM dapat berupa matriks korelasi atau matriks
kovarians
1. Buka program LISREL 8.50 (kalau tidak tersedia full version bisa juga menggunakan student
version yang free license) dengan tampilan awal sbb:
m
o
c
.
s
s
e
r
p
d
r
o
2. Langkah berikutnya adalah mempersiapkan data yang akan dianalisis dengan SEM. Data yang
diimpor dapat berupa berbagai extensi (.sav, .xls dsb)
w
.
s
i
d
k
l
a
t
w
3. Langkah berikutnya adalah menghitung matriks korelasi antar variabel dengan cara klik
Statistics Output Options Pada Opsi moment Matrix pilih korelasi, karena
rentang antar variabel (ukuran) berbeda-beda. Check save to file, isikan nama file yang
akan diinput, misalnya cor_sem.cor OK
m
o
c
.
s
s
e
r
p
d
r
o
4. Membuat syntax dapat dilakukan dengan klik File New Syntax Only OK
w
.
s
i
d
k
l
a
t
w
5. Langkah selanjutnya adalah membangun syntax untuk analisis SEM lanjutan dengan
memperhatikan beberapa petunjuk sebagai berikut:
a.
Judul
Definisikan judul dari project yang akan dibuat pada baris pertama. Setiap
keterangan pada baris pertama akan diperlakukan sebagai baris judul kecuali
LISREL menemukan dua hal berikut :
Baris yang dimulai dengan kata Observed Variables atau Labels yang
merupakan baris perintah pertama dalam input file SIMPLIS
Baris yang dua karakter (huruf) pertamanya dimulai dengan DA, Da, da,
ata dA yang merupakan baris perintah pertama dalam input filel SIMPLIS
b. Variabel Observed
Setelah judul, baris selanjutnya adalah definisi dari Observed variables. Observed
variables merupakan variabel yang memiliki nilai pada input data. Penulisan
observed variables dengan memberikan spasi antar variabel.
c. Data
Dalam LISREL input data dapat berupa data mentah, matriks kovarians, matriks
korelasi, standard deviasi, dan means. Untuk memanggil matriks korelasi
perintahnya adalah sebagai berikut :
Correlation Matrix from file nama file
d. Ukuran sampel (Sample Size)
Ukuran sampel perlu dituliskan apabila input data bukan berupa data mentah.
e. Variabel Laten
Nama variabel laten tidak boleh sama dengan observed variables.
f. Hubungan (Relationships)
Judul untuk baris ini dapat ditulis sebagai relationships, Relations, atau Equations.
Penulisan hubungan bisa menggunakan persamaan sebagai berikut :
Variabel dependen = variabel independen
Indikator = variabel laten.
Misalkan syntax yang dibangun sebagai berikut:
c
.
s
m
o
s
e
r
p
d
r
o
w
.
s
i
d
k
l
a
t
w
1.000
.2950 1.000
-.0438 .2087 1.000
Pada syntax correlation matrix yang merupakan matriks korelasi dari data yang
digunakan dalam model SEM dapat pula diganti dengan correlation matrix from file
cor_sem.corr
6. Untuk menjalankan syntax yang telah dibuat dapat dilakukan dengan cara klik File Run
Lisrel (F5) atau dapat dengan menekan
c
.
s
m
o
s
e
r
p
d
r
o
w
.
s
Sample Size =
k
l
a
t
w
329
i
d
Correlation Matrix
ROA
REA
BFOA
BFEA
RPA
RI
RSS
BFSS
BFI
BFPA
ROA
-------1.00
0.62
0.33
0.42
0.21
0.41
0.32
0.29
0.30
0.08
REA
--------
BFOA
--------
BFEA
--------
RPA
--------
RI
--------
1.00
0.36
0.33
0.27
0.40
0.40
0.24
0.29
0.07
1.00
0.64
0.11
0.29
0.31
0.41
0.52
0.28
1.00
0.08
0.26
0.28
0.36
0.50
0.20
1.00
0.18
0.05
0.02
0.08
0.11
1.00
0.22
0.19
0.34
0.10
BFSS
--------
BFI
--------
BFPA
--------
1.00
0.29
-0.04
1.00
0.21
1.00
Correlation Matrix
RSS
BFSS
BFI
BFPA
RSS
-------1.00
0.27
0.23
0.09
s
e
r
p
d
r
o
Structural Equations
m
o
c
.
s
w
.
