MODUL KULIAH APLIKOM STATISTIKA

STRUCTURAL EQUATION MODELING (SEM)

Dengan Software AMOS

Dosen Pengampuh Mata Kuliah:

Dr. Sayyida, [Link]., [Link]
 Structural Equation Modeling (SEM) merupakan alat analisis statistika yang mampu
menyelesaikan permasalahan yang komplek. SEM dapat dipakai untuk menganalisis
permasalahan multiple relationship antara varaiabel-variabel yang tidak dapat diukur langsung
(unobserved). SEM sangat cocok untuk model penelitian yang terdiri dari variabel unobserved
/ variabel laten (Adedeji et al., 2016; Awang, 2014; Shah & Goldstein, 2006).
Dua variabel penting dalam SEM:
1. Variabel Manifest/observed adalah variabel yang merupakan alat ukur untuk variabel laten
(indikator)
2. Variabel Laten/konstrak adalah variabel yang tidak bisa diukur langsung (unobserved) tetapi
dapat diukur dengan beberapa indikator
Simbol dalam SEM:
Variabel observed =
Variabel unobserved =
Model dalam SEM ada 2 yaitu:
1. Measurement model adalah bagian dari SEM yang menggambarkan antara variabel
konstruk dengan indikator-indikatornya
2. Structural model adalah bagian dari SEM yang menggambarkan hubungan antara variabel
laten

Cara Penyelesaian:
Langkah-langkah penyelesaian dalam analisis SEM sebagai berikut :
a. Membuat Gambar
Tahap pertama untuk teknik analisis data yang menggunakan SEM membuat gambar
yaitu menggambarkan hubungan antar variabel-variabel laten (variabel konstruk) atau antar-
variabel eksogen (variabel independen yang mempengaruhi variable dependen) dengan
variabel endogen (variabel dependen yang dipengaruhi oleh variabel independen).
b. Uji Normalitas dan Outlier
AMOS adalah softwer untuk SEM yang parametrik sehingga harus dipenuhi beberapa
asumsi diantaranya data harus berdistribusi normal. Untuk pengujian normalitas dapat
dilakukan uji skewness dan kurtosis yang dapat dilihat pada output AMOS. Dilihat c.r.
multivariate normal, jika < 0,258➔ normal
Jika Tidak normal, lihat outlier di “Observations farthest from the centroid (Mahalanobis
distance) (Group number 1)” Jika p1 dan p2 < 5% maka data tersebut merupakan data outlier
Selanjutnya outlier dibuang dan diuji kembali
Dr. Sayyida, [Link]., [Link]. 1
c. Uji Measurement Model
Measurement Model adalah bagian dari model SEM yang menggambarkan sebuah
variabel laten dengan indikator-indikatornya. Uji measurement model merupakan salah satu
bagian pengujian dalam SEM yang bertujuan menguji indikator-indikator terhadap latennya.
Untuk melakukan pengujian ini bisa dengan menguji secara terpisah untuk masing-masing
laten atau bisa diuji secara bersama-sama dengan membuat model.
Uji Validitas Konstruk
Uji Validitas Konstruk bertujuan untuk melihat apakah indicator valid atau sesuai untuk
mengukur variabel latennya. Indikator dikatakan valid jika faktor loading lebih besar 0,4 (hair
et al). Untuk melihat kovarian antara variabel laten dengan indikatornya dapat dilihat pada table
Regression Weights dengan hipotesis sebagai berikut :
H0 : tidak ada hubungan yang nyata antara indicator dengan konstruk.
H1 : Ada hubungan yang nyata antara indicator dengan konstruk.
Indicator valid jika nilai p, 0,05
Uji reliabilitas konstruk
Uji alat ukur yang kedua adalah reliabel, yaitu indeks yang menunjukkan sejauh mana
alat ukur dapat diandalkan atau dapat di percaya. Reliabilitas adalah ukuran konsistensi dari
indikator-indikator tersebut, indikator dikatakan reliabel pada umumnya apabila nilai VE
(Variance Extracted) di atas 0,5. Rumus VE sebagai berikut:
(Σ𝜆)²
VE = (Σ𝜆)2 + (1−𝜆2 )

Nilai lamda adalah nilai estimate pada tabel “Standardized Regression Weights: (Group
number 1 - Default model).
Nilai VE ini diukur untuk masing-masing variabel laten

d. Uji Struktural Model

Uji keseuaian model
Overal Model bisa menggunakan Degress of Fredom (df). jika df pada output “Computation
of degrees of freedom (Default model)” positif maka model bisa dianalisis lebih lanjut.
Hasil uji kesesuaian model yang lain sesuai tabel level penerimaan goodness of fit berikut.

