Lisrel

1. Pengertian LISREL

LISREL adalah singkatan dari LInear Structural RELations. Ini adalah perangkat lunak untuk Structural Equation Modeling (SEM), yaitu teknik untuk menguji hubungan antarvariabel, termasuk variabel laten yang tidak bisa diukur langsung.

LISREL dikembangkan oleh Karl Jöreskog dan Dag Sörbom dari Uppsala University, Swedia. Program ini adalah salah satu software SEM tertua dan paling berpengaruh, sehingga banyak istilah dan simbol SEM yang dipakai sampai sekarang berasal dari LISREL. Program ini didistribusikan oleh Scientific Software International (SSI).

Ciri utama LISREL:

Menggunakan pendekatan CB-SEM (Covariance-Based SEM)
Bisa dijalankan lewat kode (syntax) maupun diagram jalur
Tersedia untuk Windows
Berbayar, tetapi ada Student Edition gratis dengan batasan jumlah variabel
Punya modul tambahan untuk pengolahan data, yaitu PRELIS
Mampu menangani data kontinu, ordinal, dan data hilang
Banyak dipakai di bidang psikologi, pendidikan, ekonomi, manajemen, dan sosiologi

2. Komponen Program LISREL

PRELIS (PRE-LISrel): modul untuk menyiapkan dan menyaring data (data screening). Fungsinya menghitung statistik deskriptif, menguji normalitas, menangani data hilang, menghitung matriks korelasi dan kovarians, serta menghitung korelasi polychoric untuk data ordinal.
SIMPLIS: bahasa perintah sederhana yang ditulis dengan kalimat mirip bahasa Inggris. Paling ramah untuk pemula.
LISREL Syntax: bahasa perintah berbasis matriks dan huruf Yunani. Lebih fleksibel, tetapi lebih sulit dipelajari.
Path Diagram: fitur untuk menampilkan hasil dalam bentuk diagram jalur. Diagram juga bisa dipakai untuk melihat nilai estimasi, nilai t, dan modification indices.
Modul lain: analisis multilevel, generalized linear model, dan survei kompleks.

3. Jenis File di LISREL

.lsf: file data LISREL
.pr2: file perintah PRELIS
.spl: file perintah SIMPLIS
.ls8: file perintah LISREL (syntax matriks)
.pth: file diagram jalur
.out: file hasil (output)
.cov, .cm, .km, .acm: file matriks (kovarians, korelasi, dan asymptotic covariance matrix)

4. Mengenal Tampilan LISREL

Menu utama:

File: membuka, membuat, mengimpor data, dan menyimpan proyek
Edit: menyalin dan mengubah isi
View: mengatur tampilan
Data: mengatur data (misalnya Define Variables, Insert Variable, Sort Cases)
Transformation: mengubah variabel (misalnya Recode, Compute)
Statistics: analisis dan penyaringan data
Graphs: grafik
Multilevel, Survey GLIM: analisis lanjutan
Window dan Help: pengaturan jendela dan bantuan

Ikon yang sering dipakai:

Ikon L (Run LISREL): menjalankan analisis model
Ikon P (Run PRELIS): menjalankan perintah PRELIS
Ikon diagram jalur: membuka tampilan diagram jalur setelah analisis berhasil

4a. Simbol dan Istilah Khas LISREL

LISREL memakai huruf Yunani untuk menamai bagian-bagian model:

Variabel:

ξ (ksi): variabel laten eksogen (variabel bebas)
η (eta): variabel laten endogen (variabel terikat)
ζ (zeta): disturbance, bagian variabel endogen yang tidak dijelaskan model
x: indikator dari ξ
y: indikator dari η
δ (delta): error dari indikator x
ε (epsilon): error dari indikator y

Matriks parameter:

Lambda-X (Λx): faktor loading indikator x terhadap ξ
Lambda-Y (Λy): faktor loading indikator y terhadap η
Gamma (Γ): pengaruh variabel eksogen (ξ) terhadap endogen (η)
Beta (B): pengaruh antarvariabel endogen (η terhadap η)
Phi (Φ): kovarians atau korelasi antarvariabel ξ
Psi (Ψ): kovarians antar-disturbance (ζ)
Theta-Delta (Θδ): varians dan kovarians error δ
Theta-Epsilon (Θε): varians dan kovarians error ε

Tiga persamaan dasar LISREL:

Model struktural: η = Bη + Γξ + ζ
Model pengukuran untuk X: x = Λx ξ + δ
Model pengukuran untuk Y: y = Λy η + ε

Untuk pemula yang memakai SIMPLIS, simbol-simbol ini tidak perlu dihafal. Namun istilahnya akan muncul di hasil output, jadi penting untuk dikenali.

