ASMELIA ADAWIYAH

Structural Equations Modeling (SEM)

1. Pengertian SEM
Wijanto, S. H. (2008: 6) dari segi metodologi berpendapat bahwa “Structural Equation
Modeling (SEM) memainkan berbagai peran diantaranya, sebagai sistem persamaan simultan,
analisis kausal linier, analisis lintasan (path analysis), analysis of covariance structure, dan
model persamaan struktural. Menurut Riadi, E. (2018: 3) SEM adalah kumpulan prosedur
statistik yang menjelaskan mengenai fondasi yang mendasari hubungan yang mengatur
matriks covariances antara variabel yang diamati. Ghozali & Fuad (2008: 3) menyatakan
bahwa “Model persamaan struktural (Structural Equation Modeling) adalah generasi kedua
dari teknik analisis multivariat yang memungkinkan peneliti untuk menguji hubungan antara
variabel yang kompleks baik recursive maupun nonrecursive untuk memperoleh gambaran
menyeluruh mengenai keseluruhan model. Latan, H. (2013: 5) mendefinisikan bahwa model
persamaan struktural (Structural Equation Modeling) merupakan suatu teknik analisis
multivariate generasi kedua yang menggabungkan antara analisis faktor dan analisis jalur
sehingga memungkinkan peneliti untuk menguji dan mengestimasi secara simultan hubungan
antara multiple exogenous dan endogenous variable dengan banyak indikator ”.
Berdasarkan pendapat diatas dapat disimpulkan bahwa Structural Equation Modeling
(SEM) adalah suatu metode analisis multivariat yang menggabungkan antara analisis faktor
dan analisis jalur (path analysis) sehingga dapat digunakan untuk menggambarkan hubungan
keterkaitan secara simultan antara variabel teramati (observed variable) atau variable terukur
(measured variable) dengan variabel laten (latent variable) atau variabel tidak teramati
(unobservated variable).

2. Kelebihan SEM
Terdapat beberapa kelebihan SEM dalam penelitian menurut Latan, H. (2013: 7)
diantaranya:
a. Dapat membangun model penelitian dengan banyak variabel;
b. Mampu meneliti variabel atau konstruk yang tidak dapat diamati atau tidak dapat diukur
secara langsung (unobserved variables);
c. Mengonfirmasi teori sesuai data penelitian;
 d. Menguji kesalahan pengukuran (meansurement error) untuk variabel yang teramati
(observed variables).
Menurut Teo, Tsai, & Yang (2013: 4) SEM memiliki berberapa kelebihan jika
dibandingkan teknik multivariat lainnya yaitu:
a. SEM mengambil pendekatan confirmatory (CFA) dalam menentukan hubungan antar
variabel sedangkan teknik multivariat lainnya bersifat deskriptif misalnya analisis faktor
eksplorasi (EFA) sehingga pengujian hipotesis sulit dilakukan.
b. SEM mampu mengestimasi secara eksplisit kesalahan varians parameter, sedangkan
teknik multivariat lain tidak mampu mengukur kesalahan pengukuran.
c. Prosedur SEM menggabungkan variabel yang tidak teramati (variabel laten) dan yang
diamati (indikator). Teknik multivariat lainnya hanya didasarkan pada pengukuran yang
diamati.
d. SEM mampu memodelkan hubungan multivariat, dan memperkirakan efek langsung
dan tidak langsung dari variabel yang diteliti.

3. Kelemahan SEM
Terdapat juga beberapa kelemahan SEM menurut Hidayati (2018) diantaranya:
a. SEM tidak digunakan untuk menghasilkan model tetapi digunakan untuk mengkonfirmasi
suatu bentuk model.
b. Hubungan kausalitas diantara variabel tidak ditentukan oleh SEM, tetapi dibangun oleh
teori yang mendukungnya.
c. SEM tidak digunakan untuk menyatakan suatu hubungan kausalitas, tetapi untuk
menerima atau menolak hubungan sebab akibat secara teoritis melalui uji data empiris.

4. Konsep Dasar SEM

4.1 Variabel-Variabel SEM
Menurut Wijanto, S. H. (2008: 10-11) terdapat dua variabel dalam SEM yaitu variabel
laten dan variabel teramati.
1) Variabel Laten (Latent Variable)
Variabel Laten merupakan konsep abstrak, contohnya yaitu perilaku orang, sikap
(attitude), perasaan dan motivasi. Variabel laten ini hanya dapat diamati secara tidak
langsung dan tidak sempurna melalui efeknya pada variabel teramati. Terdapat dua jenis
variabel laten yaitu variabel eksogen (independen) dan endogen (dependen). Variabel
eksogen selalu muncul sebagai variabel bebas pada semua persamaan yang ada pada model.
Sedangkan variabel endogen adalah variabel terikat pada paling sedikit satu persamaan pada
model. Variabel laten eksogen dinotasikan dalam huruf Yunani dengan “ksi” (𝜉) dan variabel
laten endogen dengan “eta”(𝜂). Simbol yang digunakan untuk menunjukkan hubungan
kausal adalah anak panah. Variabel laten eksogen dapat digambarkan berupa lingkaran yang
semua anak panah menuju keluar. Variabel laten endogen dapat digambarkan berupa
lingkaran dengan paling sedikit satu anak panah yang menuju dalam lingkaran.

Gambar 1 Simbol Variabel Laten

Eksogen Endogen
(𝜉) (𝜂)

Gambar 2 Variabel Laten Eksogen dan Endogen

2) Variabel Teramati
Variabel teramati (observed variable) atau variabel terukur (measured variabel,
disingkat MV) merupakan variabel yang dapat diamati atau dapat dapat diukur secara empiris
dan sering juga disebut sebagai indikator. Variabel ini merupakan efek atau ukuran dari
variabel laten. Variabel ini merupakan efek atau ukuran dari variabel laten eksogen yang
diberi simbol X sedangkan yang terkait dengan variabel laten endogen diberi simbol Y.
Simbol diagram lintasan dari variabel teramati adalah berupa bujursangkar/ kotak atau
persegi panjang.

X Y

Gambar 3 Simbol Variabel Teramati

4.2 Model dalam SEM

Menurut Wijanto, S. H. (2008: 12-14) terdapat 2 model dalam SEM diantaranya:
1) Model Struktural
Model struktural menggambarkan hubungan antar variabel laten dan hubungannya
umumnya linier, meskipun pengembangan lebih lanjut memungkinkan memasukkan
persamaan non-linier. Dalam bentuk grafis, garis dengan satu kepala anak panah (→)
menggambarkan hubungan regresi dalam karakter Greek ditulis “gamma” (𝛾) untuk regresi
variabel eksogen ke variabel endogen dan dalam karakter Greek ditulis “beta” (𝛽) untuk
regresi satu variabel endogen ke variabel endogen lainnya, sedangkan garis dengan dua
kepala anak panah menggambarkan hubungan korelasi atau kovarian yang dalam karakter
Greek ditulis “phi” (ϕ) untuk korelasi antar variabel eksogen. Pada model ini menghasilkan
validitas prediktif (predictive validity).