Dr. Sayyida, [Link]., [Link]. 2

 Tabel level penerimaan goodness of fit
Name of category Name of index Level of acceptance
Absolute fit Chi-square P > 0,05
RMSEA RMSEA < 0,08
GFI GFI > 0,9
Incremental fit AGFI AGFI > 0,9
CFI CFI > 0,9
TLI TLI > 0,9
NFI NFI > 0,9
Parsimonious fit Chi-square / df Chi-square / df < 5,0
Sumber : Awang (2014)

Uji Struktural Parameter Estimate

Setelah model dinyatakan Fit atau sesuai, maka dilakukan uji structural parameter
estimate. Uji structural parameter estimate bertujuan untuk menguji hubungan antar variabel
laten, dengan hipotesis sebagai berikut :
H0 : tidak ada hubungan antara X1 dan Y
H1 : Ada hubungan antara X1 dan Y
Hipotesis tersebut akan tolak H0 jika nilai probabilitas P < 0,05
bisa dilihat di tabel Regression Weights: (Group number 1 - Default model)
Selanjutnya untuk melihat pengaruh langsung dan tidak langsung bisa di lihat di standardized
total/ direct/indirect effects.

CONTOH:
Kualitas Pelayanan Terhadap Kepuasan Dan Loyalitas Pengunjung

Buka software amos dengan cara double klik icon . Langkah-langkah penyelesaian
dalam analisis SEM sebagai berikut :

Dr. Sayyida, [Link]., [Link]. 3

Membuat Gambar

Media gambar bisa diganti landscape dengan cara klik “view – interface Properties – paper
size”

Agar ukuran kertas terlihat semua kecilkan layar gambar dengan klik “Diagram – Zoom Out”

Dr. Sayyida, [Link]., [Link]. 4

Untuk menggambar klik icon dan letakkan di layar gambar sambil ditarik sesuai ukuran
variabel laten (berbentuk oval) yang diinginkan. Kemudian klik di gambar oval tersebut
sejumlah indicator yang paling sedikit dari variabel yang anda miliki. Misalnya model terdiri
dari 4 variabel, yaitu X1 dengan 3 indikator, X2 dengan 5 indikator, M dengan 6 indikator, dan
Y dengan 5 indikator, maka buat gambar variabel laten dengan 3 indikator, kemudian copy

(dengan cara klik/aktifkan icon ) sesuai banyaknya variabel laten dan tambahkan indikator

(dengan klik/aktifkan dan klik di variabel laten) untuk masing-masing variabel laten

sesuai data. Pindahkan indikator (dengan aktifkan icon dan klik di variabel laten). Klik

icon panah untuk menghubungkan variabel. Klik dan untuk memindahkan variabel

laten beserta indikatornya. Rapikan gambar dengan aktifkan dan klik pada gambar yang

ingin dirapikan. Sesuaikan gambar dengan kertas, dengan cara klik icon .

Tambahkan error pada semua variabel endogen, dalam kasus ini adalah variabel M dan Y

dengan “Diagram – Draw Unique Variable” atau klik icon dan klik pada variable M dan
juga Y.

Dr. Sayyida, [Link]., [Link]. 5

Beri nama variabel laten dengan cara klik “view – objek properties” atau klik , kemudian
klik gambar variabel laten yang akan di beri nama secara bergantian.

Panggil data dengan file - data file atau klik icon , file name (cari lokasi data)

entri data dengan “view- variables in dataset” atau klik icon . Pindahkan/tarik masing-
masing indikator ke gambar.

Dr. Sayyida, [Link]., [Link]. 6

Beri nama error dengan “Plungins – name unobserved variables”

Rapikan ukuran indicator sesuai nama indicator dengan “Plugins – Resize Observed Variables”

Keluarkan hasil fit model di gambar dengan cara “

Dr. Sayyida, [Link]., [Link]. 7

Ketikkan:
Chi - square=\cmin
Probability=\p
CMIN/DF=\cmindf
GFI=\gfi
AGFI=\agfi
TLI=\tli
CFI=\cfi
IFI=\ifi
RFI=\rfi
NFI=\nfi
RMSEA=\rmsea
RMR=\rmr
Kemudian klik Ok. Caption tersebut bisa dipindah dengan cara yang sama seperti
memindahkan variabel.

Simpan model dengan “File – Save”

Dr. Sayyida, [Link]., [Link]. 8

Proses pemberian nama dan entri data sudah selesai.
Sebelum melakukan analisis data, tentukan terlebih output yang diinginkan dengan cara klik
“View – Analysis Properties” dan pilih output sebagaimana gambar berikut

Selanjutnya analisis data dengan “Analyze – Calculate Estimate” atau klik icon .

Proses analisis dengan AMOS sangat sensitif, jika terjadi kesalahan baik dari gambar maupun

data maka akan ada catatan. Jika panah merah aktif, maka proses analisis berhasil.

