Anda di halaman 1dari 48

BAB I.

PENDAHULUAN
1.1. Pengantar ke Program LISREL
Dalam suatu penelitian, umumnya variabel yang diamati lebih dari satu
(multivariabel) dan sangat jarang penelitian yang hanya mengamati variabel tunggal.
Multivariabel yang diamati merupakan karakteristik suatu obyek penelitian dan
pengamatannya dilakukan secara simultan. Metode statistika yang analisisnya
melibatkan multivariabel secara simultan, tercakup didalam analisis multivariate
(analisis peubah ganda).
Klasifikasi analisis multivariate berdasarkan permasalahan penelitiannya dapat
dikelompokkan atas:
1. Analisis multivariate dalam analisis penilaian (identifikasi, prediksi, eksplorasi dan
deskripsi), diantaranya adalah:
Analisis Komponen Pokok (Principle Component Analysis)
Analisis Faktor (Factor Analysis)
Analisis Gerombol (Cluster Analysis)
2. Analisis multivariate dalam analisis pembandingan (komparasi) diantaranya
adalah:
T2 Hotelling
MANOVA/MANCOVA
3. Analisis multivariate dalam analisis hubungan (asosiasi) antar variabel diantaranya
adalah:
Analisis Regresi Berganda
Analisis Jalur (Path Analysis)
Model Persamaan Struktural (Structural Equation Modelling=SEM)
Korelasi Kanonik
Analisis Diskriminan
Logit, Probit, Tobit, Gompit dan Logistic Model
Model persamaan strukural ((Structural Equation Modelling=SEM) adalah
generasi kedua dari teknik analisis multivariate, yang memungkinkan peneliti untuk
menguji hubungan antara variabel yang kompleks baik recursive maupun nonrecursive untuk memperoleh gambaran menyeluruh mengenai keseluruhan model.
Berbeda dengan analisis multivariate biasa (misalnya regresi berganda, analisis
faktor), SEM dapat menguji secara bersama-sama:
1. Model struktural: hubungan antara konstruk independen dan dependen
2. Model measurement: hubungan (nilai loading) antara indikator dengan konstruk
(variabel laten)
Digabungkannya pengujian model struktual dan model pengukuran tersebut
memungkinkan peneliti untuk:

1. Menguji kesalahan pengukuran (measurement error) sebagai bagian tidak


terpisahkan dari Structural Equation Modelling
2. Melakukan analisis faktor bersamaan dengan pengujian hipotesis
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.
1.2. 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 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.
Secara teori, jika penggunaan dana efektif, maka akan tercermin melalui
tingginya/baiknya nilai ARTO, ITO, WCTO, FATO dan TATA. Demikian juga jika
kinerja keuangan baik, akan tercermin melalui tingginya/baiknya nilai ROA dan
ROE. Oleh karenanya, diagram mengenai hubungan ini dapat diberikan sebagai
berikut:

e
e

e
e

e
e
Keterangan:
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.
1.3. Beberapa Definisi dan Konsep Terkait
1. Variabel eksogen: adalah variabel yang nilainya tidak dipengaruhi/ditentukan oleh
variabel lain di dalam model; setiap variabel eksogen selalu variabel independen
2. Variabel endogen: adalah variabel yang nilainya dipengaruhi/ditentukan oleh
variabel lain di dalam model. Dikenal juga dengan istilah variabel dependen
3. Konstruk Laten/Variabel Laten/Variabel Unobserved: adalah variabel yang tidak
dapat diukur secara langsung dan memerlukan beberapa indikator atau proksi
untuk mengukurnya.
4. Indikator/Variabel Manifest/Variabel Observed: adalah variabel yang nilainya
dapat diukur secara langsung. Indikator ini dapat dibagi atas dua kelompok:
a. 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.
b. Indikator Formatif: adalah indikator yang dianggap mempengaruhi konstruk
laten. Indikator formatif ini hanya dapat digunakan dengan metode Partial
Least Square (PLS).
Perbedaan antara indikator formatif dan indikator reflektif digambarkan dalam
diagram berikut:

Indikator Formatif (PLS)

Indikator reflektif (SEM)

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.

BAB II. PENGOPERASIAN PROGRAM LISREL


Dalam operasinya, Program LISREL membutuhkan input data dan input file
(perintah). Untuk menyiapkan input data, LISREL menyediakan program PRELIS
dan untuk menyiapkan input file, LISREL menyediakan program SIMPLIS sebagai
bahasa perintah.
Pada dasarnya selain menggunakan PRELIS, input data untuk LISREL juga dapat
ditulis dengan text documen. Demikian juga untuk input file, selain melalui SIMPLIS
juga dapat disiapkan melalui bahasa LISREL itu sendiri. Namun demikian, alternatif
tersebut tidak dianjurkan karena sulit untuk dioperasionalkan. Oleh karenanya, pada
bab ini akan diuraikan tahapan-tahapan persiapan input data hanya dengan PRELIS
dan input file (perintah) hanya dengan SIMPLIS.
2.1. MENYIAPKAN INPUT DATA (Program PRELIS)
PRELIS adalah program suplemen dari paket program LISREL 8. PRELIS dapat
menyimpan data mentah yang sebelumnya disimpan pada berbagai macam program
seperti SPSS, Ms EXCEL, SAS, data text, dan lain sebagainya.
LISREL hanya dapat menjalankan model dari data mentah yang disimpan dalam
PRELIS atau text document. Sehingga setiap data mentah yang disimpan pada
program yang lain harus disimpan terlebih dahulu kedalam PRELIS.
Selain untuk menyimpan data, PRELIS juga dapat digunakan untuk melakukan
manipulasi data dan manajemen data serta memberikan deskripsi awal dari data.
2.1.1. Menyimpan Data
File dari SPSS
Buka program LISREL, kemudian klik File dan klik Import Data in Free Format.

Akan muncul kotak dialog Open Data File.

Pada Look in, pilih folder tempat data disimpan. Pada Files of Type pilih SPSS for
Windows (*.sav). Pada File Name pilih nama file. Kemudian klik OK.
Secara langsung file data analisis faktor (dalam gambar diatas) yang disimpan pada
program SPSS juga akan disimpan dalam bentuk PRELIS.

File dari Ms EXCEL


Buka program LISREL, kemudian klik Import External Data ini Other Formats

Akan muncul kotak dialog berjudul Input Data Base. Pada Drives, pilih drive tempat
data disimpan. Pada Directories pilih folder tempat data disimpan. Cari Excel pada
List Files of Type. Pada File Name pilih nama file. Kemudian klik OK.

Akan muncul kotak SpreadSheet Grabber berikut:

Klik Data Area, kemudian blok seluruh data. Kemudian klik Variable Names dan
blok nama variabel. Kemudian klik OK.

Akan muncul kotak dialog File Save As, yang meminta kita untuk menyimpan data
dalam format PRELIS. Secara langsung file data yang disimpan pada program Excel
juga akan disimpan dalam bentuk PRELIS.

2.1.2. Menentukan Jenis Data


Jenis data dalam LISREL umumnya dibagi 2 yaitu dari continous dan data
ordinal. Data dikatakan continous jika memiliki kategori lebih dari 15. Sebaliknya,
dikatakan data ordinal.
Untuk menentukan jenis data klik Data kemudian Define Variables, maka akan
muncul tampilan

10

Setelah itu klik nama variabel dan klik Variable Type, akan muncul kotak dialog
berikut:

Tentukan jenis data. Jika seluruh data akan diperlakukan sama, klik Apply to all.
2.1.3. Membuat Matriks Covariance dan correlations
Input data pada LISREL dapat berupa data mentah maupun matriks covariance dan
matriks korelasi. Jika ingin mempublikasikan hasil penelitian pada jurnal ilmiah, kita
tidak mungkin menyediakan data mentah. Solusinya adalah dengan memberikan data
matriks covariance atau matriks korelasi.
Membuat Matriks Covariance
Setelah data mentah disimpan dalam PRELIS, klik Output Options pada bagian
Statistics.