s
0.52
(0.080)
2.01
(0.039)
4.23
(0.043)
5.99
k
l
a
t
w
(0.043)
5.11
(0.047)
1.68
, R =
(0.047)
6.03
(0.085)
2.32
i
d
(0.046)
1.56
(0.043)
5.46
(0.043)
8.25
(0.039)
4.22
, R =
(0.045)
5.85
RPA
RI
RPA
-------1.00
(0.08)
12.81
RI
--------
0.18
(0.06)
3.28
1.00
(0.08)
12.81
RSS
--------
BFSS
--------
BFI
--------
BFPA
--------
RSS
0.05
(0.06)
0.88
0.22
(0.06)
3.93
1.00
(0.08)
12.81
BFSS
0.02
(0.06)
0.34
0.19
(0.06)
3.31
0.27
(0.06)
4.73
1.00
(0.08)
12.81
BFI
0.08
(0.06)
1.41
0.34
(0.06)
5.76
0.23
(0.06)
4.06
0.29
(0.06)
5.12
1.00
(0.08)
12.81
BFPA
0.11
(0.06)
2.06
0.10
(0.06)
1.84
0.09
(0.06)
1.68
-0.04
(0.06)
-0.79
0.21
(0.06)
3.70
1.00
(0.08)
12.81
s
e
r
p
Degrees of Freedom = 16
Minimum Fit Function Chi-Square = 26.46 (P = 0.048)
Normal Theory Weighted Least Squares Chi-Square = 25.78 (P = 0.057)
Estimated Non-centrality Parameter (NCP) = 9.78
90 Percent Confidence Interval for NCP = (0.0 ; 27.74)
d
r
o
w
.
s
k
l
a
t
w
i
d
m
o
c
.
s
BFEA
ROA
12.7
0.11
Time used:
0.062 Seconds
Interpretasi output
Layak tidaknya model SEM untuk digunakan dapat diketahui dengan memperhatikan model fit
criteria (Schumacher dan Lomax, 2004) seperti yang dihasilkan dari syntax running LISREL di atas,
diantaranya adalah :
m
o
1. Menggunakan Chi-Square goodness of fit test, dengan membandingkan statistik ujinya dengan
nilai tabel chi-square atau lebih mudahnya dengan melihat nilai p-value (output). Jika p-value
c
.
s
kurang dari significant level (misal 0,05) maka dapat disimpulkan bahwa model fit atau cocok
dengan model teorinya, dalam kasus ini dapat diketahui bahwa statistik uji Chi-square nya
s
e
r
p
bernilai 25,78 dengan derajat bebas 16 atau p-value nya 0,05725. Sehingga dapat disimpulkan
bahwa model SEM di atas fit (cocok) secara statistik pada significant level 10%.
d
r
o
dari 0,05 maka model layak untuk digunakan. Pada kasus ini dapat diketahui bahwa nilai
RMSEA nya 0,043 yang nilainya kurang dari 0,05 dengan demikian dapat disimpulkan bahwa
w
.
s
3. Nilai GFI = 0.98 dan AGFI = 0.95 berada diantara di antara nilai 0 dan 1 dan di atas 0,90. Hal
k
l
a
t
w
i
d
m
o
c
.
s
s
e
r
p
d
r
o
w
.
s
i
d
k
l
a
t
w
Keterangan symbol/icon pada windows menu AMOS dapat dilihat pada menu Help
m
o
c
.
s
Untuk mengecek file yang dimasukkan sudah masuk dalam AMOS, klik
ViewVariables in Data Set dan muncul tampilan seperti berikut:
s
e
r
p
d
r
o
w
.
s
i
d
k
l
a
t
w
m
o
Menghapus objek
c
.
s
Analysis Properties
Estimasi penghitungan
s
e
r
p
Objek properties
d
r
o
w
.
s
i
d
k
l
a
t
w
Lakukan estimasi dengan cara klik toolbar estimas penghitungan atau klik menu
Analyze Calculate Estimates hingga tombol view the output diagram aktif
Contoh path diagram pada kasus ini adalah pada gambar di bawah ini
c
.
s
m
o
s
e
r
p
d
r
o
w
.
s
i
d
k
l
a
t
w
d
d
d
e
e
e
e
<--<--<--<--<--<--<---
a
b
c
b
c
d
a
Estimate
,138
,325
,203
,264
,124
,245
-,008
S.E.
,051
,037
,040
,034
,034
,042
,043
C.R.
2,700
8,704
5,038
7,823
3,588
5,899
-,186
P
,007
***
***
***
***
***
,852
Label
d
d
d
e
e
e
e
<--<--<--<--<--<--<---
Estimate
,118
,387
,229
,356
,158
,277
-,008
a
b
c
b
c
d
a
a <--> b
b <--> c
a <--> c
S.E.
