Nama : Muhamad Hmadani

NIM : 182101028

Mata Kuliah : Statistika

Jurusan : Teknik Informatika

Kampus : STMIK DHARMA NEGARA

Apa itu SPSS ?

a. Sejarah SPSS
SPSS (awalnya, Paket Statistik untuk Ilmu Sosial) dirilis di versi pertama yaitu
pada tahun 1968 setelah dikembangkan oleh Norman H. Nie dan C. Hadlai Hull.
Norman Nie sendiri yaitu seorang ilmuan politik pasca sarjana di Stanford University,
saat itu sedang mengadakan Riset Profesor di Departemen Ilmu Politik di Stanford
dengan Profesor Emeritus Ilmu Politik di University of Chicago.

SPSS merupakan salah satu program aplikasi yang paling banyak digunakan
untuk analisis statistik dalam ilmu sosial. Hal ini digunakan oleh peneliti pasar,
perusahaan survei, peneliti kesehatan, pemerintah, peneliti pendidikan, organisasi
pemasaran dan lain-lain. SPSS asli manual (Nie, Bent & Hull, 1970) telah
digambarkan sebagai salah satu “buku sosiologi yang paling berpengaruh”.

Selain analisis statistik, manajemen data (kasus seleksi, file yang membentuk
kembali, membuat data turunan) dan data dokumentasi (sebuah meta data kamus
disimpan di data file) adalah fitur dari perangkat lunak dasar.

b.Pengertian SPSS
SPSS adalah sebuah program aplikasi yang memiliki kemampuan untuk analisis
statistik cukup tinggi serta sistem manajemen data pada lingkungan grafis dengan
menggunakan menu-menu deskriptif dan kotak-kotak dialog yang sederhana sehingga
mudah dipahami untuk cara pengoperasiannya. Beberapa aktivitas dapat dilakukan
dengan mudah yaitu dengan menggunakan pointing dan clicking mouse.

SPSS banyak digunakan dalam berbagai riset pemasaran, pengendalian dan

perbaikan mutu (quality improvement), serta riset-riset sains. SPSS pertama kali
muncul dengan versi PC (bisa dipakai untuk komputer desktop) dengan nama
SPSS/PC+ (versi DOS). Tetapi, dengan mulai populernya sistem operasi windows.
SPSS mulai mengeluarkan versi windows (mulai dari versi 6.0 sampai versi terbaru
sekarang).

c. Kepanjangan SPSS
Pada awalnya kepanjangan SPSS adalah Statistikal Package for the Social
Sciens dimana pada waktu itu SPSS dibuat untuk keperluan pengolahan data statistik
untuk ilmu-ilmu sosial, sehingga . Sekarang kemampuan SPSS diperluas untuk
melayani berbagai jenis pengguna (user), seperti untuk proses produksi di pabrik, riset
ilmu sains dan lainnya. Dengan demikian, sekarang kepanjangan dari SPSS adalah
Statistical Product and Service Solutions.

SPSS dapat membaca berbagai jenis data atau memasukkan data secara
langsung ke dalam SPSS Data Editor. Bagaimana pun struktur dari file data
mentahnya, maka data dalam Data Editor SPSS harus dibentuk dalam bentuk baris
(cases) dan kolom (variables). Case berisi informasi untuk satu unit analisis,
sedangkan variabel adalah informasi yang dikumpulkan dari masing-masing kasus.

Software SPSS dibuat dan dikembangkan oleh SPSS Inc. yang kemudian
diakuisisi oleh IBM Corporation. Perangkat lunak komputer ini memiliki kelebihan
pada kemudahan penggunaannya dalam mengolah dan menganalisis data statistik.

Fitur yang ditawarkan antara lain IBM SPSS Data Collection untuk
pengumpulan data, IBM SPSS Statistics untuk menganalisis data, IBM SPSS Modeler
untuk memprediksi tren, dan IBM Analytical Decision Management untuk
pengambilan keputusannya.

Program SPSS banyak diaplikasikan dan digunakan oleh kalangan pengguna

komputer di bidang bisnis, perkantoran, pendidikan, dan penelitian. SPSS merupakan
software komersial dengan harga lisensi $5,120 USD. SPSS dapat dijalankan di sistem
operasi Windows XP, Windows Vista, Windows 7, Mac OS, dan Linux.

Untuk menginstall versi terbaru program ini, komputer Windows Anda harus
memiliki spesifikasi minimal menggunakan prosesor Intel atau AMD dengan
kecepatan 1 GHz, memori (RAM) 1 GB, resolusi monitor 1024×768 piksel, dan
harddisk dengan kapasitas kosong minimal 800 MB.

Hasil-hasil analisis muncul dalam SPSS Output Navigator. Kebanyakan

prosedur Base System menghasilkan pivot tables, dimana kita bisa memperbaiki
tampilan dari keluaran yang diberikan oleh SPSS. Untuk memperbaiki output, maka
kita dapat mmperbaiki output sesuai dengan kebutuhan.

Berikut ini gambar tampilan spss :

d.Fungsi SPSS
Beberapa kemudahan yang lain yang dimiliki SPSS dalam pengoperasiannya
adalah karena SPSS menyediakan beberapa fasilitas seperti berikut ini :

 Data Editor

Merupakan jendela untuk pengolahan data. Data editor dirancang sedemikian rupa
seperti pada aplikasi-aplikasi spreadsheet untuk mendefinisikan, memasukkan,
mengedit, dan menampilkan data.
  Viewer

Viewer mempermudah pemakai untuk melihat hasil pemrosesan, menunjukkan

atau menghilangkan bagian-bagian tertentu dari output, serta memudahkan distribusi
hasil pengolahan dari SPSS ke aplikasi-aplikasi yang lain.

 Multidimensional Pivot Tables

Hasil pengolahan data akan ditunjukkan dengan multi dimensional pivot tables.
Pemakai dapat melakukan eksplorasi terhadap tabel dengan pengaturan baris, kolom,
serta layer. Pemakai juga dapat dengan mudah melakukan pengaturan kelompok data
dengan melakukan splitting tabel sehingga hanya satu group tertentu saja yang
ditampilkan pada satu waktu.

