Modul Pelatihan LISREL

Pelatihan LISREL
2007
Modul Pelatihan
LISREL
Berisi pengenalan penggunaan LISREL.
Halaman i Rajesri Govindaraju

Pelatihan LISREL
Daftar Isi
BAB 1 STRUCTURAL EQUATION MODELING................................................1

1.1 Definisi............................................................................................................1
1.2 Tahap – Tahap dalam SEM..............................................................................2
BAB 2 PRELIS........................................................................................................4
2.1 Pendahuluan....................................................................................................4
2.2 Memasukkan Data Pada PRELIS....................................................................4
2.3 Membuat Matriks Kovarian dan Matriks Korelasi..........................................7
2.4 Transformasi Variabel......................................................................................8
2.5 Screening Data.................................................................................................9
2.6 Fungsi Statistik..............................................................................................12
2.7 Soal Latihan:..................................................................................................13
BAB 3 MEMBANGUN PATH DIAGRAM..........................................................14
3.1 Pendahuluan SIMPLIS..................................................................................14
3.2 Menentukan Observed Variabel dan Latent Variabel Dengan Menggunakan
Fasilitas LISREL (Tanpa Menulis Manual Syntax SIMPLIS).................................14
3.3 Path Diagram untuk Confirmatory Factor Analysis......................................18
3.4 Second Order Confirmatory Analysis, Heywood cases.................................23
3.5 Estimasi Path dengan SEM...........................................................................26
3.6 Menyimpan Path dalam Bentuk Gambar.......................................................29
BAB 4 INDIKATOR MODEL FIT........................................................................31
4.1 Chi – Square dan Probabilitas Chi-Square....................................................31
4.2 Goodness of Fit Indices (GFI).......................................................................31
4.3 Adjusted Goodness of Fit Index (AGFI).......................................................31
4.4 Root Mean Square Error of Approximation (RMSEA).................................31
4.5 Measurement Model Fit.................................................................................31
Halaman ii
Modul Pelatihan LISREL 2007
STRUCTURAL EQUATION MODELING
Pada bagian ini diberikan sedikit overview tentang Structural Equation Modeling
1.1 Definisi
Model persamaan structural adalah generasi kedua teknik analisis multivariat yang
memungkinkan peneliti untuk menguji hubungan antara variable yang kompleks
untuk memperoleh gambaran menyeluruh mengenai keseluruhan model. Tidak seperti
analisis multivariate biasa, SEM dapat menguji:
a. Model structural : hubungan antara konstruk independent dan dependent.
Gambar 1-1 Contoh Path Diagram yang Menunjukkan Model Struktural
b. Model measurement : hubungan antara indicator dengan konstruk.
Gambar 1-2 Path Diagram untuk CFA
Karena kemampuannya tersebut, maka SEM banyak digunakan dalam banyak bidang,
termasuk di dalamnya pendidikan, marketing . sosiologi, manajemen, dan lain – lain.
Saat ini sudah banyak berbagai software SEM yang beredar di pasaran,misalnya:
LISREL, AMOS, EQS, LISCOMP, dll.
Halaman 1
Gambar 1-3 Contoh Hasil Pengolahan oleh LISREL
1.2 Tahap – Tahap dalam SEM