Dr. Sayyida, [Link]., [Link]. 9

Untuk membuka output dengan cara “View – Text Output”

CARA INTERPRETASI OUTPUT

TAbel bisa dicopy dengan cara klik judul tabel (pada bagian kiri layar) yg ingin di copy dan
klik icon copy di atas layar.

Dr. Sayyida, [Link]., [Link]. 10

Uji normality ➔ Lihat Assessment of normality
Dilihat c.r. multivariate, jika < 0,258➔ normal
Assessment of normality (Group number 1)
Variable min max skew c.r. kurtosis c.r.

Multivariate 0,058
Jika tidak normal, di cek outlier pada tabel Observations farthest from the centroid
(Mahalanobis distance) (Group number 1). Jika p1 dan p2 < 5% ➔ data tersebut outlier.
Contoh tabel berikut, data no 168 adalah outlier.
Observations farthest from the centroid (Mahalanobis distance) (Group number 1)
Observation number Mahalanobis d-squared p1 p2
168 ,000 ,000
71 ,238 ,151
20 ,239 ,118
Jika terdapat outlier, maka keluarkan outlier dari data kemudian save dan panggil data ulang,
kemudian ulangi analisis data.

Uji Validitas Konstruk

H0 : tidak ada hubungan yang nyata antara indicator dengan konstruk.
H1 : Ada hubungan yang nyata antara indicator dengan konstruk.
Uji Validitas dengan cara melihat tabel “Regression Weights: (Group number 1 - Default
model)”. Jika nilai P < 0,05 maka indicator valid. Jika P = *** artinya 0,000 atau valid

Regression Weights: (Group number 1 - Default model)

Estimate S.E. C.R. P Label
x17 <--- kualitas 1,000
x16 <--- kualitas 1,255 ,240 5,231 ***
x15 <--- kualitas 1,019 ,210 4,856 ***
…

Dr. Sayyida, [Link]., [Link]. 11

Uji reliabilitas konstruk
Uji reliabelitas dengan melihat tabel “Standardized Regression Weights: (Group number 1 -
Default model)”. Indicator dikatakan reliabel jika nilai VE (Variance Extracted) di atas 0,5. VE
dapat dihitung dengan rumus berikut untuk masing variabel.
(Σ𝜆)2
VE = (Σ𝜆)2 + (1−𝜆2 )

Nilai lamda (λ) adalah nilai estimate pada tabel “Regression Weights: (Group number 1 -
Default model)”
Standardized Regression Weights: (Group number 1 - Default model)
Estimate
x11 <--- kualitas ,463
x12 <--- kualitas ,671
x13 <--- kualitas ,571
…

Contoh perhitungan VE:

indikator kualitas λ λ2 1- λ 2
x11 0,463 0,21437 0,78563
x12 0,671 0,45024 0,54976
x13 0,571 0,32604 0,67396
jumlah 3,794 4,88057
Jumlah kuadrat 14,394436
VE Kualitas 0,74679274
Dengan cara yang sama, ulangi untuk variabel laten yang lain.

UJI STRUKTURAL MODEL

Uji kesesuaian model/ goodness of fit
Uji Overal Model bisa menggunakan Degress of Fredom (df) pada output “Notes for Model”.
jika df positif maka model bisa dianalisis lebih lanjut.

Dr. Sayyida, [Link]., [Link]. 12

 Computation of degrees of freedom (Default model)
Number of distinct sample moments: 136

Number of distinct parameters to be estimated: 35

Degrees of freedom (136 - 35): 101

Hasil uji kesesuaian model yang lain sesuai Tabel level goodness of fit berikut:
Name of category Name of index Level of acceptance
Absolute fit Chi-square P > 0,05
RMSEA RMSEA < 0,08
GFI GFI > 0,9
Incremental fit AGFI AGFI > 0,9
CFI CFI > 0,9
TLI TLI > 0,9
NFI NFI > 0,9
Parsimonious fit Chi-square / df Chi-square / df < 5,0
Sumber : Awang (2014)

Uji Struktural Parameter Estimate

dengan hipotesis sebagai berikut :
H0 : tidak ada hubungan antara X1 dan Y
H1 : Ada hubungan antara X1 dan Y
Bisa dilihat pada tabel “Regression Weights: (Group number 1 - Default model)”
Hipotesis tersebut akan tolak H0 jika nilai probabilitas P < 0,05
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label

kepuasan <--- kualitas ,792 ,205 3,864 ***

loyalitas <--- kualitas 1,059 ,513 2,066 ,039

loyalitas <--- kepuasan -,584 ,513 -1,138 ,255

---

Untuk melihat pengaruh langsung dan tidak langsung bisa di lihat di standardized total/
direct/indirect effects.

Dr. Sayyida, [Link]., [Link]. 13