o m

s . c
s
Structural Equation
e
p r
Modellingd(SEM)
o r
s . w
Tutorial Analisis SEM Menggunakan Program LISREL,

a l k
AMOS SPSS dan SmartPLS

w t by

i
Adi Wijaya

d
NRP. 1310201720

a
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
Model SEM tidak dapat diukur secara langsung dan tidak dapat didefinisikan secara baik. (ii)

o
Model SEM memperhitungkan potensi kesalahan pengukuran di semua variabel observasi,

. c
khususnya pada variabel independent. (iii) Model SEM sangat tepat dibentuk matrik yang

s
memperlihatkan hubungan antara variabelnya, seperti matrik kovarian maupun matrik korelasi.

s
Pada prinsipnya SEM merupakan pendekatan terintegrasi dari Confirmatory Factor

re
Analysis (CFA) dan Path Analysis. Menurut Raykov et al (2006), CFA dan Path Analysis

p
merupakan tipe SEM dan mendefinisikannya sebagai berikut:

d
1. Model Path Analysis/Diagram Jalur.

o r
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
demikian mereka mengakui bahwa diagram jalur merupakan suatu ha l yang penting dalam

s
k
membentuk SEM.

l
2. Model Confirmatory Factor Analysis

ta
Model Confirmatory Factor Analysis sering digunakan untuk menguji pola hubungan antara

w
beberapa konstruk laten. Termasuk didalamnya beberapa konstruk dalam model tersebut diukur

d i
melalui sejumlah indikator amatan.

a
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 (η), n peubah laten eksogen (ξ), p
peubah manifes endogen (Y), dan q peubah manifes eksogen (X), menggunakan notasi yang
dibuat oleh Jöreskog dan Sörbom dalam Wijanto (2008), model lengkap (hybrid) SEM
diberikan dengan persamaan-persamaan berikut:
η = Bη + Γξ + ζ (2.1)
(mx1) (mxm)(mx1) (mxn)(nx1) (mx1)
 Y = Λy η + ε (2.2)
(px1) (pxm) (mx1) (px1)

X = Λx ξ + δ (2.3)
(qx1) (qxm) (mx1) (qx1)

dengan : E (ζ) = 0 ; Cov (ζ) = ψ (2.4)

E (ε) = 0 ; Cov (ε) = Θε (2.5)
E (δ) = 0 ; Cov (δ) = Θδ (2.6)

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

m
 ζ, ε dan δ satu sama lain tidak berkorelasi;
 Cov (ξ) = Φ;

. c o
s
 ζ tidak berkorelasi dengan ξ ;

s
 ε tidak berkorelasi dengan η;
 δ tidak berkorelasi dengan ξ;

re
p
 Matriks B mempunyai nilai nol pada diagonalnya;
 Matriks I-B merupakan matriks nonsingular ;

rd
o
 E (ξ) = 0; dan E (η) = 0;

. w
Langkah-langkah dalam SEM

l k s
1. Pengembangan model berbasis konsep dan teori, menganalisis hubungan kausal antar variabel

a
eksogen dan endogen, sekaligus validitas dan reliabilitas indikator/instrumen penelitian

w t
2. Mengkonstruksi diagram jalur, untuk menunjukkan alur hubungan kausal antar variabel

i
eksogen dan endogen

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

a
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:

o m
s . c
e s
p r
rd
2. Langkah berikutnya adalah mempersiapkan data yang akan dianalisis dengan SEM. Data yang

o
diimpor dapat berupa berbagai extensi (.sav, .xls dsb)

w
s .
a l k
w t
d i
a
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
 o m
s . c
e s
p r
rd
o
4. Membuat syntax dapat dilakukan dengan klik File  New  Syntax Only  OK

s . w
a l k
w t

d i
a
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

m
variables merupakan variabel yang memiliki nilai pada input data. Penulisan
observed variables dengan memberikan spasi antar variabel.

