7. Modul SEM Dengan Amos

(1)

Tim Dosen FEB UTA'45 Jkt Pelatihan SEM dengan AMOS

(2)

Skedul Pelatihan SEM - AMOS

2

1. 09.30-10.00: Pembukaan

2. 10.00-11.00: Install Program SPSS dan AMOS

3. 11.00-12.00: Proses Pengolahan Data Penelitian dengan AMOS

4. 12.00-13.30: Ishoma

5. 13.30-15.30: Membaca Hasil SEM – AMOS dan Interpretasinya

Instruktur:

Sihar Tambun, SE, M.Si, Ak.

(3)

Tools Pembuktian Hipotesis

Kuantitatif

3

1. Uji Beda

2. Uji Korelasi

3. Uji Regresi (Single & Multiple)

4. Path Analysis (Moderating &

Intervening)

ALASAN MENGAPA WORKSHOP INI SANGAT PENTING

Misi Penelitian Tahun 2015:

• FEB Memiliki Penelitian Yang Terbaik di Jakarta Utara

Indikator Terbaik Pada Tahun 2015:

• Penelitian Dosen > 80% sudah menggunakan Path Analysis dan SEM

• Penelitian Dosen > 80% dipresentasikan dalam National Conference dan

International Conference

• Penelitian Dosen > 80% dipublikasi di Jurnal ISSN

(4)

Hasil Riset Terkini di FEB Mei 2014

(5)

Introduction

5



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 (kualitatif). 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

(6)

Tahapan SEM dengan AMOS

6

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

(7)

I. Gambar Model

(8)

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.

(9)

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.

(10)

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.

(11)

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.

(12)

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.

(13)

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”.

(14)

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.

(15)

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.

(16)

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.

(17)

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”.

(18)

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.

(19)

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.

(20)

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.

(21)

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

(22)

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.

(23)

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

(24)

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.

(25)

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.

(26)

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.

(27)

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.

(28)

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 = 39,932. Dengan demikian tidak ada data yang outlier.

(29)

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.

(30)

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.

30

Goodness of

Fit Indeks

Cut of

Value

Analisis

Hasil

Evaluasi

Model

Chi Square

≤ 204.690, dimana Chi Square

untuk df 173; Taraf Sig 5% =

204.690

202.869 Baik

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

(31)

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.

31