Iklan

SEM dan LISREL (Seri LISREL bag.1)


Tulisan kali ini merupakan pengantar untuk seri tulisan yang akan membahas mengenai aplikasi Program LISREL. Sebagai suatu pengantar, pada bagian ini akan diberikan konsep-konsep dasar yang berguna untuk mengikuti pembahasan pada tulisan berikutnya.

1. Konsep Stuctural Equation Modelling (SEM)

Dalam penelitian, kita seringkali menganalisis hubungan atau pengaruh antar variabel. Tetapi, seringkali juga dalam penelitian (terutama dalam penelitian ilmu sosial) kita berhadapan dengan variabel yang tidak bisa diukur secara langsung (misalnya kinerja karyawan, kepribadian dan lainnya), dan memerlukan beberapa indikator untuk pengukurannya. Variabel yang tidak bisa diukur ini dinamakan dengan konstruk laten/variabel laten/variabel unobserved, sedangkan indikator sebagai variabel terukur dinamakan sebagai variabel manifest/variabel observed.

Misalnya di bidang manajemen keuangan, kita ingin menganalisis pengaruh efektivitas penggunaan dana terhadap kinerja keuangan. Kedua variabel tersebut (efektivitas penggunaan dana dan kinerja keuangan) adalah variabel yang tidak terukur. Oleh karenanya kita membutuhkan indikator untuk merepresentasikan kedua variabel tersebut.

Jika secara teori efektivitas penggunaan dana tercermin melalui nilai-nilai ARTO, ITO, WCTO, FATO dan TATA, sedangkan kinerja keuangan, tercermin melalui nilai-nilai ROA dan ROE, kita dapat menggambarkan diagram hubungan tersebut sebagai berikut:

Keterangan:

  • ARTO         = penjualan/rata-rata piutang
  • ITO            = HPP/rata-rata persediaan
  • WCTO        = penjualan/rata-rata modal kerja
  • FATO         = penjualan/aktiva tetap
  • TATA         = penjualan/total aktiva
  • ROA          = penerimaan setelah pajak/total aktiva
  • ROE          = penerimaan setelah pajak/modal sendiri
  • EFEKTIF     = Efektivitas penggunaan dana
  • KINERJA    = Kinerja keuangan
  • e              = error

Pada dasarnya diagram diatas sama dengan regresi sederhana biasa yang melihat pengaruh satu variabel independen terhadap variabel dependen. Namun perbedaannya adalah variabel-variabel tersebut adalah variabel unobserved yang diukur dengan berbagai indikator. Oleh karena itu, teknik regresi biasa tidak dapat digunakan untuk mengestimasi model tersebut.

Selain itu, dari diagram tersebut terlihat bahwa, di setiap pengukuran indikator pasti terdapat kesalahan yang dinamakan dengan kesalahan pengukuran (measurement error). Selain itu juga terdapat kesalahan struktural (error yang diperlihatkan pada variabel dependent) sebagai akibat tidak masuknya semua variabel yang mempengaruhi variabel dependen (kinerja keuangan) ke dalam model. Ini dinamakan dengan kesalahan struktural (structural error).

SEM memungkinkan kita untuk menguji hubungan antara variabel laten (antara efektivitas penggunaan dana dengan kinerja keuangan) sehingga kita dapat menguji teori. Selain itu, secara simultan, SEM juga menguji indikator-indikatornya sehingga kita dapat menilai kualitas pengukuran. Dengan demikian kita dapat menentukan apakah efektivitas penggunaan dana berpengaruh terhadap ARTO (misalnya), seberapa besar pengaruhnya dan seberapa baik ARTO dapat dijadikan indikator untuk variabel efektivitas penggunaan dana.

