Tampilkan postingan dengan label Structural Equation Modeling. Tampilkan semua postingan
Tampilkan postingan dengan label Structural Equation Modeling. Tampilkan semua postingan

Simulasi Analisis Data Structural Equation Modeling dengan LISREL

Lisrel (Linear Structural Relationship) adalah salah satu program untuk mengestimasi model  Structural Equaion Modeling (SEM). Sebenarnya ada banyak program yang dirancang untuk mengestimasi SEM, tetapi sepertinya LISREL adalah yang paling populer di dunia ini. Program yang lain, AMOS, EQS dan masih banyak lagi penggunaannya masih di bawah LISREL. Bukan tanpa alasan, karena memang LISREL sangat powerfull dalam mengestimasi SEM. Untuk model yang sangat rumit, maka penggambaran path diagram menjadi hal yang sangat sulit dilakukan dengan AMOS, tetapi LISREL dapat melakukan dengan mudah karena program lah yang melakukan penggambaran berdasarkan script yang diketikan oleh pelaku analisis.

Berikut adalah simulasi analisis data SEM dengan LISREL tetapi model yang relatif sederhana. Pertama silahkan buka program LISREL Anda seperti pada gambar di bawah:

Gambar 1 Tampilan Program LISREL


Pilih Menu File di kiri atas, lalu pilih NEW seperti pada gambar di bawah ini:
Gambar 2 Tampilan Menu NEW


 Maka akan diarahkan ke Sub Menu sebagai berikut:

Gambar 3 Tampilan Sub Menu SIMPLIS Project


Pilih pada SIMPLIS Project, lalu Klik OK maka akan diarahkan ke box dialog seperti gambar di bawah:

Gambar 4 Tampilan Dialog untuk Menyimpan File


Beri nama pada file lalu tentukan juga lokasi penyimpanan di Drive Anda. Dalam contoh ini diberi nama Data.spj. (spj adalah ekstensi untuk file simplis project). Lalu klik OK, maka akan diarahkan ke

Gambar 5 Tampilan Box Dialog untuk Memasukkan Script


Box di atas adalah tempat kita untuk mengetikkan perintah kepada program baik untuk menggambarkan path diagram maupun untuk mengestimasikan model kita. Cukup sensitif, karena huruf besar dan huruf kecil juga berpengaruh terhadap program, bahkan bisa menjadi error. 

Kali kami kami lampirkan script untuk di copas ke box dialog tersebut:


 Observed Variables

 HAR1 HAR2 HAR3 HAR4 HAR5 KUA1 KUA2 KUA3 KUA4 KUA5 KEP1 KEP2
 KEP3 KEP4 KEP5 KEP6
 Covariance Matrix
 0.39
 0.28 0.46
 0.30 0.31 0.56
 0.28 0.29 0.35 0.58
 0.24 0.21 0.23 0.27 0.46
 0.24 0.23 0.23 0.24 0.29 0.41
 0.25 0.24 0.26 0.30 0.30 0.30 0.47
 0.21 0.20 0.25 0.27 0.28 0.25 0.30 0.46
 0.20 0.18 0.22 0.26 0.21 0.20 0.21 0.22 0.34
 0.18 0.18 0.19 0.28 0.19 0.18 0.19 0.23 0.28 0.37
 0.17 0.20 0.16 0.24 0.19 0.18 0.22 0.20 0.22 0.25
 0.37
 0.17 0.20 0.18 0.24 0.18 0.16 0.18 0.21 0.18 0.19
 0.18 0.33
 0.24 0.26 0.24 0.26 0.24 0.27 0.28 0.22 0.22 0.23
 0.22 0.17 0.42
 0.16 0.17 0.20 0.19 0.17 0.20 0.19 0.17 0.15 0.16
 0.16 0.12 0.22 0.30
 0.23 0.22 0.26 0.33 0.17 0.26 0.25 0.23 0.23 0.22
 0.20 0.20 0.28 0.18 0.45
 0.24 0.22 0.23 0.23 0.27 0.24 0.25 0.22 0.22 0.20
 0.17 0.15 0.25 0.16 0.24 0.44
 Means
 3.16 3.28 3.15 3.22 3.15 3.23 3.19 3.24 3.24 3.19
 3.22 3.19 3.17 3.20 3.19 3.24
 Sample Size = 104
 Latent Variables  HAR KUA KEP
 Relationships
 HAR1 = 1*HAR
 HAR2 - HAR5 = HAR
 KUA1 = 1*KUA
 KUA2 - KUA5 = KUA
 KEP1 = 1*KEP
 KEP2 - KEP6 = KEP
 KEP = HAR KUA
 Path Diagram
 Iterations = 250
 Method of Estimation: Maximum Likelihood
 End of Problem


Silahkan di copy script di atas. Setelah itu klik Run atau gambar orang berlari. 

Gambar 6 Tampilan Run Program


Maka akan mengeluarkan output berupa path diagram dan juga output dalam notepad. Anda bisa menginterpretasikan output tersebut seperti Anda menginterprasikan Hasil SEM seperti biasa. 

Gambar 7 Hasil Path Diagram


Tampak bahwa model belum fit, di mana p value masih di bawah 0,05 dan RMSEA di atas 0,08. Untuk melihat outpunya klik pada Menu Window di bagian atas, lalu pilih Data.out.

Gambar 8 Menu Output


Sehingga akan diarahkan ke menut output yang bisa Anda copy ke notepad untuk lampiran jika diperlukan. Hasilnya adalah sebagai berikut:

Gambar 9 Output Full Model SEM dengan LISREL 


Pada menu Window, terdapat tiga pilihan, yaitu SPJ, OUT dan PTH. SPJ adalah Simplis Project, OUT adalah Output dan PTH adalah path diagram. 

Ini adalah perkenalan dengan SIMPLIS LISREL dulu. Untuk membentuk script bisa kita pelajari bersama nanti ya.

Atau jika memerlukan contoh-contoh SIMPLIS LISREL yang siap pakai, kami juga sudah menyediakanya jika Anda memerlukan.