 High-Resolution Graphics

Dengan kemampuan grafikal beresolusi tinggi, baik untuk menampilkan pie charts,
bar charts, histogram, scatterplots, 3-D graphics, dan yang lainnya, akan membuat
SPSS tidak hanya mudah dioperasikan tetapi juga membuat pemakai merasa nyaman
dalam pekerjaannya.

 Database Access.

Pemakai program ini dapat memperoleh kembali informasi dari sebuah database
dengan menggunakan Database Wizard yang disediakannya.

 Data Transformations

Transformasi data akan membantu pemakai memperoleh data yang siap untuk
dianalisis. Pemakai dapat dengan mudah melakukan subset data, mengkombinasikan
kategori, add, aggregat, merge, split, dan beberapa perintah transpose files, serta yang
lainnya.

 Electronic Distribution

Pengguna dapat mengirimkan laporan secara elektronik menggunakan sebuah

tombol pengiriman data (e-mail) atau melakukan export tabel dan grafik ke mode
HTML sehingga mendukung distribusi melalui internet dan intranet.

 Online Help

SPSS menyediakan fasilitas online help yang akan selalu siap membantu pemakai
dalam melakukan pekerjaannya. Bantuan yang diberikan dapat berupa petunjuk
pengoperasian secara detail, kemudahan pencarian prosedur yang diinginkan sampai
pada contoh-contoh kasus dalam pengoperasian program ini.
  Akses Data Tanpa Tempat Penyimpanan Sementara

Analisis file-file data yang sangat besar disimpan tanpa membutuhkan tempat
penyimpanan sementara. Hal ini berbeda dengan SPSS sebelum versi 11.5 dimana file
data yang sangat besar dibuat temporary filenya.

 Interface dengan Database Relasional

Fasilitas ini akan menambah efisiensi dan memudahkan pekerjaan untuk

mengekstrak data dan menganalisnya dari database relasional.

 Analisis Distribusi

Fasilitas ini diperoleh pada pemakaian SPSS for Server atau untuk aplikasi multi
user. Kegunaan dari analisis ini adalah apabila peneliti akan menganalisis file-file data
yang sangat besar dapat langsung me-remote dari server dan memprosesnya sekaligus
tanpa harus memindahkan ke komputer user.

 Multiple Sesi

SPSS memberikan kemampuan untuk melakukan analisis lebih dari satu file data
pada waktu yang bersamaan.

 Mapping

Visualisasi data dapat dibuat dengan berbagai macam tipe baik secara
konvensional atau interaktif, misalnya dengan menggunakan tipe bar, pie atau
jangkauan nilai, simbol gradual, dan chart.

e. Menu yang Terdapat Pada SPSS

1. FILE
Untuk operasi file dokumen SPSS yang telah dibuat, baik untuk perbaikan
pencetakan dan sebagainya. Ada 5 macam data yang digunakan dalam SPSS, yaitu :

 Data : dokumen SPSS berupa data

 Systax : dokumen berisi file syntax SPSS
 Output : dokumen yang berisi hasil running out SPSS
 Script : dokumen yang berisi running out SPSS
  Database
 NEW digunakan untuk membuat lembar kerja baru SPSS
 OPEN untuk membuka dokumen SPSS yang telah ada

Secara umum ada 3 macam ekstensi dalam lembar kerja SPSS, yaitu :

*.spo : file data yang dihasilkan pada lembar data editor

*.sav : file text/obyek yang dihasilkan oleh lembar output
*.cht : file obyek gambar/chart yang dihasilkan oleh chart window

 read Text Data untuk membuka dokumen dari file text (yang
berekstensi txt), yang bisa dimasukkan/dikonversi dalam lembar data
SPSS.
 Save untuk menyimpan dokumen/hasil kerja yang telah dibuat.
 Save As untuk menyimpan ulang dokumen dengan nama/tempat/type
dokumen yang berbeda
 Page Setup untuk mengatur halaman kerja SPSS
 Print untuk mencetak hasil output/data/syntaq lembar SPSS

Ada 2 option/pilihan cara mencetak, yaitu :

 All visible output : mencetak lembar kerja secara keseluruhan

 Selection : mencetak sesuai keinginan yang kita sorot/blok

 Print Preview untuk melihat contoh hasil cetakan yang nantinya

diperoleh
 Recently used data berisi list file data yang pernah dibuka
sebelumnya.
 Recently used file berisi list file secara keseluruhan yang pernah
dikerjakan

2. EDIT
Untuk melakukan pengeditan pada operasi SPSS baik data, serta
pengaturan/option untuk konfigurasi SPSS secara keseluruhan.

 Undo : pembatalan perintah yang dilakukan sebelumnya

 Redo : perintah pembatalan perintah redo yang dilakukan
sebelumnya
  Cut : penghapusan sebual sel/text/obyek, bisa dicopy untuk
keperluan tertentu dengan perintah dari menu paste
 Paste : mempilkan sebua sel/text/obyek hasil dari perintah copy atau
cut
 Paste after : mengulangi perintah paste sebelumya
 Paste spesial : perintah paste spesial, yaitu bisa konvesri ke gambar,
word, dll
 Clear : menghapusan sebuah sel/text/obyek
 Find : mencari suatu text
 Options : mengatur konfigurasi tampilan lembar SPSS secara umum

3. VIEW
Untuk pengaturan tambilan di layar kerja SPSS, serta mengetahu proses-prose
yang sedang terjadi pada operasi SPSS.

