Tutorial SEM Amos PDF

Nanta sigit 1310100106 1
1. MENGENAL STRUCTURAL EQUATION MODELLING (SEM)

SEM (Structural Equation Modelling) adalah alat analisis statistik yang semakin poluler. SEM
merupakan gabungan dari analisis faktor dan analisis regresi. Pada tahun 1950-an SEM
sudah mulai dikemukakan oleh para ahli statistik yang mencari metode untuk membuat
model yang dapat menjelaskan hubungan di antara variabel-variabel. Dalam kenyataannya,
khususnya ilmu-ilmu sosial, banyak variabel yang bersifat laten, seperti motivasi seseorang,
komitmen, kesetiaan pelanggan dan lainnya. Di era 1970-an dimana kemajuan teknologi
semakin berkembang, memungkinkan alaat analisis SEM dikembangkan pula. Joreskog dan
Sorbom mengembangkan metode estimasi maximum likelihood, dan dengan mulai
munculnya software khusus SEM, seperti LISREL, AMOS, EQS dan sebagainya, alat analisis
SEM saat ini sudah menjadi prosedur multivariate yang dominan.
2. KONSEP DASAR SEM

STRUCTURAL EQUATION MODELING (SEM) adalah kelompok model statistik yang bisa
menjelaskan hubungan antara banyak variabel (multiple variable). SEM menguji struktur
antar hubungan yang digambarkan dalam persamaan berurutan, yang hampir sama dengan
persamaan regresi berganda. (Hair dkk., 1998). SEM terdiri dari dua bagian : (a) bagian
pengukuran yang menghubungkan observed variable (variabel manifest atau variabel
terukur atau variabel indikator) dengan unobserved variable (variabel laten atau variabel
konstruk atau variabel tidak terukur) lewat CFA atau Confirmatory Factor Analysis dan (b)
bagian yang menghubungkan antar variabel laten lewat persamaan regresi simultan.
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)
3. HUBUNGAN STRUKTURAL SEM

Sebuah model structural (SEM) mengandung hubungan struktural antar variabel laten. Ada
tiga tipe hubungan (relationships) (Hair dkk., 1998):
Hubungan dependen (Dependences Relationships). Dalam model pengukuran,
hubungan ini muncul dari konstruk ke variabel/indikator (Lihat Gambar 1).
Sedangkan dalam model struktural, yaitu hubungan yang muncul antar variabel
konstruk (Lihat Gambar 2). Model hubungan ini ditandai dengan arah panah satu
kepala ( ).
X1
Konstruk Konstruk 1 Konstruk 2

X2
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
Kombinasi hubungan dependen dan korelasi. Yaitu, kombinasi hubungan antara

korelasi/kovarian dan dependen. Lihat Gambar 4.
Konstruk1 Konstruk 2
X1 X2 X3 X4 X5 X6
Gambar 4
4. DESKRIPSI VARIABEL SEM

Sekalipun SEM mengakomodasi analisa regresi, namun dalam penulisan secara baku
memiliki penamaan variabel atau parameter sendiri.
Model Struktural
Parameter yang menggambarkan hubungan regresi antar konstruk laten umumnya
ditulis dalam karakter Greek gamma () untuk konstruk eksogen ke endogen,
sedangkan karakter Greek beta () untuk konstruk endogen ke konstruk eksogen.
Untuk konstruk eksogen yang dikorelasikan atau dikovariate satu sama lain ditulis
dalam karakter Greek phi ()
Kesalahan Struktural.
Secara logika tidak mungkin memprediksi variabel konstruk dependen, oleh karena
itu ada structure error (kesalahan struktural) yang diberi simbol zeta ().
Variabel manifes/indikator
Variabel indikator yang membentuk konstruk laten eksogen diberi simbol X
sedangkan variabel indikator yang membentuk konstruk laten endogen diberi simbol
Y.
Variabel laten
Ada dua jenis variabel laten, variabel eksogen yang diberi simbol ksi () dan
variabel endogen yang diberi simbol eta ()
Model Pengukuran
Loading factor yang merupakan nilai pengukuran dari variabel konstruk ke indikator
diberi simbol lamda ()
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 :
Langkah 1 : Pengembangan model berdasarkan teori.

SEM mengharuskan model yang dibangun berdasar teori yang ada.
Langkah 2 dan 3 : Menyusun diagram jalur dan persamaan struktural.
Setelah tahap pertama dilakukan, tahap selanjutnya adalah
menyusun diagram jalur dan persamaan strukturalnya.
Langkah 4 : Memilih jenis input matrik dan estimasi model.