Akan muncul kotak dialog berikut:

11

Pada moment matrix pilih covariances, klik save to file, kemudian tulis nama
file untuk menyimpan matriks kovarians tersebut. Kemudian klik OK. Dalam contoh
diatas data disimpan pada partisi hardisk D dengan nama file data1.cov
Data matriks kovarians akan tersimpan dalam format text documen. File tersebut
dapat dibuka dengan program Notepad (bagian program Windows).
Membuat Matriks korelasi
Matriks korelasi dibagi dua yaitu :
1. Matriks korelasi continous yang dihasilkan dari data continous. Untuk jenis
ini PRELIS akan menghasilkan matriks korelasinya dalam bentuk Pearsons
Correlation.
2. Matriks korelasi ordinal yang dihasilkan dari data ordinal. Untuk jenis ini
PRELIS akan menghasilkan matriks korelasinya dalam bentuk Polychoric
Correlation.
Dalam LISREL, data yang memiliki kategori lebih dari 15 dikategorikan sebagai data
continous, sebaliknya jika kurang dari 15 secara otomatis dikategorikan sebagai data
ordinal. Kita dapat merubah data ordinal/interval menjadi continous, tetapi tidak
sebaliknya.
Terdapat empat jenis matriks korelasi untuk data ordinal
1. Polychoric: matriks korelasi yang seluruh variabel memiliki skala ordinal dan
juga diperlakukan sebagai ordinal
2. Tetrachoric: matriks korelasi dimana seluruh variabel memiliki skala
dichotomous (variabel dummy; 1 dan 0)
3. Polyserial: matriks korelasi dimana variabel memiliki skala ordinal dan juga
skala interval, yang diperlakukan sebagai ordinal.
4. Biserial: matriks korelasi dimana variabel memiliki skala interval (continuos)
dan juga skala dichotomous.

12

Untuk membuat matrik korelasi adalah sebagai berikut:


Setelah data mentah disimpan dalam PRELIS, klik Output Options pada bagian
Statistics. Akan muncul tampilan berikut:

Pada moment matrix pilih Correlations, klik save to file, kemudian tulis nama
file untuk menyimpan matriks korelasi tersebut. Kemudian klik OK. Dalam contoh
diatas data disimpan pada partisi hardisk D dengan nama file data2.cor
Data matriks korelasi akan tersimpan dalam format text documen. File tersebut dapat
dibuka dengan program Notepad (bagian program Windows).
Membuat Asymtotic Covariance Matrix
Asymtotic Covariance Matrix merupakan perhitungan matriks varians dan
kovarians yang dihitung berdasarkan data yang berdistribusi tidak normal. Matriks ini
umumnya digunakan untuk metode Weigthed Least Square (WLS). Selain itu,
asymptotic covariance matrix juga digunakan bersamaan dengan penggunaan
polychoric matrix.
Untuk membuat Asymtotic Covariance Matrix adalah sebagai berikut:
Setelah data mentah disimpan dalam PRELIS, klik Output Options pada bagian
Statistics. Akan muncul tampilan berikut:

13

Klik Save to file pada Asymptotic Covariance Matrix, kemudian tulis nama file
tempat penyimpanan di bawahnya. Kemudian klik OK. Dalam contoh diatas data
disimpan pada partisi hardisk D dengan nama file data3.acm
Data matriks asymtotic covariance akan tersimpan dalam format text
document. File tersebut dapat dibuka dengan program Notepad (bagian program
Windows), namun demikian nilainya tidak dapat dibaca dengan Notepad. Tetapi file
tersebut tetap memiliki nilai dan dapat dipergunakan untuk analisis.
2.2. MENYIAPKAN INPUT FILE/PERINTAH (Program/Bahasa SIMPLIS)
Buka program LISREL, kemudian klik File dan klik New. Akan muncul tampilan
berikut:

Kemudian klik SIMPLIS Project, dan klik OK. Akan muncul kotak dialog Save As.

14

Pada Save in, pilih folder tempat data disimpan. Pada Save of Type pilih SIMPLIS
Project (*.spj). Pada File Name pilih nama file. Kemudian klik Save. Akan muncul
tampilan kosong berikut tempat untuk menginput/menulis perintah

15

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

16

Correlations Matrix from file nama file


Standard Deviations from file nama file
Matriks korelasi, standar deviasi dan means
Correlations Matrix from file nama file
Standard Deviations from file nama file
Means from file nama file
Asymptotic Covariance Matrix
Asymptotic Covariance Matrix from file nama file
Asymptotic Variances Matrix
Asymptotic Variances Matrix from file nama file

4. Ukuran Sampel
Ukuran sampel perlu dituliskan jika input data bukan berupa data mentah. Contoh
penulisannya sebagai berikut:
Sample size = 113
5. Variabel Laten atau Unobserved
Untuk menuliskan nama variabel laten dapat menggunakan Latent Variables atau
Unobserved Variables. Nama variabel laten tidak boleh sama dengan variabel
observed. Contoh penulisan:
Latent Variables: komitmen kepuasan kinerja
6. Relationships (hubungan)
Setelah baris variabel laten, baris selanjutnya adalah baris hubungan. Judul
untuk baris ini dapat ditulis sebagai Relationships, Relations atau Equations. Judul
juga boleh tidak dituliskan.
Penulisan hubungan bisa menggunakan persamaan (tanda =) berikut:
Variabel dependen = variabel independen
Indikator = variabel laten
Penulisan hubungan juga bisa dilakukan dengan menggunakan path (jalur) berikut:
Variabel independen variabel dependen
Variabel laten indikator
Baik dengan menggunakan persamaan maupun menggunakan path, penulisan
variabel dapat dilakukan secara simultan (beberapa/seluruh variabel dituliskan secara
bersamaan). Berkaitan dengan ini, penulisannya dapat dilakukan dengan versi pendek
atau versi panjang. Contoh:

17

Versi panjang
Relationships
X1 X2 X3 X4 = kinerja
Relationships
kinerja X1 X2 X3 X4

Versi Pendek
Relationships
X1 X4 = kinerja
Relationships
kinerja X1 X4

7. LISREL Output
Output LISREL bisa dihasilkan dalam format SIMPLIS atau format LISREL.
Pada format SIMPLIS, model diestimasi berdasarkan bentuk persamaan, sedangkan
pada format LISREL, model disajikan dalam bentuk matriks. Format SIMPLIS
diperoleh secara default, sedangkan format LISREL dapat diperoleh dengan
menuliskan perintah pada file input sebagai berikut: LISREL Output
Jika hal-hal lainnya tidak dituliskan dalam baris LISREL Output, maka
informasi yang disajikan akan sama dengan output SIMPLIS. Tetapi kita juga bisa
memberikan informasi tambahan dengan menuliskan kata-kata kunci sebagai berikut:
LISREL Output: SS SC EF SE VA MR FS PC PT
SS
: menghasilkan standardized solution
SC
: menyajikan seluruhnya standardized solution
EF
: menyajikan pengaruh langsung dan tidak langsung (komposisi pengaruh)
VA
: menyajikan varians dan kovarians
MR : sama dengan RS dan VA
FS
: menghasilkan nilai faktor regresi
PC
: menyajikan korelasi antara estimasi parameter
PT
: menyajikan informasi-informasi teknis
8. End of Problem
Untuk menunjukkan seluruh persamaan telah dituliskan, maka tuliskan baris: End of
Problem
Pada multi sampel, End of Problem dituliskan pada akhir kelompok, tidak pada
masing-masing kelompok