2. Beberapa Definisi dan Konsep Terkait

  1. Variabel eksogen: adalah variabel yang nilainya tidak dipengaruhi/ditentukan oleh variabel lain di dalam model; setiap variabel eksogen selalu variabel independen
  2. Variabel endogen: adalah variabel yang nilainya dipengaruhi/ditentukan oleh variabel lain di dalam model. Dikenal juga dengan istilah variabel dependen
  3. Konstruk Laten/Variabel Laten/Variabel Unobserved: adalah variabel yang tidak dapat diukur secara langsung dan memerlukan beberapa indikator atau proksi untuk mengukurnya.
  4. Indikator/Variabel Manifest/Variabel Observed: adalah variabel yang nilainya dapat diukur secara langsung. Indikator ini dapat dibagi atas dua kelompok:
    1. Indikator Reflektif/Indikator Efek: adalah indikator yang dianggap dipengaruhi oleh konstruk laten, atau indikator yang dianggap merefleksikan/merepresentasikan konstruk laten. LISREL dan beberapa program SEM yang lain hanya dapat menggunakan indikator reflektif ini.
    2. Indikator Formatif: adalah indikator yang dianggap mempengaruhi konstruk laten. Indikator formatif ini hanya dapat digunakan dengan metode Partial Least Square (PLS).

    Perbedaan antara indikator formatif dan indikator reflektif digambarkan dalam diagram berikut:

     5. Path Diagram: adalah representasi grafis mengenai bagaimana beberapa variabel pada suatu model berhubungan satu sama lain, yang memberikan suatu pandangan menyeluruh mengenai struktur model.

3. LISREL (Linear Structural Relationship)

Pentingnya SEM sebagai alat statistik dalam penelitian (khususnya dibidang ilmu sosial) menyebabkan berkembangnya berbagai software SEM, seperti LISREL, AMOS, ROMANO, SEPATH dan LISCOMP. Namun demikian, diantara software yang ada tersebut, LISREL (Linerar Structural RELationship) merupakan program SEM yang paling banyak digunakan. Hal ini disebabkan, selain kemampuan LISREL dalam mengestimasi berbagai masalah SEM (yang seringkali tidak mungkin dilakukan program lain), tampilan LISREL juga paling informatif dalam menyajikan hasil-hasil statistik.

Sayangnya, untuk ukuran Indonesia, harga software LISREL relatif mahal. Untuk versi terakhir (LISREL Versi 8.8 for Windows) harganya US$ 495 ditambah ongkos kirim US$ 20. Dengan kurs 9.130 (hari ini tanggal 14 Juli 2008), kita harus merogoh kocek sekitar Rp 4,7 juta. SSI (Scientific Software International) sebagai perusahaan yang mengeluarkan produk LISREL juga menyediakan versi rental (sewa) untuk program ini. Untuk sewa selama 6 bulan dikenakan biaya US$ 75 (sekitar Rp 685 ribu), dan untuk 12 bulan dengan sewa US$ 130 (sekitar Rp 1,2 juta).

Masih terlalu mahal ? Jangan kuatir. Tersedia juga LISREL student edition. Versi ini gratis dan bukan versi trial (jadi tidak memiliki limit waktu pemakaian), namun demikian yang namanya gratis yang tetap ada batasannya. Batasannya adalah:

  • Analisis-analisis statistik dasar dan manipulasi data dibatasi maksimum 20 variabel
  • Model SEM dibatasi maksimum 15 variabel observed
  • Pemodelan multilevel dibatasi maksimum 15 variabel
  • Model GLM dibatasi dibatasi maksimum 20 variabel
  • Hanya dapat mengimpor data ASCII, tab-delimited, comma-delimited dan SPSS

Yah cukup lumayan. Meskipun ada batasannya, untuk kepentingan pengolahan data penelitian pada level rendah-menengah sudah sangat memadai.