,033
,046
,032
C.R.
3,997
6,280
5,589
P
***
***
***
Label
c
.
s
s
e
r
p
a <--> b
b <--> c
a <--> c
a
b
c
r1
r2
k
l
a
t
w
Estimate
,471
,911
,820
,444
,306
i
d
S.E.
,033
,064
,058
,031
,022
C.R.
14,124
14,124
14,124
14,124
14,124
d
r
o
w
.
s
Label
NPAR
15
15
5
CMIN
,000
,000
433,692
DF
0
0
10
m
o
CMIN/DF
,000
43,369
Model
Default model
Saturated model
Independence model
RMR
,000
,000
,210
GFI
1,000
1,000
,636
AGFI
PGFI
,455
,424
NFI
Delta1
1,000
1,000
,000
RFI
rho1
IFI
Delta2
1,000
1,000
,000
TLI
rho2
Baseline Comparisons
Model
Default model
Saturated model
Independence model
,000
Parsimony-Adjusted Measures
Model
PRATIO
Default model
,000
Saturated model
,000
Independence model
1,000
NCP
Model
Default model
Saturated model
Independence model
NCP
,000
,000
423,692
FMIN
Model
Default model
Saturated model
Independence model
FMIN
,000
,000
1,087
i
d
PNFI
,000
,000
,000
LO 90
,000
,000
359,239
k
l
a
t
w
RMSEA
,326
LO 90
,300
AIC
Model
Default model
Saturated model
Independence model
AIC
30,000
30,000
443,692
BCC
30,458
30,458
443,845
ECVI
Model
Default model
Saturated model
Independence model
ECVI
,075
,075
1,112
HOELTER
LO 90
,075
,075
,950
s
e
r
p
HI 90
,000
,000
495,555
LO 90
,000
,000
,900
d
r
o
HI 90
,352
HI 90
,000
,000
1,242
PCLOSE
,000
BIC
89,872
89,872
463,649
HI 90
,075
,075
1,292
m
o
c
.
s
w
.
s
F0
,000
,000
1,062
1,000
1,000
,000
PCFI
,000
,000
,000
RMSEA
Model
Independence model
,000
CFI
CAIC
104,872
104,872
468,649
MECVI
,076
,076
1,112
Model
HOELTER
.05
HOELTER
.01
17
22
Default model
Independence model
Interpretasi output
2 tidak
m
o
c
.
s
analysis lanjutan dengan menghilangkan path (dari a ke-E) tersebut. Dari hasil goodness of fit test
s
e
r
p
model , dapat diketahui bahwa model sudah fit untuk memodelkan data tersebut karena sudah ada
minimal satu kriteria yang dipenuhi. Lebih lengkapnya dapat dilihat pada tabel berikut:
Kriteria
Kebaikan
(default model)
Model
CMIN
kecil (< 2
w
.
s
tabel)
k
l
a
t
w
CMIN/DF
GFI
0,05
Keputusan
0,000
Model fit
1,000
Model fit
1,000
Model fit
> 0,9
AGFI
>0,9
CFI
0,95
TLI
0,95
RMSEA
0,08
i
d
d
r
o
Hasil Pengolahan
1. Langkah awal adalah membuka program SmartPLS dengan membuka Java Web Start Application
m
o
c
.
s
s
e
r
p
d
r
o
w
.
s
k
l
a
t
w
Seperti tampilan diatas, untuk memulai program SmartPLS, klik FileNew (untuk model baru)
atau open (untuk model yang telah disimpan). Karena tutorial ini beum mempunyai project yang
lama, maka dipilih New, akan muncul tampilan seperti berikut :
i
d
Ketikan nama model yang baru, misal project1, kemudian untuk memasukan data inputnya melalui
data source and name, file inputnya harus berextention *.csv dan CSV separatornya, bisa comma,
semicolon, tabulator dan space. File yang selain diatas harus diconvert dulu ke extention tersebut.
Setelah itu klik OK, kemudian tampilan utamanya sebagai berikut :
Area kerja
m
o
c
.
s
properties
Toolbar
s
e
r
p
d
r
o
2. Diagram Model
Area kerja merupakan window tempat kita bekerja untuk mendesain model baru atau merubah
w
.
s
model yang telah ada. Fungsi untuk pemodelam ditampilkan dalam toolbar. Modelling mode dalam
SmartPLS memiliki tiga jenis modelling yang dapat digunakan untuk mendesain dan merubah model
k
l
a
t
w
i
d
Obyek pada drawing board dapat dipilih dan dipindahkan dengan selection mode. Tekan
[SHIFT] key memungkinkan multiple selection objects. Obyek yang ada pada drawing board dapat
diedit dengan double click tombol mouse kiri.
