Perbandingan Model Covariance Base Structural Equation Modeling (CB-SEM) SmartPLS dengan Covariance Base Structural Equation Modeling (CB-SEM) AMOS

Dalam analisis Structural Equation Modeling (SEM) seperti yang sudah kita kenal ada 2 metode pendekatan yaitu berdasarkan variance base yakni Partial Least Squares yang menggunakan software SmartPLS, XLStats, PLS Graph dan VisualPLS, kemudian untuk kovariance base yang menggunakan  software AMOS, Lisrel, dan EQS. 

Sejak peluncuran SmartPLS versi 4, ada fitur baru pada smartPLS yaitu dapat melakukan estimasi model SEM berbasis kovarian (CB SEM). Dapatkan dan download SmartPLS 4 terbaru  www.smartpls.com

Oleh karena itu pada kesempatan kali ini saya akan membandingkan hasil model CB SEM AMOS dengan CB SEM SmartPLS. Dengan menggunakan model SEM Staying Intention yang menggunakan 4 variabel laten masing-masing diukur dengan indikatornya dan sampel sebanyak 200 sampel :

1) Environmental Perceptions sebagai variabel endogen diukur dengan 3 indikator : X11, X12, X13.
2) Attitude toward Coworkers sebagai variabel endogen diukur dengan 3 indikator : X21, X22, X23.
3) Job Satisfaction sebagai variabel endogen diukur dengan 3 indikator : Y1, Y2 dan Y3.
4) Staying intention sebagai variabel endogen diukur dengan 5 indikator : Y21, Y22, Y23, Y24 dan Y25.

Berikut ini bentuk model dalam notasi 

Model SEM dalam Notasi

 Model CB SEM AMOS diestimasi dengan menggunakan estimasi Maximum likelihood. Hasil model dibawah ini.

Gambar. Model Analisis CB SEM dengan AMOS

Sedangkan pada hasil model dengan SmartPLS ada 2 model yang dihasilkan. Yang pertama hasil model PLS Algorithm untuk pengujian Outer Model dan kedua hasil PLS Bootstraping untuk pengujian structural model.

Gambar. Model Analisis CB-SEM dengan SmartPLS (Algorithm)

 

Gambar. Model Analisis CB-SEM dengan SmartPLS (Bootstraping)

 

Hasil pengujian validitas pada indikator dapat dilihat pada nilai Regression weights standardized pada CB SEM AMOS dan nilai outer loading standardized hasil CB SEM SmartPLS dan yang diperoleh tiap indikator, selengkapnya dapat dilihat pada tabel di bawah ini.

Tabel. Regression weight CB SEM AMOS dan Outer Loading  CB SEM SmartPLS

Pada tabel diatas nilai standardized regression weight pada variabel Enviromental Perceptions, nilai loading indikator X11 sebesar 0.899, X12 0.832, X13 0.773. Variabel Attitudes toward Coworkers, indikator X21 sensar 0.727, X22 0.868, X23 0.773. Variabel Job satisfaction, nilai loading indikator Y1 sebesar 0.814, Y2 0.858, dan Y3 0.811. Variabel Staying Intention, nilai loading indikator Y21 sebesar 0.744, Y22 0.787, Y23 0.765, Y24 0.840 dan Y25 sebesar 0.754. Demikian juga untuk hasil CB SEM SmartPLS, semua nilai loading indikator (outer loading) memperoleh nilai loading yang sama dengan hasil CB SEM AMOS. Dari hasil tersebut nilai loading indikator > 0.7 menunjukkan bahwa indikator-indikator tersebut valid sebagai pengukur konstrak atau variabel latennnya.

1. Reliabilitas

Reliabilitas adalah ukuran mengenai konsitensi internal dari indikator sebuah variabel laten yang menunjukkan derajat sampai dimana masing-masing indikator itu mengindikasikan sebuah konstruk/faktor laten yang umum. Hasil pengujian Composite reliability dan AVE CB SEM SmartPLS, pengujian contruct reliability dan variance extracted CB SEM AMOS selengkapnya disajikan pada tabel di bawah ini.