GAMMA11 BETA21 (𝛽21 )

KSI 1(𝜉1 ) ETA 1(𝜂1 ) ETA 2(𝜂2 )

BETA31 (𝛽31 )
𝜙21 (𝜂2 )
GAMMA12

KSI 2(𝜉2 ) ETA 3(𝜂3 )

GAMMA32

Gambar 4 Contoh Model Struktural

Notasi matematik yang dapat dituliskan dari gambar 4 adalah sebagai berikut:
η1 = γ11 ξ1 + γ12 ξ2
η2 = β21 η1
η3 = β31 η1 + γ32 ξ2 (1)

2) Model Pengukuran
Model pengukuran merupakan bagian dari suatu model SEM yang biasanya
mempunyai beberapa ukuran dengan variabel-variabel laten dan indikator-indikatornya.
Hubungan dalam model ini dilakukan lewat model analisis faktor konfirmatori atau
confirmatory factor analysis (CFA) dimana terdapat kovarian yang tidak terukur antara
masing-masing pasangan variabel-variabel yang memungkinkan. Model pengukuran ini
dievaluasi sebagaimana model SEM lainnya dengan menggunakan pengukuran uji
keselarasan. Proses analisis ini hanya dapat dilanjutkan jika model pengukuran valid. Pada
model ini menghasilkan validitas konvergen (convergent validity).
 𝑋1
LAMBDA 𝑋11 (𝜆𝑋11 )

LAMBDA 𝑋21 (𝜆𝑋21 )

𝑋2 KSI 1(𝜉1 )

LAMBDA 𝑋31 (𝜆𝑋31 )

𝑋3

Gambar 5 Model Pengukuran

Notasi matematik yang dapat dituliskan dari Gambar 5 adalah sebagai berikut:
X1 = λ𝑥11 ξ1
X 2 = λ𝑥21 ξ1
X 3 = λ𝑥31 ξ1 (2)

4.3 Kesalahan-Kesalahan SEM

Terdapat kesalahan-kesalahan dalam SEM menurut Wijanto, S. H. (2008: 15-18)
diantaranya:
1) Kesalahan Struktural
Kesalahan struktural (𝜁) terjadi karena variabel laten eksogen tidak dapat secara
sempurna memprediksi variabel laten endogen. Dalam memperoleh hasil estimasi parameter
yang konsisten, kesalahan struktural diasumsikan tidak berkorelasi dengan variabel-variabel
eksogen dari model. Notasi dari kesalahan struktural maupun kesalahan pengukuran dapat
ditulis pada diagram lintasan yang ditampilkan pada gambar 6 sebagai berikut:
ZETA 1(𝜁1 ) ZETA 2(𝜁2 )

GAMMA11(𝛾11 ) BETA21 (𝛽21 )

KSI 1(𝜉1 ) ETA 1(𝜂1 ) ETA 2(𝜂2 )

𝜙21 (𝜂2 ) BETA31 (𝛽31 )

GAMMA12(𝛾12 )

KSI 2(𝜉2 ) ETA 3(𝜂3 )

GAMMA32(𝛾32 )

ZETA 3(𝜁3 )
Gambar 6 Kesalahan Struktural
Notasi matematik yang dapat dituliskan dari gambar 6 adalah sebagai berikut:
η1 = γ11 ξ1 + γ12 ξ2 + 𝜁1
η2 = β21 η1 + 𝜁2
η3 = β31 η1 + γ32 ξ2 + 𝜁3 (3)
2) Kesalahan Pengukuran
Kesalahan pengukuran disebabkan oleh variabel-variabel manifest yang tidak dapat
secara sempurna memprediksi variabel laten. Komponen kesalahan pengukuran yang terkait
dengan variabel manifest X (variabel manifest yang terkait dengan variabel laten eksogen)
diberi label 𝛿 (delta), sementara komponen kesalahan pengukuran yang terkait dengan
variabel Y (variabel manifest yang terkait dengan variabel laten endogen) diberi label 𝜀
(epsilon). Contoh diagram lintasan untuk kesalahan pengukuran ditampilkan pada gambar 7
sebagai berikut:

DELTA1
𝑋1
(𝛿1 ) LAMBDA 𝑋11 (𝜆𝑋11 )

LAMBDA 𝑋21 (𝜆𝑋21 )

DELTA2
𝑋2 KSI 1(𝜉1 )
(𝛿2 )

DELTA3 LAMBDA 𝑋31 (𝜆𝑋31 )

𝑋3
(𝛿3 )

Gambar 7 Diagram Lintasan Kesalahan Pengukuran

Notasi matematik yang dapat dituliskan dari Gambar 7 adalah sebagai berikut:
X1 = λ𝑥11 ξ1 + 𝛿1
X 2 = λ𝑥21 ξ1 + 𝛿2
X 3 = λ𝑥31 ξ1 + 𝛿3 (4)

5. Bentuk Umum dari SEM

Menurut Wijanto, S.H. (2008: 18-23) suatu model yang lengkap dalam SEM disebut
sebagai Full atau Hybrid Model yang merupakan bentuk umum dari SEM. Contoh diagram
lintasan Full atau Hybrid Model dapat dilihat pada gambar 8 sebagai berikut:
 𝛿1 𝛿2 𝛿3 𝜀1 𝜀2 𝜀3 𝜀4 𝜀5 𝜀6 𝜀7

𝑋1 𝑋2 𝑋3 𝑌1 𝑌2 𝑌3 𝑌4 𝑌5 𝑌6 𝑌7

𝜆𝑋11 𝜆𝑦31 𝜆𝑦72

GAMMA11 BETA21
(𝛾11 ) (𝛽21 )
KSI 1(𝜉1 ) ETA 1(𝜂1 ) ETA 2(𝜂2 )

BETA31
𝜙21 (𝜂2 ) ZETA1 ZETA2
(𝛽31 )
GAMMA12 (𝜁1 ) (𝜁2 )
(𝛾12 )
ZETA3
KSI 2(𝜉2 ) ETA 3(𝜂3 )
GAMMA32 (𝜁3 )
(𝛾32 )
𝜆𝑋42 𝜆𝑋52 𝜆𝑦83 𝜆𝑦102

