Lisrel

 

1. Apa itu software LISREL?

LISREL adalah software statistik yang digunakan untuk menganalisis hubungan antarvariabel melalui pemodelan persamaan struktural atau Structural Equation Modeling (SEM). Software ini sangat dikenal dalam penelitian kuantitatif, terutama ketika peneliti ingin menguji hubungan yang kompleks antara beberapa variabel sekaligus, termasuk variabel yang tidak dapat diukur secara langsung.

Nama LISREL berasal dari Linear Structural Relations. Software ini dikembangkan oleh Karl G. Jöreskog dan Dag Sörbom dan memiliki sejarah panjang dalam pengembangan metode SEM.

LISREL berbeda dari software statistik yang hanya berfokus pada perhitungan rata-rata, uji t, atau korelasi. LISREL dirancang untuk membantu peneliti menguji suatu model yang menggambarkan bagaimana variabel-variabel saling berhubungan berdasarkan teori dan data penelitian.

Misalnya, kamu ingin melakukan penelitian mengenai kepuasan nasabah bank syariah. Kamu menduga bahwa kualitas pelayanan memengaruhi kepercayaan nasabah, kemudian kepercayaan memengaruhi kepuasan, dan kepuasan berhubungan dengan loyalitas nasabah.

Masalahnya, konsep seperti kualitas pelayanan, kepercayaan, kepuasan, dan loyalitas tidak selalu dapat diukur hanya dengan satu angka. Biasanya, konsep tersebut diukur melalui beberapa pertanyaan dalam kuesioner.

LISREL dapat membantu peneliti menguji:

• Apakah pertanyaan dalam kuesioner benar-benar merepresentasikan konsep yang hendak diukur.

• Apakah kualitas pelayanan berhubungan dengan kepercayaan nasabah.

• Apakah kepercayaan berhubungan dengan kepuasan.

• Apakah kepuasan berhubungan dengan loyalitas.

• Apakah keseluruhan model yang dibangun sesuai dengan data penelitian.

Dengan demikian, LISREL sangat berguna ketika penelitian tidak hanya ingin mengetahui hubungan dua variabel, tetapi ingin menguji keseluruhan model hubungan antarvariabel berdasarkan teori.

2. Apa yang dimaksud dengan SEM?

Sebelum memahami LISREL lebih jauh, kamu perlu memahami konsep SEM terlebih dahulu.

SEM adalah singkatan dari Structural Equation Modeling, yaitu metode statistik untuk menguji hubungan antara variabel terukur dan variabel yang tidak diukur secara langsung melalui satu model yang saling terhubung.

SEM menggabungkan dua bagian utama:

1. Model pengukuran (measurement model), yaitu bagian yang menghubungkan konsep atau variabel laten dengan indikator-indikator yang digunakan untuk mengukurnya.

2. Model struktural (structural model), yaitu bagian yang menjelaskan hubungan antarvariabel dalam model penelitian.

LISREL merupakan salah satu software yang dapat digunakan untuk membangun dan menguji model SEM.

Contoh sederhana

Misalnya, penelitianmu membahas kualitas pelayanan bank syariah dan loyalitas nasabah.

Kamu mempunyai empat konsep:

• Kualitas pelayanan.

• Kepercayaan.

• Kepuasan.

• Loyalitas.

Setiap konsep diukur melalui beberapa pertanyaan kuesioner.

Contohnya, kualitas pelayanan diukur melalui pertanyaan mengenai kecepatan pelayanan, keramahan pegawai, dan kejelasan informasi. Sementara itu, loyalitas diukur melalui niat menggunakan kembali layanan, keinginan tetap menjadi nasabah, dan kesediaan merekomendasikan bank.

LISREL memungkinkan peneliti menguji apakah indikator-indikator tersebut cukup baik untuk merepresentasikan konsepnya dan apakah hubungan antar konsep sesuai dengan model yang diajukan.

3. Mengenal variabel dalam LISREL

Dalam penelitian menggunakan LISREL, kamu perlu memahami beberapa istilah berikut.

A. Variabel teramati (observed variable)

Variabel teramati adalah variabel yang dapat diukur atau dicatat secara langsung.

Contohnya:

• Pendapatan bulanan.

• Jumlah transaksi.

• Usia responden.

• Skor jawaban suatu pertanyaan kuesioner.

• Lama waktu pelayanan.

Dalam kuesioner, setiap pertanyaan biasanya menghasilkan satu variabel teramati.

Misalnya, pertanyaan “Pegawai bank melayani saya dengan cepat” dijawab menggunakan skala 1–5. Skor jawaban setiap responden menjadi data yang dapat dianalisis.

B. Variabel laten (latent variable)

Variabel laten adalah konsep yang tidak dapat diamati atau diukur secara langsung, sehingga perlu direpresentasikan melalui sejumlah indikator.

Contohnya:

• Kepuasan pelanggan.

• Kepercayaan.

• Motivasi belajar.

• Literasi keuangan.

• Kualitas pelayanan.

• Loyalitas nasabah.

Misalnya, kepuasan nasabah tidak dapat diukur hanya dengan melihat satu karakteristik. Peneliti dapat menggunakan beberapa pertanyaan tentang pengalaman pelayanan, kesesuaian harapan, dan penilaian terhadap layanan.

Gabungan indikator tersebut digunakan untuk mengukur konsep kepuasan sesuai model pengukuran yang dirancang.

C. Variabel eksogen (exogenous variable)

Variabel eksogen adalah variabel yang dalam model struktural berperan sebagai variabel yang tidak dijelaskan oleh variabel lain di dalam model.

Contohnya, dalam model sederhana, kualitas pelayanan dapat diposisikan sebagai variabel eksogen yang memengaruhi kepercayaan.

Dalam diagram SEM, variabel eksogen sering digambarkan menggunakan lingkaran atau elips yang menerima panah dua arah dari variabel eksogen lain jika kovariansnya dimodelkan, tetapi tidak menerima panah satu arah dari variabel penyebab di dalam model.

