Anda di halaman 1dari 12

UJIAN TENGAH SEMESTER

MODEL PERSAMAAN STRUKTURAL

Jenis Tugas :
“Tiket UAS SEM“
Menggunakan data UAS a/n Friyatmi

Dosen Pengampu:
Prof. Dr. Badrun Kartowagiran, M.Pd
Nur Hidayanto Pancoro Setyo Putro, S.Pd.,M.Pd.,Ph.D

Oleh:

CITRA NURMALITA
NIM. 16701261014

PROGRAM PASCASARJANA PENELITIAN DAN EVALUASI PENDIDIKAN


UNIVERSITAS NEGERI YOGYAKARTA
DESEMBER 2017
Diketahui :

File UTS a/n Friyatmi dengan konsep model path analysis seperti berikut,

Pada konsep sampel di analisis A/n Friyatmi menggunakan sampel 300 hanya pada nilai
sampel tersebut hasilnya tidak goodness of fit dan memiliki nilai p-value yang 0,000. Maka
dari itu diturunkan sampelnya menjadi 150 yang mana jumlah sampel.
Untuk konsep model path analysis dan data analisis menyamakan dari file a/n Friyatmi.

Ditanyakan : Analisis Lisrel Ulang agar mendapatkan hasil yang goodness of fit.

Penyelesaian :

Analisis SEM Menggunakan Lisrel


Langkah-Langkah Analisis SEM :

1. Menyiapkan data dalam bentuk data SPSS (.*sav)


2. Buka Lisrel dengan Buka program Lisrel dan buka data yang telah disiapkan dengan
mengklik menu File – Import Data in Free Format - Files of type: pilih SPSS for windows
dan cari lokasi file data tersimpan (nama File: semfri) lalu tekan Open. Maka data yang
telah disiapkan akan terbuka di program Lisrel seperti berikut,
3. Menetukan Variabel, Pilih Menu Data  Define Variabels. Kemudian pilih “A1”  Pilih
Variabel Type  Pilih Countinuos  Centang Aplly to All  Pilih OK

4. Menyiapkan file path diagram


Pilih menu File  New  Path Diagram  OK. Simpan file dengan nama ekstention *psf
(runfri.psf)  Save As Type dengan ekstention *pth. Kemudian muncul tampilan
observed variable untuk membangun path diagram.
5. Menentukan variable observed dan laten
Pilih variable observed dengan pilih setup  variable  Add/read variabels. Kemudian
browse file yang telah disimpan dengan ekstention *dsf (runfri.dsf)  OK.
Setelah itu menentukan nama variable laten, pilih Add Latent Variabel  masukkan file
latent yang diinginkan, dalam kasus ini latennya A, B, C, D,  Next untuk menentukan
banyaknya data yang adakan dianalisis. Seingga muncul 17 variabel observed seperti
tampilan berikut,

6. Setelah Next, muncul tampilan seperti berikut dan diisi dengan jumlah sampel (Number of
Observation = 150)  OK.

7. Menyusun Path Diagram dengan cara pilih New  Pilih Path Diagram  OK. Akan
muncul tampilan seperti berikut,

8. Menyusun semua variable latent dan observed kecuali varibael eksogen yaitu variable
latent A dan variable observed A1, A2, A3, A4. Kemudian bangun path diagram sesuai
dengan kerangka yang telah ditetapkan dengan mendrag semua variable tersebut ke
layar kerja seperti berikut,

9. Tentukan output yang ingin ditampilkan dengan cara Pilih Output  Lisrel Outputs 
Selections , maka akan muncul tampilan Selection untuk memilih analisis mana yang
akan dimunculkan pada outpu seperti berikut,

10. Membangun sintax lisrel dengan cara Pilih Setup  Build Lisrel Syntax, hingga muncul
tampilan berikut,
Tampilan Sintak Lisrel sebagai berikut :

TI
Raw Data from file 'D:\Sekolah\Doktoral\Semester 3\SEM\RUN ULANG
FRI\SEMFRI.psf'
Sample Size = 150
Latent Variables B C D E A
Relationships
B1 = 0.81*B
B2 = B
B3 = B
C1 = 0.50*C
C2 = C
C3 = C
D1 = 0.73*D
D2 = D
D3 = D
E1 = 0.58*E
E2 = E
E3 = E
A1 = A
A2 = A
A3 = A
A4 = A
B = C
D = B C
E = B C D
B = A
C = A
D = A
Set the Variance of A to 1.00
Path Diagram
Let errors of A1 and A2 correlate
Let errors of C3 and C1 correlate
Let errors of E3 and E2 correlate
Let errors of A2 and A3 correlate
Print Residuals
End of Problem

