P. 1
Mengenal Amos Dan Dalam Structural Equation Model

Mengenal Amos Dan Dalam Structural Equation Model

|Views: 207|Likes:
Published by Tole Wae

More info:

Published by: Tole Wae on May 03, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

10/04/2015

pdf

text

original

Mengenal Amos dan dalam Structural Equation Model

• •

Memahami apa itu Amos Bagaimana menggunakan Amos dalam Structural Equation Model.

1.1 Pengertian Amos Amos merupakan kependekan dari Analisis of Moment Structures yang digunakan sebagai pendekatan umum analisis data dalam Model Persamaan Struktural (Structural Equation Model) atau yang dikenal dengan SEM. SEM dikenal juga sebagai Analysis of Covariance Structures atau disebut juga model sebab akibat (causal modeling) Dengan menggunakan Amos maka perhitungan rumit dalam SEM akan jauh lebih mudah dilakukan dibandingkan dengan menggunakan perangkat lunak lainnya. Lebih lagi penggunaan Amos akan mempercepat dalam membuat spesifikasi, melihat serta melakukan modifikasi model secara grafik dengan menggunakan tool yang sederhana. Selama ini SEM dikenal sebagai perhitungan analisis statistik yang sangat rumit dan sulit dilakukan secara manual maupun dengan menggunakan perangkat lunak yang sudah ada sebelumnya. Dengan menggunakan Amos proses penghitungan dan analisis menjadi lebih sederhana bahkan orang-orang awam yang bukan ahli statistik akan dapat menggunakan dan memahami dengan mudah. Buku ini membahas penggunaan Amos Versi 16 yang merupakan versi terbaru saat ini yang merupakan kelanjutan dari Amos versi 7. Lompatan versi ini dikarenakan Amos diambil alih oleh Microsoft untuk disesuaikan dengan versi SPSS saat ini.

1.2 Metode-Metode dalam Amos Metode-metode analisis dalam Amos yang ada saat ini diantranya ialah:
• • • • •

Maximum Likelihood Unweighted Least Square Generalized Least Square Browne’s Asymptotically Distribution-Free Criterion Scale Free Least Square

d) Amos dapat juga membuat bootstrapped standard errors dan confidence intervals yang ada dalam semua estimasi parameter. atau mean imputation.3 Fitur-Fitur Baru Amos versi 16 mempunyai fitur baru yang dikenal sebagai mixing modeling: . rata-rata sampel. Amos dapat memahami diagram jalur sebagai spesifikasi model dan memperlihatkan estimasi-estimasi parameter secara grafis dalam model diagram jalur.Amos mempunyai keunggulan-keunggulan dibandingkan dengan perangkat lunak lainnya yang meliputi: a) Program dapat melakukan analisis dengan menggunakan data yang berasal dari beberapa populasi secara sekaligus. kovarian dan korelasi. yaitu listwise. e) Dapat membuat percentile intervals dan bias-corrected percentile intervals f) Model-model jamak dapat disesuaikan dengan menggunakan analisis tunggal. g) Dapat melakukan pemeriksaan setiap pasangan model dimana satu model diperoleh dengan membatasi parameter-parameter model lainnya. j) 1. Amos juga menyediakan pengujian normalitas univariat untuk masing-masing variabel yang diobservasi dan juga pengujian normalitas multivariat serta dapat mendetksi ouliers. Diagram-diagram jalur digunakan sebagai spesifikasi model dan gambargambar diagram jalur tersebut dapat diimpor ke program Word. pairwise deletion. h) i) Dapat membuat laporan beberapa angka statistik yang cocok untuk dilakukan perbandingan untuk model-model tersebut. yaitu dengan membuat estimasi yang didasarkan pada informasi maximum likelihood yang sempurna dan tidak hanya bersandar pada metode yang sudah ada. b) Dapat menangani missing data secara baik. varian. c) Dapat membuat estimasi rata-rata untuk variabel-variabel exogenous dan intercepts dalam persamaan regresi.

