PANDUAN TEKNIS OLAH DATA STATISTIK

allright reserved, Yayak Heriyanto, Maret 2023 1

allright reserved, Yayak Heriyanto, Maret 2023 1 PENDAHULUAN Bismillahirrohmanirrohiem., Saya dengan bangga mempersembahkan buku panduan teknis olah data statistik ini, yang merupakan hasil dari upaya keras dan kerja sama dari tim penulis yang berdedikasi. Buku ini dirancang khusus untuk membantu mahasiswa dan umum dalam melakukan olah data kuantitatif menggunakan tools statistik populer seperti SPSS, Lisrel, EVIEWS, dan SEM. Buku ini akan membantu pembaca dalam memahami konsep-konsep statistik yang mendasar dan memberikan panduan langkah-demilangkah tentang bagaimana menggunakan alat-alat statistik ini secara efektif. Setiap bab dilengkapi dengan contoh kasus yang relevan dan latihan yang akan membantu pembaca dalam mempraktikkan keterampilan olah data mereka. Saya ingin mengucapkan terima kasih kepada semua pihak yang telah berkontribusi dalam pembuatan buku ini. Kepada para penulis, editor, penerbit, dan semua individu yang telah memberikan dukungan, semangat, dan masukan yang berharga, saya ucapkan terima kasih yang sebesar-besarnya. Semoga buku ini dapat memberikan manfaat dan menjadi panduan yang berguna bagi pembaca dalam mengembangkan keterampilan olah data mereka. Terima kasih telah membaca kata pengantar ini, dan semoga sukses selalu menyertai kita semua. Jakarta, 17 April 2023 Yayak Heriyanto

allright reserved, Yayak Heriyanto, Maret 2023 2 DAFTAR ISI BAB 1 SPSS (Statistical Package For The Social Sciences) A. Pengertian SPSS 1 B. Tahapan Memahami SPSS 1 C. Pengertian Variabel 2 D. Pengukuran Sentral, Deviasi, dan Korelasi 3 E. Cara Impor Data Ke SPSS 4 F. Mengatur Variabel 5 G. Mengatur Analisis Deskriptif 5 H. Grafik dan Fisualisasi Dalam SPSS 6 I. Teknik Analisis Statistik Menggunakan SPSS 6 1. Analisis Faktor 6 2. Analisis Klaster 7 3. Analisis Regresi 8 4. Uji Hipotesis 9 5. Analisis Multivatiat 10 6. Analisis Survival 10 BAB II EVIEWS (ECONOMETRIC VIEWS) A. Pengertian Eviews 12 B. Tahapan Memahami Eviews 12 C. Penyiapan Data 14 D. Membuat Data Series 14 E. Analisis Deskriptif 15 F. Analisis Regresi 16 G. Interpretasi Hasil 16 BAB III LISREL (Linear Structural Relations) A. Pengertian Lisrel 18 B. Tahapan Memahami Lisrel 18 C. Konsep Dasar Lisrel 19 1. Model Pengukuran 19 2. Model Struktural 20 3. Estimasi Parameter 21 4. Uji Hipotesis 22 D. Memahami Struktur Model 23 1. Mengatur Struktur Model 24 2. Variabel Laten dan Manifest 25 3. Konstruk 26 4. Indikator 27 5. Hubungan Antar Variabel 27 E. Estimasi Parameter 28 F. Interpretasi Hasil 29 G. Menguji Kecocokan Model 30 H. Analisis Sensitifiatas 31

allright reserved, Yayak Heriyanto, Maret 2023 3 BAB IV SEM (Structural Equation Modeling) A. Pengertian SEM 32 B. Tahapan Memahami SEM 32 C. Dasar Teori SEM 33 D. Menentukan Tujuan Penelitian 34 E. Menentukan Variabel dalam Membangun Model 34 F. Teknik Analisis SEM 35 1. MLE (Maximum Likelihood Estimation) 35 2. WLS (Weighted Least Squares) 36 3. PLS (Partial Least Squares) 37 G. Evaluasi Kualitas Model 37 H. Uji Reliabilitas 38 I. Menguji Hipotesis 38 Bibliografi

allright reserved, Yayak Heriyanto, Maret 2023 1 SPSS (Statistical Package for the Social Sciences) A. PENGERTIAN SPSS SPSS (Statistical Package for the Social Sciences) adalah perangkat lunak statistik yang digunakan untuk melakukan analisis data dan penelitian di berbagai bidang, termasuk ilmu sosial, bisnis, kesehatan, dan pendidikan. SPSS memiliki fitur untuk mengimpor data dari berbagai sumber, melakukan analisis statistik deskriptif dan inferensial, serta membuat laporan dan visualisasi data. Dalam melakukan analisis data, SPSS dapat digunakan untuk melakukan uji hipotesis, analisis regresi, analisis faktor, analisis klaster, analisis multivariat, dan analisis survival. SPSS juga dapat digunakan untuk menghasilkan grafik dan visualisasi data yang dapat membantu dalam memahami dan menyajikan hasil analisis secara lebih efektif. Fungsi utama SPSS adalah membantu pengguna dalam mengolah data dan menjawab pertanyaan penelitian yang berkaitan dengan data tersebut. Dengan menggunakan SPSS, pengguna dapat memperoleh pemahaman yang lebih baik tentang pola dan hubungan dalam data, serta dapat memvalidasi atau menguji hipotesis penelitian mereka. SPSS juga dapat membantu dalam menghasilkan laporan dan presentasi yang mudah dipahami dan profesional. B. TAHAPAN UNTUK MEMAHAMI SPSS Berikut adalah beberapa tahapan yang dapat membantu seseorang untuk memahami SPSS secara berurutan: 1. Memahami konsep dasar statistik: Sebelum memulai penggunaan SPSS, seseorang harus memiliki pemahaman dasar tentang statistik, seperti pengertian variabel, jenis-jenis variabel, pengukuran sentral, deviasi, dan korelasi. Memiliki pemahaman yang kuat tentang konsep dasar ini akan membantu seseorang untuk mengerti hasil analisis yang dihasilkan oleh SPSS. 2. Memahami konsep dasar SPSS: Setelah memahami konsep dasar statistik, langkah selanjutnya adalah mempelajari tentang fitur dan antarmuka pengguna SPSS. Hal ini mencakup cara mengimpor data ke SPSS, mengatur variabel, melakukan analisis deskriptif, dan menghasilkan grafik dan visualisasi.

allright reserved, Yayak Heriyanto, Maret 2023 2 3. Mempelajari teknik analisis statistik dengan SPSS: Setelah memahami konsep dasar SPSS, seseorang dapat mulai mempelajari teknik analisis statistik dengan menggunakan SPSS. Beberapa teknik analisis statistik yang umum digunakan dalam SPSS adalah uji hipotesis, analisis regresi, analisis faktor, analisis klaster, analisis multivariat, dan analisis survival. 4. Praktek: Praktek adalah kunci untuk memahami SPSS dengan baik. Seseorang harus mencoba menerapkan teknik-teknik analisis yang telah dipelajari dengan menggunakan data yang relevan. Dengan berlatih dan memperhatikan hasil analisis yang dihasilkan, seseorang akan lebih memahami cara kerja SPSS dan bagaimana menerapkan teknik analisis yang tepat. 5. Menafsirkan hasil analisis: Setelah melakukan analisis, langkah terakhir adalah menafsirkan hasil analisis tersebut. Ini melibatkan melihat output SPSS dan memahami apa yang ditunjukkan oleh angka dan grafik yang dihasilkan. Seseorang harus bisa menjelaskan hasil analisis tersebut dengan jelas dan menarik kesimpulan yang tepat dari hasil analisis tersebut. Dalam memahami SPSS, konsistensi dan latihan teratur sangat penting. Terus berlatih, berdiskusi dengan rekan, dan menggunakan referensi yang tepat dapat membantu seseorang memahami SPSS dengan lebih baik. C. PENGERTIAN VARIABEL Variabel merupakan suatu konsep atau karakteristik yang dapat memiliki nilai atau ukuran yang berbeda di antara individu atau objek yang dianalisis. Dalam konteks analisis data dan statistik, variabel sering digunakan untuk mengukur atau merepresentasikan suatu fenomena atau konsep tertentu. Variabel dapat dibagi menjadi dua kategori, yaitu variabel independen dan variabel dependen. Variabel independen adalah variabel yang dapat mempengaruhi atau memprediksi variabel dependen. Variabel independen juga dikenal sebagai variabel prediktor atau variabel eksplanatori. Misalnya, dalam penelitian tentang faktor-faktor yang mempengaruhi kinerja karyawan, variabel independen dapat mencakup pendidikan, pengalaman kerja, dan motivasi kerja. Variabel dependen, di sisi lain, adalah variabel yang dipengaruhi oleh variabel independen. Variabel dependen juga dikenal sebagai variabel respons atau variabel terikat. Misalnya, dalam penelitian tentang faktor-faktor yang mempengaruhi kinerja karyawan, variabel dependen dapat mencakup evaluasi kinerja karyawan atau jumlah penjualan yang dicapai.

allright reserved, Yayak Heriyanto, Maret 2023 3 Variabel juga dapat dibagi menjadi dua jenis, yaitu variabel kualitatif dan variabel kuantitatif. Variabel kualitatif, juga dikenal sebagai variabel kategorikal, menggambarkan kategori atau kualitas yang dapat diukur dalam bentuk kualitatif atau non-angka. Contohnya termasuk jenis kelamin, jenis pekerjaan, agama, atau status pernikahan. Variabel kuantitatif, di sisi lain, dapat diukur dalam bentuk angka atau numerik. Variabel kuantitatif dapat dibagi lagi menjadi dua kategori, yaitu variabel diskrit dan variabel kontinu. Variabel diskrit menggambarkan angka atau bilangan bulat, sedangkan variabel kontinu menggambarkan angka dengan bilangan desimal atau pecahan. Contohnya termasuk usia, gaji, tinggi badan, atau berat badan. Variabel sangat penting dalam analisis data dan penelitian, karena mereka memungkinkan kita untuk mengukur dan memahami fenomena atau konsep tertentu secara sistematis. Dengan memahami jenis-jenis variabel dan bagaimana mereka dapat digunakan dalam penelitian dan analisis data, seseorang dapat mengembangkan pertanyaan penelitian yang tepat, merancang studi yang valid, dan melakukan analisis statistik yang tepat. D. PENGUKURAN SENTRAL, DEVIASI DAN KORELASI Dalam statistik, pengukuran sentral, deviasi, dan korelasi adalah tiga konsep dasar yang digunakan untuk menganalisis data. Berikut penjelasan singkat untuk masing-masing konsep tersebut: 1. Pengukuran Sentral Pengukuran sentral merupakan konsep statistik yang digunakan untuk menunjukkan titik pusat atau nilai yang mewakili suatu kumpulan data. Terdapat tiga ukuran sentral yang sering digunakan dalam statistik, yaitu mean, median, dan modus. • Mean (rata-rata) adalah jumlah dari semua data dibagi dengan jumlah data. Mean memberikan gambaran tentang nilai rata-rata data dalam satu kumpulan. • Median adalah nilai tengah yang membagi data menjadi dua bagian yang sama. Median lebih tahan terhadap pencilan atau nilai yang sangat ekstrem. • Modus adalah nilai yang paling sering muncul dalam suatu kumpulan data. 2. Deviasi Deviasi adalah ukuran seberapa jauh titik data dari nilai rata-rata atau titik sentral lainnya. Terdapat dua jenis deviasi, yaitu deviasi individu dan deviasi rata-rata. Deviasi individu adalah selisih antara setiap titik data dengan nilai rata-rata, sementara deviasi rata-rata adalah jumlah selisih kuadrat antara setiap titik data dan nilai rata-rata, dibagi dengan jumlah data. 3. Korelasi Korelasi adalah pengukuran hubungan antara dua variabel. Korelasi dapat dinyatakan dalam skala antara -1 hingga 1. Korelasi yang positif (0 hingga 1) menunjukkan hubungan positif antara dua variabel, di mana kenaikan nilai satu variabel diikuti oleh kenaikan nilai variabel lainnya. Korelasi yang negatif (-1 hingga 0) menunjukkan hubungan negatif, di mana kenaikan nilai satu variabel diikuti oleh penurunan nilai