11. Langkah terakhir adalah menjalankan sintak yang telah kita buat sesuai dengan
hubungan dari variable dengan pilij icon . Berdasarkan hasil analisis tersebut
dihasilkan output gambar SEM sebagai berikut,

Hasil Analisis SEM dengan Lisrel

Gambar 1. Output Estimation


Gambar 2. Output Standardized Solution

Gambar 3. Output Modification Indices

Berdasarkan gambar diatas terlihat bahwa nilai RMSEA, chi square, dan p-value
telah memenuhi pesyaratan model fit. Untuk mengetahui fit tidaknya model secara
keseluruhan, maka dianalisis uji pada hasil Goodness of Fit.
Hasil Output Goodness of Fit Statistics

Ouput ini menyajikan output Lisrel untuk ukuran-ukuran absolute fit measures,
incremental fit measures dan parsimony fit measures. Ukuran-ukuran tersebut
berfungsi untuk pengujian model SEM secara keseluruhan. Output Lisrel dibawah ini
menyajikan nilai derajat bebas dari model SEM, menyajikan juga nilai RMSEA, dan
seterusnya. Berikut ini merupakan output dari hasil analisis SEM,
Goodness of Fit Statistics

Degrees of Freedom = 91
Minimum Fit Function Chi-Square = 107.21 (P = 0.12)
Normal Theory Weighted Least Squares Chi-Square = 102.20 (P = 0.20)
Estimated Non-centrality Parameter (NCP) = 11.20
90 Percent Confidence Interval for NCP = (0.0 ; 40.18)

Minimum Fit Function Value = 0.72


Population Discrepancy Function Value (F0) = 0.075
90 Percent Confidence Interval for F0 = (0.0 ; 0.27)
Root Mean Square Error of Approximation (RMSEA) = 0.029
90 Percent Confidence Interval for RMSEA = (0.0 ; 0.054)
P-Value for Test of Close Fit (RMSEA < 0.05) = 0.90

Expected Cross-Validation Index (ECVI) = 1.29


90 Percent Confidence Interval for ECVI = (1.21 ; 1.48)
ECVI for Saturated Model = 1.83
ECVI for Independence Model = 18.39

Chi-Square for Independence Model with 120 Degrees of Freedom = 2707.40


Independence AIC = 2739.40
Model AIC = 192.20
Saturated AIC = 272.00
Independence CAIC = 2803.57
Model CAIC = 372.67
Saturated CAIC = 817.45

Normed Fit Index (NFI) = 0.96


Non-Normed Fit Index (NNFI) = 0.99
Parsimony Normed Fit Index (PNFI) = 0.73
Comparative Fit Index (CFI) = 0.99
Incremental Fit Index (IFI) = 0.99
Relative Fit Index (RFI) = 0.95

Critical N (CN) = 175.12

Root Mean Square Residual (RMR) = 0.031


Standardized RMR = 0.048
Goodness of Fit Index (GFI) = 0.92
Adjusted Goodness of Fit Index (AGFI) = 0.88
Parsimony Goodness of Fit Index (PGFI) = 0.62
Hasil output yang otomatis muncul dalam tampilan output lisrel ditabulasikan dalam
Tabel 2 dengan tujuan untuk mengetahui model analisis jalur secara keseluruhan
berdasarkan nilai patokan untuk kecocokan model.

Tabel 1. Uji Kecocokan Model SEM

Ukuran Uji Kecocokan Model secara Nilai Patokan untuk Kecocokan Model
Keseluruhan Kecocokan Model terhadap hasil Data
Probalibilitas dari 𝜒 2 ℎ𝑖𝑡𝑢𝑛𝑔 102,20 ≥ 0,05 Cocok
RMSEA 0,029 ≤ 0,08 Cocok
NFI 0,96 ≥ 0,9 Cocok
NNFI 0,99 ≥ 0,9 Cocok
CFI 0,99 ≥ 0,90 Cocok
IFI 0,99 ≥ 0,9 Cocok
RFI 0,95 ≥ 0,9 Cocok
RMR 0,031 ≤ 0,05 Cocok
SRMR 0,048 ≤ 0,905 Cocok
GFI 0,92 ≥ 0,9 Cocok
AGFI 0,88 AGFI ≤ 0,90 Cocok

Berdasarkan Tabel 1, didapatkan hasil analisis bahwa model SEM ditinjau


berdasarkan absolute fit measure (Chi square, GFI, dan SRMR) memiliki kategori
kemampuan model yang memiliki kecocokan data (good fit). Kecocokan model jugaa
dipenuhi oleh incremental fit measures yang ditunjukkan oleh NFI, CFI, dan IFI
dimana ketiga nilai faktor tersebut memiliki nilai yang lebih besar dari 0,9
dikategorikan bahwa model tersebut memiliki kecocokan data (good fit).