Share:

Simulasi AMOS Agar Model Menjadi Fit dengan Modification Indices

Model yang diestimasi dengan Program AMOS biasanya memang agak rumit, di mana ada beberapa variabel bebas dan juga beberapa variabel terikat. Selain itu, persyaratan yang diperlukan juga relatif banyak dan kadang sering sekali sulit untuk dapat dipenuhi. Berikut kami berikan simulasi analisis data Structural Equation Modeling (SEM) menggunakan AMOS.

Model ini menggunakan 160 data (sampel), 16 indikator dengan skala 1 sampai dengan 5. Metode estimasi yang dipergunakan adalah Generalized Least Square (GLS) dengan path diagram sebagai berikut:

Gambar 1 Path Diagram Full Model
Gambar 1 Path Diagram Full Model

Terdapat 3 buah variabel Eksougen yaitu NS, NP dan KP sedangkan variabel Endougen ada dua yaitu SZ dan NZ (ini hanya contoh simulasi saja). Jumlah masing-masing indikator sudah tergambar di path diagram full model di atas. Setelah diestimasi, maka memberikan output path diagram sebagai berikut:

Gambar 2 Output Full Model SEM
Gambar 2 Output Full Model SEM

Tampak bahwa nilai p adalah sebesar 0,028 yang masih di bawah 0,05 yang menunjukkan bahwa model belum fit. Parameter yang lain, misalnya RMSEA sebenarnya sudah fit, tetapi untuk model dengan sampel yang relatif kecil, maka p value menjadi suatu keharusan.

Untuk melakuan modifikasi, dilihat pada output Modification Indices yaitu sebagai berikut:

Gambar 3 Output Modification Indices
Gambar 3 Output Modification Indices
Dari gambar di atas tampak bahwa jika diberikan korelasi tambahan antara e09 dengan e10 akan terjadi penurunan Chi Square sebesar 4,201.  Sebenarnya korelasi antara e14 dengan e13 akan memberikan penurunan Chi square yang lebih besar yaitu sebesar 5,835. Akan tetapi korelasi yang dibuat harus mempunyai dasar teori yang kuat. Oleh karena itu dipilih antara e09 dengan e10 karena dalam satu konstruk, indikator yang ada harus saling berkorelasi karena merupakan indikator reflektif. 

Dengan memberikan korelasi tambahan antara e09 dengan e10 maka memberikan hasil output sebagai berikut:

Gambar 4 Output Full Model Modifikasi
Gambar 4 Output Full Model Modifikasi

Tampak bahwa nilai p value menjadi 0,061 > 0,05 yang berarti model telah dinyatakan fit. Parameter yang lain, RMSEA juga telah memenuhi nilai yang disarankan. Ini hanya simulasi saja. Jika Anda menginginkan contoh data tabulasi dalam Excel untuk simulasi SEM dengan AMOS, silahkan klik di sini.

Share:

Perbandingan Output Regresi SPSS dengan AMOS

Membaca judul artikelnya, mungkin ada yang mengernyitkan dahi, kok SPSS dibandingkan dengan AMOS, itu kan beda, Regresi dengan SEM (Structural Equation Modeling). Iya memang itu program yang berbeda, meskipun dalam bendera yang sama yaitu IBM. SPSS sebenarnya mempunyai menu yang jauh lebih banyak dibandingkan dengan AMOS, tetapi untuk statistik inferensial, AMOS memang dikatakan lebih unggul karena mengadopsi metode SEM, di mana SPSS belum dirancang untuk itu.

Artikel ini hanya membandingkan output regresi saja. Khusus regresi saja. Dalam simulasi ini, tidak kami lakukan uji asumsi yang ada, tidak ada uji normalitas dan lain-lain karena hanya untuk membandingkan saja. Mohon jangan dijadikan rujukan. Berikut adalah data yang akan dipergunakan:

Tabulasi Data dengan SPSS Versi 26
Tabulasi Data dengan SPSS Versi 26
Terdiri dari dua buah variabel bebas X1 dan X2 serta 1 buah variabel terikat yaitu Y.  Adapun output regresi T hitung antara X1 terhadap Y adalah sebagai berikut:

Output Regresi dengan SPSS Versi 26
Output Regresi dengan SPSS Versi 26

T hitung adalah sebesar 13,948 atau lebih mendalam, koefisien B sebesar 0,272 dengan Standard Error 0,020 dan Standardized Coefficient sebesar 0,704. Nah untuk AMOS, kita buat path diagram sebagai berikut:

Path Diagram Sederhana dengan AMOS
Path Diagram Sederhana dengan AMOS

X1 sebagai variabel bebas dan Y sebagai variabel terikat dan ada tambahan e sebagai error untuk Y karena memang harus dideklarasikan untuk dapat dilakukan running. Datanya sama seperti pada gambar di atas dengan jumlah sampel sebanyak 200. Hasilnya adalah sebagai berikut: (tidak dilakukan perhitungan asumsi karena hanya contoh saja)
Hasil Running dengan AMOS Unstandardized
Hasil Running dengan AMOS Unstandardized
Tampak bahwa koefisien B adalah sebesar 0,27 yang identik dengan nilai B pada output regresi. Berarti sama kan? Untuk lebih memperjelas, kita lihat output AMOS dengan Standardized yaitu sebagai berikut:

Hasil Running AMOS Standardized
Hasil Running AMOS Standardized
Nilai koefisien Standardized adalah sebesar 0,70 yang identik juga dengan nilai Standardized pada output SPSS. Sedikit berbeda karena memang ada perbedaan setting angka di belakang koma. Apakah dapat disimpulkan bahwa hasilnya sebenarnya sama saja baik dengan SPSSS atau pun dengan AMOS?

Kita coba lihat output AMOS yang berisi nilai t hitung dan parameter yang lain:

Estimate

S.E.

C.R.

