(
u =
(
11
21 22
Matrik Psi (Full Matrix, menunjukkan error dari construct endogenous)
(
+ =
(
11
22
0
Measurement Model
Matrik Lambda X (Full Matrix, Indikator construct exogenous)
(
(
(
( A =
(
(
(
11
21
31
42
52
0
0
0
0
0
x
Matrik Lambda Y (Full Matrix, Indikator construct endogenous)
(
(
(
A =
(
(
(
11
21
32
42
0
0
0
0
y
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 9
Matrik Theta Delta (Symmetric Matrix, Error construct exogenous)
o
u
u
u
u
u
(
(
(
( O =
(
(
(
11
22
33
44
55
0
0 0
0 0 0
0 0 0 0
Matrik Theta Epsilon (Symetrik Matrik, Error construct endogenous)
c
u
u
u
u
(
(
(
O =
(
(
(
11
22
33
44
0
0 0
0 0 0
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 10
BAGIAN KETIGA
Identifikasi dan Uji Kecocokan Model
Pada bagian ketiga ini akan dibahas mengenai uji kecocokan model, yaitu pengujian
secara keseluruhan dan pengujian individu untuk Structural Model dan Measurement
Model.
Identifikasi Model
Dari hasil output diatas dapat dapat diidentifikasi bahwa model yang dibentuk adalah
model yang Overidentified. Yaitu diperoleh nilai derajat bebas yang positif (21), dan
diperoleh solusi yang unique dengan iterasi sebanyak 11 kali.
Dengan demikian dapat diteruskan dengan menguji kecocokan model.
Uji Kecocokan Model
Seperti yang telah dijelaskan pada bagian pertama halaman 6, bahwa uji kecocokan
model terdiri atas empat langkah, yaitu : Memperhatikan Nilai Taksiran Yang Rusak,
Uji Keseluruhan Model, Uji Individual Measurement Model, dan Uji Individual
Structural Model.
1. Memperhatikan Nilai Taksiran Yang Rusak
Dari output yang diperoleh terlihat bahwa tidak ada nilai yang rusak, yaitu tidak ada
varians error yang negatif, tidak ada nilai standardized yang sangat mendekati atau
lebih dari 1, juga tidak ada standard error yang terlampau besar.
2. Uji Keseluruhan Model
Uji keseluruhan model terbagi menjadi tiga bagian yaitu : Absolute Fit Measures,
Incremental Fit Measures, dan Parsimonious Fit Measures.
Absolute Fit Measures
Bagian pertama dari uji keseluruhan model ini menentukan tingkat keakuratan dari
model untuk memprediksi matrik kovarians atau matrik korelasi yang digunakan
sebagai input.
Statistik uji yang digunakan adalah :
- Likelihood Ratio Chi-Square Statistics
Alat ukur yang paling penting untuk menguji model keseluruhan adalah likelihood
chi square (_
2
). Nilai chi square yang besar (relatif terhadap derajat kebebasan)
menunjukkan perbedaan antara matrik input terhadap matrik hasil estimasi
(korelasi atau kovarians)
P-value dari statistik chi square diharapkan untuk lebih besar dari 0.05 atau 0.1,
yakni uji tidak signifikans. Bila uji tidak signifikans, yang berarti matrik input
dengan matrik hasil estimasi tidak berbeda, maka model yang diajukan cocok.
Kekurangan dari statistik chi square ini adalah dapat dipengaruhi oleh jumlah
sampel yang terlalu besar atau terlalu kecil, dengan kata lain statistik chi square
sensitif terhadap jumlah sampel. Disarankan jumlah sampel berkisar antara 100
sampai 200.
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 11
- Noncentrality and Scaled Noncentrality Parameter
Noncentrality parameter (NCP) dan Scaled Noncentrality Parameter (SNCP) adalah
dua statistik yang dibuat untuk menambal kelemahan dari statistik chi square.