Tulisan ini, sebagai pengantar untuk seri tulisan mengenai LISREL akan menggunakan LISREL 8.80 for Windows Student Edition tersebut. Oleh karenanya, silakan download dulu programnya disini. Setelah itu, silakan baca seri tulisan LISREL berikutnya di bawah ini

 


Iklan

29 Tanggapan

  1. […] 3. Lisrel (Linear Structural Relationship) Pengolahan data matematika yang berhubungan dengan psikologi. Pentingnya SEM sebagai alat statistik dalam penelitian menyebabkan berkembangnya berbagai software SEM, seperti LISREL, AMOS, ROMANO, SEPATH dan LISCOMP. Namun demikian, diantara software yang ada tersebut, LISREL (Linear Structural Relationship) merupakan program SEM yang paling banyak digunakan. Hal ini disebabkan, selain kemampuan LISREL dalam mengestimasi berbagai masalah SEM (yang seringkali tidak mungkin dilakukan program lain), tampilan LISREL juga paling informatif dalam menyajikan hasil-hasil statistik. (Sumber: https://junaidichaniago.wordpress.com/2008/07/14/sem-dan-lisrel-seri-lisrel-bag1/) […]

  2. Assalamu’alaikum. terima kasih pak. tulisan bapak sangat membantu saya dalam menyelesaikan tesis saya. saat ini saya sedang menyelesaikan penelitian dengan sampel 100 responden. sudah saya coba menganalisis dengan lisrel 8.8 versi student tapi tidak bisa malah fatal error. mohon bantuan bapak sekiranya dimana bisa mendapatkan lisrel 8.8 full version.saya sudah buka di SSI harganya cukup mahal sekitar $500.apakah ada alamat website yang bisa mendownload lisrel tersebut dengan biaya lebih murah?terima kasih

  3. MANTAP PAK JUN BUAT KARYA TULISNYA, SMOGA ALLAH SWT. MEMBALAS AMAL JARIAH PAK JUN…………….AMIN.

    • ASS.
      MOHON IZIN PAK JUN, SAYA PEMULA/AWAM DENGAN STATISTIK KARENA LATAR BELAKANG DISIPLIN PENDIDIKAN SAYA “ILMU HUKUM”, MEMASUKI PASCASARJANA KAMPUS MENGHARUSKAN SAYA MENGENAL “NALISIS JALUR” DALAM PENLITIAN TUGAS KAMPUS. SETELAH MEMBACA ARTIKEL BAPAK, SAYA COBA DAN MENGAPLIKASIKANNYA DENGAN DATA YANG SAYA PEROLEH, DENGAN HASIL SBB

      Dari output LISREL yang saya baca di bawah, sebenarnya jumlah data (observasi) yang tersedia tidak cukup untuk diolah menggunakan persamaan yang ada, sehingga hasil yang ada juga tidak reliabel untuk dibaca. Dalam persamaan regresi biasapun, jumlah observasi harus lebih banyak dibandingkan variabel yang dianalisis. LISREL bahkan punya syarat jumlah data yang jauh lebih banyak. Dalam beberapa buku dinyatakan paling tidak 100 observasi

      DATE: 12/15/2012
      TIME: 17:08

      L I S R E L 9.10 (STUDENT)

      BY

      Karl G. Jöreskog & Dag Sörbom

      This program is published exclusively by
      Scientific Software International, Inc.
      http://www.ssicentral.com

      Copyright by Scientific Software International, Inc., 1981-2012
      Use of this program is subject to the terms specified in the
      Universal Copyright Convention.

      The following lines were read from file C:\TESIS OLAH1\PATH DIAGRAM.SPJ:

      SYSTEM FILE from file ‘C:\TESIS OLAH1\LISREL1.dsf’
      Sample Size = 8
      Relationships
      PDRB = IC PR INV PP KK TB TU
      KK = INV
      INV = TB TU
      Path Diagram
      Print Residuals
      End of Problem

      Sample Size = 8

      W_A_R_N_I_N_G: Total sample size is smaller than the number of parameters.
      Parameter estimates are unreliable.

      W_A_R_N_I_N_G: Matrix to be analyzed is not positive definite,
      ridge option taken with ridge constant = 0.001

      Covariance Matrix

      PDRB INV KK TB TU IC
      ——– ——– ——– ——– ——– ——–
      PDRB 1.001
      INV 0.046 1.001
      KK 0.278 -0.120 1.001
      TB -0.070 0.221 0.044 1.001
      TU 0.091 0.165 0.352 0.099 1.001
      IC -0.557 0.119 0.161 0.218 0.313 1.001
      PR -0.178 -0.200 -0.057 0.097 -0.122 0.120
      PP 0.178 0.200 0.057 -0.097 0.122 -0.120

      Covariance Matrix

      PR PP
      ——– ——–
      PR 1.001
      PP -1.000 1.001

      Total Variance = 8.008 Generalized Variance = 0.610698D-03

      Largest Eigenvalue = 2.247 Smallest Eigenvalue = 0.999849D-03

      Condition Number = 47.409

      WARNING: The Condition Number indicates severe multicollinearity.

