Penjelasan SEM AMOS: Validitas & Path Analysis (SEM AMOS Part 3)

Penjelasan SEM AMOS: Validitas Reliabilitas dan Path Analysis (SEM AMOS Part 3)

Pada kesempatan ini kita akan meneruskan artikel sebelumnya tentang Tutorial, Prosedur dan Langkah-Langkah SEM dengan AMOS. Pada artikel ini kita akan coba menjelaskan tentang tutorial cara running analisis serta membuat penjelasan SEM AMOS atau interpretasi terhadap output aplikasi AMOS.

Pastikan anda sudah selesai menggambar model atau diagram SEM dalam aplikasi AMOS seperti yang telah kami jelaskan sebelumnya dalam artikel: SEM Dengan AMOS: Tutorial Prosedur dan Langkah (SEM AMOS Part 2).

Pastikan pula bahwa diagram yang anda buat sudah benar dalam mengidentifikasi modelnya yaitu benar penamaan indikator, variabel latent serta arah panah dan pemberian nilai regression weight atau constraint.

Baca juga: Tutorial PLS SEM Menggunakan SMARTPLSSEM LISREL: Tutorial dan Panduan Lengkap CB SEM dan SEM RStudio: Tutorial dan Panduan CB SEM dengan RStudio!

Memastikan Model Sudah Benar Sebelum Penjelasan SEM AMOS

Langkah pertama yang harus dilakukan dalam penjelasan SEM AMOS adalah memastikan apakah model sudah benar. Baik penamaan indikator, variabel latent, error dan pemberian arah panah. Selain itu juga termasuk pemberian kekangan atau constraint nilai misalnya nilai regression weight 1 pada panah dari error ke variabel latent endogen.

Jika diagram anda sudah benar seperti tutorial sebelumnya, maka tampilannya akan sebagai berikut:

Model Awal Penjelasan SEM AMOS
Model Awal Penjelasan SEM AMOS

Berdasarkan diagram konsep awal diatas kita bisa memahami model yang akan dibentuk sehingga akan memudahkan nantinya bagi kita untuk membuat penjelasan SEM AMOS.

Secara garis besar model yang akan dibentuk adalah: Pengaruh X1, X2 dan X3 terhadap Y Melalui M. Sebagai variabel latent exogen antara X1, X2 dan X3. Sedangkan variabel latent Endogen yaitu M dan Y dimana M sebagai variabel perantara atau mediator.

Masing-masing variabel latent sebagai variabel tidak terukur (unobserved variable) mempunyai 3 indikator atau variabel manifest sebagai variabel terukur atau observed variabel. Misalnya Y terdiri dari indikator antara lain y.1, y.2 dan y.3.

Setiap variabel terukur yang menjadi indikator mempunyai nilai error, misalnya indikator y.1 mempunyai error yaitu ey.1.

Setiap variabel latent endogen pasti mempunyai error juga, dimana error dari Y diberi nama eY dan error dari M diberi nama eM. Dan pastikan setiap panah dari error terhadap variabel latent endogen ataupun terhadap variabel manifest dipastikan mempunyai nilai regression weight sebesar 1. Sedangkan variabel latent eksogen (X1, X2 dan X3) tidak perlu diberi error.

Panah dari variabel latent terhadap indikator, salah satunya harus diberi regression weight sebesar 1. Misalnya panah dari M terhadap m.1, m.2 dan m.3 yang diberi nilai regression weight sebesar 1 adalah panah dari M terhadap m.1.

Antar variabel eksogen (X1, X2 dan X3) diberi panah covarians yaitu panah 2 arah tanpa diberi nilai regression weight.

Running Analysis SEM Sebelum Penjelasan SEM AMOS

Analysis Properties

Tab Estimator

Untuk running analysis sebelum kita masuk ke penjelasan SEM AMOS maka anda buka kembali aplikasi AMOS anda. Kemudian pada Menu klik View -> Analysis properties. Atau anda bisa gunakan ribbon Analysis properties. Maka akan tampil jendela sebagai berikut:

Analysis Properties
Analysis Properties

Jendela Analysis properties diatas ada beberapa tab. Tab ini anda gunakan untuk memilih estimator yang akan digunakan apakah menggunakan ML, GLS, ULS, SLS ataukah ADF.

Jika sampel anda kecil kurang dari 200 dan berdistribusi normal secara multivariat maka anda bisa gunakan estimator ML. Jika tidak berdistribusi normal maka sebaiknya gunakan GLS. Jika jumlah sampel ada diantara 200 sd 500 maka gunakan GLS. Dan jika lebih dari 500 anda sebaiknya menggunakan estimator ULS atau ADF.