P

Label

Y

<---

X1

,272

,019

13,983

***

Tampak bahwa nilai C.R adalah sebesar 13,983 yang juga mendekati nilai T hitung pada SPSS yaitu sebesar 13,948.Sedikit berbeda karena memang pendekatan yang dipergunakan juga berbeda. Semakin banyak jumlah sampel maka semakin mendekati kesamaan nilai keduanya. Itulah mengapa AMOS mensyaratkan sampel yang relatif besar, di atas 100. 

Jadi dalam konteks regesi linear pada SPSS dengan Maximum Likelihood pada AMOS memberikan hasil yang identik. Memang AMOS akan lebih mampu mengestimasi model yang lebih rumit dengan lebih dari 1 variabel terikat. Selain itu, jika menggunakan indikator, maka SPSS hanya akan menghitung jumlah atau rata-rata dari nilai indikatornya. Tetapi AMOS dapat secara langsung melakukan estimasi dari indikator menuju konstruk lalu menuju variabel terikat.

Jadi dalam konteks yang lebih rumit, AMOS akan lebih powerfull dibandingkan dengan SPSS. Bagaimana dengan LISREL? Mungkin kita bahas lain kali.

Share:

Contoh Tabulasi Data untuk Analisis SEM dengan LISREL dalam Format SPSS

Analisis Structural Equation Modeling (SEM) berbasis Covariance memang memerlukan banyak sekali asumsi. Berbeda dengan SEM yang berbasis Variance yang relatif memerlukan asumsi lebih sedikit. Adanya berbagai asumsi tersebut membuat analisis SEM menjadi relatif lebih rumit dan agak sulit untuk memenuhi asumsi-asumsi yang ada. Banyak Software telah dikembangkan untuk memudahkan simulasi tersebut dan salah satu yang cukup terkenal, dan boleh dikatakan paling canggih adalah LISREL.

Contoh Output Path Diagram dengan LISREL
Contoh Output Path Diagram dengan LISREL
Gambar di atas adalah contoh Output LISREL yang berbentuk Path Diagram. Terlihat berbeda dengan output dengan AMOS. Pada LISREL, maka gambar dibentuk oleh program secara otomatis berdasarkan script yang kita ketikkan. Oleh karena itu, untuk model yang sangat rumit, penggunaan LISREL akan lebih mudah karena peneliti tidak perlu menggambarkan model yang rumit tersebut.
Kam telah mengumpulkan beberapa data untuk simulasi dengan LISREL. Ini hanya kompilasi data saja, Anda tetapi harus melakukan analisis sendiri. Beberapa rincian simulasinya adalah sebagai berikut:

1. 263 sampel, 46 indikator
2. 160 sampel, 16 indikator
3. 104 sampel, 16 indikator
4. 125 sampel, 24 indikator
5. 106 sampel, 19 indikator
6. 135 sampel, 16 indikator
7. 105 sampel, 16 indilator
8. 108 sampel, 18 indikator
9. 145 sampel, 9 indikator, Second order CFA
10. 145 sampel, 10 indikator, Second order CFA
11. 145 sampel, 22 indikator, Second order CFA
12. 145 sampel, 28 indikator, Second order CFA
13. 127 sampel, 18 indikator
14. 125 sampel, 19 indikator

*) contoh lain sedang dalam proses

Ini hanya simulasi saja, bukan hasil kuesioner atau hasil penelitian. Anda tetap harus melakukan analisis sendiri untuk mendapatkan model yang sesuai dengan model Anda sendiri. File yang diperoleh adalah Tabulasi Data dalam SPSS, uraian dan copy output dalam Words, output normalitas dalam notepad dan output total dalam notepad yang sudah disertai dengan Script SIMPLIS. 

Model simulasi kami sudah normal, karena ini harga mutlak. Juga sudah memenuhi parameter penting yaitu p value dan RMSEA. Untuk parameter yang lain sudah mendekati. Hasil hipotesis sebagian besar diterima tetapi ada juga yang ditolak untuk variasi pilihan Anda.

Jika berminat, Anda dapat mengordernya melalui Market Place yang Anda pilih. bisa Tokopedia, Shopee atau Bukalapak

Jika Anda memerlukan contoh simulasi dalam AMOS. Kami juga sudah menyediakannya di sini.
Share:

Contoh Tabulasi Data untuk Analisis SEM dengan AMOS

Analisis Structural Equation Modeling berbasis Covariance memang memerlukan banyak sekali asumsi. Berbeda dengan yang berbasis Variance yang relatif memerlukan asumsi lebih sedikit. Adanya berbagai asumsi tersebut membuat analisis SEM dengang AMOS menjadi relatif lebih rumit dan agak sulit untuk memenuhi asumsi-asumsi yang ada. 
Path Diagram Full Model SEM dengan AMOS
Path Diagram Full Model SEM dengan AMOS

Kami membuat simulasi tabulasi data dalam Microsoft Excel yang memenuhi sebagian besar dari asumsi yang ada, misalnya asumsi normalitas, RMSEA, GFI, AGFI, P-value dan beberapa asumsi yang krusial sehingga model tersebut layak untuk dipergunakan sebagai sumber data analisis. Jumlah sampel kami rancang di atas 105 sehingga memenuhi asumsi minimal dalam SEM berbasis Covariance atau setidakanya juga di atas 5 x jumlah variabel atau indikator dalam penelitian tersebut. 
DVD berisi Contoh Tabulasi Data untuk SEM dalam Excel
DVD berisi Contoh Tabulasi Data untuk SEM dalam Excel

Anda dapat menggunakan simulasi tersebut untuk berlatih melakukan analisis dengan AMOS atau melakukan utak-atik data sehingga pemahaman Anda akan lebih terbuka. Data ini bervariasi ada yang menggunakan skala dari 1 sd 5 atau ada pula yang menggunakan skala 1 sd 7. Ini bukan data yang diperoleh dari kuesioner, tetapi hanya simulasi saja.