c o
c. Data

.
Dalam LISREL input data dapat berupa data mentah, matriks kovarians, matriks

s
korelasi, standard deviasi, dan means. Untuk memanggil matriks korelasi

s
perintahnya adalah sebagai berikut :

e
Correlation Matrix from file ‘nama file’

r
d. Ukuran sampel (Sample Size)

p
Ukuran sampel perlu dituliskan apabila input data bukan berupa data mentah.

rd
e. Variabel Laten

o
Nama variabel laten tidak boleh sama dengan observed variables.
f. Hubungan (Relationships)

. w
Judul untuk baris ini dapat ditulis sebagai relationships, Relations, atau Equations.

s
Penulisan hubungan bisa menggunakan persamaan sebagai berikut :

l k
Variabel dependen = variabel independen

a
Indikator = variabel laten.

t
Misalkan syntax yang dibangun sebagai berikut:

i w
Tugas SEM - Adi Wijaya

d
Observed variables: ROA REA BFOA BFEA RPA RI RSS BFSS BFI BFPA
Correlation matrix:

a
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 1.000
.2995 .2863 .5191 .5007 .0782 .3355 .2302 .2950 1.000
.0760 .0702 .2784 .1988 .1147 .1021 .0931 -.0438 .2087 1.000
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
 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

o m
s . c
e s
p r
rd
w o
s .
a l k
Sample Size =

w
329

t
i
Tugas SEM - Adi Wijaya

d
Correlation Matrix

a
ROA REA BFOA BFEA RPA RI
-------- -------- -------- -------- -------- --------
ROA 1.00
REA 0.62 1.00
BFOA 0.33 0.36 1.00
BFEA 0.42 0.33 0.64 1.00
RPA 0.21 0.27 0.11 0.08 1.00
RI 0.41 0.40 0.29 0.26 0.18 1.00
RSS 0.32 0.40 0.31 0.28 0.05 0.22
BFSS 0.29 0.24 0.41 0.36 0.02 0.19
BFI 0.30 0.29 0.52 0.50 0.08 0.34
BFPA 0.08 0.07 0.28 0.20 0.11 0.10

Correlation Matrix

RSS BFSS BFI BFPA

-------- -------- -------- --------
RSS 1.00
BFSS 0.27 1.00
BFI 0.23 0.29 1.00
BFPA 0.09 -0.04 0.21 1.00
 Tugas SEM - Adi Wijaya

Number of Iterations = 7

LISREL Estimates (Maximum Likelihood)

Measurement Equations

ROA = 1.00*RAMB, Errorvar.= 0.41 , R² = 0.59

(0.051)
8.05

m
REA = 1.06*RAMB, Errorvar.= 0.34 , R² = 0.66

o
(0.090) (0.052)
11.80 6.51

BFOA = 1.00*BFAMB, Errorvar.= 0.31 , R² = 0.69

(0.046)

s . c
s
6.85

e
BFEA = 0.93*BFAMB, Errorvar.= 0.40 , R² = 0.60

r
(0.070) (0.046)

p
13.23 8.74

rd
Structural Equations

o
RAMB = 0.16*BFAMB + 0.16*RPA + 0.25*RI + 0.22*RSS + 0.079*BFSS, Errorvar.= 0.28 , R² =

w
0.52

.
(0.080) (0.039) (0.043) (0.043) (0.047) (0.047)
2.01 4.23 5.99 5.11 1.68 6.03

0.61
(0.085)

l k
(0.046)
s
BFAMB = 0.20*RAMB + 0.072*RSS + 0.23*BFSS + 0.35*BFI + 0.16*BFPA, Errorvar.= 0.26

(0.043) (0.043) (0.039) (0.045)