D. Variabel endogen (endogenous variable)

Variabel endogen adalah variabel yang dijelaskan oleh satu atau beberapa variabel lain di dalam model.

Contohnya, kepercayaan dapat menjadi variabel endogen ketika dijelaskan oleh kualitas pelayanan.

Jika kepuasan dijelaskan oleh kualitas pelayanan dan kepercayaan, kepuasan juga merupakan variabel endogen.

Satu variabel dapat berperan berbeda dalam model yang berbeda. Karena itu, penentuan variabel eksogen dan endogen harus didasarkan pada struktur model penelitian.

E. Error atau residual

Error adalah komponen yang menggambarkan bagian variasi yang tidak dijelaskan oleh model atau kesalahan pengukuran, bergantung pada bagian model yang dimaksud.

Dalam model pengukuran, error dapat mewakili variasi indikator yang tidak dijelaskan oleh konstruk laten. Dalam model struktural, residual menggambarkan variasi variabel endogen yang tidak dijelaskan oleh prediktor di dalam model.

Error bukan berarti peneliti pasti melakukan kesalahan. Dalam model statistik, residual merupakan bagian penting untuk merepresentasikan keterbatasan penjelasan model.

4. Bagaimana cara kerja LISREL?

Secara umum, proses analisis menggunakan LISREL dapat dipahami melalui empat tahapan besar.

1. Menyiapkan data

Data kuesioner, hasil pengukuran, atau data penelitian lainnya

2. Menentukan model penelitian

Menentukan variabel laten, indikator, dan hubungan antarvariabel

3. Mengestimasi dan mengevaluasi model

Menghitung parameter, menilai kecocokan model, dan memeriksa asumsi

4. Menginterpretasikan hasil

Mengevaluasi indikator, hubungan antarvariabel, dan hipotesis penelitian

Mari kita bahas setiap tahapan secara lebih rinci.

Tahap 1: Menyiapkan data

Data dapat berasal dari kuesioner, survei, atau sumber lain yang sesuai dengan tujuan penelitian.

Misalnya, kamu mengumpulkan data dari 200 nasabah bank syariah. Setiap responden menjawab 12 pertanyaan mengenai kualitas pelayanan, kepercayaan, dan kepuasan.

Sebelum data dianalisis, kamu perlu memeriksa:

• Apakah jumlah responden sudah sesuai dengan data yang dikumpulkan?

• Apakah ada jawaban yang kosong?

• Apakah kode jawaban sudah benar?

• Apakah ada nilai di luar rentang yang diperbolehkan?

• Apakah terdapat pola jawaban yang tidak wajar?

• Apakah jenis data dan distribusinya sesuai dengan metode estimasi yang akan digunakan?

Data yang bersih dan terstruktur sangat penting karena LISREL tidak dapat menjamin bahwa data yang dimasukkan sudah benar.

Tahap 2: Menyusun model penelitian

Sebelum menjalankan LISREL, peneliti harus menentukan hubungan yang ingin diuji berdasarkan teori, penelitian terdahulu, atau kerangka konseptual.

Misalnya, kamu memiliki model:

• Kualitas pelayanan memengaruhi kepercayaan.

• Kepercayaan memengaruhi kepuasan.

• Kualitas pelayanan juga mungkin berhubungan langsung dengan kepuasan.

Hubungan tersebut perlu dirumuskan menjadi hipotesis penelitian yang jelas.

Model tidak seharusnya dibuat hanya dengan mencoba berbagai arah panah sampai ditemukan hasil yang signifikan. Model yang baik harus memiliki alasan teoretis.

Tahap 3: Mengestimasi model

LISREL menggunakan metode estimasi statistik untuk memperkirakan parameter dalam model.

Parameter tersebut dapat berupa:

• Factor loading, yaitu hubungan indikator dengan konstruk laten.

• Koefisien jalur, yaitu hubungan antarvariabel dalam model struktural.

• Varians dan kovarians.

• Varians error.

• Parameter lainnya sesuai model.

Metode estimasi yang digunakan bergantung pada karakteristik data dan model. Karena itu, metode yang cocok untuk data kontinu tidak selalu tepat untuk data ordinal atau data yang sangat tidak normal.

Tahap 4: Mengevaluasi hasil

Setelah estimasi dilakukan, peneliti perlu memeriksa dua hal yang berbeda.

Pertama, apakah model secara keseluruhan cukup sesuai dengan data?

Kedua, apakah hubungan dan indikator yang dihipotesiskan memperoleh dukungan dari data?

Kedua pertanyaan ini tidak sama. Model yang secara keseluruhan cukup cocok belum tentu mendukung seluruh hipotesis. Sebaliknya, beberapa koefisien yang signifikan tidak otomatis berarti keseluruhan model sudah baik.

5. Dua komponen utama dalam LISREL

Inilah salah satu bagian paling penting untuk dipahami ketika mempelajari LISREL.

A. Measurement Model atau model pengukuran

Model pengukuran menjelaskan hubungan antara variabel laten dengan indikator yang digunakan untuk mengukurnya.

Contohnya, kamu ingin mengukur konstruk kualitas pelayanan bank syariah melalui empat indikator:

• X1: Kecepatan pelayanan.

• X2: Keramahan pegawai.

• X3: Kejelasan informasi.

• X4: Kemudahan transaksi.

Kualitas pelayanan merupakan variabel laten, sedangkan X1 sampai X4 merupakan variabel teramati.

Model pengukuran digunakan untuk mengevaluasi apakah indikator-indikator tersebut merepresentasikan konstruk kualitas pelayanan secara memadai.

Hal-hal yang biasanya diperiksa meliputi:

1. Besarnya factor loading.

2. Signifikansi hubungan indikator dengan konstruk.

3. Varians error indikator.

4. Reliabilitas pengukuran.

5. Validitas konstruk berdasarkan bukti yang relevan.

Misalnya, suatu indikator mempunyai standardized factor loading sebesar 0,80. Angka tersebut menunjukkan hubungan yang relatif kuat antara indikator dan konstruk dalam model yang diestimasi.