Adapun rincian dari simulasi adalah sebagai berikut:

Responden-Indikator-Skala

1. 160           16         1 sd 7
2. 104           16         1 sd 5
3. 135           27         1 sd 5
4. 155           37         1 sd 5
5. 171           39         1 sd 5
6. 258           29         1 sd 5
7. 150           30         1 sd 6
8. 125           25         1 sd 5
9. 106           20         1 sd 5
10. 135         16         1 sd 5
11. 105         16         1 sd 5
12. 108         18         1 sd 5
13. 145         29         1 sd 5
14. 127         18         1 sd 7
15. 125         25         1 sd 5
16. 340         28         1 sd 5
17. 105         21         1 sd 5
18. 110         22         1 sd 5
19. 168         32         1 sd 5
20.340          25         1 sd 5
21. 250         18         1 sd 5 Second order CFA


Jika Anda menginginkannya, Anda dapat menggunakan Akun Anda di berbagai Toko Online, misalnya di Tokopedia, Shopee atau Bukalapak.

Silahkan klik link di atas dan berkunjung lalu order menggunakan akun Anda sendiri. Di situ telah disertakan juga file AMOS Versi 18 untuk memudahkan Anda melakukan simulasi. Penting dicatat, bahwa ini adalah data simulasi, bukan data hasil kuesioner. Selain itu, Anda juga harus melakukan running atau analisis sendiri untuk mendapatkan model yang sesuai dengan penelitian Anda.

Simak juga video singkat di Channel kami di Statistik TV:

Jangan lupa Subscribe dan Koment video di atas.

Share:

Olah Data dengan Lisrel

LISREL merupakan salah satu program yang dirancang untuk menyelesaikan Structural Equation Modelling (SEM) Berbasis Covariance. Bahkan mungkin (?) salah satu yang paling canggih di antara program sejenis. LISREL juga lah yang mengembangkan notasi yang dipergunakan dalam SEM dan beberapa program sejenis menggunakan notasi tersebut, di antaranya Program AMOS (Analysis of Moment Structure).
Gambar Lisrel
Gambar Lisrel

LISREL mempunyai kemampuan untuk menyelesaikan persamaan struktural yang relatif rumit, karena pengguna tidak perlu menggambarkan path diagramnya, tetapi hanya menuliskan notasinya, dan Program akan secara otomotis menggambarkan model yang kita bentuk. Hal ini akan memudahkan kita dalam melakukan estimasi, mengingat keterbatasan layar monitor yang tersedia, sehingga kita sering kesulitan untuk menggambarkan model penelitian kita. Akan tetapi, LISREL juga dirancang untuk melakukan penggambaran path diagram.

Dengan menggunakan cara script, memang akan memberikan kesulitan bagi pengguna, karena harus menghapalkan notasi-notasi yang dipergunakan. Selain itu, script yang dipergunakan bersifat sensitif, sehingga salah ketik membuat program menjadi error. Bahkan penggunaan huruf besar dan huruf kecil merupakan hal yang penting dalam penulisan sricpt.

LISREL telah menyediakan menu untuk analisis data yang tidak normal, misalnya data ordinal. Program LISREL akhir-akhir ini mempunyai menu untuk analisis faktor dengan menggunakan data ordinal.
Share:

Structral Equation Modeling (SEM) Berbasis Variance

SEM (Structural Equation Modeling) memiliki fleksibilitas yang lebih tinggi bagi peneliti mengkonfirmasikan teori dengan data, dibandingkan teknik multivariate yang berkembang sebelumnya yaitu principal component analysis, factor analysis, discriminant analysis atau multiple regression. Terdapat dua kelompok SEM akhir-akhir ini yaitu, berbasis covariance dan berbasis variance (component).

SEM berdasarkan pada Covariance

SEM berbasis covariance yang berkembang sekitar tahun 1973 mulai menarik perhatian para peneliti setelah keluarnya LISREL III yang dikembangkan oleh Joreskog dan Sorbom. Ide dasarnya adalah dengan menggunakan fungsi Maximum Likelihood (ML) sehingga covariance based SEM (CBSEM) sebenarnya berusaha meminimumkan perbedaan antara sample covariance dan covariance yang diprediksi oleh model teoritis. Penggunaan CBSEM sangat dipengaruhi oleh asumsi parametrik yang harus dipenuhi seperti variabel yang diobservasi memiliki multivariate normal distribution dan observasi harus independen satu sama lain.

structural equation modeling berbasis variance dengan SmartPLS Versi 2
Path Diagram dengan SmartPLS
CBSEM sangat dipengaruhi oleh jumlah sampel, karena jumlah sample kecil dapat menghasilkan model yang jelek masih dapat menghasilkan model fit. CBSEM mengharuskan dalam membentuk variabel latent, indikator-indikatornya bersifat refleksif. Dalam model refleksif indikator atau manifest dipandang variabel yang dipengaruhi oleh variabel laten sesuai dengan teori pengukuran classical test theory. Pada model indikator refleksif, indikator-indikator pada satu konstruk (variabel laten) dipengaruhi oleh konsep yang sama. Perubahan dalam satu item atau indikator akan berakibat pada perubahan indikator lainnya dengan arah yang sama.


Pada kenyataannya indikator dapat dibentuk dalam bentuk formatif indikator model yaitu indikator dipandang sebagai variabel yang mempengaruhi variabel laten. Sebagai ilustrasi indikator pendidikan, pekerjaan dan pendapatan mempengaruhi variabel laten status sosial ekonomi. Jika salah satu indikator meningkat maka indikator yang lain tidak harus ikut meningkat pula. Kenaikan pada suatu indikator pendapatan akan meningkatkan variabel laten.


Penggunaan model indikator formatif dalam CBSEM akan menghasilkan model yang unidentified yang berarti terdapat covariance bernilai nol di antara beberapa indikator. Hubungan kausalitas model struktural dibangun atas dasar teori dan CBSEM hanya ingin mengkonfirmasi apakah model berdasarkan teori tadi tidak berbeda dengan model empirisnya.