Proses SEM mencakup beberapa langkah:
Konseptualisasi Model. Adalah tahap untuk membuat model berdasarkan pada teori.
Penyusunan Diagram Alur (Diagram Path). Diagram path dapat dilihat pada
gambar I-1 dan gambar I-2. Dianjurkan untuk membuat diagram path dalam rangka
mengurangi kesalahan dalam pembuatan model.
Membuat Path Diagram menjadi Persamaan Struktural. Pada bagian ini,
dilakukan spesifikasi model dan menggambarkan sifat dan jumlah parameter yang
diestimasi. Dihitung pula reliabilitas setiap konstrukt.
Memilih Matriks Input. Matriks input dapat berupa matriks korelasi ataupun matirks
covariance tergantung dari tujuan dilakukannya analisis. Pada LISREL versi 8,
terdapat program PRELIS yang akan membantu mengolah data dan menghasilkan
matriks input yang dibutuhkan.
Halaman 2
Gambar 1-4 Tahap dalam SEM
Identifikasi Model. Informasi yang diperoleh dari data diuji untuk menentukan
apakah cukup untuk mengestimasi parameter dalam model. Pada tahap ini dilakukan:
mengetahui degree of freedom, Mendiagnosis dan meperbaiki masalah indentifikasi.
Penilaian Model Fit. Tahap selanjutnya adalah penilaian model fit. Suatu model
dikatakan fit apabila kovarians matrks suatu model adalah sama dengan kovarians
matriks data.
Modifikasi Model. Setelah melalui model fit, maka model penelitian diuji untuk
menentukan apakah modifikasi diperlukan. Jika tidak maka model telah mencapai
model final.
Halaman 3
BAB 2 PRELIS
PRELIS adalah salah satu bagian dari LISREL versi 8 yang membantu mengolah
data mentah sehingga dapata diolah lebih lanjut dengan SEM. Pada bagian ini, akan
dibahas mengenai fungsi – fungsi umum pada PRELIS.
2.1 Pendahuluan
Pada program LISREL 8, terdapat program suplemen PRELIS. PRELIS tidak
ditemukan pada LISREL versi dibawah 8. PRELIS membantu peneliti melakukan
screening data.
PRELIS dapat melakukan:
a. Menghasilkan matriks input SEM.
b. Manipulasi data, seperti: menghilangkan outliers, transformasi data,
menghasilkan matriks pada data yang mengandung missing value.
PRELIS dapat menyimpan data mentah yang sebelumnya disimpan pada berbagai
macam program seperti SPSS, Ms EXCELL, SAS, data text, dll. Akan tetapi harus
diingat bahwa LISREL hanya dapat mengolah data dari PRELIS. Sehingga apabila
kita telah melakukan pengolahan sebelumnya dengan tools yang lain, data tersebut
harus diimport ke dalam PRELIS sebelum diolah dengan menggunakan LISREL.
2.2 Memasukkan Data Pada PRELIS

Buka program LISREL. Klik File dan kemudian New. Pilih PRELIS data.
Akan tampil tampilan sebagai berikut:
Halaman 4
Klik File. Pilih open apabila file telah dalam format PRELIS atau pilih Import Data
in Free Format apabila ingin memasukkan data dari SPSS, Ms Excell, dst.
Catatan: untuk data dalam bentuk excel,maka data tersebut harus disimpan dalam
format *.csv.
Maka data akan ditampilkan oleh PRELIS seperti berikut:
Untuk mendefinisikan variable, klik kanan di atas nama variable pada data input, pilih
Define Variables.
Halaman 5
Gambar II- Mendefinisikan Variabel
Akan muncul tampilan sebagai berikut:
Pilihlah salah satu variable, tekan tombol Variable Type.
Halaman 6
PIlihlah tipe variable yang diinginkan. Pilih apply to all apabila seluruh variable yang
lain memiliki tipe variable yang sama.
2.3 Membuat Matriks Kovarian dan Matriks Korelasi
PRELIS dapat membuat matriks kovarian dan matriks korelasi. Untuk membuat
matriks korelasi ataupun matriks kovariansi yang disimpan pada file tertentu, tekan
tombol statistics, klik output options sehingga muncul jendela sebagai berikut:
Pilihlah Moment Matrix yang ingin dibuat, dan tulislah nama file tempat menyimpan
matriks pada field yang ditandai oleh kotak biru (lihat gambar diatas). Tekan tombol
OK.
File hasil dapat dilihat dengan menggunakan Notepad.
Halaman 7
2.4 Transformasi Variabel
PRELIS menyediakan fungsi untuk membuat variabel baru dari hasil kalkulasi
variabel yang sudah ada. Fungsi tersebut ada di menu Transformation, kemudian
klik Compute. Maka tampilan berikut akan muncul:
Untuk menambahkan sebuah variabel, tekan tombol Add. Maka variabel baru akan
terbentuk. Misalnya dibuat variabel baru dengan nama Depimp yang merupakan hasil
perkalian antara Depress dan Impuls. Langkah yang harus dilakukan:
1. Maka tekan tombol Add. Beri nama Depimp.
2. Tekan dua kali variabel Depimp yang baru terbentuk.
3. Tekan tombol “=”
4. Tekan dua kali variabel Depress.
5. Tekan tombol “*”
6. Tekan dua kali variabel Impuls.
Maka pada jendel Compute, akan muncul tampilan:
Halaman 8
Tekan tombol OK. Maka PRELIS akan membentuk variabel baru di list data dengan
nama Depimp.
2.5 Screening Data
Sebelum melakukan analisis SEM, terlebih dahulu data di-screening untuk