Tabel. Uji Composite Reliability dan AVE CB SEM SmartPLS, Construct Reliability dan Variance Extracted CB SEM AMOS

Dari hasil pengujian composite reliability dan AVE CB SEM SmartPLS menunjukkan bahwa nilai composite reliability variabel Attitude toward coworkers sebesar 0.836, Environmental perceptions 0.874, Job satisfaction 0.865 dan Staying Intention sebesar 0.884. Demikian untuk nilai AVE variabel Attitude toward coworkers sebesar 0.627, Environmental perceptions 0.699, Job satisfaction 0.685 dan Staying Intention sebesar 0.606. semua variabel memenuhi syarat cutt of composite reliability > 0.7 dan syarat AVE > 0.5.
Berdasarkan hasil perhitungan reliabilitas di atas menunjukkan bahwa construct reliability variabel Attitudes toward coworkers 0.833, Environmental Perceptions sebesar 0.874, Job satisfaction 0.867 dan Staying Intention 0.885. Semua variabel memenuhi kriteria syarat cut off value >0.70. Demikian untuk nilai variance extracted variabel Attitudes toward coworkers 0.626, Environmental Perceptions sebesar 0.699, Job satisfaction 0.685 dan Staying Intention 0.606 memenuhi syarat cut off value >0.50 sehingga dapat disimpulkan bahwa masing-masing variabel laten memenuhi kriteria reliabilitas.
Uji Reliabilitas selain dengan pengujian diatas dapat dilakukan dengan uji validitas diskriminan untuk CB SEM AMOS dan uji Fornell Larcker pada CB SEM SmartPLS. Pengujian ini dilakukan dengan membandingkan antara nilai akar AVE dengan nilai korelasi antar variabel. Variabel dikatakan memiliki diskriminan yang baik jika nilai akar AVE lebih tinggi dari korelasi antar variabel yang lain. Hasil selengkapnya disajikan pada tabel di bawah ini.

Tabel. Diskiminan validitas (CB SEM AMOS)

Pada tabel diatas menunjukkan bahwa nilai akar AVE Attitude to wards Coworkers sebesar 0.792 lebih tinggi dibandingkan nilai korelasi antara Attitude towards coworkers dengan environemntal perceptions sebesar 0.186, korelasi dengan job satisfaction 0.251 dan staying intention sebesar 0.444. Demikian untuk nilai akar AVE Enviromental perceptions 0.836, Job satisfaction 0.828 dan Staying intention 0.779 lebih tinggi dibandingkan nilai korelasi antar variabel yang lain.
Hasil pengujian fornell larcker CB SEM SmartPLS selengkapnya disajikan pada tabel di bawah ini.

Tabel. Fornell Larcker  Criterion (CB SEM SmartPLS)

Pada tabel diatas menunjukkan bahwa nilai akar AVE Attitude towards Coworkers sebesar 0.792 lebih tinggi dibandingkan nilai korelasi antara Attitude towards coworkers dengan environemntal perceptions sebesar 0.197, korelasi dengan job satisfaction 0.091 dan staying intention sebesar 0.402. Demikian untuk nilai akar AVE Enviromental perceptions 0.836, Job satisfaction 0.828 dan Staying intention 0.779 lebih tinggi dibandingkan nilai korelasi antar variabel yang lain.

2. Absolute Fit Measures

Absolute fit measures adalah ukuran langsung digunakan untuk mengetahui seberapa baik model yang ditetapkan dalam penelitian mampu memproduksi data yang diamati. Berdasarkan hasil kesesuaian model yang fit, karena memenuhi indeks pengujian berdasarkan rule of thumb yang disyaratkan. Artinya model tersebut secara empirik dapat diujikan (terdapat kesesuaian dengan data). Chi-Square (χ2) merupakan ukuran fundamental dari overall fit, jika nilai chi-square kecil maka akan menghasilkan nilai probabilitas (p) yang besar, hal ini menunjukkan bahwa input matriks kovarian antara prediksi dengan observasi sesungguhnya, tidak berbeda secara signifikan. Dengan kata lain, pengujian ini nilai chi-square (χ2) yang rendah akan menghasilkan sebuah tingkat signifikansi yang lebih besar dari 0.05 sehingga tidak adanya perbedaan yang signifikan antara matriks kovarians data dan matriks kovarians yang diestimasi. CMIN/DF merupakan nilai chi-square dibagi dengan degree of freedom. Indeks ini diperoleh dengan cara CMIN (the Minimum sample discrepancy function) dibagi dengan degree of freedom-nya. Dalam hal ini CMIN/DF tidak lain adalah statistic χ2 dibagi df-nya sehingga disebut χ2-relatif. Nilai χ2 relatif kurang dari 2.00 atau bahkan kurang dari 3.00 adalah indikasi dari acceptable fit antara model dan data. Root mean square error of approximation (RMSEA) adalah sebuah indeks yang dapat digunakan untuk mengkompensasi chi-square statistik dalam sampel yang besar. Nilai RMSEA yang lebih kecil dari 0.08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model. Ukuran RMSEA lebih tahan dengan jumlah sampel atau tidak dipengaruhi oleh jumlah sampel yang digunakan. Goodness of Fit Index (GFI) adalah ukuran relative jumlah varians dan kovarians dalam S ((matriks kovarians data sampel) yang dijelaskan oleh ∑ (matrik kovarians populasi). GFI adalah ukuran nonstatistikal yang mempunyai rentang nilai antara 0-1. Nilai >0.9 menunjukkan model fit. Hasil selengkapnya disajikan pada tabel di bawah ini.

