SEM LISREL: Tutorial dan Panduan Lengkap CB SEM

SEM LISREL: Tutorial dan Panduan Lengkap CB SEM

Berikut pada kesempatan ini akan kami jelaskan tentang tutorial CB SEM atau SEM berbasis covarians dengan menggunakan aplikasi Lisrel secara lengkap dan komprehensif, sekaligus dengan contoh konkret analisisnya.

Pengertian CB SEM

CB SEM adalah singkatan dari Covarians Based Structural Equation Modelling yaitu model analisis struktural yang menggunakan basis covarians, dimana berbeda dengan analisis yang berbasis varians seperti Partial Least Square (PLS).

Secara garis besar metode SEM dapat digolongkan menjadi dua jenis yaitu SEM berbasis kovarian atau Covariance Based Structural Equation Modeling (CB-SEM) dan SEM berbasis varian atau komponen yaitu Variance atau Component Based SEM (VB-SEM) yang meliputi Partial Least Square (PLS) dan Generalized Structural Component Analysis (GSCA).

Model Covariance-Based SEM (CB-SEM) sering disebut Hard-Modeling, sedangkan Component-based atau Variance-based modeling disebut Soft-Modeling. Hard modeling bertujuan memberikan pernyataan tentang hubungan kausalitas atau memberikan deskripsi mekanisme hubungan kausalitas (sebab-akibat). Hal ini memberikan gambaran yang ideal secara ilmiah dalam analisis data (Ghozali, 2014).

Tutorial SEM dengan Lisrel

Instalasi dan Download Data Tutorial SEM Lisrel

Aplikasi Lisrel merupakan aplikasi yang sering digunakan oleh para peneliti untuk melakukan analisis CB SEM.

SEM Lisrel
SEM Lisrel

Sebelum memulai tutorial ini silahkan anda lakukan instalasi aplikasi Lisrel dan mendownload terlebih dahulu beberapa file yang dibutuhkan dalam tutorial SEM Lisrel ini: Dataset dan Template Validitas Reliabilitas.

Import Data Excel atau CSV ke Aplikasi LISREL

Langkah selanjutnya adalah melakukan import data dari file Excel atau CSV ke aplikasi Lisrel, yaitu sebagai berikut: Buka terlebih dahulu aplikasi Lisrel anda!

Selanjutnya pada Menu, silahkan klik File -> Import Data. Kemudian File Extension pada pojok kanan bawah silahkan pilih Comma Delimited Data (CSV). Kemudian select pada file CSV yang akan impor, misalnya file dataset.csv. Tampilannya sebagai berikut:

Import Data CSV ke SEM Lisrel
Import Data CSV ke SEM Lisrel

Kemudian anda klik SAVE dengan memberi nama misalnya dataset.LSF kemudian klik OK.

Membuat Data Continous Untuk Analisis SEM LISREL

Kemudian pada window data yang baru diimpor tersebut, pada menu silahkan klik Data , kemudian klik tombol Define Variable, Select semua indikator, klik tombol Variable Type, Pilih Continous, centang Aplly to All kemudian klik OK dan kembali klik OK lagi.

Define Variable SEM
Define Variable SEM

Setelah langkah diatas, maka data yang akan digunakan untuk analisis SEM Lisrel sudah berubah menjadi data continous. Berikutnya adalah membuat file Simplis Project untuk model pengukuran atau Confirmatory Factor Analysis (CFA).

Pemilihan Estimator

Dalam Ferdinand (2006), ukuran sampel yang direkomendasikan untuk masing-masing metode analisis SEM adalah sebagai berikut: Metode Maximum Likelihood (ML): 100 – 200, Metode ML atau General Least Square (GLS): 200 – 500, Metode Unweighted Least Square (ULS): 500 – 2500 dan Metode Augmented Distribution Free (ADF): di atas 2500.

Oleh karena jumlah sampel atau observasi dalam penelitian sebesar 160 sampel dimana jumlah tersebut ada diantara 200 sd 500, maka estimasi yang tepat untuk digunakan adalah estimasi ML atau GLS seperti yang dijelaskan oleh Ferdinand (2006). Jika memenuhi syarat normalitas multivariate, maka metode ML paling tepat, sedangkan jika tidak memenuhi syarat normalitas multivariat maka sebaiknya mengguakan estimator GLS.

Uji Normalitas Multivariate Pada SEM Lisrel

Untuk melakukan Uji Normalitas Multivariat, caranya yaitu pada jendela Data silahkan klik menu Statistics -> Output Options -> Kemudian centang Perform test of Multivariate Normality, kemudian klik OK.