𝑋4 𝑋5 𝑌8 𝑌9 𝑌10

𝛿4 𝛿5 𝜀8 𝜀9 𝜀10

Gambar 8 Diagram Lintasan SEM Full atau Hybrid Model

Dari gambar 8 dapat dinotasikan Full atau Hybrid Model SEM dalam bentuk matematik
sebagai berikut:
1. Model Pengukuran
X1 = λ𝑥11 ξ1 + 𝛿1
X 2 = λ𝑥21 ξ1 + 𝛿2
X 3 = λ𝑥31 ξ1 + 𝛿3
X 4 = λ𝑥42 ξ2 + 𝛿4
X 5 = λ𝑥52 ξ2 + 𝛿5
Y1 = λ𝑦11 𝜂1 + 𝜀1
Y2 = λ𝑦21 𝜂1 + 𝜀2
Y3 = λ𝑦31 𝜂1 + 𝜀3
Y4 = λ𝑦42 𝜂2 + 𝜀4
Y5 = λ𝑦52 𝜂2 + 𝜀5
Y6 = λ𝑦62 𝜂2 + 𝜀6
Y7 = λ𝑦72 𝜂2 + 𝜀7
Y8 = λ𝑦83 𝜂3 + 𝜀8
 Y9 = λ𝑦93 𝜂3 + 𝜀9
Y10 = λ𝑦103 𝜂3 + 𝜀10 (5)
2. Model Struktural
η1 = γ11 ξ1 + γ12 ξ2 + 𝜁1
η2 = β21 η1 + 𝜁2
η3 = β31 η1 + γ32 ξ2 + 𝜁3 (6)
Asumsi:
1. 𝜁 tidak berkorelasi dengan 𝜉
2. 𝜀 tidak berkorelasi dengan 𝜂
3. 𝛿 tidak berkorelasi dengan 𝜉
4. 𝜁, 𝜀, dan 𝛿 tidak saling berkorelasi (mutually uncorrelated)
5. 𝐼 − 𝐵 adalah non singular
Dimana:
1. Variabel
a) 𝜂 (eta) : 𝑚 × 1 latent endogenous variables
b) 𝜉 (ksi) : 𝑛 × 1 latent exogenous variables
c) 𝜁 (zeta) : 𝑚 × 1 latent errors in equations
d) Y : 𝑝 × 1 observed indicator of 𝜂
e) X : 𝑞 × 1 observed indicator of 𝜉
f) 𝜀 (epsilon) : 𝑝 × 1 measurement errors for y
g) 𝛿 (delta) : 𝑝 × 1 measurement errors for x
2. Coefficients
a) B (beta) : 𝑚 × 𝑚 coefficient matrix for latent endogenous variables
b) Γ (gamma) : 𝑚 × 𝑛 coefficient matrix for latent exogenous variables
c) Λ 𝑦 (lambda y): 𝑝 × 𝑚 coefficient matrix relating y to 𝜂
d) Λ 𝑥 (lambda x): 𝑞 × 𝑚 coefficient matrix relating x to 𝜉
3. Covarian Matrix
a) Φ (phi) : 𝑛 × 𝑛 covariance matrix of 𝜉
b) 𝜓 (psi) : 𝑚 × 𝑚 covariance matrix of 𝜁
c) Θ𝜀 (theta-epsilon) : covariance matrix of 𝜀
d) Θ𝛿 (theta-delta) : covariance matrix of 𝛿
6. Contoh Kasus SEM dan Analisis
Akan dilakukan suatu penelitan tentang analisis pengaruh motivasi belajar terhadap
kemampuan berpikir kreatif seorang siswa. Peneliti tersebut menemukan beberapa variabel
lain seperti keterampilan proses belajar dan sumber belajar secara teori juga mempengaruhi
kemampuan berpikir kreatif seorang siswa. Sehingga peneliti tersebut menyusun variabel dan
indikator penelitian dalam tabel 1 berikut.
Variabel Indikator
Kesiapan mental/ fisik (X1)
Motivasi Belajar Disiplin (X2)
(MO) Aktif (X3)
Rasa ingin tahu (X4)
PBM (Proses Belajar Mengajar) (Y1)
Keterampilan Proses Belajar Latihan (Y2)
(KP) Sarana Prasarana (Y3)
Frekuensi latihan (Y4)
Guru/ orang lain (Y5)
Sumber Belajar
Media (buku, internet, dsb) (Y6)
(SB)
Forum (Y7)
Keaslian (Y8)
Keterampilan Berpikir Kreatif
Kebaruan/ inovasi (Y9)
(KBK)
Keluwesan (Y10)

Pada tabel diatas terdapat 4 variabel laten (variabel buatan) dan 14 indikator (variabel
observasi), artinya di dalam angket yang akan disebarkan terdapat 14 butir pertanyaan,
dimana setiap pertanyaannya akan mewakili indikator-indikator tersebut. Dalam penelitian
ini, peneliti menggunakan angket dengan skala likert dengan skor 1 sampai 5.

Permasalahan tersebut dapat diselesaikan dengan menggunakan analisis CB-SEM.

Dalam analisis CB-SEM, terdapat lima proses yang harus dilalui dimana setiap tahapan akan
berpengaruh terhadap yang lainnya antara lain yaitu,
1) Spesifikasi model
2) Identifikasi model
3) Estimasi model
4) Evaluasi (uji kecocokan) model
5) Respesifikasi model
(Bollen dan Long, 1993).

ANALISIS CB-SEM

1. Spesifikasi model
Pada tahap ini, peneliti harus mendefinisikan konstruk yang diteliti dan
dimensionalitasnya. Kemudian menentukan arah kausalitas antar konstruk yang
menunjukkan hubungan yang telah dihipotesiskan, dan dalam pendefinisian hipotesis
haruslah dilandasi teori yang kuat (Latan, 2013). Dalam kasus ini, desain model
pengembangan yang digunakan oleh peneliti tersebut adalah hybrid model yang
merupakan kombinasi dari model pengukuran dan model structural. Diagram jalur
tersebut dapat di gambarkan pada gambar 9 sebagai berikut.

X1

X2 Y5

MO SB
X3 Y6

X4 Y7

Y1
Y8
Y2
KP KBK Y9
Y3
Y10

Y4

Gambar 9. Hybrid Model Penelitian

2. Identifikasi model
Identifikasi model diperlukan untuk mengetahui apakah model dibangun dengan data
yang dikumpulkan mempunyai nilai unik ataukah tidak sehingga model tersebut dapat
diestimasi. Jika suatu model tidak memiliki model yang unik, maka model tersebut tidak
dapat diidentifikasi (unidentified). Hal tersebut disebabkan oleh informasi yang terdapat
pada data tersebut tidaklah cukup untuk mengahsilkan solusi untuk menghitung parameter
estimasi model (Latan, 2013).
Menurut Wijanto (2008: 37), secara garis besar ada 3 kategori dalam persamaan
secara simultan, yaitu
1) Under-identified model
Adalah model dengan jumlah parameter yang diestimasi lebih besar dari jumlah data
yang diketahui (𝑑𝑓 < 0).
2) Just-identified model
Adalah model dengan jumlah parameter yang diestimasi sama dengan jumlah data
yang diketahui (𝑑𝑓 = 0).
3) Over-identified model
Adalah model dengan jumlah parameter yang diestimasi lebih kecil dari jumlah data
yang diketahui (𝑑𝑓 > 0).

Besarnya degree of freedom (𝑑𝑓) pada SEM merupakan besarnya jumlah data yang
diketahui dikurangi jumlah parameter yang diestimasi (df = (jumlah data yang diketahui –
jumlah parameter yang diestimasi). Dalam SEM, peneliti berusaha memperoleh model
Just-identified model atau over-identified model sehingga nilai 𝑑𝑓 haruslah positif.

Dalam kasus ini, model tersebut dapat dilakukan identifikasi seperti berikut.

Jumlah indikator (n) = 14

𝑛 × (𝑛 + 1) 14 × (14 + 1)
𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑑𝑖𝑘𝑒𝑡𝑎ℎ𝑢𝑖 = = = 105
2 2

Jumlah parameter pada model tersebut sebanyak 37 parameter.

Sehingga diperoleh

𝑑𝑓 = 105 − 37 = 68

Karena nilai 𝑑𝑓 = 68 > 0, maka model penelitian tersebut merupakan over-identified

model.
3. Estimasi model menggunakan program LISREL 8.8
Sebelum model diestimasi, ada beberapa syarat yang harus dipenuhi, antara lain,
konstruk-konstruknya harus valid dan reliabel serta data tersebut harus memenuhi asumsi
normalitas multivariate. Setelah persyaratan terpenuhi, model tersebut dapat diestimasi.
Pada kasus ini, data diasumsikan sudah valid, reliabel, dan memenuhi asumsi normalitas
multivariate.
Berikut ini adalah tahapan-tahapan estimasi model menggunakan program LISREL
8.8.
1. Klik Start, klik All Program, klik Lisrel 8.8, maka akan muncul tampilan awal
sebagai berikut.