mendapatkan gambaran deskriptif data (mean, standar deviasi, dst).Bagian tersebut
terdapat di Options, bagian Statistics.
Halaman 9
Pilih “Perform tests of multivariate normality” lalu tekan tombol OK. JIka ingin
menyimpannya dalam file, jangan lupa menuliskan nama file tempat menyimpan
output.
Maka akan dihasilkan sebagai berikut:
Halaman 10
Dengan mengetahui gambaran deskriptif data, maka dapat diketahui apakah asumsi –
asumsi yang seharusnya dipenuhi dalam pengolahan LISREL memang sudah
terpenuhi.
Test of Univariate Normality for Continuous Variables
Skewness Kurtosis Skewness and Kurtosis
Variable Z-Score P-Value Z-Score P-Value Chi-Square P-Value
SELF1 -0.182 0.856 -12.082 0.000 146.003 0.000

SELF2 1.160 0.246 -7.536 0.000 58.141 0.000
SELF3 0.210 0.834 -7.704 0.000 59.395 0.000
SELF4 -1.313 0.189 -8.868 0.000 80.368 0.000
SELF5 -1.196 0.232 -15.835 0.000 252.177 0.000
DEPRES1 -0.883 0.377 -12.987 0.000 169.446 0.000
DEPRES2 4.794 0.000 -1.466 0.143 25.136 0.000
DEPRES3 0.354 0.723 -16.018 0.000 256.705 0.000
DEPRES4 -0.169 0.865 -16.484 0.000 271.735 0.000
IMPULS1 9.239 0.000 5.749 0.000 118.402 0.000
IMPULS2 11.015 0.000 7.532 0.000 178.066 0.000
IMPULS3 4.916 0.000 -0.459 0.646 24.378 0.000
Relative Multivariate Kurtosis = 1.245
Test of Multivariate Normality for Continuous Variables
Skewness Kurtosis Skewness and Kurtosis

Value Z-Score P-Value Value Z-Score P-Value Chi-Square P-Value
------ ------- ------- ------- ------- ------- ---------- -------
38.007 21.293 0.000 209.113 9.509 0.000 543.808 0.000
Asumsi tersebut adalah: Normalitas yang dapat diketahui dari uji kurtosis dan
skewness. Jika hasil uji kurtosis dan skewness tidak signifikan (> 0.05), maka
distribusi data normal.
Bagaimana jika data tidak normal? Apa yang dapat dilakukan oleh PRELIS?
PRELIS memiliki fungsi Normal Scores yang akan membuat data suatu variabel
menjadi normal. Namun harus diingat, bahwa fungsi ini hanya berlaku untuk tipe
variabel CONTINUES.
Untuk mendapatkan fungsi ini, maka tekan tombol statistics, pilih Normal Scores.
Maka kotak dialog sebagai berikut akan muncul:
Halaman 11
PIlihlah variabel mana yang ingin dinormalkan. Untuk menyimpan hasilnya dalam
file, maka output dapat dikonfigurasi pada pilihan Output Options (tombol yang
dilingkari biru). Simpanlah dalam file dengan ekstensi *.psf. Lalu tekan tombol OK.
Tekan tombol Run. Maka dalam file datanormal.psf akan disimpan hasil data setelah
dinormalkan oleh PRELIS.
Halaman 12
2.6 Fungsi Statistik
Pada fungsi statistics, terdapat fungsi Regressions, Logistics Regression, dll.