500. Mereka kemudian diberi pertanyaan-pertanyaan dengan menggunakan kuesioner yang dikirimkan dengan mengguankan surat. Jumlah kuesioner yang dibagikan ialah sebanyak 6. yang merupakan perusahaan kompetitor utama DMC dengan jumlah responden 5. maka model tersebut menjadi benar untuk masingmasing sub. Data diambil dari dua survey mengenai pengendara sepeda motor yang dilakukan oleh DirtyScooter Motorcycle Company (DMC) dalam rangka mendukung rencana pemasaran strategis mereka. Nilai dan Produk Dalam penelitian ini tujuan utama ialah mengetahui kepuasan konsumen terhadap produk atau layanan yang dibelinya. Tingkat kembali jawaban mendekati 50%.kelompok Pemodelan campuran ini dikenal juga sebagai latent class analysis. tetapi jika populasi tersebut dibagi menjadi sub-kelompok. Riset Pertama: Kualitas. 2) Model – model pengaruh “brand halos” terhadap merek (brand). Tingkat pengembalian jawaban untuk riset kedua ini sebesar 76 %. 1. months of receiving the mailed questionnaire. Orang-orang yang diteliti adalah para pembeli sepeda motor baru selama kurun waktu 12 bulan. Pemodelan campuran ini dapat juga dijadikan sebagai alternatif untuk discriminant analysis. 1. Survei lainnya dengan menggunakan kuesioner dibagikan juga kepada pemilih perusahaan DirtyScooters dan TrailBomber motorcycles. Hauser (1991) menemukan bahwa pendorong .4. Pemodelan campuran ini cocok saat kita mempunyai model yang salah untuk seluruh populasi. seperi K Means Cluster.000.4 Structural Equation Model (SEM) dengan AMOS Pada contoh berikut ini akan dibahas mengenai: 1) tingkat kepentingan relatif kualiats layanan dan kualitas produk terhadap kepuasan secara menyeluruh.• • • Pemodelan campuran (mixing modeling). Pemodelan campuran ini dapat juga dibaca sebagai clustering karena menawarkan alternatif-alternatif yang didasarkan pada model (model based alternative) terhadap metode-metode clustering heuristic.1.

Data yang dimasukkan berupa matriks varian / kovarian untuk semua variabel indikator. Pertanyaan dalam riset mereka berbunyi: Apakah produk dan layanan mempunyai pengaruh yang sama atau berbeda pada nilai-nilai yang diterima bagi para pembeli motor di perusahaan DirtyScooters dan TrailBombers? Untuk menjawab pertanyaan tersebut. Persamaan ini mencakup semua variabel laten produk dan layanan yang digunakan sebagai predictor.kepentingan kepuasan dapat berbeda-beda dalam setiap segmen. Butir-butir dalam survey B menghasilkan 4513 tanggapan yang terdiri atas 1624 pemilik Motor DirtyScooter dan 2889 pemilik motor TrailBombers. Dalam kasus DMC perusahaan tersebut mencoba membuktikan kasus di atas untuk mencari apakah memang benar kualitas produk atau layanan akan berpengaruh terhadap nilai-nilai yang diterima /dialami pada sepeda motor yang mereka beli. . Variabel laten “val_err” merupakan residu untuk persamaan struktural variable laten nilai. Diagram jalur model akhir yang dikembangkan dalam Amos akan terlihat seperti dalam gambar 1. DMC terlebih dahulu meyakinkan bahwa pengukuran kualitas. Oleh karena itu jika kita melakukan penggabungan data kepuasan dari berbagai segmentasi akan memunculkan perbedaan-perbedaan dan menghasilkan informasi yang menyesatkan bagi pada pembuat keputusan dalam pemasaran.1 di bawah ini. Dengan demikian jika kita membandingbandingkan data mengenai kepuasan konsumen dalam hubungannya dengan berbagai produk yang mereka konsumsi sama dengan kita membandingkan apel dengan jeruk yang jelas-jelas berbeda. melainkan apa yang mereka beli merupakan indikasi adanya perbedaan-perbedaan diantara konsumen. Itulah sebabnya DMC menggunakan metode estimasi “asymptotically distribution free” (ADF) yang dideskripsikan oleh Browne (1984). Pendekatan lainnya mereka menggunakan Amos untuk melakukan bootstrapping. Analisis ini sam dengan persamaan regresi berganda dengan menggunakan dua variabel bebas / predictor hanya saja perbedaannya ialah covariation / korelasi antar variabel bebas / predictor juga dibuatkan modelnya. Kesimpulannya ialah kita akan dapat membuat kesalahan jika kita melakukan pengukuran perasaan-perasaan konsumen dalam segmen-segmen yang kita bandingkan. Dalam riset sebelumnya mereka menggunakan Analisis Faktor dan Reliabilitas dalam SPSS untuk melakukan pengurangan jumlah variabel indikator dalam masing-masing variable laten. Dalam analisisnya DMC mempunyai asumsi bahwa sampel belum pasti berasal dari populasi multivariat yang berdistribusi normal. nilai mempunyai tiga dan kualitas layanan mempunyai empat indikator.2 DMC melakukan penyederhanaan SEM yang merefleksikan hubungan-hubungan yang ada dalam semua variable laten. Kita dapat melihat bahwa variable kualitas mempunyai lima indikator. Lebih lanjut dikatakan sebenarnya konsumen tidak didorong oleh produk-produk yang mereka beli. Tahap pertama mereka melakukan pencocokan model ini beserta variasinya kedalam data untuk kedua segmen yang digabungkan untuk mengetahui seberapa baik model direalisasikan kedalam seluruh sampel yang dikaji. Sebelumnya DMC sudah mengembangkan beberapa butir survei untuk mengukur variable-variabel laten ( Variabel yang tidak teramati). dan nilai sama untuk semua segmen yang diteliti. kinerja. sebagai ganti penggunaan maximum likelihood.