18

BAB III. APLIKASI PROGRAM LISREL PADA REGRESI


Untuk aplikasi program LISREL pada analisis regresi akan digunakan data mentah
pada file kerja. Data pada file kerja adalah data dari 474 pekerja/karyawan yang
mencakup variabel-variabel sebagai berikut:
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
Y2 = Gaji awal bekerja
File kerja ini masih dalam format SPSS. Untuk itu simpan file tersebut terlebih
dahulu dalam format PRELIS.
Selanjutnya, misalnya kita ingin menganalisis pengaruh pendidikan (X1), masa kerja
sekarang (X2) dan masa kerja sebelumnya (X3) terhadap gaji sekarang (Y1).
Input file untuk model tersebut dapat ditulis sebagai berikut:
Regresi Berganda Dengan Menggunakan LISREL
Raw Data from file 'D:\Data Pelatihan LISREL-HED\spss\kerja.psf'
Relationships
Y1 = CONSTAN X1 X2 X3
Path Diagram
End of Problem

Dengan perintah yang dituliskan tersebut, output pertama yang ditampilkan LISREL
adalah kovarians matriks yang diikuti oleh nilai rata-rata hitung masing-masing
variable sebagai berikut:
Covariance Matrix

Y1
X1
X2
X3

Y1
-------2.92
3.25
1.44
-17.41

X1
--------

X2
--------

X3
--------

8.32
1.38
-76.14

101.22
3.13

10938.28

X1
-------13.49

X2
-------81.11

X3
-------95.86

Means
Y1
-------3.44

Selanjutnya, LISREL menghasilkan estimasi regresi unstandarized sebagai berikut:

19

Y1 =

- 2.79 + 0.40*X1 + 0.0088*X2 + 0.0012*X3, Errorvar.= 1.62 , R = 0.44


(0.55) (0.021)
(0.0058)
(0.00058)
(0.11)
-5.04
19.01
1.50
2.06
15.33

Koefisien regresi ditunjukkan dengan angka-angka disamping tanda bintang (*). Di


bawah koefisien regresi (dalam tanda kurung) adalah estimasi standar error yang
mengukur ketepatan dari estimasi parameter. Di bawah standar error adalah nilai thitung, yang diuji dengan nilai t-tabel untuk menarik kesimpulan mengenai
signifikansi koefisien regresi. Jika nilai t-hitung > t-tabel dapat ditarika kesimpulan
adanya pengaruh yang signifikan antar variable.
Nilai t-tabel pada = 5% dan df=470 adalah 1,97. dan nilai t-tabel pada = 1% dan
df=470 adalah 2,59. Berdasarkan hal tersebut, variable X1 berpengaruh signifikan
terhadap Y1 pada level 1%, variable X3 berpengaruh signifikan terhadap Y1 pada
level 5 %, sedangkan X2 tidak berpengaruh terhadap Y1.
Angka konstantanya adalah sebesar -2,79. (catatan: jika dalam perintah SIMPLIS
tidak ditambahkan kata constant, LISREL tidak akan memunculkan nilai ini). Secara
matematis ini berarti nilai Y1 ketika nilai X1, X2 dan X3 sama dengan 0. (catatan:
secara teori empirik, penafsiran konstanta tidak selalu seperti hal tersebut).
Dalam estimasi persamaan regresi juga dimunculkan nilai error variance dan R2.
Covariance Matrix of Independent Variables
X1
-------8.32
(0.54)
15.33

X2
--------

X2

1.38
(1.34)
1.03

101.22
(6.60)
15.33

X3

-76.14
(14.35)
-5.30

3.13
(48.54)
0.06

X1

X3
--------

10938.28
(713.53)
15.33

Output LISREL juga menampilkan kovarians matriks antara variable-variabel


independent. Kovarians antara variable X1 dan X3 adalah -76,14 dengan standar
error 14,35 dan nilai t adalah -5,30 (signifikan pada level 1%). Sebagai catatan:
kovarians antar variable independent yang standardized adalah nilai korelasi.
Dengan cara pembacaan yang sama, terlihat bahwa kovarians antara X2 dan X3 tidak
signifikan, demikian juga antara X1 dan X2.
Varians X1 adalah sebesar 8,32 dengan standar error 0,54 dan nilai t adalah 15,33
(membandingkan dengan nilai t table, angka ini signifikan pada level 1 %). Varians

20

X2 adalah sebesar 101,22 dengan standar error 6,60 dan nilai t adalah 15,33
(signifikan pada level 1 %).
Berikutnya, output LISREL juga menampilkan kovarians matriks variable laten.
Namun demikian, karena variable kita adalah variable observed bukan variable laten,
maka tampilan ini dapat diartikan sebagai kovarians antara semua variable yang
dianalisis.
Covariance Matrix of Latent Variables

Y1
X1
X2
X3

Y1
-------2.92
3.25
1.44
-17.41

X1
--------

X2
--------

X3
--------

8.32
1.38
-76.14

101.22
3.13

10938.28

Selain output yang dijelaskan diatas, masih terdapat beberapa output lainnya dari
LISREL. Namun demikian output-output tersebut belum terkait dengan contoh kita
pada bagian ini, dan akan dibahas pada contoh-contoh bab berikutnya:
Selanjutnya, output dari perintah path diagram diberikan sebagai berikut:

Tampilan path diagram diatas menampilkan nilai estimasi unstandarized. Angka


ini sama dengan output teks sebelumnya. Sedangkan angka pada panah dua arah yang
menghubungan antar variabel independen adalah nilai kovarians antara variabel
independent tersebut.

21

Path diagram juga bisa menampilkan nilai standarized hubungan antar


parameter (lihat diagram di bawah ini), dengan mengklik Standarized Solution pada
sudut kanan atas. Nilai standarized ini digunakan untuk melaksanakan perbandingan
mana diantara variabel independent yang memiliki pengaruh terbesar terhadap
variabel dependen. (Ingat skala pengukuran variabel independent kita tidak sama,
sehingga nilai unstandarized tidak bisa digunakan untuk melakukan perbandingan
besarnya pengaruh).

Selanjutnya dengan mengklik Conceptual Diagram, maka akan muncul tampilan


berikut, yang hanya menampilkan kotak-kotak dan panah, tanpa angka-angka.

22

Selanjutnya dengan mengklik T-values, maka akan muncul tampilan berikut, yang
menampilkan nilai t untuk estimasi masing-masing parameter. Hubungan yang
signifikan (default LISREL adalah sebesar 5%) ditampilkan dengan warna hitam,
sedangkan yang tidak signifikan ditampilkan dengan warna merah.

Pilihan Modification Indices dan Expected Changes untuk sementara diabaikan


sampai pada pembahasan yang terkait dengan hal tersebut.