Tab Output

Selanjutnya klik Tab Output. Tampilannya sebagai berikut:

Tab Output
Tab Output

Silahkan centang output apa saja yang akan anda tampilkan. Untuk bahan pembelajaran awal dalam tutorial Penjelasan SEM AMOS ini, mari kita centang semua saja.

Tab Bootstrap

Untuk Tab Bootstrap ini, sementara akan kita offkan dulu yang artinya jangan ada satupun yang dicentang.

Tab Bootstrap
Tab Bootstrap

Tab Bootstrap pada tahap penjelasan SEM AMOS ini sementara tidak akan kita gunakan sebab kita akan melihat nilai standardized weight untuk menilai validitas dan reliabilitas. Nanti pada saat untuk melihat nilai p-value atau bootstrapping dari direct effects, indirect effects dan total effects maka barulah tab ini akan kita gunakan.

Calculate Estimate

Running Analysis

Langka selanjutnya pada tutorial Penjelasan SEM AMOS ini adalah Calculate estimate atau Running Analysis untuk menghasilkan output analisis SEM sesuai dengan yang sudah kita siapkan sebelumnya.

Silahkan pada menu anda klik menu Calculate Estimate atau anda bisa menggunakan ribbon Calculate Estimate. Hasilnya akan seperti di bawah ini:

Output Model ML
Output Model ML

Setelah tampilan output diagram muncul, silahkan pada tab View anda klik View The Output Path Diagram dan klik Tab pilihan parameter ke Standardized estimates.

Berdasarkan output diatas, ternyata nilai Model Fit sebagian besar tidak memenuhi syarat Fit termasuk nilai RMSEA sebesar 0,098 dimana lebih besar dari 0,08. Namun abaikan hal tersebut telebih dulu, melainkan silahkan anda lihat outputnya untuk menilai hasil uji normalitas univariat dan multivariat serta nilai outlier. Caranya pada menu anda klik menu View -> text Output atau anda bisa gunakan View Text. Selain itu juga bisa menggunakan shortcut tombol F10.

Uji Normalitas

Setelah tampil jendela Text Output, maka selanjutnya anda cari bagian Assesment of normality untuk melihat hasil uji normalitas.

Hasil Uji Normalitas SEM AMOS
Hasil Uji Normalitas SEM AMOS

Output hasil normalitas diatas menunjukkan bahwa nilai critical rasio (c.r) masing-masing indikator ada yang lebih dari 2,58 atau kurang dari -2,58 sehingga dapat disimpulkan bahwa indikator tersebut tidak berdistribusi normal secara univariat.

Misalnya nilai c.r dari indikator x3.3 sebesar 4,355 dimana lebih besar dari 2,58 maka x3.3 tidak berdistribusi normal. Masalah normalitas univariat ini dapat ditoleransi jika model memenuhi syarat normalitas multivariat.

Nilai c.r multivariat sebesar 11,778 dimana lebih besar dari 2,58 maka dapat disimpulkan bahwa model tidak memenuhi syarat normalitas multivariat. Sehingga ada 2 opsi yang dapat dipilih untuk mengatasi hal tersebut, yaitu:

  1. Menggunakan estimator yang robust atau kebal terhadap pelanggaran normalitas yaitu estimator GLS karena sampelnya dibawah 200.
  2. Melakukan trimming atau mengeluarkan sampel yang menjadi Outlier kemudian analisis ulang tanpa menyertakan sampel outlier.

Deteksi Outlier

Untuk mendeteksi adanya outlier, anda lihat output di bawah hasil assesment of normality, yaitu pada tabel Observations farthest from the centroid (Mahalanobis distance) (Group number 1).

Output Outlier Penjelasan SEM AMOS
Output Outlier Penjelasan SEM AMOS

Nilai Mahalanobis d-squared diatas dapat anda bandingkan dengan chi square tabel pada probabilitas 5% dengan degree of freedom sebesar jumlah sampel dikurangi 1 yaitu (159-1) = 158. Jika nilai Mahalanobis d-squared  lebih besar dari chi square tabel maka sampel tersebut menjadi outlier. Atau cara kedua adalah dengan melihat nilai p-value atau p1 dalam tabel tersebut. Jika nilai p-value kurang dari 0,05 maka sampel tersebut menjadi outlier.

Jika anda memilih opsi trimming, maka silahkan buang atau hapus sampel yang menjadi outlier di dataset pada aplikasi SPSS anda lalu kemudian analisis ulang tanpa outlier tersebut. Setelah analisis ulang kemudian cek ulang apakah masih ada outlier.

Jika masih ada lakukan trimming lagi dan begitu seterusnya sampai tidak ada outlier lagi dan memenuhi syarat normalitas. Namun perlu diperhatikan, jika dilakukan trimming ternyata jumlah sampel akhirnya lebih kecil dari pada jumlah sampel minimal maka (10 x jumlah indikator) maka sebaiknya anda memilih opsi pertama yaitu menggunakan estimator yang robust misalnya GLS.