Misalnya jika submenu regression dipilih, maka akan muncul window sebagai
berikut:
Pilihlah variabel yang akan digunakan. Tekan tombol Add di dekat box Y variables
jika variabel tersebut adalah variabel dependent. Dan sebaliknya, tekan tombol add di
dekat box X Variables.
Jika ingin menyimpan hasilnya di file tertentu, silahkan tekan Output Options (untuk
bagian ini silahkan lihat kembali di bagian simpan di file 2.5). Setelah semua variabel
dimasukkan, tekan tombol Run. Maka akan muncul hasil sebagai berikut:
Halaman 13
BAB 3 MEMBANGUN PATH DIAGRAM

Pada bagian ini akan dibahas mengenai syntax simplis untuk membangun
membangun model dalam LISREL dan bagaimana membangun path diagram.
3.1 Pendahuluan SIMPLIS

SIMPLIS, bahasa perintah yang digunakan merupakan generasi kedua dari LISREL.
Berbeda dengan LISREL yang menggunakn notasi – notasi yang seringkali
membingungkan, SIMPLIS sangat mudah digunakan dan dioperasionalkan karena
format bahasa yang digunakan adalah bahasa inggris yang sederhana.
Untuk menampilkan format SIMPLIS, klik file, dan klik New. Pilih Syntax Only.
Maka akan muncul layar kosong sebagai berikut:
Simpan nama syntax tersebut dengan nama depress0.spl. ekstensi *.spl diperlukan
agar file tersebut dapat di”run” oleh LISREL.
3.2 Menentukan Observed Variabel dan Latent Variabel Dengan

Menggunakan Fasilitas LISREL (Tanpa Menulis Manual Syntax
SIMPLIS)
Pilihlah File dan Klik New sehingga muncul window sebagai berikut:
Halaman 14
Pilih Simplis Project. Akan keluar kotak dialog yang menginstruksikan kita untuk
menyimpan nama file baru simplis.Kemudian keluar kotak baru yang merupakan
tempat untuk menulis perintah-perintah sebagai berikut:
Klik Setup pada menú dan klik Title and Comments… sehingga menghasilkan
jendela baru. Tulislah title dengan judul yang diinginkan. Tekan tombol NEXT. Tekan
kembali tombol NEXT. Maka akan keluar window sebagai berikut:
Halaman 15
Klik Add/Read Variables pada sisi observed variables sehingga muncul window
sebagai berikut:
Pilihlah PRELIS System File untuk membaca file Prelis yang telah dibuat
sebelumnya. Untuk menentukan nama file yang akan digunakan, tekan tombol
Browse dan pilih file yang akan digunakan sebagai data.
Misalkan akan digunakan file Depress.psf untuk data sebagai raw data. Maka pilihlah
file depres.psf lalu tekan tombol OK. Untuk latent variables, anda dapat
mendefisiniskan dengan klik tombol Add/Read Variables pada sisi latent variables.
Berikut hasil pendefinisian variables:
Halaman 16
Tekan tombol NEXT hingga muncul layar sebagai berikut:
Jika tidak ada perubahan, maka tekan tombol NEXT. Pilih lagi tombol Setup, dan
klik Built Simplis Syntax. Maka, secara otomatis script Simplis terbuat.
Tekan tombol Run LISREL untuk menghasilkan path diagram.
Halaman 17
SIMPLIS juga dapat menerima data langsung dalam bentuk matriks korelasi atau
covariance sebagai berikut:
OBSERVED VARIABLES
DEPRES2 DEPRES3 DEPRES4 IMPULS1 IMPULS2 IMPULS3
Covariance Matrix
1.62
0.90 2.08
1.07 1.25 2.03
0.11 -0.04 0.06 0.66
0.10 0.02 0.02 0.25 0.36
0.47 0.51 0.53 0.33 0.22 1.37
Sample Size 923
Latent Variables depress selfest impulses
Relationships
Path Diagram
End of Problem
Maka akan dihasilkan path diagram yang sama seperti di atas.
3.3 Path Diagram untuk Confirmatory Factor Analysis

Tuliskan sebagai berikut:
Halaman 18
Perhatikan:
Baris pertama: menunjukkan file tempat data disimpan
Baris kedua dan ketiga untuk menyatakan variabel latent. Pada script diatas,
dideklarasikan latent variabel: selfest, depres, dan impuls.
Baris keempat menyatakan bahwa diminta untuk membuat path diagram.
Script diakhiri dengan baris ke-5.
Untuk menjalankan script, tekan tombol run LISREL .

Maka sebuah path diagram akan muncul:
Perhatikan, selain sebuah path terbentuk, muncul juga kotak kecil yang memiliki
beberapa macam tombol panah: Garis – garis panah tersebut dapat

digunakan untuk membuat penghubung antar variabel. Berikut langkah – langkah
yang harus dilakukan:
1. Aktifkan tanda panah pada kotak kecil yang muncul tersebut.
2. Klik variabel latent, lalu Tarik panah menuju variabel indikatornya.
3. Lakukan seterusnya hingga telah terbentuk path yang diinginkan.
Berikut path diagram yang telah dibuat:
Halaman 19
4. tekan tombol run LISREL .