5. Jenis Analisis di LISREL

Confirmatory Factor Analysis (CFA): menguji apakah indikator mengukur konstruk dengan baik.
Path Analysis: analisis jalur untuk variabel teramati.
Full SEM: gabungan model pengukuran dan model struktural.
Analisis Mediasi: melihat pengaruh tidak langsung lewat variabel perantara.
Analisis Multigrup: membandingkan model antarkelompok dan menguji invariansi pengukuran.
Latent Growth Curve Model: menganalisis perubahan dari waktu ke waktu.
Model dengan Struktur Rata-rata (Mean Structures).
Analisis Multilevel: untuk data bertingkat, misalnya siswa dalam kelas.
Analisis Faktor Eksploratori dan analisis data lain di PRELIS.

6. Metode Estimasi

Maximum Likelihood (ML): bawaan dan paling umum, mengasumsikan data berdistribusi normal.
Generalized Least Squares (GLS): alternatif untuk sampel besar.
Unweighted Least Squares (ULS): tidak mensyaratkan normalitas.
Two-Stage Least Squares (TSLS) dan Instrumental Variables (IV): dipakai untuk nilai awal dan model tertentu.
Weighted Least Squares (WLS/ADF): untuk data tidak normal, tetapi butuh sampel sangat besar.
Diagonally Weighted Least Squares (DWLS): cocok untuk data ordinal (misalnya skala Likert), biasanya memakai korelasi polychoric.
Robust Maximum Likelihood: ML yang dikoreksi untuk data tidak normal, menghasilkan Satorra-Bentler Scaled Chi-Square. Butuh asymptotic covariance matrix dari PRELIS.

Untuk data kuesioner biasa yang cukup normal, Maximum Likelihood sudah cukup.

7. Syarat dan Asumsi

Ukuran sampel: umumnya minimal 100 sampai 200 responden. Aturan praktis lain: 5 sampai 10 responden per indikator. LISREL juga menampilkan Critical N (CN). Nilai CN ≥ 200 menandakan sampel memadai.
Skala data: variabel kontinu, atau Likert dengan minimal 5 poin yang diperlakukan sebagai kontinu. Jika dianggap ordinal, pakai korelasi polychoric.
Normalitas: diuji di PRELIS lewat nilai skewness, kurtosis, dan uji normalitas univariat dan multivariat. Jika data tidak normal, pakai Robust ML atau WLS/DWLS.
Outlier: diperiksa dari statistik deskriptif, grafik, dan jarak Mahalanobis.
Multikolinearitas: korelasi antarvariabel jangan terlalu tinggi (di atas 0,85 perlu dicurigai).
Data hilang: bisa ditangani lewat listwise deletion, pairwise deletion, imputasi, atau FIML (Full Information Maximum Likelihood).
Identifikasi model: jumlah parameter yang diestimasi tidak boleh melebihi jumlah informasi data (df ≥ 0).

8. Langkah Kerja Dasar (dengan SIMPLIS)

Siapkan data di Excel atau SPSS. Pastikan hanya berisi angka dan tidak ada sel kosong yang bermasalah. Nama variabel sebaiknya singkat, maksimal 8 karakter, tanpa spasi.
Impor data ke LISREL: pilih File → Import Data, lalu pilih file Excel (.xls/.xlsx), SPSS (.sav), atau teks. Setelah itu simpan sebagai file .lsf.
Tentukan tipe variabel: buka Data → Define Variables untuk mengatur tipe (kontinu atau ordinal) dan kode data hilang.
Saring data di PRELIS: buka Statistics → Output Options untuk memilih keluaran (misalnya Moment matrix: Covariance), simpan matriks ke file, lalu jalankan dengan ikon P. Uji normalitas lewat Statistics → Univariate/Multivariate Data Screening → Test of Normality.
Buat proyek SIMPLIS: pilih File → New → SIMPLIS Project, lalu isi kotak dialog Setup (judul, kelompok, variabel, dan hubungan antarvariabel). Atau tulis langsung perintahnya di file .spl.
Jalankan dengan klik ikon L (Run LISREL).
Lihat hasil di file output (.out) dan di diagram jalur.
Evaluasi model, lalu perbaiki jika perlu.