Tabel. Absolute  Fit Measures

Hasil estimasi CB SEM AMOS untuk chi square sebesar 77.061, cmin/df 1.070, Probabilitas (p-value) 0.320, RMSEA 0.019 dan GFI sebesar 0.949. Hasil estimasi dari analisis CB SEM SmartPLS untuk chi square sebesar 77.448, cmin/df 1.076, Probabilitas (p-value) 0.309, RMSEA 0.019 dan GFI sebesar 0.949. Demikian hasil kedua analisis CB SEM AMOS dan CB SEM SmartPLS menghasilkan nilai indeks Chi square, cmin/df, probabilitas, RMSEA dan GFI yang tidak jauh berbeda dan nilai di atas batas rule of thumbs sehingga model dikatakan fit.

3. Incremental Fit Measures

Incremental fit Measures dimaksudkan untuk menilai seberapa baik model yang diestimasi ileh peneliti dibandingkan dengan beberapa model alternative. Beberapa ukuran Incremental fit Measures yaitu Adjusted Goodness Fit Index (AGFI), Tucker Lewis Index (TLI), (CFI) dan Normed Fit Index (NFI).
AGFI merupakan  analog dari R2 dalam regresi berganda. Fit Index ini diperoleh dari di-adjust terhadap degress of freedom (df) yang tersedia untuk menguji diterima tidaknya model. Nilai AGFI yang direkomendasikan ≥0.90. Tucker Lewis index (TLI) adalah sebuah alternative incremental fit index yang membandingkan sebuah model yang diuji dengan terhadap baseline model. Nilai yang direkomendasikan criteria fit ≥0.95. Comparative Fit Index (CFI) merupakan nilai indeks dimana rentang nilai antara 0-1. Kriteria nilai CFI ≥0.95 dapat dikatakan model fit. Nilai Normed Fit Index (NFI) memiliki batas cut of value untuk indeks ini adalah mendekati 0.90. Hasil nilai estimasi nilai Incremental fit Measures pada CB SEM AMOS dan CB SEM SmartPLS selngkapnya disajikan pada tabel di bawah ini.

Tabel. Incremental Fit Measures

Hasil estimasi CB SEM AMOS untuk AGFI sebesar 0.926, TLI 0.996, CFI 0.997 dan NFI sebesar 0.950. Hasil estimasi dari CB SEM SmartPLS untuk AGFI 0.926, TLI 0.995, CFI 0.996 dan NFI 0.950. Demikian hasil kedua analisis CB SEM AMOS dan CB SEM SmartPLS menghasilkan nilai indeks AGFI, TLI, CFI dan NFI yang tidak jauh berbeda dan nilai di atas batas rule of thumbs sehingga model dikatakan fit. 

Untuk menguji model structural  dapat diketahui dari nilai R2 yang merupakan uji Goodness of the fit. Uji R-square diperoleh pada variabel laten/konstrak endogen, dimana variasi pada variabel laten/konstrak tersebut dapat dijelaskan oleh variabel/konstrak endogenya. Hasil nilai R-square pada model CB-SEM AMOS dan CB-SEM SmartPLS selengkapnya disajikan pada tabel di bawah ini.