Gambar 10. Tampilan Awal Lisrel

2. Pilih menu File  New atau bisa dengan klik icon New maka akan muncul
submenu pilihan sebagai berikut.

Gambar 11. Tampilan Submenu pada New

Secara garis besar menu-menu pada new dapat dijelaskan sebagai berikut.
 Menu Syntax Only
Menu syntax only berfungsi untuk menuliskan berbagai syntax program Lisrel,
seperti Lisrel Project atau Simplis Project. Dan data yang diinput pada syntax
berupa matriks korelasi atau matriks kovarian.
 Menu Prelis Data
Prelis (Preprossesor for Lisrel) merupakan analisis awal yang digunakan secara
efektiif untuk menyimpan data dan juag memberikan deskripsi awal mengenai
data. Tampilannya mirip dengan worksheet pada Ms. Excel atau SPSS yang
terdiri dari baris dan kolom. Setelah data diinput, variabel pada data harus
 didefinisikan terlebih dahulu, hal ini dikarenakan data yang pertama kali diinput
merupakan data mentah, sehingga Lisrel akan memperlakukan variabel
kategorikal yang terdistribusi secara normal dapat dianggap sebagai jenis data
yang kontinu. Pada menu statistik prelis dapat dilakukan beberapa analisis
statistik multivariat termasuk menormalisasi data (z-score).
 Menu Lisrel Project
Lisrel Project adalah menu template untuk menuliskan program khusus
menggunakan bahasa pemrograman lisrel.
 Menu Path Diagram
Pada menu ini difungsikan untuk memvisualisasikan model hubungan antar
variabel lengkap dengan koefisien pengaruhnya.
 Menu Simplis Project
Menu Simplis Project merupakan suatu template untuk menuliskan syntax
program khusus untuk bahasa Simplis. Syntax program yang dituliskan pada
menu ini lebih interaktif dengan editor yang lebih lengkap dibanding dengan
editor syntax only. Bahasa pemrograman pada Simplis mirip dengan Lisrel
Project namun bahasa pemrograman simplis lebih familier atau “user friendly”
dibandingkan dengan bahasa pemrograman Lisrel Project.
Pilih menu Prelis Data, maka akan muncul tampilan sebagai berikut.

Gambar 12. Tampilan Awal Prelis Data

3. Import data yang akan dianalisis. Dengan cara klik File  Import Data. Jenis data
yang dapat di import pada Lisrel Student 8.8 dapat berupa *.raw, *.dat, *csv, *.sav,
*.txt, *xls, dsb. Karena sebelumnya data telah di save dengan nama [Link], maka
sebelumnya pada kolom files of type dipilih format data berupa Excel (*.xls) pilih file
kasus1 >> open. Save data dengan nama kasus1 dengan save as type: “PRELIS
Data (*.psf)” >> OK, maka akan muncul tampilan sebagai berikut.
 Gambar 13. Input Data pada Prelis
4. Sebelum data diolah, data harus didefinisikan terlebih dahulu dengan cara pilih Data
 Define Variable atau dengan Klik Kanan  Define Variable, maka akan
muncul kotak dialog sebagai berikut.

Gambar 14. Mendefinisiakan Variable

Setelah muncul kotak dialog define variables, klik salah satu variable lalu klik
Variable Type. Maka akan muncul kotak dialog sebagai berikut.

Gambar 15. Mendefinisikan Variable X1

Kemudian pilih Continuous  Apply To All  Ok maka variabel yang
telah diinputkan tadi telah terdefinisi.
5. Proses estimasi
Dalam penggambar path atau pola hubungan dalam software lisrel terdapat dua acara
yaitu:
 Dengan menggunakan Path Diagram
Untuk mengaktifkan lembar path diagram, klik New  Path Diagram  Ok.
Maka akan muncul tampilan seperti berikut.

Gambar 16. Lembar Kerja Path Diagram

Selanjutnya definisikan dan inputkan Prelis data [Link]. Klik Setup 
Variables  Add/Read Variables. Maka akan muncul kotak dialog sebagai
berikut.

Gambar 17. Input Data Prelis pada Path Diagram

Pada kotak Read from files, pilih Prelis System File  browse file [Link]
 Ok. Kemudian pada kolom Latent Variables, tambahkan variabel latent dengan
cara klik Add Latent Variables  tambahkan variabel latent MO, KP, SB, dan KBK
seperti pada gambar dibawah
 Gambar 18. Input variabel latent pada Path Diagram
Kemudian klik Next  pada kotak number of observation ketik 160  Ok 
Ok. Maka tampilan pada lembar path diagram menjadi seperti berikut.

Gambar 19. Input Data Prelis pada Path Diagram Berhasil

Sebelum menggambar path, harus ditentukan terlebih dahulu variabel endogen
dan variabel eksogennya pada kolom Observed Y maupun pada kolom Latent. Tinjau
kembali path diagram pada kasus1, dapat diketahui bahwa X5 sampai X14 adalah
variabel Observed endogen sedangkan X1 sampai X4 adalah variabel Observed
eksogen dan KP, SB, KBK adalah variabel latent endogen sedangkan MO adalah
variabel latent eksogen. Karena X5 sampai X14 dan KP, SB, KBK adalah variabel
endogen, maka pada kolom Observed Y dan Latent Eta centang/silang kotak X5
sampai X14 dan KP, SB, KBK saja. Jadi yang di centang/silang hanyalah variable
endogen saja.

Gambar 20. Menentukan Variable Endogen dan Eksogen

Langkah selanjutnya menggambar diagram jalur dengan cara memindahkan
semua variabel dari kolom Observed Y dan Latent Eta ke lembar kerja Path Diagram.
Memindahkan variabel tersebut hanya dengan klik salah satu variabel, kemudian
tahan lalu lepaskan pada lembar kerja Path Diagram, selanjutnya gambar panah sesuai
dengan model. Maka akan memiliki tampilan sebagai berikut

Gambar 21. Menggambar Path Diagram Kasus1

Kemudian klik icon Run . Perhatikan pada Syntax Simplis, jika option belum
tertulis pada syntax, setelah baris Path Diagram tekan Enter  tuliskan Options: SS
 EF. Kemudian klik Run kembali. SS artinya request untuk mencetak standardized
solution dan EF artinya request untuk mencetak Total effect dan Indirrect effect.
 Dengan menggunakan Simplis Project
Untuk mengaktifkan lembar kerja Simplis Project dapat dilakukan dengan cara
File  New  Simplis Project  Ok. Maka akan memiliki tampilan sebagai
berikut.