Estimator Robust

Pada tutorial penjelasan SEM AMOS ini, kita akan memilih opsi 1 yaitu dengan cara menggunakan estimator robust GLS atau General Least Square. Caranya silahkan pada menu klik View -> Analysis properties atau menggunakan ribbon Analysis properties.

Estimator GLS
Estimator GLS

Setelah memilih estimator GLS, silahkan klik ribbon atau menu Calculate estimate lagi dan ikuti cara sebelumnya untuk melihat outputnya. Hasilnya sebagai berikut:

Output GLS Penjelasan SEM AMOS
Output GLS Penjelasan SEM AMOS

Berdasarkan output model GLS pada tutorial penjelasan SEM AMOS ini, dapat kita lihat perubahan nilai-nilai baik nilai model fit, factor loading maupun nilai koefisien path analysis.

Pada model GLS memang ada kecenderungan beberapa nilai parameter model fit yang lebih rendah yaitu CFI, TLI, IFI, RFI dan NFI. Namun ini tidak menjadi masalah selama parameter utama seperti RMSEA dan RMR bisa fit.

Dengan model GLS ini kita tidak perlu cek lagi adanya masalah normalitas dan outlier karena estimator tersebut telah robust atau kebal terhadap pelanggaran asumsi tersebut. Selanjutnya pada artikel tutorial penjelasan SEM AMOS ini kita akan masuk ke tahap outer model yaitu menilai validitas dan reliabilitas.

Penjelasan SEM AMOS: Validitas dan Reliabilitas

Validitas Konvergen

Validitas konvergen dapat kita lihat berdasarkan nilai factor loading. Jika nilainya lebih dari 0,5 maka indikato tersebut valid. Nilai factor loading pada output SEM AMOS ini dapat anda lihat pada bagian Standardized Regression Weights: (Group number 1 – Default model) di Text Output.

Factor Loading
Factor Loading

Nilai factor loading pada tabel diatas misalnya nilai factor loading indikator y.1 adalah sebesar 0,846 dimana lebih besar dari 0,05 maka indikator y.1 dinyatakan valid. Berdasarkan output pada tabel diatas, tampak bahwa semua indikator mempunyai nilai factor loading lebih besar dari 0,05 maka dapat disimpulkan bahwa semua indikator valid.

Jika sampai pada tahap ini ada indikator yang tidak valid, maka keluarkan indikator tersebut dari model kemudian analisis ulang dan lakukan pengecekan validitas seperti sebelumnya sampai semua indikator valid.

Reliabilitas Konstruk

Reliabilitas konstruk dapat kita lihat berdasarkan nilai Construct Reliability (CR) dan Average Variance Extracted (AVE) dengan batasan valid jika nilai CR lebih besar dari 0,7 dan AVE lebih besar dari 0,5. Kedua nilai tersebut dihitung berdasarkan nilai factor loading dengan menggunakan rumus yang telah kami jelaskan pada artikel sebelumnya: SEM LISREL: Tutorial dan Panduan Lengkap CB SEM.

Untuk menghitung CR dan AVE seperti yang telah kami jelaskan sebelumnya anda bisa menggunakan template excel sebagai berikut: Template Validitas Reliabilitas SEM. Setelah anda download template tersebut, masukkan nilai factor loading pada gambar factor loading diatas ke dalam template.

Jika langkah anda benar, maka hasil perhitungannya adalah sebagai berikut:

Validitas Reliabilitas Konstruk SEM AMOS
Validitas Reliabilitas Konstruk SEM AMOS

Contoh hasil analisis reliabilitas konstruk pada X1 menunjukkan bahwa nilai CR sebesar 0,826 lebih besar dari 0,7 maka X1 reliabel. Berdasarkan nilai AVE sebesar 0,618 lebih besar dari 0,5 maka X1 reliabel. Sehingga berdasarkan kedua metode dapat disimpulkan bahwa X1 reliabel.

Jika anda lakukan dengan benar pada semua konstruk pada tutorial Penjelasan SEM AMOS ini, maka hasilnya semua konstruk dinyatakan reliabel.

Validitas Divergen Atau Diskriminan dan Asumsi Multikolinearitas

Validitas Diskriminan

Validitas diskriminan ini dapat anda nilai berdasarkan forner larcker criterion atau Akar AVE. Caranya yaitu dengan membandingkan antara Akar AVE dengan Korelasi terhadap konstruk lainnya. Jika Akar AVE lebih besar daripada korelasi dengan konstruk lainnya maka disimpulkan bahwa konstruk latent tersebut valid secara diskriminan.

