Dilarang memperbanyak atau mengirimkan sebagian atau seluruh isi buku ini dalam bentuk apapun, baik elektronik maupun mekanik, termasuk fotokopi, rekaman atau penggunaan sistem penyimpanan lainnya, tanpa izin tertulis dari penulis. Secara khusus, tujuan penulisan buku ini adalah untuk ikut serta dalam pengayaan perpustakaan di Indonesia, khususnya dalam bidang penelitian dengan menggunakan program AMOS yang selama ini dirasa masih kurang, khususnya penelitian yang berkaitan dengan ilmu-ilmu sosial dan humaniora.
Latar Belakang
Dalam analisis yang bersifat asosiatif, korelasi multivariat, atau analisis kausal, metode SEM seolah mematahkan dominasi penggunaan analisis jalur dan regresi berganda yang digunakan selama puluhan tahun hingga memasuki tahun 2000-an. Dibandingkan dengan analisis jalur dan regresi berganda, metode SEM lebih baik karena dapat menganalisis data secara lebih komprehensif.
Sejarah dan Perkembangan Structural Equation Modeling
Structural Equation Modeling (SEM) merupakan metode statistik yang bertujuan untuk menguji hipotesis dengan menggunakan analisis teori struktural berupa hubungan sebab akibat antar variabel (indikator) yang diuji untuk memberikan jawaban terhadap suatu fenomena yang berkembang. AMOS dan Pemodelan Persamaan Struktural | 9 pengukuran dalam menentukan variabel yang diteliti, maka model tersebut menjadi model persamaan simultan yang dikembangkan dalam ekonometrika.
Manfaat SEM dalam Penelitian
Mampu menganalisis model hubungan timbal balik (kausalitas) secara simultan, artinya model ini tidak dapat diselesaikan dengan analisis regresi linier secara simultan. AMOS dan Pemodelan Persamaan Struktural | 27 Kuadrat terkecil yang digeneralisasikan (GLS), kuadrat terkecil tertimbang (WLS) atau bebas distribusi asimtotik (ADF).
Langkah-langkah Penelitian Menggunakan SEM
AMOS dan Pemodelan Persamaan Struktural | 33 Artinya variabel independen (X) dapat mempengaruhi variabel mediator dan variabel mediator (M) dapat mempengaruhi variabel dependen (Y). Komponen mediasi, artinya variabel independen dapat mempengaruhi variabel dependen secara langsung tanpa melewati/melibatkan variabel perantara.
Gambar Konvensi SEM
Perbedaan model CFA orde pertama dan kedua 6. Mengubah warna default AMOS model konstruk. Tanda panah satu arah menunjukkan hipotesis kausalitas (regresi), yaitu variabel yang ditangani oleh tanda panah satu arah tersebut merupakan variabel endogen (terikat) dan yang tidak ditangani/ditinggalkan oleh tanda panah satu arah merupakan variabel eksogen (independen). 2.) Garis panah 2 arah.
Macam-macam Model dalam SEM
AMOS dan Pemodelan Persamaan Struktural | 49 Berikut ini contoh model identifikasi dengan program AMOS 22.00 menggunakan data seperti di bawah ini yang disimpan pada file religiosity.sav. AMOS dan Pemodelan Persamaan Struktural | Derajat kebebasan 59 menunjukkan bahwa kovarians atau matriks korelasi yang diamati berbeda nyata dengan prediksi dan hal ini menghasilkan probabilitas (p) lebih kecil dari tingkat signifikansi (α). Dalam hal ini peneliti sebaiknya mencari nilai chi-square yang tidak signifikan karena mengharapkan model yang diusulkan cocok atau sesuai dengan data observasi.
Program AMOS akan memberikan nilai chi-kuadrat dengan perintah \cmin dan nilai probabilitas dengan perintah \p, serta besaran derajat kebebasan dengan perintah \df. Root mean square error of approximation (RMSEA) adalah ukuran yang berupaya meningkatkan kecenderungan statistik chi-kuadrat untuk menolak model dengan jumlah sampel yang besar.
