SOFTWARE LISREL

 

Panduan Lengkap LISREL (LInear Structural RELations)

1. Apa itu LISREL?

LISREL adalah perangkat lunak untuk Structural Equation Modeling (SEM) yang dikembangkan oleh Karl Jöreskog dan Dag Sörbom, dan dipasarkan oleh Scientific Software International (SSI). LISREL termasuk software SEM tertua dan paling berpengaruh. Nama "LISREL" juga merujuk pada kerangka matematika SEM berbasis matriks yang dirumuskan Jöreskog pada 1970-an, sehingga banyak literatur SEM memakai notasi LISREL (η, ξ, λ, β, γ, φ, ψ, θ).

Ciri utama:

• Termasuk CB-SEM (SEM berbasis kovarians)
• Bisa dijalankan dengan sintaks (coding) maupun diagram jalur
• Punya tiga gaya sintaks: SIMPLIS (sederhana, mudah), LISREL syntax (berbasis matriks, sangat fleksibel), dan path diagram
• Dilengkapi PRELIS untuk menyiapkan dan memeriksa data
• Mampu menangani data ordinal/non-normal (korelasi polikorik, estimator WLS/DWLS)
• Tersedia untuk Windows (ada dukungan terbatas untuk platform lain, cek situs resmi)
• Berbayar. Ada Student Edition gratis dengan batasan jumlah variabel, cocok untuk belajar dan model kecil.

2. Fungsi dan Kegunaan

Analisis	Keterangan
CFA	Menguji validitas konstruk dan model pengukuran
Analisis jalur	Pengaruh langsung dan tidak langsung antarvariabel teramati
Full SEM	Gabungan model pengukuran dan struktural
Multi-group analysis	Membandingkan model antar kelompok, uji invariansi pengukuran
Latent growth model	Perubahan variabel dari waktu ke waktu (data longitudinal)
Multilevel modeling	Data bertingkat (siswa dalam kelas, karyawan dalam perusahaan)
Data kategorik/ordinal	Lewat korelasi polikorik dan estimator yang sesuai
Missing data	Penanganan data hilang (FIML dan imputasi)
Modification indices	Saran perbaikan model
Survey & data kompleks	Analisis data survei dengan bobot dan desain sampel kompleks

Bidang pemakai: psikologi, pendidikan, sosiologi, manajemen, pemasaran, kesehatan masyarakat, riset survei.

3. Komponen Program LISREL

Modul	Fungsi
PRELIS	Import data, screening data (normalitas, outlier, missing), membuat matriks kovarians/korelasi, korelasi polikorik
SIMPLIS	Bahasa perintah sederhana yang mudah dibaca untuk menulis model
LISREL syntax	Bahasa perintah berbasis matriks (LX, LY, BE, GA, PH, PS, TD, TE), lebih fleksibel
Path Diagram	Menampilkan model dan hasil (estimasi, t-value, standardized) dalam diagram
Multilevel & lainnya	Modul tambahan untuk model bertingkat dan survei kompleks

4. Konsep Dasar SEM dalam Notasi LISREL

Simbol	Arti
ξ (ksi)	Variabel laten eksogen (bebas)
η (eta)	Variabel laten endogen (terikat)
X	Indikator dari variabel laten eksogen
Y	Indikator dari variabel laten endogen
λ (lambda)	Loading factor (LX untuk X, LY untuk Y)
γ (gamma)	Pengaruh eksogen terhadap endogen
β (beta)	Pengaruh antar variabel endogen
φ (phi)	Kovarians antar variabel eksogen
ψ (psi)	Error/residual struktural
δ (delta) / ε (epsilon)	Error pengukuran untuk X / Y

Simbol ini penting karena hasil dan buku teks SEM sering memakainya.

5. Instalasi

1. Buka situs resmi SSI (ssicentral.com), menu LISREL
2. Pilih Student Edition (gratis) atau versi penuh (berbayar / lisensi kampus)
3. Unduh installer, jalankan, lalu ikuti langkahnya
4. Untuk versi penuh, masukkan kode lisensi

Catatan: batas jumlah variabel Student Edition, harga, dan versi terbaru bisa berubah, jadi cek langsung di situs resmi.

6. Mengenal Tampilan LISREL

• Menu utama: File, Edit, View, Data, Transformation, Statistics, Graphs, Multilevel, Survey GLIM, View, Window, Help
• Toolbar: pintasan membuka file, menjalankan analisis (ikon L untuk LISREL, P untuk PRELIS), dan path diagram
• Jendela Editor: tempat menulis sintaks (.spl untuk SIMPLIS, .ls8 untuk LISREL, .pr2 untuk PRELIS)
• Jendela Output (.out): hasil analisis
• Jendela Path Diagram: tampilan diagram hasil

7. Cara Menggunakan LISREL (Langkah demi Langkah)

A. Menyiapkan Data

1. Susun data di Excel atau SPSS: satu kolom per item, satu baris per responden, tanpa sel gabungan
2. Simpan sebagai .csv, .xlsx, atau .sav
3. Buka lewat File → Import Data, lalu pilih format file
4. Simpan sebagai file LISREL (.psf)

B. Memeriksa Data dengan PRELIS

1. Buka file .psf
2. Statistics → Data Screening → Output Options
3. Definisikan tipe variabel (Define Variables): continuous atau ordinal
4. Untuk melihat normalitas: pilih Statistics → Data Screening → Tests of Normality
5. Untuk membuat matriks: Statistics → Output Options, pilih Moment Matrix (Covariance/Correlation) dan simpan (misalnya data.cov). Untuk data ordinal, pilih Correlations → Polychoric, dan simpan juga asymptotic covariance matrix (.acm) jika memakai WLS/DWLS.
6. Klik Run PRELIS.

C. Menulis Model dengan SIMPLIS

Contoh model: Kepuasan (3 indikator) memengaruhi Loyalitas (3 indikator).

Judul: Pengaruh Kepuasan terhadap Loyalitas
Observed Variables: X1 X2 X3 Y1 Y2 Y3
Covariance Matrix from File data.cov
Sample Size: 200
Latent Variables: Kepuasan Loyalitas
Relationships:
X1 = 1*Kepuasan
X2 X3 = Kepuasan
Y1 = 1*Loyalitas
Y2 Y3 = Loyalitas
Loyalitas = Kepuasan
Options: ND=3 SS SC RS MI
Path Diagram
End of Problem

Penjelasan singkat:

• Observed Variables = daftar indikator
• Covariance Matrix from File = sumber matriks data
• Sample Size = jumlah responden
• Latent Variables = nama konstruk
• Relationships = spesifikasi hubungan. 1* menetapkan bobot 1 pada indikator penanda (marker).
• Options: ND=3 (3 desimal), SS (standardized solution), SC (completely standardized), RS (residuals), MI (modification indices)
• Path Diagram = menampilkan diagram hasil

D. Menjalankan Analisis

1. Simpan sebagai .spl
2. Klik ikon Run LISREL (huruf L)
3. Hasil muncul di file .out dan jendela path diagram.

E. Membuat Model Lewat Path Diagram

1. File → New → Path Diagram
2. Setup → Title and Comments, lalu Setup → Group Names
3. Setup → Labels untuk memilih variabel teramati dari data
4. Gambar model dengan ikon: kotak (teramati), elips (laten), panah
5. Setup → Build SIMPLIS Syntax untuk mengubah gambar menjadi sintaks
6. Jalankan seperti biasa.

Dalam tampilan diagram hasil, pilih mode lewat menu atau ikon: Estimates, Standardized Solution, t-values, dan Modification Indices.

8. Membaca Hasil Analisis

A. Uji Kecocokan Model (Goodness of Fit)

Cari bagian Goodness of Fit Statistics di output.

Indeks	Kriteria umum
Chi-square (χ²)	Semakin kecil semakin baik, p > 0,05 (sensitif terhadap sampel besar)
χ²/df	≤ 2 (atau ≤ 3)
RMSEA	≤ 0,08 (lebih baik ≤ 0,05)
SRMR	≤ 0,08
GFI	≥ 0,90
AGFI	≥ 0,90
NFI	≥ 0,90
NNFI (TLI)	≥ 0,90 (lebih baik ≥ 0,95)
CFI	≥ 0,90 (lebih baik ≥ 0,95)
IFI	≥ 0,90

Catatan: Ini pedoman umum dan berbeda antar-referensi. Laporkan beberapa indeks sekaligus. Nilai fit tidak menggantikan dasar teori.

B. Model Pengukuran (CFA)

• Standardized loading (λ): ≥ 0,50 (lebih baik ≥ 0,70)
• t-value loading: ≥ 1,96 (signifikan pada α = 0,05)
• R² (squared multiple correlations) tiap indikator
• AVE ≥ 0,50 dan CR ≥ 0,70, dihitung manual dari loading dan error variance karena tidak muncul otomatis
• Validitas diskriminan: akar AVE lebih besar daripada korelasi antar-konstruk

C. Model Struktural

• Lihat persamaan struktural (Structural Equations): koefisien γ atau β dengan standard error dan t-value
• Pengaruh signifikan jika |t| ≥ 1,96 (α = 0,05) atau |t| ≥ 1,645 (uji satu arah, α = 0,05)
• Lihat R² untuk daya jelaskan variabel endogen
• Gunakan Standardized Solution untuk membandingkan besar pengaruh

D. Pengaruh Tidak Langsung

• Tambahkan opsi EF (effects) di Options untuk menampilkan pengaruh langsung, tidak langsung, dan total
• Signifikansi efek tidak langsung dapat dilihat dari t-value pada output

9. Perbaikan Model

Jika model belum fit:

1. Periksa loading rendah (< 0,50) atau t-value tidak signifikan
2. Lihat Modification Indices (MI): MI tinggi pada pasangan error (theta-delta atau theta-epsilon) menunjukkan kemungkinan korelasi error
3. Periksa Standardized Residuals (nilai > |2,58| bermasalah)
4. Periksa normalitas dan outlier di PRELIS
5. Gunakan estimator yang sesuai bila data tidak normal atau ordinal (misalnya Robust ML, WLS, atau DWLS)
6. Modifikasi satu per satu, dengan dasar teori

Contoh menambahkan korelasi error di SIMPLIS:

Set the Error Covariance of X1 and X2 Free

10. Asumsi dan Syarat

• Ukuran sampel memadai (aturan praktis: minimal 100–200 atau 5–10 kali jumlah parameter)
• Normalitas multivariat untuk estimasi ML (bila tidak terpenuhi, pakai estimator robust)
• Tidak ada outlier ekstrem
• Model teridentifikasi (df ≥ 0, ideal over-identified)
• Multikolinearitas rendah, dan data missing ditangani dengan tepat
• Indikator ideal ≥ 3 per konstruk

11. Menyimpan dan Mengekspor Hasil

• Simpan sintaks: File → Save (.spl / .ls8)
• Simpan output: file .out otomatis dibuat setelah analisis
• Diagram ke Word: Edit → Copy (path diagram), lalu tempel
• Simpan diagram sebagai gambar: File → Save As atau Export

12. Perbandingan LISREL dengan Software SEM Lain

Aspek	LISREL	AMOS	SmartPLS	Mplus	lavaan (R)
Pendekatan	CB-SEM	CB-SEM	PLS-SEM	CB-SEM	CB-SEM
Cara kerja	Sintaks & diagram	Grafis	Grafis	Sintaks	Coding
Harga	Berbayar (ada Student Edition)	Berbayar	Berbayar (versi gratis terbatas)	Berbayar	Gratis
Kemudahan	Sedang	Mudah	Mudah	Sulit	Sedang
Data ordinal	Baik (PRELIS)	Terbatas	Tersedia	Sangat baik	Baik
Fleksibilitas	Tinggi	Sedang	Sedang	Sangat tinggi	Sangat tinggi
Sistem operasi	Windows	Windows	Windows, macOS	Windows, macOS, Linux	Semua

13. Kelebihan dan Kekurangan

Kelebihan

• Pelopor SEM dengan reputasi kuat, banyak dipakai di jurnal
• Sangat fleksibel: model matriks memungkinkan spesifikasi rumit
• PRELIS membantu menangani data ordinal dan non-normal
• Mendukung multi-group, longitudinal, dan multilevel
• SIMPLIS mudah dipelajari dibanding sintaks matriks
• Student Edition memudahkan belajar

Kekurangan

• Kurva belajar lebih curam dibanding AMOS
• Sintaks matriks (LISREL murni) sulit bagi pemula
• Tampilan antarmuka terkesan kuno
• Versi penuh berbayar dan Student Edition terbatas jumlah variabelnya
• Tidak menghitung AVE dan CR otomatis
• Tidak mendukung PLS-SEM
• Tidak seluas Mplus atau lavaan untuk beberapa model lanjutan

14. Tips Praktis

1. Mulai dengan SIMPLIS, karena lebih mudah dibaca dan dipahami.
2. Selalu awali dengan PRELIS untuk screening data dan membuat matriks.
3. Pastikan jumlah sampel di sintaks sama dengan jumlah responden sebenarnya.
4. Lakukan CFA per konstruk dahulu, baru full SEM.
5. Periksa pesan error di file .out (misalnya matriks not positive definite atau Heywood case).
6. Gunakan t-value (bukan p-value) untuk menilai signifikansi koefisien.
7. Pilih estimator sesuai skala data: ML untuk data normal, robust/WLS/DWLS untuk ordinal atau non-normal.
8. Simpan salinan sintaks sebelum memodifikasi model.