Silahkan anda lihat bagian Estimates -> Matrices -> Implied (for all variables) Correlations pada Text Output AMOS.

Matrix Korelasi
Matrix Korelasi

Nilai korelasi antar variabel latent eksogen pada gambar Matrix Korelasi diatas jika dimasukkan ke dalam template Template Validitas Reliabilitas SEM pada sheet Validitas Diskriminan maka hasilnya sebagai berikut:

Output Validitas Diskriminan SEM AMOS
Output Validitas Diskriminan SEM AMOS
Contoh Output Valid Secara Diskriminan

Berdasarkan tabel pada gambar Output Validitas Diskriminan SEM AMOS diatas yang menunjukkan valid antara lain:

  1. Nilai Akar AVE X1 sebesar 0,786 dimana lebih besar dari pada korelasinya dengan X2 sebesar 0,365. Dengan X3 sebesar 0,587. Dengan M sebesar 0,467 dan dengan Y sebesar 0,592.
  2. Nilai Akar AVE X2 sebesar 0,759 dimana lebih besar dari pada korelasinya dengan X1 sebesar 0,365. Dengan X3 sebesar 0,476, dengan M sebesar 0,62 dan dengan Y sebesar 0,517.
  3. Nilai Akar AVE X3 sebesar 0,789 dimana lebih besar dari pada korelasinya dengan X1 sebesar 0,587. Dengan X2 sebesar 0,476. Dengan M sebesar 0,77 dan dengan Y sebesar 0,703.
  4. Dan nilai Akar AVE Y sebesar 0,835 dimana lebih besar dari pada korelasinya dengan X1 sebesar 0,592. Dengan X2 sebesar 0,517. Dengan X3 sebesar 0,703 dan dengan M sebesar 0,718.
Contoh Output Tidak Valid Secara Diskriminan

Sedangkan Validitas Diskriminan SEM AMOS diatas yang menunjukkan tidak valid adalah: Nilai Akar AVE M sebesar 0,745 dimana lebih besar dari pada korelasinya dengan X1 sebesar 0,467. Dengan X2 sebesar 0,62. Dengan Y sebesar 0,718. Namun lebih kecil dibadingkan korelasinya dengan X3 yaitu sebesar 0,77.

Oleh karena dalam tutorial penjelasan SEM AMOS ini ada nilai Akar AVE lebih kecil dari pada korelasinya dengan konstruk lainnya yaitu M, maka disimpulkan bahwa model tidak memenuhi syarat validitas diskriminan atau validitas divergen.

Namun karena pada artikel tutorial Penjelasan SEM AMOS ini tujuannya untuk pembelajaran saja, maka kita akan lanjut pada tahap berikutnya dengan mengasumsikan saja bahwa model ini telah memenuhi syara validitas diskriminan.

Multikolinearitas Inner Model

Multikolinearitas Inner Model dapat dilihat berdasarkan nilai korelasi antar variabel eksogen. Jika tidak ada yang lebih besar dari 0,9 atau kurang dari -0,9 maka dinyatakan tidak terdapat multikolinearitas pada level konstruk latent atau level inner model.

Sesuai gambar Matrix Korelasi diatas, tampak bahwa tidak ada korelasi antar konstruk latent eskogen yang lebih besar dari 0,9 atau kurang dari -0,9. Maka dapat disimpulkan bahwa pada model ini tidak terdapat multikolinearitas pada level konstruk latent atau level inner model.

Multikolinearitas Outer Model

Multikolinearitas Outer Model dapat dilihat berdasarkan nilai korelasi antar indikator terutama antar indikator variabel eksogen. Jika tidak ada yang lebih besar dari 0,9 atau kurang dari -0,9 maka dinyatakan tidak terdapat multikolinearitas pada level indikator atau level outer model.

Sesuai gambar Matrix Korelasi diatas, tampak bahwa tidak ada korelasi antar indikator atau antar variabel manifest yang lebih besar dari 0,9 atau kurang dari -0,9. Maka dapat disimpulkan bahwa pada model ini tidak terdapat multikolinearitas pada level indikator atau level outer model.

Heywood Case

Heywood Case dapat terjadi apabila terdapat over estimate pada model. hal tersebut ditandai dengan nilai variance negatif. Biasanya jika nilai variance negatif, maka nilai factor loading lebih besar dari 1. Begitu pula dengan nilai koefisien terstandarisasi (standardized coefficient) akan menjadi lebih besar dari 1.

Silahkan buka bagian bagian Estimates -> Scalars -> Variances pada Text Output aplikasi AMOS.