9. Contoh Perintah SIMPLIS

Model sederhana: Kualitas Layanan memengaruhi Kepuasan.

Title: Pengaruh Kualitas terhadap Kepuasan
Observed Variables: X1 X2 X3 Y1 Y2 Y3
Raw Data from File data.psf
Latent Variables: Kualitas Kepuasan
Relationships:
X1 X2 X3 = Kualitas
Y1 Y2 Y3 = Kepuasan
Kepuasan = Kualitas
Options: SC SS
Path Diagram
End of Problem

Penjelasan baris demi baris:

Title: judul analisis
Observed Variables: daftar indikator
Raw Data from File atau Covariance Matrix from File: sumber data (data mentah atau matriks)
Latent Variables: nama variabel laten
Relationships: hubungan antarvariabel. Baris X1 X2 X3 = Kualitas berarti indikator X1 sampai X3 mengukur variabel laten Kualitas. Baris Kepuasan = Kualitas berarti Kualitas memengaruhi Kepuasan.
Options: opsi tambahan. Misalnya SC meminta Completely Standardized Solution dan SS meminta Standardized Solution.
Path Diagram: meminta LISREL menggambar diagram jalur
End of Problem: penutup perintah

Opsi lain yang sering dipakai pada SIMPLIS:

Sample Size: 200 jika memakai input matriks
Method of Estimation: Maximum Likelihood
Let the Errors of X1 and X2 Correlate untuk mengkorelasikan error
Set the Error Variance of X1 to 0.1 untuk menetapkan nilai parameter
Set the Path from Kualitas to X1 Free untuk membebaskan jalur

10. Ukuran Kecocokan Model (Goodness of Fit)

LISREL menampilkan ukuran fit pada bagian Goodness of Fit Statistics. Pedoman umumnya:

Absolute Fit

Chi-Square dan P-Value: model baik jika p > 0,05. Sangat sensitif terhadap jumlah sampel, jadi jangan dijadikan satu-satunya ukuran.
RMSEA: ≤ 0,08 dapat diterima, ≤ 0,05 sangat baik.
P-Value for Test of Close Fit (RMSEA < 0,05): sebaiknya > 0,05.
Confidence Interval RMSEA: dilaporkan beserta nilai RMSEA.
SRMR (Standardized RMR): ≤ 0,05 baik, sampai 0,08 masih diterima.
GFI: ≥ 0,90 baik.

Incremental Fit

NFI, NNFI (TLI), CFI, IFI, RFI: ≥ 0,90 dapat diterima, ≥ 0,95 sangat baik.
AGFI: ≥ 0,90 baik.

Parsimony Fit dan Perbandingan Model

Normed Chi-Square (Chi-Square/df): ≤ 2 sangat baik, ≤ 3 baik.
AIC, CAIC, dan ECVI: untuk membandingkan model. Nilai lebih kecil menandakan model lebih baik.

Ukuran kecukupan sampel

Critical N (CN): ≥ 200 menandakan sampel memadai.

Tidak semua ukuran harus terpenuhi. Umumnya peneliti melaporkan beberapa ukuran dari kelompok berbeda (misalnya Chi-Square/df, RMSEA, SRMR, CFI, dan NNFI). Batas nilai di atas adalah pedoman umum yang dipakai banyak peneliti, dan ada literatur yang memakai batas sedikit berbeda.

11. Cara Membaca Hasil Output

A. Measurement Equations (persamaan pengukuran)

Menampilkan faktor loading tiap indikator, beserta standard error, nilai t, dan R².
Jika nilai t ≥ 1,96 (nilai mutlak), loading signifikan pada taraf 5%.

