WEBINAR

ANALISIS DATA MENGGUNAKAN METODE

STRUCTURAL EQUATION MODELING
DAN INTEPRETASI HASIL PENELITIAN DENGAN
BANTUAN PROGRAM AMOS
(ANALYSIS OF MOMENT STRUCTURES) VERSI 21

Oleh: Dwi Puryanto

Email: dwe.perdana@gmail.com, HP. 081317594995

1
 Jadwal Pelatihan SEM - AMOS
1.09.30-10.00: Pembukaan
2.10.00-11.00: Pengantar Teori
3.11.00-12.00: Proses Pengolahan Data Penelitian dengan AMOS
4.12.00-13.00: Ishoma
5.13.00-15.00: Contoh Kasus + Pengolahan Data dengan AMOS

2
 Tools Pembuktian Hipotesis Kuantitatif

1. Uji Beda
2. Uji Korelasi Ms. SPSS,
Excel Eview
3. Uji Regresi (Single & Multiple) s
Amos,
Lisrel &
4. Path Analysis (Moderating & PLS
Intervening)
5. Structural Equation Modeling

3
 Introduction Stuctural Equation Modeling (SEM)

 Dalam fenomena manajemen (Bisnis) sebuah variabel tergantung

dapat dipengaruhi oleh beberapa variabel bebas, demikian juga
beberapa variabel bebas mampu mempengaruhi beberapa variabel
tergantung.
 Sehinga model akan nampak menjadi sangat rumit.
 Model yang rumit ini pada dasarnya dapat dianalisis dengan
menggunakan analisis regresi maupun analisis jalur, namun dalam
prakteknya akan tidak efisien karena masing masing-sub struktur
harus dianalisis satu persatu, kemudian baru digabungkan menjadi
sebuah model yang utuh.
 Permasalahan yang rumit tersebut dapat dianalis dengan
menggunakan analisis Structural Equational Modeling (SEM) dengan
menggunakan Program AMOS.

4
 LANGKAH-LANGKAH PEMODELAN SEM

1. Pengembangan sebuah model berbasis teori.

2. Pengembangan Path diagram.
3. Konversi path diagram ke dalam persamaan.
 Persamaan struktural (Struktural equation)
 Persamaan spesifikasi model pengukuran
(measurement model)
4. Pemilihan matriks input dan estimasi model
• Matriks input data yang digunakan adalah matriks
varian/kovarian atau matrik korelasi
• Ukuran sampel, Hair et al (1996) menemukan
bahwa ukuran sampel yang sesuai untuk SEM
adalah 100-200
5. Menilai Problem Identifikasi
5
 Evaluasi Criteria Goodness-of-fit

a. Evaluasi Asumsi SEM

• Normalitas, dengan kriteria nilai kritis sebesar ± 2,58 pada
tingkat signifikansi 0,01
• Outlier, merupakan observasi atau data yang memiliki
karakteristik unik, dengan menggunakan kriteria nilai kritis
± 3, maka data dinyatakan outlier jika memiliki nilai Z-score
lebih tinggi dari +3 atau lebih rendah dari -3
• Multicollinearity dan Singularity, dimana yang perlu diamati
adalah determinan dari matrik kovarian sampelnya
determinal yang kecil atau mendekati nol, mengindikasikan
adanya multikolinearitas atau singularitas, sehingga data
tersebut tidak dapat digunakan untuk penelitian
a. Uji Kesesuaian dan Uji Statistik

6
 Goodness of Fit Index

7
 Uji Reliability dan Variance Extract

a. Uji reliablitas, dimana nilai reliabilitas yang diterima adalah 0,70. uji
reliabilitas dalam SEM dapat diperoleh melalui rumus sbb:

b. Variance Extract, dimana nilai yang dapat diterima adalah > 0,50,
rumus yang digunakan adalah sbb:

8
 Interpretasi dan Modifikasi Model

• Langkah terakhir adalah menginterpretasikan model dan memodifikasikan

model untuk model yang tidak memenuhi syarat pengujian yang dilakukan.
• Jika terdapat identification problem program AMOS akan memberikan
warning, sehingga pengguna akan melakukan Langkah-Langkah
perbaikan. Tetapi jika program AMOS dapat dijalankan menunjukkan
bahwa besaran standar error, variance orror serta korelasi antar koefisien
estimasi berada dalam rentang nilai yang tidak menunjukkan adanya
problem identifikasi.