Nilai Variance Output SEM AMOS
Nilai Variance Output SEM AMOS

Berdasarkan tabel pada gambar output nilai variance diatas, tidak ada indikator dengan konstruk latent yang mempunyai nilai variance negatif sehingga tidak terdapat masalah Heywood Case. Hal tersebut dapat dikonfirmasi juga dengan nilai factor loading yang sudah kita tampilkan sebelumnya diatas bahwa tidak ada nilai factor loading lebih dari 1.

Penjelasan SEM AMOS: Path Analysis atau Inner Model

Setelah selesai kita melakukan uji normalitas, deteksi outlier, memilih estimator yang tepat, uji validitas, uji reliabilitas, deteksi Heywood Case dan deteksi Multikolinearitas maka pada artikel tutorial penjelasan SEM AMOS ini kita akan masuk tahap penjelasan output Path Analysis.

Path Analysis atau Analisis Jalur di dalam model SEM menunjukkan bagaimana pengaruh dan hubungan dari 1 variabel latent terhadap variabel latent lainnya. Nilai-nilai yang dihasilkan antara lain: Direct Effects atau efek langsung, Indirect Effects atau efek tidak langsung, Total Effects dan Pengaruh Simultan serta Koefisien Determinasi.

Direct Effects

Direct Effects dapat anda lihat pada AMOS di bagian Estimates -> Matrices -> Standardized Direct Effects pada Text Output.

Standardized Direct Effects
Standardized Direct Effects

Pengaruh Langsung Terhadap M

Berdasarkan tabel dalam gambar Standardized Direct Effects diatas maka pengaruh langsung terhadap M dapat disimpulkan sebagai berikut:

  1. Pengaruh langsung X1 terhadap M sebesar -0,020 yang artinya X1 berpengaruh negatif terhadap M sebesar 2%. Artinya setiap kenaikan satu unit X1, maka M dapat menurun sebesar 2%.
  2. Pengaruh langsung X2 terhadap M sebesar 0,329 yang artinya X2 berpengaruh positif terhadap M sebesar 32,9%. Artinya setiap kenaikan satu unit X2, maka M dapat meningkat sebesar 32,9%.
  3. Pengaruh langsung X3 terhadap M sebesar 0,625 yang artinya X3 berpengaruh positif terhadap M sebesar 62,5%. Artinya setiap kenaikan satu unit X3, maka M dapat meningkat sebesar 62,5%.

Pengaruh Langsung Terhadap Y

Berdasarkan tabel dalam gambar Standardized Direct Effects diatas maka pengaruh langsung terhadap Y dapat disimpulkan sebagai berikut:

  1. Pengaruh langsung X1 terhadap Y sebesar 0,254 yang artinya X1 berpengaruh positif terhadap Y sebesar 25,4%. Artinya setiap kenaikan satu unit X1, maka Y dapat meningkat sebesar 25,4%.
  2. Pengaruh langsung X2 terhadap Y sebesar 0,086 yang artinya X2 berpengaruh positif terhadap Y sebesar 8,6%. Artinya setiap kenaikan satu unit X2, maka Y dapat meningkat sebesar 8,6%.
  3. Pengaruh langsung X3 terhadap Y sebesar 0,227 yang artinya X3 berpengaruh positif terhadap Y sebesar 22,7%. Artinya setiap kenaikan satu unit X3, maka Y dapat meningkat sebesar 22,7%.
  4. Pengaruh langsung M terhadap Y sebesar 0,371 yang artinya X3 berpengaruh positif terhadap M sebesar 37,1%. Artinya setiap kenaikan satu unit X3, maka Y dapat meningkat sebesar 37,1%.

Pengaruh langsung apakah signifikan ataukah tidak pada artikel Penjelasan SEM AMOS ini akan dinilai menggunakan bootstrap yang akan kami jelaskan di bawah nanti.

Indirect Effects

Indirect Effects dapat anda lihat pada AMOS di bagian Estimates -> Matrices -> Standardized Indirect Effects pada Text Output.

Standardized Indirect Effects
Standardized Indirect Effects

Berdasarkan tabel dalam gambar Standardized Indirect Effects diatas maka pengaruh tidak langsung terhadap Y dapat disimpulkan sebagai berikut:

  1. Pengaruh tidak langsung X1 terhadap Y melalui M sebesar -0,007 yang artinya X1 berpengaruh negatif secara tidak langsung terhadap Y melalui M sebesar 0,7%. Artinya setiap kenaikan satu unit X1, maka Y dapat menurun secara tidak langsung melalui M sebesar 0,7%.
  2. Pengaruh tidak langsung X2 terhadap Y melalui M sebesar 0,122 yang artinya X2 berpengaruh positif secara tidak langsung terhadap Y melalui M sebesar 12,2%. Artinya setiap kenaikan satu unit X2, maka Y dapat meningkat secara tidak langsung melalui M sebesar 12,2%.
  3. Pengaruh tidak langsung X3 terhadap Y melalui M sebesar 0,232 yang artinya X3 berpengaruh positif secara tidak langsung terhadap Y melalui M sebesar 23,2%. Artinya setiap kenaikan satu unit X3, maka Y dapat meningkat secara tidak langsung melalui M sebesar 23,2%.