 Status Bar : mengetahui proses yang sedang berlangsung

 Toolbar : mengatur tampilan toolbar
 Fonts : untuk mengatur jenis, ukuran font pada data editor
SPSS
 Outline size : ukuran font lembar output SPSS
 Outline font : jenis font lembar output SPSS
 Gridlines : mengatur garis sel pada editor SPSS
 Value labels : mengatur tampilan pada editor untuk mengetahui
value label

4. DATA
Menu data digunakan untuk melakukan pemrosesan data.

 Define Dates : mendefinisikan sebuah waktu untuk variable yang

meliputi jam, tanggal, tahun, dan sebagainya
 Insert Variable : menyisipkan kolom variable
 Insert case : menyisipkan baris
 Go to case : memindahkan cursor pada baris tertentu
 Sort case : mengurutkan nilai dari suatu kolom variable
 Transpose : operasi transpose pada sebuah kolom variable
menjadi baris
 Merge files : menggabungkan beberapa file dokumen SPSS, yang
dilakukan dengan penggabungan kolom-kolom variablenya
 Split file : memecahkan file berdasarkan kolom variablenya
  Select case :mengatur sebuah variable berdasarkan sebuah
persyaratan tertentu

5. TRANSFORM
Menu transform dipergunakan untuk melakukan perubahan-perubahan atau
penambahan data.

 Compute : operasi aritmatika dan logika untuk

 Count : untuk mengetahui jumlah sebuah ukuran data tertentu
pada suatu baris tertentu
 Recode : untuk mengganti nilai pada kolom variable tertentu,
sifatnya menggantikan (into same variable) atau merubah (into different
variable) pada variable baru
 Categorize variable : merubah angka rasional menjadi diskrit
 Rank case : mengurutkan nilai data sebuah variable

6. ANALYSE
Menu analyse digunakan untuk melakukan analisis data yang telah kita
masukkan ke dalam komputer. Menu ini merupakan menu yang terpenting karena
semua pemrosesan dan analisis data dilakukan dengan menggunakan menu correlate,
compare mens, regresion.

7. GRAPH
Menu graph digunakan untuk membuat grafik, diantaranya ialah bar, line, pie, dan
lain-lain.

8. UTILITIES
Menu utilities dipergunakan untuk mengetahui informasi variabel, informasi file,
dan lain-lain.

9. AD-ONS
Menu ad-ons digunakan untuk memberikan perintah kepada SPSS jika ingin
menggunakan aplikasi tambahan, misalnya menggunakan alikasi Amos, SPSS data
entry, text analysis, dsb

10.WINDOWS
Menu windows digunakan untuk melakukan perpindahan (switch) dari satu file ke
file lainnya
 11. HELP

Menu help digunakan untuk membantu pengguna dalam memahami perintah-

perintah SPSS jika menemui kesulitan

 TOOL BAR : Kumpulan perintah – perintah yang sering digunakan dalam

bentuk gambar.
 POINTER : Kursor yang menunjukkan posisi cell yang sedang aktif / dipilih.

Apa itu Amos ?

a. Pengertian Amos
Amos merupakan kependekan dari Analisis of Moment Structures yang
digunakan sebagai pendekatan umum analisis data dalam Model Persamaan
Struktural (Structural Equation Model) atau yang dikenal dengan SEM. SEM
dikenal juga sebagai Analysis of Covariance Structures atau disebut juga model
sebab akibat (causal modeling) Dengan menggunakan Amos maka perhitungan
rumit dalam SEM akan jauh lebih mudah dilakukan dibandingkan dengan
menggunakan perangkat lunak lainnya. Lebih lagi penggunaan Amos akan
mempercepat dalam membuat spesifikasi, melihat serta melakukan modifikasi
model secara grafik dengan menggunakan tool yang sederhana.
            Selama ini SEM dikenal sebagai perhitungan analisis statistik yang sangat
rumit dan sulit dilakukan secara manual maupun dengan menggunakan perangkat
lunak yang sudah ada sebelumnya. Dengan menggunakan Amos proses
penghitungan dan analisis menjadi lebih sederhana bahkan orang-orang awam
yang bukan ahli statistik akan dapat menggunakan dan memahami dengan mudah.
Buku ini membahas penggunaan Amos Versi 16 yang merupakan versi terbaru saat
ini yang merupakan kelanjutan dari Amos versi 7. Lompatan versi ini dikarenakan
Amos diambil alih oleh Microsoft untuk disesuaikan dengan versi SPSS saat ini.  
 
 
b.Metode-Metode  dalam Amos
Metode-metode analisis dalam Amos yang ada saat ini diantranya ialah:
  Maximum Likelihood
 Unweighted Least Square
 Generalized Least Square
 Browne’s Asymptotically Distribution-Free Criterion
 Scale Free Least Square
 
Amos mempunyai keunggulan-keunggulan dibandingkan dengan perangkat lunak
lainnya yang meliputi:
a)      Program dapat melakukan analisis dengan menggunakan data yang berasal
dari beberapa populasi secara sekaligus.
b)      Dapat menangani missing data secara baik, yaitu dengan membuat estimasi
yang didasarkan pada informasi maximum likelihood yang sempurna dan tidak
hanya bersandar pada metode yang sudah ada, yaitu  listwise, pairwise deletion,
atau  mean imputation.
c)       Dapat membuat estimasi rata-rata untuk variabel-variabel exogenous dan
intercepts dalam persamaan regresi.
d)      Amos dapat juga membuat bootstrapped standard errors dan confidence
intervals yang ada dalam semua estimasi parameter, rata-rata sampel, varian,
kovarian dan korelasi.
e)      Dapat membuat percentile intervals dan bias-corrected percentile intervals
f)        Model-model jamak dapat disesuaikan dengan menggunakan analisis
tunggal.
g)      Dapat melakukan pemeriksaan setiap pasangan model dimana satu model
diperoleh dengan membatasi parameter-parameter model lainnya.
h)      Dapat membuat laporan beberapa angka statistik yang cocok untuk
dilakukan perbandingan untuk model-model tersebut.
i)        Amos juga menyediakan pengujian normalitas univariat untuk masing-
masing variabel yang diobservasi dan juga pengujian normalitas multivariat
serta dapat mendetksi ouliers.
j)        Amos dapat memahami diagram jalur sebagai spesifikasi model dan
memperlihatkan estimasi-estimasi parameter secara grafis dalam model
diagram jalur. Diagram-diagram jalur digunakan sebagai spesifikasi model dan
gambar-gambar diagram jalur tersebut dapat diimpor ke program Word.
 