Uji Normalitas Multivariat pada SEM Lisrel
Uji Normalitas Multivariat pada SEM Lisrel

Maka hasilnya adalah sebagai berikut:

Hasil Uji Normalitas Multivariate
Hasil Uji Normalitas Multivariate

Berdasarkan hasil analisis uji normalitas multivariat menggunakan uji Skewness-Kurtosis menunjukkan nilai Chi-square sebesar 376,674 dengan p value 0,000<0,05 maka disimpulkan bahwa tidak memenuhi syarat normalitas multivariat. Sehingga estimator yang tepat adalah GLS. Namun, sebagai pembelajaran awal maka dalam artikel kali ini, kita asumsikan bahwa model memenuhi syarat normalitas multivariat sehingga estimator yang digunakan adalah ML. Untuk tutorial tentang estimator GLS akan kita jelaskan pada artikel berikutnya: Modification Indices pada SEM Lisrel dan Estimator Selain ML.

Simplis Project Model Measurement atau Model Pengukuran SEM

Cara membuat file Simplis Project untuk model pengukuran atau Confirmatory Factor Analysis (CFA) adalah sebagai berikut: Pada menu klik File -> New -> SIMPLIS Project dan selanjutnya klik OK. Kemudian pada jendela baru simplis project tersebut silahkan klik SETUP, kemudian klik Title -> Beri nama misalnya CFA -> Next -> Pada Group label klik NEXT -> Pada Observed Variable silahkan klik Add/Read Variable -> Pilih Read from file Lisrel System File -> Browse -> Select File dataset.LSF yang tadi telah menjadi file impor dari CSV pada langkah sebelumnya. Kemudian klik OPEN dan selanjutnya klik OK.

Klik Tombol Add Latent Variable kemudian ketikkan variabel latent yang akan digunakan dalam analisis SEM Lisrel ini, yaitu antara lain: X1, X2, X3, M dan Y.

Membuat Variabel Latent pada SEM
Membuat Variabel Latent pada SEM

Pada menu silahkan klik Setup -> Build SIMPLIS Syntax. Selanjutnya tuliskan kode sebagai berikut pada jendela simplis tersebut!

CFA
Raw Data from file 'D:\Datablog 2024\Tutorial\SEM LISREL\dataset.LSF'
Sample Size = 165
Latent Variables X1 X2 X3 M Y
Relationships
x1.1 - x1.3 = X1
x2.1 - x2.3 = X2
x3.1 - x3.3 = X3
m.1 - m.3 = M
y.1 - y.3 = Y
Path Diagram
LISREL OUTPUT: EF SS SC ND=3
End of Problem

Kode diatas dapat diartikan sebagai berikut: CFA adalah Judul Simplis Project. Sedangkan “Raw Data from file ‘D:\Datablog 2024\Tutorial\SEM LISREL\dataset.LSF’: menunjukkan data yang digunakan adalah data dataset.LSF yang terletak pada drive: ‘D:\Datablog 2024\Tutorial\SEM LISREL. Dan sample size menjukkan jumlah sampel.

Kemudian x1.1 – x1.3 = X1 menunjukkan bahwa X1 sebagai variabel latent terdiri dari indikator x1.1 sampai dengan x1.3. Begitu pula untuk indikator dari semua variabel laten lainnya baik X2, X3, M dan Y.

Lisrel Output: EF SS SC menunjukkan output yang dipilih untuk ditampilkan yaitu EF= Total dan Indirect Effect, SS = Standar Solution dan SC = Completely Standar Solutions. Sedangkan ND=3 adalah jumlah desimal sebanyak 3 digit yang akan ditampilkan dalam output SEM Lisrel.

Run Analisis Model Pengukuran Pada Lisrel

Selanjutnya tetap pada window Simplis Project tersebut, silahkan klik tombol gambar orang berlari atau Run LISREL! Maka kemudian akan tampil output hasil analisis tahap MEASUREMENT atau TAHAP MODEL PENGUKURAN yaitu hasil dari analisis Validitas Reliabilitas dalam analisis SEM Lisrel atau yang biasa disebut sebagai Confirmatory Factor Analysis (CFA).

Berikut di bawah ini tampilan diagram STANDARDIZED SOLUTIONS hasil analisis Model Pengukuran atau Measurement Model.

Output Model Pengukuran SEM Lisrel
Output Model Pengukuran SEM Lisrel

Validitas dan Reliabilitas atau Confirmatory Factor Analysis (CFA) dalam SEM LISREL

Hair et al (2010) mengemukakan bahwa Confirmatory Factor Analysis (CFA) merupakan bagian dari SEM (Structural Equation Modeling) untuk menguji cara variabel terukur atau indikator yang baik dalam menggambarkan atau mewakili suatu bilangan dari suatu faktor. Pada CFA faktor disebut juga sebagai konstruk. Teori pengukuran digunakan untuk menentukan bagaimana variabel terukur, menggambarkan secara sistematik dan logis suatu konstruk yang ditampilkan dalam suatu model.