Ada dua jenis matriks, yaitu kovarian dan korelasi. Menggunaan
matriks kovarian akan mempersulit dalam interpretasi oleh
karena nilai koefisien harus diinterpretasikan ke dalam unit
pengukuran konstruk. Sedangkan matrik korelasi tidak lain adalah
standardized varian kovarian. Ghozali, 2005 mengatakan bahwa
peneliti harus menggunakan input matriks varian kovarian jika
ingin menguji teori. Namun, jika peneliti hanya ingin melihat pola
hubungan dan tidak melihat total penjelasan yang diperlukan
dalam uji teori maka penggunaan matriks korelasi dapat diterima.
SEM secara umum memerlukan ukuran sampel yang besar. Dengan

metode estimasi Maximum Likelihood diperlukan sampel antara 100
sampai 200.
Estimasi SEM menggunakan metode MLE (Maximum Likelihood).
Namun MLE sangat sensitiv terhadap kenormalan data. Oleh karena
itu, diciptakan teknik estimasi lainnya seperti Weighted Least Square
(WLS), Generalized Squares (GLS) dan Asymptotically Distribution
Free (ADF).
Langkah 5 : Menilai identifikasi model struktural
Cara melihat ada tidaknya problem identifikasi adalah melihat
hasil estimasi yang meliputi : (1) adanya nilai standar error yang
besar untuk satu atau lebih koefisien; (2) ketidakmapuan program
untuk invert information matrix; (3) nilai estimasi yang tidak
mungkin misalnya error variance yang negatif.
Langkah 6 : Menilai kriteria Goodness of Fit
Goodness of fit mengukur kesesuaian input observasi atau
sesungguhnya (matrik kovarian atau korelasi) dengan prediksi dari
model yang diajukan. Ada tiga jenis ukuran goodness of fit yaitu
(1) absolute fit measure, (2) incremental fit measures dan (3)
parsimonious fit measures.
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.
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.
6. TOOLS PADA AMOS

Amos menyediakan semua tools yang bisa dipakai untuk membuat diagram SEM. Masing-
masing tools mempunyai fungsi tersendiri. Berikut list drawing tools pada amos grafik.
Tabel 1 Tools pada AMOS

Tools Fungsi
Menggambar variabel manifest/indikator (measured)
Menggambar variabel laten (unobserved)

Menggambar variabel laten atau menambah variabel indikator
Menggambar jalur path
Menggambar jalur kovarian (korelasi)

Menambah variabel error pada variabel laten
Menambah keterangan gambar pada diagram jalur
List variabel pada model

List variabel pada data set
Memilih satu objek
Memilih semua objek
Membatalkan pilihan objek
Menggandakan objek terpilih
Menggerakkan objek ke lokasi tertuju
Mengahapus objek terpilih
Merubah bentuk objek

Merotasi indikator pada variabel laten
Untuk mereflek indikator variabel laten
Memindahkan nilai parameter
Mereposisi diagram jalur dengan layer screen
Memilih file data yang akan diolah (Ctrl+D)
Memilih analisis data (analysis property) (Ctrl+A)
Menghitung estimate (Ctrl+F9)
Mengkopi diagram jalur ke clipboard (Ctrl+C)

Melihat text (F10)
Menyimpan diagram jalur (Ctrl+S)
Menampilkan list variabel
Memindah properti objek terpilih ke satu atau lebih objek

lainnya
Menjaga jarak yang tepat antara kelompok objek terpilih
Memperbesar porsi diagram jalur

Zoom in objek
Zoom out objek

Memunculkan seluruh halaman pada layar
Mengubah ukuran diagram jalur sesuai batas halaman
Melihat diagram jalur dengan alat pembesar
Menganalisis beberapa grup
Mem-print diagram jalur

Undo perubahan sebelumnya
Undo perubahan sebelum undo

Memodelkan berdasarkan pencarian
7. MEMBUAT MODEL SEM

Langkah pertama analisis SEM ialah membuat model berdasar teori tertentu, kemudian
dilakukan pengujian apakah sampel data sesuai (fit) dengan model teoritis yang ada. Untuk
aplikasi SEM dengan AMOS, langkah pertama adalah membuat model tersebut dalam
bentuk file AMOS.
MENU-MENU PADA AMOS

Program AMOS dapat dibuka langsung lewat ikon AMOS yang ada di layar atau START All
Programs Amos 5 Amos Graphics.
Saat membuka program AMOS, akan tampak tampilan berikut.
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.
Dengan demikian, proses analisis SEM dengan AMOS adalah :
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.
PETUNJUK MEMBUAT MODEL SEM DENGAN AMOS
Pedoman umum membuat sebuah model SEM dengan AMOS :

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 variabel-variabel manifest dibuat, selanjutnya dilakukan pemberian nama

pada setiap variabel manifest.
Setelah semua variabel laten dan manifes tersusun, guunakan ikon atau
CONTOH PEMBUATAN MODEL DIAGRAM JALUR SEM
Berikut proses pembuatan model loyalti di atas,
Membuat Variabel Laten

Jumlah variabel laten ada tiga, yakni KEPERCAYAAN, KEPUASAN dan LOYALTI. Untuk
itu, langkah awal adalah membuat tiga lingkaran dan sejumlah indikatornya dengan
memerhatikan posisi tiga variabel laten tersebut.
1. Pada awalnya akan dibuat lingkaran untuk variabel laten KEPERCAYAAN, dengan
proses :
Menu File New atau langsung ke langkah berikut.
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.
Gambar 6
Gambar 7
Memberi Nama dan Atribut pada Variabel Laten dan Error

Letakkan pointer pada objek lingkaran elips, kemudian klik dua kali, maka
akan muncul layar Object Properties. Lihat Gambar 8.
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
Penghubung KEPUASAN dan KEPERCAYAAN dengan LOYALTI
Pilih ikon , lalu letakkan pointer di pinggiran (lingkaran) variabel

KEPERCAYAAN. Akan tampak warna variabel KEPERCAYAAN berubah merah.
Tekan tombol kiri mouse dan geser (click and drag) ke pinggir variabel
LOYALTI. Lepaskan tombol, akan tampak hasil.
Lakukan hal yang sama untuk variabel KEPUASAN.