 
c. Fitur-Fitur Baru
Amos versi 16 mempunyai fitur baru yang dikenal sebagai mixing modeling:
 Pemodelan campuran (mixing modeling). Pemodelan campuran ini cocok saat
kita mempunyai model yang salah untuk seluruh populasi, tetapi jika populasi
tersebut dibagi menjadi sub-kelompok; maka  model tersebut menjadi benar
untuk masing-masing sub- kelompok Pemodelan campuran ini dikenal juga
sebagai latent class analysis.
 Pemodelan campuran ini dapat juga dibaca
sebagai clustering karena  menawarkan alternatif-alternatif yang didasarkan
 pada model (model based alternative) terhadap metode-metode clustering
heuristic, seperi K Means Cluster.
 Pemodelan campuran ini dapat juga dijadikan sebagai alternatif untuk
discriminant analysis.
 
d.Structural Equation Model (SEM) dengan
AMOS
Pada contoh berikut ini akan dibahas mengenai: 1) tingkat kepentingan relatif
kualiats layanan dan kualitas produk terhadap kepuasan secara menyeluruh; 2)
Model – model  pengaruh  “brand halos” terhadap merek  (brand). Data diambil
dari dua survey mengenai pengendara sepeda motor yang dilakukan oleh
DirtyScooter Motorcycle Company (DMC) dalam rangka mendukung rencana
pemasaran strategis mereka. Orang-orang yang diteliti adalah para pembeli sepeda
motor baru selama kurun waktu 12 bulan. Mereka kemudian diberi pertanyaan-
pertanyaan dengan menggunakan kuesioner yang dikirimkan dengan
mengguankan surat. months of receiving the mailed questionnaire. Jumlah
kuesioner yang dibagikan ialah sebanyak  6,000. Tingkat  kembali jawaban
mendekati 50%. Survei lainnya dengan menggunakan kuesioner dibagikan juga
kepada pemilih perusahaan  DirtyScooters dan TrailBomber motorcycles, yang
merupakan perusahaan kompetitor utama  DMC dengan jumlah responden 5.500.
Tingkat pengembalian jawaban untuk riset kedua ini sebesar 76 %.
           
 Riset Pertama: Kualitas, Nilai dan  Produk

Dalam penelitian ini tujuan utama ialah mengetahui kepuasan konsumen

terhadap produk atau layanan yang dibelinya. Hauser (1991) menemukan bahwa
pendorong kepentingan kepuasan dapat berbeda-beda dalam setiap segmen. Oleh
karena itu jika kita melakukan penggabungan data kepuasan dari  berbagai
segmentasi akan memunculkan perbedaan-perbedaan dan menghasilkan informasi
yang menyesatkan bagi pada pembuat keputusan dalam pemasaran. Lebih lanjut
dikatakan sebenarnya konsumen tidak didorong oleh produk-produk yang mereka
beli, melainkan apa yang mereka beli merupakan indikasi adanya perbedaan-
perbedaan diantara konsumen. Dengan demikian jika kita membanding-
bandingkan data mengenai kepuasan konsumen dalam hubungannya dengan
berbagai produk yang mereka konsumsi sama dengan kita membandingkan apel
dengan jeruk yang jelas-jelas berbeda. Kesimpulannya ialah kita akan dapat
membuat kesalahan jika kita melakukan pengukuran perasaan-perasaan konsumen
dalam segmen-segmen yang kita bandingkan.

Dalam kasus DMC perusahaan tersebut mencoba membuktikan kasus di atas

untuk mencari apakah memang benar kualitas produk atau layanan akan
berpengaruh terhadap nilai-nilai yang diterima /dialami pada sepeda motor yang
mereka beli. Pertanyaan dalam riset mereka berbunyi: Apakah produk dan layanan
mempunyai pengaruh yang sama atau berbeda pada nilai-nilai yang diterima bagi
para pembeli motor di perusahaan DirtyScooters dan TrailBombers?  Untuk
menjawab pertanyaan tersebut, DMC terlebih dahulu meyakinkan bahwa
pengukuran kualitas, kinerja, dan nilai sama untuk semua segmen yang diteliti.
Sebelumnya DMC sudah mengembangkan beberapa butir survei untuk mengukur
variable-variabel laten ( Variabel yang tidak teramati). Dalam riset sebelumnya
mereka menggunakan Analisis Faktor dan Reliabilitas dalam SPSS untuk
melakukan pengurangan jumlah variabel indikator dalam masing-masing variable
laten.  Butir-butir dalam survey B menghasilkan 4513 tanggapan yang terdiri atas
1624 pemilik Motor DirtyScooter dan 2889 pemilik motor  TrailBombers.2 DMC
melakukan penyederhanaan SEM yang merefleksikan hubungan-hubungan yang
ada dalam semua variable laten.

Tahap pertama mereka melakukan pencocokan model ini beserta variasinya

kedalam data untuk kedua segmen yang digabungkan untuk mengetahui seberapa
baik model direalisasikan kedalam seluruh sampel yang dikaji. Data yang
dimasukkan berupa matriks varian / kovarian untuk semua variabel indikator.
Dalam analisisnya DMC mempunyai asumsi bahwa sampel belum pasti berasal
dari populasi multivariat yang berdistribusi normal. Itulah sebabnya DMC
menggunakan metode estimasi “asymptotically distribution free” (ADF) yang
dideskripsikan oleh  Browne (1984), sebagai ganti penggunaan  maximum
likelihood. Pendekatan lainnya  mereka menggunakan Amos untuk
melakukan bootstrapping.  Diagram jalur model akhir yang dikembangkan dalam
Amos akan terlihat seperti dalam gambar 1.1 di bawah ini. Kita dapat melihat
bahwa variable kualitas mempunyai lima  indikator, nilai mempunyai tiga dan
kualitas layanan mempunyai empat indikator. Variabel laten “val_err” merupakan
residu untuk persamaan struktural variable laten nilai. Persamaan ini mencakup
semua variabel laten  produk dan layanan yang digunakan sebagai predictor.
Analisis ini sam dengan persamaan regresi berganda dengan menggunakan dua
variabel bebas / predictor hanya saja perbedaannya ialah covariation / korelasi
antar variabel bebas / predictor juga dibuatkan  modelnya.
Catatan: Bagi yang sudah mengenal Path Analysis  / Analsis Jalur akan lebih
mudah memahami ini. SEM merupakan pengembangan dari Analysis Jalur sedang
Analisis Jalur merupakan pengembangan dari analisis regresi berganda)