9
 Tool dalam AMOS

10
 Tool dalam AMOS

11
 Beberapa contoh hasil analisis dg AMOS

12
 Kenapa SEM menjadi Penting untuk Diketahui dan Dipelajari

13
 Istilah-istilah dalam AMOS
 SEM atau Structural Equation Modeling (Pemodelan Persamaan
Struktural) = CFA + Path Analysis. CFA adalah Confirmatory Faktor
Analysis.
 SEM digunakan untuk menguji validitas dan reliabilitas instrumen,
menguji pengaruh variabel independent terhadap variabel dependent,
dan menguji pengaruh langsung dan tidak langsung dari variabel
eksogen terhadap variabel endogen.
 SEM sebaiknya memiliki sampel 5-10 x jumlah indikator (parameter),
dan indikator bersifat reflektif (kecuali PLS boleh formatif).
 SEM sebaiknya digunakan apabila variabelnya berbentuk laten.
Simbol variabel laten adalah bentuk . Istilah lain untuk variabel
laten adalah Variabel Konstrak, Unobservable Variable, Unvisible
Variable, dan Faktor.
 Variabel Laten diukur dengan Indikator Variabel . Istilah lain
untuk indikator variabel adalah variabel manifest, observable
variabel, dan visible variable.
14
 1. Apakah CFA :
•Hair et al (2010) mengemukakan Confirmatory Factor Analysis (CFA)
merupakan bagian dari SEM (Structural Equation Modeling) untuk menguji
cara variabel terukur atau indikator yang baik dalam menggambarkan atau
mewakili suatu bilangan dari suatu faktor.
•Analisis faktor konfirmatori (Confirmatory Factor Analysis atau CFA) adalah
suatu teknik di mana secara apriori, teori, dan konsep telah diketahui atau
ditentukan terlebih dahulu indikator-indikator yang digunakan dan variabel-
variabel mana saja yang masuk ke dalam indikator tersebut

2. Path Analysys :
•Kerlinger (2003) mengatakan bahwa yang dimaksud dengan analisis jalur
(path analysis) adalah suatu bentuk terapan dari analisis multiregresi.
•Analisis jalur merupakan teknik analisis yang digunakan untuk menganalisis
hubungan sebab akibat yang inheren antar variabel yang disusun
berdasarkan urutan temporer dengan menggunakan koefesien jalur sebagai
besaran nilai dalam menentukan besarnya pengaruh variabel independen
exogenous terhadap variabel dependen endogenous. (Jonathan Sarwono,
2011).

15
 Tahapan SEM dengan AMOS

I. Gambar Model: Teori & penelitian terdahulu

II. Uji Validitas dan Reliabilitas: CFA, Convergent Validity,
Construct Reliability, AVE, dan Discriminant Validity.
III. Uji Normalitas: Normalitas Univariate dan Multivariate,
Mahalanobis Distance, dan Determinant of Sample
Covariance Matrix
IV. Uji Kesesuaian Model: Chi-Square, GFI, CFI, AGFI,
RMSEA, dan lain lain.
V. Uji Hipotesis: Dengan kriteria Critical Ratio (CR) > 1,96
dan Nilai Probability (P) < 0,05.

16
 I. Gambar Model

17
 Langkah 1: Buka Program AMOS. Cari dari Start, Program, hingga ketemu Program Amos. Bila program Amos sudah
dibuka, akan muncul tampilan seperti dibawah ini. Gambar disebelah kiri adalah tools untuk menjalankan Amos, sedangkan
yang disebelah kanan, adalah bidang kerja, tempat untuk menggambar model penelitian.

18
 Langkah 2: Lakukan pengaturan bidang kerja, boleh menggunakan portrait atau landscape. Klik View, Interface Properties.
Tampilan awal akan muncul Portrait – Letter. Silakan dirubah menjadi Lanscape – A4. Kemudian klik Apply untuk
menyelesaikan proses ini. Close interface properties.