Gunakan ikon untuk menghubungkan/mengkorelasikan antara variabel
KEPERCAYAAN dengan KEPUASAN. Lihat Gambar 10.
Kemudian simpan (File Save as) dengan nama latihan1.amw
Gambar 10
8. INPUT DATA KE AMOS

Setelah model diagram jalur kita buat, langkah selanjutnya adalah memasukkan data ke tiap-
tiap variabel indikatornya.
Tabel 2. Indikator Variabel Laten Data Loyalti*
KEPERCAYAAN KEPUASAN LOYALTI
X1 X2 X3 X4 X4 X6 Y1 Y2 Y3
Jujur Care Citra Letak Layanan Harga Brand Word Beli
*) Data mentah dengan nama data_loyalti.xls
Lakukan langkah-langkah berikut :
Tetap buka file latihan1.amw
Pilih File Data Files File Name
Gambar 11
Ubah Files of type: Excel 8.0 (*.xls), pilih data_loyalti.xls . Klik OK
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.
Gambar 14
Masukkan data indikator (Variable in Dataset) ke model diagram jalur tersebut

dengan cara klik dan geser (click and drag). Lakukan hal yang sama untuk variabel
indikator lainnya sampai semua masuk dalam model. Lihat Gambar 15
Gambar 15
9. ASUMSI DAN PERSYARATAN SEM

Uji Normalitas
Seperti pada kebanyakan metode statistik multivariate lainnnya, SEM juga

mensyaratkan data berditribusi normal.
o Tetap buka File latihan1.amw

o Pilih menu View/Set Analysis Properties.
o Pilih menu Output, dan centang Tests for normality and outliers. Kemudian
tutup jendela Analysis Properties. Lihat Gambar 16
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.
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.
10. Menghitung Matrik Kovarian dan Korelasi

Matrik Kovarian
Berikut bentuk matrik kovarian :
(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
Setelah itu rata-rata masing-masing ketiga kelompok data tersebut.
X Y XY
8 7 56
5 8 40
4 3 12
3 7 21
7 7 49
5,4 6,4 35,6
Kovarians dihitung dengan rumus:
(, ) = (, ) (). ()
Dimana E adalah nilai rata-rata. Dengan demikian kovarian X dan Y adalah :
(, ) = 35,6 (5,4)(6,4) = 1,04.
Varian dihitung dengan rumus :
( )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
Rumus korelasi adalah :
(,)
=

Dimana :
Cov (X,Y) adalah kovarian antara X dan Y
adalah deviasi standar X
adalah deviasi standar Y
Dengan demikian hasil korelasi X dan Y adalah 0,3216. Sehingga matriks korelasinya :
1 0.3216
=[ ]
0.3216 1
11. Asumsi Multikolinearitas (dengan Minitab dan Excel)
Multikolinearitas menunjukkan kondisi dimana antarvariabel penyebab ada hubungan linear

yang sempurna, perfectly predicted atau singularity (Hair dkk., 2006). Jika terjadi demikian,
maka matriks kovarian yang dihasilkan data sampel menjadi non positive definite, yaitu
matriks dengan determinan nol (Schumacker dan Lomax, 2004:48). Untuk mendeteksi
adanya multikolinearitas dapat dilihat dari determinan matriks korelasi tiap variabel laten
atau R. Jika determinan matriks korelasi bernilai mendekati nol mengindikasikan terdapat
masalah multikolinearitas (Kusnendi, 2008). Agar lebih jelas, lakukan langkah-langkah teknis
berikut dengan menggunkan data indikator Variabel Laten KEPERCAYAAN, yaitu jujur, care
dan citra :
Buka file data_loyalti.xls

Jalankan aplikasi Minitab 14. Copy paste data indikator variabel KEPERCAYAAN jujur,
care dan citra ke layar Worksheet Minitab 14.
Pilih menu Stat Basic Statistics Correlation
Masukkan semua variabel ke kotak Variables : dengan cara pilih Select. Centang
Display p-values dan Store matrix (display nothing). Liihat Gambar 19.
Gambar 19
Ketik print m1 pada layar kerja Session. Kemudian tekan tombol Enter pada
keyboard komputer. Lihat Gambar 20.
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.
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.
12. Confirmatory Factor Analysis (CFA)

Salah satu manfaat dari CFA adalah kemampuan menilai validitas konstruk dari
measurement theory yang diusulkan. Validitas konstruk mengukur sampai seberapa jauh
ukuran indikator mampu merefleksikan konstruk laten teoritisnya. CFA dipandang lebih
akurat dalam menguji validitas dan reliabilitas.
Ada dua jenis CFA :

First Order CFA
First order CFA merupakan model CFA dimana indikator langsung mengukur
konstruknya. Lihat Gambar 24
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
Keterangan :
X1 = LAYANAN
X2 = HARGA
X3 = LETAK
X4 = LENGKAP
Buka aplikasi baru AMOS.