Gambar 22. Tampilan Lembar Kerja Simplis Project

Kemudian definisikan variabel, dengan cara klik Setup  Variables 
Add/Read Variables  pada kotak Read From Files  pilih Prelis System File 
browse file [Link]  Ok. Kemudian pada kolom Latent Variables, tambahkan
variabel latent dengan cara klik Add Latent Variables  tambahkan variabel latent
MO, KP, SB, dan KBK. Selanjutnya klik Next  pada kotak number of observation
ketik 160  Ok  Ok.
Kemudian membangun syntax pada Simplis Project, dengan cara klik Setup 
Build Simplis Syntax atau dengan meneklan F8 pada keyboard. Sehingga diperoleh
tampilan sebagai berikut.
 Gambar 23. Tampilan Syntax Simplis Project
Kemudian tuliskan relationshipnya, dengan cara tekan enter setelah
“Relationship”  tuliskan hubungan antar indikator dengan variabel latentnya sesuai
dengan path modelnya  setelah Path Diagram tekan Enter  tuliskan Options: SS
EF. Maka tampilan akan menjadi seperti berikut.

Gambar 24. Tampilan Syntax Simplis Project Kasus 1

Kemudian cukup klik icon Run satu kali.

Estimasi dan Evaluasi CFA

 Gambar 25. Standardized Solution
Pada gambar 25, menunjukkan nilai loading faktor ≥ 0,5, kecuali variable Y1 dan nilai
error varian tidak ada yang bernilai negatif, hal ini berarti setiap indikator telah valid
dalam membangun variabel motivasi kerja dan disiplin kerja. Akan tetapi 3 nilai utama
dalam GOF diantaranya nilai chi-square masih terlalu besar yaitu 77,59; nilai p-value =
0,30513 > 0,05 (signifikan), dan nilai RMSEA nya = 0,022 < 0,05 (kurang baik). Maka
dari itu model perlu direspesifikasi atau dimodifikasi.

4. Evaluasi (Uji kecocokan) model

Setelah model diestimasi, model akan diperiksa tingkat kecocokan antara data yang
digunakan dengan model. Evaluasi tingkat kecocokan model dilakukan melalui beberapa
tahapan, yaitu kecocokan keseluruhan model, kecocokan model pengukuran, dan
kecocokan model struktural. Pada program LISREL, setelah Simplis di Run, maka akan
menghasilkan output yang terdiri dari banyak unsur. Unsur pada output yang digunakan
untuk mengevaluasi kecocokan modelnya adalah Goodness of Fit Statistic. Berikut adalah
output Goodness of Fit Statistic (GOF) pada LISREL.

Goodness of Fit Statistics

Degrees of Freedom = 72
Minimum Fit Function Chi-Square = 77.06 (P = 0.32)
Normal Theory Weighted Least Squares Chi-Square = 77.59 (P = 0.31)
Estimated Non-centrality Parameter (NCP) = 5.59
90 Percent Confidence Interval for NCP = (0.0 ; 31.06)
 Minimum Fit Function Value = 0.48
Population Discrepancy Function Value (F0) = 0.035
90 Percent Confidence Interval for F0 = (0.0 ; 0.20)
Root Mean Square Error of Approximation (RMSEA) = 0.022
90 Percent Confidence Interval for RMSEA = (0.0 ; 0.052)
P-Value for Test of Close Fit (RMSEA < 0.05) = 0.93

Expected Cross-Validation Index (ECVI) = 0.90

90 Percent Confidence Interval for ECVI = (0.87 ; 1.06)
ECVI for Saturated Model = 1.32
ECVI for Independence Model = 5.32

Chi-Square for Independence Model with 91 Degrees of Freedom = 817.30

Independence AIC = 845.30
Model AIC = 143.59
Saturated AIC = 210.00
Independence CAIC = 902.36
Model CAIC = 278.07
Saturated CAIC = 637.89

Normed Fit Index (NFI) = 0.91

Non-Normed Fit Index (NNFI) = 0.99
Parsimony Normed Fit Index (PNFI) = 0.72
Comparative Fit Index (CFI) = 0.99
Incremental Fit Index (IFI) = 0.99
Relative Fit Index (RFI) = 0.88

Critical N (CN) = 213.14

Root Mean Square Residual (RMR) = 0.11

Standardized RMR = 0.063
Goodness of Fit Index (GFI) = 0.93
Adjusted Goodness of Fit Index (AGFI) = 0.90
Parsimony Goodness of Fit Index (PGFI) = 0.64

1) Uji Kecocokan Keseluruhan Model

Dari output GOF dapat dilakukan analisis kecocokan model sebagai berikut.

Tabel 2. Uji Kecocokan Keseluruhan Model

Ukuran Goodness of Keterangan

Kriteria Pengujian Hasil Pengujian
Fit
P-Value 𝑝 ≥ 0.05 𝑝 = 0.31 ≥ 0.05 Good Fit

Chi-Square dan NCP

(Non-Centrality Terlalu lebar,
Parameter) 2
Nilai 𝑋 dan NCP 2
𝑋 = 77.59 dan sehingga
haruslah rendah menyebabkan model
NCP = 5.59
kurang fit
RMSEA (Root Mean Nilai RMSEA harus CI = (0.00 ; 0.052)
Square Error of < 0.10 dan nilai CI < 0.05 dan
Good Fit
Approximation) dan CI sisi kiri dan sisi RMSEA = 0.022 <
(Confidence Interval) kanan harus < 0.05 0.10

Normed Fit Index (NFI) NFI = 0.91 ≥

NFI dan NNFI ≥
dan Non-Normed Fit 0.90 dan NNFI = Good Fit
0.90 adalah good fit
Index (NNFI) 0.99 ≥ 0.90

Nilai ECVI semakin

kecil semakin baik ECVI = 0.90
ECVI (Expected Cross- dan jika mendekati terlalu besar dan Kurang Fit
Validation Index) nilai saturated ECVI jauh dari SECVI =
menunjukkan good 1.32
fit
Nilai AIC yang
Nilai AIC =
kecil dan mendekati
AIC (Akaike 845.30, terlalu Kurang Fit
nol yang
Information Criterion) lebar dan
menunjukkan model
menjauhi nol
fit
Model CAIC =
Nilai model CAIC
278.07 dan
yang mendekati
Saturated CAIC =
CAIC nilai saturated Kurang Fit
637.89, nilai
CAIC menunjukkan
model menjauhi
goodness of fit
nilai saturated

RMR (Root Mean Nilai RMR harus ≤ RMR = 0.11 > Untuk RMR kurang fit
Square Residual) dan 0.05 dan SRMR 0.05 dan SRMR = sedangkan SRMR
SRMR (Standardized harus < 0.10 0.063 < 0.10 Good Fit
RMR)
Nilai 0.80 < GFI
GFI (Goodness of Fit dan AGFI < 0.9
GFI = 0.93 > 0.90
Index) dan AGFI adalah marginal fit
dan AGFI = 0.90 Good Fit
(Adjusted Goodness of dan GFI dan AGFI
> 0.80
Fit Index) yang > 0.9 adalah
good fit