23

BAB IV. APLIKASI PROGRAM LISREL PADA PATH ANALYSIS


Analisis jalur (Path Analysis) merupakan teknik statistik yang digunakan untuk
menguji hubungan kausal antara dua atau lebih variabel. Analisis jalur berbeda
dengan teknik analisis regresi lainnya, dimana pada analisis jalur memungkinkan
pengujian dengan menggunakan variabel mediating/intervening/perantara (misalnya
X Y Z)
Dengan menggunakan data kerja yang digunakan sebelumnya, 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),
masa kerja sekarang (X2), masa kerja sebelumnya (X3), juga dipengaruhi oleh gaji
awal bekerja (Y2). Gaji awal bekerja (Y2) itu sendiri juga dipengaruhi oleh
pendidikan (X1) dan masa kerja sebelumnya (X3).
Input untuk menjalankan persamaan tersebut adalah sebagai berikut:
Analis Path Dengan Menggunakan LISREL
Raw Data from file 'D:\Data Pelatihan LISREL-HED\spss\kerja.psf'
Relationships
Y1 = CONSTAN X1 X2 X3 Y2
Y2 = CONSTANT X1 X3
Path Diagram
Options: SS EF
End of Problem

Catatan: perintah Option: SS, digunakan untuk menampilkan nilai standardized


hubungan antar variable. Jika perintah ini tidak digunakan, maka yang akan
ditampilkan hanya nilai unstandarized (tetapi nilai standardized tetap bias dilihat pada
path diagram). Option: EF digunakan untuk menampilkan effect decomposition
(komposisi pengaruh).
Dengan input tersebut, LISREL menghasilkan estimasi regresi unstandarized berikut:
Y1 =

- 1.61 + 1.77*Y2 + 0.067*X1 + 0.016*X2 - 0.0017*X3, Errorvar.= 0.55 , R =0.81


(0.33) (0.059)
(0.016)
(0.0034)
(0.00035)
(0.036)
-4.92
30.22
4.06
4.73
-4.91
15.33

Y2 =

- 0.99 + 0.19*X1 + 0.0016*X3, Errorvar.= 0.34 , R = 0.45


(0.14) (0.0097) (0.00027)
(0.022)
-6.98
19.40
6.17
15.33

Dari output tersebut terlihat bahwa semua variabel pada taraf 1 % berpengaruh
signifikan, baik terhadap Y1 maupun Y2.

24

Selanjutnya, output covariance matrix untuk independent variables dan latent


variables diberikan sebagai berikut. Interpretasinya sama dengan kasus sebelumnya.
Covariance Matrix of Independent Variables
X1
-------8.32
(0.54)
15.33

X2
--------

X2

1.38
(1.34)
1.03

101.22
(6.60)
15.33

X3

-76.14
(14.35)
-5.30

3.13
(48.54)
0.06

X1

X3
--------

10938.28
(713.53)
15.33

Covariance Matrix of Latent Variables

Y1
Y2
X1
X2
X3

Y1
-------2.94
1.19
3.25
2.19
-17.41

Y2
--------

X1
--------

X2
--------

X3
--------

0.62
1.44
0.26
3.72

8.32
1.38
-76.14

101.22
3.13

10938.28

Selanjutnya, sebagian output Goodness of Fit Statistics diberikan dibawah ini:


Goodness of Fit Statistics
Degrees of Freedom = 1
Minimum Fit Function Chi-Square = 2.41 (P = 0.12)

Model memiliki fit yang sangat baik karena memiliki nilai probabilitas yang tidak
signifikan (p-value = 0,12 Chi-Square = 2,41 dengan df = 1). Catatan: model yang fit
seharusnya memiliki nilai p yang tidak signifikan (lebih besar dari 0,05). Penjelasan
lebih lanjut mengenai model fit ini lihat pada bab khusus mengenai model fit.
Berdasarkan perintah Option: SS, LISREL memberikan output sebagai berikut:
Standardized Solution
BETA

Y1
Y2

Y1
-------- - -

Y2
-------0.81
- -

25

Output BETA adalah output LISREL yang berupa matriks hubungan antara sesame
variable endogen. Bagian kolom adalah variable endogen independent dan bagian
baris adalah variable endogen dependent. Dari output tersebut diketahui nilai
standardized pengaruh antara Y2 terhadap Y1 adalah 0,81.
GAMMA
Y1
Y2

X1
-------0.11
0.69

X2
-------0.09
- -

X3
--------0.11
0.22

Output GAMMA adalah output LISREL yang berupa matriks pengaruh


(standardized) antara variable eksogen (independent) terhadap variable endogen
(dependen). Bagian kolom adalah variable eksogen (independent) dan bagian baris
adalah variable endogen (dependent).
Correlation Matrix of Y and X
Y1
Y2
X1
---------------------Y1
1.00
Y2
0.88
1.00
X1
0.66
0.63
1.00
X2
0.13
0.03
0.05
X3
-0.10
0.05
-0.25

X2
--------

X3
--------

1.00
0.00

1.00

Output diatas adalah matrik korelasi antara variable yang dianalisis. Output ini hanya
akan ditampilkan jika ada perintah Option: SS
PSI
Note: This matrix is diagonal.
Y1
-------0.19

Y2
-------0.55

Output PSI menampilkan output mengenai measurement error (perhatikan hanya


untuk variable endogen) dimana error telah distandarisasi. Y1 memiliki measurement
error 0,19 dan Y2 sebesar 0,55.
Regression Matrix Y on X (Standardized)

Y1
Y2

X1
-------0.67
0.69

X2
-------0.09
- -

X3
-------0.07
0.22

Karena variable-variabel yang dianalisis adalah variable observed dan tidak latent,
maka output di atas adalah output gabungan sebelumnya yaitu output BETA dan
GAMMA.

26

Selanjutnya, berdasarkan perintah Option: EF, LISREL memberikan output berikut:


Total Effects of X on Y

Y1

Y2

X1
-------0.40
(0.02)
18.93

X2
-------0.02
(0.00)
4.73

X3
-------0.00
(0.00)
2.03

0.19
(0.01)
19.40

- -

0.00
(0.00)
6.17

Output diatas memberikan pengaruh total antara variable eksogen terhadap variable
endogen. Pengaruh total ini merupakan penjumlahan dari pengaruh langsung (lihat
output estimasi regresi unstandarized sebelumnya) dengan pengaruh tidak langsung
(lihat output di bawah ini). Misalnya pengaruh total X1 terhadap Y1 sebesar 0,40. Ini
adalah penjumlahan dari pengaruh langsung X1 terhadap Y1 sebesar 0,067 dengan
pengaruh tidak langsung X1 terhadap Y1 sebesar 0,33.
Pengaruh total X2 terhadap Y1 sama dengan pengaruh langsungnya. Karena
hubungan X2 dan Y1 adalah langsung dan tidak memiliki hubungan tidak langsung.
Indirect Effects of X on Y

Y1

X1
-------0.33
(0.02)
16.32

X2
-------- -

X3
-------0.00
(0.00)
6.04

Y2

- -

- -

- -

Output diatas memberikan pengaruh tidak langsung antara variable. Misalnya


pengaruh tidak langsung X1 terhadap Y1 adalah sebesar 0,33. Ini diperoleh melalui
perkalian antara pengaruh langsung antara X1 terhadap Y2 (variable antara) dengan
pengaruh langsung Y2 terhadap Y1. Dengan demikian nilai 0,33 diperoleh melalui
0,19 x 1,77 = 0,33. (Untuk lebih mudah memahaminya, lihat path diagram di bawah).
Total Effects of Y on Y

Y1

Y1
-------- -

Y2
-------1.77
(0.06)
30.22

Y2

- -

- -

27

Output diatas memberikan pengaruh total variable endogen terhadap variable


endogen. Pengaruh total Y2 terhadap Y1 sama dengan pengaruh langsungnya. Karena
hubungan antara Y2 dan Y1 adalah langsung dan tidak memiliki hubungan tidak
langsung.
Standardized Total and Indirect Effects
Standardized Total Effects of X on Y

Y1
Y2

X1
-------0.67
0.69

X2
-------0.09
- -

X3
-------0.07
0.22

Standardized Indirect Effects of X on Y

Y1
Y2

X1
-------0.56
- -

X2
-------- - -

X3
-------0.18
- -

Standardized Total Effects of Y on Y

Y1
Y2

Y1
-------- - -

Y2
-------0.81
- -

Tampilan output diatas sama dengan tampilan sebelumnya, hanya ini merupakan
pengaruh yang telah standarized (yang diturunkan dari estimasi nilai standarized).

