Structural Equstion Modelling
– AMOS
Secure Statistic )
Solusi Masalah Analisis Statistik Penelitian Anda
HP (WA) : 0813 5543 8890
: 0851 3215 0465
Email : securestatistic01@[Link]
Email : yulisbaso2020@[Link]
)
Introduction Structural Equation Modeling (SEM )
Structural Equation Modeling (SEM) adalah sekumpulan teknik
statistika yang memungkinkan pengujian sebuah rangkaian
hubungan yang relatif rumit yang tidak dapat diselesaikan oleh
persamaan regresi linear
Structural Equation Modeling (SEM) adalah analisis data
multivariate yang dapat menjelaskan secara bersamaan hubungan
antar variabel (Hair et al, 2017)
Structural Equation Modeling
Secara umum ada 2 (dua) metode analisis data Structural Equation
Modeling yaitu:
1. SEM berbasis Kovarian (AMOS dan Lisrel )
2. SEM berbasis Varian ( SmartPLS )
When to use Amos /Lisrel (Covarian Base)
&
When to use SmartPLS (Varian Base)
✓ Marketing Theory and Practice, Vol 19, No.2 (Spring 2011),pp
139-151, Indeed a Silver Bullet, By Hair
✓ Ada 5 Alasan Dalam Memilih Aplikasi Analisis Data :
1. Research Goal (Tujuan Penelitian)
2. Measurement Model Specification (Spesifikasi Model Pengukuran)
3. Structural Model (Model Structural)
4. Data Characteristics & Algorithm (Karakteristik & Algorithm Data)
5. Model Evaluation (Evaluasi Model)
Proses SEM terdiri dari dua tahap:
1. Validasi terhadap model pengukuran.
2. Pengujian terhadap model struktural
Perbedaan Model Pengukuran
dan
Model Struktural
Model Pengukuran: model yang ditujukan untuk
mendeskripsikan sebuah keadaan atau mengukur
sebuah konsep.
Model Struktural: model yang menggambarkan
hubungan-hubungan yang dihipotesakan antar
konstruk.
Model Struktural
Knowledge
Value Performance
Satisfaction
Model Pengukuran
e1 Knwl 1
knowledge
e7
e2 Knwl 2
e9
prfm1
e3 value1
value performance
e4 prfm2
value2
e5 Sat 1 e8
satisfaction
e6 Sat 2
ASUMSI-ASUMSI SEM
1. Ukuran Sampel
Ukuran sampel minimum adalah 100 -200
(Ferdinand, 2002, Hair et. al, 2006)
Hair dkk menyarankan ukuran sampel minimum
adalah sebanyak 5 – 10 kali jumlah parameter
yang diestimasi.
Jumlah indikator dikali 5 – 10 (Ferdinand, 2002)
Con’t
2. Normalitas
Uji normalitas bertujuan untuk mengetahui apakah distribusi
sebuah data mengikuti atau mendekati distribusi normal. Uji ini
perlu dilakukan baik normalitas untuk data tunggal (univariate)
maupun normalitas seluruh data (multivariate).
Dalam output AMOS, uji normalitas dilakukan dengan
membandingkan nilai CR (critical ratio) pada assesment of
normality dengan nilai kritis 2.58 pada level 0.01. Jika ada nilai
CR yang lebih besar dari nilai kritis maka distribusi data tersebut
tidak normal.
Con’t
3. Outliers
adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara
univariate maupun multivariate.
Bila terjadi outliers maka data tersebut dapat dikeluarkan dari analisis.
Uji outliers univariate dilakukan dengan melihat nilai ambang batas dari
z-score itu berada pada rentang 3 – 4 (Hair dkk, 2006). Oleh karena
itu kasus atau observasi yang mempunyai zscore ≥ 3.0 dikategorikan
outliers. Nilai z-score adalah nilai yang sudah distandarkan sehingga
memiliki rata-rata (mean) 0 dan standar deviasi 1.