Tabel. Nilai R-Square

Pada tabel diatas menunjukkan bahwa nilai R-square dari output CB-SEM AMOS yaitu Squared Multiple Correlations. Nilai R-square variabel Job Satisfaction pada CB SEM AMOS sebesar 0.211 dan hasil CB SEM SmartPLS juga 0.211. Demikian untuk nilai R-square variabel Staying Intention memperoleh nilai masing-masing 0.420 baik pada CB SEM AMOS maupun pada CB SEM SmartPLS. Hasil kedua analisis menghasilkan nilai R-square yang sama.

4. Uji Kausalitas

Hasil  pengujian kausalitas koefisien pengaruh dari model struktural selengkapnya disajikan pada tabel di bawah ini.

Tabel.  Pengujian Hipotesis

Pengujian koefisien pengaruh dari variabel eksogen terhadap variabel endogen untuk CB-SEM AMOS menggunakan nilai critical ratio (CR) dan nilai signifikansi p-value, sedangkan CB SEM SmartPLS menggunkan nilai t statistik dan p-value  < 0.05. Hasil pengujian hipotesis selengkapnya disajikan sebagai berikut :
1) Hipotesis 1
Dari model CB-SEM AMOS memberikan hasil nilai estimasi koefisien pengaruh Environmental Perceptions terhadap Job Satisfaction sebesar 0.412, nilai CR 5.784 dan p-value 0.000. Demikian juga untuk CB-SEM SmartPLS memperoleh nilai koefisien pengaruh sebesar 0.412, nilai statistik 5.354 dan p-value 0.000. Hasil tersebut membuktikan bahwa Environment Perceptions berpengaruh signifikan terhadap Job Satisfaction.
2) Hipotesis 2
Dari model CB-SEM AMOS memberikan hasil nilai estimasi koefisien pengaruh Environmental Perceptions terhadap Staying Intention sebesar 0.193, nilai CR 2.954 dan p-value 0.003. Demikian juga untuk CB-SEM SmartPLS memperoleh nilai koefisien pengaruh sebesar 0.193, nilai statistik 2.092 dan p-value 0.037. Hasil tersebut membuktikan bahwa Environment Perceptions berpengaruh signifikan terhadap Staying Intention.
3) Hipotesis 3
Dari model CB-SEM AMOS memberikan hasil nilai estimasi koefisien pengaruh Attitudes Towards Coworkes terhadap Staying Intention sebesar 0.324, nilai CR 4.316 dan p-value 0.000. Demikian juga untuk CB-SEM SmartPLS memperoleh nilai koefisien pengaruh sebesar 0.363, nilai statistik 2.930 dan p-value 0.004. Hasil tersebut membuktikan bahwa Attitudes Towards Coworkes berpengaruh signifikan terhadap Staying Intention.
4) Hipotesis 4
Dari model CB-SEM AMOS memberikan hasil nilai estimasi koefisien pengaruh Job Satisfaction terhadap Staying Intention sebesar 0.341, nilai CR 4.371 dan p-value 0.000. Demikian juga untuk CB-SEM SmartPLS memperoleh nilai koefisien pengaruh sebesar 0.341, nilai statistik 3.333 dan p-value 0.001. Hasil tersebut membuktikan bahwa Job Satisfaction berpengaruh signifikan terhadap Staying Intention.

5. Kesimpulan

1. Hasil pengujian untuk nilai loading indikator (standard loadng) dari indikator terhadap variabel latennya menunjukan hasil nilai yang sama antara CB SEM SmartPLS dengan CB SEM AMOS. Bahkan untuk uji Reliabilitas (composite reliability dan variance extracted) memberikan hasil pengujian yang sama antara keduanya.
2. Hasil pengujian fit model seperti chi square, cmin/df, Probabilitas, GFI, AGFI, CFI, TLI memperoleh nilai yang tidak jauh berbeda antara kedua pengujian tersebut dan masih dalam ketagori fit model.
3. Nilai R square pengujian kedua model memperoleh nilai yang sama.
4. Hasil uji hipotesis yaitu nilai koefisien pengaruh variabel eksogen terhadap endogen memperoleh nilai koefisien yang sama, tetapi nilai (Critical Ratio, nilai T statistic) dan p-value memiliki nilai yang tidak berbeda  jauh. Tetapi untuk hasil keputusan hipotesis tidak ada perbedaan.
5. CB SEM AMOS menggunakan pendekatan estimasi Maximum Likelihood dengan asumsi  data distribusi normal, sedangkan CB-SEM SmartPLS menggunakan langkah PLS algorithm dan bootstraping dengan asumsi data tidak berdistribusi normal.

