You are on page 1of 7

Latihan AMOS

Kasus:
Seorang peneliti ingin menganalisis sebuah model kinerja pemasaran. Model
tersebut ditunjukkan oleh gambar 1. Derajat Orientasi Pasar (X1) diukur dengan
3 indikator yaitu pencarian informasi pelanggan (X1.1), pencarian informasi
aktivitas pesaing (X1.2), dan koordinasi lintas fungsi (X1.3). Jam Tayang Iklan
(X2) merupakan variabel terukur. Kinerja Pemasaran (X3) diukur dengan 3
indikator yaitu volume penjualan (X3.1), pertumbuhan pelanggan (X3.2), dan
pertumbuhan penjualan (X3.3). Sedangkan keunggulan bersaing berkelanjutan
(Y) diukur dengan 3 indikator yaitu durabilitas (Y1), imitabilitas (Y2) dan
kemudahan untuk disesuaikan (Y3).

1
1. Buka program AMOS, kemudian gambarkan grafik tersebut sesuai dengan
model pengukurannya. Data dimasukkan melalui program SPSS atau Excel.
Untuk mengakses data tersebut, langkahnya adalah sebagai berikut:
Pada tampilan AMOS grafik pilih: File Data Files File Name (cari nama
file yang memuat data yang akan dianalisis) Ok
2. Memilih output yang diinginkan, caranya: View/Set Analysis Properties
Output. Pilihan outputnya adalah sebagai berikut:

3. Untuk menganalisis model, arahkan kursor pada sub-menu Model-Fit


kemudian Calculate Estimates. Tampilan hasil perhitungan AMOS dapat
dimunculkan dengan cara: View/Set Text Output atau Table Output.

EVALUASI ASUMSI-ASUMSI SEM:


1. Ukuran Sampel
Jumlah sampel dalam kasus ini adalah 100, artinya sudah memenuhi aturan
bahwa untuk AMOS sebaiknya antara 100-400.

2
2. Uji Normalitas Data
Perhatikan output AMOS Assessment of Normality, jika nilai Critical Ratio
(c. r.) untuk kurtosis (keruncingan) maupun skewness (kemencengan) lebih
besar dari 2.58 maka distribusi tersebut tidak normal secara univariat.
Sedangkan secara multivariate (bersama-sama) dapat dilihat pada c.r. pada
baris terakhir dengan ketentuan yang sama. Dalam kasus ini terlihat tidak
terdapat data yang berdistribusi tidak normal.

3. Uji Outliers
- Univariate Outliers
Untuk mendeteksi adanya outliers secara univariate, data perlu
dikonversi dulu ke dalam standar score (z-score) yang mempunyai rata-
rata nol dengan standar deviasi 1. Untuk sampel besar (di atas 80), nilai
ambang batas z-score adalah antara 3 sampai dengan 4 (Hair et.all,
2006). Jadi nilai z-score 3 dikategorikan outliers.
Pengujian ini dilakukan dengan program SPSS, pilih sub-menu Analyze
Descriptive Statistics Descriptive masukkan semua variabel pada
kotak variable(s). Aktifkan (beri tanda ) pada save standardized
values as variables, kemudian klik Ok.
Sedangkan untuk mengkonversi ke dalam nilai z-score adalah: Analyze
Descriptive Statistics Descriptive masukkan semua variabel pada
kotak variable(s). Aktifkan (beri tanda ) pada save standardized
values as variables, kemudian klik Ok.
Hasilnya dapat dilihat bahwa batas nilai z-score (pada batas maksimum)
tidak ada yang melebihi 3 sehingga dapat disimpulkan bahwa tidak ada
outlier secara univariat. Nilai z-score adalah nilai yang sudah
distandarkan sehingga memiliki rata-rata (mean) 0 dan standar deviasi 1.

3
Descriptive Statistics

Std.
N Minimum Maximum Mean Deviation
Zscore(X1.1) 100 -1,64198 2,22410 ,0000000 1,000000
Zscore(X1.2) 100 -1,96108 2,32399 ,0000000 1,000000
Zscore(X1.3) 100 -1,61211 2,27870 ,0000000 1,000000
Zscore(X3.1) 100 -2,08969 2,78022 ,0000000 1,000000
Zscore(X3.2) 100 -1,97371 2,48733 ,0000000 1,000000
Zscore(X3.3) 100 -1,98541 2,32558 ,0000000 1,000000
Zscore(X2) 100 -1,45248 2,13929 ,0000000 1,000000
Zscore(Y1) 100 -2,33480 2,12908 ,0000000 1,000000
Zscore(Y2) 100 -2,14023 2,18347 ,0000000 1,000000
Zscore(Y3) 100 -2,37869 2,02259 ,0000000 1,000000
Valid N (listwise) 100