Sebaiknya nilai CN = 213.14 < Good Fit

CN (Critical N)
𝐶𝑁 ≥ 200 200

Dari tabel diatas dapat diketahui bahwa model tersebut sudah banyak memenuhi
syarat kecocokan model, namun tetap ada syarat yang tidak dipenuhi. Maka dari itu dapat
disimpulkan bahwa model tersebut Marginal Fit.
2) Kecocokan Model Pengukuran
Menurut Wijanto (2008: 175) analisis validitas model pengukuran dapat dilakukan
dengan memeriksa nilai standardized loading factor (𝜆) dari variabel-variabel teramati
dalam model ≥ 0,50, sedangkan analisis reliabilitas dapat diperoleh dengan menghitung
construct reliability (CR) dan variance extracted (VE) dari nilai-nilai standardized
loading factor dan error variances. Reliabiltas model pengukuran dikatakan baik jika
𝐶𝑅 ≥ 0,70 dan 𝑉𝐸 ≥ 0,50.
Reliabilitas komposit suatu konstruk dihitung dengan
(Σ[Link])2
𝐶𝑜𝑛𝑠𝑡𝑟𝑢𝑐𝑡 𝑅𝑒𝑙𝑖𝑎𝑏𝑖𝑙𝑖𝑡𝑦 = (Σ[Link])2 +Σ𝑒
𝑗

dimana nilai std. loading (standardized loadings) diperoleh secara langsung dari output
program LISREL8.8 dan 𝑒𝑗 adalah measurement error untuk setiap variabel teramati atau
indikator.
Ekstrak varian menunjukkan jumlah varian keseluruhan dalam indikator-indikator
yang dijelaskan variabel laten. Ukuran ekstrak varian dapat dihitung sebagai berikut
(Fornel & Larker, 1981):

Σstd.loading2
𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝐸𝑥𝑡𝑟𝑎𝑐𝑡𝑒𝑑 = Σstd.loading2 +Σ𝑒
𝑗

Atau (Hair [Link]. 2007):

Σstd.loading2
𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝐸𝑥𝑡𝑟𝑎𝑐𝑡𝑒𝑑 = (2.20)
𝑁

Dimana 𝑁 adalah variabel teramati dari model pengukuran yang dikutip dari Hair,
[Link]. (1998), menyatakan bahwa sebuah konstruk mempunyai reliabilitas yang baik
adalah jika nilai 𝐶𝑜𝑛𝑠𝑡𝑟𝑢𝑐𝑡 𝑅𝑒𝑙𝑖𝑎𝑏𝑖𝑙𝑖𝑡𝑦 (𝐶𝑅) ≥ 0,70 dan nilai
𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒 𝐸𝑥𝑡𝑟𝑎𝑐𝑡𝑒𝑑 (𝑉𝐸) ≥ 0,50.

Analisis validitas dan reliabilitas diperoleh dari model pengukuran yang ditunjukkan
pada gambar 2. Analisis validitas dan reliabilitas dilakukan pada model pengukuran dapat
dilihat pada tabel 3 sebagai berikut

Tabel 3. Validitas dan Reliabilitas Model Penelitian

Variabel Konstruk Std Error Reliabilitas Keterangan Keterangan
laten loading var 𝑪𝑹 𝑽𝑬 validitas reliabilitas
≥ 𝟎, 𝟓 ≥ 𝟎, 𝟕𝟎 ≥ 𝟎, 𝟓𝟎
MO 𝑋1 0,62 0,61 0,87 0,62 Baik Baik
 𝑋2 0,87 0,24 Baik
𝑋3 0,75 0,43 Baik
𝑋4 0,88 0,23 Baik
KP 𝑌1 0,39 0,85 Kurang Baik
𝑌2 0,71 0,49 Baik
0,69 0,37 Kurang Baik
𝑌3 0,57 0,67 Baik
𝑌4 0,70 0,50 Baik
SB 𝑌5 0,62 0,61 Baik
𝑌6 0,91 0,17 0,82 0,61 Baik Baik
𝑌7 0,79 0,37 Baik
𝑌8 0,74 0,45 Baik
KBK 𝑌9 0,52 0,73 0,70 0,44 Baik Kurang Baik
𝑌10 0,71 0,49 Baik

Dari tabel 3 di atas menunjukkan bahwa terdapat satu indikator yang tidak memenuhi
asumsi validitas yaitu 𝑌1 mengakibatkan KP tidak memenuhi asumsi reliabilitas, sehingga
𝑌1 harus di drop dan tidak boleh digunakan kembali sebagai indikator variabel laten KP.

3) Kecocokan Model Struktural

Evaluasi terhadap model struktural juga memeriksa signifikansi koefisien-koefisien
yang diestimasi. Hal yang dievaluasi pada kecocokan model struktural yaitu t-value dan
koefisien persamaan struktural serta overall coeficient of determination (𝑅 2 ). T-value
dikatakan signifikan jika 𝑡 − 𝑣𝑎𝑙𝑢𝑒 ≥ 1,96 pada setiap hubungan kausal antar variabel
laten. Selain t-value, evaluasi juga dilakukan pada koefisien beta, dimana semua koefisien
beta mempunyai varian yang sama dan nilai maksimumnya adalah 1. Hasil estimasi
model struktural ditunjukkan pada gambar 18 sebagai berikut.

Gambar 26. Structural Equation Model Penelitian

(1) T-value dan koefisien persamaan struktural
 Menurut Joregkog & Dag (1993, h.4) t-value adalah rasio antara estimasi dan kesalahan
standarnya, jika t-value melebihi tingkat tertentu dalam hal ini 𝑡 − 𝑣𝑎𝑙𝑢𝑒 > 1,96 dapat
dikatakan bahwa parameter sesuai atau signifikan yang berarti seseorang dapat cukup
yakin bahwa variabel benar-benar mempengaruhi. Uji signifikansi t-value dan koefisien
persamaan struktural ditunjukkan pada tabel 4 berikut:

Tabel 4 Uji Signifikansi Model Penelitian

No. Path Estimasi T-value Kesimpulan

1. MOKP 0,30 0,29 Tidak Signifikan
2. MOSB −0,05 −0,60 Tidak Signifikan
3. MOKBK 0,01 0,11 Tidak Signifikan
4. KPKBK −0,08 −0,68 Tidak Signifikan
5. SBKBK −0,06 −0,58 Tidak Signifikan

(2) Koefisien determinasi (𝑅 2 )

Hasil intepretasi dari gambar 4.10 menggambarkan bahwa MO dapat menjelaskan
0,084% variance dari KP, sedangkan MO dapat menjelaskan 0,29% variance dari SB,
sedangkan KP, SB, dan MO dapat menjelaskan variance dari KBK sebesar 0,92%.

5. Respesifikasi model

Pada uji kecocokan seluruh model, diketahui bahwa model dikatakan kurang fit oleh
sebab itu diperlukan respesifikasi supaya memperoleh model yang lebih baik. Karena dalam
uji kecocokan pengukuran ternyata variabel 𝑌1 tidak valid, maka dalam respesifikasi variabel
𝑌1 harus didrop dan tidak boleh digunakan sebagai indikator pada variabel laten KP.
Selanjutnya untuk meningkatkan kecocokan seluruh model dapat menggunakan saran dari
modification indices. Indeks modifikasi dapat digunakan dengan penambahan lintasan atau
penambahan error covariances. Dalam hal ini, peneliti memilih untuk menambahkan error
covariances. Meskipun model tersebut dikatakan marginal fit, model tersebut masih bisa
diperbaiki menjadi model yang lebih baik. Lisrel dapat memberikan memberikan beberapa
saran untuk memperbaiki kecocokan model terhadap data penelitian yang diuji. Langkah-
langkah untuk menampilkan solusi tersebut, antara lain sebagai berikut.
1. Buka kembali pada menu simplis.
2. Menampilkan perbaikan model dapat dilakukan dengan cara menuliskan “Print residual”
pada baris setelah Options, seperti berikut.
Kemudian klik icon Run , maka akan tampil tambahan output, yang dijelaskan
berikut ini.
Lisrel menyajikan output covariance matrix yang telah di-fit-kan, tujuannya adalah untuk
mengestimasi covariance matrix model penelitian yang diajukan.
Fitted Covariance Matrix