Dengan beberapa keterbatasan yang ada maka sekarang banyak yang menggunakan SEM berbasis component atau variance yang terkenal dengan Partial Least Square (PLS).


SEM berbasis component atau variance – PLS

Pada dasarnya, tujuan PLS adalah prediksi. Variabel laten didefinisikan sebagai jumlah dari indikatornya. Hasil komponen skore untuk setiap variabel laten didasarkan pada estimated indicator weight yang memaksimumkan variance explained untuk variabel dependent (laten, observe atau keduanya). PLS merupakan metode analisis yang powerfull oleh karena tidak didasarkan banyak asumsi. Data tidak harus berdistribusi normal multivariate (indikator dengan skala kategor sampai ratio dapat digunakan pada model yang sama), sample tidak harus besar dan residual distribution. Walaupun PLS dapat juga digunakan untuk mengkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel laten. Oleh karena lebih menitik beratkan pada data dan dengan prosedur estimasi yang terbatas, maka mispesifikasi model tidak begitu berpengaruh terhadap estimasi parameter.


PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif dan hal ini tidak mungkin dijalankan dalam CBSEM karena akan terjadi unidentified model. Oleh karena PLS menggunakan analisis series ordinary least square, maka identifikasi model bukan masalah dalam model rekursive dan juga tidak mengasumsikan bentuk distribusi tertentu dari pengukuran variabel.


Beberapa program yang dirancang khusus untuk menyelesaikan model dengan PLS adalah SmartPLS, PLS Graph, Visual PLS dan PLS Gui. Semua program tersebut dapat di download secara gratis dari internet. Anda juga bisa tanya sama Mbah Google :)


Program-program tersebut sampai sekarang masih merupakan versi Beta (kecuali PLS Graph) sehingga masih bisa di download secara gratis. Tapi gak tahu lho besok-besok. So, bagi yang butuh buruan aja…..

Update: Sekarang untuk SmartPLS sudah tersedia versi berbayar mulai SmartPLS Versi 3

Share:

Olah data dengan AMOS

Program Analysis Moment of Structural (AMOS) adalah salah satu program yang dirancang khusus untuk menyelesaikan Structural Equation Modeling (SEM). Sebenarnya juga banyak program lain yang serupa misalnya EQS, LISREL, LISCOMP, STATISTICA dan lain-lain. Akan tetapi AMOS merupakan program yang banyak digunakan di Indonesia, meskipun di dunia, LISREL lebih banyak digunakan oleh para peneliti.
Path Diagaram dengan AMOS Versi 18
Path Diagaram dengan AMOS Versi 18

Program ini dapat di download secara gratis di http://www.smallwaters.com meskipun hanya merupakan versi student. Versi student sebenarnya sama persis dengan full version, hanya mempunyai beberapa keterbatasan, di antaranya hanya dapat digunakan untuk delapan variabel saja. Tentu saja penelitian yang sebenarnya akan lebih dari delapan variabel, sehingga anda harus membeli untuk mendapatkan full version. Jika anda membeli, akan akan diberi script yang jika anda masukkan ke dalam versi student, maka program AMOS versi student tersebut akan menjadi full version. Jadi sebuah deretan angka dan huruf tetapi mempunyai harga yang sangat mahal!! He he. Jadi kalau anda bisa mendapatkan script tersebut, ya anda dapat menggunakan AMOS full version, tapi..ya namanya bajakan!!! Mungkin sama dengan Windows yang anda gunakan di rumah :)

Pada awalnya AMOS berdiri sendiri, dan akhirnya dibeli oleh perusahaan statistik raksasa yaitu Statistic Package for Service Solution (SPSS). Browse aja ke http://www.spss.com. Kelebihan dari program AMOS adalah user friendly meskipun sebenarnya AMOS menggunakan notasi yang dikembangkan oleh LISREL. AMOS tidak mempunyai spreadsheet untuk tabulasi data, sehingga harus mengakses dari program lain, misalnya SPSS itu sendiri, Microsoft Excel atau ASCII. Juga AMOS tidak dapat digunakan untuk uji statistik lain yang sebenarnya sederhana, misalnya analisis deskriptif. Beberapa analisis SEM memang masih memerlukan uji seperti itu, misalnya untuk uji outliers. Belakangan, perusahaan raksasa di bidang statistik yaitu SPSS dibeli oleh IBM, perusahaan yang jauh lebih besar dan bergerak di bidang komputer secara umum.

21 Contoh Tabulasi Data untuk SEM dalam format Excel


Share:

Tujuh Langkah SEM

Langkah pertama: Pengembangan Model Teoritis

Langkah pertama dalam Structural Equation Modeling (SEM) adalah melakukan identifikasi secara teoretis terhadap permasalahan penelitian. Topik penelitian ditelaah secara mendalam dan hubungan antara variabel-variabel yang akan dihipotesiskan harus didukung oleh justifikasi teori yang kuat. Hal ini dikarenakan SEM adalah untuk mengkonfirmasikan apakah data observasi sesuai dengan teori atau tidak. Jadi SEM tidak dapat digunakan untuk menguji hipotesis kausalitas imaginer. Langkah ini mutlak harus dilakukan dan setiap hubungan yang akan digambarkan dalam langkah lebih lanjut harus mempunyai dukungan teori yang kuat. Berbeda halnya dengan metode lain yaitu Partial Least Square (PLS) yang tidak memerlukan dukungan teori dan dapat digunakan untuk menguji hipotesis kausalitas imaginer.
tujuh langkah sem adalah tujuh langkah untuk melakukan analisis structural equation modeling (SEM) biasanya dengan AMOS
Gambar Simulasi Tujuh Langkah SEM

Langkah kedua: Pengembangan Diagram Alur (Path Diagram)