Sedangkan outliers multivariate dilakukan dengan kriteria
jarak Mahalanobis pada tingkat p > 0.001.
Jarak Mahalanobis ini dievaluasi dengan menggunakan X2 pada
derajat bebas (df) sebesar jumlah variabel yang digunakan dalam
penelitian. Untuk menentukan nilai tersebut menggunakan program
excel, pilih insert-function wizard, kemudian CHIINV masukkan p
= 0.001 dan df jumlah variabel terukur.
Hasil yang diperoleh merupakan batas outliers, sehingga yang
melebihi hasil tersebut harus dihapus.
Uji Validitas dan Uji Reliabilitas
1. Uji Validitas.
Uji Validitas dilakukan dengan melihat dari hasil output
AMOS yaitu Probability value untuk Regression Weight.
Jika lebih kecil dari 0,05 maka item dinyatakan VALID.
2. Uji Reliabilitas
Untuk uji reliabilitas harus dilakukan dengan proses
manual dengan rumus (dapt dilakukan dengan
program Excel), tidak secara otomatis muncul dalam
program AMOS.
Uji Reliabilitas
✓ Rumus 1
✓ Standardized loading diperoleh dari standardidized loading
masing-masing indikator yang sudah diperoleh hasilnya dari
AMOS.
✓ adalah measurement error = 1 – (standardized
loading)2
✓ Cut off Value utk construct reliability minimal 0.7
Uji Reliabilitas
✓ Rumus 2
✓ Standardized loading diperoleh dari standardidized loading
masing-masing indicator yang sudah diperoleh hasilnya dari
AMOS.
✓ adalah measurement error = 1 – (standardized
loading)2
✓ Cut off Value untuk Variance extracted minimal 0.5
UJI HIPOTESIS dalam REGRESI
✓ Analisis atas signifikansi koefisien jalur (path coefficients)
dilakukan melalui signifikansi besaran regression weights
dari model
✓ Kolom standardized estimates merupakan koefisien
regresi atau dalam program SPSS identik dengan
standardized beta.
UJI PARSIAL
✓ Uji parsial dapat dilakukan untuk masing-masing variabel.
✓ Untuk menentukan apakah pengaruh signifikan atau tidak dapat dilihat
dari kolom P yang merupakan p-value, dibandingkan dengan taraf
signifikansi (alpha = α) yang digunakan biasanya 0.05. Jika p-value lebih
kecil dari 0.05 maka Ho ditolak.
✓ Cara kedua adalah dengan melihat nilai C.R (Critical Ratio). Jika C.R
lebih besar dari 2.0 maka Ho ditolak. Artinya pengaruh variabel
independen terhadap variabel dependen yang ditunjukkan dalam tabel
signifikan.
UJI SIMULTAN/SEREMPAK
✓ Uji ini dilakukan dengan melihat goodness of fit dari model.
✓ Ditentukan dengan sejumlah kriteria (lihat tabel Goodness
of Fit
Evaluasi Kriteria Goodness of Fit Model
(Lee, Park, & Ahn, 2001)
No Kriteria Nilai
rekomendasi
1. Chi-square (X2) Diharapkan
kecil
2. X2- significance probability ≥ 0.05
3. Relative X2 (CMIN/DF) ≤ 2.00
4. GFI (Goodness of Fit Index) ≥ 0.90
5. AGFI (Adjusted Goodness of Fit Index) ≥ 0.80
6. Tucker-Lewis Index (TLI) ≥ 0.90
7. Normed Fit Index (NFI) ≥ 0.90
8. Comparative Fit Index (CFI) ≥ 0.90
9. Root Mean Square Error of ≤ 0.08
Approximation (RMSEA)
Goodness of Fit
Hair et al., (2010) mengungkapkan bahwa penggunaan 4-5
kriteria Goodness of Fit Test dianggap sudah mencukupi
untuk menilai kelayakan suatu model, asalkan masing-
masing kriteria dari goodness of fit yaitu
1. absolute fit indices,
2. incremental fit indices, dan
3. parsimony fit indices t
SELESAI