Ghozali (2005) mengemukakan bahwa Confirmatory Factor Analysis adalah salah satu metode analisis multivariat yang digunakan untuk menguji atau mengkonfirmasikan model yang dihipotesiskan. Model yang dihipotesiskan terdiri dari satu atau lebih variabel laten, yang diukur oleh satu atau lebih variabel indikator. Variabel laten adalah variabel yang tidak terukur atau tidak dapat diukur secara langsung dan memerlukan variabel indikator untuk mengukurnya, sedangkan variabel indikator adalah variabel yang dapat diukur secara langsung.

Maka masalah penelitian dalam kerangka CFA berkisar pada dua pertanyaan berikut:

  1. Apakah model pengukuran konstruk yang diusulkan sesuai atau fit dengan data?
  2. Dilihat dari indikator atau variabel-variabel manifestnya, karakteristik dominan apa yang membentuk konstruk tersebut?

Untuk menjawab kedua pertanyaan di atas, di dalam CFA jawaban pertanyaan pertama, diuji dengan menggunakan uji kesesuaian model (overall model fit test) dan pertanyaan kedua, diuji dengan menggunakan statistik t (t student).

Untuk melihat indikator atau variabel manifest mana yang dominan membentuk suatu konstruk, ditentukan oleh besar kecilnya koefisien bobot faktor atau loading factor (lambda). Menurut beberapa pakar, batas minimal koefisien bobot faktor (lambda) yang dianggap layak dalam penelitian yang bersifat konfirmatori adalah tidak kurang dari 0.5 (Hair, Anderson, Tatham dan Black, 1998; Ghozali, 2004).

Validitas Konstruk

Sesuai dengan penjelasan diatas, validitas konstruk pada analisis SEM Lisrel dapat menggunakan nilai factor loading, dengan kriteria dinyatakan valid apabila nilai factor loading lebih besar dari 0,5.

Silahkan lihat output pada nilai Lambda-X bagian Completely Standardized Solution:

Factor Loading Standardized Solution
Factor Loading Standardized Solution

Pada tabel diatas, dapat dilihat bahwasanya semua nilai factor loading lebih besar dari pada 0,5. Misalnya factor loading dari x1.1 adalah sebesar 0,669 > 0,05 maka dapat disimpulkan bahwa x1.1 valid secara convergent validity. Oleh karena nilai factor loading semua indikator lebih besar dari 0,5 maka disimpulkan bahwasanya semua indikator valid secara convergent validity.

Nilai Error Variance Untuk Deteksi Heywood Case

Jika nilai error variance negatif maka terdapat masalah heywood case yaitu model pengukuran tidak valid. Selain itu nilai error variance jika lebih besar dari pada nilai factor loading juga menunjukkan bahwa indikator tersebut tidak valid. Berikut hasilnya pada tabel Theta-Delta di bagian Completely Standardized Solutions:

Error Variance
Error Variance

Berdasarkan tabel diatas, semua nilai error variance tidak ada yang negatif maka tidak terdapat masalah Heywood case. Selain itu semua nilai Error Variance lebih kecil dari pada nilai Factor Loading, sehingga semua indikator dinyatakan valid.

Reliabilitas Konstruk

Koefisien construct reliability dan variance extracted memiliki nilai antara 0 dan 1. Semakin tinggi koefisien Construct Reliability dan Variance Extracted, mengindikasikan semakin reliabel model pengukuran yang dikembangkan. Menurut para pakar seperti Hair, Anderson, Tatham dan Black (1998, 612) maupun Bacharudin dan Tobing (2003, 48) sependapat bahwa suatu instrumen penelitian diindikasikan memiliki reliabilitas yang memadai apabila koefisien Construct Reliability dan Variance Extracted tidak kurang dari 0.5.

Reliabilitas konstruk dapat diukur menggunakan Composite/Construct Reliability Measure (CR) dan Average Variance Extracted (AVE) (Hair et.all, 2010). Ukuran Construct Reliability yang baik adalah ≥ 0,70, sedangkan kriteria AVE ≥ 0.5.

Silahkan buka tabel Template Validitas Reliabilitas ! Kemudian masukkan nilai Factor Loading ke kolom Indikator, maka secara otomatis akan menghasilkan nilai CR dan AVE. Rumus yang digunakan adalah sebagai berikut:

Rumus CR dan AVE
Rumus CR dan AVE

Maka hasil analisis menggunakan perhitungan dengan alat bantu excel adalah sebagai berikut untuk Konstruk X1:

Contoh Hasil Perhitungan Uji Validitas Reliabilitas CR dan AVE Lisrel
Contoh Hasil Perhitungan Uji Validitas Reliabilitas CR dan AVE Lisrel

Contoh pada tabel hasil analisis X1 menunjukkan nilai CR sebesar 0,787854226 lebih besar dari 0,7 dan nilai AVE sebesar 0,559235333 lebih besar dari 0,5 maka dapat disimpulkan bahwa X1 reliabel. begitu pula pada perhitungan X2, X3, M dan Y menunjukkan CR lebih besar dari 0,7 dan AVE lebih besar dari 0,5 maka dapat disimpulkan bahwa semua konstruk reliabel.