Namun, factor loading yang tinggi saja belum cukup untuk membuktikan validitas. Isi pertanyaan, landasan teori, kualitas instrumen, dan bukti validitas lainnya tetap perlu dipertimbangkan.

B. Structural Model atau model struktural

Model struktural menjelaskan hubungan antarvariabel dalam kerangka penelitian.

Misalnya:

• Kualitas pelayanan → Kepercayaan.

• Kepercayaan → Kepuasan.

• Kualitas pelayanan → Kepuasan.

Model ini memungkinkan kamu menguji hubungan langsung maupun tidak langsung antarvariabel.

Sebagai contoh, kualitas pelayanan mungkin berhubungan dengan kepuasan melalui dua jalur: hubungan langsung dan hubungan tidak langsung melalui kepercayaan.

Dengan SEM, kedua jalur tersebut dapat dievaluasi dalam satu kerangka model, selama modelnya teridentifikasi dan spesifikasinya sesuai.

Kesimpulannya: model pengukuran berfokus pada cara variabel laten diukur, sedangkan model struktural berfokus pada hubungan antarvariabel dalam teori penelitian. Keduanya merupakan bagian penting dalam SEM.

SAS Support

+1

6. Mengenal diagram jalur (path diagram) dalam LISREL

Diagram jalur adalah gambaran visual dari model penelitian. Diagram ini membantu peneliti melihat konstruk, indikator, serta arah hubungan yang sedang diuji.

Beberapa simbol yang umum digunakan dalam diagram SEM adalah:

Simbol	Makna umum
Persegi panjang	Variabel teramati atau indikator
Lingkaran atau elips	Variabel laten
Panah satu arah	Hubungan yang dimodelkan sebagai pengaruh langsung
Panah dua arah	Kovarians atau korelasi yang dimodelkan
Simbol error	Bagian variasi yang tidak dijelaskan oleh konstruk atau model

Dalam diagram SEM, panah satu arah menyatakan struktur hubungan yang ditentukan peneliti. Panah tersebut tidak otomatis membuktikan hubungan sebab-akibat di dunia nyata.

Contoh model penelitian

Misalnya, kamu ingin meneliti hubungan kualitas pelayanan dengan kepuasan nasabah melalui kepercayaan.

Model konseptualnya:

Kualitas pelayanan

Variabel laten X

Indikator X1, X2, X3, X4

H1

Kepercayaan

Variabel laten mediator

Indikator Z1, Z2, Z3

H2

Kepuasan nasabah

Variabel laten Y

Indikator Y1, Y2, Y3

H3 juga dapat dirumuskan sebagai jalur langsung dari kualitas pelayanan menuju kepuasan nasabah, jika didukung teori.

Keterangan hipotesis:

• H1: Kualitas pelayanan berhubungan dengan kepercayaan.

• H2: Kepercayaan berhubungan dengan kepuasan.

• H3: Kualitas pelayanan berhubungan langsung dengan kepuasan.

Jika H1 dan H2 didukung data, hubungan tidak langsung melalui kepercayaan dapat dianalisis lebih lanjut. Namun, signifikansi efek tidak langsung harus diuji, bukan disimpulkan hanya karena dua jalur individual signifikan.

7. Fitur-fitur utama LISREL

LISREL dikenal terutama sebagai software SEM. Kemampuan spesifiknya bergantung pada versi dan komponen yang digunakan. Dalam ekosistem LISREL, PRELIS juga dikenal untuk pengolahan data dan persiapan analisis.

Google Buku

+1

A. Structural Equation Modeling (SEM)

Ini merupakan fungsi utama LISREL.

SEM memungkinkan peneliti menguji model yang terdiri atas variabel teramati, variabel laten, serta hubungan antarvariabel secara bersamaan.

Contoh:

• Pengaruh kualitas pelayanan terhadap kepuasan.

• Hubungan kepercayaan dan loyalitas.

• Peran mediasi kepuasan.

• Model perilaku konsumen.

• Model motivasi belajar dan prestasi akademik.

Keunggulan SEM adalah peneliti dapat mengevaluasi model pengukuran dan model struktural dalam satu kerangka analisis.

B. Confirmatory Factor Analysis (CFA)

CFA merupakan analisis faktor konfirmatori yang digunakan untuk menguji apakah struktur pengukuran yang telah ditentukan sesuai dengan data.

Misalnya, kamu mempunyai konstruk literasi keuangan dengan empat indikator yang telah dirumuskan berdasarkan teori.

Melalui CFA, kamu dapat mengevaluasi apakah indikator-indikator tersebut mendukung struktur konstruk yang dihipotesiskan.

CFA berbeda dari EFA (Exploratory Factor Analysis). EFA digunakan untuk mengeksplorasi struktur faktor, sedangkan CFA digunakan untuk menguji struktur yang telah ditentukan sebelumnya.

C. Path Analysis

Analisis jalur digunakan untuk mengevaluasi hubungan antarvariabel yang teramati, atau sebagai bagian dari model SEM yang lebih luas.

Misalnya, peneliti ingin menganalisis hubungan antara:

• Biaya promosi.

• Jumlah pelanggan.

• Penjualan.

Path analysis dapat digunakan untuk memodelkan jalur langsung dan tidak langsung di antara variabel tersebut.

Perbedaannya dengan SEM berbasis variabel laten adalah analisis jalur sederhana tidak harus membangun konstruk laten dari beberapa indikator.

D. Model pengukuran variabel laten

LISREL dapat digunakan untuk memodelkan hubungan indikator dengan konstruk laten serta memperhitungkan error pengukuran.

Hal ini penting karena skor kuesioner tidak selalu mengukur konsep secara sempurna.