Langkah kedua adalah menggambarkan kerangka penelitian dalam sebuah diagram alur (path diagram). Kesepakatan yang ada dalam penggambaran diagram alur telah dikembangkan oleh LISREL, sehingga tinggal menggunakannya saja. Beberapa ketentuan yang ada pada penggambaran diagram alur adalah:
1. Anak panah satu arah digunakan untuk melambangkan hubungan kausalitas yang bisanya merupakan permasalahan penelitian dan juga dihipotesiskan
2. Anak panah dua arah digunakan untuk melambangkan korelasi antara dua variabel eksogen dan mungkin juga korelasi antara dua indikator.
3. Bentuk elips, digunakan untuk melambangkan suatu konstruk yang tidak diukur secara langsung, tetapi diukur dengan menggunakan satu atau lebih indikator
4. Bentuk kotak, melambangkan variabel yang diukur langsung (observerb)
5. Huruf e, digunakan untuk melambangkan kesalahan pada masing-masing pengamatan. Nilai ini harus diberikan kepada setiap variabel observerb.
6. Huruf z, digunakan untuk melambangkan kesalahan estimasi. Nilai ini diberikan kepada semua variabel endogen.
7. Variabel eksogen, adalah variabel yang mempengaruhi, biasa disebut variabel independen dalam analisis regresi.
8. Variabel endogen, adalah variabel yang dipengaruhi, biasa disebut variabel dependen dalam analisis regresi.

Langkah Ketiga: Konversi Diagram Alur ke dalam Persamaan Struktural dan Model Pengukuran

Langkah ketiga adalah mengkonversikan diagram alur ke dalam persamaan, baik persamaan struktural maupun persamaan model pengukuran. Sebenarnya langkah ini telah dilakukan secara otomatis oleh program SEM yang tersedia (AMOS atau LISREL). Berikut adalah contoh persamaan umum struktural
Variabel Endogen = Variabel Eksogen + Kesalahan estimasi
Sebagai ilustrasi, model persamaan adalah pengaruh antara motivasi (MT) terhadap kepuasan (KP), dan selanjutnya kepuasan terhadap kinerja (KN). Jadi persamaan strukturalnya adalah:
KP = γ1 M + z1
KN = γ2 KP + z2
Dengan z1 adalah kesalahan estimasi antara motivasi terhadap kepuasan dan z2 adalah kesalahan estimasi antara kepuasan terhadap kinerja; dan γ1 adalah koefisien regresi motivasi ke kepuasan, dan γ2 adalah koefisien regresi kepuasan ke kinerja.
Sebagai ilustrasi, motivasi diukur dengan tiga indikator MT1, MT2 dan MT3, maka persamaan model pengukurannya adalah:
MT1 = β1 MT + e1
MT2 = β2 MT + e2
MT3 = β3 MT + e3
Dengan β1 adalah loading faktor indikator MT1 ke konstruk motivasi, β2 adalah loading faktor MT2 ke konstruk motivasi dan β3 adalah loading faktor indikator MT3 ke konstruk motivasi; e1 adalah kesalahan pengukuran indikator MT1, e2 adalah kesalahan pengukuran indikator MT2 dan e3 adalah kesalahan pengukuran indikator MT3.

Langkah Keempat: Memilih Jenis Matrik Input dan Estimasi Model yang Diusulkan

Jenis matrik input yang dimasukkan adalah data input berupa matrik varian atau kovarian atau matrik korelasi. Data mentah observasi akan diubah secara otomatis oleh program menjadi matriks kovarian atau matriks korelasi. Matriks kovarian mempunyai kelebihan dibandingkan matriks korelasi dalam memberikan validitas perbandingan antara populasi yang berbeda atau sampel yang berbeda. Namun matriks kovarian lebih rumit karena nilai koefisien harus diinterpretasikan atas dasar unit pengukuran konstruk.
Estimasi model yang diusulkan adalah tergantung dari jumlah sampel penelitian, dengan kriteria sebagai berikut: (Ferdinand, 2006:47)
Antara 100 – 200 : Maksimum Likelihood (ML)
Antara 200 – 500 : Maksimum Likelihood atau Generalized Least Square (GLS)
Antara 500 – 2500 : Unweighted Least Square (ULS) atau Scale Free Least Square (SLS)
Di atas 2500 : Asymptotically Distribution Free (ADF)
Rentang di atas hanya merupakan acuan saja dan bukan merupakan ketentuan. Bila ukuran sampel di bawah 500 tetapi asumsi normalitas tidak terpenuhi bisa saja menggunakan ULS atau SLS.

Langkah berikutnya adalah dengan melakukan estimasi model pengukuran dan estimasi struktur persamaan

1. Estimasi Model Pengukuran (Measurement Model).

Juga sering disebut dengan Confirmatory Factor Analysis (CFA). Yaitu dengan menghitung diagram model penelitian dengan memberikan anak panah dua arah antara masing-masing konstruk. Langkah ini adalah untuk melihat apakah matriks kovarian sampel yang diteliti mempunyai perbedaan yang signifikan atau tidak dengan matriks populasi yang diestimasi. Diharapkan tidak terdapat perbedaan yang signifikan sehingga nilai signifikansi pada Chi-Square di atas 0,05.

2. Model Struktur Persamaan (Structure Equation Model).

Juga sering disebut dengan Full model, yaitu melakukan running program dengan model penelitian. Langkah ini untuk melihat berbagai asumsi yang diperlukan, sekaligus melihat apakah perlu dilakukan modifikasi atau tidak dan pada akhirnya adalah menguji hipotesis penelitian.

Langkah Kelima: Kemungkinan Munculnya Masalah Identifikasi

Beberapa masalah identifikasi yang sering muncul sehingga model tidak layak di antaranya adalah sebagai berikut:
1. Standard error yang besar untuk satu atau beberapa koefisien.
Standard error yang besar menunjukkan adanya ketidaklayakan model yang disusun. Standard error yang diharapkan adalah relatif kecil, yaitu di bawah 0,5 atau 0,4 akan tetapi nilai standard error tidak boleh negatif yang akan diuraikan lebih lanjut di bawah pada point 3.
2. Program tidak mampu menghasilkan matriks informasi yang seharusnya disajikan.
Jika program tidak mampu menghasilkan suatu solusi yang unik, maka output tidak akan keluar. Hal ini bisa disebabkan oleh beberapa hal, misalnya sampel terlalu sedikit atau iterasi yang dilakukan tidak konvergen.
3. Munculnya angka-angka yang aneh seperti adanya varians error yang negatif.
Varians error yang diharapkan adalah relatif kecil tetapi tidak boleh negatif. Jika nilainya negatif maka sering disebut heywood case dan model tidak boleh diinterpretasikan dan akan muncul pesan pada output berupa this solution is not admissible.
4. Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat (misal ≥ 0,9).
Gangguan ini juga sering disebut sebagai singularitas dan menjadikan model tidak layak untuk digunakan sebagai sarana untuk mengkonfirmasikan suatu teori yang telah disusun.