CFA VS EFA
Tujuan dari model pengukuran adalah untuk memperoleh konstruk atau variabel laten yang fit sehingga dapat digunakan untuk analisis tahap selanjutnya. CFA didasarkan pada asumsi bahwa variabel yang diamati merupakan indikator yang tidak sempurna dari variabel laten atau konstruk tertentu. Hasil analisis EFA dapat menunjukkan hubungan antara variabel laten dengan variabel observasi tanpa ditentukan sebelumnya.
CFA orde pertama merupakan analisis yang dilakukan untuk menguji unidimensi suatu konstruk atau variabel laten yang secara langsung mencerminkan indikator atau variabel manifes/observasi. Sedangkan CFA orde kedua merupakan analisis yang dilakukan untuk menguji unidimensi suatu konstruk atau variabel laten yang mencerminkan indikator atau variabel manifes.
First Order Confirmatory
Variabel latennya ada dua yaitu 𝛺1 dan 𝛺2 yang mana masing-masing variabel laten diukur berdasarkan ketiga variabel indikatornya. Pada Gambar 3.3 dan 3.4 terdapat dua variabel laten yaitu 𝛺1 dan 𝛺2 yang dimana masing-masing variabel laten diukur berdasarkan ketiga variabel indikator tersebut. Variabel laten 𝛺1 terbentuk dari variabel indikator 𝐸𝐷1, 𝐸𝐷2, 𝐸𝐷3, 𝐸𝐷4 dan 𝐸𝐷5, sedangkan variabel laten 𝛺2 diukur dari variabel indikator 𝐼, 𝐷, 𝐼 𝐷3, 𝐸 𝐷 4 dan 𝐸𝐷5.
AMOS dan Pemodelan Persamaan Struktural | 81 Analisis faktor pada gambar 3.3 dan 3.4 berhipotesis bahwa 𝐸𝐷1, 𝐸𝐷2, 𝐸𝐷3, 𝐸𝐷4 dan 𝐸𝐷5 merupakan indikator dari variabel laten 𝐷1, 2,1,1 dan 𝐼𝐷3, 𝐼𝐷4 dan 𝐼𝐷5 merupakan indikator dari variabel laten 𝛺2. Adanya kemungkinan korelasi antar variabel laten dalam analisis faktor konfirmatori inilah yang membedakannya dengan analisis faktor eksploratif yang tidak adanya kemungkinan adanya korelasi variabel laten.
Second Order CFA
Selain itu, model analisis dua faktor di atas juga mengasumsikan adanya korelasi antara variabel laten 𝛺1 dan 𝛺2 yaitu Ψ. AMOS dan Pemodelan Persamaan Struktural | 83 Analisis faktor konfirmatori tingkat kedua ini dapat dijelaskan dengan menggunakan contoh variabel komitmen. Variabel laten komitmen masyarakat merupakan variabel laten pertama, sedangkan variabel religiusitas ekstrinsik dan religiusitas intrinsik merupakan variabel laten kedua yang membentuk variabel laten pertama.
Variabel laten 𝛺1 merupakan variabel laten komitmen dimana variabel laten komitmen tersebut dibentuk oleh variabel laten religiusitas eksternal 𝛺2 dan variabel laten religiusitas internal 𝛺3. Sedangkan variabel laten agama eksternal diukur dengan beberapa variabel indikator, misalnya ada lima 𝐸𝐷1, 𝐸𝐷2, 𝐸𝐷3, 𝐸𝐷4 dan 𝐸𝐷5.
Uji Kelayakan Model
Meskipun uji statistik Chi Square merupakan prosedur pengujian statistik, namun sangat sensitif terhadap jumlah sampel. Jika kita terus menambah sampel, biasanya lebih dari 200 sampel, maka nilai Chi-kuadrat akan terus meningkat sehingga ada kecenderungan untuk menolak hipotesis nol. Sebaliknya jika jumlah sampel dikurangi, biasanya di bawah 100, maka nilai Chi-kuadrat akan menurun sehingga ada kecenderungan untuk menerima hipotesis nol.
