Minggu, 13 Juni 2010

video1

video

BAG XI. Program Simplis

Simplis menyederhanakan penciptaan file input Lisrel dan penyajian laporan dalam file output yang memungkinkan pengguna lebih berkonsentrasi pada aspek penelitiannya (Joreskog dan Sorbom, 1973).

Hal-hal yang perlu diperhatikan dalam menggunakan Simplis adalah :

  • Huruf besar maupun huruf kecil bias saling dugunakan
  • Tanda seru (!) atau garis miring asterisk (/*) digunakan untuk menunjukkan bahwa apa saja dibelakangnya pada garis tersebut dianggap sebagai komentar
  • Sebuah physical line diakhiri dengan sebuah karakter RETURN dan atau LINE FEED
  • SIMPLIS command line diakhiri dengan sebuah karakter RETURN dan atau LINE FEED atau sebuah semicolon ( ; )

Menyiapkan input file atau perintah (Program/Bahasa SIMPLIS)

Buka program LISREL, kemudian klik File dan klik New. Akan muncul tampilan berikut :

Kemudian klik SIMPLIS Project, dan klik OK. Akan muncul kotak dialog Save As.

Pada Save in, pilih folder tempat data disimpan. Pada Save of Type pilih SIMPLIS Project (*.spj). Pada File Name pilih nama file. Kemudian klik Save. Akan muncul tampilan kosong berikut tempat untuk menginput/menulis perintah

Struktur Penulisan Perintah Pada Program Simplis

Syntax dan aturan-aturan yang sering digunakan dalam input file SIMPLIS sebagai berikut: (syntax lainnya selain yang diberikan di bawah ini, akan diberikan bersamaan dengan contoh aplikasi pada seri-seri tulisan berikutnya mengenai LISREL).

1. Baris Judul

Baris pertama pada input file dapat digunakan sebagai baris judul. Setiap keterangan pada baris pertama akan diperlakukan sebagai baris judul kecuali LISREL menemukan dua hal berikut:

· Baris yang dimulai dengan kata Observed Variables atau Labels yang merupakan baris perintah pertama dalam input file SIMPLIS

· Baris yang dua karakter (huruf) pertamanya dimulai dengan DA, Da, dA atau da, yang merupakan baris perintah pertama dalam input file SIMPLIS

2. Variabel Observed

Setelah baris judul, baris selanjutnya adalah observed variables, yang merupakan variabel yang memiliki nilai pada input data.

· Baris ini harus dilakukan jika input data adalah matriks kovarians atau matriks korelasi atau data mentah yang disimpan dalam file text.

· Baris ini tidak diharuskan jika input data menggunakan data mentah yang disimpan dalam program PRELIS.

Penulisan observed variables dengan memberikan spasi antar variabel. Contoh: Observed Variables X1 X2 X3 Y1 Y2

3. Data

Setelah baris observed variables, baris selanjutnya adalah penjelasan unuk input data. Dalam LISREL input data dapat berupa data mentah, Matriks kovarians, Matriks kovarias dan means, Matriks korelasi,Matriks korelasi dan standar deviasi, Matriks korelasi, standar deviasi dan means. Pada seluruh macam format input data tersebut, asymptotic covariance matrix juga dapat ditambahkan pada input data.

Untuk membaca data, perintahnya adalah sebagai berikut:

· Untuk Data mentah

Raw Data from file ‘nama file’

· Matriks kovarians

Covariance Matrix from file ‘nama file’

· Matriks kovarians dan means

Covariance Matrix from file ‘nama file’

Means from file ‘nama file’

· Matriks korelasi

Correlations Matrix from file ‘nama file’

· Matriks korelasi dan standar deviasi

Correlations Matrix from file ‘nama file’

Standard Deviations from file ‘nama file’

· Matriks korelasi, standar deviasi dan means

Correlations Matrix from file ‘nama file’

Standard Deviations from file ‘nama file’

Means from file ‘nama file’

· Asymptotic Covariance Matrix

Asymptotic Covariance Matrix from file ‘nama file’

· Asymptotic Variances Matrix

Asymptotic Variances Matrix from file ‘nama file’

4. Ukuran Sampel

Ukuran sampel perlu dituliskan jika input data bukan berupa data mentah. Contoh penulisannya sebagai berikut: Sample size = 113

5. Variabel Laten atau Unobserved

Untuk menuliskan nama variabel laten dapat menggunakan Latent Variables atau Unobserved Variables. Nama variabel laten tidak boleh sama dengan variabel observed. Contoh penulisan:

Latent Variables: komitmen kepuasan kinerja

2. Relationships (hubungan)

Setelah baris variabel laten, baris selanjutnya adalah baris hubungan. Judul untuk baris ini dapat ditulis sebagai Relationships, Relations atau Equations. Judul juga boleh tidak dituliskan.