Pengaruh tidak langsung apakah signifikan ataukah tidak pada artikel Penjelasan SEM AMOS ini akan dinilai menggunakan bootstrap yang akan kami jelaskan di bawah nanti.

Total Effects

Total Effects dapat anda lihat pada AMOS di bagian Estimates -> Matrices -> Standardized Total Effects pada Text Output.

Standardized Total Effects
Standardized Total Effects

Pengaruh Total adalah hasil penjumlahan antara pengaruh langsung dan tidak langsung. Berdasarkan tabel dalam gambar Standardized Total Effects diatas maka pengaruh total terhadap Y dapat disimpulkan sebagai berikut:

  1. Pengaruh total X1 terhadap Y sebesar 0,247 yang artinya X1 berpengaruh positif secara total terhadap Y sebesar 24,7%. Artinya setiap kenaikan satu unit X1, maka Y dapat meningkat secara total sebesar 24,7%.
  2. Pengaruh total X2 terhadap Y sebesar 0,208 yang artinya X2 berpengaruh positif secara total terhadap Y sebesar 20,8%. Artinya setiap kenaikan satu unit X2, maka Y dapat meningkat secara total sebesar 20,8%.
  3. Pengaruh total X3 terhadap Y sebesar 0,460 yang artinya X3 berpengaruh positif secara total terhadap Y sebesar 46%. Artinya setiap kenaikan satu unit X3, maka Y dapat meningkat secara total sebesar 46%.

Catatan: Pengaruh total masing-masing X1, X2 dan X3 terhadap M dan pengaruh total M terhadap Y adalah sama dengan pengaruh langsungnya. Hal ini dikarenakan tidak ada variabel perantara diantaranya.

Pengaruh total apakah signifikan ataukah tidak pada artikel Penjelasan SEM AMOS ini akan dinilai menggunakan bootstrap yang akan kami jelaskan di bawah nanti.

Koefisien Determinasi

Nilai Koefisien Determinasi untuk menilai pengaruh secara bersama-sama semua variabel latent eksogen terhadap variabel latent endogen.

Total Effects dapat anda lihat pada AMOS di bagian Estimates -> Scalars -> Squared Multiple Correlations pada Text Output.

Koefisien Determinasi
Koefisien Determinasi

Berdasarkan tabel dalam gambar Koefisien Determinasi diatas, maka dapat disimpulkan sebagai berikut:

  1. Semua variabel latent eksogen yaitu X1, X2 dan X3 secara bersama-sama dapat menjelaskan M sebesar 67,6%. Oleh karena nilainya lebih dari 50% maka besarnya pengaruh tersebut adalah kuat.
  2. Semua variabel latent eksogen yaitu X1, X2, X3 dan M secara bersama-sama dapat menjelaskan Y sebesar 62,2%. Oleh karena nilainya lebih dari 50% maka besarnya pengaruh tersebut adalah kuat.

Pengaruh simultan apakah signifikan ataukah tidak pada artikel Penjelasan SEM AMOS ini akan dinilai menggunakan bootstrap yang akan kami jelaskan di bawah nanti.

Penjelasan SEM AMOS: Bootstrapping

Bootstrap dilakukan pada SEM AMOS untuk menilai signifikansi atau tingkat kemaknaan secara statistik pada nilai direct effects, indirect effects, total effects dan koefisien determinasi.

Sebaiknya output yang anda hasilkan dari analsis sebelumnya tanpa bootstrap, baik diagram maupun Text Output sebaiknya anda simpan terlebih dahulu di notepad. Tujuannya adalah agar tidak perlu analisis ulang jika ingin melihat hasil analisis sebelumnya.

Untuk melakukan bootstrap, silahkan pada Menu pilih Analysis Properties kemudian pada Tab Output anda centang hanya 2 poin yaitu: poin Squared multiple correlations dan poin Indirect, direct & total effects.

Kemudian pada Tab bootstrap anda centang poin Perform bootstrap dan isian Number of bootstrap samples sebesar 200. Anda centang juga poin Percentile confidence intervals dan isian PC Confidence level biarkan 90. Terakhir anda centang juga pon Bootstrap GLS jika analisisnya adalah GLS.

Selanjutnya lakukan Run Analysis ulang menggunakan menu atau ribbon Calculate estimates.