Buat diagram jalur sesuai konsep gambar diatas. Lihat Gambar 27.
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
OUTPUT
Scalar Estimates (Group number 1 - Default model)
Maximum Likelihood Estimates
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label

LAYANAN <--- KEPUASAN 1,000
HARGA <--- KEPUASAN ,434 ,146 2,965 ,003 par_1
LETAK <--- KEPUASAN ,961 ,282 3,412 *** par_2
LENGKAP <--- KEPUASAN ,385 ,155 2,478 ,013 par_3
Standardized Regression Weights: (Group number 1 - Default model)
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
13. UJI VALIDITAS DAN RELIABILITAS

Koreksi Item-Total dan Koreksi Item-Total Dikoreksi
Korelasi item total ( ) didefinisikan sebagai berikut :
( )( )
=
[ 2 ( )2 ][ 2 ( )2 ]
Keterangan :
X = skor tiap item

Y = skor total
n = banyaknya observasi
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.
Alternatif lainnya,adalah menggunakan Corrected item-total correlation ( ). Teknik ini

digunakan jika jumlah item yang diuji kurang dari 30 (Saifuddin Azwar, 2003). Teknik ini
menentukan besaran koefisien korelasi item total dikoreksi sebesar 0.25 atau 0.3 sebagai
batas minimal valid tidaknya sebuah item (Saifuddin Azwar, 2003:65).
( )
=
[( )2 + ( )2 2( )( )( )]
Tabel 3 Koefisien Korelasi Item-Total dan Item Total Dikoreksi

Skor Item Pertanyaan (X)
Resp. Skor Total (Y)
1 2 3 4 5 6 7 8
1 5 5 3 5 4 3 3 5 33
2 4 4 5 4 4 3 3 4 31
3 5 5 5 4 5 2 3 5 34
4 3 2 2 3 2 2 3 2 19
5 3 3 5 3 4 2 3 3 26
6 5 5 5 5 4 5 5 5 39
7 5 3 5 5 3 4 5 3 33
8 3 3 5 3 4 3 3 3 27
9 4 3 4 4 4 4 4 3 30
10 5 5 4 5 4 3 5 5 36
11 4 3 3 4 3 3 4 3 27
12 3 4 5 4 5 4 3 3 31
13 5 3 5 5 5 5 5 3 36
14 5 4 3 5 4 3 5 4 33
15 4 5 5 4 4 5 4 5 36
16 4 3 4 4 4 4 4 3 30
17 4 3 4 4 4 3 4 3 29
18 4 3 4 4 4 2 4 3 28
0.764 0.774 0.504 0.796 0.586 0.664 0.571 0.767 -
0.6790 0.667 0.332 0.73 0.471 0.486 0.433 0.657 -
Langkah-langkah SPSS :
Buka aplikasi SPSS 15.0

Ketikkan data pada Tabel 3 ke dalam layar kerja SPSS atau copy paste dari file
data_validitas.xls. Lihat Gambar 29.
Beri nama tiap variabel x1 s/d x8 pada sheet Variable View dan tambahkan
variabel total.
Gambar 29
Pilih menu Analyze Correlate Bivariate. Lihat Gambar 30.
Gambar 30
Masukkan semua variabel ke dalam kotak Variables:. Kemudian klik OK. Lihat
Gambar 31
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
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
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
Reliabi lity Statisti cs
Cronbach's
Alpha N of Items
.823 8
14. SECOND ORDER CFA

Pada point sebelumnya kita sudah mencoba melakukan analisa model pengukuran (CFA)
first order. Pada poin ini kita akan mempraktekkan CFA second order.
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.
Untuk menampilkan output diagram path, klik ikon .

Gambar 35 dibawah merupakan output Standardized estiamate
Gambar 35

Negative_ Attitude <--- General_Depression .371 .043 8.584 ***
Somatic_Elements <--- General_Depression .349 .049 7.112 ***
Performance_Difticulty <--- General_Depression .363 .043 8.542 ***
BDI16 <--- Performance_Difticulty 1.000
BDI15 <--- Performance_Difticulty .930 .140 6.656 ***
BDI14 <--- Performance_Difticulty 1.450 .188 7.730 ***
BDI11 <--- Performance_Difticulty 1.310 .176 7.427 ***
BDI10 <--- Negative_ Attitude 1.171 .184 6.376 ***
BDI8 <--- Negative_ Attitude .864 .114 7.603 ***
BDI2 <--- Negative_ Attitude 1.000
BDI18 <--- Somatic_Elements 1.000

BDI19 <--- Somatic_Elements 1.199 .204 5.879 ***
BDI20 <--- Somatic_Elements -.065 .099 -.652 .514
BDI21 <--- Somatic_Elements .380 .105 3.609 ***
Estimate
Negative_ Attitude <--- General_Depression .915
Somatic_Elements <--- General_Depression .849
Performance_Difticulty <--- General_Depression .929
BDI16 <--- Performance_Difticulty .541
BDI10 <--- Negative_ Attitude .443
BDI18 <--- Somatic_Elements .496
BDI20 <--- Somatic_Elements -.044
15. UJI KEBAIKAN MODEL (Goodness of Fit)

Goodness of Fit mengukur kesesuaian input observasi atau sesungguhnya (matriks kovarian
atau korelasi) dengan prediksi dari model yang diajukan (proposed model). Ada tiga jenis
ukuran Goodness of Fit yaitu (1)Absolute Fit Measure, (2)Incremental Fit Measure dan
(3)Parsimonious Fit Measures.
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.
Gambar 34
Pilih menu File Data Files File Name data_loyalty3.xls