- Multivariate Outliers
Evaluasi terhadap multivariate outliers dapat dilihat melalui output
AMOS Mahalanobis Distance. Kriteria yang digunakan pada tingkat p

<0.001. Jarak tersebut dievaluasi dengan menggunakan X 2 pada derajat


bebas sebesar jumlah variabel terukur yang digunakan dalam penelitian.
Dalam kasus ini variabelnya adalah 10, kemudian melalui program excel
pada sub-menu Insert Function CHIINV masukkan probabilitas dan
jumlah variabel terukur sebagai berikut:

4
Kemudian klik Ok. Hasilnya adalah 29.588. Artinya semua data/kasus
yang lebih besar dari 29.588 merupakan outliers multivariate. Dari hasil
AMOS dapat dilihat bahwa tidak data yang lebih besar dari nilai tersebut.

4. Uji Multikolinearitas dan Singularity


Uji ini dilakukan dengan melihat determinan matriks kovarians. Jika
nilainya sangat kecil mengindikasikan terjadi multikolinearitas atau
singularity. Dalam kasus ini nilai determinan matriks kovarians adalah
2.5709 e+006 atau 2.570.906, 550 (sangat besar/jauh dari nol) artinya tidak
terjadi multikolinearitas dan singularity.

ANALISIS JALUR (PATH ANALYSIS) untuk UJI REGRESI


Analisis jalur adalah analisis yang digunakan untuk menjelaskan hubungan
kausalitas antara satu atau beberapa variabel (Ferdinand, 2002). Model jalur
ini merupakan model dasar yang digunakan untuk menganalisis jalur (path
analysis) untuk mengestimasi kekuatan dari hubungan-hubungan kausal yang
digambarkan dalam model.
Analisis atas signifikansi koefisien jalur (path coefficients) dianalisis melalui
signifikansi besaran regression weights dari model seperti disajikan berikut:

Tabel Estimasi Parameter

Regression Weights: (Group number 1 - Default model)

Estimate S.E. C.R. P Label


X3 <--- X1 ,256 ,071 3,592 *** par_8
X3 <--- X2 ,002 ,001 3,322 *** par_9
Y <--- X3 ,332 ,139 2,387 ,017 par_10
X1.3 <--- X1 1,000
X1.2 <--- X1 ,830 ,071 11,761 *** par_1
X1.1 <--- X1 ,847 ,065 13,089 *** par_2
X3.1 <--- X3 1,000
X3.2 <--- X3 1,047 ,199 5,263 *** par_3
X3.3 <--- X3 ,581 ,139 4,173 *** par_4

5
Estimate S.E. C.R. P Label
Y1 <--- Y 1,000
Y2 <--- Y 1,061 ,129 8,236 *** par_5
Y3 <--- Y 1,026 ,125 8,179 *** par_6

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 = ) 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. Tanda bintang (***) pada P (Probability Value) menunjukkan angka yang
sangat kecil (lebih kecil dari 0,05).

Sedangkan koefisien regresi atau dalam SPSS identik dengan standardized beta dapat
dilihat dalam tabel berikutnya yaitu Standardized Regression Weight, sebagai berikut:

Standardized Regression Weights: (Group number 1 - Default model)

Estimate
X3 <--- X1 ,442
X3 <--- X2 ,383
Y <--- X3 ,306
X1.3 <--- X1 ,908
X1.2 <--- X1 ,851
X1.1 <--- X1 ,905
X3.1 <--- X3 ,701
X3.2 <--- X3 ,709
X3.3 <--- X3 ,511
Y1 <--- Y ,786
Y2 <--- Y ,845
Y3 <--- Y ,831

Selanjutnya untuk uji model regresi secara simultan digunakan Goodness of Fit Index.

GOODNESS OF FIT INDEX


Evaluasi Kriteria Goodness of Fit Model (Lee, Park, & Ahn, 2001)

6
No Kriteria Nilai rekomendasi Hasil Ket
Model ini
1. Chi-square (X2) Diharapkan kecil 44.621
X2 dengan df = 32
adalah 46.19424*
2. X2- significance probability 0.05 0.068 Baik
3. Relative X2 (CMIN/DF) 2.00 1.394 Baik
4. GFI (Goodness of Fit Index) 0.90 0.919 Baik
5. AGFI (Adjusted Goodness of 0.80 0.860 Baik
Fit Index)
6. Tucker-Lewis Index (TLI) 0.90 0.962 Baik
7. Normed Fit Index (NFI) 0.90 0.912 Baik
8. Comparative Fit Index (CFI) 0.90 0.973 Baik
9. Root Mean Square Error of 0.08 0.063 Baik
Approximation (RMSEA)
*) 46.19424 diperoleh dari program excel yaitu dari menu insert-function-
CHIINV, masukkan probabilitas 0.05 dan degree of freedom (df) sebesar 32
(diperoleh dari hasil output AMOS) kemudian Ok.

***