Referensi

Ghozali, I dan Kusumadewi, K, A. 2023. Partial Least Squares : Konsep, Teknik, dan Aplikasi Menggunakan Program SmartPLS 4.0. Semarang : Badan Penerbit Universitas Diponegoro.

Piaw, C, Y.2023. Step by Step Guide : PLS SEM Data Analysis Using SmartPLS 4.0

Referensi Syntax Simplis Pada Lisrel Bagian II

Dalam program LISREL, file simplis ditulis dalam bentuk syntax yang harus sesuai dengan aturan atau kaidah tertentu agar Lisrel dapat melakukan running data. 

 

 Ada beberapa kaidah-kaidah dalam penulisan syntax Simplis sebagai berikut :

1. Menskalakan variabel laten

Seperti telah kita ketahui bahwa variabel laten merupakan variabel tidak diukur secara langsung. Sehingga untuk menentukan unit pengukuran dari variabel laten dengan mngasumsikan bahwa variabel latenb tersebut standardized. Hal ini dapat dilakukan dengan menuliskan langsung hubungan antara indikator dengan variabel latenya.

Langkah lain dengan menentukan unit pengukuran variabel laten adalah dengan menentukan koefisien hubungan antara 1 indikator varibael laten menjadi 1. Indikator yang nilai koefisien terhadap variabel laten ditentukan  tersebut dinamakan  dengan variabel reference. Sebagai contoh indikator X1 sebagai reference dibawah ini :

    MK1 = 1*Motivasi

    MK2 = Motivasi

    MK3 = Motivasi

    MK4 = Motivasi

2. Starting Value 

Hasil estimasi suatu parameter dapat menghasilkan nilai koefisien regresi tetapi koefisien regresi tersebut tidak reliabel. Untuk itu, lisrel menyediakan fasilitas yang dinamakan starting value, yang mana fasilitas ini digunakan untuk memberikan nilai awal pada suatu koefisien regresi. NIlai ini bukan berarti menetapkan suatu parameter, tetapi Lisrel memberikan perintah untuk mengestimasi dengan nilai-nilai yang ditentukan tersebut. Sebagai contoh cara penulisan yang berbeda dalam pemberikan starting value dengan nilai parameter dibawah ini :

kinerja = 0.53*pelayan                   ---> nilai parameter

kinerja = (0.53)*pelayan                ---> starting value

Contoh pertama bahwa hubungan antara kinerja dengan pelayanan ditentukan nilai parameter regresi sebesar 0.53, akan menghasilkan nilai koefisien sebesar 0.53.

Sedangkan pada baris kedua, hubungan antara kinerja dengan pelayanan diberi starting value sebesar 0.53, hanya memerintahkan Lisrel mengestimasi parameter sebesar 0.53. 

3. Error Variance dan Covariance 

Ada 3 jenis eror dalam model SEM, antara lain :

• Kesalahan pengukuran pada variabel observed X (indikator variabel eksogen)
• Kesalahan pengukuran pada variabel observed Y (indikator variabel endogen)
• Kesalahan struktural pada persamaan struktural. 

1). Menentukan error variance

Secara default nilai eror variance diestimasi  oleh Lisrel. Dalam keadaan tertentu model dapat terjadi Heywood case, hal ini terjadi karena ada nilai eror variance negatif tersebut harus ditentukan nilainya menjadi positif yang sangat kecil. Cara menentukan nilai eror variance sebagai berikut :

        Let the error variance of kinerja to 0.01 

Atau,

        Let the error variance of kinerja equal to 0.01

 2). Error Covariance

Secara default, seluruh eror diasumsikan tidak saling berkorelasi. Namun kita dapat mengestimasi dua eror untuk saling berkorelasi. Ada beberapa korelasi antar eror yang dapat dilakukan antara lain :

• Korelasi eror antara dua indikator variabel laten eksogen (X)
• Korelasi eror antara dua indikator variabel laten endogen (Y)
• Korelasi eror antara 1 indikator  variabel laten eksogen (X) dengan satu indikator variabel laten endogen (Y). 