Bootstrapping Direct Effects

Hasil bootstrapping direct effects dapat anda lihat pada bagian Direct Effects – Two Tailed Significance (PC) (Group number 1 – Default model) di Text Output AMOS anda. Berikut hasilnya:

Bootstrap Direct Effects
Bootstrap Direct Effects

Berdasarkan tabel pada gambar diatas dapat disimpulkan bahwa:

  1. Pengaruh langsung X1 terhadap M mempunyai nilai p-value sebesar 0,979 dimana lebih dari 0,05 maka terima H0 yang artinya pengaruh langsung tersebut tidak signifikan.
  2. Pengaruh langsung X2 terhadap M mempunyai nilai p-value sebesar 0,015 dimana kurang dari 0,05 maka terima H1 yang artinya pengaruh langsung tersebut signifikan.
  3. Pengaruh langsung X3 terhadap M mempunyai nilai p-value sebesar 0,010 dimana kurang dari 0,05 maka terima H1 yang artinya pengaruh langsung tersebut signifikan.
  4. Pengaruh langsung X1 terhadap Y mempunyai nilai p-value sebesar 0,100 dimana lebih dari 0,05 maka terima H0 yang artinya pengaruh langsung tersebut tidak signifikan.
  5. Pengaruh langsung X2 terhadap Y mempunyai nilai p-value sebesar 0,461 dimana lebih dari 0,05 maka terima H0 yang artinya pengaruh langsung tersebut tidak signifikan.
  6. Pengaruh langsung X3 terhadap Y mempunyai nilai p-value sebesar 0,285 dimana lebih dari 0,05 maka terima H0 yang artinya pengaruh langsung tersebut tidak signifikan.
  7. Pengaruh langsung M terhadap Y mempunyai nilai p-value sebesar 0,066 dimana lebih dari 0,05 maka terima H0 yang artinya pengaruh langsung tersebut tidak signifikan.

Bootstrapping Indirect Effects

Hasil bootstrapping indirect effects dapat anda lihat pada bagian Indirect Effects – Two Tailed Significance (PC) (Group number 1 – Default model) di Text Output AMOS anda. Berikut hasilnya:

Bootstrap Indirect Effects
Bootstrap Indirect Effects

Berdasarkan tabel pada gambar diatas dapat disimpulkan bahwa:

  1. Pengaruh tidak langsung X1 terhadap Y mempunyai nilai p-value sebesar 0,973 dimana lebih dari 0,05 maka terima H0 yang artinya pengaruh tidak langsung tersebut tidak signifikan.
  2. Pengaruh tidak langsung X2 terhadap Y mempunyai nilai p-value sebesar 0,074 dimana lebih dari 0,05 maka terima H0 yang artinya pengaruh tidak langsung tersebut tidak signifikan.
  3. Pengaruh tidak langsung X3 terhadap Y mempunyai nilai p-value sebesar 0,066 dimana lebih dari 0,05 maka terima H0 yang artinya pengaruh tidak langsung tersebut tidak signifikan.

Bootstrapping Total Effects

Hasil bootstrapping total effects dapat anda lihat pada bagian Total Effects – Two Tailed Significance (PC) (Group number 1 – Default model) di Text Output AMOS anda. Berikut hasilnya:

Bootstrap Total Effects
Bootstrap Total Effects

Berdasarkan tabel pada gambar diatas dapat disimpulkan bahwa:

  1. Pengaruh total X1 terhadap Y mempunyai nilai p-value sebesar 0,079 dimana lebih dari 0,05 maka terima H0 yang artinya pengaruh total tersebut tidak signifikan.
  2. Pengaruh total X2 terhadap Y mempunyai nilai p-value sebesar 0,052 dimana lebih dari 0,05 maka terima H0 yang artinya pengaruh total tersebut tidak signifikan.
  3. Pengaruh total X3 terhadap Y mempunyai nilai p-value sebesar 0,021 dimana kurang dari 0,05 maka terima H1 yang artinya pengaruh total tersebut signifikan.

Bootstrapping Koefisien Determinasi

Hasil bootstrapping total effects dapat anda lihat pada bagian Squared Multiple Correlations: (Group number 1 – Default model) hasil Bootstrapping di Text Output AMOS anda. Berikut hasilnya:

Bootstrap Koefisien Determinasi
Bootstrap Koefisien Determinasi

Berdasarkan tabel pada gambar diatas dapat disimpulkan bahwa:

  1. Pengaruh simultan X1, X2 dan X3 terhadap M sebesar 67,6% mempunyai nilai p-value sebesar 0,010 dimana kurang dari 0,05 maka terima H1 yang artinya pengaruh simultan tersebut signifikan.
  2. Pengaruh simultan X1, X2, X3 dan M terhadap Y sebesar 62,2% mempunyai nilai p-value sebesar 0,010 dimana kurang dari 0,05 maka terima H1 yang artinya pengaruh simultan tersebut signifikan.