Y2 Y3 Y4 Y5 Y6 Y7
-------- -------- -------- -------- -------- --------
Y2 1.73
Y3 0.86 1.92
Y4 0.80 0.70 1.66
Y5 0.00 0.00 0.00 1.60
Y6 0.00 0.00 0.00 1.05 2.12
Y7 0.00 0.00 0.00 0.81 1.37 1.68
Y8 -0.06 -0.05 -0.05 -0.04 -0.07 -0.05
Y9 -0.04 -0.04 -0.03 -0.03 -0.05 -0.04
Y10 -0.05 -0.05 -0.04 -0.04 -0.07 -0.05
X1 0.05 0.04 0.04 -0.04 -0.06 -0.05
X2 0.07 0.06 0.06 -0.05 -0.09 -0.07
X3 0.06 0.05 0.05 -0.05 -0.08 -0.06
X4 0.07 0.06 0.06 -0.05 -0.09 -0.07

Fitted Covariance Matrix

Y8 Y9 Y10 X1 X2 X3
-------- -------- -------- -------- -------- --------
Y8 1.48
Y9 0.62 1.76
Y10 0.78 0.60 1.48
X1 0.01 0.01 0.01 1.92
X2 0.01 0.01 0.01 1.07 2.03
X3 0.01 0.01 0.01 0.94 1.34 2.06
X4 0.01 0.01 0.01 1.08 1.54 1.35

Fitted Covariance Matrix

X4
--------
 X4 2.01

Jika covariance matrix dikurangi dengan fitter covariance matrix, maka selisihnya
menghasilkan output residual dalam dua bentuk, yaitu fitted residuals dan standardized
residuals. Jika fiited residuals mendekati atau sama dengan nol, maka semodel memiliki fit
yang baik, sedangkan model yang memiliki fit yang buruk apabila matriks residualnya sangat
besar. Jika standardized residuals mendekati atau sama dengan nol, maka model memiliki fit
yang baik
Fitted Residuals

Y2 Y3 Y4 Y5 Y6 Y7
-------- -------- -------- -------- -------- --------
Y2 0.00
Y3 0.00 0.00
Y4 0.00 0.00 0.00
Y5 -0.17 -0.38 -0.26 0.00
Y6 -0.14 -0.18 -0.16 0.00 0.00
Y7 -0.24 -0.25 -0.14 0.01 0.00 0.00
Y8 0.09 -0.02 0.07 0.10 -0.05 0.14
Y9 -0.02 -0.06 -0.07 0.04 -0.07 0.07
Y10 0.03 -0.04 -0.11 0.16 -0.03 -0.01
X1 0.15 -0.04 0.07 -0.06 -0.13 -0.14
X2 0.16 0.05 -0.11 0.23 0.04 -0.01
X3 -0.08 -0.17 -0.13 0.09 -0.06 -0.01
X4 0.02 0.01 -0.11 0.12 -0.03 0.02

Fitted Residuals

Y8 Y9 Y10 X1 X2 X3
-------- -------- -------- -------- -------- --------
Y8 0.00
Y9 0.00 0.00
Y10 0.00 -0.01 0.00
X1 0.10 -0.16 0.13 0.00
X2 -0.12 -0.20 0.18 0.03 0.00
X3 0.10 -0.18 0.12 -0.03 -0.01 0.00
X4 -0.08 -0.15 0.10 -0.01 0.00 0.02

Fitted Residuals

X4
--------
X4 0.00

Summary Statistics for Fitted Residuals

Smallest Fitted Residual = -0.38

Median Fitted Residual = 0.00
Largest Fitted Residual = 0.23

Stemleaf Plot

- 3|8
- 2|6540
- 1|8877665444332111
- 0|887766654433322111111000000000000000000000
0|112223344577799
1|000022345668
2|3

Standardized Residuals

Y2 Y3 Y4 Y5 Y6 Y7
-------- -------- -------- -------- -------- --------
Y2 --
Y3 -0.51 --
Y4 0.32 0.17 --
Y5 -1.28 -2.71 -2.02 --
Y6 -0.90 -1.10 -1.04 -0.65 --
Y7 -1.78 -1.78 -1.08 1.77 -1.95 --
Y8 1.07 -0.21 0.76 1.00 -0.61 1.68
Y9 -0.13 -0.44 -0.61 0.29 -0.53 0.59
Y10 0.39 -0.39 -1.14 1.59 -0.38 -0.12
X1 1.25 -0.29 0.53 -0.49 -1.09 -1.16
X2 1.88 0.42 -1.07 2.02 0.56 -0.09
X3 -0.75 -1.35 -1.13 0.72 -0.57 -0.08
X4 0.21 0.09 -1.04 1.06 -0.50 0.24

Standardized Residuals

Y8 Y9 Y10 X1 X2 X3
-------- -------- -------- -------- -------- --------
Y8 -1.72
Y9 0.70 -1.72
Y10 0.02 -1.04 -1.72
X1 0.90 -1.18 1.15 --
X2 -1.52 -1.58 2.00 0.69 --
X3 0.96 -1.39 1.16 -0.45 -0.35 --
X4 -1.03 -1.20 1.18 -0.40 -0.41 0.79

Standardized Residuals

X4
--------
X4 --

Summary Statistics for Standardized Residuals

Smallest Standardized Residual = -2.71

Median Standardized Residual = -0.13
Largest Standardized Residual = 2.02

Stemleaf Plot

- 2|7
- 2|0
- 1|98877765
- 1|4432221111110000
- 0|9866665555
- 0|444444332111100000000000
0|12223344
0|566777889
1|00111222
1|6789
2|00
 Largest Negative Standardized Residuals
Residual for Y5 and Y3 -2.71

Pada output GOF, terlihat nilai chi-square terlalu besar yaitu 77,59 yang
menyebabkan model tidak fit. Untuk memperbaiki model, dapat dilakukan penambahan,
pengurangan, penggantian jalur (path), ataupun menambahkan error covariance untuk
mengurangi nilai chi-square agar lebih signifikan. Karena 𝑌1 tidak memenuhi asumsi validitas
maka 𝑌1 harus di drop dari model penelitian.

 Buka kembali menu simplis. Pada menu simplis, modifikasi model sesuai dengan saran
dari lisrel, maka akan terjadi perubahan syntax seperti dibawah ini.