 4. Tidak mengkorelasikan variabel eksogen 

Dalam model SEM variabel laten eksogen secara default diasumsikan saling berkorelasi. Apabila menginginkan agar variabel laten eksogen tidak saling berkorelasi, maka dapat dituls dengan :

       Set the covariance of X1 - X4 to 0 

 Atau,

       Set the correlations of X1 - X4 to 0 

5. Menyamakan konstrain 

Dalam beberapa hal, kita menginginkan ada parameter yang memiliki estimasi yang sama maka dapat dilakukan pada path (hubungan antara variabel) atau pada beberapa eror varians.

1) Menyamakan path

Untuk dua atau lebih dari suatu koefisien parameter menjadi 1 parameter tunggal atau sama dapat dilakukan dengan penulisan syntax. Misalnya pengaruh variabel Kompetensi terhadap Disiplin memiliki koefisien yang sama dengan pengaruh dari variabel Fasilitas terhadap Disiplin. Penulisan syntax sebagai berikut :

       Set the Path from kompten to disiplin equal to the path from fasilts to disiplin

atau dapat ditulis dengan lebih pendek yaitu :

       Set path from kompten to disiplin = path from fasilts to disiplin

       Set path kompten -> disiplin = path fasilts -> disiplin

       Set kompten -> disiplin = fasilts -> disiplin

Atau dengan menggunakan kata Let, dapat ditulis dengan : 

       Let the Path from kompten to disiplin equal to the path from fasilts to disiplin

       Let path from kompten to disiplin = path from fasilts to disiplin

       Let path kompten -> disiplin = path fasilts -> disiplin

       Let kompten -> disiplin = fasilts -> disiplin

2) Menyamakan error varians

Untuk dua (2) eror varians yang sama dapat ditulis dengan :

       Set the Error variances: VarK - VarL equal

Atau, 

       Let the Error variances: VarK - VarL equal

Jadi ada eror varians yang saling berurutan (misal VarK, VarL, VarM, VarN) maka : 

       Equal Error Variances: VarK - VarN 

6. Option

Ada beberapa pilihan )option) yang tersedia untuk menghasilan output yang diinginkan. Masing-masing opsi tersebut dapat ditulis secara langsung dalam baris terpisah atau ditulis dengan kata kunci tertentu dalam baris Options. Beberapa opsi yang tersedia dalam syntax Lisrel antara lain :

       Print Residuals

       Wide Print

       Numer of decimals = k

       Methods of Estimations = Maximum Likelihod

       Adminissibility Check = off

       Iterations = k

Untuk opsi-opsi diatas dapat ditulis dalam satu baris dengan :

       Options: RS WP ND=3 ME = ML AD=off IT = 100

7. Lisrel Output

Pada hasil keluaran SIMPLIS model yang diestimasi berdasarkan bentuk persamaan, pada Lisrel model yang dihasilkan dalam bentuk matrik. Output Simplis diperoleh secara default sedangkan format Lisrel dapat diperoleh dengan menuliskan perintah pada file input.

       Lisrel Output

Apabila tidak ada hal-hal lain dimasukan dalam baris LISREL output maka informasi yang dihasilkan sam dengan output SIMPLIS. Tetapi dapat juga ditambahkan kata kunci yang lain untuk informasi tambahan pada baris Lisrel Output, misalkan :

       Lisrel Output: SS SC EF VA MR RS PC PT

Dimana :

SS : menghasilkan nilai standardized solutions

SC : menghasilkan nilai seluruhnya standardized solutions

EF : menghasilkan nilai pengaruh langsung dan tidak langsung

VA : menghasilkan nilai varians dan kovarians

MR : menghasilkan sama dengan RS dan VA

RS : menghasilkan nilai faktor regresi

PC : menghasilkan nilai korelasi antara estimasi parameter

PT : menghasilkan informasi-informasi teknis 

8. End Of Problem

Untuk menuliskan syntax bahwa seluruh persamaan telah dituliskan maka baris terakhir ditulis :

       End of Problem

Perintah tersebut adalah opsional, tetapi sangat dianjurkan pada analsisis multisampel. Pada model multisample dituliskan pada akhir kelompok, tidak pada masing-masing kelompok.