Pengaruh Langsung dan Tidak Langsung antar Variabel

Besarnya pengaruh secara langusng maupun secara tidak langsung antar variable
dapat dianalisis berdasarkan nilai Standardized Total Effects (TE) dan Indirect Effects (IE)
dari output Lisrel. Nilai pengaruh langsung (direct effect) dihitung dari selisih TE dan IE.
Total pengaruh dan pengaruh tidak langsung dapat dilihat pada output sebagai berikut,

Hasil Output TE, IE, IE

Standardized Total and Indirect Effects

Standardized Total Effects of KSI on ETA

A
--------
B 0.55
C 0.66
D 0.51
E 0.36
Standardized Indirect Effects of KSI on ETA

A
--------
B 0.09
C - -
D 0.39
E 0.36

Standardized Total Effects of ETA on ETA

B C D E
-------- -------- -------- --------
B - - 0.14 - - - -
C - - - - - - - -
D 0.32 0.37 - - - -
E 0.21 0.31 0.48 - -

Standardized Indirect Effects of ETA on ETA

B C D E
-------- -------- -------- --------
B - - - - - - - -
C - - - - - - - -
D - - 0.04 - - - -
E 0.15 0.18 - - - -

Disamping itu, nilai korelasi dan pengaruh antar variable laten dapat dilihat pada
output lisrel. Nilai korelasi antar variable terlihat dalam matriks berikut,

Correlation Matrix of ETA and KSI

B C D E A
-------- -------- -------- -------- --------
B 1.00
C 0.44 1.00
D 0.53 0.55 1.00
E 0.36 0.41 0.58 1.00
A 0.55 0.66 0.51 0.36 1.00

Berdasarkan nilai tersbeut, maka dapat disusun nilai korelasi dan pengaruh langsung
maupun tidak langsung antar variable yang dirangkum dalam tabel berikut,

Tabulasi Output Matriks Korelasi

Variabel A B C D E
A 1,00 0,55 0,66 0,51 0,36
B 0,55 1,00 0,44 0,53 0,36
C 0,66 0,44 1,00 0,55 0,41
D 0,51 0,53 0,55 1,00 0,58
E 0,36 0,36 0,41 0,58 1,00

Berdasarkan tabel matriks korelasi berdasarkan analisis output lisrel diketahui


bahwa koefisien korelasi antar variable lebih besar dari 0,4 (>0,4). Hasil tersebut
menunjukkan bahwa terdapat hubungan dengan kategori kuat antar variable yang
terhubung. menunjukkan bahwa terdapat hubungan yang kuat antar variable yang
terhubung.

Pengaruh Langsung dan Tidak Langsung

Koef Dampak
Variabel S
Korelasi TE DE IE
A–B 0,55 0,55 0,46 0,09 -
A–C 0,66 0,66 0,66 - -
A–D 0,51 0,51 0,12 0,39 -
A–E 0,36 0,36 - 0,36 -
B–C 0,44 0,14 0,14 - P21P31=0,3
P21P41+P21P31P43+P21
B–D 0,53 0,32 0,32 - P31P53P54+P21P51P54=
0,21
P21P31P51+P21P51+
B–E 0,36 0,21 0,06 0,15 P21P41P54+
P21P31P43P54= 0,15
P31P21P42+P21P41+
C–D 0,55 0,37 0,33 0,04
P31P51P54 = 0,18
P31P51+P31P41P54+
C–E 0,41 0,31 0,13 0,18
P31P21P42P54= 0.1
P43P53+P42P21P51+
D–E 0,58 0,48 0,48 - P43P31P51+
P42P21P31P53= 0,1

Berdasarkan hasil output diatas diketahui bahwa pengaruh total (Total Effect /
TE) antara variable eksogen (A) terhadap variable endogen ( B, C, D, dan E). Nilai
pengaruh total merupakan hasil penjumlahan dari pengaruh langsung dengan
pengaruh tidak langsung. Contohnya pengaruh dari total A dengan B dengan nilai
0,55.
Berdasarkan hasil output diatas diketahui bahwa variable yang memiliki nilai
memberikan pengaruh tidak langsung antara variable eksogen dengan variable
endogen. Contohnya pada output diatas, terdapat pengaruh tidak langsung A
terhadap B sebesar 0,09 dan A terhadap D sebesar 0,39.
Berdasarkan hasil output diatas diketahui bahwa variable yang memiliki nilai
memberikan pengaruh total dan indirect effect variable endogen terhadap variable
endogen.