allright reserved, Yayak Heriyanto, Maret 2023 4 variabel lainnya. Korelasi yang nol menunjukkan tidak adanya hubungan antara dua variabel. Dalam statistik, pengukuran sentral, deviasi, dan korelasi adalah konsep dasar yang digunakan untuk menganalisis data dan memberikan informasi tentang hubungan antar variabel. Dalam praktiknya, ketiga konsep tersebut seringkali digunakan bersama-sama untuk memberikan pemahaman yang lebih lengkap tentang kumpulan data yang sedang dianalisis. E. CARA IMPOR DATA KE SPSS Berikut adalah langkah-langkah detail untuk mengimpor data ke SPSS: 1. Buka program IBM SPSS Statistics dan buat file baru dengan mengklik "File" dan kemudian "New" di menu utama. 2. Setelah itu, akan muncul dialog box "New Data Editor". Berikan nama file baru dan lokasi penyimpanan file. Pastikan bahwa "Data" terpilih sebagai tipe file, lalu klik "OK". 3. Setelah itu, klik "File" di menu utama dan pilih "Open" untuk membuka dialog box "Open Data". Pilih jenis file yang ingin diimpor, misalnya Excel atau CSV. 4. Setelah itu, pilih file yang ingin diimpor dan klik "Open". Kemudian muncul dialog box "Text Import Wizard". Jika data yang akan diimpor adalah file Excel, akan muncul dialog box "Excel Import Wizard". 5. Di dalam "Text Import Wizard", pilih opsi yang sesuai untuk mengatur format data, seperti pemisah kolom dan tipe data untuk setiap variabel. Setelah memilih opsi yang diinginkan, klik "Next". 6. Pada halaman berikutnya, pastikan pengaturan format data sudah benar dan data ditampilkan dengan benar. Jika tidak, pilih opsi yang benar dan klik "Next" lagi. 7. Halaman selanjutnya memungkinkan pengguna untuk memberi label pada variabel dan mengatur tipe data dan format. Setelah menentukan pengaturan yang diinginkan, klik "Next". 8. Halaman terakhir dari "Text Import Wizard" memungkinkan pengguna untuk mengatur informasi tambahan seperti variabel index dan header. Setelah memilih opsi yang diinginkan, klik "Finish" untuk menyelesaikan proses impor data. 9. Setelah data diimpor, tampilan data akan muncul di jendela editor SPSS. Pastikan bahwa data yang diimpor sudah benar dan sesuai dengan harapan. Jika tidak, edit data yang salah dan simpan ulang. Dengan mengikuti langkah-langkah di atas, pengguna dapat mengimpor data ke dalam SPSS untuk dianalisis lebih lanjut. Penting untuk memastikan bahwa data diimpor dengan benar dan sesuai dengan harapan, sehingga analisis data yang dilakukan dapat menghasilkan hasil yang akurat.

allright reserved, Yayak Heriyanto, Maret 2023 5 F. MENGATUR VARIABEL Berikut cara mengatur variabel dalam SPSS: 1. Buka file data yang ingin diatur variabelnya dalam SPSS. 2. Klik tab "Variable View" di bagian bawah layar untuk membuka tampilan variabel. 3. Di dalam tampilan variabel, ada kolom yang berisi informasi tentang variabel, seperti nama variabel, jenis data, tipe format, label, nilai-nilai yang diijinkan, dan lain-lain. 4. Untuk menambahkan variabel baru, klik baris kosong di bagian bawah tampilan variabel dan masukkan informasi tentang variabel baru, seperti nama, jenis data, dan tipe format. 5. Untuk menghapus variabel, pilih baris variabel yang ingin dihapus dan klik tombol "Delete" atau tekan tombol "Delete" di keyboard. 6. Untuk mengedit informasi variabel, klik pada baris variabel yang ingin diedit dan masukkan informasi yang diperlukan. 7. Untuk mengatur properti variabel seperti label dan nilai-nilai yang diijinkan, klik pada baris variabel dan masukkan informasi yang diperlukan di bagian "Properties" di bawah tampilan variabel. 8. Setelah selesai mengatur variabel, simpan perubahan dengan menekan tombol "Ctrl + S" atau dengan mengklik "File" di menu utama dan kemudian memilih "Save". Dengan mengikuti langkah-langkah di atas, pengguna dapat dengan mudah mengatur variabel dalam SPSS. Hal ini memungkinkan pengguna untuk memeriksa variabel dan memastikan bahwa data yang dianalisis sesuai dengan kebutuhan dan tujuan analisis. G. MELAKUKAN ANALISIS DESKRIPTIF 1. Buka file data yang ingin dianalisis dengan SPSS. 2. Pilih menu "Analyze" di bagian atas layar dan pilih "Descriptive Statistics". 3. Pilih "Descriptives" dari opsi analisis yang tersedia. 4. Pindahkan variabel yang ingin dianalisis dari kotak "Variables" ke kotak "Variable(s)" dengan mengklik tombol panah. 5. Setel opsi "Options" sesuai kebutuhan Anda. Anda dapat memilih untuk menghitung berbagai statistik deskriptif seperti mean, median, modus, standar deviasi, kuartil, minimum, dan maksimum. 6. Klik "OK" untuk mengeksekusi analisis. 7. Output akan muncul di bagian bawah layar. Output ini akan berisi ringkasan statistik untuk setiap variabel yang dianalisis. Anda juga akan melihat tabel yang berisi statistik deskriptif seperti mean, median, modus, standar deviasi, kuartil, minimum, dan maksimum. 8. Anda dapat mengekspor output ke file atau mengeditnya menggunakan fasilitas copy-paste pada SPSS. Dengan mengikuti langkah-langkah di atas, pengguna dapat dengan mudah melakukan analisis deskriptif dalam SPSS. Hal ini memungkinkan pengguna

allright reserved, Yayak Heriyanto, Maret 2023 6 untuk memahami sifat dasar data mereka dan membuat kesimpulan awal tentang hasil analisis. H. GRAFIK DAN FISUALISASI DALAM SPSS Grafik dan visualisasi adalah cara yang baik untuk memahami data. Dalam SPSS, ada berbagai jenis grafik dan visualisasi yang dapat digunakan untuk menganalisis data Anda. Beberapa jenis grafik dan visualisasi yang tersedia di SPSS antara lain histogram, scatterplot, boxplot, line chart, dan bar chart. Berikut ini adalah tahapan untuk membuat grafik atau visualisasi di SPSS: 1. Buka file data yang ingin digunakan untuk membuat grafik atau visualisasi. 2. Pilih menu "Graphs" di bagian atas layar dan pilih jenis grafik atau visualisasi yang ingin dibuat. 3. Pilih variabel yang ingin digunakan untuk membuat grafik atau visualisasi dan pindahkan ke kotak yang tersedia pada jendela grafik atau visualisasi. 4. Setel opsi "Options" untuk mengubah tampilan grafik atau visualisasi. Anda dapat mengubah ukuran, warna, skala, dan label pada grafik atau visualisasi. 5. Klik "OK" untuk membuat grafik atau visualisasi. 6. Output grafik atau visualisasi akan muncul di bagian bawah layar. Anda dapat menyimpan output ke file atau mengekspor grafik atau visualisasi ke aplikasi lain. Dengan mengikuti langkah-langkah tersebut, pengguna dapat dengan mudah membuat grafik atau visualisasi di SPSS. Hal ini memungkinkan pengguna untuk memahami data dengan lebih baik dan membuat kesimpulan yang lebih akurat. I TEKNIK ANALISIS STATISTIK MENGGUNAKAN SPSS 1. ANALISIS FAKTOR Analisis faktor adalah teknik statistik multivariat yang digunakan untuk memahami hubungan antara beberapa variabel yang diukur. Analisis faktor mengidentifikasi faktor-faktor utama yang mempengaruhi korelasi antar variabel dan membantu mereduksi dimensi data dengan mempertahankan informasi yang paling penting. Dalam SPSS, analisis faktor dapat dilakukan dengan menggunakan "Factor Analysis" dari menu "Analyze". Berikut adalah tahapan analisis faktor dalam SPSS: 1. Buka data yang akan dianalisis di SPSS. 2. Pilih "Factor Analysis" dari menu "Analyze". 3. Pilih variabel-variabel yang akan dimasukkan dalam analisis faktor dan masukkan ke dalam kotak "Variables".

allright reserved, Yayak Heriyanto, Maret 2023 7 4. Atur opsi analisis faktor yang diinginkan, termasuk metode ekstraksi faktor, metode rotasi faktor, jumlah faktor yang dihasilkan, dan metode pengecekan kelayakan model. 5. Klik "OK" untuk menjalankan analisis faktor. 6. Hasil analisis faktor akan muncul di output SPSS. Output ini termasuk tabel komponen matriks korelasi, tabel komponen matriks faktor, tabel koefisien faktor, dan grafik Scree Plot. 7. Interpretasikan hasil analisis faktor dengan memperhatikan faktor-faktor utama yang dihasilkan, bobot faktor, dan jumlah varians yang dapat dijelaskan oleh faktor-faktor tersebut. Faktor-faktor ini dapat digunakan untuk memahami korelasi antar variabel dan mempertahankan informasi yang paling penting dalam data. Dalam analisis faktor, penting untuk memperhatikan kelayakan model dan memastikan bahwa hasil analisis faktor dapat diandalkan. Hal ini dapat dilakukan dengan menggunakan teknik pengecekan kelayakan model seperti tes Bartlett dan uji Keiser-Meyer-Olkin. Dengan demikian, analisis faktor dalam SPSS dapat membantu pengguna memahami korelasi antar variabel dan mereduksi dimensi data dengan mempertahankan informasi yang paling penting. 2. ANALISIS KLASTER Analisis klaster adalah teknik statistik multivariat yang digunakan untuk mengelompokkan objek-objek data berdasarkan kemiripan dalam karakteristik atau variabel yang diukur. Dalam analisis klaster, objek-objek data yang serupa dikelompokkan bersama dalam klaster yang sama. Tujuan dari analisis klaster adalah untuk memahami hubungan antar objek-objek data dalam kelompok yang dihasilkan dan mempertahankan informasi yang paling penting dari data. Dalam SPSS, analisis klaster dapat dilakukan dengan menggunakan "Cluster Analysis" dari menu "Analyze". Berikut adalah tahapan analisis klaster dalam SPSS: 1. Buka data yang akan dianalisis di SPSS. 2. Pilih "Cluster Analysis" dari menu "Analyze". 3. Pilih variabel-variabel yang akan dimasukkan dalam analisis klaster dan masukkan ke dalam kotak "Variables". 4. Tentukan jenis analisis klaster yang diinginkan, seperti metode pengukuran jarak, metode pembentukan klaster, dan jumlah klaster yang dihasilkan. 5. Atur opsi analisis klaster yang diinginkan, termasuk pengaturan skala variabel dan opsi pemrosesan data. 6. Klik "OK" untuk menjalankan analisis klaster. 7. Hasil analisis klaster akan muncul di output SPSS. Output ini termasuk diagram dendrogram, tabel centroid, dan tabel statistik klaster. 8. Interpretasikan hasil analisis klaster dengan memperhatikan kelompokkelompok yang dihasilkan, karakteristik variabel yang membedakan kelompok, dan kemiripan antar objek-objek data dalam kelompok.

allright reserved, Yayak Heriyanto, Maret 2023 8 Dalam analisis klaster, penting untuk memperhatikan kualitas klaster yang dihasilkan dan memastikan bahwa hasil analisis klaster dapat diandalkan. Hal ini dapat dilakukan dengan menggunakan teknik validasi klaster seperti tes stabilitas klaster dan uji kelompok-validitas. Dengan demikian, analisis klaster dalam SPSS dapat membantu pengguna memahami kemiripan antar objekobjek data dalam kelompok dan mempertahankan informasi yang paling penting dari data. 3. ANALISIS REGRESI Analisis regresi adalah salah satu teknik statistik yang digunakan untuk mempelajari hubungan antara satu atau beberapa variabel independen (pemikir atau prediktor) dan satu variabel dependen (hasil atau respon). Dalam analisis regresi, tujuannya adalah untuk memprediksi nilai variabel dependen berdasarkan nilai variabel independen. Dalam SPSS, analisis regresi dapat dilakukan dengan menggunakan "Regression" dari menu "Analyze". Berikut adalah tahapan analisis regresi dalam SPSS: 1. Buka data yang akan dianalisis di SPSS. 2. Pilih "Regression" dari menu "Analyze". 3. Pilih jenis analisis regresi yang diinginkan, seperti regresi linier sederhana, regresi linier berganda, atau regresi logistik. 4. Pilih variabel independen yang akan dimasukkan dalam model regresi dan masukkan ke dalam kotak "Independent(s)". 5. Pilih variabel dependen yang akan diprediksi dan masukkan ke dalam kotak "Dependent". 6. Atur opsi analisis regresi yang diinginkan, termasuk pengaturan model regresi, variabel kontrol, dan pengaturan pengujian hipotesis. 7. Klik "OK" untuk menjalankan analisis regresi. 8. Hasil analisis regresi akan muncul di output SPSS. Output ini termasuk tabel koefisien, tabel signifikansi, tabel anova, dan diagram residual. 9. Interpretasikan hasil analisis regresi dengan memperhatikan koefisien determinasi, koefisien regresi, dan nilai signifikansi. Jika hasil analisis regresi menunjukkan adanya hubungan yang signifikan antara variabel independen dan dependen, maka model regresi dapat digunakan untuk memprediksi nilai variabel dependen berdasarkan nilai variabel independen. Dalam analisis regresi, penting untuk memperhatikan kualitas model regresi dan memastikan bahwa model regresi dapat diandalkan. Hal ini dapat dilakukan dengan menggunakan teknik validasi model regresi seperti uji normalitas residual dan uji homogenitas residual. Dengan demikian, analisis regresi dalam SPSS dapat membantu pengguna memahami hubungan antar variabel dan memprediksi nilai variabel dependen berdasarkan nilai variabel independen.

allright reserved, Yayak Heriyanto, Maret 2023 9 4. UJI HIPOTESIS Uji hipotesis adalah suatu teknik yang digunakan dalam statistik inferensial untuk memutuskan apakah hipotesis tertentu tentang populasi harus diterima atau ditolak berdasarkan data sampel yang diperoleh. Dalam SPSS, uji hipotesis sering digunakan untuk menguji perbedaan antara dua atau lebih kelompok, menguji hubungan antara variabel, atau menguji kecocokan model dengan data. Terdapat beberapa tahapan yang perlu dilakukan untuk melakukan uji hipotesis dalam SPSS, yaitu: 1. Merumuskan hipotesis: Pada tahap ini, hipotesis nol (H0) dan hipotesis alternatif (H1) dirumuskan. H0 adalah hipotesis bahwa tidak ada perbedaan atau hubungan antara variabel, sedangkan H1 adalah hipotesis bahwa terdapat perbedaan atau hubungan antara variabel. 2. Menentukan jenis uji hipotesis: Setelah merumuskan hipotesis, jenis uji hipotesis yang cocok harus ditentukan berdasarkan data yang ada. Ada beberapa jenis uji hipotesis, seperti uji-t, uji F, uji chi-square, dan uji korelasi. 3. Menentukan tingkat signifikansi: Tingkat signifikansi menunjukkan seberapa besar risiko kita untuk salah menerima H0. Biasanya tingkat signifikansi yang digunakan adalah 0,05 atau 0,01. 4. Menentukan sampel: Sampel adalah data yang akan digunakan untuk menguji hipotesis. Sampel harus dipilih secara acak dan representatif agar hasil uji hipotesis dapat dipercaya. 5. Menjalankan analisis: Setelah menentukan jenis uji hipotesis, tingkat signifikansi, dan sampel, analisis dapat dijalankan pada SPSS dengan memilih menu yang sesuai. Hasil analisis akan menunjukkan nilai uji statistik dan nilai p (signifikansi). 6. Membaca hasil uji hipotesis: Hasil uji hipotesis akan menunjukkan apakah H0 dapat diterima atau ditolak berdasarkan tingkat signifikansi yang telah ditentukan sebelumnya. Jika nilai p kurang dari tingkat signifikansi, maka H0 ditolak dan H1 diterima, sedangkan jika nilai p lebih besar dari tingkat signifikansi, maka H0 diterima dan H1 ditolak. Dalam melakukan uji hipotesis, perlu diingat bahwa hasil uji hipotesis tidak selalu dapat digunakan untuk membuat kesimpulan secara mutlak. Hasil uji hipotesis hanya memberikan indikasi mengenai kemungkinan adanya perbedaan atau hubungan antara variabel, namun bukan merupakan kebenaran absolut. Oleh karena itu, diperlukan penilaian kritis dan pemahaman yang baik mengenai data dan metode yang digunakan dalam analisis.

allright reserved, Yayak Heriyanto, Maret 2023 10 5. ANALISIS MULTIVARIAT Analisis multivariat adalah teknik analisis data yang digunakan untuk menguji hubungan antara beberapa variabel secara bersamaan. Analisis multivariat melibatkan lebih dari satu variabel independen dan satu variabel dependen. SPSS menyediakan beberapa metode analisis multivariat yang dapat digunakan untuk mempelajari hubungan antara variabel-variabel ini. Beberapa jenis analisis multivariat yang tersedia di SPSS meliputi: 1. Regresi linear berganda Regresi linear berganda adalah teknik yang digunakan untuk mempelajari hubungan antara variabel dependen dan beberapa variabel independen. Regresi linear berganda dapat digunakan untuk memprediksi nilai variabel dependen berdasarkan nilai-nilai variabel independen yang diberikan. 2. Analisis faktor Analisis faktor digunakan untuk mengidentifikasi faktorfaktor yang mendasari hubungan antara sekelompok variabel. Tujuannya adalah untuk memahami struktur variabel dan mengidentifikasi faktor-faktor yang saling terkait. 3. Analisis diskriminan Analisis diskriminan digunakan untuk mempelajari perbedaan antara dua atau lebih kelompok berdasarkan beberapa variabel. Teknik ini dapat digunakan untuk memprediksi klasifikasi suatu kelompok berdasarkan variabel-variabel yang dipilih. 4. Analisis klaster Analisis klaster digunakan untuk mengelompokkan data berdasarkan kemiripan antar variabel. Teknik ini dapat digunakan untuk mengidentifikasi kelompok atau kategori dalam data yang mungkin tidak terlihat dengan jelas. Setiap teknik analisis multivariat memiliki prosedur yang berbeda dalam SPSS. Namun, langkah-langkah umum yang harus diikuti adalah menentukan variabel yang akan dianalisis, memilih jenis analisis yang akan digunakan, mengatur variabel-variabel dalam tabel data, mengeksekusi analisis, dan menafsirkan hasilnya. 6. ANALISIS SURVIVAL Analisis survival atau yang juga dikenal sebagai analisis waktu-kejadian (timeto-event analysis) adalah teknik statistik yang digunakan untuk mengestimasi waktu sampai terjadinya suatu kejadian atau peristiwa. Peristiwa tersebut bisa berupa kemunculan suatu penyakit, kematian, gagal dalam suatu percobaan, atau kejadian lainnya yang memerlukan waktu untuk terjadi. Analisis survival sangat umum digunakan dalam bidang kesehatan, ilmu sosial, keuangan, dan manajemen. SPSS menyediakan berbagai fitur untuk melakukan analisis survival, termasuk prosedur analisis survival Cox dan prosedur analisis survival Kaplan-Meier. Analisis survival Cox digunakan untuk mengidentifikasi faktorfaktor yang mempengaruhi waktu terjadinya suatu peristiwa, sementara

allright reserved, Yayak Heriyanto, Maret 2023 11 analisis survival Kaplan-Meier digunakan untuk mengestimasi fungsi survival atau probabilitas kejadian yang terkait dengan waktu. Contoh penggunaan analisis survival adalah untuk mempelajari waktu kemunculan suatu penyakit pada pasien dengan faktor risiko tertentu, seperti usia, jenis kelamin, riwayat merokok, atau riwayat keluarga. Misalnya, analisis survival dapat digunakan untuk memprediksi waktu terjadinya kematian pada pasien dengan kanker, atau untuk mempelajari waktu pemulihan dari penyakit tertentu setelah menjalani terapi tertentu. Dalam analisis survival, variabel independen dapat berupa variabel kategorikal, seperti jenis kelamin atau status perokok, atau variabel numerik seperti umur atau tingkat hemoglobin. Variabel dependen biasanya berupa waktu sampai terjadinya peristiwa atau kejadian yang diinginkan. Data waktu sering kali diolah dan dipersiapkan terlebih dahulu sebelum dianalisis menggunakan teknik survival, seperti menghitung waktu antara waktu awal dan waktu terjadinya peristiwa, atau menetapkan waktu akhir jika peristiwa belum terjadi pada akhir studi.

allright reserved, Yayak Heriyanto, Maret 2023 12 EVIEWS (ECONOMETRIC VIEWS) A. PEGERTIAN E-VIEWS EViews (Econometric Views) adalah perangkat lunak statistik dan ekonometri yang digunakan untuk menganalisis data dan membangun model ekonometrik. EViews sangat populer di kalangan ekonom dan peneliti di bidang ekonomi, keuangan, dan bisnis karena kemampuannya untuk melakukan analisis regresi, analisis seri waktu, dan analisis panel. Dalam EViews, pengguna dapat mengimpor berbagai format data, seperti Excel, CSV, dan database. EViews juga dilengkapi dengan fitur-fitur grafik yang memungkinkan pengguna untuk membuat grafik dan visualisasi data dengan mudah. Selain itu, EViews dapat digunakan untuk membangun model ekonometrik dan melakukan analisis statistik yang lebih kompleks, seperti analisis survival dan analisis spektral. Contoh penggunaan EViews adalah dalam memprediksi harga saham berdasarkan data historis harga saham, volume perdagangan, dan faktor-faktor lain yang mempengaruhi harga saham. Selain itu, EViews juga dapat digunakan untuk menganalisis data ekonomi makro, seperti inflasi, pertumbuhan ekonomi, dan tingkat pengangguran, serta melakukan simulasi kebijakan ekonomi. B. TAHAPAN UNTUK MEMAHAMI EVIEWS Berikut adalah tahapan awal yang harus dipahami dalam menggunakan EViews: 1. Pengenalan antarmuka pengguna: Pelajari antarmuka pengguna EViews yang mencakup menu, toolbar, dan jendela kerja utama. Pastikan untuk memahami bagaimana membuka file, menyimpan file, dan menavigasi di antarmuka. 2. Impor data: EViews dapat mengimpor berbagai jenis file, seperti Excel, CSV, dan database. Pelajari cara mengimpor data ke dalam EViews dan memahami format data yang didukung. 3. Penyiapan data: Pastikan data yang diimpor telah teratur dan bersih. Hal ini meliputi pemeriksaan konsistensi data, penghapusan data yang hilang atau tidak lengkap, dan transformasi data jika diperlukan. 4. Membuat data series: Membuat data series adalah salah satu tugas penting dalam EViews. Data series adalah waktu pengamatan dari suatu variabel, seperti harga saham atau tingkat pengangguran. Pelajari cara membuat data series di EViews dan memahami jenis data series yang dapat dibuat.

allright reserved, Yayak Heriyanto, Maret 2023 13 5. Analisis deskriptif: Analisis deskriptif dapat memberikan gambaran awal tentang data. Pelajari cara melakukan analisis deskriptif di EViews, seperti menghitung statistik deskriptif dan membuat grafik. 6. Analisis regresi: Analisis regresi adalah salah satu jenis analisis yang paling sering dilakukan di EViews. Pelajari cara melakukan analisis regresi di EViews, seperti regresi linier dan regresi multivariat. 7. Interpretasi hasil: Setelah melakukan analisis, penting untuk menginterpretasikan hasil yang dihasilkan. Pastikan untuk memahami bagaimana menafsirkan hasil analisis dan menyajikan hasil secara visual. Dalam mengoperasikan EViews, penting untuk memahami konsep dasar dalam statistik dan ekonometri. Terdapat banyak sumber daya online dan bukubuku yang dapat membantu dalam mempelajari EViews. Berdasarkan kata yang digunakan maka istilah tersebut dapat disimpulkan terdapat banyak alat perhitungan untuk ekonometrika. Alat perhitungan yang dimaksud mulai dari regresi data panel, regresi linear, serta regresi berbasis runtun waktu. Sebagai gambarannya berikut ini terdapat contoh penggunaan software tersebut untuk beberapa kebutuhan:

allright reserved, Yayak Heriyanto, Maret 2023 14 C. PENYIAPAN DATA Penyiapan data statistik pada Eviews melibatkan beberapa tahapan, berikut adalah langkah-langkah umumnya: 1. Buka Eviews dan pilih menu "File" > "New" > "Workfile" untuk membuat file kerja baru. 2. Pilih jenis data yang akan Anda gunakan, misalnya "Structured/undated quarterly data" atau "Dated/undated panel data". 3. Masukkan data ke dalam file kerja baru. Anda dapat memasukkan data dengan mengetikkan manual, memuat dari file eksternal, atau menyalin dan menempel dari sumber data lain. 4. Jika diperlukan, lakukan pembersihan data untuk menghilangkan nilai yang hilang atau tidak valid. Anda dapat menggunakan fungsi pengolahan data Eviews untuk membersihkan data. 5. Setel pengaturan frekuensi data, apakah data yang Anda gunakan adalah data tahunan, bulanan, mingguan, atau lainnya. Pengaturan frekuensi ini akan mempengaruhi bagaimana data ditampilkan dalam grafik dan analisis statistik. 6. Lihat data Anda dalam format tabel atau grafik untuk memastikan data terlihat seperti yang Anda harapkan. 7. Lakukan analisis statistik pada data Anda dengan menggunakan berbagai fitur analisis statistik yang tersedia di Eviews. Semua tahapan tersebut dapat disesuaikan dengan kebutuhan analisis data Anda. Selain itu, Eviews juga menyediakan dokumentasi dan bantuan yang luas untuk membantu Anda memahami dan menggunakan fitur-fitur analisis statistiknya. D. MEMBUAT DATA SERIES Untuk membuat data series pada Eviews, Anda dapat mengikuti langkahlangkah berikut: 1. Buka Eviews dan buat file kerja baru dengan memilih menu "File" > "New" > "Workfile". 2. Pilih jenis data yang ingin Anda buat di bawah "Structure" (misalnya, daily, weekly, monthly, quarterly, atau yearly) dan tentukan jangka waktu data dengan memilih "Start date" dan "End date". Klik "OK" untuk membuat file kerja baru. 3. Untuk membuat data series baru, pilih "Quick" di toolbar atau klik kanan pada panel "Workfile" dan pilih "Insert/Append" > "New Series". Anda juga dapat menggunakan tombol pintas keyboard Ctrl+N untuk membuat data series baru. 4. Masukkan nama untuk data series baru di kotak "Name" dan pilih frekuensi yang sesuai di bawah "Frequency".

allright reserved, Yayak Heriyanto, Maret 2023 15 5. Masukkan data untuk setiap pengamatan data series baru. Jika data belum lengkap, Anda dapat menandai pengamatan sebagai missing dengan mengetik "." atau "NA" di kotak nilai yang sesuai. 6. Jika Anda telah memiliki data dalam format lain, seperti file Excel atau CSV, Anda dapat mengimpor data tersebut ke Eviews dengan memilih "File" > "Import" > "From File". Pilih jenis file yang ingin Anda impor dan ikuti instruksi selanjutnya untuk menyelesaikan impor data. Setelah data series telah dibuat, Anda dapat menganalisis data series tersebut menggunakan berbagai fitur analisis statistik yang tersedia di Eviews. E. ANALISIS DESKRIPTIF Untuk melakukan analisis deskriptif dalam Eviews, Anda dapat mengikuti langkah-langkah berikut: 1. Buka file kerja yang berisi data yang ingin Anda analisis dengan Eviews. 2. Pilih variabel yang ingin Anda analisis dengan mengklik nama variabel pada panel workfile. 3. Klik tombol "Proc" di toolbar atau pilih "Quick" dan "Proc" untuk membuka dialog prosedur. 4. Pilih prosedur deskriptif yang ingin Anda gunakan, misalnya "Descriptive Statistics". 5. Setel opsi-opsi analisis deskriptif, seperti memilih metrik yang ingin Anda hitung (misalnya mean, median, atau standard deviation) dan memilih variabel-variabel yang ingin Anda analisis. 6. Klik "OK" untuk mengeksekusi analisis deskriptif. 7. Lihat hasil analisis deskriptif pada output window. Output ini akan menampilkan ringkasan statistik dan grafik yang memvisualisasikan data. Beberapa prosedur analisis deskriptif lainnya yang dapat digunakan dalam Eviews termasuk histogram, boxplot, dan scatterplot. Anda dapat memilih prosedur yang sesuai dengan jenis data dan pertanyaan penelitian Anda. Jangan lupa untuk mengacu pada dokumentasi Eviews dan literatur statistik yang relevan untuk memahami dan menginterpretasikan hasil analisis Anda dengan benar.

allright reserved, Yayak Heriyanto, Maret 2023 16 F. ANALISIS REGRESI Tahapan analisis regresi dalam Eviews melibatkan beberapa langkah utama, berikut adalah langkah-langkah umumnya: 1. Buka file kerja Eviews yang berisi data yang ingin Anda analisis. 2. Pilih variabel dependen (y) dan variabel independen (x) yang ingin Anda gunakan dalam analisis regresi. 3. Pilih menu "Quick" di toolbar atau klik kanan pada panel "Workfile" dan pilih "View" > "Coefficient Estimation" untuk membuka dialog "Estimation Equation". 4. Di dialog "Estimation Equation", masukkan variabel dependen (y) dan variabel independen (x) ke dalam kotak yang sesuai. 5. Tentukan jenis model regresi yang ingin Anda gunakan, seperti regresi linier sederhana atau regresi linier berganda. Anda juga dapat menambahkan variabel independen tambahan dengan mengeklik tombol "Add" di bawah kotak variabel independen. 6. Setel opsi-opsi analisis regresi, seperti metode estimasi, t-statistics, dan nilai-p. Anda juga dapat mengubah pengaturan grafik dan tabel output. 7. Klik "OK" untuk mengeksekusi analisis regresi. 8. Lihat hasil analisis regresi pada output window. Output ini akan menampilkan ringkasan statistik, grafik, dan tabel yang memvisualisasikan hasil analisis regresi. Setelah melakukan analisis regresi, penting untuk menguji asumsi dasar regresi, seperti asumsi normalitas, homoskedastisitas, dan linearitas. Eviews menyediakan banyak prosedur statistik yang dapat digunakan untuk menguji asumsi regresi, seperti uji heteroskedastisitas White, uji normalitas JarqueBera, dan uji linearitas Ramsey RESET. Mengacu pada dokumentasi Eviews dan literatur statistik yang relevan untuk memahami dan menginterpretasikan hasil analisis regresi Anda dengan benar. G. INTERPRETASI HASIL Interpretasi hasil dalam Eviews bergantung pada jenis analisis statistik yang Anda lakukan. Namun, beberapa hal umum yang perlu diperhatikan saat menafsirkan hasil analisis Eviews adalah: 1. P-Value: P-value menunjukkan seberapa signifikan hasil Anda secara statistik. P-value yang lebih rendah dari 0,05 (tingkat signifikansi umum) menunjukkan bahwa hasil Anda signifikan secara statistik. 2. Koefisien Regresi: Koefisien regresi menunjukkan seberapa kuat hubungan antara variabel dependen dan variabel independen. Koefisien regresi positif menunjukkan bahwa ada hubungan positif antara variabel dependen dan independen, sedangkan koefisien negatif menunjukkan hubungan negatif.

allright reserved, Yayak Heriyanto, Maret 2023 17 3. T-Stat: T-Stat atau t-statistic menunjukkan seberapa jauh koefisien regresi dari nol. Semakin besar t-stat, semakin signifikan secara statistik koefisien regresi. 4. R-squared: R-squared menunjukkan seberapa banyak variabilitas dalam variabel dependen yang dapat dijelaskan oleh variabel independen. Nilai R-squared yang lebih tinggi menunjukkan model yang lebih baik dalam menjelaskan data. 5. Mean, Median, Standard Deviation: Statistik deskriptif seperti mean, median, dan standard deviation dapat memberikan informasi tentang distribusi data. 6. Grafik: Grafik dapat memberikan informasi visual tentang pola data dan hubungan antara variabel. 7. Uji Asumsi: Uji asumsi berguna untuk menentukan apakah asumsi dasar analisis statistik telah terpenuhi. Misalnya, uji heteroskedastisitas dapat membantu menentukan apakah variasi data tidak terdistribusi secara merata. Penting untuk mengacu pada literatur statistik yang relevan untuk memahami cara menginterpretasikan hasil analisis Anda dengan benar dan membuat kesimpulan yang akurat dari data.

allright reserved, Yayak Heriyanto, Maret 2023 18 LISREL "Linear Structural Relations" A. PENGERTIAN LISREL LISREL adalah singkatan dari "Linear Structural Relations", yang mengacu pada model statistik multivariat yang digunakan untuk menganalisis hubungan antara variabel. Model LISREL dapat digunakan untuk memodelkan hubungan kausal antara variabel yang diamati dalam suatu sistem, yang kemudian dapat digunakan untuk memprediksi perilaku variabel tersebut di masa depan. Model LISREL terdiri dari dua bagian utama, yaitu model struktural dan model pengukuran. Model struktural adalah model yang menggambarkan hubungan antara variabel yang diamati dalam sistem, sedangkan model pengukuran digunakan untuk mengukur variabel tersebut. Model LISREL juga dapat digunakan untuk menganalisis data yang kompleks, seperti data panel atau data hierarkis. LISREL pertama kali dikembangkan pada tahun 1970-an oleh Karl Joreskog dan Dag Sorbom. Sejak saat itu, LISREL telah menjadi salah satu alat analisis statistik yang paling populer di bidang sosiologi, psikologi, dan ilmu sosial lainnya. LISREL juga terkait dengan analisis jalur dan analisis faktor konfirmatori. Namun, LISREL lebih canggih karena memungkinkan Anda untuk menggabungkan pengukuran dengan model struktural yang lebih kompleks. Hal ini membuat LISREL sangat berguna dalam menguji hipotesis teoritis yang kompleks dan memperoleh pemahaman yang lebih mendalam tentang hubungan antara variabel dalam suatu sistem. B. TAHAPAN UNTUK MEMAHAMI LISREL Memahami LISREL melibatkan beberapa tahapan, di antaranya: 1. Mempelajari konsep dasar: Anda perlu memahami konsep dasar dalam LISREL, seperti model pengukuran, model struktural, estimasi parameter, dan uji hipotesis. 2. Memahami struktur model: Anda perlu memahami bagaimana struktur model LISREL diatur, termasuk variabel laten dan manifest, konstruk, indikator, dan hubungan antara variabel. 3. Mengumpulkan data dan mempersiapkan data: Anda perlu mengumpulkan data dan mempersiapkan data untuk analisis LISREL, termasuk memastikan kualitas data dan menyiapkan data dalam format yang sesuai.

allright reserved, Yayak Heriyanto, Maret 2023 19 4. Menentukan model dan mengestimasi parameter: Anda perlu menentukan model LISREL yang sesuai dengan data Anda dan mengestimasi parameter model menggunakan teknik statistik yang sesuai. 5. Menafsirkan hasil: Setelah memperoleh hasil analisis, Anda perlu menafsirkan hasil secara seksama dan memperoleh pemahaman yang lebih baik tentang hubungan antara variabel. 6. Menguji kecocokan model: Anda perlu menguji kecocokan model LISREL Anda untuk memastikan bahwa model cocok dengan data dan menjelaskan hubungan antara variabel secara memadai. 7. Melakukan analisis sensitivitas: Anda perlu melakukan analisis sensitivitas untuk memeriksa apakah hasil analisis sensitif terhadap perubahan parameter model atau data. 8. Menerapkan model LISREL: Setelah memahami LISREL, Anda dapat menerapkan model LISREL pada data baru untuk memperoleh pemahaman yang lebih mendalam tentang hubungan antara variabel dalam suatu sistem. Penting untuk dicatat bahwa memahami LISREL memerlukan pemahaman yang kuat tentang statistik dan metode analisis multivariat, sehingga direkomendasikan untuk memiliki latar belakang dalam statistik atau ilmu sosial. C. KONSEP DASAR LISREL 1. Model Pengukuran Dalam model pengukuran, tujuannya adalah untuk mengukur atau memperkirakan konstruk abstrak yang sulit diukur secara langsung, seperti kecerdasan, keterampilan interpersonal, atau sikap. Model pengukuran terdiri dari dua komponen utama: faktor laten (latent factor) dan variabel pengukuran (measurement variable). Faktor laten adalah konstruk abstrak yang sulit diukur secara langsung. Contohnya, kecerdasan adalah faktor laten karena sulit diukur secara langsung tetapi dapat diperkirakan melalui tes IQ dan prestasi akademik. Variabel pengukuran adalah variabel yang digunakan untuk mengukur faktor laten. Contohnya, tes IQ dan prestasi akademik adalah variabel pengukuran untuk faktor laten kecerdasan. Dalam model pengukuran LISREL, kita menggunakan analisis faktor konfirmatori (confirmatory factor analysis, CFA) untuk memperkirakan faktor laten dan variabel pengukuran yang terkait. CFA adalah teknik statistik yang digunakan untuk memperkirakan parameter model pengukuran, seperti faktor beban (factor loadings), reliabilitas faktor, dan error varians (variances).

allright reserved, Yayak Heriyanto, Maret 2023 20 Setelah model pengukuran berhasil diestimasi, maka kita dapat mengevaluasi validitas dan reliabilitas konstruk abstrak yang diukur melalui faktor laten. Evaluasi ini meliputi pengujian kecocokan model (model fit test), validitas konvergen, validitas divergen, dan reliabilitas faktor. Contoh: Model pengukuran dalam LISREL adalah model pengukuran kecerdasan. Kecerdasan merupakan faktor laten yang sulit diukur secara langsung. Namun, kecerdasan dapat diperkirakan melalui beberapa variabel pengukuran seperti tes IQ, tes logika, dan prestasi akademik. Dalam model pengukuran kecerdasan, kita memperkirakan faktor laten kecerdasan dan tiga variabel pengukuran (tes IQ, tes logika, dan prestasi akademik) yang terkait dengannya. Kita juga memperkirakan faktor beban (factor loading) yang mengindikasikan hubungan antara variabel pengukuran dengan faktor laten, reliabilitas faktor laten, dan error varians. Setelah model pengukuran kecerdasan berhasil diestimasi, kita dapat mengevaluasi validitas dan reliabilitas konstruk kecerdasan. Evaluasi ini meliputi pengujian kecocokan model, validitas konvergen (konvergent validity), validitas divergen (divergent validity), dan reliabilitas faktor. Hasil evaluasi ini dapat membantu kita memahami seberapa baik model pengukuran kecerdasan yang telah dibuat, dan seberapa baik variabel pengukuran dapat digunakan untuk memperkirakan faktor laten kecerdasan. 2. Model Struktural Model struktural adalah jenis model persamaan struktural yang digunakan untuk mempelajari hubungan antarvariabel dalam satu atau beberapa model. Tujuannya adalah untuk memperkirakan koefisien hubungan antarvariabel, serta mengevaluasi seberapa baik model yang telah dibuat dalam menjelaskan hubungan antarvariabel. Dalam model struktural LISREL, kita dapat memperkirakan hubungan antarvariabel dalam satu model atau beberapa model. Model struktural dapat melibatkan variabel laten dan variabel terukur. Variabel laten adalah konstruk abstrak yang sulit diukur secara langsung, sementara variabel terukur dapat diukur langsung melalui instrumen atau alat pengukuran yang sesuai.

allright reserved, Yayak Heriyanto, Maret 2023 21 Contoh model struktural yang sederhana adalah model pengaruh kualitas layanan terhadap kepuasan pelanggan. Model ini melibatkan dua variabel terukur: kualitas layanan dan kepuasan pelanggan. Kita ingin memperkirakan hubungan antara kualitas layanan dengan kepuasan pelanggan. Dalam model struktural LISREL, kita dapat menggambarkan hubungan antara variabel terukur dengan variabel laten yang mendasarinya. Misalnya, kita dapat menggambarkan bahwa kualitas layanan terdiri dari beberapa faktor laten, seperti kecepatan layanan, keakuratan informasi, dan keramahan petugas. Kualitas layanan diukur melalui beberapa variabel terukur, seperti waktu tunggu, akurasi informasi, dan kebahagiaan pelanggan. Kepuasan pelanggan juga dapat diukur melalui beberapa variabel terukur, seperti niat pembelian ulang dan rekomendasi kepada teman. Setelah model struktural berhasil diestimasi, kita dapat mengevaluasi seberapa baik model tersebut dalam menjelaskan hubungan antara kualitas layanan dengan kepuasan pelanggan. Evaluasi ini meliputi pengujian kecocokan model, pengujian signifikansi koefisien, dan pengujian nilai efektif (goodness-of-fit, significance testing, and effect size). 3. Estimasi Parameter Estimasi parameter dalam LISREL dilakukan dengan menggunakan metode maximum likelihood estimation (MLE). Metode ini merupakan metode umum yang digunakan dalam analisis statistik untuk mengestimasi parameter model. Untuk menjelaskan cara melakukan estimasi parameter dalam LISREL, berikut ini adalah contoh sederhana model struktural yang melibatkan dua variabel laten dan dua variabel terukur: Variabel laten: X1 dan X2 Variabel terukur: Y1 dan Y2 Model persamaan strukturalnya adalah sebagai berikut: X1 = a11X1 + a12X2 + e1 X2 = a21X1 + a22X2 + e2 Y1 = b1X1 + b2X2 + e3 Y2 = b3X2 + b4Y1 + e4 dengan a11, a12, a21, dan a22 adalah koefisien untuk hubungan antarvariabel laten, b1, b2, b3, dan b4 adalah koefisien untuk hubungan antarvariabel laten dan variabel terukur, dan e1, e2, e3, dan e4 adalah varians error.

allright reserved, Yayak Heriyanto, Maret 2023 22 Langkah-langkah untuk melakukan estimasi parameter dalam LISREL adalah sebagai berikut: 1. Spesifikasi model: Menentukan model persamaan struktural yang akan diestimasi. 2. Penentuan tahap: Menentukan tahap estimasi. Tahap pertama adalah mengestimasi model pengukuran dan tahap kedua adalah mengestimasi model struktural. 3. Spesifikasi model pengukuran: Menentukan model pengukuran untuk setiap variabel terukur. Model pengukuran terdiri dari faktor beban (factor loading) yang mengindikasikan hubungan antara variabel pengukuran dengan faktor laten, reliabilitas faktor laten, dan error varians. 4. Pengujian kecocokan model: Melakukan pengujian kecocokan model untuk mengevaluasi seberapa baik model yang telah dibuat sesuai dengan data. 5. Pengestimasian parameter: Mengestimasi parameter model dengan menggunakan metode MLE. 6. Evaluasi hasil: Melakukan evaluasi hasil untuk mengevaluasi seberapa baik model yang telah dibuat dalam menjelaskan data. Dalam contoh model struktural di atas, estimasi parameter dilakukan dengan mengestimasi koefisien a11, a12, a21, a22, b1, b2, b3, dan b4, serta varians error e1, e2, e3, dan e4. Setelah koefisien tersebut diestimasi, kita dapat mengevaluasi seberapa baik model yang telah dibuat dalam menjelaskan hubungan antarvariabel laten dan variabel terukur. 4. Uji Hipotesis Dalam LISREL, uji hipotesis dilakukan untuk mengevaluasi seberapa baik model yang telah dibuat sesuai dengan data. Beberapa uji hipotesis yang umum dilakukan dalam LISREL adalah uji signifikansi koefisien, uji kecocokan model (goodness of fit test), dan uji perbedaan model. Berikut ini adalah contoh cara melakukan uji signifikansi koefisien dalam LISREL: Misalkan kita memiliki model persamaan struktural seperti ini: Y1 = b1X1 + b2X2 + e1 Y2 = b3*X2 + e2 Koefisien yang ingin diuji signifikansinya adalah b1, b2, dan b3. Hipotesis yang ingin diuji adalah sebagai berikut:

allright reserved, Yayak Heriyanto, Maret 2023 23 • Hipotesis nol (null hypothesis): b1, b2, dan b3 tidak signifikan, atau sama dengan nol. • Hipotesis alternatif (alternative hypothesis): b1, b2, dan b3 signifikan, atau tidak sama dengan nol. Untuk menguji hipotesis tersebut, kita dapat menggunakan nilai z-statistik yang dihitung dengan membagi estimasi koefisien dengan standar error estimasi koefisien. Jika nilai z-statistik lebih besar dari 1,96 (dalam tingkat signifikansi 5%), maka hipotesis nol ditolak, yang berarti koefisien tersebut signifikan. Berikut ini adalah rumus untuk menghitung nilai z-statistik: z = b / se dengan b adalah estimasi koefisien dan se adalah standar error estimasi koefisien. D. MEMAHAMI STRUKTUR MODEL Struktur model dalam LISREL adalah representasi grafis dari hubungan antara variabel-variabel dalam sebuah model. Model ini biasanya terdiri dari dua bagian, yaitu model pengukuran (measurement model) dan model struktural (structural model). Model pengukuran berisi hubungan antara variabel laten (construct) dan variabel teramati (indicator), sementara model struktural berisi hubungan antara variabel laten itu sendiri. Contoh struktur model dalam LISREL dapat dilihat pada gambar berikut:

allright reserved, Yayak Heriyanto, Maret 2023 24 Pada contoh di atas, terdapat dua variabel laten (M1 dan M2) dan enam variabel teramati (Y1-Y3 dan X1-X3). Variabel-variabel teramati (Y1-Y3 dan X1- X3) merupakan indikator atau pengukuran dari variabel laten (M1 dan M2). Model pengukuran menggambarkan hubungan antara variabel laten dan variabel teramati, sedangkan model struktural menggambarkan hubungan antara variabel laten itu sendiri (dalam contoh di atas, hubungan antara M1 dan M2). Model struktural ini dapat dirumuskan dalam persamaan-persamaan struktural, yang menjelaskan hubungan antara variabel laten dalam model. Persamaanpersamaan ini kemudian diestimasi menggunakan teknik SEM (Structural Equation Modeling), sehingga kita dapat memperoleh nilai estimasi parameter yang menggambarkan hubungan antar variabel dalam model. 1. Mengatur Struktur Model Mengatur struktur model dalam LISREL melibatkan beberapa tahap, di antaranya: 1. Menentukan variabel laten (construct) dan variabel teramati (indicator). 2. Membuat model pengukuran, yaitu menghubungkan variabel laten dengan variabel teramati. 3. Membuat model struktural, yaitu menghubungkan variabel laten satu dengan yang lain. 4. Menentukan parameter dalam model, yang dapat dilakukan dengan menggunakan pendekatan Maksimum Likelihood Estimation (MLE). 5. Menilai kualitas model dengan uji goodness-of-fit. Berikut ini adalah contoh bagaimana mengatur struktur model dalam LISREL: Misalkan kita ingin membangun sebuah model tentang faktor-faktor yang mempengaruhi kebahagiaan seseorang. Variabel laten yang kita gunakan adalah kebahagiaan, sedangkan variabel teramati yang kita gunakan adalah status pernikahan, pendapatan, dan kesehatan.

allright reserved, Yayak Heriyanto, Maret 2023 25 1. Menentukan variabel laten dan teramati • Variabel laten: kebahagiaan • Variabel teramati: status pernikahan, pendapatan, dan kesehatan 2. Membuat model pengukuran • Variabel laten: kebahagiaan • Variabel teramati: status pernikahan, pendapatan, dan kesehatan • Model pengukuran: kebahagiaan diukur dengan tiga variabel teramati, yaitu status pernikahan, pendapatan, dan kesehatan. Kita dapat membuat tiga persamaan struktural sebagai berikut: • Y1 = b1 * M1 + e1 (status pernikahan sebagai variabel teramati, M1 sebagai variabel laten) • Y2 = b2 * M1 + e2 (pendapatan sebagai variabel teramati, M1 sebagai variabel laten) • Y3 = b3 * M1 + e3 (kesehatan sebagai variabel teramati, M1 sebagai variabel laten) 3. Membuat model struktural • Variabel laten: kebahagiaan • Model struktural: kebahagiaan dipengaruhi oleh status pernikahan, pendapatan, dan kesehatan. Kita dapat membuat persamaan struktural sebagai berikut: • M1 = b4 * Y1 + b5 * Y2 + b6 * Y3 + e4 (kebahagiaan dipengaruhi oleh status pernikahan, pendapatan, dan kesehatan) 4. Menentukan parameter dalam model • Parameter dalam model dapat diestimasi menggunakan teknik Maksimum Likelihood Estimation (MLE). 5. Menilai kualitas model • Kualitas model dapat dinilai dengan melakukan uji goodness-of-fit, seperti chi-square test, CFI, TLI, RMSEA, dan SRMR. 2. Variabel laten dan Manifest Dalam analisis SEM dengan LISREL, terdapat dua jenis variabel, yaitu variabel laten (latent variable) dan variabel manifest (observed variable). Variabel laten adalah konstrak atau konsep yang tidak dapat diukur secara langsung. Konstruk ini bersifat abstrak dan tidak dapat dilihat atau diukur dengan mudah. Contoh dari variabel laten adalah kepribadian, motivasi, dan sikap. Variabel laten biasanya terdiri dari beberapa indikator atau variabel manifest yang dapat diukur langsung. Variabel manifest, di sisi lain, adalah variabel yang dapat diukur secara langsung. Variabel ini juga dikenal sebagai variabel teramati (observed variable) atau indikator. Contoh dari variabel manifest adalah usia, jenis kelamin, pendidikan, dan skor pada tes atau kuesioner. Dalam LISREL, model pengukuran (measurement model) digunakan untuk menghubungkan variabel laten dengan variabel manifest. Model

allright reserved, Yayak Heriyanto, Maret 2023 26 pengukuran ini menunjukkan bagaimana variabel laten tercermin dalam variabel manifest yang diamati. Dengan menghubungkan variabel laten dengan variabel manifest, kita dapat mengukur variabel laten secara tidak langsung melalui variabel manifest. Dalam model pengukuran, setiap variabel manifest dihubungkan dengan variabel laten yang sesuai melalui koefisien regresi (biasa disebut beban faktor atau factor loading). Koefisien ini menunjukkan sejauh mana setiap variabel manifest mempengaruhi atau mencerminkan variabel laten. Dengan memahami perbedaan antara variabel laten dan manifest, kita dapat membangun model SEM yang baik dan akurat untuk menjelaskan hubungan antara konstruk-konstruk yang saling terkait dalam penelitian kita. 3. Konstruk Dalam analisis SEM dengan LISREL, konstruk (construct) merujuk pada konsep atau teori yang ingin diukur atau diuji melalui variabel laten. Konstruk bersifat abstrak dan tidak dapat diukur secara langsung. Sebagai contoh, motivasi, kepercayaan diri, dan kepuasan hidup adalah contoh konstruk yang sering digunakan dalam penelitian. Konstruk dalam LISREL biasanya diukur melalui variabel laten, yang terdiri dari satu atau lebih indikator (variabel manifest) yang dapat diukur secara langsung. Misalnya, konstruk motivasi dapat diukur melalui variabel laten motivasi, yang terdiri dari beberapa indikator seperti keterlibatan, minat, dan kepuasan kerja. Pada model pengukuran dalam LISREL, setiap variabel manifest dihubungkan dengan variabel laten yang sesuai melalui koefisien regresi (biasa disebut beban faktor atau factor loading). Koefisien ini menunjukkan sejauh mana setiap variabel manifest mempengaruhi atau mencerminkan variabel laten. Konstruk dalam LISREL sering digunakan untuk menguji hubungan antara konsep-konsep yang saling terkait dalam sebuah penelitian. Dengan memahami dan mengukur konstruk secara akurat, kita dapat membangun model SEM yang dapat digunakan untuk memprediksi hubungan antara konstruk-konstruk tersebut dan menjelaskan fenomena yang diamati dalam penelitian.

allright reserved, Yayak Heriyanto, Maret 2023 27 4. Indikator Indikator dalam LISREL adalah variabel manifest yang digunakan untuk mengukur variabel laten atau konstruk. Indikator juga dikenal sebagai variabel teramati atau observed variable. Contoh indikator dalam LISREL adalah sebagai berikut: 1. Skor pada tes atau kuesioner, seperti tes kepribadian, kecemasan, atau kualitas hidup 2. Kategori atau variabel dummy, seperti jenis kelamin, status pernikahan, atau pendidikan 3. Skor pada skala likert, seperti tingkat setuju atau tidak setuju, skala kepuasan, atau skala intensitas 4. Data perilaku, seperti frekuensi mengunjungi toko atau situs web tertentu, jumlah produk yang dibeli, atau tingkat kepatuhan terhadap peraturan Setiap indikator dihubungkan dengan variabel laten melalui koefisien regresi (biasa disebut beban faktor atau factor loading). Koefisien ini menunjukkan sejauh mana setiap indikator mencerminkan atau mengukur variabel laten atau konstruk yang diinginkan. Dalam LISREL, model pengukuran (measurement model) digunakan untuk menghubungkan variabel laten dengan variabel manifest atau indikator. Model pengukuran ini menunjukkan bagaimana variabel laten tercermin dalam variabel manifest yang diamati. Dengan menggunakan indikator yang tepat, kita dapat mengukur variabel laten secara tidak langsung melalui variabel manifest dan menjelaskan hubungan antara konstrukkonstruk yang saling terkait dalam penelitian kita. 5. Hubungan Antar Variabel Hubungan antar variabel dalam LISREL mengacu pada hubungan antara variabel laten atau konstruk dalam model struktural. Model struktural LISREL memodelkan hubungan antara konstruk dalam bentuk persamaan struktural, yang menunjukkan bagaimana satu konstruk mempengaruhi atau dipengaruhi oleh konstruk lainnya. Contoh hubungan antar variabel dalam LISREL adalah sebagai berikut: 1. Hubungan antara variabel laten kinerja kerja dan variabel laten kepuasan kerja dalam model struktural. Hubungan ini dapat diukur dengan koefisien jalur (path coefficient), yang menunjukkan seberapa besar pengaruh kinerja kerja terhadap kepuasan kerja. 2. Hubungan antara variabel laten tingkat pendidikan dan variabel laten pendapatan dalam model struktural. Hubungan ini dapat diukur dengan koefisien jalur, yang menunjukkan seberapa besar pengaruh tingkat pendidikan terhadap pendapatan.

allright reserved, Yayak Heriyanto, Maret 2023 28 3. Hubungan antara variabel laten kecemasan dan variabel laten depresi dalam model struktural. Hubungan ini dapat diukur dengan koefisien jalur, yang menunjukkan seberapa besar pengaruh kecemasan terhadap depresi. Dalam LISREL, model struktural digunakan untuk menguji hubungan antara konstruk-konstruk yang saling terkait dalam sebuah penelitian. Dengan memodelkan hubungan ini, kita dapat mengidentifikasi faktorfaktor yang berpengaruh terhadap konstruk-konstruk tersebut dan memahami bagaimana hubungan antara variabel laten saling mempengaruhi. E. ESTIMASI PARAMETER Estimasi parameter dalam LISREL mengacu pada proses menentukan nilai koefisien model struktural atau model pengukuran. Nilai-nilai ini dapat diestimasi dari data empiris dengan menggunakan teknik analisis statistik. Contoh estimasi parameter dalam LISREL adalah sebagai berikut: 1. Estimasi koefisien faktor (factor loading) dalam model pengukuran. Koefisien faktor menunjukkan seberapa besar indikator mengukur variabel laten atau konstruk yang diinginkan. Estimasi koefisien faktor dapat dilakukan dengan metode kuadrat terkecil (least squares) atau metode maksimum likelihood. 2. Estimasi koefisien jalur (path coefficient) dalam model struktural. Koefisien jalur menunjukkan seberapa besar pengaruh variabel laten satu terhadap variabel laten lainnya. Estimasi koefisien jalur dapat dilakukan dengan metode kuadrat terkecil atau metode maksimum likelihood. 3. Estimasi koefisien korelasi antara variabel laten dalam model struktural. Koefisien korelasi menunjukkan seberapa kuat hubungan antara dua variabel laten. Estimasi koefisien korelasi dapat dilakukan dengan metode kuadrat terkecil atau metode maksimum likelihood. Dalam proses estimasi parameter, kita dapat menggunakan data empiris untuk menentukan nilai-nilai parameter dalam model kita. Semakin baik model kita mewakili data, semakin akurat juga estimasi parameter yang kita dapatkan. Setelah parameter diestimasi, kita dapat menggunakan hasil ini untuk memeriksa kecocokan model dengan data empiris dan mengevaluasi hipotesis kita mengenai hubungan antar variabel dalam penelitian kita.

allright reserved, Yayak Heriyanto, Maret 2023 29 F. INTERPRETASI HASIL Interpretasi hasil dalam LISREL sangat penting untuk memahami hasil analisis dan menarik kesimpulan dari penelitian. Beberapa contoh hasil yang dihasilkan oleh program LISREL dan cara menginterpretasinya adalah sebagai berikut: 1. Validitas konstruk: hasil LISREL menunjukkan koefisien faktor (factor loading) yang menunjukkan seberapa besar setiap indikator mengukur variabel laten atau konstruk yang diinginkan. Koefisien faktor yang signifikan dan positif menunjukkan bahwa indikator tersebut valid dalam mengukur variabel laten. 2. Reliabilitas konstruk: hasil LISREL menunjukkan reliabilitas konstruk melalui koefisien reliabilitas (reliability coefficient) atau nilai Cronbach alpha. Koefisien reliabilitas yang tinggi menunjukkan bahwa konstruk yang diukur konsisten dan dapat diandalkan. 3. Hubungan antara variabel laten: hasil LISREL menunjukkan koefisien jalur (path coefficient) yang menunjukkan seberapa besar pengaruh variabel laten satu terhadap variabel laten lainnya. Koefisien jalur yang signifikan dan positif menunjukkan hubungan yang kuat antara dua variabel laten. 4. Keakuratan model: hasil LISREL juga menunjukkan nilai kesalahan standar (standard error) dan nilai chi-square yang mengukur keakuratan model. Kesalahan standar yang kecil menunjukkan model yang lebih akurat, sedangkan nilai chi-square yang signifikan menunjukkan model yang kurang cocok dengan data. 5. Ukuran efek: hasil LISREL juga dapat memberikan ukuran efek dari hubungan antara variabel laten, seperti koefisien determinasi (R-squared) atau koefisien efek parsial (partial effect coefficient). Ukuran efek ini memberikan informasi tentang seberapa besar pengaruh satu variabel laten terhadap variabel laten lainnya. Dalam interpretasi hasil LISREL, penting untuk mempertimbangkan konteks penelitian dan tujuan penelitian. Hasil yang dihasilkan harus dianalisis secara kritis dan digunakan untuk mendukung kesimpulan penelitian yang akurat dan berdasarkan data empiris.

allright reserved, Yayak Heriyanto, Maret 2023 30 G. MENGUJI KECOCOKAN MODEL Cara menguji kecocokan model dalam LISREL adalah dengan menggunakan uji goodness of fit. Beberapa uji goodness of fit yang umum digunakan dalam LISREL antara lain: 1. Chi-Square Test: Chi-square test digunakan untuk menguji apakah terdapat perbedaan antara model teoritis dengan data aktual. Semakin kecil nilai chisquare yang diperoleh, semakin baik model yang dibangun. 2. Goodness of Fit Index (GFI): GFI mengukur seberapa baik model yang dibangun dapat menjelaskan variabel laten dan manifest yang terkait. GFI memiliki rentang nilai antara 0-1, dengan nilai semakin mendekati 1 menunjukkan semakin baik kecocokan model. 3. Comparative Fit Index (CFI): CFI digunakan untuk membandingkan model yang dibangun dengan model baseline atau model nol (null model). Semakin mendekati nilai 1, semakin baik model yang dibangun. 4. Root Mean Square Error of Approximation (RMSEA): RMSEA mengukur seberapa besar kesalahan aproksimasi dalam model. Semakin kecil nilai RMSEA, semakin baik model yang dibangun. Contoh pengujian kecocokan model dalam LISREL adalah sebagai berikut: Misalkan Anda membangun model LISREL yang berisi tiga variabel laten dan sembilan indikator manifest. Anda kemudian menguji kecocokan model dengan menggunakan uji goodness of fit. Hasil uji goodness of fit menunjukkan nilai chisquare sebesar 40, GFI sebesar 0,95, CFI sebesar 0,97, dan RMSEA sebesar 0,06. Berdasarkan nilai-nilai tersebut, dapat disimpulkan bahwa model yang dibangun cukup baik karena nilai chi-square yang rendah, nilai GFI dan CFI yang mendekati 1, dan nilai RMSEA yang rendah. Namun, interpretasi hasil pengujian kecocokan model selalu harus dipertimbangkan dalam konteks penelitian dan tujuan analisis yang dilakukan.

allright reserved, Yayak Heriyanto, Maret 2023 31 H. ANALISIS SENSITIFITAS Analisis sensitivitas dalam LISREL merupakan analisis untuk mengetahui seberapa sensitif model yang dibangun terhadap perubahan parameter. Analisis ini dilakukan dengan membandingkan hasil estimasi parameter dan goodness of fit pada beberapa skenario yang berbeda, misalnya dengan mengubah spesifikasi model atau parameter tertentu. Contoh analisis sensitivitas adalah ketika Anda membangun model LISREL dan melakukan uji goodness of fit, namun nilai chi-square yang diperoleh masih terlalu besar. Salah satu kemungkinan penyebabnya adalah ada parameter tertentu yang diestimasi dengan kurang tepat atau ada model spesifikasi yang perlu diperbaiki. Anda kemudian dapat melakukan analisis sensitivitas dengan mengubah nilai-nilai parameter atau spesifikasi model dan mengamati perubahan goodness of fit. Sebagai contoh, Anda mungkin akan mengubah nilai awal dari suatu parameter dengan jumlah kecil atau besar, dan melakukan uji goodness of fit untuk melihat seberapa jauh perubahan tersebut mempengaruhi goodness of fit. Anda juga bisa mencoba untuk mengubah spesifikasi model, seperti menambah atau menghapus beberapa variabel, dan menguji kembali goodness of fit. Hasil dari analisis sensitivitas dapat memberikan informasi penting tentang seberapa stabil model yang dibangun dan seberapa sensitif model terhadap perubahan parameter atau spesifikasi model. Hal ini juga dapat membantu peneliti dalam menentukan langkah selanjutnya untuk meningkatkan kecocokan model dan kualitas analisis.

allright reserved, Yayak Heriyanto, Maret 2023 32 SEM “Structural Equation Modeling” A. PENGERTIAN Aplikasi statistik Structural Equation Modeling (SEM) adalah teknik analisis multivariat yang digunakan untuk memodelkan hubungan antara variabel laten dan manifest dalam suatu sistem dengan menggunakan persamaan struktural. SEM digunakan untuk menguji hipotesis tentang hubungan antara variabel, termasuk pengaruh langsung maupun tidak langsung, serta untuk mengevaluasi kualitas model dan memperbaiki model yang tidak sesuai dengan data. Aplikasi statistik SEM biasanya digunakan dalam berbagai disiplin ilmu, seperti psikologi, ekonomi, sosiologi, ilmu pendidikan, dan bidang lainnya yang membutuhkan analisis multivariat. Beberapa contoh penggunaan SEM meliputi penelitian mengenai faktor-faktor yang mempengaruhi kepuasan kerja karyawan, pengaruh variabel pendukung terhadap kinerja bisnis, serta penelitian tentang hubungan antara variabel psikologis dan biologis dalam neurosains. Aplikasi SEM dapat dilakukan dengan menggunakan berbagai perangkat lunak statistik, seperti LISREL, AMOS, Mplus, dan semacamnya. Perangkat lunak tersebut memberikan kemudahan dalam membangun model SEM, mengestimasi parameter, serta mengevaluasi kualitas model secara statistik. Dengan menggunakan aplikasi SEM, peneliti dapat memperoleh pemahaman yang lebih komprehensif tentang hubungan antara variabel dalam sistem, serta memberikan dasar empiris yang kuat untuk pengambilan keputusan. B. TAHAPAN DALAM MEMAHAMI SISTEM KERJA SEM Berikut adalah beberapa tahapan yang dapat dilakukan untuk memahami sistem kerja SEM: 1. Mempelajari teori SEM: Langkah pertama yang harus dilakukan adalah mempelajari dasar-dasar teori SEM, termasuk konsep-konsep seperti variabel laten, manifest, model struktural, dan lain-lain. Memahami teori SEM akan membantu dalam memahami proses analisis dan interpretasi hasil. 2. Menentukan tujuan penelitian: Penting untuk menentukan tujuan penelitian yang jelas dan spesifik. Hal ini akan membantu dalam memilih model SEM yang tepat dan juga membantu dalam menafsirkan hasil analisis. 3. Menentukan variabel dan membangun model: Tahap selanjutnya adalah menentukan variabel-variabel yang akan dimasukkan dalam model dan membangun model SEM. Model SEM dibangun dengan menggunakan teori dan hipotesis yang telah dirumuskan sebelumnya. 4. Menentukan teknik analisis: Ada beberapa teknik analisis yang dapat digunakan dalam SEM, seperti maximum likelihood estimation (MLE), weighted least squares (WLS), dan partial least squares (PLS). Pemilihan teknik analisis harus disesuaikan dengan jenis data dan tujuan penelitian.

allright reserved, Yayak Heriyanto, Maret 2023 33 5. Mengevaluasi kualitas model: Setelah membangun model, langkah selanjutnya adalah mengevaluasi kualitas model. Beberapa metrik evaluasi kualitas model meliputi goodness of fit, error variance, dan reliabilitas. 6. Menguji hipotesis: Tahap selanjutnya adalah menguji hipotesis yang telah dirumuskan sebelumnya dengan menggunakan model SEM yang telah dibangun. Pada tahap ini, diuji kecocokan antara model yang dibangun dengan data yang telah dikumpulkan. 7. Melakukan analisis sensitivitas: Terakhir, dilakukan analisis sensitivitas untuk memahami seberapa sensitif model terhadap perubahan pada parameter. Analisis sensitivitas berguna untuk mengevaluasi seberapa stabil model dan apakah model yang dibangun dapat dipertahankan pada berbagai kondisi. Dengan melakukan tahapan-tahapan tersebut, diharapkan dapat memahami sistem kerja SEM dan menghasilkan hasil analisis yang valid dan dapat diandalkan. C. DASAR TEORI SEM Berikut adalah beberapa dasar teori SEM: 1. Variabel laten: Variabel laten adalah konsep abstrak atau tidak langsung yang tidak dapat diukur secara langsung, tetapi dapat diukur melalui indikator atau variabel manifest. Contohnya adalah variabel konstruk dalam psikologi, seperti kecerdasan, motivasi, atau kebahagiaan. 2. Variabel manifest: Variabel manifest adalah variabel yang dapat diukur langsung dengan cara pengamatan atau pengukuran. Contohnya adalah variabel seperti tinggi, berat badan, atau usia. 3. Model struktural: Model struktural menggambarkan hubungan antara variabel laten dan manifest dalam sebuah model. Model struktural memperlihatkan bagaimana variabel-variabel terkait satu sama lain dan bagaimana pengaruh satu variabel terhadap variabel lainnya. 4. Konstruk: Konstruk adalah konsep abstrak yang digunakan dalam pengukuran psikologi dan ilmu sosial. Konstruk ini berhubungan dengan variabel laten dan dapat diukur melalui indikator atau variabel manifest. 5. Maximum Likelihood Estimation (MLE): MLE adalah metode statistik yang digunakan untuk mengestimasi parameter dalam model SEM. MLE didasarkan pada asumsi bahwa data yang digunakan dalam analisis berasal dari distribusi normal. 6. Goodness of fit: Goodness of fit digunakan untuk mengevaluasi seberapa baik model yang dibangun sesuai dengan data yang dikumpulkan. Beberapa ukuran goodness of fit yang umum digunakan dalam SEM adalah Chi-square test, Root Mean Square Error of Approximation (RMSEA), Comparative Fit Index (CFI), dan Normed Fit Index (NFI). 7. Error variance: Error variance adalah variabilitas yang tidak dapat dijelaskan oleh model SEM. Error variance dapat dihitung dengan menghitung selisih antara nilai pengukuran aktual dan nilai pengukuran yang diperkirakan oleh model.

allright reserved, Yayak Heriyanto, Maret 2023 34 Dalam aplikasi SEM, dasar-dasar teori tersebut digunakan untuk membangun model SEM, mengestimasi parameter model, dan mengevaluasi kualitas model. D. MENENTUKAN TUJUAN PENEITIAN Menentukan tujuan penelitian dalam SEM sangat penting untuk memastikan bahwa model SEM yang dibangun akan memenuhi kebutuhan penelitian yang sedang dilakukan. Tujuan penelitian dalam SEM sebaiknya ditentukan sebelum memulai proses analisis data. Beberapa contoh tujuan penelitian dalam SEM antara lain: 1. Menguji hubungan antara variabel: Tujuan ini mencakup menguji hubungan antara variabel laten dan manifest dalam model. Tujuan ini dapat dicapai dengan membangun model struktural dan melakukan analisis goodness of fit. 2. Menguji model hipotetis: Tujuan ini mencakup menguji model hipotetis atau konsep yang dikembangkan dalam literatur. Model hipotetis biasanya didasarkan pada asumsi atau teori yang telah dikembangkan sebelumnya dan memerlukan pengujian empiris melalui SEM. 3. Validasi konstruk: Tujuan ini mencakup validasi konstruk yang digunakan dalam model SEM. Validasi konstruk dapat dilakukan dengan menguji hubungan antara variabel laten dan manifest dalam model. 4. Menentukan pengaruh variabel laten terhadap variabel manifest: Tujuan ini mencakup menguji pengaruh variabel laten terhadap variabel manifest dalam model. Hal ini dapat dilakukan dengan membangun model struktural dan menguji koefisien jalur. 5. Mengevaluasi pengaruh variabel pada variabel laten: Tujuan ini mencakup menguji pengaruh variabel manifest pada variabel laten dalam model. Hal ini dapat dilakukan dengan membangun model struktural dan menguji koefisien jalur. Dengan menentukan tujuan penelitian yang jelas, peneliti dapat memastikan bahwa model SEM yang dibangun memenuhi kebutuhan penelitian dan menghasilkan hasil yang valid dan dapat diandalkan. E. MENENTUKAN VARIABEL DALAM MEMBANGUN MODEL Dalam membangun model pada SEM, ada beberapa langkah yang perlu dilakukan untuk menentukan variabel yang akan digunakan. Berikut adalah contoh langkah-langkahnya: 1. Menentukan tujuan penelitian: Langkah pertama yang perlu dilakukan adalah menentukan tujuan penelitian. Tujuan penelitian ini akan memandu peneliti dalam menentukan variabel-variabel yang akan digunakan. 2. Identifikasi variabel: Setelah menentukan tujuan penelitian, langkah selanjutnya adalah mengidentifikasi variabel-variabel yang terlibat dalam penelitian. Variabel-variabel ini dapat berupa variabel laten atau manifest. 3. Pengelompokkan variabel: Setelah mengidentifikasi variabel, langkah selanjutnya adalah mengelompokkan variabel ke dalam kategori yang

allright reserved, Yayak Heriyanto, Maret 2023 35 sesuai. Variabel dapat dikelompokkan ke dalam kategori variabel independen, variabel dependen, variabel mediasi, dan variabel moderator. 4. Menentukan hubungan antar variabel: Setelah mengelompokkan variabel, langkah selanjutnya adalah menentukan hubungan antar variabel. Hubungan antar variabel dapat dinyatakan dalam bentuk hipotesis atau teori. 5. Membuat model: Setelah menentukan hubungan antar variabel, langkah selanjutnya adalah membuat model yang sesuai dengan teori atau hipotesis yang telah ditentukan. Model dapat dibuat dengan menggunakan perangkat lunak SEM seperti LISREL, AMOS, atau Mplus. 6. Validasi model: Setelah membuat model, langkah selanjutnya adalah melakukan validasi model. Validasi model dapat dilakukan dengan menggunakan berbagai metode seperti analisis goodness of fit dan uji reliabilitas dan validitas. 7. Modifikasi model: Jika hasil validasi model menunjukkan bahwa model tidak sesuai dengan data, maka langkah selanjutnya adalah melakukan modifikasi model. Modifikasi model dapat dilakukan dengan mengubah spesifikasi model atau menambahkan variabel baru ke dalam model. Dengan melakukan langkah-langkah di atas, peneliti dapat menentukan variabel yang tepat untuk membangun model pada SEM dan memastikan bahwa model yang dibangun sesuai dengan tujuan penelitian dan teori yang telah dikembangkan sebelumnya. F. TEKNIK ANALISIS SEM 1. Maximum Likelihood Estimation (MLE) Teknik analisis Maximum Likelihood Estimation (MLE) adalah salah satu metode yang digunakan dalam analisis Structural Equation Modeling (SEM). Teknik ini digunakan untuk memperkirakan parameter-model SEM yang paling tepat. Prosedur MLE bekerja dengan cara memaksimalkan likelihood function, yaitu fungsi yang menggambarkan seberapa baik model yang diestimasi cocok dengan data yang diobservasi. Dalam hal ini, likelihood function digunakan untuk mengukur probabilitas untuk mendapatkan hasil pengamatan yang diperoleh jika model teoritis dipilih. Model yang paling cocok dengan data adalah model yang memiliki nilai likelihood function terbesar. Langkah-langkah umum dalam menerapkan MLE pada SEM adalah sebagai berikut: 1. Menentukan model SEM: Tentukan model SEM yang akan digunakan berdasarkan teori atau hipotesis yang telah dikembangkan. 2. Menentukan variabel-variabel yang digunakan: Pilih variabel-variabel yang akan digunakan dalam model SEM, baik variabel laten maupun manifest.

allright reserved, Yayak Heriyanto, Maret 2023 36 3. Menentukan parameter yang diestimasi: Tentukan parameter yang akan diestimasi, misalnya koefisien jalur (path coefficient) atau varians kovariansi. 4. Melakukan estimasi parameter-model: Estimasikan parameter-model menggunakan perangkat lunak SEM, seperti LISREL atau AMOS. Pada tahap ini, MLE digunakan untuk memaksimalkan nilai likelihood function dan mendapatkan nilai parameter-model yang paling cocok dengan data. 5. Melakukan analisis goodness of fit: Analisis goodness of fit dilakukan untuk mengevaluasi seberapa baik model yang telah dibuat cocok dengan data yang diobservasi. Contoh penerapan MLE pada SEM adalah sebagai berikut: Misalkan sebuah penelitian ingin menguji hubungan antara motivasi belajar (X) dan prestasi akademik (Y). Peneliti mengukur motivasi belajar dengan menggunakan skala motivasi dan prestasi akademik dengan menggunakan nilai-nilai rata-rata siswa dalam setiap mata pelajaran. Peneliti mengumpulkan data dari 100 siswa dan menerapkan SEM untuk menganalisis hubungan antara variabel tersebut. Dalam analisis ini, teknik MLE digunakan untuk memperkirakan parameter-model yang paling tepat. Setelah membangun model SEM dan mengumpulkan data, peneliti akan melakukan estimasi parameter menggunakan MLE untuk mendapatkan nilai parameter-model yang paling cocok dengan data. Kemudian, peneliti akan melakukan analisis goodness of fit untuk mengevaluasi seberapa baik model yang dibangun sesuai dengan data. Jika hasil analisis goodness of fit menunjukkan bahwa model tidak cocok dengan data, maka peneliti perlu melakukan modifikasi pada model dan melakukan estimasi ulang parametermodel menggunakan MLE hingga model yang dibangun cocok dengan data. 2. WLS WLS (Weighted Least Squares) adalah salah satu teknik analisis pada SEM (Structural Equation Modeling) yang digunakan untuk memperbaiki estimasi parameter ketika data tidak memenuhi asumsi distribusi normal. WLS digunakan untuk mengatasi masalah heteroskedastisitas dan nonnormalitas pada data. Pada teknik analisis WLS, bobot diberikan pada setiap variabel dan kovarians dihitung dengan mempertimbangkan bobot tersebut. Bobot dapat dihitung menggunakan berbagai metode, misalnya menggunakan invers dari varian atau kovarians atau menggunakan formula tertentu. Contoh penggunaan WLS adalah ketika data yang digunakan terdiri dari data ordinal atau nominal yang tidak terdistribusi secara normal. Dalam hal ini, estimasi parameter menggunakan metode MLE tidak tepat dan tidak efisien. Oleh karena itu, WLS dapat digunakan sebagai alternatif untuk menghasilkan estimasi parameter yang lebih akurat dan efisien.

allright reserved, Yayak Heriyanto, Maret 2023 37 3. PLS Partial Least Squares (PLS) adalah salah satu teknik analisis pada SEM (Structural Equation Modeling) yang digunakan untuk mengatasi masalah kovarians antar variabel laten atau dalam situasi ketika variabel laten terukur dengan buruk atau tidak terukur. PLS adalah pendekatan yang berfokus pada hubungan antara variabel independen dan variabel dependen. Dalam analisis PLS, model SEM dibangun dengan mempertimbangkan korelasi antara variabel independen dan variabel dependen, serta mengabaikan korelasi antara variabel independen. Contoh penggunaan PLS adalah ketika peneliti ingin memodelkan hubungan antara variabel dependen yang kompleks dengan variabel independen yang berbeda-beda dan mungkin terkait secara tidak langsung. Dalam situasi ini, PLS dapat membantu mengidentifikasi dan memodelkan hubungan antara variabel independen dan variabel dependen secara tepat. PLS memiliki beberapa kelebihan, antara lain dapat digunakan dengan jumlah sampel yang kecil, dapat mengatasi data multikolinearitas, dan tidak memerlukan asumsi tentang distribusi variabel. Oleh karena itu, PLS sering digunakan dalam penelitian sosial, ekonomi, dan bisnis. G. EVALUASI KUALITAS MODEL Evaluasi kualitas model dalam SEM (Structural Equation Modeling) sangat penting dilakukan untuk memastikan kecocokan model dan akurasi hasil analisis. Ada beberapa teknik yang digunakan untuk melakukan evaluasi kualitas model dalam SEM, antara lain sebagai berikut: 1. Goodness of Fit (GOF): Teknik ini mengukur seberapa baik model yang telah dibuat sesuai dengan data. Salah satu ukuran GOF adalah Chi-square yang dapat digunakan untuk menguji kecocokan antara model yang dibuat dengan data. Semakin rendah nilai Chi-square, semakin baik kecocokan antara model dan data. 2. Root Mean Square Error of Approximation (RMSEA): Teknik ini mengukur kesalahan aproksimasi model dalam suatu populasi. Semakin rendah nilai RMSEA, semakin baik aproksimasi model pada populasi. 3. Comparative Fit Index (CFI): Teknik ini mengukur seberapa baik model yang telah dibuat dibandingkan dengan model baseline yang telah dihitung. Semakin tinggi nilai CFI, semakin baik model yang dibuat dibandingkan dengan model baseline. 4. Standardized Root Mean Square Residual (SRMR): Teknik ini mengukur kesalahan residual dalam model. Semakin rendah nilai SRMR, semakin baik model yang dibuat.

allright reserved, Yayak Heriyanto, Maret 2023 38 Contoh penerapan evaluasi kualitas model dalam SEM adalah ketika seorang peneliti ingin memeriksa kecocokan model yang telah dibuat dengan data yang tersedia. Peneliti dapat menggunakan teknik goodness of fit, seperti chi-square, untuk mengukur kecocokan model. Jika nilai chi-square cukup rendah, maka dapat disimpulkan bahwa model yang dibuat cocok dengan data yang tersedia. Selain itu, peneliti juga dapat menggunakan teknik RMSEA, CFI, dan SRMR untuk mengukur kualitas model secara holistik. H. UJI RELIABILITAS Analisis reliabilitas dalam SEM (Structural Equation Modeling) digunakan untuk mengevaluasi keandalan dan stabilitas pengukuran konstruk yang digunakan dalam model SEM. Dalam SEM, pengukuran konstruk biasanya diindikasikan oleh beberapa variabel yang disebut indikator. Salah satu teknik yang umum digunakan untuk mengukur reliabilitas indikator dalam SEM adalah dengan menggunakan alfa Cronbach, yang mengukur konsistensi internal antara indikator untuk suatu konstruk. Alfa Cronbach dapat dihitung dengan mengukur koefisien korelasi antara indikator. Nilai alfa Cronbach yang tinggi menunjukkan bahwa indikator-indikator tersebut memiliki konsistensi internal yang tinggi, yang berarti indikator-indikator tersebut sangat dapat diandalkan dan stabil dalam mengukur konstruk yang sama. Selain itu, teknik analisis reliabilitas lain yang sering digunakan dalam SEM adalah validitas konvergen dan validitas divergen. Validitas konvergen adalah sejauh mana beberapa indikator untuk suatu konstruk yang sama memperlihatkan korelasi yang kuat. Validitas divergen, di sisi lain, adalah sejauh mana suatu indikator konstruk tidak berkorelasi dengan indikator dari konstruk lain yang berbeda. Dengan menggunakan kedua teknik ini, kita dapat memastikan bahwa indikator yang digunakan dalam pengukuran konstruk memiliki korelasi yang sesuai dengan teori dan definisi konstruk tersebut. Dalam SEM, analisis reliabilitas sangat penting karena konstruk yang kurang dapat diandalkan dan stabil dalam pengukurannya dapat mengarah pada hasil yang salah dan tidak dapat diandalkan. Oleh karena itu, peneliti perlu memperhatikan kualitas indikator yang digunakan dalam model SEM mereka dan menggunakan teknik analisis reliabilitas yang tepat untuk memastikan keandalan dan stabilitas pengukuran konstruk. I. MENGUJI HIPOTESIS Structural Equation Modeling (SEM) memungkinkan pengujian hipotesis tentang hubungan antara variabel yang ditentukan dalam model SEM. Pengujian hipotesis ini dapat dilakukan melalui pengujian signifikansi dari koefisien jalur dalam model dan pengujian kesesuaian model secara keseluruhan. Berikut adalah tahapan umum untuk menguji hipotesis dalam SEM:

allright reserved, Yayak Heriyanto, Maret 2023 39 1. Tentukan hipotesis penelitian Tentukan hipotesis penelitian mengenai hubungan antara variabel yang diteliti. Hipotesis harus dirumuskan dengan jelas, spesifik, dan mengarah pada prediksi yang dapat diuji. 2. Tentukan model SEM Tentukan model SEM yang sesuai untuk menguji hipotesis penelitian Anda. Model SEM mencakup variabel laten dan manifest, serta hubungan antara variabel-variabel tersebut. 3. Lakukan estimasi parameter Lakukan estimasi parameter pada model SEM menggunakan teknik estimasi yang sesuai, seperti Maximum Likelihood Estimation (MLE), Weighted Least Squares (WLS), atau Partial Least Squares (PLS). Estimasi parameter digunakan untuk memperoleh nilai koefisien jalur antara variabel dan untuk menguji signifikansi hubungan antara variabel tersebut. 4. Uji signifikansi koefisien jalur Lakukan uji signifikansi koefisien jalur untuk mengetahui apakah hubungan antara variabel-variabel dalam model signifikan secara statistik. Hal ini dapat dilakukan dengan melihat nilai t-statistik dan p-value dari setiap koefisien jalur dalam model. Jika p-value kurang dari tingkat signifikansi yang ditentukan (misalnya 0,05), maka koefisien jalur tersebut dianggap signifikan secara statistik. 5. Uji kesesuaian model Lakukan uji kesesuaian model untuk memeriksa seberapa baik model SEM yang diestimasi cocok dengan data observasi. Uji kesesuaian model dapat dilakukan dengan menggunakan berbagai statistik, seperti Chi-Square, Root Mean Square Error of Approximation (RMSEA), Goodness-of-Fit Index (GFI), Adjusted Goodness-of-Fit Index (AGFI), dan Comparative Fit Index (CFI). Jika nilai statistik menunjukkan kesesuaian yang baik antara model dan data, maka model dianggap cocok. 6. Interpretasikan hasil Setelah melakukan pengujian hipotesis dan evaluasi kesesuaian model, interpretasikan hasil untuk menjawab pertanyaan penelitian dan hipotesis yang telah ditetapkan. Berikan penjelasan dan interpretasi yang jelas mengenai hasil pengujian hipotesis dan kesimpulan yang dapat diambil dari hasil analisis. Dalam keseluruhan proses pengujian hipotesis dalam SEM, penting untuk memperhatikan prinsip-prinsip statistik yang benar, seperti tingkat signifikansi yang sesuai, pengujian kesesuaian model yang tepat, dan interpretasi hasil yang obyektif dan jelas.

allright reserved, Yayak Heriyanto, Maret 2023 40 BIBLIOGRAFI Arbuckle, J. L. (2013). Amos (Version 22.0) [Computer Program]. IBM SPSS. Byrne, B. M. (2012). Structural equation modeling with Mplus: Basic concepts, applications, and programming. Routledge. Byrne, B. M. (2016). Structural equation modeling with AMOS: Basic concepts, applications, and programming. Routledge. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning. Hoyle, R. H. (2012). Handbook of structural equation modeling. Guilford Press. Joreskog, K. G., & Sorbom, D. (2016). LISREL 10: User's Reference Guide. Scientific Software International. Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press. Lee, S. Y., & Song, X. Y. (2018). Evaluation of the goodness-of-fit indices for structural equation modeling. Journal of Korean Data & Information Science Society, 29(2), 193-202. Little, T. D. (2013). Longitudinal structural equation modeling. Guilford Press. Meulman, J. J., & Heiser, W. J. (2012). Structural equation modeling: Present and future—A Festschrift in honor of Karl Jöreskog. Scientific Software International. Muthén, B. O., & Muthén, L. K. (2017). Mplus (Version 8) [Computer Program]. Muthén & Muthén. Nunkoo, R., & Ramkissoon, H. (2012). Power issues in structural equation modeling: A review of articles published in tourism journals. Journal of Travel Research, 51(1), 1-12. Raykov, T., & Marcoulides, G. A. (2017). Introduction to psychometric theory. Routledge. Revelle, W. (2020). Psych: Procedures for personality and psychological research (Version 2.0.12) [Computer Program]. Northwestern University. Schreiber, J. B., Nora, A., Stage, F. K., Barlow, E. A., & King, J. (2006). Reporting structural equation modeling and confirmatory factor analysis results: A review. Journal of Educational Research, 99(6), 323-338. Sharma, S. (1996). Applied multivariate techniques. Wiley. Shumway, R. H., & Stoffer, D. S. (2017). Time series analysis and its applications: With R examples. Springer. Singh, K. (2015). Structural equation modeling: A beginner's guide. SAGE Publications.

allright reserved, Yayak Heriyanto, Maret 2023 41 Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson. Urbach, N., & Ahlemann, F. (2010). Structural equation modeling in information systems research using partial least squares. Journal of Information Technology Theory and Application, 11(2), 5-40.