      One or more variables may be redundant.

      Number of Iterations = 13

      LISREL Estimates (Maximum Likelihood)

      Structural Equations

      PDRB = 0.131*INV + 0.346*KK + 0.0218*TB + 0.153*TU – 0.676*IC + 0.386*PR + 0.420*PP , Errorvar.= 0.503 , R² = 0.517
      Standerr (0.245) (0.237) (0.247) (0.254) (0.255) (34877.012) (34877.012) (0.236)
      Z-values 0.535 1.461 0.0882 0.602 -2.648 0.000 0.000 2.130
      P-values 0.592 0.144 0.930 0.547 0.008 1.000 1.000 0.033

      INV = 0.207*TB + 0.144*TU, Errorvar.= 0.931 , R² = 0.0695
      Standerr (0.321) (0.321) (0.436)
      Z-values 0.644 0.450 2.136
      P-values 0.520 0.653 0.033

      KK = – 0.120*INV, Errorvar.= 0.986 , R² = 0.0145
      Standerr (0.329) (0.461)
      Z-values -0.366 2.136
      P-values 0.715 0.033

      NOTE: R² for Structural Equations are Hayduk’s (2006) Blocked-Error R²

      Reduced Form Equations

      PDRB = 0.0403*TB + 0.166*TU – 0.676*IC + 0.386*PR + 0.420*PP , Errorvar.= 0.628, R² = 0.397
      Standerr (0.262) (0.271) (0.273) (37285.094) (37285.094)
      Z-values 0.154 0.612 -2.477 0.000 0.000
      P-values 0.877 0.541 0.013 1.000 1.000

      INV = 0.207*TB + 0.144*TU + 0.0*IC + 0.0*PR + 0.0*PP, Errorvar.= 0.931, R² = 0.0695
      Standerr (0.343) (0.343)
      Z-values 0.602 0.421
      P-values 0.547 0.674

      KK = – 0.0248*TB – 0.0174*TU + 0.0*IC + 0.0*PR + 0.0*PP, Errorvar.= 0.999, R² = 0.00100
      Standerr (0.0835) (0.0654)
      Z-values -0.298 -0.266
      P-values 0.766 0.791

      Correlation Matrix of Independent Variables

      TB TU IC PR PP
      ——– ——– ——– ——– ——–
      TB 1.000
      (0.468)
      2.136

      TU 0.099 1.000
      (0.333) (0.468)
      0.297 2.136

      IC 0.218 0.313 1.000
      (0.339) (0.347) (0.468)
      0.643 0.903 2.136

      PR 0.097 -0.122 0.120 1.000
      (0.333) (0.334) (0.333) (0.468)
      0.292 -0.367 0.360 2.136

      PP -0.097 0.122 -0.120 -1.000 1.000
      (0.333) (0.334) (0.333) (0.468) (0.468)
      -0.292 0.367 -0.360 -2.137 2.136

      W_A_R_N_I_N_G: Matrix above is not positive definite

      Covariance Matrix of Latent Variables

      PDRB INV KK TB TU IC
      ——– ——– ——– ——– ——– ——–
      PDRB 1.042
      INV 0.059 1.000
      KK 0.334 -0.120 1.000
      TB -0.094 0.221 -0.027 1.000
      TU -0.038 0.165 -0.020 0.099 1.000
      IC -0.620 0.090 -0.011 0.218 0.313 1.000
      PR -0.132 0.002 0.000 0.097 -0.122 0.120
      PP 0.132 -0.002 0.000 -0.097 0.122 -0.120