19
Langkah 3: Gambar model penelitian dibawah ini, dengan mempergunakan 6 tools yang dilingkari. Lingkaran biru
untuk menggambar variabel dan indikatornya. Lingkaran kuning untuk memutar posisi indikator. Lingkaran hitam
untuk copy, lingkaran ungu untuk memindahkan gambar, dan lingkaran merah untuk mempertahan simetris gambar.

20
 Langkah 4: Tulis nama variabel dengan cara view, object properties (atau double klik / klik kiri varabelnya),
ketik namanya di variabel name, font disesuaikan. Menggambar anak panak dengan mengklik tanda panah yang
dilingkari terlebih dahulu, baru digambar anak panah dari variabel eksogen kearah variabel endogen.

21
 Langkah 5: Tambahkan residual error pada variabel unggul dan variabel kinerja dengan mengklik tools
residual yang dilingkari dengan warna merah. Klik Plugins, Name Unobserved Variables. Gambar covariance
dengan cara klik tools gambar tangan, pilih variabel eksogen, klik Pugins, Draw Covariances.

22
 Langkah 6: Import data, cara klik select “Data File” (lingkaran hitam), akan muncul data files, klik file name,
dan pilih file yang akan diolah, klik ok. Kemudian klik “List Variabel in Data Set “(lingkaran merah), maka
akan muncul tampilan “Variabel in Dataset”.

23
 Langkah 7: Pindahkan Indikator Indikator variabel dari “Variables in Dataset” ke indikator variabel masing
masing. Caranya klik dan drag saja. Hingga hasilnya tampak seperti dibawah ini.

24
 Langkah 8: Klik “Title” dan tempatkan di bidang kerja, hingga muncul tampilan “Figure Caption”, kemudian
ketik seperti tertulis dalam contoh. Bila sudah selesai klik “OK” dan lihat tampilannya seperti dibawah ini.

25
 Langkah 9: Klik kembali “Title” dan tempatkan di bidang kerja, hingga muncul tampilan “Figure Caption”,
kemudian ketik semua komponen Goodness of Fiit yang ada dalam slide. Klik “OK” bila sudah selesai.

26
 Langkah 10: Klik “Analysis Properties” yang lingkaran hitam, kemudian klik Output (kotak merah), dan klik
semua jenis output yang kita inginkan. Akhiri dengan menutup tampilan “Analysis Properties”.

27
 Langkah 11: Klik “Calculate Estimate” tools yang dilingkaran hitam. Akan terjadi proses pengolahan data.
Lihat “View The Input Path Diagram” yang di kotak merah tampak cerah, artinya run data sukses.

28
 Langkah 12: Selanjutnya klik “View The Otput Path Diagram” yang dilkotak merah vertikal, klik juga
“Standardized Estimates” yang kotak hitam horizontal. Tampak muncul angka pada path diagramnya.

29
 Langkah 13: Selanjutnya klik “Unstandardized Estimates”, perhatikan terjadi perubahan angka pada path
diagramnya. Angka “Unstandardized Estimates” dan “Standardized Estimates” digunakan untuk uji validitas
dan untuk coeficient pengaruh.

30
 Langkah 14: Untuk membaca output dalam bentuk teks, klik tools “View Text”, maka akan muncul tampilan
seperti dibawah ini:

31
 II. Uji Validitas dan Reliabilitas:
CFA, Convergent Validity, Construct Reliability,
AVE, dan Discriminant Validity

32
 Langkah 15: Uji Validitas dengan Uji CFA atau Uji Validitas konstrukt(indikator) yaitu mengukur apakah
konstruk (indikator) mampu atau tidak merefleksikan variabel latennya. Hasilnya memenuhi kriteria yaitu nilai
Critical Ratio (CR) > 1,96 dengan Probability (P) < 0,05. Tanda *** adalah signifikan < 0,001.

33
Langkah 16: Uji Validitas dengan Uji Convergent Validitas, yaitu menguji konstruk (indikator) apakah memiliki
proporsi variance yang tinggi atau tidak. Memenuhi kriteria apabila “Loading Factor” atau “Standardized Loading
Estimate” >0,5

34
Langkah 17: Uji Reliabilitas dengan Uji Construct Reliability, yaitu menguji keandalan dan konsistensi data.
Memenuhi kriteria apabila Construct Reliability > 0,7. Nilai Construct Reliability diantara 0,6 s/d 0,7 masih dapat
diterima dengan syarat validitas konstruk (indikator) dalam model adalah baik. Hasilnya semua diatas 0,7.