Langkah Keenam: Evaluasi Kriteria Goodness of Fit

1. Uji Kesesuaian dan Uji Statistik. Ada beberapa uji kesesuaian statistik, berikut adalah beberapa kriteria yang lazim dipergunakan

a. Likelihood ratio chi-square statistic (χ2). Pada program AMOS, nilai Chi Square dimunculkan dengan perintah \cmin. Nilai yang diharapkan adalah kecil, atau lebih kecil dari pada chi Square pada tabel. Chi-square tabel dapat dilihat pada tabel, dan jika tidak tersedia di tabel (karena tabel biasanya hanya memuat degree of freedom sampai dengan 100 atau 200), maka dapat dihitung dengan Microsoft Excel dengan menu CHINV. Pada menu CHINV, baris probabilitas diisi 0,05 dan deg_freedom diisi jumlah observasi. Maka Microsoft Excel akan menghitung nilai chi-square tabel.
b. Probabilitas. Dimunculkan dengan menu \p. Diharapkan nilai probabilitas lebih dari 0,05 (5%)
c. Root Mean Square Error Approximation (RMSEA). Dimunculkan dengan perintah \rmsea. Nilai yang diharapkan adalah kurang dari 0,08.
d. Goodness of Fit Index (GFI). Dimunculkan dengan perintah \gfi dan nilai yang diharapkan adalah lebih besar dari 0,9.
e. Adjusted Goodness of Fit Index (AGFI). Dimunculkan dengan perintah \agfi dan nilai yang diharapkan adalah lebih besar dari 0,9.
f. The Minimum Sampel Discrepancy Function atau Degree of Freedom (CMIN/DF). Dimunculkan dengan perintah \cmin/df dan nilai yang diharapkan adalah lebih kecil dari 2 atau 3.
g. Tucker Lewis Index (TLI). Dimunculkan dengan perintah \tli dan nilai yang diharapkan adalah lebih besar dari 0,95.
h. Comparative Fit Index (CFI). Dimunculkan dengan perintah \cfi dan nilai yang diharapkan adalah lebih besar dari 0,95.

 

2. Uji Reliabilitas: Construct Reliability dan Variance extracted.


Diperlukan perhitungan manual untuk menghitung construct reliability dan variance extracted. Dengan persamaan construct reliability = (jumlah standard loading)^2/((jumlah standard loading)^2)+(measurement error)) dan variance extracted = ((jumlah (standard loading)^2))/(((jumlah(standard loading)^2))+(measurement error)). Dengan measurement error = 1-((standar loading)^2)). Nilai yang diharapkan untuk construct reliability adalah di atas 0,7 dan variance extracted di atas 0,5.

3. Asumsi-asumsi SEM:

a. Ukuran Sampel. Disarankan lebih dari 100 atau minimal 5 kali jumlah observasi.
b. Normalitas. Normalitas univariate dilihat dengan nilai critical ratio (cr) pada skewness dan kurtosis dengan nilai batas di bawah + 2,58. Normalitas multivariate dilihat pada assessment of normality baris bawah kanan, dan mempunyai nilai batas + 2,58.
c. Outliers. Outliers multivariate dilihat pada mahalanobis distance dan asumsi outliers multivariate terpenuhi jika nilai mahalanobis d-squared tertinggi di bawah nilai kritis. Nilai kritis sebenarnya adalah nilai chi-square pada degree of freedom sebesar jumlah sampel pada taraf signifikansi sebesar 0,001. Nilainya dapat dicari dengan Microsoft Excel seperti telah disampaikan di atas. Univariate outliers dilihat dengan mentransformasikan data observasi ke dalam bentuk Z-score. Transformasi dapat dilakukan dengan Program SPSS dan asumsi terpenuhi jika tidak terdapat observasi yang mempunyai nilai Z-score di atas + 3 atau 4.
d. Multicollinearity. Multikolinearitas dilihat pada determinant matriks kovarians. Nilai yang terlalu kecil menandakan adanya multikolinearitas atau singularitas.

Langkah Ketujuh: Menginterpretasikan Hasil Pengujian dan Modifikasi Model

Peneliti dapat melakukan modifikasi model untuk memperbaiki model yang telah disusun, dengan sebuah catatan penting, yaitu bahwa setiap perubahan model harus didukung oleh justifikasi teori yang kuat. Tidak boleh ada modifikasi model tanpa adanya dukungan teori yang kuat. Modifikasi model dapat dilakukan dengan menambahkan anak panah antar konstruk (juga bisa merupakan penambahan hipotesis) atau penambahan dua anak panah antara indikator, yang juga harus didukung dengan teori yang kuat. Penilaian kelayakan model modifikasi dapat dibandingkan dengan model sebelum adanya modifikasi. Penurunan Chi-Square antara model sebelum modifikasi dengan model setelah modifikasi diharapkan lebih dari 3,84.

Modifikasi dapat dilakukan pada indikator dengan modification indeks terbesar. Artinya bahwa jika kedua indikator tersebut dikorelasikan (dengan dua anak panah) maka akan terjadi penurunan chi-square sebesar modification indeks (MI) sebesar angka tersebut. Sebagai contoh jika pada MI tertulis angka terbesar sebesar 24,5, maka jika kedua indikator tersebut dikorelasikan maka akan terjadi penurunan Chi-square sebesar 24,5 yang signifikan karena lebih besar dari pada 3,84 seperti telah disebutkan di atas.