Kelemahan uji Chi Squares menurut Byrne (2016) dan Hair Jr dkk (2019) adalah sangat sensitif terhadap jumlah sampel. Sebagai alternatif dan perbandingan terhadap uji Chi Square, peneliti mengembangkan uji kelayakan analisis faktor konfirmatori.
Uji Signifikansi Parameter
Squared Multiple Correlation (𝑅 2 )
Bentuk Umum SEM
Terdapat perbedaan utama antara analisis regresi dan jalur (path analysis) dan SEM dalam hal pengukuran variabel. Dalam analisis jalur, variabel dependen dan independen merupakan variabel yang dapat diukur secara langsung (observable), sedangkan variabel dependen dan independen dalam SEM merupakan variabel yang tidak dapat diukur secara langsung (unobservable). Model persamaan struktural atau SEM merupakan model yang menjelaskan hubungan antar variabel laten sehingga model SEM sering disebut dengan analisis variabel laten atau hubungan struktural linier.
Spesifikasi Model Dalam SEM
Untuk tahap spesifikasi, peneliti harus memperhatikan dimensi suatu konstruk dalam model pengukuran dan persamaan struktural. Konstruk satu dimensi merupakan konstruk yang terbentuk langsung dari manifes variabel, dimana arah indikatornya bersifat reflektif atau formatif. Pada model struktural yang menggunakan konstruk satu dimensi, analisis faktor konfirmatori untuk menguji validitas konstruk dapat dilakukan secara langsung melalui konstruk orde pertama, yaitu konstruk laten yang tercermin dari indikator-indikatornya.
Identifikasi Model (Framework)
Model underidentified, dimana nilai t ≥ s/2; yaitu model dengan jumlah parameter estimasi yang lebih besar dari jumlah data yang diketahui (datanya adalah varians dan kovarians dari variabel yang diamati). Model yang terlalu teridentifikasi, dimana t ≤ s/2; yaitu model dengan jumlah parameter estimasi yang lebih kecil dari jumlah data yang diketahui. Jumlah df dari komposisi persamaan sama dengan jumlah data yang diketahui dikurangi jumlah nilai estimasi/parameter.
Dari pengertian model tak teridentifikasi dalam SEM, df = jumlah data yang diketahui - jumlah parameter estimasi < 0. Contoh penghitungan identifikasi model menggunakan AMOS dapat dilihat pada bagian 2 buku ini (bagian tutorial).
Estimasi Model
AMOS dan Pemodelan Persamaan Struktural | 103 parameter dalam model dan melakukan estimasi untuk mendapatkan nilai parameter sedemikian rupa sehingga matriks kovarians turunan model (matriks kovarians tersirat model) ∑(θ) sedekat mungkin atau sama dengan matriks kovarians populasi variabel yang diamati ∑ (Byrne, 2019) Secara umum, kami tidak memiliki data untuk seluruh populasi dan yang kami miliki adalah data dari sampel populasi, jadi alih-alih ∑ kami menggunakan S, yang merupakan matriks kovarians sampel dari variabel yang diamati. Namun teknik ML sangat sensitif terhadap ketidaknormalan data sehingga diciptakanlah teknik estimasi lain seperti Weighted Least Squares (WLS), Generalized Least Squares (GLS) dan Asymptotically Distribution Free (ADF). Setelah model konstruksi dan pengukuran ditentukan dan matriks masukan dipilih, langkah selanjutnya adalah memilih program komputer untuk estimasi.
Beberapa program komputer telah dikembangkan untuk memperkirakan model, antara lain program LISREL (Linear Structural Relations), program EQS, COSAM, PLS dan AMOS.