Kemudian munculkan variabel-variabelnya di layar kerja kemudian masukkan
dengan cara click and drag
Kemudian pilih menu View/Set Analysis Properties centang Standardized
estimate dan Squared multiple correlations
Kemudian pilih Model-Fit Calculate Estimates
Munculkaan output dengan pilih View/Set Text output
Notes for Model (Default model)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 28

Number of distinct parameters to be estimated: 15
Degrees of freedom (28 - 15): 13
Result (Default model)
Minimum was achieved

Chi-square = 23.294
Degrees of freedom = 13
Probability level = .038 (Ho ditolak)
Chi-Square adalah alat uji untuk mengetahui apakah matriks kovarians

sampel berbeda signifikan dengan matrikx kovarians estimasi.
Ho : Matriks kovarian sampel tidak berbeda dengan matriks kovarians
estimasi
H1 : Matriks kovarian sampel berbeda signifikan dengan matriks kovarian
estimasi
CMIN
Model NPAR CMIN DF P CMIN/DF Absolute Fit

Default model 15 23.294 13 .038 1.792
Indices
Saturated model 28 .000 0
Independence model 7 119.760 21 .000 5.703
CMIN. Model yang bagus adalah model dengan hasil CMIN pada default
model yang berada diantara CMIN Saturated Model dan CMIN Independence
model. Pada tabel diatas angka CMIN 23.294 diantara nilai 0.000 sampai
119.760, jadi bisa disimpulkan model bagus.
RMR, GFI
Model RMR GFI AGFI PGFI

Default model .073 .945 .881 .439
Saturated model .000 1.000
Independence model .279 .697 .596 .523
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
NFI RFI IFI TLI

Model CFI
Delta1 rho1 Delta2 rho2
Incremental
Default model .805 .686 .904 .832 .896
Saturated model 1.000 1.000 1.000 Fit Indices
Independence model .000 .000 .000 .000 .000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI

Default model .619 .499 .555 Parsimony Fit
Saturated model .000 .000 .000 Indices
Independence model 1.000 .000 .000
PNFI = PRATIO x NFI
PCFI = PRATIO x CFI
Karena PRATIO adalah 0.619 maka :
PNFI = 0.619 x 0.805 = 0.498
PCFI = 0.619 x 0.896 = 0.554

Angka-angka tersebut menunjukkan model fit, karena berada diantara range values 0 s/d 1.
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
Model RMSEA LO 90 HI 90 PCLOSE

Default model .089 .021 .147 .130
RMSEA (Root Mean Square Error of Approximation) menggunakan

pedoman nilai RMSEA dibawah 0.05 menunjukkan model baik. Pada
output diatas model belum dikatakan baik
Alat uji lainnya
AIC
Model AIC BCC BIC CAIC

Default model 53.294 55.931 92.371 107.371
Saturated model 56.000 60.923 128.945 156.945
Independence model 133.760 134.991 151.996 158.996
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.
Rumus : AIC = 2 + 2.q
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
Model ECVI LO 90 HI 90 MECVI

Default model .538 .440 .716 .565
Saturated model .566 .566 .566 .615 Alat uji lainnya
ECVI (Expected Cross-Validation Index) dengan membandingkan antara

ECVI dengan Default Model dengan Saturated model atau Independence
model. Karena angka ECVI lebih kecil dari kedua model maka model
dapat dianggap fit dengan data yang ada.
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.

citra <--- KEPERCAYAAN 1.000
care <--- KEPERCAYAAN .843 .229 3.682 ***
jujur <--- KEPERCAYAAN .878 .241 3.645 ***
letak <--- KEPUASAN 1.000
lengkap <--- KEPUASAN 1.007 .277 3.631 ***
harga <--- KEPUASAN .823 .245 3.360 ***
layanan <--- KEPUASAN .893 .270 3.308 ***
Estimate
citra <--- KEPERCAYAAN .583
care <--- KEPERCAYAAN .658
jujur <--- KEPERCAYAAN .600
letak <--- KEPUASAN .556 Factor Loadings
lengkap <--- KEPUASAN .637
harga <--- KEPUASAN .522
layanan <--- KEPUASAN .508
MENCARI VARIANCE EXTRACTED (VE)
Angka-angka korelasi atau factor loadings dapat digunakan untuk mencari variance extracted.
Variance extracted dari konstruk KEPERCAYAAN

(0.5832 + 0.6582 + 0.6002)/3 = 0.378
Variance extracted dari konstruk KEPUASAN
(0.5562 + 0.6372 + 0.5222 + 0.5082)/4 = 0.311
Kedua hasil VE menunjukkan angka yang jauh dibawah 0.5. Hal ini menunjukkan tidak adanya
konvergensi di antara indicator untuk menjelaskan konstruk yang ada.
Covariances: (Group number 1 - Default model)

KEPERCAYAAN <--> KEPUASAN .258 .102 2.542 .011
Correlations: (Group number 1 - Default model)
Estimate
KEPERCAYAAN <--> KEPUASAN .538
Variances: (Group number 1 - Default model)