Sebagai contoh, jawaban responden mengenai kepuasan dapat dipengaruhi oleh pengalaman pelayanan, suasana hati, pemahaman terhadap pertanyaan, dan faktor lain yang tidak sepenuhnya tertangkap oleh instrumen.

Model pengukuran membantu peneliti memisahkan konstruk yang ingin diukur dari bagian variasi indikator yang tidak dijelaskan oleh konstruk tersebut, sesuai asumsi model.

E. Model hubungan langsung dan tidak langsung

LISREL dapat digunakan untuk menguji:

• Efek langsung.

• Efek tidak langsung.

• Efek total.

Contohnya, kualitas pelayanan berhubungan dengan loyalitas melalui kepuasan nasabah.

Efek langsung adalah jalur kualitas pelayanan menuju loyalitas. Efek tidak langsung adalah jalur yang melewati kepuasan. Efek total menggabungkan efek langsung dan efek tidak langsung yang relevan dalam model.

F. Analisis multikelompok

Dalam kondisi yang sesuai, SEM dapat digunakan untuk membandingkan model atau parameter di antara beberapa kelompok.

Contohnya:

• Nasabah bank syariah dan bank konvensional.

• Mahasiswa tahun pertama dan mahasiswa tingkat akhir.

• Pelanggan baru dan pelanggan lama.

Namun, perbandingan kelompok memerlukan perhatian terhadap kesetaraan pengukuran atau measurement invariance. Tanpa pemeriksaan yang sesuai, perbedaan skor atau koefisien mungkin mencerminkan perbedaan cara konstruk diukur, bukan perbedaan hubungan yang sesungguhnya.

G. Estimasi parameter

LISREL menyediakan pendekatan untuk mengestimasi parameter model SEM.

Metode estimasi yang tepat bergantung pada:

• Jenis variabel.

• Ukuran dan karakteristik sampel.

• Distribusi data.

• Struktur model.

• Asumsi statistik yang digunakan.

Karena itu, peneliti tidak seharusnya memilih metode estimasi hanya berdasarkan pilihan bawaan software.

H. Pengujian kecocokan model (model fit)

Salah satu aspek penting dalam LISREL adalah evaluasi kecocokan model terhadap data.

LISREL dapat menghasilkan berbagai ukuran goodness of fit yang membantu peneliti menilai apakah model yang diajukan cukup sesuai dengan pola data yang diamati.

Beberapa ukuran yang umum dibahas adalah Chi-Square, RMSEA, CFI, dan SRMR. Makna masing-masing akan dijelaskan pada bagian berikutnya.

I. PRELIS untuk persiapan data

PRELIS merupakan komponen yang dikenal dalam ekosistem LISREL untuk pekerjaan seperti persiapan dan transformasi data serta perhitungan matriks statistik tertentu.

Dalam analisis SEM, persiapan data dapat mencakup penanganan nilai hilang, penghitungan matriks korelasi atau kovarians, dan penyesuaian data sesuai metode analisis.

Ketersediaan fitur dan cara penggunaannya perlu diperiksa pada dokumentasi versi yang kamu gunakan.

8. Apa itu model fit dalam LISREL?

Model fit adalah evaluasi tentang seberapa baik model statistik yang diajukan merepresentasikan pola hubungan yang ditemukan dalam data.

Misalnya, kamu membuat model bahwa kualitas pelayanan memengaruhi kepercayaan dan kepercayaan memengaruhi kepuasan nasabah.

Meskipun model tersebut masuk akal secara teori, kamu tetap perlu memeriksa apakah struktur model tersebut cukup sesuai dengan data penelitian.

Model fit tidak sama dengan signifikansi koefisien. Model fit mengevaluasi kecocokan model secara keseluruhan atau pada aspek tertentu, sedangkan pengujian koefisien mengevaluasi parameter individual.

A. Chi-Square

Chi-Square digunakan untuk menguji perbedaan antara struktur kovarians yang diimplikasikan oleh model dan struktur kovarians yang diamati.

Dalam banyak konteks SEM, nilai Chi-Square yang signifikan menunjukkan adanya perbedaan antara model dan data yang tidak dapat diabaikan menurut pengujian tersebut.

Namun, Chi-Square sensitif terhadap ukuran sampel. Karena itu, hasilnya tidak sebaiknya dijadikan satu-satunya dasar untuk menilai model.

B. RMSEA

RMSEA merupakan singkatan dari Root Mean Square Error of Approximation.

Ukuran ini mengevaluasi tingkat ketidaksesuaian model dengan memperhitungkan kompleksitas dan derajat kebebasan model.

Nilai yang lebih kecil umumnya menunjukkan ketidaksesuaian yang lebih rendah. Interpretasi perlu mempertimbangkan interval kepercayaan, kompleksitas model, ukuran sampel, dan karakteristik analisis.

C. CFI

CFI merupakan singkatan dari Comparative Fit Index.

Ukuran ini membandingkan kecocokan model yang diuji dengan model pembanding tertentu.

Nilai CFI yang lebih tinggi biasanya menunjukkan kecocokan relatif yang lebih baik, tetapi interpretasinya tetap bergantung pada keseluruhan bukti.

D. SRMR

SRMR merupakan singkatan dari Standardized Root Mean Square Residual.

Ukuran ini merangkum besarnya perbedaan antara korelasi yang diamati dan korelasi yang diperkirakan oleh model dalam bentuk terstandar.

Nilai yang lebih kecil umumnya menunjukkan residual rata-rata yang lebih kecil.

E. GFI dan AGFI

GFI (Goodness of Fit Index) dan AGFI (Adjusted Goodness of Fit Index) merupakan ukuran kecocokan model yang dikenal dalam literatur SEM, termasuk dokumentasi LISREL terdahulu.

Keduanya masih dapat muncul dalam laporan atau panduan penelitian, tetapi tidak sebaiknya digunakan sebagai satu-satunya ukuran untuk menentukan kualitas model.