Validitas Diskriminan

Validitas diskriminan dapat dinilai menggunakan perbandingan antara nilai Akar AVE dengan korelasi terhadap konstruk lainnya. Hasil korelasi antar variabel latent dapat dilihat dari nilai Phi pada bagian Completely Standardized Solution adalah sebagai berikut:

Korelasi Antar Konstruk
Korelasi Antar Konstruk

Maka jika dibentuk tabulasi antara Akar AVE dengan nilai korelasi antar konstruk hasilnya adalah sebagai berikut:

Hasil Validitas Diskriminan SEM
Hasil Validitas Diskriminan SEM

Berdasarkan tabel diatas dapat dilihat bahwasanya sebagian Akar AVE lebih besar dari pada Korelasi dengan Konstruk lainnya. Misalnya Akar AVE dari X1 sebesar 0,74782 dimana lebih besar dari korelasi dengan semua konstruk lainnya, yaitu sebesar 0,416 dengan X2, sebesar 0,543 dengan X3, sebesar 0,54 dengan M dan sebesar 0,593 dengan Y. Maka dapat disimpulkan bahwa X1 memenuhi syarat validitas diskriminan.

Begitu pula konstruk lainnya juga disimpulkan memenuhi syarat validitas diskriminan sebab semua nilai Akar AVE lebih besar dari pada korelasinya dengan konstruk lainnya, kecuali konstruk M dimana Akar AE sebesar 0,734072 dimana lebih rendah dari pada korelasinya dengan X3 dan Y. Seharusnya M juga mememuhi sayarat validitas diskriminan. Hanya saja karena dalam tutorial ini hanya uji coba saja, jadi kita lanjut saja ke pembahasan berikutnya, sehingga anggap saja model ini telah memenuhi syarat validitas diskriminan.

Path Analysis atau Analisis Jalur Pada Model SEM Lisrel

Lisrel sebagai aplikasi SEM dapat menghasilkan output CFA sekaligus output Path Analysis atau analisis jalur untuk menilai pengaruh langsung atau direct effects, pengaruh tidak langsung atau indirect effects dan pengaruh total atau direct effects serta pengaruh simultan atau koefisien determinasi (R Square dan Adjusted R Square).

Langkah untuk melakukan path analysis dalam SEM Lisrel adalah sebagai berikut: Buat kembali file SIMPLIS Project seperti halnya langkah sebelumnya. Caranya yaitu pada Menu klik File -> New -> OK. Kemudian ketikkan perintah sebagai berikut:


Structural
Raw Data from file 'D:\Datablog 2024\Tutorial\SEM LISREL\dataset.LSF'
Sample Size = 165
Latent Variables X1 X2 X3 M Y
Relationships
x1.1 - x1.3 = X1
x2.1 - x2.3 = X2
x3.1 - x3.3 = X3
m.1 - m.3 = M
y.1 - y.3 = Y
M = X1 X2 X3
Y = X1 X2 X3 M
Path Diagram
End of Problem

Maksud syntax atau kode Structural diatas adalah sama halnya dengan kode CFA sebelumnya diatas, hanya saja ada tambahan kode: M = X1 X2 X3 dan Y = X1 X2 X3 M yang artinya kita menambahkan 2 jalur prediksi yaitu: Pengaruh X1, X2 dan X3 terhadap M dan Pengaruh X1, X2, X3 dan M terhadap Y. Sehingga dalam model seperti ini, konstruk M menjadi variabel perantara atau mediator yang mana menjadi perantara hubungan X1, X2 dan X3 terhadap Y.

Selanjutknya klik Run Lisrel seperti sebelumnya, maka kana menghasilkan output diagram SEM Lisrel sebagai berikut:

Standardized Solutions Path Analysis SEM Lisrel
Standardized Solutions Path Analysis SEM Lisrel

Sedangkan tampilan T Value atau T Hitung adalah sebagai berikut:

T Value Path Analysis SEM Lisrel
T Value Path Analysis SEM Lisrel

Selanjutnya ulangi langkah membuat SIMPLIS Project baru seperti langkah pembuatan Simplis Project Path Analysis diatas sebelumnya, hanya saja syntax yang digunakan sedikit berbeda, yaitu sebagai berikut:

Structural Complete
Raw Data from file 'D:\Datablog 2024\Tutorial\SEM LISREL\dataset.LSF'
Sample Size = 165
Latent Variables M Y X1 X2 X3
Relationships
x1.1 - x1.3 = X1
x2.1 - x2.3 = X2
x3.1 - x3.3 = X3
m.1 - m.3 = M
y.1 - y.3 = Y
M = X1 X2 X3
Y = X1 X2 X3 M
Path Diagram
LISREL OUTPUT: EF SS SC ND=3
End of Problem

Syntax Structural Complete diatas menunjukkan ada tambahan output “LISREL OUTPUT: EF SS SC ND=3” yang ingin dihasilkan yaitu: EF SS SC menunjukkan output yang dipilih untuk ditampilkan yaitu EF= Total dan Indirect Effect, SS = Standar Solution dan SC = Completely Standar Solutions. Sedangkan ND=3 adalah jumlah desimal sebanyak 3 digit yang akan ditampilkan dalam output SEM Lisrel. Selanjutya klik Run Lisrel kembali.