KEPERCAYAAN .579 .234 2.471 .013
KEPUASAN .398 .168 2.377 .017
e5 1.126 .218 5.171 ***
e6 .538 .126 4.265 ***
e7 .792 .159 4.980 ***
e4 .891 .163 5.467 ***
e3 .590 .127 4.637 ***
e2 .718 .125 5.726 ***
e1 .912 .157 5.823 ***
Squared Multiple Correlations: (Group number 1 - Default model)
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 :
0.583 x 0.583 = 0.340
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)
16. FULL MODEL SEM

Pada poin ini kita akan membahas tentang model pengkuran sekaligus model struktural atau
yang lebih dikenal model SEM. Agar lebih jelas lakukan tahapan berikut
Buka aplikasi AMOS
Buat diagram jalur sebagaimana Gambar 35
Gambar 35
Impor data dari excel dengan nama file data_loyalti3.xls

dengan cara click and drag.
Kemudian pilih menu View/Set Analysis Properties Output centang
Standardized estimate dan Squared multiple correlations. Kemudian pilih pada
pilihan jendela Estimation kemudian centang Maximum Likelihood


Chi-square = 34.245
Probability level = .360
Chi-Square adalah alat uji untuk mengetahui apakah matriks kovarians
sampel berbeda signifikan dengan matrikx kovarians estimasi.
Ho : Matriks kovarian sampel tidak berbeda dengan matriks kovarians
estimasi
H1 : Matriks kovarian sampel berbeda signifikan dengan matriks kovarian
estimasi
Model Fit Summary
CMIN
Model NPAR CMIN DF P CMIN/DF

Default model 23 34.245 32 .360 1.070
Saturated model 55 .000 0
Independence model 10 222.121 45 .000 4.936
CMIN. Model yang bagus adalah model dengan hasil CMIN pada default model
yang berada diantara CMIN Saturated Model dan CMIN Independence model.
Pada tabel diatas angka CMIN 23.294 diantara nilai 0.000 sampai 119.760, jadi
bisa disimpulkan model bagus.
RMR, GFI
Model RMR GFI AGFI PGFI

Default model .067 .942 .900 .548
Saturated model .000 1.000
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
NFI RFI IFI TLI

Model CFI
Delta1 rho1 Delta2 rho2
Default model .846 .783 .988 .982 .987
Saturated model 1.000 1.000 1.000
Independence model .000 .000 .000 .000 .000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI

Default model .711 .601 .702
Independence model 1.000 .000 .000
PNFI = PRATIO x NFI
PCFI = PRATIO x CFI
Karena PRATIO adalah 0.711 maka :
PNFI = 0.711x 0.846 = 0.602
PCFI = 0.711 x 0.987 = 0.702

Angka-angka tersebut menunjukkan model fit, karena berada diantara range values 0 s/d 1.
NCP
Model NCP LO 90 HI 90
Default model 2.245 .000 20.580
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
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE

Default model .027 .000 .081 .701
RMSEA (Root Mean Square Error of Approximation) menggunakan

pedoman nilai RMSEA dibawah 0.05 menunjukkan model baik. Pada
output diatas model belum dikatakan baik
AIC
Model AIC BCC BIC CAIC

Default model 80.245 85.995 140.164 163.164
Saturated model 110.000 123.750 253.284 308.284
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.
Rumus : AIC = 2 + 2.q
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
Model ECVI LO 90 HI 90 MECVI

Default model .811 .788 .996 .869
Saturated model 1.111 1.111 1.111 1.250
ECVI (Expected Cross-Validation Index) dengan membandingkan antara

ECVI dengan Default Model dengan Saturated model atau Independence
model. Karena angka ECVI lebih kecil dari kedua model maka model
dapat dianggap fit dengan data yang ada.
HOELTER
HOELTER HOELTER
Model
.05 .01
Default model 134 155
Independence model 28 32
HOETLER. Yakni alat uji yang lebih memerhatikan kecukupan sampel

daripada model fit. Sebagai pedoman, angka Hoetler di atas 100
menunjukkan bahwa model fit dengan data yang ada. Seperti pada output,
dimana angka Hoetler adalah 134 (signifikan 5%) dan 155 (signifikan
10%). Sehingga dapat disimpulkan bahwa model fit.
17. MODIFIKASI MODEL SEM

Pada poin lalu kita telah membahas tentang model SEM beserta uji modelnya. Dari
pengujian dapat disimpulkan apakah model dapat dikatakan valid ataukah tidak. Namun
demikian, sebuah model yang lolos uji tidakberarti bahwa model tersebut adalah model
terbaik dari model-model alternative lainnya. Pada point ini kita akan mempelajari
modifikasi model. Tujuan dari modifikasi model adlaah melihat apakah modifikasi yang
dilakukan dapat menurunkan nilai Chi-Square; seperti diketahui semakin kecil nilai Chi-
Square menunjukkan semakin fit model tersebut.
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
Impor data dari excel dengan nama file data_loyalti3.xls

dengan cara click and drag.
Kemudian pilih menu View/Set Analysis Properties Output centang
Standardized estimate,Squared multiple correlations dan Modification indices.
Kemudian pilih pada pilihan jendela Estimation kemudian centang Maximum