Penulisan hubungan bisa menggunakan persamaan (tanda =) berikut:

Variabel dependen = variabel independen

Indikator = variabel laten

Penulisan hubungan juga bisa dilakukan dengan menggunakan path (jalur) berikut:

Variabel independen → variabel dependen

Variabel laten → indikator

Baik dengan menggunakan persamaan maupun menggunakan path, penulisan variabel dapat dilakukan secara simultan (beberapa/seluruh variabel dituliskan secara bersamaan). Berkaitan dengan ini, penulisannya dapat dilakukan dengan versi pendek atau versi panjang. Contoh:





3. LISREL Output

Output LISREL bisa dihasilkan dalam format SIMPLIS atau format LISREL. Pada format SIMPLIS, model diestimasi berdasarkan bentuk persamaan, sedangkan pada format LISREL, model disajikan dalam bentuk matriks. Format SIMPLIS diperoleh secara default, sedangkan format LISREL dapat diperoleh dengan menuliskan perintah pada file input sebagai berikut: LISREL Output

Jika hal-hal lainnya tidak dituliskan dalam baris LISREL Output, maka informasi yang disajikan akan sama dengan output SIMPLIS. Tetapi kita juga bisa memberikan informasi tambahan dengan menuliskan kata-kata kunci sebagai berikut:

LISREL Output: SS SC EF SE VA MR FS PC PT

SS : menghasilkan standardized solution

SC : menyajikan seluruhnya standardized solution

EF : menyajikan pengaruh langsung dan tidak langsung (komposisi pengaruh)

VA : menyajikan varians dan kovarians

MR : sama dengan RS dan VA

FS : menghasilkan nilai faktor regresi

PC : menyajikan korelasi antara estimasi parameter

PT : menyajikan informasi-informasi teknis

4. End of Problem

Untuk menunjukkan seluruh persamaan telah dituliskan, maka tuliskan baris: End of Problem. Pada multi sampel, End of Problem dituliskan pada akhir kelompok, tidak pada masing-masing kelompok

BAG VIII. Path Analysis (Analisis Jalur)

Analisis jalur dikembangkan sebagai metode untuk mempelajari pengaruh secara langsung dan secara tidak langsung dari variable bebas terhadap variabel tergantung. Analisis ini merupakan slah satu pilihan dalam rangka mempelajari ketergantungan sejumlah variabel dalam model. Analisis ini merupakan metode yang beik untuk menerangkan apabila terdapat deperangkat data yang besar dan mencari hubungan kausal (Mueller, 1996).
Analisis jalur digunakan untuk menelaah hubungan antara model kausal yang telah dirumuskan peneliti atas dasar pertimbangan teoritis dan pengetahuan tertentu. Suatu diagram jalur akan membantu di dalam menganalisis dan menginterpretasiakan hubunganyang dihipotesiskan.
Ada berbagai model hubungan yang dapat dibangun dari variabel penelitian yang sama, tergantung bagaimana hipotesis yang disusun peneliti mengenai hubungan antara variabel-variabel penelitian.




Cara melakukan analisis jalur adalah melalui Structural Equation Model (SEM), untuk menguji berbagai model hubungan yang ada, baik tanpa memperhitungkan ataupun dengan memperhitungkan besarnya kesalahan menggunakan program LISREL (Linear Structural Relationship) yang dikembangkan oleh Jöreskog dan Sorbom.
Dalam pengujian model dengan metode SEM, variabel yang diletakkan paling kiri disebut variabel eksogen, sedangkan variabel yang diletakkan paling kanan disebut variabel endogen. Adapun variabel yang menjadi variabel perantara dapat menjadi variabel eksogen dan juga endogen tergantung bagaimana hubungan diantara variabel-variabel tersebut.
Dalam contoh model b dan c di atas, variabel minat orang tua merupakan variabel eksogen, variabel prestasi akademik merupakan variabel endogen. Adapun variabel minat anak menjadi variabel endogen dari minat orang tua, dan juga variabel eksogen untuk prestasi akademik.
Dalam SEM, ada notasi yang digunakan untuk menggambarkan variabel-variabel penelitian dan hubungan diantara variabel.