Pengujian hipotesis juga dapat dilakukan pada langkah ketujuh ini dengan kriteria critical ratio lebih dari 2,58 pada taraf signifikansi 1 persen atau 1,96 untuk signifikansi sebesar 5%. Langkah ini sama dengan pengujian hipotesis pada analisis regresi berganda yang sudah dikenal dengan baik.

Anda ingin berlatih melakukan analisis SEM dengan AMOS? Silahkan klik link untuk mendapatkan 21 Contoh tabulasi data dalam Excel yang bisa digunakan untuk simulasi SEM dengan AMOS.
Share:

Structural Equation Modeling

Structural Equation Modeling (SEM) adalah alat statistik yang dipergunakan untuk menyelesaikan model bertingkat secara serempak yang tidak dapat diselesaikan oleh persamaan regresi linear. SEM dapat juga dianggap sebagai gabungan dari analisis regresi dan analisis faktor. SEM dapat dipergunakan untuk menyelesaikan model persamaan dengan variabel terikat lebih dari satu dan juga pengaruh timbal balik (recursive). SEM berbasis pada analisis covarians sehingga memberikan matriks covarians yang lebih akurat dari pada analisis regresi linear. Program-program statistik yang dapat dipergunakan untuk menyelesaikan SEM misalnya Analysis Moment of Structure (AMOS) atau LISREL.
structural equatio modeling (SEM) adalah alat statistik yang dipergunakan untuk menyelesaikan model bertingkat secara serempak yang tidak dapat diselesaikan oleh persamaan regresi linear
Contoh Path Diagram AMOS
SEM mampu menyelesaikan model yang rumit yang sering muncul dalam dunia pemasaran atau bidang konsentrasi yang lain. Model yang akan diselesaikan dengan SEM harus mempunyai dasar teori yang kuat, karena SEM tidak dapat digunakan untuk menyelesaikan model kausalitas imaginer. SEM hanyalah untuk mengkonfirmasi apakah observasi sesuai dengan model teoretis yang telah dibentuk berdasarkan telaah teori yang mendalam. Metode lain yang tidak memerlukan telaah teori adalah Partial Least Square (PLS), sebuah metode alternatif yang berdasarkan variance. 

Mengapa Menggunakan SEM

Beberapa alasan menggunakan analisis SEM adalah sebagai berikut:
  1. Model yang dianalisis bertingkat dan relatif rumit, sehingga akan sangat sulit untuk diselesaikan dengan metode jalur analisis pada regresi linear.
  2. Mampu menguji hipotesis-hipotesis yang rumit dan bertingkat secara serempak.
  3. Kesalahan (error) pada masing-masing observasi tidak diabaikan tetapi tetap dianalisis, sehingga SEM lebih akurat untuk menganalisis data kuesioner yang melibatkan persepsi.
  4. Mampu menganalisis model hubungan timbal balik (recursive) secara serempak, di mana model ini tidak dapat diselesaikan dengan analisis regresi linear secara serempak.
  5. Terdapat fasilitas bootstrapping, di mana hal tersebut tidak dapat dilakukan dengan analisis regresi linear.
  6. Untuk jumlah sampel yang relatif besar (di atas 2000) terdapat metode asymtot distribution free (ADF) yang tidak memerlukan asumsi normalitas pada data.
  7. Peneliti dapat dengan mudah memodifikasi model dengan second order untuk memperbaiki model yang telah disusun agar lebih layak secara statistik.

Tujuh Langkah SEM
Dalam pengujian model SEM terdapat tujuh langkah yang harus ditempuh (Hair dkk, 1998 dalam Ferdinand, 2005), yaitu:
  1. Langkah pertama: Pengembangan Model Teoritis.
  2. Langkah kedua: Pengembangan Diagram Alur (Path Diagram).
  3. Langkah ketiga: Konversi Diagram Alur ke dalam Persamaan Struktural dan Model Pengukuran.
  4. Langkah keempat: Memilih Jenis Matrik Input dan Estimasi Model yang Diusulkan: (a) Estimasi Model Pengukuran (Measurement Model), (b) Model Struktur Persamaan (Structure Equation Model).
  5. Langkah kelima: Kemungkinan Munculnya Masalah Identifikasi: (a) Standard error yang besar untuk satu atau beberapa koefisien; (b) Program tidak mampu menghasilkan matriks informasi yang seharusnya disajikan; (c) Munculnya angka-angka yang aneh seperti adanya varians error yang negatif; (d) Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat (misal ≥ 0,9).
  6. Langkah keenam : Evaluasi Kriteria Goodness of Fit: (a) Uji Kesesuaian dan Uji Statistik: Likelihood ratio chi-square statistic (χ2), Root Mean Square Error Approximation (RMSEA), Goodness of Fit Index (GFI), Adjusted Goodness of Fit Index (AGFI), The Minimum Sampel Discrepancy Function atau Degree of Freedom (CMIN/DF), Tucker Lewis Index (TLI) dan Comparative Fit Index (CFI); (b) Uji Reliabilitas: Construct Reliability dan Variance extracted; (c) Uji Validitas; (d) Asumsi-asumsi SEM: Ukuran Sampel, Normalitas, Outliers, Multicollinearity dan Singularity.
  7. Langkah ketujuh: Menginterpretasikan Hasil Pengujian dan Modifikasi Model.

Share:

Artikel Terbaru

Translate

Instagram

Instagram
Gabung Instagram Kami

Artikel Terbaru

Jual Data Laporan Keuangan Perusahaan yang Listing di BEI Tahun 2020

Setiap perusahaan yang telah go public wajib untuk menyerahkan laporan keuangan ke badan otoritas, sebagai salah satu bentuk pertanggungjawa...

Artikel Populer Seminggu Terakhir

Komentar Terbaru

`

Ingin menghubungi kami untuk kerja sama?

Nama

Email *

Pesan *