Penjelasan SEM AMOS: Model Fit

Selanjutnya pada artikel tutorial penjelasan SEM AMOS ini kita akan membahas model fit. Silahkan anda buka kembali output yang anda simpan sebelum melakukan bootstrapping. Hasil dari analisis Model Fit pada Text Output jika diringkas ke dalam template excel adalah sebagai berikut:

Ringkasan Modet Fit
Ringkasan Modet Fit

Berdasarkan tabel model fit dalam gambar Ringkasan Model Fit diatas dapat kita lihat bahwasanya hanya ada 1 parameter yag menunjukkan model telah fit yaitu berdasarkan RMSEA dimana nilainya 0,077 kurang dari 0,08. Hal ini sebenarnya sudah dapat disimpulkan bahwa model telah fit.

Namun jika ingin mendapatkan hasil yang lebih baik dengan lebih banyak parameter model fit yang terpenuhi, maka dapat dilakukan modification indices. Proses melakukan modification indices tersebut akan kami jelaskan pada artikel selanjutnya: Model Fit SEM Tidak Fit: Cara Modification Indices (SEM AMOS Part 4).

Dalam kesempatan ini, kita cukupkan saja artikel Tutorial Penjelasan SEM AMOS ini. Semoga bermanfaat.

Baca juga: Tutorial AMOS SPSS: Fitur, Data, Input dan Output (SEM AMOS Part 1).

Daftar Pustaka Penjelasan SEM AMOS

Abdillah & Jogiyanto. 2011. Partial Least Square (PLS), Alternatif Structural Equation Modeling (SEM) dalam Penelitian Bisnis (Buku). Andi Yogyakarta.

Arbuckle, James L, 1997, Amos 7.0 User’s Guide. Chicago, IL: SPSS Inc.

Bahri, Fakhry Zamzam. 2015. Model Penelitian Kuantitatif berbasis SEM-AMOS. Yogyakarta: CV Budi Utama.

Byrne, Barbara. M. (2001). Structural Equation Modeling With Amos: Basic Concepts, Applications, and Programming. London: Lawrence Erlbaum Associates Publishers.

Ferdinand, A., 2006, Structural Equation Modeling dalam Penelitian Manajemen Aplikasi Model-Model Rumit Dalam Penelitian Untuk Tesis Magister dan Disertasi Doktor, UNDIP, Badan Penerbit Undip, Semarang.

Ghozali, Imam. 2005. Aplikasi Analisis Multivariate dengan SPSS. Semarang: Badan Penerbit UNDIP

Ghozali, I. & Fuad. Structural Equation Modeling dalam Penelitian Manajemen. Semarang: Badan Penerbit Universitas Diponegoro; 2005.

Ghozali, Imam. 2014. Structural Equation Modeling, Metode Alternatif dengan Partial Least Square (PLS). Edisi 4. Semarang: Badan Penerbit Universitas Diponegoro.

Hair et al. 2010. Multivariate Data Analysis, Seventh Edition. New Jersey: Pearson Prentice Hall

Haryono, S., & Wardoyo, P. (2014). Structural Equation Modeling (H. Mintarjda (ed.)). PT. Intermedia Personalia Utama.

Hair Anderson and Tatham Black, 1995, Multivariate Data Analysis, Prentice Hall, USA.

Kurniawan, Heri dan Yamin, Sofyan; 2009, Structural Equation Modeling, Belajar Lebih Mudah Teknik Analisis Data Kuesioner dengan AMOS-PLS, Salemba Empat, Jakarta.

Maruyama, G. M. 1998. “Basic of Structural Equation Modeling”. Thousand Oaks: Sage Publications.

Narimawati, Umi dan Jonathan Sarwono.(2007). Structural Equation Model (SEM) Dalam Riset Ekonomi.

Santoso, Singgih, 2011, Structural Equation Modeling, Konsep dan Aplikasi dengan AMOS 18.0, PT. Elex Media Komputindo, Jakarta.

Sarwono, Jonathan. (2008). Mengenal AMOS untuk Analisis Structural Equation Model. Dalam proses penerbitan.

Schumacker, R. E. & Lomax, R. G. A Beginner’s Guide to Structural Equation Modeling (3th Ed.). New York: Routledge; 2010.

Tabachnick, B. G., & Fidell, L. S. Using Multivariate Statistics (7th Ed.). Boston: Allyn & Bacon; 2013.

Wijanto, S.H. Structural Equation Modeling (SEM). Yogyakarta: Graha Ilmu; 2008.

Jasa Olah Data Aman Terpercaya

TINGGALKAN KOMENTAR

Silakan masukkan komentar anda!
Silakan masukkan nama Anda di sini