ξ (ksi): variabel laten eksogen
η (eta): variabel laten endogen
γ (gamma): hubungan langsung variabel eksogen terhadap variabel endogen
β (beta): hubungan langsung antara variabel endogen terhadap variabel endogen
Notasi dalam model penelitian



Dalam output LISREL untuk uji model penelitian, ada 3 nilai yang dikeluarkan, yaitu:
• Nilai pada baris pertama menunjukkan besarnya hubungan variabel yang diteliti
• Nilai pada baris kedua menunjukkan besarnya standard error
• Nilai pada baris ketiga menunjukkan nilai t
--> Nilai kritis untuk t adalah ±1,96 (los 0,05), ±2,62 (los 0,01) dan ±3,37 (los 0,001)
--> Nilai t yang lebih besar dari nilai kritis menunjukkan bahwa hubungan antar variabel adalah signifikan

Persamaan Analisis Jalur dan SEM :
• Keduanya berkenan dengan model konstruksi
• Pendugaan parameter (koefisien) model dilakukan berdasarkan data sampel
• Pengujian kesesuaian model dilakukan dengan cara membandingkan matriks kovarians hasil dugaan dengan matrik kovarians data observasi.
Perbedaan Analisis Jalur dan SEM :
• Analisis Jalur hanya berkenan dengan pengujian kausal antar variabel, dan tidak dapat untuk memeriksa validitas dan reliabilitas pengukuran variabel laten berdasarkan variabel manifest, sedangkan SEM dapat digunakan untuk keduanya.
• SEM dapat diterapkan baik pada model rekursif ataupun pada model resiprokal, sedangkan Analisi Jalur hanya diterapkan pada model yang berhubungan kausal satu arah dan memenuhi model rekursif.
• Pada Analisis Jalur pendugaan parameter dilakuakn secara parsial untuk setiap persamaan yang membentuk model strukturalnya, sedangkan dalam SEM pendugaan parameter dilakukan secara serentak untuk seluruh parameter.
• Data input pada Analisis Jalur adalah data baku (standardized), sedangkan pada SEM bias data mentah atau normal baku.
• Output Analisis Jalur hanya factor determinan, sedangkan output SEM selain factor determinan juga model structural dan pengukuran.

BAG VII. Confirmatory Factor Analysis (CFA)

Model pengukuran yang telah dibahas sebelumnya menunjukkan sebuah variabel laten diukur oleh satu atau lebih variabel-variabel teramati. Bentuk model pengukuran seperti ini sering disebut sebagai CFA (Confirmatory Factor Analysis). CFA didasarkan atas alasan bahwa variabel-variabel teramati adalah indikator-indikator tidak sempurna dari variabel laten atau konstruk tertentu yang mendasarinya.
Analisis faktor atau CFA ini sedikit berbeda dengan analisis faktor yang digunakan pada statistik/multivariat (yang dikenal dengan Exploratory Factor Analysis atau EFA). Pada EFA model rinci yang menunjukkan hubungan antara variabel laten dengan variabel teramati tidak dispesifikasikan terlebih dahulu. Selain itu pada CFA jumlah variabel laten tidak ditentukan sebelum analisis dilakukan, dan semua variabel laten diasumsikan mempengaruhi semua variabel teramati. Sebaliknya pada CFA model dibentuk terlebih dahulu, jumlah variabel laten ditentukan oleh analis, dan pengaruh suatu variabel laten terhadap variabel teramati ditentukan terlebih dahulu.