Angka statistik keselarasan   Root Mean Square Error of

Approximation (RMSEA) untuk  model adalah sebesar 0.062. Angka  ini lebih
kecil dari angka kriteria yang diusulkan oleh Browne dan Cudeck (1993)
sebesar  0,08.  Jika angka RMSEA ≤ 0,08 maka kecocokan model dapat diterima.
Angka estimasi koefesien jalur untuk variable kualitas produk dan layanan
berbeda. Untuk melakukan pengujian perbedaan statistik ini maka dilakukan
penghilangan hal-hal yang membuat koefesien-koefesien jalur tersebut menjadi
sama.   Model ini kemudian dicabangkan didalam model berikutnya sebagai mana
terlihat dalam gambar di atas. Perbedaan  antara nilai statistik chi square (χ 2) untuk
kedua model ini ialah sebesar 200,01 dengan degrees of freedom  (DF) atau derajat
kebebasan 1.  Didasarkan angka angak tersebut diketahui bahwa kualitas produk
mempunyai pengaruh yang lebih besar dari pada kualitas layanan. Dengan
menggunakan angka-angka tersebut, model yang dibuat sudah cocok dengan
seluruh sampel.
 
            Berkaitan dengan rumusan masalah yang ada, yaitu apakah koefesien-
koefesien jalur untuk kualitas produk dan layanan berbeda pada semua segmen
konsumen; maka jawabannya ialah dengan cara mencocokan model-model untuk
kedua segmen secara terpisah, tetapi dengan tetap mengendalikan agar koefesien
yang berhubungan tetap sama. Kemudian membandingkan hasil-hasilnya dengan
cara mencocokkan dua data segmen tanpa mengendalikan koefesien-koefesiennya.
Amos memungkinkan kita melakukan pencocokan model- model untuk dua atau
lebih kelompok secara bersamaan dan membuat ringkasan seberapa cocoknya
semuanya dengan nilai statistik  chi square (χ2).
 
 
Ada masalah lain muncul jika analisis dilanjutkan dengan cara ini. Model ini
tidak akan memungkinkan adanya perbedaan dalam segmen-segmen yang diteliti.
Masalah-masalah yang muncul diantaranya ialah 1) Bagaimana jika variabel-
variabel indicator berhubungan dengan variable-variabel laten secara berbeda
diantara semua segmen? Apa artinya jika terdapat perbedaan dalam koefesien-
koefesien jalur? Bagaimana jika kovarian antara produk dan layanan berbeda?
Dalam kondisi-kondisi seperti apa agar dalam membandingkan koefesien-
koefesien menjadi bermakna? Untuk menyelesaiakan masalah ini diperlukan
model-model pengukuran  yang sama. Sebagai contoh  kita membuat asumsi
bahwa bentuk model yang sama akan cocok untuk kedua kelompok. Sekalipun
demikian kita perlu mempertanyakan apakah maknanya jika model-model
pengukuran tersebut sama?. Jöreskog (1971) menyebut sebagai co-generic test — ,
yaitu dua co-generic tests mempunyai loadings yang sama  untuk semua variabel
yang diukur namun varian kesalahan (error variances  )dapat berbeda. Dalam kasus
ini kita dapat meminta Amos melakukan pengujian secara bersamaan dengan
menggunakan data yang ada. Untuk melakukan itu, aplikasikan  kedua kelompok
yang diteliti.  

Dalam satu analisis mengendalikan loading untuk masing-masing variabel

indikator, sehingga semua loading menjadi sama  untuk kedua kelompok tersebut.
Dalam analisis kedua, ijinkan semua loading menjadi berbeda. Kemudian
bandingkan hasil-hasil dalam model-model cabang. Dengan menggunakan
prosedur ini maka hipotesis yang mengatakan bahwa loading-loading  sama dalam
dua segmen pemilik perusahaan ditolak. Kesimpulannya membandingkan
koefesien-koefesien jalur dua segment tidak akan memberikan makna yang berarti
karena  kedua segment tersebut kemungkinannya mengukur hubungan linier antara
variabel-variabel laten yang berebda. Akan lebih bermakna jika kita
membandingkan kekuatan (magnitude) loading  untuk semua kelompok untuk
mengetahui berapa besar perbedaan-perbedaan absolut ada. Dengan tersedianya
ukuran sampel yang besar  dalam kedua kelompok yang diteliti, maka pengujian
perbedaan akan menjadi sangat bermakna. Dalam kasus DMC, mereka
menemukan segmen-segmen berbeda dalam kaitannya dengan cara kerja
pengukuran yang dilakukan oleh mereka. Tentunya perbedaan ini akan
menyebabkan adanya implikasi yang strategis. Jika peneliti hanya
mengkorelasikan nilai-nilai yang sudah dihitung dari pengkuruan-pengkuruan
tersebut; kemudian membandingkan korelasi-korelasi tersebut disemua segmen,
maka mereka sama dengan membandingkan apel dan jeruk yang jelas berbeda.
Oleh karena itu, salah satu keuntungan menggunakan Amos ialah dapat
menggunakan SEM sesuai dengan data yang ada.
 
 Riset Kedua: Brand halos dan Evaluasi Brand
Riset kedua ini mengkaji masalah kesan umum kosnumen atau yang dikenal
dengan istilah “Brand Halo”. Menurut Dillon, Kumar, Walker & White (1996) dan
beberapa ahli lain menyatakan bahwa penilaian (rating) atribut brand dapat
merefleksikan  lebih daripada sekedar penilaian obyectif seberapa besar perbedaan
kinerja brand pada atribut-atribut yang berbeda. Selain dapat merefleksikan kinerja
yang dirasakan penilaian atribut  brand dapat juga mencakup kesan umum atau
“brand halo”. ” Gagasan mengenai brand halo dapat mengkontaminasi  evaluasi
produk sehingga akan mempersulit  bagi para manajer produk untuk menentukan
apakah persepsi terhadap produk oleh konsumen dapat merefleksikan  kinerja.
Efek ‘halo’ tidak harus sama dengan brand yang berkompetisi. Itulah sebabnya
masalah ‘halo’ menarik dan penting bagi para pemasar.