Likelihood. Lihat Gambar 37.
Gambar 37

OUTPUT


Chi-square = 34.245
M.I. Par Change

e2 <--> e4 10.034 -.271
e1 <--> e4 5.055 .225
Covariances. Jika error 3(e3) diubungkan dengan error 4 (e4) maka akan
menurunkan angka Chi-Square sebesa 10.034. Dan juga jika error 1 (e1)
dihubungkan dengan error 4, maka akan menurunkan Chi-Square sebesar
5.055. Karena perubahan terbesar ada pada hubungan e2 dan e4, maka
modifikasi alan dilakukan dengan menambahkan garis dua arah antara e2
dan e4
M.I. Par Change

layanan <--- care 4.907 -.232
care <--- layanan 8.250 -.218
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

Minimum was achieved Nilai Chi-Square

Chi-square = 22.168 semakin kecil drari
Degrees of freedom = 31 sebelumnya
Modification Indices (Group number 1 - Default model)
M.I. Par Change
M.I. Par Change
M.I. Par Change
18. MODEL SEM DENGAN VARIABEL MEDIATOR
EMSATIS QUALAYAN CONSATIS
PROFIT
Gambar 39 Konsep Studi Profitabilitas
Tabel 3 Operasionalisasi Variabel Studi Profitabilitas Oiltech
VARIABEL KONSEP EMPIRIS

Kepuasan Kerja (EMSATIS) Upah yang diterima (X1)
Hubungan kerja manajer karyawan (X2)
Lingkungan kerja (X3)
Kualitas Layanan (QUALAYAN) Persepsi thd harga yg dibayar per liter olitech (Y1)
Kepuasan Pelanggan (CONSATIS) Waktu pelayanan (Y2)
Kebersihan (Y3)
Ketersediaan olitech (Y4)
Profitabilitas (PROFIT) Operating margin rasio (Y5)
Operating ratio (Y6)
ROI (Y7)
Penelitian ini menggunakan sampel 100 perusahaan penjual eceran minyak pelumas oiltech,
peneliti melaporkan matriks korelasi antarvariabel sebagai berikut :
Tabel 4 Matriks Input Korelasi
rowtype_ varname_ x1 x2 x3 y1 y2 y3 y4 y5 y6 y7
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 :
Buka aplikasi AMOS

Buat diagram jalur seperti konsep Gambar 39
Pilih File Data Files File Name corr_input.xls. Pilih sheet1. Kemudian OK.
View/Set Analysis Properties Output Standardized estimate. Tutup jendela Analysis
Properties
Model Fit Calculate estimate.
OUTPUT


Chi-square = 208.352

qualayan <--- ematis .668 .121 5.530 ***
consatis <--- qualayan .880 .248 3.547 ***
profit <--- consatis .196 .221 .887 .375

x1 <--- ematis 1.000
x2 <--- ematis 1.001 .088 11.384 ***
x3 <--- ematis 1.081 .083 13.084 ***
y1 <--- qualayan 1.000
y2 <--- consatis 1.000
y3 <--- consatis .661 .240 2.757 .006
y4 <--- consatis .897 .278 3.228 .001
y5 <--- profit 1.000
y6 <--- profit 1.713 2.146 .798 .425
y7 <--- profit 1.988 2.512 .791 .429
19. MODEL SEM DENGAN VARIABEL MODERATOR
Kita akan mempelajari tentang model SEM dengan variabel moderator. Berikut adalah
contoh penelitiannya :
Partisipasi Kinerja
Anggaran Manajerial
(PA) (KM)
Struktur
Organisasi
(SO)
Gambar 40 Konsep Model SEM dengan Moderator
Hipotesisnya adalah apakah pengaruh partisipasi dalam penyusunan anggaran terhadap

kinerja manajerial akan tinggi jika struktur organisasi yang dimiliki tinggi, dan akan rendah
jika struktur organisasi yang dimiliki manajerial rendah.
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.
Gambar 41
OUTPUT
Estimates (Group number 1 - Default model)
Scalar Estimates (Group number 1 - Default model)
Maximum Likelihood Estimates

KM <--- SO .511 .150 3.409 ***
KM <--- PA -.185 .123 -1.508 .132
PA1 <--- PA 1.000
PA2 <--- PA .672 .126 5.337 ***
PA3 <--- PA .366 .116 3.151 .002
SO1 <--- SO 1.000
SO2 <--- SO .784 .119 6.578 ***
SO3 <--- SO .696 .135 5.164 ***
KM1 <--- KM 1.000
KM2 <--- KM 1.172 .254 4.608 ***
KM3 <--- KM 1.012 .226 4.480 ***
Estimate
KM <--- SO .770
KM <--- PA -.291
PA1 <--- PA .832
PA2 <--- PA .655
PA3 <--- PA .317
SO1 <--- SO .806
SO2 <--- SO .670
Estimate
SO3 <--- SO .504
KM1 <--- KM .612
KM2 <--- KM .651
KM3 <--- KM .588

PA <--> SO 1.313 .275 4.772 ***
Estimate
PA <--> SO .640

PA 2.141 .495 4.327 ***
SO 1.964 .411 4.773 ***
E10 .527 .202 2.605 .009
e1 .952 .363 2.623 .009
e2 1.288 .222 5.793 ***
e3 2.568 .321 8.003 ***
e4 1.060 .262 4.047 ***
x5 1.484 .234 6.346 ***
x6 2.792 .371 7.522 ***
e7 1.444 .244 5.908 ***
e8 1.617 .301 5.372 ***
e9 1.674 .270 6.194 ***
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
perhitungan error variance variabel interaksi kita gunakan untuk menetapkan

error variance variabel interaksi. (Lihat rumus i dan ii pada poin b di atas )
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.
Gambar 43
Berikut hasil outputnya :