Bentuk-bentuk measurement model adalah sebagai berikut :
• Measurement model untuk variabel independen
Peneliti dapat membuat confirmatory factor analysis terhadap variabel-variabel yang direncanakan akan diperlukan sebagai indikator dari variabel laten independen. Variabel observasi ini yang disebut variabel indikator atau dimensi harus dibangun berdasarkanpijakan teoritis yang cukup, serta justifikasi teoritis bahwa ia dapat dipertimbangkan sebagai indikator variabel laten independen.
• Measurement model untuk variabel laten dependen
Seperti variabel laten independen, confirmatory factor analysis hanya dapat dilakukan berdasarkan justifikasi teori yang cukup. Justifikasi dibutuhkan juga untuk memberikan perlakuan atas sebuah variabel sebagai variabel dependen dalam sebuah hubungan kausalitas yang akan dianalisis.

BAG VI. Prosedur SEM

Penerapan SEM mengikuti prosedur umum sebagai berikut :
1. Spesifikasi model (Model Specification)
Spesifikasi model dilakukan terhadap permasalahan yang diteliti. Spesifikasi model secara garis besar dijalankan dengan menspesifikasi model pengukuran serta menspesifikasi model structural.

Spesifikasi model pengukuran meliputi aktivitas mendefinisikan variable-variabel laten, mendefinisikan variabel-variabel teramati, dan mendefinisikan hubungan antara variable laten dengan variabel-variabel teramati.

Spesifikasi model structural dilakukan dengan mendefinisikan hubungan kausal diantara variabel-variabel laten. Tahapan selanjutnya (optional) adalah menetapkan gambaran path diagram model hybrid yang merupakan kombinasi model pengukuran dan struktural.

2. Identifikasi (Identification)
Tahap identifikasi bertujuan untuk menjaga agar model yang dispesifikasikan bukan model yang under-identified atau unidentified. Terdapat tiga kemungkinan identifikasi dalam persamaan simultan, yaitu under-identified, just-identified atau over-identified.

Under-identified model adalah model dimana jumlah parameter yang diestimasi lebih besar dari jumlah data yng diketahui. Pada kondisi under-identified model yang dispesifikasikan tidak memiliki penjelasan yang unik.
Just-identified model adalah model dimana jumlah parameter yang diestimasi sama dengan data yang diketahui. Pada kondisi just-identified, model yang dispesifikasikan hanya memiliki satu penyelesaian.

Over-identified model adalah model dimana jumlah parameter yang diestimasi lebih kecil dari jumlah data yang diketahui. Pada kondisi over-identified, penyelesaian model diperoleh melalui proses estimasi iterative. Penyelesaian yang diperoleh biasanya merupakan nilai-nilai yang konvergen ke nilai-nilai yang stabil.

3. Estimasi (Estimation)
Estimasi terhadap model dapat dilakukan dengan menggunakan salah satu metode estimasi yang tersedia, sebagai berikut :
• Instrumental Variable (IV)
• Two Stage Least Square (TSLS)
• Unweighted Least Squares (ULS)
• Generalized Least Squares (GLS)
• Maximum Likelihood (ML)
• Generally Weighted Least Squares (WLS)
• Diagonally Weighted Least Squares (DWLS)

Metode yang paling sering digunakan adalah Maximum Likelihood dan Weighted Least Squares.

4. Uji Kecocokan (Testing Fit)
Bertujuan untuk mengevaluasi derajat kecocokan atau Goodnes of Fit (GOF) antara data dan model. Menurut Heir et al. (1995) evaluasi terhadap GOF model dilakukan melalui beberapa tingkatan, yaitu :
• Kecocokan seluruh model (overall model fit)
• Kecocokan model pengukuran (measurement model fit)
• Kecocokan model struktural (structural model fit)