B. Structural Equations (persamaan struktural)

Menampilkan koefisien pengaruh antarvariabel laten (Γ dan B), standard error, nilai t, dan R².
Hipotesis diterima jika |t| ≥ 1,96.

C. Reduced Form Equations

Menunjukkan hubungan total antara variabel eksogen dan endogen.

D. Variances/Covariances

Varians dan kovarians variabel laten serta error. Varians error tidak boleh negatif.

E. Squared Multiple Correlations (R²)

Persentase varians indikator atau variabel endogen yang dijelaskan model.

F. Goodness of Fit Statistics

Berisi seluruh ukuran kecocokan (lihat bagian 10).

G. Modification Indices and Expected Change

Saran perbaikan model. Nilai ≥ 3,84 (batas Chi-Square dengan df 1 pada taraf 5%) menandakan perubahan tersebut bisa menurunkan Chi-Square secara signifikan. Terapkan hanya jika masuk akal secara teori.

H. Standardized Solution dan Completely Standardized Solution

Koefisien terstandar. Dipakai untuk membandingkan kekuatan pengaruh dan sebagai faktor loading standar pada CFA.

I. Total and Indirect Effects

Efek langsung, tidak langsung, dan total beserta nilai t. Dipakai untuk analisis mediasi.

J. Path Diagram (diagram jalur)

Bisa ditampilkan dalam beberapa mode: Estimates (nilai estimasi), Standardized Solution (nilai terstandar), t-values (nilai t), dan Modification Indices.
Pada mode t-values, jalur yang tidak signifikan (|t| < 1,96) biasanya ditandai dengan warna merah. Ini cara cepat untuk melihat jalur yang bermasalah.

12. Uji Validitas dan Reliabilitas pada CFA

Validitas konvergen:

Faktor loading standar ≥ 0,5, idealnya ≥ 0,7
Nilai t loading ≥ 1,96
Average Variance Extracted (AVE) ≥ 0,5

Reliabilitas:

Construct Reliability (CR) ≥ 0,7
Cronbach's Alpha ≥ 0,7 (biasanya diuji di SPSS)

Validitas diskriminan:

Akar AVE tiap konstruk lebih besar dari korelasinya dengan konstruk lain (kriteria Fornell-Larcker)
Korelasi antarkonstruk tidak terlalu tinggi

Rumus manual:

AVE = jumlah kuadrat loading standar dibagi jumlah indikator
CR = (jumlah loading standar)² dibagi [(jumlah loading standar)² ditambah jumlah varians error]

LISREL tidak menampilkan AVE dan CR secara langsung, jadi biasanya dihitung manual di Excel dari nilai Completely Standardized Solution.

13. Analisis Mediasi di LISREL

Gambar atau tulis model dengan jalur X → M, M → Y, dan X → Y.
Jalankan analisis.
Lihat bagian Total and Indirect Effects.
Periksa nilai t pada efek tidak langsung. Jika |t| ≥ 1,96, efek tidak langsung signifikan, sehingga mediasi terjadi.

Cara menafsirkan:

Mediasi penuh: efek langsung X → Y tidak signifikan, tetapi efek tidak langsung signifikan.
Mediasi parsial: efek langsung dan tidak langsung sama-sama signifikan.

Catatan: pengujian mediasi di LISREL umumnya memakai pendekatan nilai t dari standard error hasil estimasi, tidak sepraktis bootstrap seperti di AMOS. Banyak peneliti juga melengkapinya dengan uji Sobel atau perhitungan bootstrap terpisah.

14. Contoh Kasus Sederhana

Judul: pengaruh literasi keuangan terhadap keputusan menabung melalui sikap keuangan.

Variabel eksogen laten: Literasi Keuangan (4 indikator)
Variabel mediasi laten: Sikap Keuangan (3 indikator)
Variabel endogen laten: Keputusan Menabung (3 indikator)

Langkah analisis:

Impor data kuesioner dan simpan sebagai .lsf.
Saring data di PRELIS dan periksa normalitas.
Lakukan CFA untuk tiap konstruk. Buang indikator dengan loading standar < 0,5 secara bertahap.
Hitung AVE dan CR di Excel.
Susun model struktural penuh di SIMPLIS, lalu jalankan.
Periksa kecocokan model.
Lihat Structural Equations: jalur dengan |t| ≥ 1,96 berarti hipotesis diterima.
Lihat Total and Indirect Effects untuk menguji mediasi.
Tulis hasil dan sertakan diagram jalur (mode Standardized Solution atau t-values).