Variabel laten dapat ditambahkan pada drawing mode. Klik dengan tombol mouse kiri pada
drawing area untuk membuat variabel laten baru dengan standar label. Nama variabel laten dapat
dirubah dengan double click mouse pada variabel laten dan isikan nama variabel laten lalu enter.
Hubungan antar variabel laten dapat dibuat dengan connection mode. Jika connection mode
dipilih, maka connection point (ports) muncul ditengah semua variabel laten. Hubungkan antar port itu
dengan menekan tombol kiri dan tarik ke target laten variabel.
m
o
c
.
s
Sesuai dengan model yang dinginkan, maka terdapat 3 variabel latennya, maka klik drawing
mode di working area, dan dengan connection mode digambarkan hubungan antar variabel laten. Untuk
s
e
r
p
memasukkan data ke variabel indikator dengan cara mendrag dan drop dengan mouse ke variabel laten
yang dikehendaki. Lakukan terus sehingga selesai diagram jalur telah selesai dibuat, dengan tampilan
sebagai berikut:
d
r
o
w
.
s
i
d
k
l
a
t
w
3. Analisis Model
Pada bagian properties, terdapat menu output setting, bootstrapping setting, data setting,
algorithm settings. Pada menu output setting, menjelaskan tentang report yang dihasilkan dalam
bentuk HTML. Bootstrapping setting digunakan untuk proses bootstrapping yang akan dilakukan (bila
diperlukan). Sedangkan data setting digunakan untuk menggantikan missing values (bila ada). Pada
algorithm settings, beberapa setting dapat dipilih antara lain,
Weighting Scheme: ada tiga pilihan yaitu centroid, factor dan path
Data Metric: memberikan pilihan bagaimana data akan diolah apakah standardized
Setelah selesai memodelkan diagram jalurnya, untuk menjalankan model yang akan terbentuk,
pada menu klik PLSCalculate Model.
Interpretasi output
m
o
c
.
s
s
e
r
p
d
r
o
w
.
s
Convergent validity dari measurement model dengan indikator refleksif dapat dilihat dari
k
l
a
t
w
korelasi antara score item/indikator dengan score konstruknya. Indikator individu dianggap reliable
jika memiliki nilai korelasi diatas 0.70. Namun demikian pada riset tahap awal, loading 0.50 sampai
0.60 masih dapat diterima. Dengan melihat hasil output korelasi antara indikator dengan konstruknya
i
d
Berdasarkan pada outer loading diatas, maka semua indikator atau variabel observed sudah
siginifican, karena nilainya outer lodaing sudah sesuai dengan asumsi awal. Discriminant validity
indikator refleksif dapat dilihat pada cross loading antara indikator dengan konstruknya sebagai berikut:
m
o
c
.
s
s
e
r
p
d
r
o
w
.
s
Dari output diatas terlihat bahwa korelasi konstruk kerja dengan indikatornya lebih tinggi
k
l
a
t
w
dibandingkan korelasi indikator ekonomi dan sosial dengan konstruk lainnya. Berarti bahwa konstruk
laten memprediksi indikator pada blok mereka lebih baik dibandingkan dengan indikator lainnya.
Selain cara diatas, metode lain untuk menilai discriminant validity adalah dengan
i
d
konstruk lainnya dalam model. Model mempunyai discriminant validity yang cukup jika akar AVE
untuk setiap konstruk lebih besar daripada korelasi antara konstruk dan konstruk lainnya dalam model
seperti terlihat pada output laten variable correlation dibawah ini:
AVE
Composite
R Square
Cronbachs
Communalit
Redundancy
m
o
Reliability
Alpha
Kemiskinan
0.9447
0.9808
0.5076
0.6925
0.8692
0.3175
0.6494
0.8798
0.7809
0.0066
c
.
s
0.9708
0.3313
Kualitas Ekonomi
Kualitas Kesehatan
0.0000
Kualitas SDM
0.3584
0.7678
s
e
r
p
0.2098
d
r
o
0.0000
0.4635
0.9447
0.6925
0.8221
0.6494
-2.6047
0.7809
Model dikatakan baik kalau AVE menunjukkan nilai lebih besar dari 0,50, terlihat dari output
w
.
s
diatas, semua konstruk memiliki realiabilitas yang baik. Sehingga model tersebut fit dengan data yang
ada..
i
d
k
l
a
t
w