5. Respesifikasi (Re-specification)
Tahapan ini ditujukan untuk melakukan spesifikasi ulang terhadap model untuk memperoleh derajat kecocokan yang lebih baik. Respesifikasi ini sangat bergantung kepada strategi pemodelan yang dipilih. Dalam SEM tersedia 3 strategi pemodelan yang dapat dipilih (Joreskog dan Sorbom 1993, Heir et. al. 1995), yaitu :
• Strictly Confirmatory atau Confirmatory Modelling Strategy.
Pengujian dilakukan untuk mengahasilkan penerimaan atau penolakan terhadap model tersebut sebagaimana kriteria dari hipotesis nol. Model dinyatakan bagus bila mampu merepresentasikan data empiris. Tidak ada respesifikasi model dalam strategi ini.
• Alternative (Competing) Models atau Competing Model Strategy.
Beberapa model alternative dispesifikasikan dan dipilih salah satu yang paling sesuai. Respesifikasi hanya diperlukan jika model-model alternative dikembangkan dari model-model yang ada.
• Model Generating atau Model Development Strategy
Dimulai dengan spesifikasi suatu model awal, dilanjutkan dengan pengumpulan data empiris. Selanjutnya dilakukan analisi dan pengujian data. Jika tingkat kecocokan kurang baik, maka model dimodifikasi dan diuji kembali dengan data yang sama. Respesifikasi model diperlukan jika modelnya tidak memiliki kemampuan yang diharapkan.
Proses respesifikasi dilakukan berdasarkan theory driven atau data driven, meskipun respesifikasi berdasarkan theory driven lebih dianjurkan. Model ini merupakan strategi yang paling banyak digunakan dibandingkan kedua strategi diatas lainnya.

BAG V. Model dalam SEM

Dalam model terdapat variabel eksogen dan variabel endogen. Variabel eksogen adalah variabel yang berasal dari luar model dan merupkan input bagi model. Variabel endogen berasal dari dalam model dan merupakan output dari model. Variabel eksogen besarnya tetap pada saat memasuki model, sedangkan besarnya variabel endogen ditentukan dalam model.
V.I. Variabel laten eksogen dan endogen
Variabel laten dibedakan menjadi variabel laten eksogen dan variabel laten endogen. Variabel laten eksogen selalu muncul sebagai variabel bebas (independenet latent variable) pada semua persamaan yang ada pada Structural Equation Modelling (SEM). Notasi variabel laten eksogen dengan huruf Yunani adalah ξ (’ksi’).

Variabel laten endogen merupakan variabel terikat (dependent latent variable) pada paling sedikit satu persamaan dalam model, meskipun di semua persamaan sisanya, variabel tersebut adalah variabel bebas. Notasi variabel laten endogen dengan huruf Yunani adalah η (eta). Simbol anak panah untuk menunjukkan adanya hubungan kausal (ekor anak panah untuk hubungan penyebab dan kepala anak panah untuk variabel akibat).

V.II. Model-model dalam SEM
Selain jenis variabel, di dalam SEM juga dikenal dua jenis model yaitu model struktural (structural model) dan model pengukuran (measurement model).
a. Model Struktural
Model struktural menggambarkan hubungan-hubungan yang ada di antara variabel-variabel laten. Hubungan-hubungan ini umumnya linier, meskipun perluasan SEM memungkinkan untuk mengikutsertakan hubungan non-liner. Sebuah hubungan diantara variabel-variabel laten serupa dengan sebuah persamaan regresi linier diantara variabel-variabel laten tersebut.

b. Model Pengukuran
Dalam SEM, tiap variabel laten biasanya mempunyai beberapa ukuran atau variabel teramati atau indikator. Biasanya variabel-variabel teramati sering dihubungkan melalui model pengukuran yang berbentuk analisis faktor. Dalam model ini setiap variabel laten dimodelkan sebagai sebuah faktor yang mendasari variabel-variabel teramati yang terkait. Model pengukuran yang paling umum dalam aplikasi SEM ialah model pengukuran kon-generik (congeneric measurement model), dimana setiap ukuran atau variabel teramati hanya berhubungan dengan satu variabel laten.

c. Model Hybrid (Full SEM Model)
Model hybrid merupakan gabungan model struktural dan model pengukuran. Dalam model hybrid, selain digambarkan hubungan-hubungan yang ada diantara variabel laten, juga digambarkan hubungan variabel laten dengan variabel-variabel teramati terkait.

