Anda di halaman 1dari 6

Amos

Tujuh Langkah SEMLangkah pertama: Pengembangan Model TeoritisLangkah pertama


dalam SEM adalah melalukan identifikasi secara teoretisterhadap permasalahan penelitian.
Topik penelitian ditelaah secara mendalam danhubungan antara variabel-variabel yang akan
dihipotesiskan harus didukung olehjustifikasi teori yang kuat. Hal ini dikarenakan SEM
adalah untuk mengkonfirmasikan apakah data observasi sesuai dengan teori atau tidak.
JadiSEM tidak dapat digunakan untuk menguji hipotesis kausalitas imaginer. Langkahini
mutlak harus dilakukan dan setiap hubungan yang akan digambarkan dalamlangkah lebih
lanjut harus mempunyai dukungan teori yang kuat. Berbeda halnyadengan metode lain yaitu
Partial Least Square (PLS) yang tidak memerlukandukungan teori dan dapat digunakan untuk
menguji hipotesis kausalitas imaginer.Langkah kedua: Pengembangan Diagram Alur (Path
Diagram)Langkah kedua adalah menggambarkan kerangka penelitian dalam sebuahdiagram
alur (path diagram). Kesepakatan yang ada dalam penggambaran diagramalur telah
dikembangkan oleh LISREL, sehingga tinggal menggunakannya saja.Beberapa ketentuan
yang ada pada penggambaran diagram alur adalah:1. Anak panah satu arah digunakan untuk
melambangkan hubungan kausalitasyang bisanya merupakan permasalahan penelitian dan
juga dihipotesiskan2. Anak panah dua arah digunakan untuk melambangkan korelasi antara
duavariabel eksogen dan mungkin juga korelasi antara dua indikator.3. Bentuk elips,
digunakan untuk melambangkan suatu konstruk yang tidak diukur secara langsung, tetapi
diukur dengan menggunakan satu atau lebih indikator 4. Bentuk kotak, melambangkan
variabel yang diukur langsung (observerb)5. Huruf e, digunakan untuk melambangkan
kesalahan pada masing-masingpengamatan. Nilai ini harus diberikan kepada setiap variabel
observerb.6. Huruf z, digunakan untuk melambangkan kesalahan estimasi. Nilai inidiberikan
kepada semua variabel endogen.7. Variabel eksogen, adalah variabel yang mempengaruhi,
biasa disebut variabelindependen dalam analisis regresi.8. Variabel endogen, adalah variabel
yang dipengaruhi, biasa disebut variabeldependen dalam analisis regresi.Langkah Ketiga:
Konversi Diagram Alur ke dalam Persamaan Struktural danModel PengukuranLangkah
ketiga adalah mengkonversikan diagram alur ke dalam persamaan, baik persamaan struktural
maupun persamaan model pengukuran. Sebenarnya langkahini telah dilakukan secara
otomatis oleh program SEM yang tersedia (AMOS atauLISREL). Berikut adalah contoh
persamaan umum strukturalVariabel Endogen = Variabel Eksogen + Kesalahan
estimasiSebagai ilustrasi, model persamaan adalah pengaruh antara motivasi (MT)terhadap
kepuasan (KP), dan selanjutnya kepuasan terhadap kinerja (KN). Jadipersamaan
strukturalnya adalah:KP = 1 M + z1KN = 2 KP + z2

Dengan z1 adalah kesalahan estimasi antara motivasi terhadap kepuasan dan z2adalah
kesalahan estimasi antara kepuasan terhadap kinerja; dan 1 adalahkoefisien regresi motivasi
ke kepuasan, dan 2 adalah koefisien regresi kepuasanke kinerja.Sebagai ilustrasi, motivasi
diukur dengan tiga indikator MT1, MT2 dan MT3,maka persamaan model pengukurannya
adalah:MT1 = 1 MT + e1MT2 = 2 MT + e2MT3 = 3 MT + e3Dengan 1 adalah loading
faktor indikator MT1 ke konstruk motivasi, 2 adalahloading faktor MT2 ke konstruk
motivasi dan 3 adalah loading faktor indikator MT3 ke konstruk motivasi; e1 adalah
kesalahan pengukuran indikator MT1, e2adalah kesalahan pengukuran indikator MT2 dan e3
adalah kesalahan pengukuranindikator MT3.Langkah Keempat: Memilih Jenis Matrik Input
dan Estimasi Model yangDiusulkanJenis matrik input yang dimasukkan adalah data input
berupa matrik varian ataukovarian atau matrik korelasi. Data mentah observasi akan diubah
secara otomatisoleh program menjadi matriks kovarian atau matriks korelasi. Matriks
kovarianmempunyai kelebihan dibandingkan matriks korelasi dalam memberikan
validitasperbandingan antara populasi yang berbeda atau sampel yang berbeda.
Namunmatriks kovarian lebih rumit karena nilai koefisien harus diinterpretasikan atasdasar
unit pengukuran konstruk.Estimasi model yang diusulkan adalah tergantung dari jumlah
sampel penelitian,dengan kriteria sebagai berikut: (Ferdinand, 2006:47)Antara 100 200 :
Maksimum Likelihood (ML)Antara 200 500 : Maksimum Likelihood atau Generalized
Least Square (GLS)Antara 500 2500 : Unweighted Least Square (ULS) atau Scale Free
LeastSquare (SLS)Di atas 2500 : Asymptotically Distribution Free (ADF)Rentang di atas
hanya merupakan acuan saja dan bukan merupakan ketentuan.Bila ukuran sampel di bawah
500 tetapi asumsi normalitas tidak terpenuhi bisasaja menggunakan ULS atau SLS.Langkah
berikutnya adalah dengan melakukan estimasi model pengukuran danestimasi struktur
persamaan1. Estimasi Model Pengukuran (Measurement Model).Juga sering disebut dengan
Confirmatory Factor Analysis (CFA). Yaitu denganmenghitung diagram model penelitian
dengan memberikan anak panah dua arahantara masing-masing konstruk. Langkah ini adalah
untuk melihat apakah matrikskovarian sampel yang diteliti mempunyai perbedaan yang
signifikan atau tidak dengan matriks populasi yang diestimasi. Diharapkan tidak terdapat
perbedaanyang signifikan sehingga nilai signifikansi pada Chi-Square di atas 0,05.2. Model
Struktur Persamaan (Structure Equation Model).Juga sering disebut dengan Full model, yaitu
melakukan running program denganmodel penelitian. Langkah ini untuk melihat berbagai
asumsi yang diperlukan,sekaligus melihat apakah perlu dilakukan modifikasi atau tidak dan
pada akhirnyaadalah menguji hipotesis penelitian.

Langkah Kelima: Kemungkinan Munculnya Masalah IdentifikasiBeberapa masalah


identifikasi yang sering muncul sehingga model tidak layak diantaranya adalah sebagai
berikut:1. Standard error yang besar untuk satu atau beberapa koefisien.Standard error yang
besar menunjukkan adanya ketidaklayakan model yangdisusun. Standard error yang
diharapkan adalah relatif kecil, yaitu di bawah 0,5atau 0,4 akan tetapi nilai standard error
tidak boleh negatif yang akan diuraikanlebih lanjut di bawah pada point 3.2. Program tidak
mampu menghasilkan matriks informasi yang seharusnyadisajikan.Jika program tidak
mampu menghasilkan suatu solusi yang unik, maka outputtidak akan keluar. Hal ini bisa
disebabkan oleh beberapa hal, misalnya sampelterlalu sedikit atau iterasi yang dilakukan
tidak konvergen.3. Munculnya angka-angka yang aneh seperti adanya varians error yang
negatif.Varians error yang diharapkan adalah relatif kecil tetapi tidak boleh negatif.
Jikanilainya negatif maka sering disebut heywood case dan model tidak
bolehdiinterpretasikan dan akan muncul pesan pada output berupa this solution is
notadmissible.4. Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang
didapat(misal 0,9).Gangguan ini juga sering disebut sebagai singularitas dan menjadikan
model tidak layak untuk digunakan sebagai sarana untuk mengkonfirmasikan suatu teori
yangtelah disusun.Langkah Keenam: Evaluasi Kriteria Goodness of Fit1. Uji Kesesuaian dan
Uji Statistik. Ada beberapa uji kesesuaian statistik, berikutadalah beberapa kriteria yang
lazim dipergunakana. Likelihood ratio chi-square statistic (2). Pada program AMOS, nilai
ChiSquare dimunculkan dengan perintah \cmin. Nilai yang diharapkan adalah kecil,atau lebih
kecil dari pada chi Square pada tabel. Chi-square tabel dapat dilihatpada tabel, dan jika tidak
tersedia di tabel (karena tabel biasanya hanya memuatdegree of freedom sampai dengan 100
atau 200), maka dapat dihitung denganMicrosoft Excel dengan menu CHINV. Pada menu
CHINV, baris probabilitasdiisi 0,05 dan deg_freedom diisi jumlah observasi. Maka Microsoft
Excel akanmenghitung nilai chi-square tabel.b. Probabilitas. Dimunculkan dengan menu \p.
Diharapkan nilai probabilitas lebihdari 0,05 (5%)c. Root Mean Square Error Approximation
(RMSEA). Dimunculkan denganperintah \rmsea. Nilai yang diharapkan adalah kurang dari
0,08.d. Goodness of Fit Index (GFI). Dimunculkan dengan perintah \gfi dan nilai
yangdiharapkan adalah lebih besar dari 0,9.e. Adjusted Goodness of Fit Index (AGFI).
Dimunculkan dengan perintah \agfidan nilai yang diharapkan adalah lebih besar dari 0,9.f.
The Minimum Sampel Discrepancy Function atau Degree of Freedom(CMIN/DF).
Dimunculkan dengan perintah \cmin/df dan nilai yang diharapkanadalah lebih kecil dari 2
atau 3.g. Tucker Lewis Index (TLI). Dimunculkan dengan perintah \tli dan nilai yang

critical ratio lebih dari 2,58 pada taraf signifikansi 1 persen atau 1,96 untuk signifikansi
sebesar 5%. Langkah ini sama dengan pengujian hipotesis padaanalisis regresi berganda yang
sudah dikenal dengan baik.Structral Equation Modeling (SEM) Berbasis VarianceSEM
memiliki fleksibilitas yang lebih tinggi bagi peneliti mengkonfirmasikanteori dengan data,
dibandingkan teknik multivariate yang berkembangsebelumnya yaitu principal component
analysis, factor analysis, discriminantanalysis atau multiple regression. Terdapat dua
kelompok SEM akhir-akhir iniyaitu, berbasis covariance dan berbasis variance
(component)SEM berdasarkan pada CovarianceSEM berbasis covariance yang berkembang
sekitar tahun 1973 mulai menarik perhatian para peneliti setelah keluarnya LISREL III yang
dikembangkan olehJoreskog dan Sorbom. Ide dasarnya adalah dengan menggunakan
fungsiMaximum Likelihood (ML) sehingga covariance based SEM (CBSEM)sebenarnya
berusaha meminimumkan perbedaan antara sample covariance dancovariance yang diprediksi
oleh model teoritis. Penggunaan CBSEM sangatdipengaruhi oleh asumsi parametrik yang
harus dipenuhi seperti variabel yangdiobservasi memiliki multivariate normal distribution
dan observasi harusindependen satu sama lain.CBSEM sangat dipengaruhi oleh jumlah
sampel, karena jumlah sample kecildapat menghasilkan model yang jelek masih dapat
menghasilkan model fit.CBSEM mengharuskan dalam membentuk variabel latent, indikatorindikatornyabersifat refleksif. Dalam model refleksif indikator atau manifest
dipandangvariabel yang dipengaruhi oleh variabel laten sesuai dengan teori
pengukuranclassical test theory. Pada model indikator refleksif, indikator-indikator pada
satukonstruk (variabel laten) dipengaruhi oleh konsep yang sama. Perubahan dalamsatu item
atau indikator akan berakibat pada perubahan indikator lainnya denganarah yang sama.Pada
kenyataannya indikator dapat dibentuk dalam bentuk formatif indikator model yaitu indikator
dipandang sebagai variabel yang mempengaruhi variabellaten. Sebagai ilustrasi indikator
pendidikan, pekerjaan dan pendapatanmempengaruhi variabel laten status sosial ekonomi.
Jika salah satu indikator meningkat maka indikator yang lain tidak harus ikut meningkat pula.
Kenaikanpada suatu indikator pendapatan akan meningkatkan variabel laten.Penggunaan
model indikator formatif dalam CBSEM akan menghasilkan modelyang unidentified yang
berarti terdapat covariance bernilai nol di antara beberapaindikator. Hubungan kausalitas
model struktural dibangun atas dasar teori danCBSEM hanya ingin mengkonfirmasi apakah
model berdasarkan teori tadi tidak berbeda dengan model empirisnya.Dengan beberapa

keterbatasan yang ada maka sekarang banyak yangmenggunakan SEM berbasis component
atau variance yang terkenal dengan
Partial Least Square (PLS).SEM berbasis component atau variance PLSPada dasarnya,
tujuan PLS adalah prediksi. Variabel laten didefinisikan sebagaijumlah dari indikatornya.
Hasil komponen skore untuk setiap variabel latendidasarkan pada estimated indicator weight
yang memaksimumkan varianceexplained untuk variabel dependent (laten, observe atau
keduanya). PLSmerupakan metode analisis yang powerfull oleh karena tidak didasarkan
banyak asumsi. Data tidak harus berdistribusi normal multivariate (indikator dengan
skalakategor sampai ratio dapat digunakan pada model yang sama), sample tidak harusbesar
dan residual distribution. Walaupun PLS dapat juga digunakan untuk mengkonfirmasi teori,
tetapi dapat juga digunakan untuk menjelaskan ada atautidaknya hubungan antar variabel
laten. Oleh karena lebih menitik beratkan padadata dan dengan prosedur estimasi yang
terbatas, maka mispesifikasi model tidak begitu berpengaruh terhadap estimasi
parameter.PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan
indikator refleksif dan indikator formatif dan hal ini tidak mungkin dijalankan dalamCBSEM
karena akan terjadi unidentified model. Oleh karena PLS menggunakananalisis series
ordinary least square, maka identifikasi model bukan masalahdalam model rekursive dan juga
tidak mengasumsikan bentuk distribusi tertentudari pengukuran variabel.Beberapa program
yang dirancang khusus untuk menyelesaikan model denganPLS adalah SmartPLS, PLS
Graph, Visual PLS dan PLS Gui. Semua programtersebut dapat di download secara gratis
dari internet. Berikut adalah alamat-alamat penyedia software tersebut: (anda juga bisa tanya
sama Mbah Google)http://dmsweb.badm.sc.edu untuk program PLS Guihttp://kuas.edu.tw
untuk program VPLShttp://smartpls.de untuk program SmartPLShttp://bauer.uh.edu untuk
program PLS GraphProgram-program tersebut sampai sekarang masih merupakan versi Beta
(kecualiPLS Graph) sehingga masih bisa di download secara gratis. Tapi gak tahu lhobesokbesok. So, bagi yang butuh buruan aja..Amos For SEMProgram Analysis Moment of
Structural (AMOS) adalah salah satu program yangdirancang khusus untuk menyelesaikan
Structural Equation Modeling (SEM).Sebenarnya juga banyak program lain yang serupa
misalnya EQS, LISREL,LISCOMP, STATISTICA dan lain-lain. Akan tetapi AMOS
merupakan programyang paling banyak digunakan di Indonesia.

Program ini dapat di download secara gratis di http://www.smallwaters.commeskipun hanya


merupakan versi student. Versi student sebenarnya sama persisdengan full version, hanya

mempunyai beberapa keterbatasan, di antaranya hanyadapat digunakan untuk delapan


variabel saja. Tentu saja penelitian yangsebenarnya akan lebih dari delapan variabel,
sehingga anda harus membeli untuk mendapatkan full version. Jika anda membeli, akan akan
diberi script yang jikaanda masukkan ke dalam versi student, maka program AMOS versi
studenttersebut akan menjadi full version. Jadi sebuah deretan angka dan huruf
tetapimempunyai harga yang sangat mahal!! He he. Jadi kalau anda bisa mendapatkanscript
tersebut, ya anda dapat menggunakan AMOS full version, tapi..ya namanyabajakan!!!
Mungkin sama dengan Windows yang anda gunakan di rumah.Pada awalnya AMOS berdiri
sendiri, dan akhirnya dibeli oleh perusahaan statistik raksasa yaitu Statistic Package for
Service Solution (SPSS), sehingga akhirnyakedua program itu digabung menjadi sebuah
paket program statistik. Browse ajake http://www.spss.com. Kelebihan dari program AMOS
adalah user friendlymeskipun sebenarnya AMOS menggunakan notasi yang dikembangkan
olehLISREL. Penggabungan SPSS dan AMOS memberikan banyak keuntungan bagipara
pengguna (baik yang beli maupun yang bajak!!! He he). Ketika berdirisendiri AMOS tidak
mempunyai spreadsheet untuk tabulasi data, sehingga harusmengakses dari program lain,
misalnya SPSS itu sendiri, Microsoft Excel atauASCII. Juga AMOS tidak dapat digunakan
untuk uji statistik lain yang sebenarnyasederhana, misalnya analisis deskriptif. Beberapa
analisis SEM memang masihmemerlukan uji seperti itu, misalnya untuk uji outliers. Dengan
penggabungan itu,maka menjadi lebih komprehensif, meskipun, memerlukan spek komputer
yang lebih tinggi