Baca juga :

1. Referensi Syntax Simplis Pada Lisrel Bagian I

2. Uji Kesesuaian Fit Model Structural Equation Modeling

3. Uji Asumsi pada Model Structural Equation Modeling
   

Referensi :

Byrne, B.M.(1998). Structural Equation Modeling With Lisrel, Prelis and Simplis: Basic Concepts, Applications and Programing. New Jersey: Lawrence Erlabaum Associates,Inc

Diamantopoilos,A and Siguw,J.A.(2000). Introduction Lisrel: A Guide for the Unitiated. London: Sage Publications

Ghozali,I dan Fuad.(2014). Structural Equation Modeling : Teori, Konsep dan Aplikasi dengan Program Lisrel 9.10 Edisi 4. Semarang : Badan Penerbit Universitas Diponegoro

Joreskog, K.G And Sorbom,D.(1993). Lisrel 8 : Structural Equation Modeling the Simplis Command Language. Lincolwood: Scientific Software International

Muller, R.O.(1996). Basic Principles of Structural Equation Modeling : An Introduction of Lisrel and EQS. New York: Springer.

 

Referensi Syntax Simplis Pada Lisrel Bagian I

Dalam program Lisrel, Simplis ditulis dalam bentuk syntax yang harus sesuai dengan aturan/kaidah tertentu agar Lisrel dapat melakukan runing data. 

 

 Ada beberapa kaidah-kaidah dalam penulisan syntax simplis sebagai berikut :

1. Input Data

Format input dapat dilakukan dengan berbagai macam bentuk seperti data mentah (raw data), data matrik kovarian atau matrik korelasi. Seperti contoh dibawah ini. 

Input data matrik kovarian

Input data diatas artinya data diperoleh dari matrik kovarian dengan nama file inputdatamatrik.cov.

Berbeda dengan data mentah (raw data). Tanda petik digunakan agar Lisrel mampu membaca seluruh kalimat pada input file. Perhatikan bahwa matrik kovarian tidak memiliki nama variabel, maka sebelum ditentukan data matrik kovarian, nama variabel ditentukan terlebih dahulu. Seperti terlihat diatas : Observed variables X1 X2 X3 X4..Y4

Data mentah (rata data) sebagai input data sebagai berikut : 

Input raw data

2. Baris Judul

Pada syntax simplis, baris pertama dapat digunakan sebagai judul yang dimulai dengan tanda !

Kecuali pada baris pertama ada : 

• Baris yang dimulai denga kata Observed variables atau Labels. Baris ini adalah perintah pertama dalam input file SIMPLIS.
• Baris yang dua karakter pertamanya dimulai dengan DA, Da, dA, atau da, yang merupakan baris perintah dalam input file SIMPLIS.

3. Variabel Observed 

Baris selanjutnya adalah Observed variables yang merupakan variabel yang memiliki nilai pada input data. Baris yang menggunakan perintah diatas, dilakukan jika data input menggunakan matrik kovarian atau matrik korelasi atau data mentah yang disimpan dalam file txt. Sedangkan data mentah (raw data) yang disimpan dalam program LISREL data tidak perlu ditentukan nama variabelnya. Observed variables dituliskan dengan memberikan spasi antara variabel yang satu dengan variabel yang lainnya.

Observed variables

4. Data

Input data pada program Lisrel dapat dilakukan dengan format yaitu : 

• Data mentah (raw data), 
• Matrik Kovarian,
• Matrik Korelasi, 
• Matrik Kovarian dan Means, 
• Matrik Korelasi dan Standard Deviasi, 
• Matrik Korelasi, Standard Deviasi dan Means.

Selain format diatas, input data dapat dilakukan dengan format : Asymptotic covariance matrix.

1)  Data Mentah

Data mentah sebenarnya dapat dituliskan secara langsung pada file input, tetapi data mentah sebaiknya disimpan pada file ekternal seperti notepad tetapi lebih baik disimpan dalam file Lisrel Data. Untuk membaca data mentah dari suatu file dapat dituliskan : 

Input Raw Data

Penggunaan data mentah memiliki kelemahan apabila ada missing data (data hilang atau kosong) pada salah satu kasus. Untuk mengatasi masalah missing data ini dapat dilakukan menggunakan program Lissrel data yang menghasilkan matrik kovarian atau matrik korelasi.

2) Matrik kovarian atau Matrik korelasi

Matrik kovarian atau matrik korelasi merupakan matrik simetris yang mana hanya elemen-elemen yang terdapat pada diagonal yang diberikan. Jika ada n variabel obseved, maka matrik yang terbentuk berupa n x n yang terdiri dari n (n+1)/2. Sehingga jika ada 7 variabel observed maka elemen matrik ada 28 yang dihitung dari 7 (7+1)/2. Contoh matrik kovarian :

Contoh matrik kovarian

Matrik tersebut diatas dapat diinput ditulis dengan berbagai format antara lain :

Input Matrik kovarian 1

Atau,

Input Matrik kovarian 2

Atau,

Input Matrik Kovarian 3

Elemen-elemen matrik tersebut dibedakan berdasarkan spasi dan dapat berlaku untuk matrik kovarian atau matrik korelasi.