Cara membaca model fit secara keseluruhan

Jangan menggunakan satu indeks saja untuk menyimpulkan bahwa model sudah baik atau buruk.

Perhatikan:

• Chi-Square dan derajat kebebasannya.

• RMSEA beserta interval kepercayaan jika tersedia.

• CFI.

• SRMR.

• Residual dan parameter yang tidak wajar.

• Kesesuaian model dengan teori.

• Kualitas pengukuran dan karakteristik sampel.

Batas angka seperti RMSEA sekitar 0,06–0,08 atau CFI sekitar 0,90–0,95 sering dijadikan panduan praktis dalam literatur, tetapi bukan hukum universal. Ambang yang tepat perlu dipahami sesuai konteks dan rujukan metodologis yang digunakan.

Google Books

+1

9. Cara membaca hasil output LISREL

Setelah menjalankan analisis, kamu akan mendapatkan keluaran yang berisi berbagai angka statistik. Kamu perlu memahami arti setiap bagian agar tidak salah menarik kesimpulan.

A. Factor loading

Factor loading menunjukkan hubungan antara indikator teramati dan konstruk laten yang diukurnya.

Misalnya, konstruk kualitas pelayanan memiliki tiga indikator dengan hasil berikut.

Indikator	Standardized loading	Interpretasi awal
Kecepatan pelayanan	0,82	Hubungan relatif kuat
Keramahan pegawai	0,75	Hubungan relatif kuat
Kejelasan informasi	0,40	Hubungan lebih lemah

Dalam contoh ini, indikator kecepatan pelayanan memiliki loading paling tinggi. Indikator kejelasan informasi memiliki loading lebih rendah sehingga perlu ditinjau lebih lanjut.

Namun, indikator dengan loading rendah tidak boleh langsung dihapus tanpa mempertimbangkan teori, isi pertanyaan, signifikansi statistik, dan kualitas pengukuran secara keseluruhan.

B. Koefisien jalur (path coefficient)

Koefisien jalur menunjukkan arah dan besarnya hubungan yang diperkirakan antara variabel dalam model struktural.

Misalnya, hasil model menghasilkan koefisien jalur terstandar berikut.

Hubungan	Koefisien	Makna awal
Kualitas pelayanan → Kepercayaan	0,60	Hubungan positif
Kepercayaan → Kepuasan	0,55	Hubungan positif
Kualitas pelayanan → Kepuasan	0,20	Hubungan positif

Angka tersebut hanya ilustrasi, bukan hasil analisis data nyata.

Koefisien 0,60 berarti bahwa kenaikan satu standar deviasi pada kualitas pelayanan berkaitan dengan kenaikan sekitar 0,60 standar deviasi pada kepercayaan dalam model tersebut, dengan mempertimbangkan prediktor lain sesuai spesifikasi model.

Koefisien jalur tidak otomatis membuktikan sebab-akibat. Kesimpulan kausal membutuhkan rancangan penelitian dan asumsi yang memadai.

C. Nilai t dan nilai p

Output LISREL dapat menampilkan statistik uji untuk mengevaluasi parameter model.

Dalam pengujian koefisien tertentu, nilai t yang cukup jauh dari nol dapat menjadi bukti bahwa parameter berbeda dari nol. Dalam pendekatan pengujian dua sisi yang umum, nilai p digunakan untuk menilai bukti terhadap hipotesis nol.

Contoh ilustratif:

Koefisien jalur	Nilai t	Interpretasi pada taraf 5%
0,60	5,20	Bukti kuat bahwa koefisien berbeda dari nol
0,55	3,80	Bukti kuat bahwa koefisien berbeda dari nol
0,20	1,40	Belum cukup bukti untuk menolak hipotesis nol

Interpretasi ini mengasumsikan pengujian dua sisi dengan pendekatan normal dan tidak memperhitungkan koreksi untuk pengujian berganda.

Jika suatu hubungan belum signifikan, jangan langsung menyimpulkan bahwa hubungan itu sama sekali tidak ada. Ketidakpastian estimasi, ukuran sampel, kualitas indikator, dan spesifikasi model juga perlu diperiksa.

D. Standardized Solution

Standardized solution menyajikan parameter dalam skala terstandar.

Kegunaannya adalah memudahkan perbandingan besarnya hubungan antarjalur dalam model, terutama jika variabel memiliki satuan pengukuran berbeda.

Contohnya, pendapatan dinyatakan dalam rupiah, sedangkan kepuasan diukur dengan skor kuesioner. Koefisien terstandar dapat membantu membandingkan kekuatan hubungan relatif dalam model.

Namun, koefisien terstandar bukan ukuran kepentingan praktis yang sempurna dan tidak selalu cocok dibandingkan antarpenelitian dengan sampel atau model berbeda.

E. Modification Indices

Modification indices menunjukkan perkiraan penurunan statistik ketidaksesuaian model apabila parameter tertentu yang saat ini dibatasi dibebaskan, berdasarkan asumsi dan model yang digunakan.

Fitur ini dapat membantu menemukan bagian model yang perlu diperiksa kembali.

Namun, jangan menambahkan hubungan atau korelasi error hanya untuk membuat indeks model fit terlihat lebih baik. Setiap perubahan harus memiliki dasar teori yang masuk akal dan sebaiknya diuji kembali pada data lain apabila model telah dikembangkan secara eksploratif.

10. Tutorial menggunakan LISREL dari awal sampai akhir

Sekarang kita membahas contoh penerapan LISREL untuk penelitian kuantitatif.

Contoh yang digunakan adalah penelitian mengenai kualitas pelayanan, kepercayaan, dan kepuasan nasabah bank syariah.

Contoh ini bersifat ilustratif untuk menjelaskan alur kerja, bukan laporan hasil penelitian nyata.

Langkah 1 — Menentukan judul penelitian

Misalnya:

“Analisis Hubungan Kualitas Pelayanan dan Kepercayaan terhadap Kepuasan Nasabah Bank Syariah Menggunakan Structural Equation Modeling.”