      Covariance Matrix of Latent Variables

      PR PP
      ——– ——–
      PR 1.000
      PP -1.000 1.000

      W_A_R_N_I_N_G: Matrix above is not positive definite

      Log-likelihood Values

      Estimated Model Saturated Model
      ————— —————
      Number of free parameters(t) 28 36
      -2ln(L) 6.539 4.793
      AIC (Akaike, 1974)* 62.539 76.793
      BIC (Schwarz, 1978)* 64.764 79.653

      *LISREL uses AIC= 2t – 2ln(L) and BIC = tln(N)- 2ln(L)

      Goodness of Fit Statistics

      Degrees of Freedom for (C1)-(C2) 8
      Maximum Likelihood Ratio Chi-Square (C1) 1.747 (P = 0.9878)
      Browne’s (1984) ADF Chi-Square (C2_NT) 1.612 (P = 0.9907)
      Estimated Non-centrality Parameter (NCP) 0.0
      90 Percent Confidence Interval for NCP (0.0 ; 0.0)
      90 Percent Confidence Interval for F0 (0.0 ; 0.0)
      Root Mean Square Error of Approximation (RMSEA) 0.0
      90 Percent Confidence Interval for RMSEA (0.0 ; 0.0)
      P-Value for Test of Close Fit (RMSEA < 0.05) 0.989

      Expected Cross-Validation Index (ECVI) 8.000
      90 Percent Confidence Interval for ECVI (8.000 ; 8.000)
      ECVI for Saturated Model 9.000
      ECVI for Independence Model 4.037

      Chi-Square for Independence Model (28 df) 16.299

      Normed Fit Index (NFI) 0.887
      Non-Normed Fit Index (NNFI) -0.627
      Parsimony Normed Fit Index (PNFI) 0.253
      Incremental Fit Index (IFI) 2.020
      Relative Fit Index (RFI) 0.605

      Critical N (CN) 88.273

      Root Mean Square Residual (RMR) 0.0902
      Standardized RMR 0.0899
      Goodness of Fit Index (GFI) 0.952
      Adjusted Goodness of Fit Index (AGFI) 0.784
      Parsimony Goodness of Fit Index (PGFI) 0.212

      Fitted Covariance Matrix

      PDRB INV KK TB TU IC
      ——– ——– ——– ——– ——– ——–
      PDRB 1.043
      INV 0.059 1.001
      KK 0.334 -0.120 1.001
      TB -0.094 0.221 -0.027 1.001
      TU -0.038 0.165 -0.020 0.099 1.001
      IC -0.620 0.090 -0.011 0.218 0.313 1.001
      PR -0.132 0.002 0.000 0.097 -0.122 0.120
      PP 0.132 -0.002 0.000 -0.097 0.122 -0.120

      Fitted Covariance Matrix

      PR PP
      ——– ——–
      PR 1.001
      PP -1.000 1.001

      Fitted Residuals

      PDRB INV KK TB TU IC
      ——– ——– ——– ——– ——– ——–
      PDRB -0.042
      INV -0.012 0.000
      KK -0.056 0.000 0.000
      TB 0.024 0.000 0.071 0.000
      TU 0.129 0.000 0.372 0.000 0.000
      IC 0.063 0.028 0.172 0.000 0.000 0.000
      PR -0.046 -0.202 -0.057 0.000 0.000 0.000
      PP 0.046 0.202 0.057 0.000 0.000 0.000

      Fitted Residuals

      PR PP
      ——– ——–
      PR 0.000
      PP 0.000 0.000

      Summary Statistics for Fitted Residuals

      Smallest Fitted Residual = -0.202
      Median Fitted Residual = 0.000
      Largest Fitted Residual = 0.372

      Stemleaf Plot

      – 2|0
      – 1|
      – 0|6654100000000000000000000
      0|235667
      1|37
      2|0
      3|7

      Standardized Residuals

      PDRB INV KK TB TU IC
      ——– ——– ——– ——– ——– ——–
      PDRB -0.176
      INV -0.051 0.000
      KK -0.222 -0.001 0.000
      TB 0.144 0.000 0.206 0.000
      TU 0.757 0.000 1.071 0.000 0.000
      IC 0.334 0.088 0.489 0.000 0.000 0.000
      PR -0.265 -0.597 -0.160 0.000 0.000 0.000
      PP 0.265 0.597 0.160 0.000 0.000 0.000