3) Mean dan Standar deviasi

Perintah untuk menbaca mean adalah

Means: 6.54 8.87 7.14 8.37

Atau,

Means:

6.54 8.87 7.14 8.376.54 8.87 7.14 8.37

Atau untuk standar deviasi ditulis dengan :

Standard deviations:

0.334 0.356 0.421 0.527

4) Asymptotic covariance matrix

Matrik ini diperlukan untuk mengestimasi berdasarkan metode Weighted Least Squares (WLS) dimana matrik ini diperoleh dari Lisrel Data. Untuk membaca matrik asymptotic covariance dapat ditulis dengan perintah :

Asymptotic Covariances from file D:\SEM\ModelKinerja\inputdatakovarian.acm

5) Asymptotic variance

Asymptotic variance digunkan apabila estimasi berdasarkan metode Diagonally Weighted Least Squares (DWLS). Matrik ini diperoleh dari Lisrel Data. Untuk membaca asymptotic variances dapat ditulis dengan perintah :

Asymptotic variances from file D:\SEM\ModelKinerja\inputdatavarians.avm

 

 5. Ukuran Sampel

Ada berbagai macam car penulisan yang dapat digunakan untuk menginput ukuran sampel yaitu :

Sampel Size

Input Sampel size adalah opsional, dalam hal ini apabila input data dilakukan dalam bentuk matrik kovarian atau matrik korelasi.

6. Variabel Laten atau Unobserved

Untuk menuliskan variabel laten dapat menggunakan perintah Latent Variables atau Unobserved Variables. Perlu diperhatikan bahwa jua nama variabel observed tidak boleh sama dengan variabel laten. penulisan variabel laten dapat dilakukan dengan perintah :

Latent Variables: Motivasi EfiDiri KepKerja

7. Relationship atau hubungan 

Untuk hubungan antara variabel dapat ditulis dengan Relationships, Relations atau Equations. Penulisan judul ini opsional dimana penulisan hubungan antar variabel dapat ditulis tanpa header diatas. Ada beberapa aturan untuk penulisan hubungan antar variabel yaitu :

variabel dependen = variabel independen

indikator = variabel laten

Pada baris pertama terlihat bahwa variabel dependen sebelah kiri dan variabel independen sebelah kanan. Penulisan dapat dilakukan secara simultan yaitu variabel independen dapat ditulis dalam satu baris dengan memberikan jarak spasi.

Pada baris kedua hubungan antara indikator dengan variabel laten, dimana penulisan indikator disebelah kiria dan bvariabel laten disebelah kanan. Penulisan indikator juga dapat dilakukan secara simultan dalam satu baris. Contoh penulisan seperti dibawah ini.

Relationships 1

Atau,

Relationships 2

Kedua penulisan diatas adalah sama dan kedua dilakukan dengan cara lebih pendek. Penulisan juga dapat dilakukan dengan tanda panah (path) sebagai berikut :

Relationship 3

Baca juga :

1. Referensi Syntax Simplis Bagian II

2. Konseptual dan Transformasi Model SEM

3. Input Data Pada Lisrel

Referensi : 

Byrne, B.M.(1998).Structural Equation Modeling With Lisrel, Prelis and Simplis: Basic Concepts, Applications and Programing. New Jersey: Lawrence Erlabaum Associates,Inc.
Diamantopoilos,A and Siguw,J.A.(2000).Introduction Lisrel: A Guide for the Uninitiated.London: Sage Publications.
Ghozali,I dan Fuad.(2014). Structural Equation Modeling : Teori, Konsep dan Aplikasi dengan Program Lisrel 9.10 Edisi 4. Semarang : Badan Penerbit Universitas Diponegoro.
Joreskog, K.G And Sorbom,D.(1993).Lisrel 8 : Structural Equation Modeling the Simplis Command Language. Lincolwood: scientific Sofware International.
Muller, R.O.(199).Basic Principles of structural Equation Modeling : An Introduction of Lisrel and EQS. New York: Springer.