Uji Kecocokan (Assessment of Fit)
AMOS dan Pemodelan Persamaan Struktural | 107 berisi metrik yang mewakili sudut pandang kesesuaian keseluruhan yang disebutkan sebelumnya. Chi-kuadrat (X2) disebut kesesuaian yang buruk karena nilai chi-kuadrat (X2) yang besar menunjukkan kesesuaian yang buruk, sedangkan nilai chi-kuadrat (X2) yang kecil menunjukkan kesesuaian yang baik. AMOS dan Pemodelan Persamaan Struktural | 113 Seperti halnya GFI, nilai AGFI berkisar antara 0 hingga 1 dan nilai AGFI > 0,90 menunjukkan kesesuaian yang baik.
Kegunaan PNFI terutama untuk membandingkan dua model atau lebih yang mempunyai derajat kebebasan berbeda. AMOS dan Pemodelan Persamaan Struktural | 117 Namun jika membandingkan 2 model, selisih nilai PNFI sebesar 0,06 hingga 0,09 menunjukkan perbedaan model yang cukup besar (Hair Jr et al., 2019).
Memulai Analisis SEM dengan AMOS
Layar Kerja dan Bagian-bagian dari Menu Utama
Langkah Analisis Menggunakan AMOS 22.00
AMOS dan Pemodelan Persamaan Struktural | 129 3) Dalam kotak Lihat ke dalam, pilih dan klik direktori tujuan. misalnya: Paper1, dll.);. AMOS dan Pemodelan Persamaan Struktural | 137 warna pada objek, kita dapat mengaturnya menjadi warna, kita tidak perlu mengubah properti lainnya. AMOS dan Pemodelan Persamaan Struktural | Langkah selanjutnya memberi label pada variabel laten, variabel indikator, dan kesalahan dengan cara meletakkan kursor di tengah lingkaran elips dan klik kanan, lalu pilih Object Properties.
Aplikasi AMOS 22.00 untuk Regresi Berganda
Analisis Regresi Bivariate
Analisis Jalur (Path Analysis)
AMOS dan Pemodelan Persamaan Struktural | 167 terstandarisasi 0,222 (peningkatan religiusitas intrinsik sebesar 0,1 akan meningkatkan persentase sikap sebesar 22%). Perbedaan mendasar antara penggunaan metode regresi berganda dengan Structural Equation Modeling adalah SEM dapat memperkirakan pengaruh beberapa variabel independen (eksogen) terhadap beberapa variabel dependen (endogen) secara bersamaan. AMOS dan Pemodelan Persamaan Struktural | 171 Hasil output menunjukkan bahwa religiusitas ekstrinsik tidak dapat mempengaruhi sikap dan komitmen.
174 | AMOS dan pemodelan persamaan struktural. proses pengambilan keputusan), namun secara tidak langsung juga dapat mempengaruhi cp (proses pengambilan keputusan) melalui komitmen baru dan materialisme. AMOS dan Pemodelan Persamaan Struktural | 175 Pilih Riwayat Minimisasi, Estimasi Standar, Korelasi Berganda Kuadrat, dan Efek Tidak Langsung, Langsung, dan Total (untuk melihat efek langsung dan tidak langsung).
Contoh CFA dan Respesifikasi karena Heywood Case
Kelayakan Parameter Estimate
Pengukuran Model Fit
Di layar kosong, gambarkan tombol strategi dan gambar variabel laten beserta variabel indikatornya, lalu buatlah. Namun karena tujuannya untuk mengeksplorasi pola korelasi, maka digunakan matriks masukan berupa korelasi. Program AMOS terlebih dahulu akan mengubah data mentah menjadi bentuk kovarians atau korelasi sebagai masukan untuk analisis.
AMOS dan Pemodelan Persamaan Struktural | 183 Klik File Name dan telusuri folder tempat penyimpanan file data paper.sav (data mentah), lalu klik OK. Langkah selanjutnya pilih menu Analyze, lalu pilih Count Estimate, dan AMOS meminta kita memberi nama file pekerjaan yang sedang kita analisa (misalnya kita sebut Latihan CFA.amw).
Pengertian Mediasi
Hipotesis Penelitian
Metode Penelitian
Teknik Analisis Data