Maka diagram akan menjadi seperti berikut:
Halaman 20
File list hasil disimpan dalam depress0.out.

Berikut contoh hasil outputnya:
Number of Iterations = 9
LISREL Estimates (Maximum Likelihood)

Measurement Equations
SELF1 = 0.98*selfest, Errorvar.= 0.93 , R² = 0.51

(0.086) (0.10)
11.38 9.06
(0.079) (0.078)
13.02 8.50
(0.078) (0.077)
12.63 8.66
(0.082) (0.082)
13.46 8.29
(0.084) (0.076)
14.91 7.31
DEPRES1 = 1.23*depress, Errorvar.= 0.46 , R² = 0.77
(0.081) (0.075)
15.20 6.08
(0.082) (0.095)
10.71 9.02
(0.090) (0.11)
11.80 8.65
Halaman 21

(0.088) (0.099)
12.56 8.31
IMPULS1 = 0.60*impuls, Errorvar.= 0.30 , R² = 0.55
(0.074) (0.073)
8.20 4.07
(0.052) (0.035)
7.59 5.81
(0.095) (0.12)
6.11 8.56
Path tersebut dapat juga dibuat dengan menggunakan script. Cobalah membuat script
di bawah ini:
Simpan dengan nama depress1.spl. Run dengan Lisrel. Maka akan dihasilkan path
seperti diatas.
Angka yang muncul pada path diagram dapat dipilih sesuai pilihan yang ada. Lihat
gambar dibawah berikut ini:
Halaman 22
Pada contoh diatas, seluruh indikator signifikan pada 0.05 selang kepercayaan (t >
1.96).
Nilai latent variable yang dihasilkan dapat disimpan dalam file prelis dengan
menambahkan beberapa baris menjadi sebagai berikut:
Perintah Lisrel Output: ND=3 SC berarti meminta pada LISREL untuk menyimpan
hasil 3 variabel latent (selfest, depress, impuls).
Hasil tersebut akan disimpan dalam file DEPRESS.PSF.
Maka, setelah script di run, maka pada file depress.psf akan muncul 3 tambahan
variabel baru sebagai berikut:
Halaman 23
3.4 Second Order Confirmatory Analysis, Heywood cases

Terdapat beberapa model yang tidak dapat di-run oleh LISREL dan mengandung
Heywood Case. Heywood case merupakan hal yang seharusnya tidak mungkin terjadi,
karena variance tidak mungkin negatif. Sehingga, model harus direvisi dengan
menetapkan error variance yang sebelumnya negative menjadi positive kecil.
Kita tetap menggunakan file depress.spf.
Misalnya, variabel personal terdiri dari tiga factor yaitu: selfest, depress, dan impuls.
Maka buatlah script sebagai berikut:
Halaman 24
Pada file output didapatkan warning sebagai berikut:
Peringatan tersebut muncul karena matriks kovarians diagonal negative (seharusnya

positive). Lihatlah pada matriks PSI :
Untuk melakukan tindakan korektif, dapat dilakukan dengan menentukan nilai error
variance negative tersebut menjadi positive dan kecil. Caranya sebagai berikut:
1. Melihat hasil matriks PSI, terlihat bahwa variabel yang memiliki error varians
negative adalah selfest.
2. Set error varians tersebut menjadi positive kecil : set variance of selfest to 0.001
3. Maka script menjadi sebagai berikut:
Halaman 25
4. Jalankan program run LISREL. Maka pada output kini sudah tidak ada lagi
warning.
Berikut path diagram yang dihasilkan oleh LISREL:
Halaman 26
3.5 Estimasi Path dengan SEM