Dillon dan kawan-kawan . (1996) menggambarkan pengaruh “halo” dalam

berbagai macam model. Dalam contoh berikut ini, kita akan menganalisis variasi
dari model additive (model yang tidak ada efek interaktifnya). Dalam model ini,
masing-masing penilaian brand merupakan kombinasi linier yang berbobot
(weighted linear combination)  dari suatu nilai faktor brand umum dan kesalahan
pengukuran.. Pembobotan ini merupakan factor loadings. Tujuan dalam riset ini
ialah untuk mengetahui berapa banyak variasi dalam suatu penilaian brand yang
diobservasi yang dapat dijadikan sebagai salah satu karaketristik persepsi  dalam
kaitannya dengan kinerja brand tersebut terhadap kinerja atributnya; serta untuk
mengetahui besar yang disebabkan  oleh brand halo tersebut..

            Pada gambar 1.2  di bawah ini akan dideskripsikan suatu diagram jalur
untuk penilaian tunggal hasil riset dalam model tersebut. Gambar tersebut
menerangkan  bahwa masing-masing penilaian brandmengkombinasikan pengaruh
variabel-variabel brand impression, perceived performance, dan kesalahan (error).
Sedang “x” dan “y” mewakili Loading yang memerlukan adanya estimasi. Dalam
studi ini skala  error term  sudah disamakan dalam penilaiannya. Dua belas
pertanyaan diberikan kepada responden dalam riset A, yaitu  DirtyScooter dan
TrailBomber. Enam dari 12 pertanyaan berkaitan dengan kinerja sepeda motor, dan
6 pertanyaan lainnya mengenai kualitas “fit and finish”, misalnya mengenai
perakitan dan pengecatan.

Pada semua varian brand dan faktor-faktor  atribut sudah dikendalikan

menjadi sebesar 1. Kesalahan (error), atau keunikan seperti, “dr,” “tr,” dan
seterusnya, tidak dapat dikorelasikan.  Faktor-faktor brand dan atribut juga tidak
boleh dihitung kovariannya. Ada kemungkinan bagi kita untuk mencocokkan
model additive dengan hanya menggunakan model penilaian tungal untuk masing-
masing atribut dan brand. Akan terdapat dua kali lipat faktor pada penilaian-
penilaian yang dilakukan. Dan masing-masing penilaian akan tergantung pada
pasangan unik brand beserta faktor-faktor  atribut. Dillon dan kawan kawan (1996)
memberikan contoh untuk model ini. Pada dasarnya  model halo adalah semacam
model psychometric “multi-trait/multi-method” (MTMM). Model-model MTMM
pada umumnya cocok untuk matrik-matrik korelasi. Model-model tersebut rawan
bagi identifikasi masalah-masalah  menurut Wothke (1996). Masalah-masalah
tersebut biasanya memberikan pemecahan sendiri dengan cara menghasilkan nilai-
nilai negatif untuk varian-varian yang diprediksi, atau dengan cara mencocokkan
program, yaitu tidak berpusat pada pemecahannya melainkan walau sudah melalui
iterasi yang banyak.

Model jenis under-identification yang lain. Tanda-

tanda  loading tergantung pada apa yang dikendalikan untuk menyusun skala
semua faktor. Model ini rawan terhadap under-identification yang sama dengan
model-model faktor yang memiliki lebih dari satu faktor yang mempengaruhi
pengukuran yang sedang dilakukan. Pada kasus ini ukuran loading dalam
kondisi under-identification yang bukan merupakan masalah yang melemahkan.
Beberapa variasi yang terdapat dalam gambar di atas, modelnya
dianalisis  menggunakan metode estimasi ADF. Jika dilihat maka keluaran  Amos
menunjukkan loading segmen TrailBomber  dahulu dan kedua baru penilaian
kualitas yang tidak berbeda dari nol.

Indeks-indeks modifikasi dalam Amos menunjukkan kecocokan  model

yang dapat diperbaiki dengan cara menganalisis korelasi untuk faktor-faktor brand,
dan dengan mengkorelasikan semua faktor atribut. Dengan melakukan korelasi
tersebut, kita akan memperoleh makna. Secara umum, akan terdapat perbedaan
individu mengenai seberapa besar konsumen-konsumen tergantung pada kesan
terhadap brand. Seberapa besar pengaruh kesan terhadap brand bagi setiap
konsumen akan dapat dikorelasikan dengan pengaruh kesan terhadap brand
lainnya. Korelasi yang diestimasikan antara faktor-faktor brand adalah sebesar
0,193. Melakukan korelasi antara kinerja dan faktor-faktor kualitas akan
memungkinkan pula.  Korelasi tersebut akan memungkinkan persepsi pelanggan
terhadap kualitas dan kinerja menjadi terkait. Sekalipun demikian angka korelasi
hanya sebesar 0,179, angka ini menunjukkan korelasi yang sangat kecil. Hasil
tersebut memunculkan keraguan apakah pengukuran hal yang sama sudah
dilakukan..

Pertanyaan menarik dan penting ialah apakah pengaruh brand dan atribut
berbeda? Pertanyaan ini dapat dianalisis dengan mengendalikan
semua loading sehingga mereka menjadi sama diantara semua brand,
mencocokkan ulang model tersebut, dan kemudian membandingkan model yang
sudah dicocokkan ulang tersebut dengan versi yang tidak dikendalikan.
Kesimpulan dalam penelitian ini ialah bahwa penilaian kinerja untuk DirtyScooter
lebih dipengaruhi oleh brand daripada oleh penilaian kinerja TrailBomber. Untuk
penilaian kualitas akan menjadi kebalikannya. Kedua kesimpulan ini berasumsi
model sudah benar. Implikasi pemasaran bagi DirtyScooter mencakup
kemungkinan dilakukannya perbaikan-perbaikan kinerja hanya akan berdampak
kecil terhadap persepsi karena hal tersebut paling banyak dipengaruhi oleh efek
halo.
 