Judul tersebut menunjukkan tiga konsep utama yang hendak diteliti.

Langkah 2 — Menentukan variabel penelitian

Kamu dapat menentukan variabel berikut.

Variabel	Peran dalam model	Contoh indikator
Kualitas pelayanan	Eksogen	Kecepatan, keramahan, kejelasan informasi
Kepercayaan	Endogen sekaligus mediator	Keandalan, rasa aman, keyakinan terhadap layanan
Kepuasan	Endogen	Kesesuaian harapan, kepuasan keseluruhan, pengalaman layanan

Indikator di atas hanya contoh konseptual. Dalam penelitian nyata, indikator harus ditetapkan berdasarkan teori dan instrumen yang dapat dipertanggungjawabkan.

Langkah 3 — Merumuskan hipotesis

Misalnya:

• H1: Kualitas pelayanan berhubungan positif dengan kepercayaan nasabah.

• H2: Kepercayaan berhubungan positif dengan kepuasan nasabah.

• H3: Kualitas pelayanan berhubungan langsung dengan kepuasan nasabah.

• H4: Terdapat efek tidak langsung kualitas pelayanan terhadap kepuasan melalui kepercayaan.

H4 merupakan hipotesis mediasi. Efek tidak langsung perlu dievaluasi secara khusus menggunakan metode inferensi yang sesuai.

Langkah 4 — Menyusun kuesioner

Kamu dapat menyusun pertanyaan untuk masing-masing konstruk.

Misalnya, responden diminta memberi jawaban dengan skala 1 sampai 5:

1. Sangat tidak setuju.

2. Tidak setuju.

3. Netral.

4. Setuju.

5. Sangat setuju.

Contoh pertanyaan untuk kualitas pelayanan:

• Pegawai bank melayani saya dengan cepat.

• Pegawai bank bersikap ramah.

• Informasi layanan disampaikan dengan jelas.

Contoh pertanyaan untuk kepercayaan:

• Saya percaya bank dapat menjalankan layanan sesuai ketentuan yang dijelaskan.

• Saya merasa informasi yang diberikan bank dapat dipercaya.

• Saya yakin bank menangani transaksi dengan baik.

Contoh pertanyaan untuk kepuasan:

• Saya puas dengan layanan bank.

• Layanan yang saya terima sesuai dengan harapan saya.

• Secara keseluruhan, pengalaman saya menggunakan layanan bank memuaskan.

Pertanyaan tersebut hanya contoh awal. Sebelum digunakan, instrumen perlu ditinjau berdasarkan teori, bahasa, validitas isi, dan uji coba yang sesuai.

Langkah 5 — Mengumpulkan dan memeriksa data

Setelah kuesioner dikumpulkan, susun data dalam bentuk tabel.

Setiap baris mewakili satu responden, sedangkan setiap kolom mewakili satu indikator.

Contoh struktur data:

Responden	KP1	KP2	KP3	KEP1	KEP2	KEP3	KPS1	KPS2	KPS3
1	4	5	4	4	4	5	4	4	5
2	3	4	4	3	4	4	4	3	4
3	5	5	4	5	4	5	5	5	4

Data di atas hanya contoh struktur tabel dan bukan data untuk menyimpulkan kualitas layanan suatu bank.

Sebelum analisis, periksa nilai kosong, kesalahan input, pola jawaban, distribusi data, dan jenis skala yang digunakan.

Langkah 6 — Memasukkan data ke LISREL

Secara umum, kamu perlu membuka atau mengimpor data sesuai format yang didukung oleh versi LISREL yang digunakan.

Pada beberapa alur kerja, PRELIS digunakan untuk membantu menyiapkan data atau menghitung matriks statistik yang diperlukan.

Hal yang perlu dipastikan:

• Nama variabel konsisten.

• Jumlah indikator sesuai dengan model.

• Tidak ada variabel yang tertukar.

• Pengkodean jawaban benar.

• Penanganan data hilang sudah ditentukan.

• Metode estimasi sesuai dengan sifat data.

Nama menu dan langkah teknis yang tepat dapat berbeda menurut versi LISREL, PRELIS, dan antarmuka yang digunakan.

Langkah 7 — Membuat diagram jalur

Buat diagram yang menggambarkan konstruk laten dan indikatornya.

Konstruk kualitas pelayanan dihubungkan dengan indikator KP1, KP2, dan KP3. Konstruk kepercayaan dihubungkan dengan KEP1, KEP2, dan KEP3. Konstruk kepuasan dihubungkan dengan KPS1, KPS2, dan KPS3.

Setelah itu, tentukan jalur struktural dari kualitas pelayanan menuju kepercayaan, dari kepercayaan menuju kepuasan, dan dari kualitas pelayanan menuju kepuasan.

Pastikan setiap hubungan yang dimasukkan memiliki dasar teori.

Langkah 8 — Menentukan spesifikasi model

Pada tahap ini, kamu menentukan parameter yang akan diestimasi dan hubungan yang dibatasi atau dibebaskan.

Dalam model pengukuran, kamu menetapkan indikator yang merepresentasikan setiap konstruk.

Dalam model struktural, kamu menetapkan hubungan antarvariabel laten.

Model juga perlu memiliki skala yang jelas untuk setiap konstruk laten. Dalam praktik SEM, salah satu loading indikator dapat ditetapkan sebagai acuan atau varians konstruk dapat dibatasi untuk mengidentifikasi skala variabel laten.

Jika model tidak teridentifikasi, LISREL mungkin tidak dapat menghasilkan estimasi yang bermakna.

Langkah 9 — Memilih metode estimasi

Metode estimasi harus dipilih berdasarkan jenis data dan asumsi yang relevan.

Untuk data kontinu dengan karakteristik yang sesuai, metode maximum likelihood sering digunakan.