Tuliskan script sebagai berikut (simpan dalam file depress2.spl):
Perhatikan:
“Eta – Variables : selfest impuls” adalah baris untuk mendeklarasikan variable
endogenous. Sedangkan baris “Y-Variables: SELF1-SELF5 IMPULS1-IMPULS3”
menunjukkan variabel indicator (SELF1-SELF5 IMPULS1-IMPULS3).
Run dengan program LISREL akan menghasilkan path diagram sebagai berikut:
Halaman 27
Untuk menambahkan panah pada path diagram, aktifkan lambang panah. Tarik garis
dari variabel latent ke indikatornya.
Sehingga menghasilkan diagram path sebagai berikut:
Path seperti diatas dapat dibuat juga dengan menggunakan sintax SIMPLIS sebagai
berikut:
Halaman 28
Hasil olahan LISREL akan dapat dilihat pada file depress3.out.
LISREL Estimates (Maximum Likelihood)

Measurement Equations

(0.058) (0.10)
8.77 9.06
(0.057) (0.078)
9.44 8.50
(0.055) (0.077)
9.30 8.66
(0.060) (0.082)
9.60 8.29
(0.065) (0.076)
10.05 7.31
(0.073) (0.073)
8.14 4.07
(0.051) (0.035)
7.57 5.81
(0.093) (0.12)
6.10 8.56

(0.081) (0.075)
15.20 6.08
(0.082) (0.095)
10.71 9.02
(0.090) (0.11)
11.80 8.65
Halaman 29
(0.088) (0.099)
12.56 8.31
Structural Equations
selfest = 0.13*impuls + 1.61*depress, Errorvar.= 1.00, R² = 0.73

(0.11) (0.21)
1.09 7.73
impuls = 0.18*depress, Errorvar.= 1.00, R² = 0.030
(0.092)
1.92
Pada depress3.out juga terdapat Goodness of Fit Statistic sebagai berikut (adapun
pembahasan indicator model fit akan dilakukan pada bab 4):
3.6 Menyimpan Path dalam Bentuk Gambar

Biasanya dibutuhkan gambar path untuk dimasukkan ke dalam laporan yang kita buat.
LISREL dapat menghasilkan path dalam bentuk gambar. Berikut cara menghasilkan
gambar path:
Halaman 30
Klik File, pilih Eksport As Gif file (.gif)
Akan muncul window sebagai berikut:
Perhatikan, baris yang diberi tanda kotak biru adalah tempat file disimpan.
Halaman 31
BAB 4 INDIKATOR MODEL FIT
Pada bagian ini, akan dibahas beberapa indicator model fit yang dapat dihasilkan
oleh LISREL.
4.1 Chi – Square dan Probabilitas Chi-Square

Nilai Chi – Square menunjukkan adanya penyimpangan antara sampel covariance
matrix dan model covariance matrix. Nilai chi – square sebesar 0 menunjukkan bahwa
model memiliki fit yang sempurna. Probabilitas Chi – square ini diharapkan tidak
signifikan. Apabila probabilitas Chi – square diatas 0.05, maka model dianggap fit.
Namun, beberapa literature yang lebih konservatif, Chi – square diatas 0.1 atau 0.2
baru model dapat dianggap fit.
4.2 Goodness of Fit Indices (GFI)

Merupakan suatu ukuran mengenai ketepatan model dalam menghasilkan observed
matriks kovarians. Berkisar antara 0 dan 1. Nilai GFI lebih besar daripada 0.9
menyatakan model fit yang baik.
4.3 Adjusted Goodness of Fit Index (AGFI)

AGFI sama seperti CFI. Nilai yang direkomendasikan oleh literature adalah 0.90.
Namun penggunaan AGFI disarankan diikuti dengan indeks model fit yang lainnya.
4.4 Root Mean Square Error of Approximation (RMSEA)

RMSEA merupakan indicator model paling nformatif. Nilai RMSEA yang kurang
daripada 0.05 mengindikasikan adanya model fit dan nilai RMSEA yang berkisar
antara 0.08 menyatakan bahwa model memiliki perkiraan kesalahan yang beralasan.
RMSEA < 0.05 model fit baik.