Tidak ada acuan yang pasti mengenai nilai NCP untuk mengatakan bahwa model
yang diujikan cocok, hanya semakin kecil nilai maka akan semakin baik.
- Goodness of Fit Index (GFI)
GFI juga merupakan sebuah nilai yang disediakan LISREL, GFI tidak memiliki
acuan signifikansi. Akan tetapi sebuah model dikatakan baik apabila nilai GFI
mendekati 1 dan buruk apabila mendekati 0
- Root Mean Square Residual (RMR)
RMR adalah akar dari rata rata error kuadrat, nilai ini menunjukkan besar
perbedaan antara matrik input dengan matrik hasil estimasi. Nilai RMR < 0.05
menunjukkan model yang baik.
- Root Mean Square Error of Approximation (RMSEA)
RMSEA menunjukkan kecocokan model yang dikatakan baik apabila nilainya lebih
kecil dari 0.05, reasonable jika lebih kecil dari 0.08, cukup jika kurang dari 0.1,
dan buruk bila lebih dari 0.1.
Incremental Fit Measures
Bagian kedua dari uji keseluruhan ini membandingkan model yang diajukan terhadap
model nol (null model). Null Model adalah sebuah model dimana hanya matrik
korelasi / kovarian yang diinput dianggap nol.
Statistik uji yang digunakan adalah :
- Adjusted Goodness of Fit Index (AGFI)
AGFI merupakan statistik GOF yang mirip dengan GFI, perbedaannya bahwa AGFI
disesuaikan dengan nilai derajat bebasnya. Model dengan nilai AGFI minimal 0.90
dapat dikatakan sebagai model yang baik.
- Non Normed Fit Index (NNFI / Tucker Lewis Index)
NNFI adalah nilai yang membandingkan model yang sedang diuji dengan null
model, model dikatakan baik bila nilai NNFI-nya minimal 0.90
- Normed Fit Index (NFI)
NFI hampir mirip dengan NNFI, hanya saja NFI memiliki rentang dari 0 hingga 1,
nilai NFI yang mendekati 0.90 mengindikasikan model yang baik.
- Beberapa Statistik GOF Lainnya
Di samping AGFI, NNFI, dan NFI masih ada beberapa statistik GOF lainnya yaitu :
Relative Fit Index (RFI), Incremental Fit Index (IFI), dan Comparative Fit
Index (CFI). Ketiga statistik tersebut menunjukkan perbandingan antara model
yang diuji dengan model null, dengan rentang nilai 0 hingga 1, model dikatakan
baik bila nilai mendekati 0.90.
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 12
Parsimonious Fit Measures
Ukuran kelompok ketiga ini menghubungkan antara kecocokan model dengan jumlah
parameter yang ditaksir. Prinsip yang dipegang adalah parsimoni, yaitu gunakan
jumlah parameter yang minimal dengan tingkat akurasi maksimal.
- Parsimonious Normed Fit Index (PNFI)
Nilai PNFI adalah nilai NFI yang dimodifikasi, pada PNFI diperhatikan nilai derajat
kebebasan yang digunakan untuk mencapai kecocokan model. Semakin besar
nilai PNFI, maka model menjadi semakin baik.
Nilai PNFI dapat digunakan untuk membandingkan dua model, bila perbedaannya
mencapai 0.06 sampai 0.09, maka dikatakan perbedaan kedua model tersebut
signifikan.
- Parsimonious Goodness of Fit Index (PGFI)
PGFI memodifikasi nilai GFI dengan memperhatikan banyaknya variabel laten
yang dibentuk dalam model. Nilai PGFI berada dalam rentang 0 sampai 1. Nilai
yang lebih tinggi menunjukkan model yang lebih baik.
- Akaike Criterion Information (AIC) dan Consistent AIC (CAIC)
AIC dan CAIC digunakan pada saat membandingkan beberapa model, dimana nilai
yang lebih kecil menunjukkan model yang lebih baik.