Untuk indikator ordinal, seperti jawaban Likert, pilihan metode perlu mempertimbangkan jumlah kategori, distribusi jawaban, ukuran sampel, dan perlakuan data sebagai ordinal atau mendekati kontinu.

Jangan menganggap satu metode estimasi selalu benar untuk seluruh penelitian.

Langkah 10 — Menjalankan analisis dan membaca output

Setelah model dijalankan, periksa:

1. Apakah estimasi berhasil dan model teridentifikasi?

2. Apakah ada parameter yang tidak wajar?

3. Bagaimana hasil factor loading?

4. Bagaimana ukuran model fit?

5. Bagaimana arah, besaran, dan ketidakpastian koefisien jalur?

6. Apakah efek tidak langsung didukung oleh pengujian yang sesuai?

Jangan hanya melihat apakah nilai p di bawah 0,05. Model yang baik perlu dinilai dari keseluruhan hasil dan dasar teorinya.

Langkah 11 — Menulis interpretasi penelitian

Contoh kalimat interpretasi apabila hasil analisis memang mendukungnya:

“Kualitas pelayanan memiliki hubungan positif dengan kepercayaan nasabah. Hasil ini menunjukkan bahwa penilaian yang lebih baik terhadap kualitas pelayanan berkaitan dengan tingkat kepercayaan yang lebih tinggi dalam sampel penelitian.”

Untuk menyatakan hubungan tersebut sebagai pengaruh kausal, kamu perlu mempertimbangkan desain penelitian, urutan waktu, variabel perancu, dan asumsi kausal lainnya.

Langkah 12 — Menyusun kesimpulan

Kesimpulan harus menjawab hipotesis penelitian berdasarkan hasil analisis, bukan hanya mengulang angka dari output.

Tuliskan:

• Hipotesis yang didukung dan yang belum didukung.

• Hasil evaluasi model pengukuran.

• Hasil evaluasi model struktural.

• Makna hasil dalam konteks teori.

• Keterbatasan data dan metode.

• Saran untuk penelitian berikutnya.

Dengan demikian, penggunaan LISREL merupakan proses yang menggabungkan teori, pengukuran, analisis statistik, dan interpretasi ilmiah.

11. Kelebihan software LISREL

LISREL mempunyai beberapa kelebihan yang membuatnya relevan untuk penelitian kuantitatif tingkat lanjut.

A. Dapat menganalisis hubungan yang kompleks

LISREL memungkinkan beberapa hubungan antarvariabel diuji dalam satu model.

Misalnya, kualitas pelayanan berhubungan dengan kepercayaan, kepercayaan berhubungan dengan kepuasan, dan kepuasan berhubungan dengan loyalitas.

Model seperti ini lebih kompleks daripada korelasi sederhana karena melibatkan beberapa jalur yang saling terhubung.

B. Dapat menganalisis variabel laten

Peneliti tidak harus menganggap setiap konsep dapat diukur secara langsung dengan satu angka.

LISREL dapat memodelkan konstruk seperti motivasi, kepercayaan, kepuasan, dan loyalitas menggunakan indikator-indikator yang relevan.

C. Memperhitungkan error pengukuran

Dalam model pengukuran, LISREL memungkinkan peneliti memodelkan bagian variasi indikator yang tidak dijelaskan oleh konstruk laten.

Hal ini penting untuk penelitian yang menggunakan kuesioner, karena jawaban responden tidak selalu merepresentasikan konsep yang diukur secara sempurna.

D. Mendukung evaluasi model secara menyeluruh

Peneliti dapat memeriksa model pengukuran, hubungan struktural, dan berbagai ukuran kecocokan model.

Dengan demikian, evaluasi tidak terbatas pada satu koefisien korelasi atau satu hasil uji hipotesis.

E. Memiliki landasan metodologis yang kuat

LISREL mempunyai sejarah panjang dalam pengembangan SEM dan didukung oleh literatur metodologi yang luas.

Google Books

+1

12. Kekurangan dan keterbatasan LISREL

Meskipun mempunyai kemampuan yang luas, LISREL juga memiliki beberapa keterbatasan.

1. Relatif sulit bagi pemula. Pengguna perlu memahami SEM, variabel laten, identifikasi model, estimasi parameter, dan evaluasi kecocokan model.

2. Memerlukan model penelitian yang jelas. LISREL tidak otomatis menentukan teori atau hubungan antarvariabel yang paling tepat. Peneliti harus merumuskan model berdasarkan landasan teori.

3. Memerlukan data dan pengukuran yang berkualitas. Data yang tidak lengkap, indikator yang buruk, atau sampel yang tidak sesuai dapat menyebabkan estimasi bermasalah atau hasil yang tidak dapat diandalkan.

4. Tidak semua model dapat diestimasi. Model yang tidak teridentifikasi, terlalu kompleks untuk informasi yang tersedia, atau mempunyai masalah numerik dapat gagal menghasilkan solusi yang dapat diinterpretasikan.

5. Model fit tidak membuktikan teori benar. Beberapa model yang berbeda dapat memberikan kecocokan data yang serupa. Karena itu, teori dan desain penelitian tetap penting.

6. Interpretasi memerlukan kehati-hatian. Koefisien jalur yang signifikan tidak otomatis membuktikan sebab-akibat. Peneliti perlu memperhatikan desain, urutan waktu, dan kemungkinan faktor perancu.

7. Lisensi dan antarmuka perlu diperhatikan. LISREL merupakan produk komersial, dan pilihan lisensi maupun fitur dapat berbeda menurut versi serta jenis pengguna. Periksa informasi resmi sebelum memilih versi.

13. Perbedaan LISREL, AMOS, SmartPLS, JASP, dan SPSS

Software tersebut sama-sama dapat digunakan dalam analisis data, tetapi fokusnya berbeda.