e. Ringkasan
Amos merupakan program khusus yang digunakan dalam analisis
persamaan struktural (Structural Equation Model)  atau dikenal sebagai SEM.
Amos semula merupakan perangkat lunak komputasi statistic yang mandiri
namun dalam perkembangannya saat ini Amos diambil alih oleh SPSS sehingga
versi-versinya mengikuti perkembangan SPSS.
 
 
f. Konsep-Konsep yang Harus Dipahami
 Analisis of Moment Structures
 Structural Equation Model
 Model Analisis
Apa itu SEM ?
a. PENGERTIAN
SEM (pemodelan persamaan struktural) adalah penggabungan antara
psikometri dan statistika ke dalam satu sistem analisis. Jika Harum memisah antara
psikometri dan statistika, maka SEM menjadikan pengujian psikometri alat ukur
dan pengujian hipotesis statistik dalam satu analisis. Melalui SEM kita akan
mendapatkan informasi mengenai properti psikometris alat ukur (e.g. validitas,
reliabitas) sekaligus hubungan antara variabel yang diuji (e.g. korelasi, regresi).
Identifikasi properti psikometris alat ukur di dalam SEM dinamakan dengan
MODEL PENGUKURAN, sedangkan pengujian hipotesis dinamakan dengan
MODEL STRUKTURAL. Secara tidak langsung teman saya Harum telah
melakukan sebagian dari langkah-langkah pemodelan melalui SEM. Ketika ia
mengembangkan dan menguji pengukuran variabel penelitiannya, ia
mengembangkan model pengukuran aleksitimia dan depresi. Ketika ia menguji
hipotesis penelitian, ia mengembangkan model struktural hubungan antara 
aleksitimia dan depresi.

b.Contoh Penelitian Menggunakan SEM

 SEM Model Penuh
SEM dikatakan sebagai Model Penuh (Full Model) jika di dalamnya ada
model pengukuran dan model struktural. Contohnya penelitian di bawah ini.
Alekstimia dan Depresi diukur dengan menggunakan empat butir. Di sisi lain,
Aleksitimia dihipotesiskan memberikan dampak pada tingginya Depresi.
 Gambar 1. From upload

Yang diuji pada Gambar 1 di atas adalah :

1.  X1 hingga X4 mampu memanifestasikan Aleksitimia secara signifikan

2.  Y1 hingga Y4 mampu memanifestasikan Depresi secara signifikan
3.  Aleksitimia berperan terhadap meningkatnya depresi

 SEM Model Penuh dengan Mediator

Gambar 2 di bawah ini adalah contoh SEM dengan menggunakan variabel
mediator, yaitu motivasi bekerja.

Hipotesis yang diajukan adalah Kualitas Kepemimpinan sebelum

meningkatkan Produktivitas Kerja karyawan didahului dengan meningkatkan
Motivasi Kerja karyawan terlebih dahulu. Motivasi Bekerja dihipotesiskan
merupakan mediator peranan Kualitas Kepemimpinan terhadap Produktivitas
Kerja karyawan.

Selain indikator variabel berupa butir, kita juga bisa melibatkan indikator
berupa aspek atau faktor. Contoh Gambar 2 di bawah ini menunjukkan bahwa
masing-masing variabel dimanifestasikan dalam tiga aspek atau faktor.

Gambar 2. From upload

 SEM Model Struktural dengan Mediator (Path

Analysis/Analisis Jalur)
SEM juga bisa tidak melibatkan butir atau aspek/faktor akan tetapi langsung
skor komposit variabelnya. Model ini biasa dinamakan dengan regresi atau analisis
jalur. Contohnya gambar di bawah ini. Kualitas Kepemimpinan, Motivasi Bekerja
dan Produktivitas Kerja langsung didapatkan dari skor total. Hipotesis pada
gambar ini saya tambahi, Kualitas Kepemimpinan selain mempengaruhi
Produktivitas kerja secara langsung, dia juga memberikan dampak secara tidak
langsung, yaitu melalui Motivasi Bekerja.
 Gambar 3. From upload

c.Kelebihan SEM
Sebenarnya ada banyak kelebihan SEM, tapi saya tulis dibawah ini adalah
kelebihan yang paling utama yang banyak dijadikan alasan oleh peneliti untuk
menggunakan SEM.

1. Pelibatan koreksi terhadap atenuasi.

Pengukuran aleksitimia maupun depresi didalamnya selalu mengandung eror,
sehingga skor 10 yang didapatkan Harun pada skala aleksitimia, didalamnya
terkandung eror. Bisa saja tingkat aleksitima Harun Al Rasyid sebenarnya 9 atau
malah 11.  Demikian juga pada depresi, SKOR TAMPAK yang muncul dari skala
di dalamnya selain SKOR MURNI depresi, terdapat unsur EROR. Jika kita
mengkorelasikan aleksitimia dan depresi hanya melalui skor tampak, maka
korelasinya menjadi melambung karena yang dikorelasikan adalah skor tampak.
Idealnya, yang dikorelasikan adalah skor murni aleksitimia dan depresi. Korelasi
skor murni ini dapat dicapai jika kita menggabungkan : (a) properti psikometris
aleksitimia dan depresi serta (b) korelasi aleksitimia-depresi. SEM mampu
memfasilitasi penggabungan ini bukan?