Syntax pada SIMPLIS sebelum di Syntax pada SIMPLIS sesudah di

modifikasi modifikasi

Raw Data from file 'G:\SEM\Kasus [Link]'' Raw Data from file 'G:\SEM\Kasus [Link]'

Sample Size = 160 Sample Size = 160

Latent Variables KP SB KBK MO Latent Variables KP SB KBK MO

Relationships Relationships

X1 - X4 = MO X1 - X4 = MO

Y1 – Y4 = KP Y2 – Y4 = KP

Y5 – Y7= SB Y5 – Y7= SB

Y8 – Y10 = KBK Y8 – Y10 = KBK

KBK = KP SB KBK = KP SB

KP = MO KP = MO

SB = MO SB = MO

KBK = MO KBK = MO

Path Diagram Path Diagram

Options: SS EF Options: SS EF

Print residual Print residual

End of Problem End of Problem

 Kemudian klik icon Run , maka akan menghasilkan output GOF sebagai berikut.
 Goodness of Fit Statistics

Degrees of Freedom = 60
Minimum Fit Function Chi-Square = 60.39 (P = 0.46)
Normal Theory Weighted Least Squares Chi-Square = 59.73 (P = 0.49)
Estimated Non-centrality Parameter (NCP) = 0.0
90 Percent Confidence Interval for NCP = (0.0 ; 21.99)

Minimum Fit Function Value = 0.38

Population Discrepancy Function Value (F0) = 0.0
90 Percent Confidence Interval for F0 = (0.0 ; 0.14)
Root Mean Square Error of Approximation (RMSEA) = 0.0
90 Percent Confidence Interval for RMSEA = (0.0 ; 0.048)
P-Value for Test of Close Fit (RMSEA < 0.05) = 0.96

Expected Cross-Validation Index (ECVI) = 0.77

90 Percent Confidence Interval for ECVI = (0.77 ; 0.91)
ECVI for Saturated Model = 1.14
ECVI for Independence Model = 5.05

Chi-Square for Independence Model with 78 Degrees of Freedom = 777.14

Independence AIC = 803.14
Model AIC = 121.73
Saturated AIC = 182.00
Independence CAIC = 856.12
Model CAIC = 248.06
Saturated CAIC = 552.84

Normed Fit Index (NFI) = 0.92

Non-Normed Fit Index (NNFI) = 1.00
Parsimony Normed Fit Index (PNFI) = 0.71
Comparative Fit Index (CFI) = 1.00
Incremental Fit Index (IFI) = 1.00
Relative Fit Index (RFI) = 0.90

Critical N (CN) = 233.69

Root Mean Square Residual (RMR) = 0.11

Standardized RMR = 0.061
Goodness of Fit Index (GFI) = 0.95
Adjusted Goodness of Fit Index (AGFI) = 0.92
Parsimony Goodness of Fit Index (PGFI) = 0.62

Dari output GOF dapat dilakukan analisis kecocokan model pada table 5 sebagai berikut.
Ukuran Goodness of
Kriteria Pengujian Hasil Pengujian Keterangan
Fit

P-Value 𝑝 ≥ 0.05 𝑝 = 0.49 > 0.05 Model Fit

Chi-Square dan NCP Nilai 𝑋 2 dan NCP 𝑋 2 = 59.73 dan

(Non-Centrality Model Fit
haruslah rendah
Parameter) NCP = 0.00
RMSEA (Root Mean Nilai RMSEA harus CI = (0.0 ; 0.048)
Square Error of < 0.10 dan nilai CI < 0.05 dan
Model Fit
Approximation) dan CI sisi kiri dan sisi RMSEA = 0.0 <
(Confidence Interval) kanan harus < 0.05 0.10

ECVI (Expected Cross- Nilai ECVI harus < ECVI = 0.77 > KurangFit
Validation Index) 0.05 0.05
Nilai AIC yang
Nilai AIC =
kecil dan mendekati
AIC (Akaike 121.73, terlalu Kurang Fit
nol yang
Information Criterion) lebar dan menjauhi
menunjukkan model
nol
fit
Model CAIC =
Nilai model CAIC
248.06 dan
yang mendekati
Saturated CAIC =
CAIC nilai saturated CAIC Kurang Fit
552.84, nilai
menunjukkan
model jauh dari
goodness of fit
nilai saturated

RMR (Root Mean Nilai RMR harus ≤ RMR = 0.11 > Untuk nilai RMR
Square Residual) dan 0.05 dan SRMR 0.05 dan SRMR = Kurang Fit, sedangkan
SRMR (Standardized harus < 0.10 0.061 < 0.10 nilai SRMR Good Fit
RMR)
Nilai 0.80 < GFI
GFI (Goodness of Fit dan AGFI < 0.9
GFI = 0.95 > 0.90
Index) dan AGFI adalah marginal fit
dan AGFI = 0.92 > Good Fit
(Adjusted Goodness of dan GFI dan AGFI
0.80
Fit Index) yang > 0.9 adalah
good fit

Sebaiknya nilai CN = 233.69 > Good fit

CN (Critical N)
𝐶𝑁 ≥ 200 200

Pada output GOF diatas dapat dilihat bahwa model menjadi lebih baik dibandingkan model
sebelum di perbaiki. Sehingga model dapat disimpulkan Good Fit.

Setelah melalui tahapan-tahapan analisis CB-SEM, model yang sudah Good Fit dapat di
analisis hubungan kausalnya melaui output dan path diagram pada LISREL. Berikut disajikan
intepretasi output dari model diatas yang sudah diperbaiki.
 Gambar 27. Estimasi Respesifikasi Model

Dari path diagram diatas dapat dilihat bahwa nilai yang terdapat pada anak panah satu
arah yang menghubungkan variabel eksogen ke variabel endogen merupakan nilai dari direct
effect, dan anak panah kecil menuju indikator merupakan nilai error varians nya.

Gambar 28. Standardized Solution Respesifikasi Model

 Pada hasil estimasi standartdized solution terdapat variabel yang memiliki lintasan
berwarna abu-abu atau hitam samar yaitu hubungan KP ke Y2, SB ke Y5, dan KBK ke Y8.
Hal ini dikarenakan variabel tersebut telah ditetapkan menjadi variance reference yaitu
berarti variabel manifest tersebut secara nyata berhubungan dengan variabel latennya.
Berdasarkan gambar 28 dapat dianalisis model pengukuran sebagai berikut:

Tabel 6. Validitas dan Reliabilitas Model Penelitian

Variabel Konstruk Std Error Reliabilitas Keterangan Keterangan
laten loading var 𝑪𝑹 𝑽𝑬 validitas reliabilitas
≥ 𝟎, 𝟓 ≥ 𝟎, 𝟕𝟎 ≥ 𝟎, 𝟓𝟎
MO 𝑋1 0,62 0,61 Baik
𝑋2 0,87 0,24 Baik
0,87 0,62 Baik
𝑋3 0,75 0,43 Baik
𝑋4 0,88 0,23 Baik
KP 𝑌2 0,75 0,43 Baik
𝑌3 0,62 0,61 0,71 0,45 Baik Kurang Baik
𝑌4 0,63 0,61 Baik
SB 𝑌5 0,62 0,61 Baik
𝑌6 0,91 0,17 0,82 0,61 Baik Baik
𝑌7 0,79 0,37 Baik
𝑌8 0,74 0,45 Baik
KBK 𝑌9 0,52 0,73 0,70 0,44 Baik Kurang Baik
𝑌10 0,71 0,50 Baik

Kemudian akan diuji persamaan struktural nya apakah koefisien persamaan struktural
bernilai signifikan atau tidak. Berikut hasil analisisnya

Tabel 7. Hasil Analisis Persamaan Struktural

Path Estimasi Nilai-t Kesimpulan
MO ke KP 0.06 0.59 Tidak signifikan
MO ke SB -0.05 -0.61 Tidak signifikan
MO ke KBK 0.01 0.12 Tidak signifikan
KP ke KBK -0.06 -0.57 Tidak signifikan
SB ke KBK -0.06 -0.56 Tidak signifikan