Berdasarkan hasil analisis-analisis diatas maka secara rinci output dari path analysis SEM Lisrel dapat dijelaskan sebagai berikut:

Direct Effects atau Pengaruh langsung

Pengaruh langsung dapat dilihat pada output Structural pada bagian structural equations seperti tampah di bawah ini:

Pengaruh Langsung atau Direct Effects SEM
Pengaruh Langsung atau Direct Effects SEM

Kesimpulannya analisis direct effects adalah sebagai berikut:

  1. Pengaruh langsung X1 Terhadap M: pengaruh langsung X1 Terhadap M sebesar 0,0848 dengan t hitung sebesar 0,964<1,96 atau dengan p value 0,335>0,05 maka terima H0 yang artinya pengaruh langsung tersebut tidak signifikan. Setiap kenaikan satu unit X1 maka akan meningkatkan M sebesar 0,0848 atau 8,48%.
  2. Pengaruh langsung X2 Terhadap M: pengaruh langsung X2 Terhadap M sebesar 0,345 dengan t hitung sebesar 3,825>1,96 atau dengan p value 0,000<0,05 maka terima H1 yang artinya pengaruh langsung tersebut signifikan. Setiap kenaikan satu unit X2 maka akan meningkatkan M sebesar 0,345 atau 34,5%.
  3. Pengaruh langsung X3 Terhadap M: pengaruh langsung X3 Terhadap M sebesar 0,574 dengan t hitung sebesar 5,302>1,96 atau dengan p value 0,000<0,05 maka terima H1 yang artinya pengaruh langsung tersebut signifikan. Setiap kenaikan satu unit X3 maka akan meningkatkan M sebesar 0,574 atau 57,4%.
  4. Pengaruh langsung X1 Terhadap Y: pengaruh langsung X1 Terhadap Y sebesar 0,173 dengan t hitung sebesar 2,235>1,96 atau dengan p value 0,025<0,05 maka terima H1 yang artinya pengaruh langsung tersebut signifikan. Setiap kenaikan satu unit X1 maka akan meningkatkan Y sebesar 0,173 atau 17,3%.
  5. Pengaruh langsung X2 Terhadap Y: pengaruh langsung X2 Terhadap Y sebesar 0,0566 dengan t hitung sebesar 0,620<1,96 atau dengan p value 0,535>0,05 maka terima H0 yang artinya pengaruh langsung tersebut tidak signifikan. Setiap kenaikan satu unit X1 maka akan meningkatkan Y sebesar 0,0566 atau 5,66%.
  6. Pengaruh langsung X3 Terhadap Y: pengaruh langsung X3 Terhadap Y sebesar 0,450 dengan t hitung sebesar 3,505>1,96 atau dengan p value 0,000<0,05 maka terima H1 yang artinya pengaruh langsung tersebut signifikan. Setiap kenaikan satu unit X3 maka akan meningkatkan Y sebesar 0,450 atau 45,0%.
  7. Pengaruh langsung M Terhadap Y: pengaruh langsung M2 Terhadap Y sebesar 0,282 dengan t hitung sebesar 1,823<1,96 atau dengan p value 0,068>0,05 maka terima H0 yang artinya pengaruh langsung tersebut tidak signifikan. Setiap kenaikan satu unit M maka akan meningkatkan Y sebesar 0,282 atau 28,2%.

Koefisien Determinasi

Masih menggunakan tabel Pengaruh Langsung atau Direct effects diatas, dapat disimpulkan hasil analisis koefisien determinasi sebagai berikut:

  1. Secara bersama-sama konstruk X1, X2 dan X3 dapat menjelaskan M sebesar 0,713 atau 71,3%. Dimana nilai 71,3% diatas 50% maka besarnya pengaruh simultan tersebut termasuk dalam kategori kuat. Nilai t hitung sebesar  3,211>1,96 atau p value 0,001<0,05 maka terima H1 yang artinya pengaruh simultan konstruk X1, X2 dan X3 terhadap M adalah signifikan.
  2. Secara bersama-sama konstruk X1, X2, X3 dan M dapat menjelaskan Y sebesar 0,701 atau 70,1%. Dimana nilai 70,1% diatas 50% maka besarnya pengaruh simultan tersebut termasuk dalam kategori kuat. Nilai t hitung sebesar  4,816>1,96 atau p value 0,000<0,05 maka terima H1 yang artinya pengaruh simultan konstruk X1, X2, X3 dan M terhadap Y adalah signifikan.