28

BAB V. APLIKASI PROGRAM LISREL PADA MODEL PENGUKURAN


DAN ANALISIS FAKTOR
Untuk aplikasi program LISREL pada model pengukuran dan analisis faktor
akan digunakan data mentah pada file bank. Data pada file tersebut adalah data dari
101 responden nasabah bank untuk mengukur mengenai keyakinan nasabah
mengenai kualitas pelayanan bank. Untuk mengukur keyakinan kualitas pelayanan
bank tersebut dikembangkan dua dimensi kualitas pelayanan yaitu dimensi fisik dan
dimensi non-fisik. Untuk dimensi fisik digunakan tiga indikator pengukuran dan
untuk dimensi non-fisik dikembangkan lima indikator pengukuran. Indikatorindikator tersebut ditanyakan kepada responden dengan menggunakan pengukuran
skala likert 1-5, mulai dari sangat tidak setuju sampai sangat setuju. Rincian indikator
sebagai berikut:
Indikator Persepsi Kualitas Pelayanan
X1

Saya tidak khawatir menggunakan fasilitas


ATM karena terjamin aman.

X2

Saya tidak ragu memarkirkan kendaraan,


karena yakin akan keamanannya

X3

Saya tidak ragu datang ke bank pada jam


padat, karena yakin ruangan tunggunya
cukup untuk menampung nasabah yang
ada

X4

Saya tidak yakin akan keakuratan dan


keterandalan pelayanan bank sesuai
dengan yang dijanjikan.

X5

Saya tidak yakin bank akan memberikan


bantuan pelayanan dengan segera jika saya
ada masalah yang berkaitan dengan bank

Dimensi Kualitas Pelayanan

Fisik

NonFisik
X6

X7

Saya tidak yakin dengan kemampuan


pegawai bank dalam mengatasi masalah
saya yang berkaitan dengan bank
Saya tidak yakin bank memiliki kepedulian
dan perhatian personal yang tinggi kepada
saya

29

Penulisan input untuk menjalankan model tersebut adalah sebagai berikut:


Measurement Model
Raw Data from file 'D:\Data pelatihan lisrel-hed\spss\bank.psf'
Latent Variables FISIK NONFISIK
Relationships
X1 - X3 = FISIK
X4 - X7 = NONFISIK
Path Diagram, tv=10
End of Problem

Perhatikan, pada baris ketiga kita sebutkan nama variabel laten (unobserved
variable), yang menunjukkan dua dimensi kualitas pelayanan yang akan diukur.
Perhatikan penulisan persamaan pada baris keempat dan kelima yang berbeda dengan
contoh-contoh sebelumnya, karena adanya variabel laten. Indikator berada di sebelah
kiri tanda sama dengan, sedangkan variabel laten di sebelah kanan. Perhatikan juga
penulisan tanda strip (-) diantara indikator, yang berarti sampai dengan. 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, X2 dan X3.
Perhatikan penulisan perintah path diagram yang diikuti dengan kata-kata
tv=10. Perintah ini meminta LISREL untuk menguji (menandai) output path diagram
dengan tingkat signifikansi 10%. (Jika tidak dituliskan, default LISREL adalah 5%).
Input tersebut akan memberikan estimasi mengenai hubungan antara indikator
dengan variabel laten, atau dengan kata lain, kita ingin menguji validitas indikator
dalam merefleksikan variabel laten (unobserved).
Measurement Equations
X1 = 0.28*FISIK, Errorvar.= 0.71 , R = 0.099
(0.14)
(0.12)
1.93
5.96
X2 = 0.022*FISIK, Errorvar.= 0.95 , R = 0.00052
(0.14)
(0.13)
0.16
7.07
X3 = 0.43*FISIK, Errorvar.= 0.89 , R = 0.17
(0.20)
(0.20)
2.11
4.55
X4 =

- 0.039*NONFISIK, Errorvar.= 1.01 , R = 0.0015


(0.13)
(0.14)
-0.29
7.06

X5 =

- 0.34*NONFISIK, Errorvar.= 0.69 , R = 0.15

30

(0.12)
-2.91

(0.11)
6.14

X6 =

- 0.44*NONFISIK, Errorvar.= 0.71 , R = 0.22


(0.13)
(0.13)
-3.42
5.47

X7 =

- 0.66*NONFISIK, Errorvar.= 0.54 , R = 0.45


(0.16)
(0.19)
-4.25
2.86

Dengan menggunakan = 10%, nilai t-tabel df=99 adalah 1,66. Ini berarti dari
output diatas dapat diketahui bahwa yang tidak signifikan adalah indicator X2 yang
merupakan indicator FISIK dan X4 sebagai indicator NONFISIK. Kedua indicator itu
juga memberikan nilai R2 paling kecil. Nilai R2 pada masing-masing persamaan,
biasanya diinterpretasikan sebagai reliabilitas indicator. Sebaliknya, indicatorindikator lainnya terbukti cukup baik dalam merepresentasikan variable laten.
Dari output juga dapat disimpulkan bahwa dari ketiga indicator FISIK, indicator
X3 merupakan indicator yang paling reliable, sedangkan dari lima empat indicator
NONFISIK, indicator X7 yang paling reliable.
Goodness of Fit Statistics
Degrees of Freedom = 13
Minimum Fit Function Chi-Square = 11.08 (P = 0.60)

Model memiliki fit yang sangat baik karena memiliki nilai probabilitas yang
tidak signifikan (p-value = 0,60 Chi-Square = 11,08 dengan df = 13). Catatan: model
yang fit seharusnya memiliki nilai p yang tidak signifikan (lebih besar dari 0,05).
Karena model pengukuran di atas memiliki fit yang sangat baik, maka kita
dapat menggunakan nilai estimasi (loading) sebagai koefisien validitas. Dengan
demikian, karena X3 memiliki nilai loading yang paling besar (sebesar 0,43
bandingkan dengan X1 sebesar 0,28 dan X2 sebesar 0,022), maka dapat disimpulkan
bahwa X3 merupakan indikator yang paling valid dari indikator variabel FISIK.
Sedangkan untuk variabel NONFISIK adalah indikator X7.
Correlation Matrix of Independent Variables

FISIK
NONFISIK

FISIK
-------1.00

NONFISIK
--------

-0.82
(0.35)
-2.31

1.00

Dua variable independent (eksogen) secara default LISREL diasumsikan saling


berkorelasi, maka output LISREL juga menampilkan nilai korelasinya. Nilai korelasi

31

antara FISIK dan NONFISIK adalah -0,82 dengan standar error 0,35 dan nilai t=
-2,31 (signifikan pada = 5%).
Informasi korelasi dan standar error ini berguna untuk mengetahui apakah sebenarnya
model cocok menggunakan satu variable laten saja atau dua variable laten. Dengan
kata lain, kita dapat membuktikan apakah dari tujuh indicator tersebut, sebaiknya
dipecah dalam dua dimensi (FISIK dan NONFISIK) atau menjadi satu dimensi saja.
Karena korelasinya cukup kuat, maka dapat kita simpulkan sebaiknya model
menggunakan satu dimensi saja.
Output path diagram yang menampilkan koefisien estimasi dari kasus kita sebagai
berikut:

Output path diagram yang menampilkan nilai t dari kasus kita sebagai berikut:

32

Berkaitan dengan model pengukuran dan analisis faktor, berikut ini diberikan satu
contoh lagi, dengan penekanan pembahasan pada teknik modifikasi model dalam
analisis faktor jika model fit tidak baik. Contoh berikut ini menggunakan data mentah
pada file analisis faktor. Data ini hanya merupakan data hipotetik.
Misalnya kita memiliki dua faktor yaitu FAKTOR1 dan FAKTOR2. Asumsikan
masing-masing faktor tersebut akan diukur melalui tiga indikator. FAKTOR1 diukur
melalui indikator X1, X2 dan X3 dan FAKTOR2 diukur melalui X4, X5 dan X6.
Indikator-indikator itu sendiri merupakan respon dari responden yang diukur dengan
skala likert 1-5
Secara konseptual, model tersebut dapat digambarkan sebagai berikut:

33

Input untuk model diatas adalah sebagai berikut:


Factor Analysis
Raw Data from file 'D:\Data pelatihan lisrel-hed\spss\analisis faktor.psf'
Sample Size = 155
Latent Variables FAKTOR1 FAKTOR2
Relationships
X1 - X3 = FAKTOR1
X4 - X6 = FAKTOR2
Number of Decimals = 3
Wide Print
Print Residuals
Path Diagram
End of Problem

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).
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, LISREL menghasilkan persamaan
pengukuran sebagai berikut:
Measurement Equations
X1 = 0.662*FAKTOR1, Errorvar.= 0.923 , R = 0.322
(0.106)
(0.133)
6.268
6.956
X2 = 0.873*FAKTOR1, Errorvar.= 0.661 , R = 0.536
(0.110)
(0.147)
7.955
4.481
X3 = 0.596*FAKTOR1, Errorvar.= 0.831 , R = 0.299
(0.0987)
(0.116)
6.039
7.153
X4 = 0.348*FAKTOR2, Errorvar.= 0.877 , R = 0.121
(0.0811)
(0.101)
4.288
8.672
X5 = 1.288*FAKTOR2, Errorvar.= 0.323 , R = 0.837
(0.0991)
(0.130)
12.999
2.495
X6 = 1.154*FAKTOR2, Errorvar.= 0.211 , R = 0.863

34

(0.0870)
13.266

(0.103)
2.060

Seluruh indicator tersebut signifikan pada taraf 1% atau 5%. Seluruh error variance
juga signifikan pada tarf 1% atau 5%, dengan R2 berkisar antara 0,121 sampai 0,863.
Tetapi jika diliha dari goodness of fit berikut ini, ternyata model tidak fit.
Goodness of Fit Statistics
Degrees of Freedom = 8
Minimum Fit Function Chi-Square = 65.821 (P = 0.00)

Chi-Square sebesar 65,821 dengan derajat bebas 8 dan nilai p yang signifikan,
mengindikasikan model tidak fit. Dalam konteks ini, ada dua alternatif. Melakukan
penelitian ulang atau memodifikasi model. Tentu saja pilihan yang lebih logis adalah
memodifikasi model, asal terdapat justifikasi teori yang kuat untuk modifikasi model
tersebut.
Perintah Print residual dalam input kita sebelumnya dapat memberikan kita informasi
mengenai penyebab tidak fitnya model. Output-output LISREL di bawah ini dapat
digunakan sebagai pemandu untuk menganalisis penyebab tidak fitnya model.
Covariance Matrix

X1
X2
X3
X4
X5
X6

X1
-------1.361
0.672
0.337
0.471
0.439
0.221

X2
--------

X3
--------

X4
--------

X5
--------

X6
--------

1.423
0.457
0.461
0.610
0.522

1.186
0.453
0.573
0.621

0.998
0.390
0.406

1.982
1.490

1.543

X2
--------

X3
--------

X4
--------

X5
--------

X6
--------

1.423
0.520
0.175
0.646
0.579

1.186
0.119
0.441
0.395

0.998
0.448
0.401

1.982
1.486

1.543

X2
--------

X3
--------

X4
--------

X5
--------

X6
--------

0.000
-0.063
0.287

0.000
0.334

0.000

Fitted Covariance Matrix

X1
X2
X3
X4
X5
X6

X1
-------1.361
0.578
0.394
0.132
0.490
0.439

Fitted Residuals

X1
X2
X3
X4

X1
-------0.000
0.094
-0.057
0.338

35

X5
X6

-0.051
-0.219

-0.036
-0.057

0.131
0.226

-0.058
0.004

0.000
0.004

0.000

Summary Statistics for Fitted Residuals


Smallest Fitted Residual =
Median Fitted Residual =
Largest Fitted Residual =

-0.219
0.000
0.338

Output dengan judul Covariance Matrix secara statistik juga dikenal dengan istilah
Sample Covariance Matrix (yang merupakan tampilan default dari LISREL). Output
dengan judul Fitted Covariance Matrix merupakan estimasi program dalam
memprediksi covariance matrix model penelitian yang diajukan. Pengurangan
Covariance Matrix dengan Fitted Covariance Matrix menghasilkan output Fitted
Residuals.
Suatu model dikatakan fit jika matriks residualnya ( Fitted Residuals) adalah nol
(mendekati nol). Sedangkan model dikatakan memiliki fit yang sangat buruk apabila
matriks residualnya sangat besar.
Berdasarkan hal tersebut, terlihat bahwa residual kovarians yang terbesar adalah
antara X1 dan X4 yaitu 0,338, sehingga diperoleh kesimpulan bahwa X1 dan X4
inilah yang menjadi penyebab tidak fitnya model.
Namun demikian, informasi residual ini perlu ditanggapi secara hati-hati karena nilai
residual tersebut adalah unstandarized, yang mungkin nilai-nilainya dipengaruhi oleh
bedanya pengukuran. Jika indicator-indikator dalam model kita memiliki perbedaan
dalam skala pengukurannya, sebaiknya menggunakan Standarized Residual yang juga
ditampilkan dalam output LISREL sebagai berikut:
Standardized Residuals

X1
X2
X3
X4
X5
X6

X1
-------- 3.603
-1.183
4.036
-0.762
-3.776

X2
--------

X3
--------

X4
--------

X5
--------

- -2.380
3.546
-0.873
-1.650

- 4.242
1.994
3.974

- -2.193
0.225

- 5.262

X6
--------

- -

Summary Statistics for Standardized Residuals


Smallest Standardized Residual =
Median Standardized Residual =
Largest Standardized Residual =

-3.776
0.000
5.262

Dari output diatas terlihat bahwa berdasarkan standarized residual, sebenarnya yang
memiliki residual terbesar adalah X5 dan X6.