Software	Fokus utama	Cocok untuk
LISREL	SEM berbasis kovarians dan model variabel laten	Penelitian yang menguji model pengukuran serta model struktural
AMOS	SEM dengan pendekatan visual	Penelitian kuantitatif yang memerlukan diagram jalur dan CFA
SmartPLS	PLS-SEM	Penelitian yang memilih pendekatan Partial Least Squares berdasarkan tujuan dan karakteristik model
JASP	Statistik umum dan sejumlah metode Bayesian	Statistik deskriptif, uji hipotesis, korelasi, regresi, dan analisis lainnya
SPSS	Statistik umum dan pengolahan data	Survei, statistik deskriptif, uji t, ANOVA, regresi, dan berbagai analisis sosial

LISREL dibandingkan AMOS

Keduanya dapat digunakan untuk SEM berbasis kovarians dan CFA. Pilihan di antara keduanya dapat dipengaruhi oleh kebutuhan analisis, alur kerja, pengalaman pengguna, dukungan institusi, dan lisensi.

LISREL dibandingkan SmartPLS

LISREL secara tradisional dikenal dalam pendekatan SEM berbasis kovarians. SmartPLS berfokus pada PLS-SEM, yang mempunyai tujuan dan karakteristik estimasi berbeda.

PLS-SEM tidak otomatis lebih baik hanya karena sampel kecil atau model mempunyai banyak variabel. Pemilihan pendekatan perlu mempertimbangkan tujuan penelitian, model pengukuran, dan kebutuhan inferensi.

LISREL dibandingkan JASP dan SPSS

JASP dan SPSS sangat berguna untuk berbagai analisis statistik umum. Jika tujuan penelitianmu melibatkan konstruk laten, CFA, dan hubungan struktural yang kompleks, software SEM seperti LISREL atau AMOS dapat lebih sesuai, bergantung pada kebutuhan model.

Intinya: pilih software berdasarkan metode penelitian yang diperlukan, bukan hanya karena software tertentu lebih populer atau dianggap lebih canggih.

14. Persyaratan penting sebelum menggunakan LISREL

Sebelum menjalankan SEM, ada beberapa hal yang perlu dipahami.

A. Ukuran sampel

Tidak ada satu angka ukuran sampel yang selalu benar untuk seluruh model SEM.

Kebutuhan sampel dipengaruhi oleh kompleksitas model, jumlah parameter, kekuatan hubungan, reliabilitas indikator, distribusi data, dan metode estimasi.

Karena itu, jangan hanya mengikuti aturan seperti “minimal 100 responden” atau “minimal 200 responden” tanpa mempertimbangkan model penelitian.

Jika memungkinkan, lakukan analisis kebutuhan sampel berdasarkan rancangan dan tujuan penelitian.

B. Identifikasi model

Model harus mempunyai informasi yang cukup untuk mengestimasi parameter yang tidak diketahui.

Model yang tidak teridentifikasi dapat menyebabkan parameter tidak dapat dihitung secara unik. Sebelum menjalankan analisis, pastikan spesifikasi model dan pembatasan parameternya memadai.

C. Reliabilitas dan validitas

Instrumen harus memiliki dasar yang baik untuk mengukur konstruk penelitian.

Reliabilitas berhubungan dengan konsistensi pengukuran, sedangkan validitas berkaitan dengan apakah bukti yang tersedia mendukung interpretasi pengukuran sesuai tujuan penelitian.

Keduanya tidak dapat dinilai hanya dari satu angka atau satu indeks.

D. Asumsi distribusi

Sebagian metode estimasi SEM memiliki asumsi tertentu mengenai distribusi data. Jawaban kuesioner ordinal, data tidak normal, dan data yang mengandung pencilan perlu ditangani dengan metode yang sesuai.

E. Landasan teori

Model SEM sebaiknya disusun berdasarkan teori dan penelitian terdahulu.

Mengubah model berkali-kali hanya untuk memperoleh nilai model fit yang lebih baik berisiko menghasilkan model yang terlalu menyesuaikan data sampel dan kurang dapat digeneralisasikan.

15. Referensi untuk mempelajari LISREL lebih lanjut

Berikut sumber yang dapat membantu kamu memperdalam LISREL dan SEM.

1. LISREL — informasi produk dan ekosistem LISREL dapat ditelusuri melalui situs Scientific Software International.

2. LISREL 8: User's Reference Guide, karya Karl G. Jöreskog dan Dag Sörbom. Buku ini membahas model LISREL, estimasi, parameter, dan sintaks.

Google Buku

3. Introducing LISREL: A Guide for the Uninitiated, karya Adamantios Diamantopoulos dan Judy A. Siguaw. Buku ini membahas tahapan pengembangan model, diagram jalur, spesifikasi model, dan evaluasi model fit.

Google Books

4. Dokumentasi model LISREL dari SAS, yang menjelaskan model pengukuran, model struktural, dan konsep dasar model LISREL. Baca dokumentasi pengantar model LISREL.

16. Kesimpulan akhir

LISREL adalah software statistik untuk membangun dan menguji model Structural Equation Modeling (SEM), terutama model yang melibatkan hubungan antara variabel teramati, variabel laten, dan jalur struktural.

Kemampuan utamanya meliputi:

• Confirmatory Factor Analysis (CFA).

• Model pengukuran variabel laten.

• Model struktural dan analisis jalur.

• Estimasi parameter.

• Analisis efek langsung dan tidak langsung.

• Evaluasi kecocokan model.

• Analisis multikelompok pada model yang sesuai.

LISREL sangat relevan untuk penelitian kuantitatif di bidang ekonomi, manajemen, akuntansi, pendidikan, psikologi, pemasaran, dan perbankan syariah, khususnya ketika peneliti ingin menguji model yang melibatkan beberapa konstruk laten sekaligus.

Hal terpenting adalah memahami bahwa LISREL tidak sekadar menghitung angka, tetapi membantu menguji model penelitian yang telah dirumuskan berdasarkan teori. Kualitas hasilnya tetap bergantung pada kualitas data, ketepatan instrumen, identifikasi model, pemilihan metode estimasi, dan interpretasi peneliti.