Persamaan Struktural Hasil Analisis SEM Lisrel

Berdasarkan hasil analisis yang ditampilkan pada gambar diatas sebelumnya (Pengaruh Langsung atau Direct Effects SEM) diatas, dapat dibuat persamaan model prediksi untuk memprediksi nilai M dan Y sebagai variabel endogen. Persamaan tersebut sebagai berikut:

M = 0,0848*X1 + 0,345*X2 + 0,574*X3 + error.

Y = 0,282*M + 0,173*X1 + 0,0566*X2 + 0,450*X3 + error.

Pengaruh Tidak langsung atau Indirect Effects SEM Lisrel

Pengaruh tidak langsung dapat dilihat pada output Structural Complete pada bagian Total and Indirect Effects seperti tampak di bawah ini:

Total dan Indirect Effects SEM Lisrel
Total dan Indirect Effects SEM Lisrel

Kesimpulan dari pengaruh tidak langsung atau indirect effects pada model SEM Lisrel ini adalah sebagai berikut:

  1. Pengaruh tidak langsung X1 terhadap Y melalui M: pengaruh tidak langsung X1 terhadap Y melalui M adalah sebesar 0,024 dengan t hitung sebesar 0,847<1,96 maka terima H0 yang artinya pengaruh tidak langsung tersebut adalah tidak signifikan. Setiap kenaikan satu unit X1 akan meningkatkan Y secara tidak langsung melalui M sebesar 0,024 atau 2,4%.
  2. Pengaruh tidak langsung X2 terhadap Y melalui M: pengaruh tidak langsung X2 terhadap Y melalui M adalah sebesar 0,097 dengan t hitung sebesar 1,657<1,96 maka terima H0 yang artinya pengaruh tidak langsung tersebut adalah tidak signifikan. Setiap kenaikan satu unit X2 akan meningkatkan Y secara tidak langsung melalui M sebesar 0,097 atau 9,7%.
  3. Pengaruh tidak langsung X3 terhadap Y melalui M: pengaruh tidak langsung X3 terhadap Y melalui M adalah sebesar 0,162 dengan t hitung sebesar 1,816<1,96 maka terima H0 yang artinya pengaruh tidak langsung tersebut adalah tidak signifikan. Setiap kenaikan satu unit X3 akan meningkatkan Y secara tidak langsung melalui M sebesar 0,162 atau 16,2%.

Pengaruh Total atau Total Effects SEM Lisrel

Pengaruh total adalah hasil penjumlahan dari pengaruh tidak langsung dan pengaruh langsung. Hasil analisis pengaruh total dapat dilihat pada output Structural Complete pada bagian Total and Indirect Effects seperti yang tampak dalam tabel diatas sebelumnya (Tabel Total dan Indirect Effects Sem Lisrel). Maka kesimpulannya adalah sebagai berikut:

  1. Pengaruh total X1 terhadap Y: pengaruh total X1 terhadap Y adalah sebesar 0,197 dengan t hitung sebesar 2,425>1,96 maka terima H1 yang artinya pengaruh total tersebut adalah signifikan. Setiap kenaikan satu unit X1 akan meningkatkan Y secara total sebesar 0,197 atau 19,7%.
  2. Pengaruh total X2 terhadap Y: pengaruh total X2 terhadap Y adalah sebesar 0,154 dengan t hitung sebesar 2,016>1,96 maka terima H1 yang artinya pengaruh total tersebut adalah signifikan. Setiap kenaikan satu unit X2 akan meningkatkan Y secara total sebesar 0,154 atau 15,4%.
  3. Pengaruh total X3 terhadap Y: pengaruh total X3 terhadap Y adalah sebesar 0,611 dengan t hitung sebesar 6,555>1,96 maka terima H1 yang artinya pengaruh total tersebut adalah signifikan. Setiap kenaikan satu unit X3 akan meningkatkan Y secara total sebesar 0,611 atau 61,1%.

Sedangkan pengaruh total X1, X2, X3 terhadap M dan pengaruh total M terhadap Y adalah sama dengan pengaruh langsungnya sebab tidak ada variabel perantara diantaranya.