15. Kesalahan Umum dan Cara Mengatasinya

Nama variabel terlalu panjang atau mengandung spasi: LISREL membatasi panjang nama variabel (sebaiknya 8 karakter) dan tidak menerima spasi. Ganti nama di file data.
Matriks tidak positive definite: ada variabel yang berkorelasi terlalu tinggi, data hilang menumpuk, atau sampel terlalu kecil. Periksa korelasi dan hapus indikator yang tumpang tindih.
Model tidak teridentifikasi (not identified): jumlah parameter terlalu banyak. Sederhanakan model atau tetapkan salah satu loading tiap variabel laten menjadi 1.
Varians error negatif (Heywood case) atau loading standar di atas 1: biasanya karena sampel kecil atau indikator terlalu sedikit. Periksa data dan model.
Iterasi tidak konvergen: tambahkan jumlah iterasi pada opsi, atau periksa model yang terlalu rumit.
Nilai t tidak muncul: pastikan opsi keluaran hasil sudah dipilih dan tidak ada parameter yang dibatasi tetap (fixed).
Data tidak terbaca: pastikan data berformat angka, kode data hilang sudah ditentukan, dan file tidak sedang dibuka di program lain.
Jalur berwarna merah di diagram: artinya jalur tidak signifikan, bukan error program.
Versi Student: jika variabel melebihi batas, program akan menolak. Kurangi jumlah variabel atau pakai versi penuh.

16. Kelebihan dan Kekurangan LISREL

Kelebihan:

Pelopor SEM, sehingga sangat banyak dipakai sebagai rujukan di jurnal
Sangat fleksibel dan kuat untuk model rumit
PRELIS memudahkan penyaringan data dan penanganan data ordinal
Mendukung banyak metode estimasi, termasuk untuk data tidak normal
Menyediakan ukuran fit yang lengkap
Ada Student Edition gratis untuk belajar

Kekurangan:

Berbayar (versi penuh) dan hanya untuk Windows
Bahasa syntax matriks sulit bagi pemula, meski SIMPLIS lebih mudah
Tampilan kurang modern dibanding AMOS
Membuat model langsung dengan gambar tidak seintuitif AMOS
Bootstrap dan mediasi tidak sepraktis software lain
Menuntut sampel yang cukup besar, seperti CB-SEM pada umumnya

17. Perbandingan Singkat dengan Software SEM Lain

LISREL dan AMOS: keduanya CB-SEM. AMOS lebih mudah karena berbasis gambar dan terintegrasi dengan SPSS, sedangkan LISREL lebih fleksibel dan lebih kuat untuk model dan data yang rumit.
LISREL dan SmartPLS: LISREL memakai CB-SEM yang menuntut sampel besar dan normalitas, sedangkan SmartPLS memakai PLS-SEM yang lebih longgar untuk sampel kecil.
LISREL dan Mplus: Mplus lebih lengkap untuk model sangat kompleks (misalnya data kategorik, mixture model), tetapi juga berbayar.
LISREL dan lavaan (R): lavaan gratis dan fleksibel, tetapi butuh kemampuan menulis kode R.
LISREL dan JASP: JASP gratis dan mudah untuk model sederhana, sedangkan LISREL lebih lengkap untuk analisis lanjutan.

18. Tips Memakai LISREL

Mulailah dengan SIMPLIS, bukan syntax matriks, kecuali butuh model yang sangat khusus.
Selalu saring data di PRELIS terlebih dahulu.
Pakai nama variabel yang pendek dan tanpa spasi.
Lakukan CFA sebelum model struktural penuh.
Buang indikator berloading rendah satu per satu.
Dasarkan semua jalur pada teori, bukan hanya pada hasil modification indices.
Laporkan beberapa ukuran fit dari kelompok yang berbeda.
Simpan setiap versi model dengan nama file yang berbeda agar mudah dibandingkan.
Jika data tidak normal, pakai Robust ML atau DWLS, bukan ML biasa.

Cari Blog Ini

Shakinah Binti Al - Azahro