35
Langkah 18: Uji Validitas dengan Uji Average Variance Extracted (AVE), yaitu uji confirmatory dengan cara melihat
rata-rata dari variance extracted antar indikator dari suatu variabel laten. Memenuhi syarat jika AVE > 0,5. Hasil AVE
dalam penelitian ini semuanya > 0,5.

36
Langkah 19: Uji Validitas dengan Uji Discriminant Validity (sesama variabel eksogen), yaitu mengukur seberapa jauh
suatu indikator (konstruk) benar benar berbeda dari indikator (konstruk) lainnya. Memenuhi kriteria apabila Nilai Akar
Kuadrat dari AVE harus LEBIH TINGGI dari Nilai Correlation antar Variabel Latent.

37
 III. Uji Normalitas: Normalitas Univariate dan
Multivariate, Mahalanobis Distance, dan
Determinant of Sample Covariance Matrix

38
Langkah 20: Uji Normalitas Data dengan Normalitas Univariate dan Multivariate, yaitu menganalisis tingkat
normalitas data yang digunakan dalam penelitian ini. Univariate melihat nilai CR pada Skewness diharapkan
disekitar ± 2.58. Bila ada nilai diluar angka tersebut bisa ditoleransi apabila nilai Multivariatenya masih disekitar ±
2.58.

39
Langkah 21: Uji Normalitas Data dengan Uji Outlier Mahalanobis, yaitu mendeteksi data data yang ekstrim.
Caranya dengan melihat Nilai Mahalanobis hitung < Chi Square DistributionTable. Hasilnya jarak mahalanobis
minimal = 15,029 dan maksimal = 37,166. Nilai chi-square dengan derajat bebas 21 (jumlah indikator variabel) pada
tingkat signifikansi 0,01 (***) maka nilai mahalanobis = 38,932. Dengan demikian tidak ada data yang outlier.

40
Langkah 22: Uji Normalitas Data dengan Determinant of Sample Covariance Matrix, yaitu melihat apakah terdapat
multikolineritas dan singularitas dalam sebuah kombinasi variabel. Determinant yang benar-benar kecil
mengindikasikan adanya multikolinearitas atau singularitas. Diharapkan Determinant of Sample Covariance Matrix
menjauhi NOL dan lebih baik lagi jika > 1. Hasilnya menunjukkan Determinant of Sample Covariance Matrix 1,644.

41
 IV. Uji Kesesuaian Model:
Chi-Square, GFI, CFI, AGFI, RMSEA,
. lain
dan lain

42
Langkah 23: Menilai Goodness of Fit Indeks dari Hasil Uji Full Model. Yang terpenting adalah Chi Squarenya baik.
Jika Indeks yang lain terpenuhi, berarti datanya semakin fit.

Goodness of Fit Cut of Hasil Evaluasi

Indeks Value Analisis Model
Chi Square ≤ 204.690, dimana Chi Square untuk df 202.869 Baik
173; Taraf Sig 5% = 204.690
Probability > 0.05 0.060 Baik
GFI > 0.90 0.870 Marginal
AGFI > 0.90 0.827 Marginal
IFI > 0.90 0.982 Baik
TLI > 0.90 0.978 Baik
CFI > 0.90 0.982 Baik
NFI > 0.90 0.891 Marginal
RMSEA < 0.08 0.036 Baik

43
 V. Uji Hipotesis:
Dengan kriteria Critical Ratio (CR) >
1,96 dan Nilai Probability (P) < 0,05.

44
Langkah 24: Uji Hipotesis. Signfikan apabila nilai CR > 1,96 dan nilai P < 0,05. Hasilnya dapat disimpulkan bahwa
hanya variabel Adaptabilitas yang tidak berpengaruh signifikan terhadap Keunggulan Bersaing. Selebihnya adalah
signifikan. Kekuatan pengaruh dapat dilihat pada nilai estimate atau pun pada diagram yang dilingkari merah.

45