Model FIT

Acuan Kriteria Model Fit

Untuk mengetahui apakah model yang dibuat didasarkan pada data observasi sesuai dengan model teori atau tidak diperlukan acuan indeks kecocokan model atau model fit. Berikut ini nilai-nilai indeks kecocokan model yang sering digunakan dalam SEM, diantaranya:

Chi Square, GFI, AGFI, TLI dan CFI
  1. Nilai Chi Square: semakin kecil maka model semakin sesuai antara model teori dan data sampel. Nilai ideal sebesar <3.
  2. Nilai indeks keselarasan (goodness of fit index) (GFI): mengukur jumlah relatif varian dan kovarian yang besarnya berkisar dari 0-1. Jika nilai besarnya mendekati 0 maka model mempunyai kecocokan yang rendah sedang nilai mendekati 1 maka model mempunyai kecocokan yang baik
  3. Nilai indeks keselarasan yang disesuaikan (Adjusted Goodness of Fit Index (AGFI): Fungsi sama dengan GFI perbedaan terletak pada penyesuaian nilai DF terhadap model yang dispesifikasi. Nilai AGFI sama dengan atau lebih besar dari 0,9. Jika nilai lebih besar dari 0,9 maka model mempunyai kesesuaian model keseluruhan yang baik.
  4. Tucker Lewis Indeks (TLI) dengan ketentuan sebagai penerimaan sebuah model sebesar sama dengan atau lebih besar dari 0,95. Jika nilai mendekati 1 maka model tersebut menunjukkan kecocokan yang sangat tinggi.
  5. Indeks Kecocokan Komparatif (Comparative Fit Index (CFI)) dengan nilai antara 0- 1 dengan ketentuan jika nilai mendekati angka 1 maka model yand dibuat mempunyai kecocokan yang sangat tinggi sedang jika nilai mendekati 0, maka model tidak mempunyai kecocokan yang baik.
RMSEA, RMR, PGFI, NFI, RFI, ECVI dan CN
  1. Root mean square error of approximation (RMSEA): berfungsi sebagai kriteria untuk pemodelan struktur kovarian dengan mempertimbangkan kesalahan yg mendekati populasi. Kecocokan model yg cocok dengan matriks kovarian populasi. Model baik jika nilainya lebih kecil atau sama dengan 0,05; cukup baik sebesar atau lebih kecil dari 0,08.
  2. Root Mean Square Residual (RMR): nilai rata-rata semua residual yang ditandarisasi. Nilai RMR berkisar mulai 0-1, suatu model yang cocok mempunyai nilai RMR < 0.05.
  3. Parsimony Based Indexes of Fit (PGFI): Parsimony model yang berfungsi untuk mempertimbangkan kekompleksitasan model yang dihipotesiskan dalam kaitannya dengan kecocokan model secara menyeluruh. Nilai kecocokan ideal adalah 0.9.
  4. Normed Fit Index (NFI): Nilai NFI mulai 0 – 1 diturunkan dari perbandingan antara model yang dihipotesiskan dengan suatu model independen tertentu. Model mempunyai kecocokan tinggi jika nilai mendekati 1.
  5. Relative Fit Index (RFI): merupakan turunan dari NFI dengan nilai 0-1. Model mempunyai kecocokan yang ideal dengan nilai 0.95.
  6. The Expected Cross Validation Index (ECVI): mengukur perbedaan antara matriks kovarian yang dicocokkan dalam sampel yg dianalisis dengan matriks kovarian yang diharapkan yang akan diperoleh dari sampel lain dengan ukuran yang sama. Nilai ECVI dapat berapa saja dan tidak ada kisarannya. Jika model mempunyai nilai ECVI terkecil, maka model tersebut dapat direplikasi.
  7. Hoelter’s Critical N (CN): berfungsi untuk melihat kecukupan ukuran sampel yang digunakan dalam riset. CN mempunyai ketentuan suatu model mempunyai ukuran sampel yang cukup jika nilai CN > 200.

Hasil Analisis Model Fit SEM Lisrel

Hasil analisis model fit pada analisis SEM Lisrel ini dapat dilihat pada output Structural bagian Model Fit seperti yang tampak sebagai berikut ini:

Model Fit SEM dengan Lisrel
Model Fit SEM dengan Lisrel

Berdasarkan hasil analisis Model FIT SEM Lisrel diatas, maka dapat disimpulkan sebagai berikut:

  1. Chi Square sebesar 177,609 dengan p value 0,000<0,05 maka tidak sesuai kriteria sehingga disimpulkan Tidak Fit.
  2. RMSEA sebesar 0,0860 > 0,08 maka tidak sesuai kriteria sehingga disimpulkan Tidak Fit.
  3. RMR sebesar 0,0359 < 0,08 maka sesuai kriteria sehingga disimpulkan Fit.
  4. SRMR sebesar 0,0670 < 0,08 maka sesuai kriteria sehingga disimpulkan Fit.
  5. GFI sebesar 0,885 < 0,9 maka tidak sesuai kriteria sehingga disimpulkan Tidak Fit.
  6. AGFI sebesar 0,828 < 0,9 maka tidak sesuai kriteria sehingga disimpulkan Tidak Fit.
  7. PGFI sebesar 0,590 < 0,9 maka tidak sesuai kriteria sehingga disimpulkan Tidak Fit.
  8. CFI sebesar 0,921 > 0,9 maka sesuai kriteria sehingga disimpulkan Fit.
  9. IFI sebesar 0,923 > 0,9 maka sesuai kriteria sehingga disimpulkan Fit.
  10. ECVI sebesar 1,561 mendekati saturated ECVI sebesar 1,455 maka sesuai kriteria sehingga disimpulkan Fit.
  11. CN sebesar 104,725 dimana jumlah sampel sebanyak 165 > CN sebesar 104,725, maka sesuai kriteria sehingga disimpulkan Fit.