36

Lalu apa yang harus dilakukan ? Dalam konteks ini LISREL memberikan output
modification index yang merupakan salah satu alternatif terbaik untuk modifikasi
model.
The Modification Indices Suggest to Add the
Path to from
Decrease in Chi-Square
X3
FAKTOR2
13.0
X4
FAKTOR1
27.7

New Estimate
0.48
0.65

The Modification Indices Suggest to Add an Error Covariance


Between
and
Decrease in Chi-Square
New Estimate
X2
X1
13.0
0.55
X4
X1
10.0
0.25
X6
X1
17.7
-0.24
X6
X3
10.8
0.17
X6
X5
27.7
3.23

Output LISREL menyarankan dua tipe modifikasi yang dapat dilakukan:


Tipe 1.
a. Menambah path (jalur) dari FAKTOR2 ke indikator X3. Dengan kata lain, X3
selain merupakan indikator FAKTOR1 juga merupakan indikator indikator
FAKTOR2. Modifikasi ini akan menurunkan nilai Chi-Square sebesar 13,0
dan menghasilkan estimasi baru menjadi 0,48
b. Menambah path (jalur) dari FAKTOR1 ke indikator X4. Dengan kata lain, X4
selain merupakan indikator FAKTOR2 juga merupakan indikator indikator
FAKTOR1. Modifikasi ini akan menurunkan nilai Chi-Square sebesar 27,7
dan menghasilkan estimasi baru menjadi 0,65
Tipe 2.
a. Memberikan hubungan antara dua error indikator X2 dan X1, akan
menghasilkan penurunan nilai Chi-Square sebesar 13,0 dan menghasilkan
kovarians baru sebesar 0,26
b. Memberikan hubungan antara dua error indikator X4 dan X1, akan
menghasilkan penurunan nilai Chi-Square sebesar 10,0 dan menghasilkan
kovarians baru sebesar 0,25
c. Memberikan hubungan antara dua error indikator X6 dan X1, akan
menghasilkan penurunan nilai Chi-Square sebesar 17,7 dan menghasilkan
kovarians baru sebesar -0,24
d. Memberikan hubungan antara dua error indikator X6 dan X3, akan
menghasilkan penurunan nilai Chi-Square sebesar 10,8 dan menghasilkan
kovarians baru sebesar 0,17
e. Memberikan hubungan antara dua error indikator X6 dan X5, akan
menghasilkan penurunan nilai Chi-Square sebesar 27,7 dan menghasilkan
kovarians baru sebesar 3,23

37

Modification indices dan perubahan yang diharapkan (Expected Change) juga


divisualisasikan oleh LISREL dalam bentuk path diagram berikut:

38

Berikut ini diberikan cara mengoperasikan LISREL untuk memodifikasi model


Contoh untuk modifikasi tipe 1a dari kasus kita diatas. Inputnya dapat ditulis:
Factor Analysis
Raw Data from file 'D:\Data pelatihan lisrel-hed\spss\analisis
faktor.psf'
Sample Size = 155
Latent Variables FAKTOR1 FAKTOR2
Relationships
X1 - X3 = FAKTOR1
X3 X4 - X6 = FAKTOR2
Number of Decimals = 3
Wide Print
Print Residual
Path Diagram
End of Problem

Sebagian outputnya dapat dilihat sebagai berikut:


Measurement Equations
X1 = 0.645*FAKTOR1, Errorvar.= 0.945 , R = 0.305
(0.117)
(0.148)
5.522
6.403
X2 = 1.042*FAKTOR1, Errorvar.= 0.336 , R = 0.764
(0.147)
(0.267)
7.067
1.261

39

X3 = 0.280*FAKTOR1 + 0.393*FAKTOR2, Errorvar.= 0.859 , R = 0.276


(0.106)
(0.0968)
(0.103)
2.651
4.063
8.368
X4 = 0.348*FAKTOR2, Errorvar.= 0.877 , R = 0.122
(0.0805)
(0.101)
4.326
8.692
X5 = 1.245*FAKTOR2, Errorvar.= 0.432 , R = 0.782
(0.0982)
(0.117)
12.677
3.693
X6 = 1.194*FAKTOR2, Errorvar.= 0.117 , R = 0.924
(0.0840)
(0.0982)
14.218
1.194
Correlation Matrix of Independent Variables

FAKTOR1
FAKTOR2

FAKTOR1
-------1.000

FAKTOR2
--------

0.429
(0.089)
4.820

1.000

Goodness of Fit Statistics


Degrees of Freedom = 7
Minimum Fit Function Chi-Square = 52.435 (P = 0.00)
Factor Analysis
Fitted Covariance Matrix

X1
X2
X3
X4
X5
X6

X1
-------1.361
0.672
0.289
0.096
0.345
0.330

X2
--------

X3
--------

X4
--------

X5
--------

X6
--------

1.423
0.468
0.156
0.557
0.534

1.186
0.179
0.639
0.613

0.998
0.434
0.416

1.982
1.487

1.543

X2
--------

X3
--------

X4
--------

X5
--------

X6
--------

0.000
-0.010
0.305
0.053
-0.012

0.000
0.274
-0.067
0.008

0.000
-0.044
-0.010

0.000
0.003

0.000

Fitted Residuals

X1
X2
X3
X4
X5
X6

X1
-------0.000
0.000
0.048
0.374
0.094
-0.110

Summary Statistics for Fitted Residuals

40

Smallest Fitted Residual =


Median Fitted Residual =
Largest Fitted Residual =

-0.110
0.000
0.374

Standardized Residuals

X1
X2
X3
X4
X5
X6

X1
-------- - 1.127
4.354
1.360
-2.260

X2
--------

X3
--------

X4
--------

X5
--------

- -1.127
3.702
1.207
-0.749

- 3.854
-2.210
0.962

- -1.168
-0.918

- 5.066

X6
--------

- -

Summary Statistics for Standardized Residuals


Smallest Standardized Residual =
Median Standardized Residual =
Largest Standardized Residual =
Largest
Residual
Residual
Residual
Residual

-2.260
0.000
5.066

Positive Standardized Residuals


for
X4 and
X1
4.354
for
X4 and
X2
3.702
for
X4 and
X3
3.854
for
X6 and
X5
5.066

The Modification Indices Suggest to Add the


Path to from
Decrease in Chi-Square
New Estimate
X4
FAKTOR1
19.7
0.43
The Modification Indices Suggest to Add an Error Covariance
Between
and
Decrease in Chi-Square
New Estimate
X4
X1
10.0
0.24
X4
X3
8.7
0.21
X6
X1
13.4
-0.20
X6
X5
25.7
2.72

Contoh untuk modifikasi tipe 2a dari kasus kita diatas. Inputnya dapat ditulis:
Factor Analysis
Raw Data from file 'D:\Data pelatihan lisrel-hed\spss\analisis faktor.psf'
Sample Size = 155
Latent Variables FAKTOR1 FAKTOR2
Relationships
X1 - X3 = FAKTOR1
X4 - X6 = FAKTOR2
let the error of X1 and X2 correlate
Number of Decimals = 3
Wide Print
Print Residual
Path Diagram
End of Problem

41

Output path diagramnya dapat diberikan sebagai berikut:

Output teksnya diberikan sebagai berikut:


Measurement Equations
X1 = 0.395*FAKTOR1, Errorvar.= 1.205 , R = 0.115
(0.115)
(0.148)
3.420
8.129
X2 = 0.638*FAKTOR1, Errorvar.= 1.015 , R = 0.287
(0.113)
(0.146)
5.653
6.959
X3 = 0.733*FAKTOR1, Errorvar.= 0.650 , R = 0.452
(0.110)
(0.137)
6.652
4.746
X4 = 0.348*FAKTOR2, Errorvar.= 0.877 , R = 0.122
(0.0805)
(0.101)
4.326
8.692
X5 = 1.245*FAKTOR2, Errorvar.= 0.432 , R = 0.782
(0.0982)
(0.117)
12.677
3.693
X6 = 1.194*FAKTOR2, Errorvar.= 0.117

, R = 0.924

42

(0.0840)
(0.0982)
14.218
1.194
Error Covariance for X2 and X1 = 0.420
(0.114)
3.683
Correlation Matrix of Independent Variables

FAKTOR1
FAKTOR2

FAKTOR1
-------1.000

FAKTOR2
--------

0.701
(0.088)
7.982

1.000

Goodness of Fit Statistics


Degrees of Freedom = 7
Minimum Fit Function Chi-Square = 52.435 (P = 0.00)
Factor Analysis
Fitted Covariance Matrix