BAG IV. Model dan Analisis Hubungan

IV.I. Model
Model adalah ringkasan teori yang dinyatakan dalam formulasi matematika. Dalam model digambarkan hubungan pokok antara variabel yang menjadi perhatian. Variabel maupun faktor yang tidak relevan dengan permasalahan yang menjadi fokus perhatian diasumsikan berada pada suatu kondisi tertentu.
Suatu model dikatakan baik jika dapat menjelaskan fenomena yang sebenarnya dengan kesalahan yang kecil. Munculnya kesalahan tidak dapat dihindari karena kejadian sebenarnya sangat kompleks sedangkan model hanya menjelaskan hubungan pokoknya saja. Detail dari kejadian yang tidak bisa dijelaskan oleh model akan masuk dalam komponen kesalahan (residual). Terkait dengan data dapat dinyatakan dengan : Data = Model + Residual
IV.II. Analisis Hubungan
Dalam kehidupan sehari-hari, seringkali dijumpai adanya hubungan suatu variabel dengan satu atau lebih variabel lainnya. Contohnya tingkat pendidikan seseorang berhubungan dengan besarnya pendapatan yang bisa dihasilkan. Secara umum hubungan antara dua variabel atau lebih ada dua macam, yaitu bentuk hubungan dan keeratan hubungan. Bila ingin diketahui bentuk hubungan antar 2 variabel atau lebih, digunakan analisis regresi sedangkan bila ingin diketahui keeratan hubungannya dapat digunakan analisis korelasi.
IV.III. Analisis Regresi
Analisis regresi adalah teknik statistika yang berguna memeriksa dan memodelkan hubungan diantara variabel-variabel. Analisis regresi termasuk dalam pernyataan kausalitas. Suatu pernyataan bersifat kausalitas jika dalam pernyataan tersebut terdapat hubungan sebab akibat. Pernyataan kausalitas memiliki bentuk hubungan asimetris dan memenuhi persyaratan berikut :
1. Time precedence
2. Relationship
3. Nonspuriousness

Untuk persyaratan pertama dijelaskan dengan contoh sebagai berikut . Jika seseorang ingin membeli sesuatu maka orang tersebut terlebih dahulu harus memiliki sumber daya untu membeli barang atau jasa yang diinginkan. Daya beli harus ada terlebih dahulu sebelum transaksi dilakukan.

Persyaratan kedua ditandai dengan adanya hubungan fungsional antara variabel yang menjadi penyebab dan variabel akibat. Sebagai gambaran, pendapatan seseorang mempengaruhi tingkat pengeluarannya. Dengan demikian tingkat pengeluaran seseorang adalah fungsi dari pendapatannya, dan dapat dinyatakan dalam fungsi matematis sebagai berikut : Pengeluaran = f(pendapatan)

Kondisi kausalitas yang spurious menyatakan hubungan sebab akibat yang palsu, dalam arti tanpa adanya variabel ketiga maka hubungan pengaruh mempengaruhi antara dua variabel atau lebih yang menjadi perhatian tersebut sebenarnya tidak ada. Persyaratan ketiga menyatakan bahwa hubungan kausalitas antara dua variabel atau lebih bukanlah hubungan yang palsu.
Regresi Linier Sederhana
Regresi linier sederhana bertujuan mempelajari hubungan linier antara dua variabel, X dan Y. Hubungan fungsi antara variabel X dan Y dikatakan linier jika laju perubahan dalam Y yang berhubungan dengan perubahan satu satuan X adalah konstan untuk suatu jangkauan nilai-nilai X tertentu.
Tahap awal penentuan permasalahan regresi adalah memformulasikan permasalahan.Untuk regresi linier sederhana, bentuk fungsi yang sesuai dapat diperkirakan melalui scatter diagram antara X dan Y. Bila diagram pencar menunjukkan hubungan X dan Y tidak linier, maka sebaiknya bentuk hubungan kedua variabel tersebut jangan diduga dengan menggunakan regresi linier sederhana.
Tahapan berikutnya adalah menentukan persamaan regresi yang dilanjutkan dengan pengumpulan data. Setelah itu data dianalisi dan akan diperoleh penduga-penduga koefisien korelasi regresi yang digunakan untuk membentuk fungi persamaan seperti tujuan semula.
Model regresi linier sederhana
Model populasi regresi linier sederhana dinyatakan dalam persamaan :
Yi = α +βXi + εi , dimana i = 1,2,....,n
Dalam hal ini :
• Xi adalah variabel bebas
• εi adalah komponen sisaan yang tidak diketahui nilainya
• α dan β adalah parameter yang nilainya tidak diketahui sehingga diduga menggunakan statistik sampel.
Komponen sisaan merupakan komponen yang dapat menunjukkan :
• Pengaruh dari berbagai variabel yang tidak dimasukkan dalam persamaan regresi karena berbagai pertimbangan.
• Penetapan persamaan matematika yang tidak sempurna.
• Kesalahan pengukuran dalam pengumpulan dan pemrosesan data observasi.
Model populasi linier ini diduga dengan menggunakan metode kuadrat terkecil (least square method). Prinsip metode kuadrat terkecil ini adalah meminimumkan selisih kuadrat antara Y observasi dan Y dugaan. Model sampell untuk regresi linier sederhana adalah : Ŷi = a + bXi
Dalam hal ini :
Ŷ = variabel tak bebas
X = variabel bebas
a = penduga bagi intersep (α)
b = penduga bagi koefisien regresi (β)
Regresi Ganda
Secara umum, permasalahan analisis regresi yang melibatkan hubungan dari dua atau lebih variabel bebas disebut analisis regresi berganda.
Model regresi linier ganda
Model populasi regresi linier berganda adalah :
Y = α + β1X1 + β2X2 + ... + βnXn +εi
X1, X2, ... , Xn adalah variabel-variabel bebas (independent variabel).
α dan βi adalah parameter yang nilainya tidak diketahui sehingga diduga menggunakan statistik sampel.
εi adalah komponen sisaan yang tidak diketahui nilainya (acak).
Model populasi regresi ganda ini diduga dengan menggunakan metode kuadrat terkecil (least square method). Prinsip metode kuadrat terkecil ini adalah meminimumkan selisih kuadrat antara Y-observasi dan Y-dugaan. Model sampel linier sederhananya adalah :
Ŷ = a + b1X1 + b2X2 + ... + bnXn
Keterangan :
Ŷ = variabel tak bebas
Xi = variabel bebas ke i
a = penduga bagi α intersep (titik potong)
bi = penduga bagi βi