2. Keluwesan mengembangkan model.

Baik model pengukuran (psikometri) maupun model struktural (statistika)

dapat luwes dikembangkan. Maksudnya luwes di sini dimodifikasi oleh peneliti
sesuai dengan teori yang mendukung. Saya akan membahas satu per satu, diawali
dari model pengukuran. Di dalam kajian psikometri ada beberapa model
pengukuran, yaitu model paralel, kesetaraan nilai tau dan konjenerik. Model
paralel mengasumsikan semua butir memiliki kapasitas atau akurasi yang sama
dalam mengukur variabel sedangkan model konjerik mengasumsikan bahwa butir-
butir di dalam skala memiliki kapasitas ukur yang berbeda. Hasil-hasil penelitian
saya menunjukkan bahwa pengukuran psikologi relatif sesuai dengan model
konjenerik dibanding dengan model paralel yang selama ini sering dipakai. Ada
dua aitem untuk mengukur depresi, aitem pertama “saya mudah merasa lelah”,
sedangkan aitem kedua, “saya sering berpikir untuk bunuh diri”. Jelas aitem kedua
memiliki kapasitas ukur depresi yang lebih dalam dibanding dengan aitem
pertama. Skala yang memuat kedua aitem masuk dalam model konjenerik. Nah,
melalui SEM bisa luwes untuk menentukan model pengukuran mana yang sesuai
dengan alat ukur yang kita pakai.
Sekarang membahas keluwesan model struktural. Analisis regresi yang biasa
kita lakukan hanya menguji peranan X terhadap Y saja, atau peranan X1, X2, Xk
terhadap Y. Keluwesan SEM di sini terletak pada (a) banyaknya variabel yang bisa
dilibatkan (kalau regresi biasa variabel dependen Y hanya satu saja, SEM bisa
memuat banyak Y).  (b) pola hubungan yang diuji. Kalau regresi peranan X1, X2,
Xk terhadap Y, maka SEM bisa menguji peranan X1 terhadap Y yang dimediasi
oleh X2 (X1 mempengaruhi X2 baru X2 mempengaruhi Y). Bisa juga X1
mempengaruhi X2, lalu X2 mempengaruhi Y, di sisi lain ada X3 yang
mempengaruhi Y juga. Wah, banyak deh alternatifnya.

3. Pengujian secara komprehensif.

Coba baca hipotesis SEM pada salah satu penelitian yang dilakukan oleh Prof.
Sofia Retnowati mengenai depresi. “Kejadian menekan mendukung munculnya
depresi secara tak langsung (melalui sumber daya pribadi, dukungan sosial, dan
strategi mengatasi masalah. Kejadian menekan yang dialami individu yang
memiliki sumber daya pribadi yang optimal, dukungan sosial maksimal serta
strategi mengatasi masalah yang efektif, tidak memunculkan simtom depresi. Di
sisi lain sumber daya pribadi dan dukungan sosial mendukung pemilihan strategi
mengatasi masalah yang efektif yang mampu menahan dampak kejadian menekan
dalam memunculkan simtom depresi”.
Kalau penelitian Prof. Sofi dilakukan dengan analisis konvensional maka
akan ada banyak hipotesis, misalnya (1) kejadian menekan mempengaruhi depresi,
(2) kejadian manekan menurunkan sumber daya pribadi, (3) banyak deh.. bisa
sepuluh hipotesis. Kalau melalui SEM, hipotesis yang begitu panjangnya di atas,
terbukti tidaknya cukup didasarkan satu koefisien saja. Gak sebanyak hipotesis
yang hingga sepuluh tadi.

Dilihat dari komprehensifnya, salah satu kelebihan SEM dibanding dengan

uji konvensional adalah sebagai berikut. SEM menguji konsep teoritis yang
dikembangkan sedangkan uji konvensional tidak. Uji konvensional hanya menguji
salah satu bagian kecil dari konsep tersebut. Karena mengembangkan konsep
teoritis, di penelitian psikologi, SEM banyak dimanfaatkan oleh penelitian
doktoral yang memang diminta untuk mengembangkan konsep yang nantinya
menjadi model untuk menjelaskan permasalahan dan sekaligus pengatasannya.

Kelebihan SEM dibandingkan dengan kebanyakan metode statistik terletak

pada hal-hal berikut: (1) perlakuan baik variabel endogen dan eksogen sebagai
variabel acak yang memiliki kesalahan pengukuran, (2) adanya variabel laten yang
mampu memuat banyak indikator, (3) adanya pemisahan antara kesalahan
pengukuran dengan kesalahan mengembangkan spesifikasi model, (4) adanya
penguji model secara keseluruhan daripada koefisien per koefisien, (5) SEM
memungkinkan pemodelan dengan menggunakan variabel mediator, (6) SEM
memberikan keluwesan untuk mengembangkan model yang memiliki hubungan
antar eror, (7) SEM memberikan kesempatan pengujian koefisien pada beberapa
kelompok di sampel, (8) SEM memberikan pemodelan yang dinamis, (9) SEM
mampu mengatasi data hilang, dan (10) SEM mampu menangani data yang tidak
normal dengan baik (Golob, 2003).

4. SEM mampu mengatasi masalah ketidaknormalan distribusi (dengan

beberapa syarat)

Ketangguhan estimasi SEM misalnya maximum likelihood (ML) dan faktor

koreksi yang telah dikembangkan untuk data tidak normal menunjukkan bahwa
SEM dengan estimasi ML dapat digunakan dalam banyak situasi. Meskipun
menggunakan skala ordinal untuk mengumpulkan data tentang perasaan dan
persepsi (skala Likert) dan beberapa aitem dihapus atau disensor, SEM masih
mampu memberikan hasil estimasi yang akurat.

Mengutip tulisan dari Sarwono (tanpa tahun), SEM memiliki beberapa

keunggulan antara lain : Pertama, memungkinkan adanya asumsi-asumsi yang
lebih fleksibel; Kedua, penggunaan analisis faktor penegasan (confirmatory
factor analysis) untuk mengurangi kesalahan pengukuran dengan memiliki
banyak indikator dalam satu variabel laten;  Ketiga, daya tarik interface
pemodelan grafis untuk memudahkan pengguna membaca keluaran hasil
analisis;  Keempat, kemungkinan adanya pengujian model secara keseluruhan
dari pada koefesien-koefesien secara sendiri-sendiri;  Kelima, kemampuan
untuk menguji model – model dengan menggunakan beberapa variabel
tergantung; Keenam, kemampuan untuk membuat model terhadap variabel-
variabel perantara; Ketujuh, kemampuan untuk membuat model gangguan
kesalahan (error term); Kedelapan, kemampuan untuk menguji koefesien-
koefesien diluar antara beberapa kelompok subyek;  Kesembilan kemampuan 
untuk mengatasi data yang sulit, seperti data time series dengan kesalahan
otokorelasi, data yang tidak normal, dan data yang tidak lengkap.