X1
X2
X3
X4
X5
X6

X1
-------1.361
0.672
0.289
0.096
0.345
0.330

X2
--------

X3
--------

X4
--------

X5
--------

X6
--------

1.423
0.468
0.156
0.557
0.534

1.186
0.179
0.639
0.613

0.998
0.434
0.416

1.982
1.487

1.543

X2
--------

X3
--------

X4
--------

X5
--------

X6
--------

0.000
-0.010
0.305
0.053
-0.012

0.000
0.274
-0.067
0.008

0.000
-0.044
-0.010

0.000
0.003

0.000

X4
--------

X5
--------

X6
--------

Fitted Residuals

X1
X2
X3
X4
X5
X6

X1
-------0.000
0.000
0.048
0.374
0.094
-0.110

Summary Statistics for Fitted Residuals


Smallest Fitted Residual =
Median Fitted Residual =
Largest Fitted Residual =

-0.110
0.000
0.374

Standardized Residuals

X1
X2

X1
-------- - -

X2
--------

X3
--------

- -

43

X3
X4
X5
X6

1.127
4.354
1.360
-2.260

-1.127
3.702
1.207
-0.749

- 3.854
-2.209
0.962

- -1.168
-0.918

- 5.067

- -

Summary Statistics for Standardized Residuals


Smallest Standardized Residual =
Median Standardized Residual =
Largest Standardized Residual =

-2.260
0.000
5.067

Largest Positive Standardized Residuals


Residual for
X4 and
X1
4.354
Residual for
X4 and
X2
3.702
Residual for
X4 and
X3
3.854
Residual for
X6 and
X5
5.067
The Modification Indices Suggest to Add the
Path to from
Decrease in Chi-Square
New Estimate
X4
FAKTOR1
25.7
0.88
The Modification Indices Suggest to Add an Error Covariance
Between
and
Decrease in Chi-Square
New Estimate
X4
X1
10.0
0.24
X4
X3
8.7
0.21
X6
X1
13.4
-0.20
X6
X5
25.7
2.72

44

BAB VI. APLIKASI PROGRAM LISREL PADA STRUCTURAL EQUATION


MODELLING
Di bidang akuntansi manajemen dikatakan bahwa timbulnya budgetary slack
karena rendahnya komitmen yang dimiliki manajer. Budgetary slack ini juga
tergantung pada tingkat partisipasi dalam penyusunan anggaran oleh manajer.
Sedangkan partisipasi dalam penyusunan anggaran akan berpengaruh terhadap
komitmen organisasi yang dimiliki oleh manajer.
Selanjutnya untuk mengukur partisipasi anggaran digunakan dua indikator (X1
X2), untuk mengukur komitmen organisasi digunakan dua indikator (X3 X4).
mengukur budgetary slack digunakan dua indikator (X5 X6). Untuk aplikasi akan
digunakan data mentah pada file SEM. Data pada file tersebut adalah data dari 155
responden manajer.
Model grafisnya dapat diberikan sebagai berikut:

Inputnya dapat ditulis sebagai berikut:


Raw Data from file 'D:\Data pelatihan lisrel-hed\spss\SEM.psf'
Sample Size = 155
Latent Variables KOMITMEN PARTISI SLACK
Relationships
KOMITMEN = PARTISI
SLACK = KOMITMEN PARTISI
X1 - X2 = PARTISI
X3 - X4 = KOMITMEN
X5 - X6 = SLACK

45

Path Diagram
End of Problem

Input tersebut menghasilkan output sebagai berikut: (Catatan: Tidak diinterpretasikan


disini, sebagai bahan diskusi, mengacu pada interpretasi pada bab-bab sebelumnya)

LISREL Estimates (Maximum Likelihood)


Measurement Equations
X3 = 0.72*KOMITMEN, Errorvar.= 0.66 , R = 0.44
(0.11)
5.85
X4 = 0.63*KOMITMEN, Errorvar.= 0.60 , R = 0.39
(0.11)
(0.094)
5.60
6.43
X5 = 1.23*SLACK, Errorvar.= 0.47 , R = 0.76
(0.14)
3.37
X6 = 1.21*SLACK, Errorvar.= 0.074, R = 0.95
(0.12)
(0.13)
10.24
0.59
X1 = 0.73*PARTISI, Errorvar.= 0.83 , R = 0.39
(0.11)
(0.13)
6.81
6.22
X2 = 0.93*PARTISI, Errorvar.= 0.57 , R = 0.60
(0.12)
(0.17)
8.01
3.40

Structural Equations
KOMITMEN = 0.76*PARTISI, Errorvar.= 0.42 , R = 0.58
(0.13)
(0.20)
5.67
2.12
SLACK = 0.72*KOMITMEN - 0.13*PARTISI, Errorvar.= 0.60 , R = 0.40
(0.30)
(0.26)
(0.14)
2.40
-0.50
4.44
Reduced Form Equations
KOMITMEN = 0.76*PARTISI, Errorvar.= 0.42, R = 0.58
(0.13)

46

5.67
SLACK = 0.42*PARTISI, Errorvar.= 0.82, R = 0.18
(0.10)
4.08
Correlation Matrix of Independent Variables
PARTISI
-------1.00
Covariance Matrix of Latent Variables

KOMITMEN
SLACK
PARTISI

KOMITMEN
-------1.00
0.62
0.76

SLACK
--------

PARTISI
--------

1.00
0.42

1.00

Goodness of Fit Statistics


Degrees of Freedom = 6
Minimum Fit Function Chi-Square = 25.63 (P = 0.00026)
Normal Theory Weighted Least Squares Chi-Square = 24.81 (P = 0.00037)
Estimated Non-centrality Parameter (NCP) = 18.81
90 Percent Confidence Interval for NCP = (7.05 ; 38.10)
Minimum Fit Function Value = 0.17
Population Discrepancy Function Value (F0) = 0.12
90 Percent Confidence Interval for F0 = (0.046 ; 0.25)
Root Mean Square Error of Approximation (RMSEA) = 0.14
90 Percent Confidence Interval for RMSEA = (0.087 ; 0.20)
P-Value for Test of Close Fit (RMSEA < 0.05) = 0.0046
Expected Cross-Validation Index (ECVI) = 0.36
90 Percent Confidence Interval for ECVI = (0.28 ; 0.48)
ECVI for Saturated Model = 0.27
ECVI for Independence Model = 2.60
Chi-Square for Independence Model with 15 Degrees of Freedom = 388.84
Independence AIC = 400.84
Model AIC = 54.81
Saturated AIC = 42.00
Independence CAIC = 425.10
Model CAIC = 115.46
Saturated CAIC = 126.91
Normed Fit Index (NFI) = 0.93
Non-Normed Fit Index (NNFI) = 0.87
Parsimony Normed Fit Index (PNFI) = 0.37
Comparative Fit Index (CFI) = 0.95
Incremental Fit Index (IFI) = 0.95
Relative Fit Index (RFI) = 0.84

47

Critical N (CN) = 102.03


Root Mean Square Residual (RMR) = 0.065
Standardized RMR = 0.047
Goodness of Fit Index (GFI) = 0.95
Adjusted Goodness of Fit Index (AGFI) = 0.82
Parsimony Goodness of Fit Index (PGFI) = 0.27
The Modification Indices Suggest to Add the
Path to from
Decrease in Chi-Square
New Estimate
X5
KOMITMEN
8.3
2.18
X6
KOMITMEN
8.3
-2.15
The Modification Indices Suggest to Add an Error Covariance
Between
and
Decrease in Chi-Square
New Estimate
X1
X5
9.4
0.18
X1
X6
14.9
-0.20

48