BAG III. Variabel-variabel SEM

Variabel adalah karakteristik unit amatan yang menjadi perhatian yang nilainya dimungkinkan bervariasi antar satu unit amatan dengan unit amatan lainnya. Terdapat dua jenis variabel dalam SEM yaitu Variabel Laten (Latent Variable) dan Variabel Teramati (Observed atau Measured atau Manifest Variable).


a. Variabel Laten (Latent Variable)
Dalam SEM, variabel kunci yang menjadi perhatian adalah variabel laten (latent variable) atau konstruk laten. Variabel laten merupakan konsep abstrak yang menjadi perhatian yang diamati secara tidak langsung melalui efeknya pada variabel-variabel teramati, sebagai contoh: perilaku, sikap, perasaan dan motivasi. SEM mempunyai 2 jenis variabel laten yaitu eksogen dan endogen. Variabel eksogen selalu muncul sebagai variabel bebas pada semua persamaan yang ada dalam model, sedangkan variabel endogen merupakan variabel terikat pada paling sedikit satu persamaam dalam model, meskipun di semua persamaan sisanya variabel tersebut merupakan variabel bebas.

b. Variabel Teramati (Observed atau Measured atau Manifest Variable)
Variabel teramati (atau disingkat MV) adalah variabel yang dapat diamati atau dapat diukur secara empiris dan sering disebut sebagai indikator. Variabel teramati merupakan efek atau ukuran dari variabel laten.
Berdasarkan bulat atau tidaknya nilai yang diperoleh, variabel dapat dibedakan menjadi variabel kontiniu dan variabel diskrit. Variabel kontiniu adalah variabel yang besarannya dapat menempati semua nilai yang ada diantara 2 titik. Pada variabel kontiniu terdapatnilai pecahan ataupun nilai yang bulat. Sedangkan variabel diskrit adalah variabel yang besarannya tidak dapat menempati semua nilai. Nilai variabel diskrit selalu berupa bilangan bulat. Pada umumnya variabel diskrit diperoleh melaui pencacahan.

BAG II. SEM (Structural Equation Model)

SEM (Structural Equation Model) merupakan suatu teknik statistik yang mampu menganalisa variabel latent, variabel indikator dan kesalahan pengukuran secara langsung. Dengan SEM kita mampu menganalisa hubungan antara variabel latent dan variabel indikatornya, hubungan antar variabel latent, serta mengetahui besarnya kesalahan pengukuran. SEM juga memungkinkan analisis hubungan dua arah yang seringkali muncul dalam ilmu sosial dan perilaku.