KM <--- SO 3.748 6.655 .563 .573
Interaksi
KM <--- PA -3.601 7.214 -.499 .618
tidak
KM <--- interaksi .003 .006 .451 .652
signifikan
PA1 <--- PA 1.000
(P > 0.05)
PA2 <--- PA .799 .111 7.208 ***
PA3 <--- PA .928 .127 7.336 ***
SO1 <--- SO 1.000
SO2 <--- SO .921 .113 8.170 ***
SO3 <--- SO 1.172 .137 8.559 ***
KM1 <--- KM 1.000
KM2 <--- KM 1.069 .217 4.921 ***
KM3 <--- KM .941 .199 4.724 ***
INTERAK <--- interaksi 3.571
INTERAK <--- e11 98.860
Estimate
KM <--- SO 4.169
KM <--- PA -3.683
KM <--- interaksi .003
PA1 <--- PA .569
PA2 <--- PA .532
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

PA <--> SO 1.039 .205 5.060 ***
SO <--> interaksi 35.726 5.188 6.887 ***
PA <--> interaksi 32.899 5.017 6.557 ***
Estimate
PA <--> SO .954
SO <--> interaksi 32.828
PA <--> interaksi 32.881

interaksi 1.000
PA 1.001 .267 3.745 ***
SO 1.184 .277 4.276 ***
e11 1.133 .137 8.267 ***
E10 -.692 2.452 -.282 .778
e1 2.092 .244 8.571 ***
e2 1.616 .186 8.689 ***
e3 1.993 .231 8.638 ***
e4 1.840 .205 8.974 ***
e5 1.689 .188 9.008 ***
e6 2.115 .238 8.878 ***
e7 1.351 .234 5.769 ***
e8 1.712 .284 6.018 ***
e9 1.712 .262 6.543 ***

Tutorial SEM Amos PDF

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Tutorial SEM Amos PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Nanta sigit 1310100106 1

1. MENGENAL STRUCTURAL EQUATION MODELLING (SEM)

2. KONSEP DASAR SEM

3. HUBUNGAN STRUKTURAL SEM

Konstruk Konstruk 1 Konstruk 2

Kombinasi hubungan dependen dan korelasi. Yaitu, kombinasi hubungan antara

4. DESKRIPSI VARIABEL SEM

Langkah 1 : Pengembangan model berdasarkan teori.

Langkah 4 : Memilih jenis input matrik dan estimasi model.

SEM secara umum memerlukan ukuran sampel yang besar. Dengan

6. TOOLS PADA AMOS

Tabel 1 Tools pada AMOS

Menggambar variabel laten (unobserved)

Menggambar jalur path

Menggambar jalur kovarian (korelasi)

Menambah keterangan gambar pada diagram jalur

List variabel pada model

Memilih semua objek

Membatalkan pilihan objek

Menggandakan objek terpilih

Menggerakkan objek ke lokasi tertuju

Mengahapus objek terpilih

Merubah bentuk objek

Memindahkan nilai parameter

Mereposisi diagram jalur dengan layer screen

Memilih file data yang akan diolah (Ctrl+D)

Memilih analisis data (analysis property) (Ctrl+A)

Menghitung estimate (Ctrl+F9)

Mengkopi diagram jalur ke clipboard (Ctrl+C)

Menampilkan list variabel

Memindah properti objek terpilih ke satu atau lebih objek

Memperbesar porsi diagram jalur

Zoom out objek

Melihat diagram jalur dengan alat pembesar

Menganalisis beberapa grup

Mem-print diagram jalur

Undo perubahan sebelum undo

7. MEMBUAT MODEL SEM

MENU-MENU PADA AMOS

Dengan demikian, proses analisis SEM dengan AMOS adalah :

PETUNJUK MEMBUAT MODEL SEM DENGAN AMOS

Pedoman umum membuat sebuah model SEM dengan AMOS :

Setelah variabel-variabel manifest dibuat, selanjutnya dilakukan pemberian nama

CONTOH PEMBUATAN MODEL DIAGRAM JALUR SEM

Berikut proses pembuatan model loyalti di atas,

Membuat Variabel Laten

Memberi Nama dan Atribut pada Variabel Laten dan Error

Penghubung KEPUASAN dan KEPERCAYAAN dengan LOYALTI

Pilih ikon , lalu letakkan pointer di pinggiran (lingkaran) variabel

Lakukan hal yang sama untuk variabel KEPUASAN.

8. INPUT DATA KE AMOS

Ubah Files of type: Excel 8.0 (*.xls), pilih data_loyalti.xls . Klik OK

Masukkan data indikator (Variable in Dataset) ke model diagram jalur tersebut

9. ASUMSI DAN PERSYARATAN SEM

Seperti pada kebanyakan metode statistik multivariate lainnnya, SEM juga

Lakukan langkah-langkah berikut :

o Tetap buka File latihan1.amw

10. Menghitung Matrik Kovarian dan Korelasi

Berikut bentuk matrik kovarian :

Setelah itu rata-rata masing-masing ketiga kelompok data tersebut.

Kovarians dihitung dengan rumus:

Dimana E adalah nilai rata-rata. Dengan demikian kovarian X dan Y adalah :