, R² =

a
2.32 1.56 5.46 8.25 4.22 5.85

w t
i
Reduced Form Equations

d
RAMB = 0.17*RPA + 0.26*RI + 0.24*RSS + 0.12*BFSS + 0.059*BFI + 0.027*BFPA, Errorvar.= 0.31,
R² = 0.48

a
(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,

R² = 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 RSS BFSS BFI BFPA

-------- -------- -------- -------- -------- --------
RPA 1.00
(0.08)
12.81

RI 0.18 1.00
(0.06) (0.08)
3.28 12.81
 RSS 0.05 0.22 1.00
(0.06) (0.06) (0.08)
0.88 3.93 12.81

BFSS 0.02 0.19 0.27 1.00

(0.06) (0.06) (0.06) (0.08)
0.34 3.31 4.73 12.81

BFI 0.08 0.34 0.23 0.29 1.00

(0.06) (0.06) (0.06) (0.06) (0.08)
1.41 5.76 4.06 5.12 12.81

BFPA 0.11 0.10 0.09 -0.04 0.21 1.00

(0.06) (0.06) (0.06) (0.06) (0.06) (0.08)

m
2.06 1.84 1.68 -0.79 3.70 12.81

Goodness of Fit Statistics

. c o
s s
Degrees of Freedom = 16
Minimum Fit Function Chi-Square = 26.46 (P = 0.048)

e
Normal Theory Weighted Least Squares Chi-Square = 25.78 (P = 0.057)

r
Estimated Non-centrality Parameter (NCP) = 9.78
90 Percent Confidence Interval for NCP = (0.0 ; 27.74)

d
Minimum Fit Function Value = 0.081

p
r
Population Discrepancy Function Value (F0) = 0.030
90 Percent Confidence Interval for F0 = (0.0 ; 0.085)

o
Root Mean Square Error of Approximation (RMSEA) = 0.043
90 Percent Confidence Interval for RMSEA = (0.0 ; 0.073)

w
P-Value for Test of Close Fit (RMSEA < 0.05) = 0.61

.
Expected Cross-Validation Index (ECVI) = 0.32

s
90 Percent Confidence Interval for ECVI = (0.29 ; 0.37)

k
ECVI for Saturated Model = 0.34

l
ECVI for Independence Model = 2.72

ta
Chi-Square for Independence Model with 45 Degrees of Freedom = 871.23
Independence AIC = 891.23

w
Model AIC = 103.78

i
Saturated AIC = 110.00
Independence CAIC = 939.19

d
Model CAIC = 290.82
Saturated CAIC = 373.78

a 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
 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
1. Menggunakan Chi-Square goodness of fit test, dengan membandingkan statistik ujinya dengan

o
nilai tabel chi-square atau lebih mudahnya dengan melihat nilai p-value (output). Jika p-value

. c
kurang dari significant level (misal 0,05) maka dapat disimpulkan bahwa model fit atau cocok

s
dengan model teorinya, dalam kasus ini dapat diketahui bahwa statistik uji Chi-square nya

s
bernilai 25,78 dengan derajat bebas 16 atau p-value nya 0,05725. Sehingga dapat disimpulkan

re
bahwa model SEM di atas fit (cocok) secara statistik pada significant level 10%.

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

rd
dari 0,05 maka model layak untuk digunakan. Pada kasus ini dapat diketahui bahwa nilai

o
RMSEA nya 0,043 yang nilainya kurang dari 0,05 dengan demikian dapat disimpulkan bahwa

w
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 s
ini menunjukkan bahwa model SEM fit/cocok dengan datanya.

l
4. Model disimpulkan fit dengan data jika nilai RMR kurang dari atau sama dengan 0. Pada

ta
Output terlihat nilai RMR dan standardized RMR sebesar 0.02 sehingga menunjukkan bahwa

i w
model fit dan layak untuk digunakan

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

a
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

m
2. Buka program AMOS 18 dengan membuka Amos Graphics

. c o
s s
re
d p
o r
s . w
a l k
w t
d i
a 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
 o m
s .
Untuk mengecek file yang dimasukkan sudah masuk dalam AMOS, klik
c
s
ViewVariables in Data Set dan muncul tampilan seperti berikut:

re
d p
o r
s . w
a l k
w t
i
4. Menggambar path diagram. Beberapa icon/tool yang banyak digunakan dalam

d
penggambaran path diagram SEM.berikut beberpa diantaranya:

a 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
Menghapus objek

Analysis Properties

. c o
s
Estimasi penghitungan

Objek properties

e s
p r
d
5. Mempersiapkan metode estimasi dan output

r
Setelah rancangan path diagram selesai dilakukan, tentukan metode estimasi

o
dan output-output yang akan ditampilkan dari hasil penghitungan di atas

w
• Klik tombol analysis properties pada toolbar, atau klik menu View  Analysis

.
Properties…

s
• Pada Tab Estimasi, pilih metode yang akan digunakan, misalnya Maximum

l k
Likelihood

a
• Pada Tab Output, pilih output yang akan ditampilkan, misalnya centang

t
standardized estimate

d i w
a
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

o m
s . c
e s
p r
rd
w o
s .
a l k
w t
d i
Scalar Estimates (Group number 1 - Default model)

a
Maximum Likelihood Estimates

Regression Weights: (Group number 1 - Default model)

Estimate S.E. C.R. P Label

d <--- a ,138 ,051 2,700 ,007
d <--- b ,325 ,037 8,704 ***
d <--- c ,203 ,040 5,038 ***
e <--- b ,264 ,034 7,823 ***
e <--- c ,124 ,034 3,588 ***
e <--- d ,245 ,042 5,899 ***
e <--- a -,008 ,043 -,186 ,852

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

 Estimate
d <--- a ,118
d <--- b ,387
d <--- c ,229
e <--- b ,356
e <--- c ,158
e <--- d ,277
e <--- a -,008

Covariances: (Group number 1 - Default model)

Estimate S.E. C.R. P Label

o m
c
a <--> b ,134 ,033 3,997 ***

.
b <--> c ,286 ,046 6,280 ***

s
a <--> c ,181 ,032 5,589 ***

Correlations: (Group number 1 - Default model)

e s
Estimate

p r
d
a <--> b ,204

r
b <--> c ,331

o
a <--> c ,291

s . w
k
Variances: (Group number 1 - Default model)

Estimate

a lS.E. C.R. P Label

t
a ,471 ,033 14,124 ***

w
b ,911 ,064 14,124 ***

i
c ,820 ,058 14,124 ***

d
r1 ,444 ,031 14,124 ***

a
r2 ,306 ,022 14,124 ***

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

Estimate
d ,309
e ,392
Model Fit Summary

CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 15 ,000 0
Saturated model 15 ,000 0
Independence model 5 433,692 10 ,000 43,369

RMR, GFI
Model RMR GFI AGFI PGFI
Default model ,000 1,000
Saturated model ,000 1,000
Independence model ,210 ,636 ,455 ,424

Baseline Comparisons
NFI RFI IFI TLI
Model CFI
Delta1 rho1 Delta2 rho2
Default model 1,000 1,000 1,000
Saturated model 1,000 1,000 1,000
Independence model ,000 ,000 ,000 ,000 ,000

Parsimony-Adjusted Measures

o m
c
Model PRATIO PNFI PCFI

.
Default model ,000 ,000 ,000

s
Saturated model ,000 ,000 ,000

s
Independence model 1,000 ,000 ,000

NCP

re
p
Model NCP LO 90 HI 90

d
Default model ,000 ,000 ,000

r
Saturated model ,000 ,000 ,000

o
Independence model 423,692 359,239 495,555

. w
FMIN

s
Model FMIN F0 LO 90 HI 90

k
Default model ,000 ,000 ,000 ,000

l
Saturated model ,000 ,000 ,000 ,000

ta
Independence model 1,087 1,062 ,900 1,242

i w
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE

d
Independence model ,326 ,300 ,352 ,000

AIC
Modela
Default model
AIC
30,000
BCC
30,458
BIC
89,872
CAIC
104,872
Saturated model 30,000 30,458 89,872 104,872
Independence model 443,692 443,845 463,649 468,649

ECVI
Model ECVI LO 90 HI 90 MECVI
Default model ,075 ,075 ,075 ,076
Saturated model ,075 ,075 ,075 ,076
Independence model 1,112 ,950 1,292 1,112

HOELTER
 HOELTER HOELTER
Model
.05 .01
Default model
Independence model 17 22

Interpretasi output

Model SEM yang terbentuk adalah:

o m
c
Dari hasil path analysis, parameter 2 tidak signifikan (nilai P>0,05) maka perlu dilakukan path