Sebuah model dikatakan baik bila nilai Model AIC lebih baik dari Independent
AIC dan Saturated AIC. Hal yang sama juga berlaku untuk CAIC.
3. Uji Individual Measurement Model
Bila model telah memenuhi kriteria yang ditetapkan pada uji keseluruhan, maka
langkah selanjutnya menguji setiap construct secara terpisah, dengan:
1. Uji signifikansi setiap indikator dengan Uji - t
2. Menghitung Reliabilitas Construct
Uji Signifikansi Indikator
Variabel indikator dikatakan signifikan apabila nilai t yang diperoleh minimal sebesar
1.96 untuk taraf o = 5%, dan 2.58 untuk taraf o = 1%.
Nilai reliabilitas minimal untuk setiap indikator diharapkan sebesar 0.50, dengan
loading minimal sebesar 0.70. Measurement error untuk setiap indikator adalah satu
dikurangi dengan relibilitas indikator tersebut.
Menghitung Reliabilitas Construct dan Ekstraksi Varians
Rumus yang digunakan untuk menghitung reliabilitas dari sebuah construct adalah :
( )
( ) ( )
2
2
Loading Standardized
Construct Reliability =
Loading Standardized + Measurement Error
Sedangkan rumus yang untuk menghitung ekstraksi varians dari construct adalah :
( )
( ) ( )
2
2
Loading Standardized
Variance Extracted =
Loading Standardized + Measurement Error
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 13
4. Uji Individual Structural Model
Langkah selanjutnya adalah menguji structural model. Pada pengujian ini trdapat dua
hal yang harus dilakukan, yaitu :
1. Uji koefisien gamma dan beta
2. Uji keseluruhan structural model
Uji Signifikansi Koefisien Gamma dan Beta
Seperti halnya uji signifkansi untuk indikator, parameter Gamma atau Beta dikatakan
signifikan apabila nilai t yang diperoleh minimal sebesar 1.96 untuk taraf o = 5%,
dan 2.58 untuk taraf o = 1%.
Uji Keseluruhan Structural Model
Untuk menilai kebaikan dari keseluruhan structural model, perhatikanlah nilai
Squared Multiple Correlation (R
2
). Semakin besar nilai tersebut semakin baik model
yang dihasilkan.
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 14
BAGIAN KEEMPAT
Aplikasi SEM dengan LISREL
Mengimport File SPSS
1. Pilih Import Data in Free Format
Gambar 3
2. Browse File SPSS yang akan digunakan lalu klilk Open
Gambar 4
3. Setelah muncul layar yang menampilkan data hasil import, pilih menu File, lalu
Close
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 15
Membuat Syntax LISREL Secara Interactive
1. Pilih New dari menu File
Gambar 5
2. Dari kotak dialog New pilih LISREL Project
Gambar 6
3. Simpan file LISREL Project yang akan dibuat pada folder yang Anda inginkan. Harus
diketahui bahwa LISREL akan meletakkan file file yang dihasilkan pada folder yang
sama dengan file LISREL Project
Gambar 7
4. Pilih Variables dari menu Setup
Gambar 8
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 16
5. Pada kotak dialog Variables isilah nama dari variabel indikator pada Observed
Variables, dan variabel construct pada Latent Variables.
Untuk menambah baris tekan Insert atau tekan kursor ke arah bawah. (+)
Bila pada data SPSS yang sudah diimport sudah tertulis nama variabelnya, maka
penulisan nama variabel tidak perlu dilakukan secara manual.
Langkah langkah yang harus dilakukan adalah sebagai berikut :
Tekan tombol Add/Read Variables:
Gambar 9
Pilih PRELIS System Files untuk jenis file yang akan digunakan, lalu tekan Browse,
Gambar 10
Ambil file PSF yang dibutuhkan, file tersebut akan terletak pada lokasi yang sama
dengan file SPSS yang telah di-import. Pilih Open lalu OK.
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 17
Gambar 11
Untuk Latent Variables, isilah dengan cara manual.
Gambar 12
Setelah selesai klik Next
6. Pada kotak dialog Data, pilih Raw Data pada Statistics form, dan pada option
Matrix to be analyzed pilih Covariances. Number of Observations sebanyak
235. Lalu klik Next.
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 18
Gambar 13
7. Kotak dialog berikutnya adalah Define Observed Variable, pilih observed variabel
yang ditampilkan sebagai variabel Y atau X.
Pilih tujuh variabel pertama lalu klik Select As X, dan pilih sisanya sebagai Y
Gambar 14
Setelah selesai klik Next
8. Selanjutnya adalah kotak dialog Define Latent Variables, pilih Motivasi sebagai
Eta-Variables dan Struktur dan Budaya sebagai Ksi Variables.
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 19
Gambar 15
Setelah selesai klik Next
9. Kemudian akan muncul kotak dialog Model Parameter seperti di bawah ini :
Gambar 16
Pada kotak dialog di atas, spesifikasikanlah delapan buah matriks bila diperlukan.
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 20
Matrik Lambda-Y
- Klik pada Lambda-Y Full Matrix, Fixed, akan muncul keterangan Full Matrix dan
Fixed pada menu di sebelah kanan. Seperti pada gambar 13 di atas
- Klik tombol Specify, maka akan muncul kotak dialog Element and Value for
Lambda-Y dimana isinya berwarna kuning semua dengan nilai nol.
- Pilih seluruh indikator pada kolom Motivasi lalu tekan Free. Sebagai berikut :
Gambar 17
Gambar 18
- Klik Ok dan pilih Yes bila muncuk kotak dialog konfirmasi di atas.
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 21
Matrik Lambda-X
- Klik pada Lambda-X Full Matrix, Fixed, akan muncul keterangan Full Matrix dan
Fixed pada menu di sebelah kanan.
- Klik tombol Specify, maka akan muncul kotak dialog Element and Value for
Lambda-X dimana isinya berwarna kuning semua dengan nilai nol.
- Pada kolom Struktur, pilih STOKO, STOFO, dan STOSE, lalu tekan Free. Ulangi
untuk Kolom Budaya sehingga diperoleh hasil seperti gambar berikut :
Gambar 19
- Klik Ok dan pilih Yes bila muncuk kotak dialog konfirmasi.
Matrik Gamma
- Klik pada Gamma Full Matrix, Fixed, akan muncul keterangan Full Matrix dan
Fixed pada menu di sebelah kanan. Lalu tekan Specify.
- Buat seperti menjadi gambar berikut.
Gambar 20
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 22
Matrik Phi dan Matrik Psi
- Abaikan
Matrik Theta Epsilon
- Klik pada Theta Epsilon Diagonal Matrix, Free, akan muncul keterangan Diagonal
Matrix dan Free pada menu di sebelah kanan.
Gambar 21
Matrik Theta Delta
- Klik pada Theta Delta Diagonal Matrix, Free, akan muncul keterangan Diagonal
Matrix dan Free pada menu di sebelah kanan.
Gambar 22
Matrik Theta Delta Epsilon
- Abaikan
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 23
10. Setelah selesai klik Next, maka akan muncul kotak dialog Constraints
Gambar 23
Karena tidak ada constraints yang diperlukan klik Next, untuk memunculkan kotak
dialog Output Selections
11. Pada kotak dialog Output Selections pilih output yang diinginkan,
Gambar 24
Klik OK dan akan muncul layar berikut yang menampilkan Syntax yang dihasilkan.
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 24
Gambar 25
12. Klik tombol Run Lisrel pada toolbar untuk eksekusi
Gambar 26
Syntax LISREL
Di bawah ini akan dijelaskan isi dari Syntax LISREL yang dihasilkan
TI
DA NI=10 NO=235 NG=1 MA=CM
RA FI='C:\Modul\SEM.psf'
SE
8 9 10 1 2 3 4 5 6 7 /
MO NX=7 NY=3 NK=2 NE=1 LY=FU,FI LX=FU,FI GA=FU,FI PH=SY,FR PS=DI,FR
TE=SY,FI TD=SY,FI
LE
MOTIVASI
LK
STRUKTUR BUDAYA
FR LY(1,1) LY(2,1) LY(3,1) LX(1,1) LX(2,1) LX(3,1) LX(4,2) LX(5,2) LX(6,2)
FR LX(7,2) GA(1,1) GA(1,2) TE(1,1) TE(2,2) TE(3,3) TD(1,1) TD(2,2) TD(3,3)
FR TD(4,4) TD(5,5) TD(6,6) TD(7,7)
PD
OU RS EF SC
KODE SYNTAX
TI = Adalah Title and Comments., baris ini dapat diisi dengan beberapa baris,
LISREL akan mengeksekusi program dari Perintah DA. Jadi berapapun baris
Title dan Comments tidak jadi masalah.
DA = Data , artinya mulai dari baris ini perintah SEM dimulai
NI = Number of Indicator
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 25
NO = Number of Observation
NG = Number of Groups
MA = Jenis Matrik input yang digunakan (CM = Kovarian, KM = Korelasi)
RA = Raw Data, menunjukkan bahwa yang digunkaan sebagai input adalah Raw Data
SE = Menunjukkan baris berikutnya adalah variabel variabel yang digunakan
MO = Model Parameter
NX = Jumlah Indikator X
NY = Jumlah Indikator Y
NK = Jumlah Variabel Laten Eksogen
NE = Jumlah Variabel Laten Endogen
LE = Label ETA
LK = Label KSI
LY = Matriks Lambda Y
LX = Matriks Lambda X
BE = Matriks Beta
GA = Matriks Gamma
PH = Matriks Phi
PS = Matriks Psi
TE = Matriks Theta Epsilon
TD = Matriks Theta Delta
FU = Full Matrix
SY = Symmetric Matrix
DI = Diagonal Matrix
FI = Fixed Matrix
FR = Free Matrix
FR = Menspesifikasi lokasi sel yang difreekan
FI = Menspesifikasikan sel yang difixkan
PD = Meminta Path Diagram
OU = Output
EF = Total Effek dan Indirect Effect
SC = Solution Completely Standardized
Output LISREL
Di bawah ini adalah output dari syntax diatas yang diedit dengan membuang bagian
bagian yang tidak perlu.
LISREL Menuliskan Kembali Syntax Yang Digunakan :
TI
DA NI=10 NO=235 NG=1 MA=CM
RA FI='C:\Modul\SEM.psf'
SE
8 9 10 1 2 3 4 5 6 7 /
MO NX=7 NY=3 NK=2 NE=1 LY=FU,FI LX=FU,FI GA=FU,FI PH=SY,FR PS=DI,FR
TE=SY,FI
TD=SY,FI
LE
MOTIVASI
LK
STRUKTUR BUDAYA
FR LY(1,1) LY(2,1) LY(3,1) LX(1,1) LX(2,1) LX(3,1) LX(4,2) LX(5,2) LX(6,2)
FR LX(7,2) GA(1,1) GA(1,2) TE(1,1) TE(2,2) TE(3,3) TD(1,1) TD(2,2) TD(3,3)
FR TD(4,4) TD(5,5) TD(6,6) TD(7,7) TE(1,3)
PD
OU RS EF SC
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 26
TI
Number of Input Variables 10
Number of Y - Variables 3
Number of X - Variables 7
Number of ETA - Variables 1
Number of KSI - Variables 2
Number of Observations 234
Dibawah Ini Adalah Matrik Covarians Yang Digunakan Sebagai Input
Covariance Matrix
MOTIN MOTVA MOTEX STOKO STOFO STOSE
-------- -------- -------- -------- -------- --------
MOTIN 38.05
MOTVA 10.15 24.22
MOTEX 21.99 9.34 41.01
STOKO 1.48 0.42 2.99 5.83
STOFO 8.36 4.40 10.20 2.20 33.48
STOSE 5.55 3.23 4.51 1.60 9.00 16.59
BUDOPD 2.04 2.76 1.66 0.36 0.99 0.86
BUDOIN 2.98 3.93 3.03 0.32 1.33 1.34
BUDOMA 2.10 2.78 1.81 0.33 0.59 0.61
BUDOLO 4.47 2.94 3.90 0.39 1.50 1.65
Covariance Matrix
BUDOPD BUDOIN BUDOMA BUDOLO
-------- -------- -------- --------
BUDOPD 1.88
BUDOIN 1.81 4.48
BUDOMA 1.35 1.78 1.92
BUDOLO 1.45 2.21 1.49 4.29
Untuk Setiap Matrik Ditampilkan Parameter Yang Akan Ditaksir Yaitu Berupa
Bilangan Bulat, Nampak Bahwa Terdapat 24 Parameter Yang Akan Ditaksir.
Parameter Specifications
LAMBDA-Y
MOTIVASI
--------
MOTIN 0
MOTVA 1
MOTEX 2
LAMBDA-X
STRUKTUR BUDAYA
-------- --------
STOKO 3 0
STOFO 4 0
STOSE 5 0
BUDOPD 0 6
BUDOIN 0 7
BUDOMA 0 8
BUDOLO 0 9
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 27
GAMMA
STRUKTUR BUDAYA
-------- --------
MOTIVASI 10 11
PHI
STRUKTUR BUDAYA
-------- --------
STRUKTUR 0
BUDAYA 12 0
PSI
MOTIVASI
--------
13
THETA-EPS
MOTIN MOTVA MOTEX
-------- -------- --------
MOTIN 14
MOTVA 0 15
MOTEX 16 0 17
THETA-DELTA
STOKO STOFO STOSE BUDOPD BUDOIN BUDOMA
-------- -------- -------- -------- -------- --------
18 19 20 21 22 23
THETA-DELTA
BUDOLO
--------
24
Hasil Estimasi Dengan Metode Maximum Likelihood
Number of Iterations = 16
LISREL Estimates (Maximum Likelihood)
LAMBDA-Y
MOTIVASI
--------
MOTIN 3.18
MOTVA 3.18
(0.59)
5.38
MOTEX 2.97
(0.47)
6.27
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 28
LAMBDA-X
STRUKTUR BUDAYA
-------- --------
STOKO 0.63 - -
(0.20)
3.12
STOFO 3.62 - -
(0.57)
6.32
STOSE 2.48 - -
(0.40)
6.24
BUDOPD - - 1.15
(0.08)
14.86
BUDOIN - - 1.58
(0.13)
12.62
BUDOMA - - 1.15
(0.08)
14.64
BUDOLO - - 1.32
(0.13)
10.28
GAMMA
STRUKTUR BUDAYA
-------- --------
MOTIVASI 0.37 0.60
(0.12) (0.12)
3.16 5.08
Covariance Matrix of ETA and KSI
MOTIVASI STRUKTUR BUDAYA
-------- -------- --------
MOTIVASI 1.00
STRUKTUR 0.53 1.00
BUDAYA 0.70 0.27 1.00
PHI
STRUKTUR BUDAYA
-------- --------
STRUKTUR 1.00
BUDAYA 0.27 1.00
(0.09)
2.96
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 29
PSI
MOTIVASI
--------
0.38
(0.17)
2.19
Squared Multiple Correlations for Structural Equations
MOTIVASI
--------
0.62
THETA-EPS
MOTIN MOTVA MOTEX
-------- -------- --------
MOTIN 27.94
(3.19)
8.76
MOTVA - - 14.13
(2.15)
6.57
MOTEX 12.56 - - 32.22
(2.67) (3.50)
4.70 9.21
Squared Multiple Correlations for Y - Variables
MOTIN MOTVA MOTEX
-------- -------- --------
0.27 0.42 0.21
THETA-DELTA
STOKO STOFO STOSE BUDOPD BUDOIN BUDOMA BUDOLO
-------- -------- -------- -------- -------- -------- --------
5.43 20.41 10.43 0.56 1.99 0.60 2.54
(0.53) (3.82) (1.84) (0.08) (0.23) (0.08) (0.26)
10.25 5.34 5.66 6.81 8.74 7.07 9.69
Squared Multiple Correlations for X - Variables
STOKO STOFO STOSE BUDOPD BUDOIN BUDOMA BUDOLO
-------- -------- -------- -------- -------- -------- --------
0.07 0.39 0.37 0.70 0.56 0.69 0.41
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 30
Ukuran Kecocokan Model Ditampilkan Di Bawah Ini
Goodness of Fit Statistics
Degrees of Freedom = 31
Minimum Fit Function Chi-Square = 38.31 (P = 0.17)
Normal Theory Weighted Least Squares Chi-Square = 38.39 (P = 0.17)
Estimated Non-centrality Parameter (NCP) = 7.39
90 Percent Confidence Interval for NCP = (0.0 ; 27.31)
Minimum Fit Function Value = 0.16
Population Discrepancy Function Value (F0) = 0.032
90 Percent Confidence Interval for F0 = (0.0 ; 0.12)
Root Mean Square Error of Approximation (RMSEA) = 0.032
90 Percent Confidence Interval for RMSEA = (0.0 ; 0.061)
P-Value for Test of Close Fit (RMSEA < 0.05) = 0.82
Expected Cross-Validation Index (ECVI) = 0.37
90 Percent Confidence Interval for ECVI = (0.34 ; 0.46)
ECVI for Saturated Model = 0.47
ECVI for Independence Model = 4.39
Chi-Square for Independence Model with 45 Degrees of Freedom = 1003.82
Independence AIC = 1023.82
Model AIC = 86.39
Saturated AIC = 110.00
Independence CAIC = 1068.38
Model CAIC = 193.32
Saturated CAIC = 355.04
Normed Fit Index (NFI) = 0.96
Non-Normed Fit Index (NNFI) = 0.99
Parsimony Normed Fit Index (PNFI) = 0.66
Comparative Fit Index (CFI) = 0.99
Incremental Fit Index (IFI) = 0.99
Relative Fit Index (RFI) = 0.94
Critical N (CN) = 318.45
Root Mean Square Residual (RMR) = 0.88
Standardized RMR = 0.046
Goodness of Fit Index (GFI) = 0.97
Adjusted Goodness of Fit Index (AGFI) = 0.94
Parsimony Goodness of Fit Index (PGFI) = 0.55
Aplikasi Structural Equation Modeling dengan LISREL 8.54 Halaman 31
Daftar Pustaka
Du Toit, Sthepen., Du Toit, Mathilda., Joreskog, K. G., & Sorbom, D. (1999). Interactive
LISREL users guide. Chichago: Scientific Software International
E. Schumacker, Randall., & G. Lomax, Richard., (1996). A Beginners Guide To Structural
Equation Modeling. New Jersey: Lawrence Erlbaum Associates.
F. Hair, Joseph., E. Anderson, Rolph., L. Tatham, Ronald., & C. Black, William. (1998).
Multivariate Data Analysis, International Edition 5
th
Edition. New Jersey: Prentice-
Hall International, Inc
Joreskog, K. G., & Sorbom, D. (1993). Structural equation modeling with the SIMPLIS
command language. Chichago: Scientific Software International
Joreskog, K. G., & Sorbom, D. (1996). LISREL 8 users references guide. Chichago:
Scientific Software International
Joreskog, K. G., & Sorbom, D. (1996). PRELIS 2 users references guide. Chichago:
Scientific Software International
M. Byrne, Barbara., (1998). Structural Equation Modeling with LISREL, PRELIS and
SIMPLIS: Basic Consept, Applications, and Programming. London: Lawrence
Erlbaum Associates.