      Standardized Residuals

      PR PP
      ——– ——–
      PR 0.000
      PP 0.000 0.000

      Summary Statistics for Standardized Residuals

      Smallest Standardized Residual = -0.597
      Median Standardized Residual = 0.000
      Largest Standardized Residual = 1.071

      Stemleaf Plot

      – 6|0
      – 4|
      – 2|62
      – 0|86500000000000000000000
      0|946
      2|163
      4|9
      6|06
      8|
      10|7

      Time used 0.062 seconds

      PERTANYAAN SAYA PAK JUN. APAKAH HASIL YANG SAYA PEROLEH INI SUDAH BENAR ? MOHON PANDANGAN BAPAK AKAN HAL INI. TERIMA KASIH SEBELUM DAN SESUDAHNYA PAK JUN.

      WASSALAM.

  4. salam kenal, saya baru belajar… apakah harus memakai full version jika variabelnya lebih dari 15… (maaf mungkin pertanyaannya salah)… terus kalau logistic (yg. menggunakan 0/1) apakah dapat dianalisis? kata teman yg sama2 baru.. mungkin 0 diganti 1 dan 1 diganti 2… maaf bertanya…

  5. salam dan horas

    teruskan berkarya banyak manffatnya bung,,, insya ALLAH mendapat
    barokah

  6. terimakasih, tulisan bapak telah memberikan jalan terang tuk masa depan saya….

  7. Terimakasih bapak, saya sedang giat-giatnya belajar Lisrel, menghadapi dan persiapan utk mengikuti kelas pak Yahya Umar di UIN.

    Maaf, kalo boleh tahu…, buku-buku tentang dasar-dasar Lisrel di pasaran ada gak? Judulnya apa? maaf.

  8. Bapak, terima kasih atas tulisannya terutama tentang SEM & LISREL, benar2 pencerahan bagi saya.

    Namun ada pertanyaan mohon Bapak dapat menjawabnya..
    Ketidaknormalitasan pada AMOS dpt dinormalkan dengan LISREL, benarkah demikian?
    Jika benar, bagaimana caranya?
    Terima kasih.
    Salam

  9. saya sedang menyusun skripsi dan bahan-bahan dari anda sangat membantu sekali. terimakasih.

  10. Yth pak Junaedi,

    Terima kasih bahannya bagus. Saya sedang coba belajar.

    Salam Andy

  11. salam kenal pak…
    tulisannya luar biasa pak! saya sebagai pemula dg latar belakang ilmu eksakta, cukup paham dan mudah mencerna tulisan bapak. saya mahasiswa s2 yang sedang menulis thesis dg dianjurkan oleh pembimbing utk menggunakan lisrel & SEM dalam analisis statistiknya. terima kasih utk pengantar dari tulisan bapak ini.

    demikian.
    alfi mauluddin
    Magister Management-IMTelkom

  12. Salam…, Subhanallah, bermanfaat sekali,(paling tidak buat saya hehe…)
    terus menulis pak! Insya Allah jadi sedeqah buat bapak, sedekah yang tidak akan berhenti mengalir selama dipelajari oleh orang lain. tetap produktif pak….dan semoga jadi amal shaleh.

    Amin. Terimakasih do’anya

  13. Ass….terima kasih banyak tulisan bapak sangat membantu. kalau seandainya ada aplikasi SEM yang lain mohon kiranya dapat di email ke didikhariyadi@yahoo.com. semoga ini menjadi amal ibadah bapak. sekali lagi terima kasih telah membagi ilmu bapak. mohon info kalau seandainya ingin ketemu atau contak bapak bisa tidak? rims.

  14. assalamu’alaikum pak.. saya mau tanya perbedaan antara Stuctural Equation Modelling dan Simultaneous Equation Modelling , mohon bapak berkenan juga membahas tentang AMOS. terima kasih sebelumnya..

