m

c
.
s

s
Structural Equation
e
r
p
Modellingd(SEM)
r
o

w
.
s

Tutorial Analisis SEM Menggunakan Program LISREL,

AMOS SPSS dan SmartPLS

i
d

k
l
a
t
w

by
Adi Wijaya
NRP. 1310201720

PROGRAM MAGISTER STATISTIKA

BIDANG KEAHLIAN KOMPUTASI STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2011

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)

Model SEM memperhitungkan potensi kesalahan pengukuran di semua variabel observasi,

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

Pada prinsipnya SEM merupakan pendekatan terintegrasi dari Confirmatory Factor

Analysis (CFA) dan Path Analysis. Menurut Raykov et al (2006), CFA dan Path Analysis
merupakan tipe SEM dan mendefinisikannya sebagai berikut:
1.

d
r
o

Model Path Analysis/Diagram Jalur.

Diagram Jalur biasa dipakai untuk mengamati hubungan antara variabel yang dapat diamati.
Beberapa peneliti menganggap bahwa diagram jalur tidak termasuk dalam tipe SEM. Namun

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

Model Confirmatory Factor Analysis sering digunakan untuk menguji pola hubungan antara
beberapa konstruk laten. Termasuk didalamnya beberapa konstruk dalam model tersebut diukur

i
d

melalui sejumlah indikator amatan.

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

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

variabel

laten

yang tidak dipengaruhi

oleh

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

Misal terdapat sebanyak m peubah laten endogen (), 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)

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

, dan satu sama lain tidak berkorelasi;

Cov () = ;

tidak berkorelasi dengan ;

tidak berkorelasi dengan ;

tidak berkorelasi dengan ;

Matriks B mempunyai nilai nol pada diagonalnya;

Matriks I-B merupakan matriks nonsingular ;

E () = 0; dan

E () = 0;

m
o

c
.
s

s
e
r
p

d
r
o

w
.
s

Langkah-langkah dalam SEM

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

untuk menunjukkan alur hubungan kausal antar variabel

eksogen dan endogen

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

kovarians

4. Mengkonversikan diagram jalur ke dalam model struktural

5. Estimasi Parameter
6. Pengujian Model :
- Overall Model : Goodness of fit statistics
- Pengujian parameter : Lambda, Delta, Epsilon, Beta dan Gamma
7. Interpretasi dan Modifikasi Model. Bila model sudah baik model bisa diinterpretasikan, tetapi
bila belum baik perlu dilakukan modifikasi

Tutorial Analisis SEM Menggunakan Program LISREL 8.50

1. Buka program LISREL 8.50 (kalau tidak tersedia full version bisa juga menggunakan student
version yang free license) dengan tampilan awal sbb:

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

Misalkan sebagai contoh file SEMAMOS.sav

3. Langkah berikutnya adalah menghitung matriks korelasi antar variabel dengan cara klik
Statistics Output Options Pada Opsi moment Matrix pilih korelasi, karena
rentang antar variabel (ukuran) berbeda-beda. Check save to file, isikan nama file yang
akan diinput, misalnya cor_sem.cor OK

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

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

Output : membuat window output baru

PRELIS Data : mendefinisikan variabel dan input data

SIMPLIS Project : membuat project dengan ekstensi *.spj

LISREL Project : membuat project LISREL dengan ekstensi *.lpj

Path Diagram : membuat path diagram

5. Langkah selanjutnya adalah membangun syntax untuk analisis SEM lanjutan dengan
memperhatikan beberapa petunjuk sebagai berikut:

a.

Judul

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

Tugas SEM - Adi Wijaya

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

RI RSS BFSS BFI BFPA

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

hasilnya adalah sebagai berikut

Path diagram dan outputnya

c
.
s

m
o

s
e
r
p

d
r
o

w
.
s

Sample Size =

k
l
a
t
w

329

i
d

Tugas SEM - Adi Wijaya

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

Tugas SEM - Adi Wijaya

Number of Iterations =

LISREL Estimates (Maximum Likelihood)

Measurement Equations

ROA = 1.00*RAMB, Errorvar.= 0.41 , R = 0.59

(0.051)
8.05
REA = 1.06*RAMB, Errorvar.= 0.34 , R = 0.66
(0.090)
(0.052)
11.80
6.51

s
e
r
p

BFEA = 0.93*BFAMB, Errorvar.= 0.40 , R = 0.60

(0.070)
(0.046)
13.23
8.74

d
r
o

Structural Equations

m
o

c
.
s

BFOA = 1.00*BFAMB, Errorvar.= 0.31 , R = 0.69

(0.046)
6.85

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

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

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

0.61

(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

Reduced Form Equations

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

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

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

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

Correlation Matrix of Independent Variables

RPA

RI

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

Minimum Fit Function Value = 0.081

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

w
.
s

Expected Cross-Validation Index (ECVI) = 0.32

90 Percent Confidence Interval for ECVI = (0.29 ; 0.37)
ECVI for Saturated Model = 0.34
ECVI for Independence Model = 2.72

k
l
a
t
w

Chi-Square for Independence Model with 45 Degrees of Freedom = 871.23

Independence AIC = 891.23
Model AIC = 103.78
Saturated AIC = 110.00
Independence CAIC = 939.19
Model CAIC = 290.82
Saturated CAIC = 373.78

i
d

Normed Fit Index (NFI) = 0.97

Non-Normed Fit Index (NNFI) = 0.96
Parsimony Normed Fit Index (PNFI) = 0.34
Comparative Fit Index (CFI) = 0.99
Incremental Fit Index (IFI) = 0.99
Relative Fit Index (RFI) = 0.91
Critical N (CN) = 397.62

Root Mean Square Residual (RMR) = 0.020

Standardized RMR = 0.020
Goodness of Fit Index (GFI) = 0.98
Adjusted Goodness of Fit Index (AGFI) = 0.95
Parsimony Goodness of Fit Index (PGFI) = 0.29
The Modification Indices Suggest to Add an Error Covariance
Between
and
Decrease in Chi-Square
New Estimate
BFOA
ROA
8.4
-0.09

m
o

c
.
s

Goodness of Fit Statistics

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%.

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

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

model SEM di atas layak untuk digunakan

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

k
l
a
t
w

ini menunjukkan bahwa model SEM fit/cocok dengan datanya.

4. Model disimpulkan fit dengan data jika nilai RMR kurang dari atau sama dengan 0. Pada
Output terlihat nilai RMR dan standardized RMR sebesar 0.02 sehingga menunjukkan bahwa

i
d

model fit dan layak untuk digunakan

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

0.98 dan nilai

Tutorial Analisis SEM Menggunakan Program AMOS 18 SPSS

1. Mempersiapkan data dan rancangan diagram

persiapkan data yang akan diolah ke dalam bentuk file yang berekstensi .SAV
(format SPSS)
Rancang terlebih dahulu diagram jalur yang ingin dibuat dalam AMOS, untuk
memudahkan dalam melakukan penggambaran di AMOS
2. Buka program AMOS 18 dengan membuka Amos Graphics

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

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

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

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

penggambaran path diagram SEM.berikut beberpa diantaranya:

Menggambar observed variabel

Menggambar unobserved variables
Menggambar latent variables
Jalur/hubungan satu arah
Jalur dua arah (kovarians)

Menambahkan variabel unik (error)

List variabel pada model

List variabel pada data
Menggandakan objek
Memindahkan objek

m
o

Menghapus objek

c
.
s

Analysis Properties
Estimasi penghitungan

s
e
r
p

Objek properties

d
r
o

5. Mempersiapkan metode estimasi dan output

Setelah rancangan path diagram selesai dilakukan, tentukan metode estimasi
dan output-output yang akan ditampilkan dari hasil penghitungan di atas
Klik tombol analysis properties pada toolbar, atau klik menu View Analysis
Properties
Pada Tab Estimasi, pilih metode yang akan digunakan, misalnya Maximum
Likelihood
Pada Tab Output, pilih output yang akan ditampilkan, misalnya centang
standardized estimate

w
.
s

i
d

k
l
a
t
w

6. Simulasi Estimasi dan Melihat hasil

Lakukan estimasi dengan cara klik toolbar estimas penghitungan atau klik menu
Analyze Calculate Estimates hingga tombol view the output diagram aktif

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

c
.
s

m
o

s
e
r
p

d
r
o

w
.
s

i
d

k
l
a
t
w

Scalar Estimates (Group number 1 - Default model)

Maximum Likelihood Estimates

Regression Weights: (Group number 1 - Default model)

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

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

d
d
d
e
e
e
e

<--<--<--<--<--<--<---

Estimate
,118
,387
,229
,356
,158
,277
-,008

a
b
c
b
c
d
a

Covariances: (Group number 1 - Default model)

Estimate
,134
,286
,181

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

Correlations: (Group number 1 - Default model)

Estimate
,204
,331
,291

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

Variances: (Group number 1 - Default model)

P
***
***
***
***
***

Label

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

Estimate
d
,309
e
,392
Model Fit Summary
CMIN
Model
Default model
Saturated model
Independence model
RMR, GFI

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

Model SEM yang terbentuk adalah:

Dari hasil path analysis, parameter

2 tidak

m
o

c
.
s

signifikan (nilai P>0,05) maka perlu dilakukan path

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

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

Tutorial Analisis SEM Menggunakan Program Smart PLS

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

yaitu: selection mode, drawing mode dan connection mode.

i
d

Berikut ini penjelasannya:

Obyek pada drawing board dapat dipilih dan dipindahkan dengan selection mode. Tekan
[SHIFT] key memungkinkan multiple selection objects. Obyek yang ada pada drawing board dapat
diedit dengan double click tombol mouse kiri.

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

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

Maximum Iteration: jumlah maksimum iterasi.

Stop criterion accuracy: kondisi kriteria stop

Setelah selesai memodelkan diagram jalurnya, untuk menjalankan model yang akan terbentuk,
pada menu klik PLSCalculate Model.
Interpretasi output

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

seperti terlihat pada output outer loading dibawah ini:

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

membandingkan akar kuadrat dari average variance extracted

untuk setiap konstruk dengan

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

untuk setiap konstruk lebih besar daripada korelasi antara konstruk dan konstruk lainnya dalam model
seperti terlihat pada output laten variable correlation dibawah ini:

Berdasarkan output overview didapatkan hasil:

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