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

s
model , dapat diketahui bahwa model sudah fit untuk memodelkan data tersebut karena sudah ada

e
minimal satu kriteria yang dipenuhi. Lebih lengkapnya dapat dilihat pada tabel berikut:

p r
d
Kriteria Kebaikan Hasil Pengolahan Keputusan

r
(default model) Model

o
CMIN kecil (< χ2 0,000 Model fit

. w
tabel)

s
p ≥0,05

l k
CMIN/DF ≤2

ta
GFI > 0,9 1,000 Model fit

w
AGFI >0,9

i
≥0,95 1,000 Model fit

d
CFI

a
TLI ≥0,95
RMSEA ≤0,08
 Tutorial Analisis SEM Menggunakan Program Smart PLS

1. Langkah awal adalah membuka program SmartPLS dengan membuka Java Web Start Application

o m
s . c
e s
p r
rd
w o
s .
l k
Seperti tampilan diatas, untuk memulai program SmartPLS, klik FileNew (untuk model baru)

ta
atau open (untuk model yang telah disimpan). Karena tutorial ini beum mempunyai project yang
lama, maka dipilih New, akan muncul tampilan seperti berikut :

d i w
a
 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

o m
properties

s . c Toolbar

e s
p r
2. Diagram Model

rd
o
Area kerja merupakan window tempat kita bekerja untuk mendesain model baru atau merubah

. w
model yang telah ada. Fungsi untuk pemodelam ditampilkan dalam toolbar. Modelling mode dalam

s
SmartPLS memiliki tiga jenis modelling yang dapat digunakan untuk mendesain dan merubah model

l k
yaitu: selection mode, drawing mode dan connection mode.

ta
d i w
a 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.

o m
. c
Sesuai dengan model yang dinginkan, maka terdapat 3 variabel latennya, maka klik drawing

s
mode di working area, dan dengan connection mode digambarkan hubungan antar variabel laten. Untuk

e s
memasukkan data ke variabel indikator dengan cara mendrag dan drop dengan mouse ke variabel laten

r
yang dikehendaki. Lakukan terus sehingga selesai diagram jalur telah selesai dibuat, dengan tampilan

p
sebagai berikut:

rd
w o
s .
a l k
w t
d i
a
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 PLSCalculate Model.

Interpretasi output

o m
s . c
e s
p r
rd
w o
s .
Convergent validity dari measurement model dengan indikator refleksif dapat dilihat dari

l k
korelasi antara score item/indikator dengan score konstruknya. Indikator individu dianggap reliable

ta
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 w
seperti terlihat pada output outer loading dibawah ini:

d
a
 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:

o m
s . c
e s
p r
rd
w o
.
Dari output diatas terlihat bahwa korelasi konstruk kerja dengan indikatornya lebih tinggi

k s
dibandingkan korelasi indikator ekonomi dan sosial dengan konstruk lainnya. Berarti bahwa konstruk

l
laten memprediksi indikator pada blok mereka lebih baik dibandingkan dengan indikator lainnya.

ta
Selain cara diatas, metode lain untuk menilai discriminant validity adalah dengan

i w
membandingkan akar kuadrat dari average variance extracted untuk setiap konstruk dengan

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

a
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
Reliability

o
Alpha

c
Kemiskinan 0.9447 0.9808 0.5076 0.9708 0.9447

.
0.3313

s
Kualitas Ekonomi 0.6925 0.8692 0.3175 0.7678 0.6925

s
0.2098

e
Kualitas Kesehatan 0.6494 0.8798 0.0000 0.8221 0.6494

r
0.0000

p
Kualitas SDM 0.7809 0.0066 0.4635 -2.6047 0.7809
0.3584

rd
o
Model dikatakan baik kalau AVE menunjukkan nilai lebih besar dari 0,50, terlihat dari output

w
diatas, semua konstruk memiliki realiabilitas yang baik. Sehingga model tersebut fit dengan data yang

s .
ada..

a l k
w t
d i
a