  15. maaf bapak.. berapa minimal indikator yang dibutuhkan untuk model SEM.. mungkin bapak tahu buku mengenai teori tersebut??

  16. Assalamu’alaikum. Bagi yang berminat mendapatkan software LISREL Windows versi 8.50 (bukan student edition, jadi TIDAK ada pembatasan jumlah variabel atau analisis seperti LISREL versi student edition) bisa menghubungi kami dengan contact person Azwar Rhosyied di blog kami

    Terima kasih.

  17. Terima kasih banyak pak Jun.
    Saya sudah membaca tentang LISREL di blog ini, dan sudah mencobanya, dan hasilnya adalah :
    Partisipasi = 0,783*Akuntabi+0,120*Trans, Errorvar = 0,217, R2=0,783
    (0,292) (0,236) (0,117)
    2,679 0,508 1,851

    Tentang hasil tersebut, bagaimana penjelasannya pak? mohon bapak dapat memberikan pengarahan pada saya, sebelumnya terima kasih.

    Sepertinya dari R2, model ini sudah cukup bagus, tetapi dari uji t menunjukkan variabel Akuntabi memiliki pengaruh yang signifikan tetapi variabel Trans tidak berpengaruh signifikan.
    Mungkin bapak perlu telusuri lagi model fit nya (dengan memeriksa p-value dari Chi Squarenya). Bapak juga perlu menelusuri model pengukurannya dengan melihat uji t dari masing-masing indikator variabel. Ini untuk meyakinkan apakah indikator tersebut sudah tepat menggambarkan variabel kita. Selain itu, melalui pemeriksaan terhadap indikator ini, mungkin bapak bisa memodifikasi indikator-indikator yang digunakan (biasanya ada saran modifikasi dari output LISREL) sehingga persamaan bisa lebih baik.

  18. pak junaedi,

    saya sangat tertarik dengan tulisan bapak, karena saya sekarang sedang menyusun tesis yang memerlukan LISREL/AMOS. gimana saya bisa dapatkan software tersebut dengan harga terjangkau. mohon saran bapak.

    wassalam,
    heri

  19. Terima kasih pak.
    Begini pak, Variabel yang saya gunakan adalah Akuntabilitas merupakan X1, Transparansi merupakan X2, dan Partisipasi merupakan Y, sedangkan indikatornya untuk akuntabilitas adalah Akt, keuangan, akt hukum, akt proses, akt hasil, dan akt laporan. untuk transparansi indikatonya, keterbukaan, wadah, audit, dan saluran, sedangkan untuk partisipasi adalah: aktif, informasi, keuangan/biaya, mobilisasi.
    Hubungan antar variabel adalah Akuntabilitas dan transparansi mempengaruhi partisipasi (Y=a+bX1+bX2+e).
    Mohon bapak dapat memberikan pencerahan.
    Sebelumnya saya ucapkan terima kasih. dennyboy3017@yahoo.co.id
    Model ini adalah model SEM persis seperti tulisan diatas, hanya tinggal tambah satu variabel saja dari kerangka yang ada pada tulisan tersebut. Lihat juga tulisan mengenai Aplikasi LISREL pada model Persamaan Struktural di blog ini. Modifikasi saja perintah pada tulisan tersebut, kira-kira menjadi seperti ini:

    Raw data from file …………….
    Sample sizes =
    Laten Variables Y X1 X2
    Relationships:
    Y = X1 X2
    I1 – I6 = X1
    I7 – I10 = X2
    I8 – I11 = Y
    Path Diagram

    dimana I1 – I6 adalah indikator untuk X1, I7 – I10 adalah indikator untuk X2 dan I8 – I11 adalah indikator untuk Y.
    Jika perlu konstanta tinggal diganti rumus diatas menjadi Y = CONSTANT X1 X2.
    Silakan juga baca seri-seri tulisan mengenai LISREL di blog ini (ada delapan seri).