Berdasarkan beberapa kriteria yang digunakan diatas, ada 6 kriteria yang menyatakan bahwa model fit, yaitu antara lain: RMR, SRMR, CFI, IFI, ECVI dan CN. Maka peneliti dapat menyimpulkan bahwa model telah fit. Namun sebagian pakar menyebutkan bahwa sebuah model dinyatakan fit apabila minimal ada 8 kriteria yang menyatakan model fit.

Bagaimana cara mengatasi masalah model fit agar menjadi fit? Solusinya adalah dengan melakukan Modification Indices, misalnya dengan cara membuat hubungan covariance antar error indikator free atau bebas, memberikan nilai variance indikator yang kecil dan tetap atau fixed serta menambah hubungan regresi antar indikator. Metode Modification Indices ini akan dijelaskan lebih lanjut oleh penulis pada artikel-artikel berikutnya tentang SEM Lisrel: Modification Indices pada SEM Lisrel dan Estimator Selain ML.

Baca Juga: Tutorial SmartPLS!

DAFTAR PUSTAKA

Abdillah & Jogiyanto. 2011. Partial Least Square (PLS), Alternatif Structural Equation Modeling (SEM) dalam Penelitian Bisnis (Buku). Andi Yogyakarta

Arbuckle, James L, 1997, Amos 7.0 User’s Guide. Chicago, IL: SPSS Inc.

Bahri, Fakhry Zamzam. 2015. Model Penelitian Kuantitatif berbasis SEM-AMOS. Yogyakarta: CV Budi Utama

Byrne, Barbara. M. (2001). Structural Equation Modeling With Amos: Basic Concepts, Applications, and Programming. London: Lawrence Erlbaum Associates Publishers

Ferdinand, A., 2006, Structural Equation Modeling dalam Penelitian Manajemen Aplikasi Model-Model Rumit Dalam Penelitian Untuk Tesis Magister dan Disertasi Doktor, UNDIP, Badan Penerbit Undip, Semarang.

Ghozali, Imam. 2005. Aplikasi Analisis Multivariate dengan SPSS. Semarang: Badan Penerbit UNDIP

Ghozali, I. & Fuad. Structural Equation Modeling dalam Penelitian Manajemen. Semarang: Badan Penerbit Universitas Diponegoro; 2005.

Ghozali, Imam. 2014. Structural Equation Modeling, Metode Alternatif dengan Partial Least Square (PLS). Edisi 4. Semarang: Badan Penerbit Universitas Diponegoro

Hair et al. 2010. Multivariate Data Analysis, Seventh Edition. New Jersey: Pearson Prentice Hall

Haryono, S., & Wardoyo, P. (2014). Structural Equation Modeling (H. Mintarjda (ed.)). PT. Intermedia Personalia Utama

Hair Anderson and Tatham Black, 1995, Multivariate Data Analysis, Prentice Hall, USA

Kurniawan, Heri dan Yamin, Sofyan; 2009, Structural Equation Modeling, Belajar Lebih Mudah Teknik Analisis Data Kuesioner dengan AMOS-PLS, Salemba Empat, Jakarta.

Maruyama, G. M. 1998. “Basic of Structural Equation Modeling”. Thousand Oaks: Sage Publications

Narimawati, Umi dan Jonathan Sarwono.(2007). Structural Equation Model (SEM) Dalam Riset Ekonomi:

Santoso, Singgih, 2011, Structural Equation Modeling, Konsep dan Aplikasi dengan AMOS 18.0, PT. Elex Media Komputindo, Jakarta.

Sarwono, Jonathan. (2008). Mengenal AMOS untuk Analisis Structural Equation Model. Dalam proses penerbitan

Schumacker, R. E. & Lomax, R. G. A Beginner’s Guide to Structural Equation Modeling (3th Ed.). New York: Routledge; 2010.

Tabachnick, B. G., & Fidell, L. S. Using Multivariate Statistics (7th Ed.). Boston: Allyn & Bacon; 2013.

Wijanto, S.H. Structural Equation Modeling (SEM). Yogyakarta: Graha Ilmu; 2008.

Jasa Olah Data Aman Terpercaya

TINGGALKAN KOMENTAR

Silakan masukkan komentar anda!
Silakan masukkan nama Anda di sini