0.08 < RMSEA < 0.1 mediocre.
RMSEA > 1 Model fit yang jelek.
4.5 Measurement Model Fit

Setelah overall model diterima, maka setiap construct dapat dievaluasi dengan
1. Melihat indicator loadingnya
Setiap variabel memilki nilai t untuk setiap loadingnya melebihi critical value
(1.96 untuk tingkat signifikansi 0.05).
2. Menghitung construct reliability dan variance extracted.
Construct reliability disarankan > 0.07 dan variance extracted > 0.5.
(jumlah standardized loadings)2

Construct Reliability = --------------------------------------------------------------------------------------
(jumlah standardized loadings)2 + total indicator measurement error
Halaman 32
sum of squared standardized loadings

Variance Extracted = ------------------------------------------------------------------------------------------------
sum of squared standardized loadings + total indicator measurement error
Halaman 33

Modul Pelatihan LISREL

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul Pelatihan LISREL

Diunggah oleh

Hak Cipta:

Format Tersedia

Pelatihan LISREL

Halaman i Rajesri Govindaraju

BAB 1 STRUCTURAL EQUATION MODELING................................................1

STRUCTURAL EQUATION MODELING

Gambar 1-1 Contoh Path Diagram yang Menunjukkan Model Struktural

b. Model measurement : hubungan antara indicator dengan konstruk.

Gambar 1-2 Path Diagram untuk CFA

Gambar 1-3 Contoh Hasil Pengolahan oleh LISREL

1.2 Tahap – Tahap dalam SEM

Gambar 1-4 Tahap dalam SEM

2.2 Memasukkan Data Pada PRELIS

Akan tampil tampilan sebagai berikut:

Gambar II- Mendefinisikan Variabel

Akan muncul tampilan sebagai berikut:

Pilihlah salah satu variable, tekan tombol Variable Type.

2.4 Transformasi Variabel

2.5 Screening Data

Sebelum melakukan analisis SEM, terlebih dahulu data di-screening untuk

Maka akan dihasilkan sebagai berikut:

Test of Univariate Normality for Continuous Variables

Skewness Kurtosis Skewness and Kurtosis

Variable Z-Score P-Value Z-Score P-Value Chi-Square P-Value

SELF1 -0.182 0.856 -12.082 0.000 146.003 0.000

Relative Multivariate Kurtosis = 1.245

Test of Multivariate Normality for Continuous Variables

Skewness Kurtosis Skewness and Kurtosis

2.6 Fungsi Statistik

Pada fungsi statistics, terdapat fungsi Regressions, Logistics Regression, dll.

BAB 3 MEMBANGUN PATH DIAGRAM

3.1 Pendahuluan SIMPLIS

Maka akan muncul layar kosong sebagai berikut:

3.2 Menentukan Observed Variabel dan Latent Variabel Dengan

Tekan tombol NEXT hingga muncul layar sebagai berikut:

Tekan tombol Run LISREL untuk menghasilkan path diagram.

Maka akan dihasilkan path diagram yang sama seperti di atas.

3.3 Path Diagram untuk Confirmatory Factor Analysis

Untuk menjalankan script, tekan tombol run LISREL .

beberapa macam tombol panah: Garis – garis panah tersebut dapat

4. tekan tombol run LISREL .

File list hasil disimpan dalam depress0.out.

LISREL Estimates (Maximum Likelihood)

SELF1 = 0.98*selfest, Errorvar.= 0.93 , R² = 0.51

DEPRES4 = 1.10*depress, Errorvar.= 0.82 , R² = 0.60

3.4 Second Order Confirmatory Analysis, Heywood cases

Pada file output didapatkan warning sebagai berikut:

Peringatan tersebut muncul karena matriks kovarians diagonal negative (seharusnya

3.5 Estimasi Path dengan SEM

Hasil olahan LISREL akan dapat dilihat pada file depress3.out.

LISREL Estimates (Maximum Likelihood)

SELF1 = 0.51*selfest, Errorvar.= 0.93 , R² = 0.51

DEPRES1 = 1.23*depress, Errorvar.= 0.46 , R² = 0.77

selfest = 0.13*impuls + 1.61*depress, Errorvar.= 1.00, R² = 0.73

3.6 Menyimpan Path dalam Bentuk Gambar

Klik File, pilih Eksport As Gif file (.gif)

Akan muncul window sebagai berikut:

BAB 4 INDIKATOR MODEL FIT

4.1 Chi – Square dan Probabilitas Chi-Square

4.2 Goodness of Fit Indices (GFI)

4.3 Adjusted Goodness of Fit Index (AGFI)

4.4 Root Mean Square Error of Approximation (RMSEA)

RMSEA < 0.05 model fit baik.

4.5 Measurement Model Fit

(jumlah standardized loadings)2

selfest = 0.13impuls + 1.61depress, Errorvar.= 1.00, R² = 0.73