  20. Saya berharap bapak dapat menjawabnya ke email saya dennyboy3017@yahoo.co.id Terima kasih pak

  21. Assmualaikum W.W.
    Terima kasih pak, Tulisan tulisannya menambah pencerahan bagi saya. Pak saya dah mencoba menulis tentang Akuntabilitas dan Transparansi pengelolaan APBS Terhadap Partisipasi Pembiayaan dari Masyarakat (ORTU). saya dah mencoba menggunakan korelasi sederhana dan Regresi Berganda, kemudian disuruh lagi menggunakan LISREL gimana caranya pak, apakah perlu LISREL lagi? Mohon Advis dari bapak, dan terima kasih atas semuanya.

    Saya belum bisa memberikan saran karena belum mengetahui variabel-variabel apa yang digunakan, indikatornya bagaimana, kerangka pikir (hubungan antar variabel) bagaimana. Kalau bisa, mohon diperinci lagi pertanyaannya. Terima kasih

  22. Assalamualaikum Pak Jun.
    Kalo saya ingin mendapatkan program lisrel yang full version, dimana ya Pak bisa saya dapatkan dan kira-kira berapa harganya
    Terima kasih kasih saya uacpkan kepada pak Jun atas informasi dan bantuannya.

    Kalau harga dari perusahaannya US$ 495. Pembelian bisa langsung di order ke http://www.ssicentral.com/. Ada juga versi rental 6 bulan (US$ 75) dan 12 bulan (US$ 130). Terlalu mahal memang. Saya sampai saat ini masih pakai yang versi student.

    • Pak Junaidi,

      sama seperti mas harris, kalau ingin beli software kayaknya memang terasa mahal. kalau boleh tahu apa pakai dongle/keylock atau password pak? apa bisa beli untuk rame-rame?

      Wassalam,
      heri

      Wah, saya tidak tahu Mas Heri. Kalau di websitenya disebutkan “single user”. Tapi mungkin bisa untuk rame-rame ya. Biasanya, orang kita pintar ngutak-ngatik yang kayak itu.

  23. Assalamu’alaikum pak…

    Mohon info untuk Model SEM dibatasi maksimum berapa variabel observed (LISREL 8.8 non student)?
    Apakah bisa untuk sekitar 65 variabel?
    Terimakasih.

    Wa ‘alaikum salam. Kayaknya bisa Bu. Dicoba saja, karena saya belum menemukan ada penjelasan dari Lisrel nya mengenai batasan variabel observed untuk full version. Dalam penjelasan Lisrel cuma dinyatakan batasan untuk versi student yaitu 15 variabel observed. Saya juga baru pernah mengaplikasikan pada Lisrel full version dengan variabel observed sekitar 40 an.
    Tapi mungkin jika variabel observednya banyak, ibu butuh spesifikasi komputer yang cukup tinggi untuk pengolahannya

  24. Thank’s berat pak Jun. Please Lanjutkan tulisan anda

    Terimakasih kembali Pak Azmi. Isteri saya juga marga Nasution lho

  25. Teruskan menulis pak Jun, tulisan ini sangat membantu mencerahkan peneliti dalam memilih dan menggunakan alat uji statistik. Sekarang saya di Sabak nich, menguji VICOM e-gevernement TJT.

    Terima Kasih.

    Terima kasih Pak. Maunya memang menulis terus. Sayangnya kadang-kadang waktu rasanya sangat terbatas. Salam buat orang Sabak

  26. Assslm…
    tulisan Bapak sangat bermanfaat sekali bagi Saya.
    Sekarang saya sedang dalam proses mengerjakan tugas akhir yang berhubungan dengan lisrel..
    saya sangat berterima kasih sekirabya Bapak berkenan memberikan ilmu nya kepada Saya dengan mengirimkan bahan-bahan materi yang berhubungan dengan lisrel tersebut.
    Terima kasih sebelumnya..
    Wsslm..

  27. Assalm.

    Tulisan bpk sangat membantu saya. Sy mau tau apa bpk mengetahui atau menulis bk tentang data longitudinal anlysis with structural equation model. Saya tunggu infonya di email saya.terima kasih

    Wslmkm

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s

%d blogger menyukai ini: