Definisi sebuah model harus merepresentasi teori yang ada. Model SEM seharusnya tidak
dibangun tanpa dasar teori yang mendasarinya. Teori seringkali dijadikan objek utama bagi
seorang akademisi, tapi bagi seorang praktisi memungkinkan untuk mengembangkan sebuah
hubungan yang lebih kompleks namun masih berkaitan dengan teori yang ada. (Hair dkk.,
1998)
X3
Gambar 1 Gambar 2
Hubungan korelasi/kovarian (Correlational/Covariance Relationships), yaitu
hubungan (korelasi) yang muncul antar variabel konstruk yang ditandai dengan arah
anak panah dengan 2 kepala ( ). Lihat Gambar 3.
Konstruk1 Konstruk 2
Gambar 3
Nanta sigit 1310100106 2
Konstruk1 Konstruk 2
X1 X2 X3 X4 X5 X6
Gambar 4
Kesalahan Pengukuran
Kesalahan pengukuran yang berhubungan dengan X diberi simbol karakter delta
(), sedangkan yang berhubungan dengan Y diberi simbol karakter epsilon ()
5. TAHAPAN-TAHAPAN PROSES ANALISIS SEM
Hair dkk., (1998) merinci tahapan-tahapan dalam analisis SEM sebanyak 6 tahap :
Nanta sigit 1310100106 3
Misalkan seorang pemilik toko ingin mengetahui kesetiaan para pelanggan untuk berbelanja
di toko. Berikut model kesetiaan pelanggan pada sebuah toko, supermarket, minimarket
atau bentuk store lainnya.
Nanta sigit 1310100106 4
KEPERCAYAAN
LOYALTI
KEPUASAN
Dari model diatas, terlihat ada tiga konstruk (variabel laten), yakni loyalty, kepercayaan dan
kepuasan. Loyalti dipengaruhi oleh kepuasan dan kepercayaan, sedangkan diantara
kepercayaan dan kepuasan saling berkorelasi.
Gambar 5
Tampilan diatas (Gambar 5) disebut dengan work area (area kerja), dengan tiga bagian
utama.
a. Bagian paling kiri, yang terdiri atas kumpulan ikon untuk membuat sebuah diagram
(model), yang disebut dengan toolbar options.
b. Bagian tengah, tempat proses pengelolahan data dan hasil output akan disajikan.
c. Bagian paling kanan tempat proses pembuatan diagram (model) dilakukan, yang
disebut drawing area.
Membuat model SEM menggunakan ikon-ikon (toolbar) di sebelah kiri layar dan
menempatkannya di drawing area.
Memasukkan file data yang akan ditampilkan pada bagian tengah layar (pada area
Files in Current Directory di bagian bawah).
Proses data dan menyajikan hasil menggunakan ikon-ikon di bagian tengah layar
serta tampilan di bagian drawing area.
Perhatikan jumlah variabel laten dan hubungan variabel laten. Membuat dan
menamai variabel laten dengan ikon adalah langkah awal yang dilakukan untuk
membuat model.
Setelah variabel-variabel laten dibuat, selanjutnya dilakukan pemberian nama pada
setiap variabel laten
Perhatikan jumlah tiap-tiap indikator pada variabel laten. Pada umumnya, jumlah
indikator (variabel manifes) untuk setiap variabel laten adalah tiga sampai lima.
Namun untuk model yang kompleks, penempatan indicator yang banyak perlu
diperhatikan, agar model terlihat enak dipandang. Setelah semuat teridentifikasi,
buat variabel-variabel manifest untuk setiap variabel laten. Gunakan ikon atau
Setelah semua variabel laten dan manifes tersusun, guunakan ikon atau
Klik sekali ikon hingga pointer mouse tampak berubah, lalu arahkan
pojnter ke drawing area lalu buatlah lingkaran elips.
Setelah itu, letakkan ikon tersebut di tengah lingkaran tersebut, lalu klik
kiri sekali. Akan muncul sebuah indicator langkap dengan lingkaran kecil
sebagai tanda errornya. Lihat Gambar 6
Kemudian buat indikator tambahannya sampai dengan tiga indikator dengan
mengulangi langkah sebelumnya.
Kemudian ulangi langkah dari awal untuk membentuk variabel laten lainnya
(KEPUASAN dan LOYALTI). Lihat hasil akhir Gambar 7.
Nanta sigit 1310100106 8
Gambar 6
Gambar 7
Gambar 8
Isi Variable name dengan KEPERCAYAAN. Ubah Font size menjadi 13.
Kemudian tekan tomobol silang untuk menutup.
Untuk memberi nama variabel KEPUASAN dan LOYALTI dilakukan dengan
cara yang sama.
Beri nama juga variabel indikator masing-masing variabel laten dengan cara
yang sama.
Pada simbol error (kesalahan pengukuran) pada variabel KEPERCAYAAN
beri nama masing-masing e1,e2, dan e3. Demikian juga untuk variabel
KEPUASAN dan LOYALTY.
Buat error (kesalahan struktural) pada variabel LOYALTY dengan memilih
tombol dan beri nama E10.
Demikian juga simbol error pada variabel laten lainnya. Beri nama dengan
nama yang berbeda. Lihat selengkapnya pada Gambar 9.
Gambar 9
Gambar 10
Gambar 11
Nanta sigit 1310100106 11
Gambar 12
Maka akan muncul jendela Select a Data Table. Karena data kita ada di sheet1,
maka pilih Sheet1. Klik OK. Kemudian klik OK lagi.
Gambar 13
Stelah itu, pilih menu View/Set Variables in Dataset. Maka akan muncul jendela
Variable in Dataset. Lihat Gambar 14.
Nanta sigit 1310100106 12
Gambar 14
Gambar 15
Gambar 16
o Kemudian pilih menu Model-Fit Calculate Estimates atau tekan tombol Ctrl-F9.
Interpretasi Output
Gambar 17
Jika dilihat dari tabel di atas (Gambar 17), terlihat secara keseluruhan atau multivariate distribusi
tidak normal, karena angka multivariate (8.475) > 2,58. Angka 2,58 diperoleh dari nilai distribusi
normal Z dengan kesalahan signifikansi 1%. Lalu bagaimana jika data tidak normal? Perhatikan
terlebih dahulu pembahasan Uji Outlier.
Nanta sigit 1310100106 14
Uji Outlier
Gambar 18
Dari Gambar 18 diatas dapat disimpulkan sebuah data termasuk outlier jika mempunyai
angka p1 dan p2 kurang dari 0.05. pada data di atas, angka diurutkan mulai dari nomor
data yang mempunyai jarak terbesar. Dari seratus sampel data, data nomor 57 dan 24
dapat dianggap data outlier.
Kedua data outlier tersebut dihapus dari data dan kemudian dilakukan uji normalitas
kembali.
(1 ) (1 , 2 )
=[ ]
(2 , 1 ) (2 )
Contoh : Anggap ada 2 indikator yaitu X dan Y yang mengukur sebuah konstruk. Berikut data
mentahnya
X Y
8 7
5 8
4 3
3 7
7 7
Untuk menghitung kovarians antara X dan Y, buat data baru antara perkalian X dan Y dan
beri nama kolom baru dengan nama XY.
X Y XY
8 7 56
5 8 40
4 3 12
3 7 21
7 7 49
Nanta sigit 1310100106 15
X Y XY
8 7 56
5 8 40
4 3 12
3 7 21
7 7 49
5,4 6,4 35,6
(, ) = (, ) (). ()
( )2
( ) = , dimana adalah datanya, adalah rata-rata, dan n adalah
1
jumlah data.
Dengan demikian nilai varian () = 4,3 dan () = 3,8. Sehingga matrik varian
kovariannya adalah :
4,3 1,04
=[ ]
1,04 3,8
Matrik Korelasi
(,)
=
Dimana :
Dengan demikian hasil korelasi X dan Y adalah 0,3216. Sehingga matriks korelasinya :
1 0.3216
=[ ]
0.3216 1
Nanta sigit 1310100106 16
Gambar 19
Ketik print m1 pada layar kerja Session. Kemudian tekan tombol Enter pada
keyboard komputer. Lihat Gambar 20.
Nanta sigit 1310100106 17
Gambar 20
Maka akan keluar output Data Display pada layar Session. Lihat Gambar 21.
Gambar 21
Copy Paste matriks Matrix CORR1 tersebut pada layar Worksheet. Sebagaimana
tampak pada Gambar 21.
Nanta sigit 1310100106 18
Gambar 21
Setelah itu copy paste matriks korelasi (Matrix COOR) yang di Minitab ke Excel. Lihat
Gambar 22.
Gambar 22
Gunakan fungsi MDETERM (A1:C3). Lalu tekan Enter. Lihat Gambar 23.
Gambar 23
Hasilnya adalah 0.674791. Hasil nilai ini menunjukkan tidak ada masalah
multikolinearitas pada variabel indikator KEPERCAYAAN.
Nanta sigit 1310100106 19
X1
Konstruk X2
X3
Gambar 24
Second-order CFA
Second order CFA merupakan model CFA dimana sebuah atau beberapa indikator diukur
oleh beberapa indikator lainnya. Lihat Gambar 25.
X11
X1 X12
X13
X21
Konstruk X2 X22
X23
X31
X3
X32
X33
Gambar 25
CONTOH FIRST ORDER CFA :
Buat model CFA dengan konsep model KEPUASAN pelanggan sebuah toko seperti berikut
X1
X2
KEPUASAN
X3
X4
Nanta sigit 1310100106 20
Keterangan :
X1 = LAYANAN
X2 = HARGA
X3 = LETAK
X4 = LENGKAP
Gambar 27
Input data kepuasan_CFA.xls, dengan cara, pilih menu File Data Files File Name
kepuasan_CFA.xls
Pada kotak dialog Select a Data Table pilih sheet 1. Klik OK
Klik OK
Tampilkan variabel dengan cara pilih menu View/Set Variables in Dataset. Masukkan masing-
masing indikator sesuai tempatnya pada diagram jalur tersebut.
Pilih menu View/Set Analysis Properties Output centang Standardized estimate. Lihat
Gambar 28
Gambar 28
Kemudian pilih menu Model-Fit Calculate Estimates. Untuk menampilkan output, pilih View/Set
Text Output. Untuk mencopy output ke word, pilih ikon atau ketik Ctrl-C, kemudian paste ke word
Nanta sigit 1310100106 21
OUTPUT
Estimate
LAYANAN <--- KEPUASAN ,708
HARGA <--- KEPUASAN ,324
LETAK <--- KEPUASAN ,659
LENGKAP <--- KEPUASAN ,257
Dari hasil diatas diketahui hasil estimasi parameter tiap indikator signifikan, hal ini dilihat
dari nilai P yang kurang dari 0.05. dan indikator yang paling besar mengukur KEPUASAN
adalah layanan dengan estimasi sebesar 0.708
( )( )
=
[ 2 ( )2 ][ 2 ( )2 ]
Keterangan :
Item pertanyaan atau pernyataan diindikasikan memiliki validitas apabila item tersebut
memiliki kesesuaian dengan fungsi kuesioner secara keseluruhan, yaitu mengukur
konstruk. Untuk menentukan item mana yang memiliki validitas yang memadai, para
ahli menetapkan minimal besaran koefisien korelasi sebesar 0.5.
Nanta sigit 1310100106 22
( )
=
[( )2 + ( )2 2( )( )( )]
Langkah-langkah SPSS :
Gambar 29
Gambar 30
Masukkan semua variabel ke dalam kotak Variables:. Kemudian klik OK. Lihat
Gambar 31
Nanta sigit 1310100106 24
Gambar 31
OUTPUT
Correlati ons
x1 x2 x3 x4 x5 x6 x7 x8 total
x1 Pearson Correlation 1 .540* .026 .900** .224 .291 .659** .625** .764**
Sig. (2-tailed) .021 .917 .000 .372 .241 .003 .006 .000
N 18 18 18 18 18 18 18 18 18
x2 Pearson Correlation .540* 1 .279 .514* .474* .236 .097 .971** .774**
Sig. (2-tailed) .021 .263 .029 .047 .346 .701 .000 .000
N 18 18 18 18 18 18 18 18 18
x3 Pearson Correlation .026 .279 1 .029 .621** .404 .033 .227 .504*
Sig. (2-tailed) .917 .263 .908 .006 .096 .896 .366 .033
N 18 18 18 18 18 18 18 18 18
x4 Pearson Correlation .900** .514* .029 1 .248 .485* .733** .524* .796**
Sig. (2-tailed) .000 .029 .908 .320 .041 .001 .026 .000
N 18 18 18 18 18 18 18 18 18
x5 Pearson Correlation .224 .474* .621** .248 1 .263 -.011 .382 .586*
Sig. (2-tailed) .372 .047 .006 .320 .292 .966 .118 .011
N 18 18 18 18 18 18 18 18 18
x6 Pearson Correlation .291 .236 .404 .485* .263 1 .527* .195 .644**
Sig. (2-tailed) .241 .346 .096 .041 .292 .025 .439 .004
N 18 18 18 18 18 18 18 18 18
x7 Pearson Correlation .659** .097 .033 .733** -.011 .527* 1 .160 .571*
Sig. (2-tailed) .003 .701 .896 .001 .966 .025 .525 .013
N 18 18 18 18 18 18 18 18 18
x8 Pearson Correlation .625** .971** .227 .524* .382 .195 .160 1 .767**
Sig. (2-tailed) .006 .000 .366 .026 .118 .439 .525 .000
N 18 18 18 18 18 18 18 18 18
total Pearson Correlation .764** .774** .504* .796** .586* .644** .571* .767** 1
Sig. (2-tailed) .000 .000 .033 .000 .011 .004 .013 .000
N 18 18 18 18 18 18 18 18 18
*. Correlation is signif icant at the 0.05 lev el (2-tailed).
**. Correlation is signif icant at the 0.01 lev el (2-tailed).
Koefisien Alpha Cronbach merupakan statistic yabng paling umum digunakan para
peneliti untuk menguji reliabilitas suatu instrument penelitian. Dilihat menurut statistik
Alpha Cronbach, suatu instrument penelitian diindikasikan memiliki reliabilitas yang
memadai jika koefisien alpha Cronbach lebih besar atau sama dengan 0.7 (Hair dkk.,
1998). Dalam hal ini koefisien Alpha Cronbach didefinisikan sebagai berikut :
2
= ( ) (1 2 )
1
Nanta sigit 1310100106 25
Dimana :
k : Jumlah item
2 : Jumlah varians
2 : Varians skor total
Langkah-langkah SPSS :
Buka aplikasi SPSS
Ketikkan data pada Tabel 3 ke dalam layar kerja SPSS atau copy paste dari file
data_validitas.xls. Lihat Gambar 29.
Pilih menu Analyze Scale Reliability Analysis. Lihat Gambar 32
Gambar 32
Masukkan semua variabel ke dalam kotak Items kecuali variabel total. Biarkan
pilihan yang lainnya. Kemudian klik OK. Lihat Gambar 33.
Gambar 33
OUTPUT
Cronbach's
Alpha N of Items
.823 8
Nanta sigit 1310100106 26
Langkah-langkah :
Buat model diagram jalur sebagaimana tampak pada Gambar 34
Gambar 34
Input data matriks kovarian SECOND_ORDER.xls dengan cara klik menu File Data
Files File Name SECOND_ORDER.xls. Open Sheet1 OK OK
View/Set Analysis Properties Output centang Standardized Estimate dan
Squared Multiple Correlation. Atau pilih output lainnya sesuai kebutuhan.
Klik Model-Fit Calculate Estimate.
Gambar 35
Estimate
Negative_ Attitude <--- General_Depression .915
Somatic_Elements <--- General_Depression .849
Performance_Difticulty <--- General_Depression .929
BDI16 <--- Performance_Difticulty .541
BDI15 <--- Performance_Difticulty .490
BDI14 <--- Performance_Difticulty .616
BDI13 <--- Performance_Difticulty .442
BDI12 <--- Performance_Difticulty .293
BDI11 <--- Performance_Difticulty .577
BDI10 <--- Negative_ Attitude .443
BDI9 <--- Negative_ Attitude .497
BDI8 <--- Negative_ Attitude .568
BDI7 <--- Negative_ Attitude .481
BDI6 <--- Negative_ Attitude .695
BDI5 <--- Negative_ Attitude .535
BDI4 <--- Negative_ Attitude .470
BDI3 <--- Negative_ Attitude .633
BDI2 <--- Negative_ Attitude .533
BDI1 <--- Negative_ Attitude .602
BDI18 <--- Somatic_Elements .496
BDI19 <--- Somatic_Elements .546
BDI20 <--- Somatic_Elements -.044
BDI21 <--- Somatic_Elements .268
BDI17 <--- Performance_Difticulty .433
Nanta sigit 1310100106 29
Absolute Fit Measures mengukur model fit secara keseluruhan (baik model pengukuran
atau struktural). Sedangkan Incremental Fit Measures ukuran untuk membandingkan
proposed model dengan model lain yang dispesifikasi oleh peneliti. Dan Parsimonious Fit
Measures melakukan adjustment terhadap pengukuran fit untuk dibandingkan antar model
dengan jumlah koefisien yang berbeda.
Setelah model fit, proses selanjutnya adalah melihat apakah indikator-indikator yang ada
pada sebuah konstruk memang merupakan bagian atau dapat menjelaskan konstruk
tersebut. Proses tersebut dinamakan uji validitas konstruk. Ada 2 uji validitas konstruk :
Uji Convergent Validity
Jika memang sebuah indicator menjelaskan sebuah konstruk, maka indicator
tersebut akan mempunyai factor loading yang tinggi dengan konstruk
tersebut dan total indicator akan mempunyai variance extracted yang
cukup tinggi.
Uji Discriminant Validity
Jika ada dua atau lebih konstruk dalam satu model, seharusnya setiap
konstruk mempunyai keunikan tersendiri dan tidak berhubungan dengan
konstruk yang lain. Uji diskriminan berlawanan dengan uji konvergen; jika uji
konvergen menguji keeratan hubungan, uji diskriminan justru mencari
seberapa besar dua variabel berbeda.
Misal akan diuji dua konstruk, yaitu KEPUASAN dan KEPERCAYAAN. Variabel laten KEPUASAN
memiliki 4 indikator dan variabel KEPERCAYAAN memiliki 3 indikator. Pengujian dilakukan
untuk mengetahui apakah indicator-indikator itu membentuk masing-masing konstruk?
Lakukan tahapan langkah berikut :
Buka aplikasi AMOS
Pilih menu File New. Buat diagram jalur seperti tampak pada Gambar 34.
Nanta sigit 1310100106 30
Gambar 34
RMR, GFI
RMR, GFI. Terlihat angka GFI dan AGFI yang besar (mendekati 1), yang
disertai dengan angka RMR yang sangat kecil (medekati 0). Hal ini
menunjukkan bahwa model sudah fit. Sedangkan angka RMR yang kecil
menunjukkan kovarian sampel mendekati angka kovarian estimasi
Baseline Comparisons
Parsimony-Adjusted Measures
NCP
Model NCP LO 90 HI 90
Default model 10.294 .547 27.842
Saturated model .000 .000 .000
Independence model 98.760 68.055 136.978
FMIN
Model FMIN F0 LO 90 HI 90
Default model .235 .104 .006 .281
Saturated model .000 .000 .000 .000
Independence model 1.210 .998 .687 1.384
RMSEA
AIC (Aikake Information Criterion) dengan 4 ukuran AIC, BC, BIC dan
CAIC. Angka (pada default model) mempunyai nilai yang lebih kecil
dibandingkan saturated model atau independence model, hal ini
menunjukkan model fit dengan data yang ada.
Dimana
2 : nilai Chi-Square hitung
q : jumlah estimasi parameter
Pada model diatas, 2 adalah 23.294 dan q dilihat dari jumlah anak panah
pada model yakni sejumlah 15.
Maka AIC = 23.294 + (2.15) = 53.294
ECVI
HOELTER
HOELTER HOELTER
Model
.05 .01
Default model 96 118
Independence model 28 33
HOETLER. Yakni alat uji yang lebih memerhatikan kecukupan sampel
daripada model fit. Sebagai pedoman, angka Hoetler di atas 90
menunjukkan bahwa model fit dengan data yang ada. Seperti pada output,
dimana angka Hoetler adalah 96 (signifikan 5%) dan 118 (signifikan
10%). Sehingga dapat disimpulkan bahwa model fit.
Nanta sigit 1310100106 34
Estimate
citra <--- KEPERCAYAAN .583
care <--- KEPERCAYAAN .658
jujur <--- KEPERCAYAAN .600
letak <--- KEPUASAN .556 Factor Loadings
lengkap <--- KEPUASAN .637
harga <--- KEPUASAN .522
layanan <--- KEPUASAN .508
Angka-angka korelasi atau factor loadings dapat digunakan untuk mencari variance extracted.
Kedua hasil VE menunjukkan angka yang jauh dibawah 0.5. Hal ini menunjukkan tidak adanya
konvergensi di antara indicator untuk menjelaskan konstruk yang ada.
Estimate
KEPERCAYAAN <--> KEPUASAN .538
Estimate
layanan .258
harga .273
lengkap .406
letak .309
jujur .360
care .433
citra .340
Tabel di atas adalah hasil kuadrat dari angka korelasi pada tabel STANDARDIZED REGRESSION
WIGHT. Sebagai contoh, pada tabel STANDARDIZED REGRESSION WEIGHT angka korelasi antar
variabel CITRA dengan KEPERCAYAAN adalah 0.583. maka jika angka tersebut dikuadratkan akan
didapat hasil :
Angka 0.340 tersebut sama dengan angka pada kolom ESTIMATE (tabel Squared Multiple
Correlations) untuk variabel CITRA. Artinya variasi dari variabel CITRA dapat dijelaskan oleh konstruk
KEPERCAYAAN sebesar 0.34 x 100% = 34%. Sedangkan sisinya dijelaskan oleh uniqe factor dalam hal
ini adalah (e5)
Nanta sigit 1310100106 36
Gambar 35
CMIN
RMR, GFI
Baseline Comparisons
Parsimony-Adjusted Measures
NCP
Model NCP LO 90 HI 90
Default model 2.245 .000 20.580
Saturated model .000 .000 .000
Independence model 177.121 134.353 227.423
FMIN
Model FMIN F0 LO 90 HI 90
Default model .346 .023 .000 .208
Saturated model .000 .000 .000 .000
Independence model 2.244 1.789 1.357 2.297
RMSEA
AIC
AIC (Aikake Information Criterion) dengan 4 ukuran AIC, BC, BIC dan
CAIC. Angka (pada default model) mempunyai nilai yang lebih kecil
dibandingkan saturated model atau independence model, hal ini
menunjukkan model fit dengan data yang ada.
Dimana
2 : nilai Chi-Square hitung
q : jumlah estimasi parameter
Pada model diatas, 2 adalah 34.245 dan q dilihat dari jumlah anak panah
pada model yakni sejumlah 15.
Maka AIC = 34.245 + (2.23) = 80.245
ECVI
HOELTER
HOELTER HOELTER
Model
.05 .01
Default model 134 155
Independence model 28 32
Proses modifikasi model pada dasarnya sama dengan mengulang proses pengujian dan
estimasi model. Berikut contoh cara memodifikasi model.
TAHAP I :
Buka aplikasi AMOS
Buat diagram jalur sebagaimana Gambar 36.
Gambar 36
Gambar 37
OUTPUT
TAHAP II :
Buat diagram jalur modifikasi sesuai saran output AMOS sebelumnya. Lihat
Gambar 38
Gambar 38
Lakukan proses pengujian ulang. Klik Analyze Calculate estimate.
OUTPUT
PROFIT
Penelitian ini menggunakan sampel 100 perusahaan penjual eceran minyak pelumas oiltech,
peneliti melaporkan matriks korelasi antarvariabel sebagai berikut :
rowtype_ varname_ x1 x2 x3 y1 y2 y3 y4 y5 y6 y7
Nanta sigit 1310100106 44
N 100 100 100 100 100 100 100 100 100 100
MEAN 3 3.2 3.2 3.5 4 3.1 3.3 3.6 3.1 3.9
STDDEV 1.2 1.3 1.3 1.4 1.5 1.23 1.31 1.33 1.23 1.48
CORR x1 1
CORR x2 0.775 1
CORR x3 0.815 0.778 1
CORR y1 0.476 0.399 0.417 1
CORR y2 0.386 0.263 0.337 0.445 1
CORR y3 0.31 0.114 0.342 0.385 0.38 1
CORR y4 0.353 0.309 0.406 0.357 0.477 0.222 1
CORR y5 0.04 -0.033 0.098 0.072 0.197 0.211 0.198 1
CORR y6 0.127 0.105 0.13 0.224 0.252 0.054 0.16 0.668 1
CORR y7 0.109 0.098 0.139 0.186 0.258 0.09 0.158 0.628 0.675 1
Langkah langkah :
OUTPUT
Kita akan mempelajari tentang model SEM dengan variabel moderator. Berikut adalah
contoh penelitiannya :
Partisipasi Kinerja
Anggaran Manajerial
(PA) (KM)
Struktur
Organisasi
(SO)
TAHAPAN :
a) Tahap pertama, melakukan estimasi tanpa memasukkan variabel interaksi
sehingga kita hanya mengestimasi model dengan dua variabel eksogen untuk
memprediksi variabel endogen.
Lakukan estimasi model tanpa variabel interaksi untuk mendapatkan nilai
loading factor dan error variance dari masing-masing variabel laten eksogen
dengan model seperti di bawah ini.
Nanta sigit 1310100106 46
Gambar 41
OUTPUT
Estimate
KM <--- SO .770
KM <--- PA -.291
PA1 <--- PA .832
PA2 <--- PA .655
PA3 <--- PA .317
SO1 <--- SO .806
SO2 <--- SO .670
Nanta sigit 1310100106 47
Estimate
SO3 <--- SO .504
KM1 <--- KM .612
KM2 <--- KM .651
KM3 <--- KM .588
Estimate
PA <--> SO .640
b) Hasil ouput model ini digunakan untuk menghitung nilai loading factor variabel
laten interaksi (interaksi) dan nilai error variance dari indikator variabel laten
interaksi dengan rumus seperti di bawah ini :
interaksi = (x1 + x2)( z1 + z2) (i)
q = (x1 + x2)2 Var (X) (z1 + z2) + ( z1 + z2)2 Var (Z) (x1 + x2) + (x1 + x2)
(z1 + z2) . (ii)
dimana :
interaksi = loading factor dari variabel laten interaksi
q = error variance dari indikator variabel laten interaksi
c) Tahap kedua, setelah nilai interaksi dan nilai q diperoleh dari tahap pertama,
maka nilai-nilai ini dimasukkan kedalam model dengan variabel laten interaksi.
Hasil perhitungan manual dari loading factor interaksi kita gunakan untuk
menetapkan nilai parameter nilai loading interaksi sedangkan hasil manual
Nanta sigit 1310100106 48
Masukkan nilai standardized loading dan nilai error variance dari output AMOS
kedalam persamaan diatas.
interaksi = (0.832 + 0.655 + 0.317)( 0.806 + 0.670 + 0.504) = 3.571
q = (0.832 + 0.655 + 0.317)2 (2.141)(1.060 + 1.484 + 2.792) + (0.806 + 0.670 +
0.504)2(1.964)(0.952 + 1.288 + 2.568) + (0.952 + 1.288 + 2.568) (1.060 + 1.484 +
2.792) = 98.86
d) Tahap ketiga
sekarang kita siap mengestimasi model dengan memasukkan variabel
interaksi dan nilai loading factor untuk variabel interaksi kita konstrain
dengan nilai sebesar 3.571 dan error variance 98.86.
Gambar model dengan dengan variabel interaksi dengan satu indikator.
Gambar 42
Memberi loading factor variabel interaksi dengan cara letakkan kursor pada
garis regresi dari indikator interak ke variabel laten. Lalu klik mouse kanan dan
pilih Object Properties. Lihat Gambar 43.
Nanta sigit 1310100106 49
Gambar 43
Estimate
KM <--- SO 4.169
KM <--- PA -3.683
KM <--- interaksi .003
PA1 <--- PA .569
PA2 <--- PA .532
Nanta sigit 1310100106 50
Estimate
PA3 <--- PA .550
SO1 <--- SO .626
SO2 <--- SO .610
SO3 <--- SO .659
KM1 <--- KM .644
KM2 <--- KM .624
KM3 <--- KM .575
INTERAK <--- interaksi .034
INTERAK <--- e11 .999
Estimate
PA <--> SO .954
SO <--> interaksi 32.828
PA <--> interaksi 32.881