Kline dan Klammer (2001) lebih mendorong penggunaan SEM dibandingkan regresi berganda karena beberapa alasan yaitu :
a. SEM memeriksa hubungan di antara variabel-variabel sebagai sebuah unit, tidak seperti pada regresi berganda yang pendekatannya sedikit demi sedikit (piecemeal).
b. Asumsi pengukuran yang andal dan sempurna pada regresi berganda tidak dapat dipertahankan, dan pengukuran dengan kesalahan dapat ditangani dengan mudah oleh SEM.
c. Modification Index yang dihasilkan SEM menyediakan lebih banyak isyarat tentang arah penelitian dan pemodelan yang perlu ditindaklanjuti dibandingkan pada regresi.
d. Interaksi juga dapat ditangani dalam SEM.
e. Kemampuan SEM dalam menangani non recursive path.

Bag 1 : Linear Structural Relationship (Lisrel)

Perkembangan teknologi membantu pengolahan data degan SEM dan menjadikan SEM makin banyak digunakan oleh para peneliti maupun pebisnis. Beberapa program komputer yang mendukung analisa SEM antara lain EQS, AMOS, LISREL, SAS PROC CALIS, STATISTICA-SEPATH, dan lain-lain.
Lisrel (Linear Structural Relationship) merupakan salah satu piranti lunak statistic yang dapat digunakan untuk mengolah data dengan menggunakan Structural Equation Modelling (SEM). Lisrel merupakan nama model persamaan structural yang dikembangkan Karl Joreskog pada tahun 1973 pada awalnya dan dikembangkan sebuah piranti lunak yang mendukung oleh Joreskog dan Sorbom. Lisrel versi 3 merupakan piranti lunak Lisrel yang pertama kali dirilis dan dipublikasikan pada tahun 1975.
Secara umum analisi dalam Lisrel dibagi menjadi 2 yaitu terkait dengan model pengukuran (measurement model) dan terkait dengan model structural (structural equation model). Pada dasarnya pengolahan SEM dengan Lisrel dapat dilakukan dengan 4 cara, yaitu menggunakan PRELIS Project, SIMPLIS Project, LISREL Project, maupun PATH DIAGRAM.

Minggu, 06 Juni 2010

Aplikasi LISREL pada Model Persamaan Struktural (Seri LISREL



Pada tulisan ini kita akan fokuskan pada aplikasi LISREL untuk Structural Equation Model (SEM). SEM secara statistik adalah generasi kedua dari teknik analisis multivariate, yang memungkinkan peneliti untuk menguji hubungan antara variabel yang kompleks baik recursive maupun non-recursive untuk memperoleh gambaran menyeluruh mengenai keseluruhan model.

Misalnya kita ingin melakukan penelitian mengenai keyakinan masyarakat terhadap partai politik di Indonesia. Untuk itu diambil sampel sebanyak 150 orang. Jawaban responden kita skor dengan skala Likert.

Misalnya lagi, kita punya kerangka teori bahwa keyakinan terhadap partai politik (PARTAI) ditentukan oleh keyakinannya terhadap keberhasilan program partai (PROGRAM) dan keyakinannya terhadap kemampuan pengurus partai (PENGURUS). Keyakinannya terhadap kemampuan pengurus partai juga mempengaruhi keyakinannya terhadap keberhasilan program partai.

Selanjutnya untuk mengukur keyakinan terhadap partai politik digunakan dua indikator (X5 dan X6), untuk mengukur keyakinan terhadap keberhasilan program partai digunakan dua indikator (X3 dan X4) sedangkan untuk mengukur keyakinan terhadap kemampuan pengurus partai dengan indikator X1 dan X2

Model grafisnya dari kerangka teori kita adalah sebagai berikut:









Setelah melakukan penelitian, dan data sudah diinput. Ubah file data ke dalam format prelis dan misalnya kita tempatkan di folder D:/blog dengan nama file partai.psf. Selanjutnya, tuliskan input perintah pada program LISREL (SIMPLIS) sebagai berikut