08. Angka ini lebih kecil dari angka kriteria yang diusulkan oleh Browne dan Cudeck (1993) sebesar 0. Angka estimasi koefesien jalur untuk variable kualitas produk dan layanan berbeda. Untuk melakukan pengujian perbedaan statistik ini maka dilakukan penghilangan hal-hal yang membuat koefesien-koefesien jalur tersebut menjadi sama.01 dengan degrees of freedom (DF) atau derajat kebebasan 1. Didasarkan angka angak tersebut diketahui bahwa kualitas produk mempunyai pengaruh yang lebih besar dari pada kualitas layanan. model yang dibuat sudah cocok dengan seluruh sampel. Model ini kemudian dicabangkan didalam model berikutnya sebagai mana terlihat dalam gambar di atas. SEM merupakan pengembangan dari Analysis Jalur sedang Analisis Jalur merupakan pengembangan dari analisis regresi berganda) Gambar 1. Gambar di atas mempunyai maksud sebagai berikut: Angka statistik keselarasan Root Mean Square Error of Approximation (RMSEA) untuk model adalah sebesar 0.062.1 Diagram Jalur untuk Model Nilai (Value). . Perbedaan antara nilai statistik chi square (χ2) untuk kedua model ini ialah sebesar 200.Catatan: Bagi yang sudah mengenal Path Analysis / Analsis Jalur akan lebih mudah memahami ini. Jika angka RMSEA ≤ 0. Dengan menggunakan angka-angka tersebut.08 maka kecocokan model dapat diterima.

Dalam satu analisis mengendalikan loading untuk masing-masing variabel indikator. kemudian membandingkan korelasi-korelasi tersebut disemua segmen. Dalam kasus DMC. tetapi dengan tetap mengendalikan agar koefesien yang berhubungan tetap sama. Masalahmasalah yang muncul diantaranya ialah 1) Bagaimana jika variabel-variabel indicator berhubungan dengan variable-variabel laten secara berbeda diantara semua segmen? Apa artinya jika terdapat perbedaan dalam koefesien-koefesien jalur? Bagaimana jika kovarian antara produk dan layanan berbeda? Dalam kondisi-kondisi seperti apa agar dalam membandingkan koefesien-koefesien menjadi bermakna? Untuk menyelesaiakan masalah ini diperlukan model-model pengukuran yang sama. maka pengujian perbedaan akan menjadi sangat bermakna. Sebagai contoh kita membuat asumsi bahwa bentuk model yang sama akan cocok untuk kedua kelompok. yaitu dua co-generic tests mempunyai loadings yang sama untuk semua variabel yang diukur namun varian kesalahan (error variances )dapat berbeda. Model ini tidak akan memungkinkan adanya perbedaan dalam segmen-segmen yang diteliti. yaitu apakah koefesien-koefesien jalur untuk kualitas produk dan layanan berbeda pada semua segmen konsumen. Amos memungkinkan kita melakukan pencocokan model. Oleh karena itu. Jika peneliti hanya mengkorelasikan nilai-nilai yang sudah dihitung dari pengkuruan-pengkuruan tersebut. Dalam analisis kedua. Ada masalah lain muncul jika analisis dilanjutkan dengan cara ini. Tentunya perbedaan ini akan menyebabkan adanya implikasi yang strategis.model untuk dua atau lebih kelompok secara bersamaan dan membuat ringkasan seberapa cocoknya semuanya dengan nilai statistik chi square (χ2). Jöreskog (1971) menyebut sebagai co-generic test — . . ijinkan semua loading menjadi berbeda. Dengan menggunakan prosedur ini maka hipotesis yang mengatakan bahwa loading-loading sama dalam dua segmen pemilik perusahaan ditolak. mereka menemukan segmen-segmen berbeda dalam kaitannya dengan cara kerja pengukuran yang dilakukan oleh mereka. maka mereka sama dengan membandingkan apel dan jeruk yang jelas berbeda. aplikasikan kedua kelompok yang diteliti. Sekalipun demikian kita perlu mempertanyakan apakah maknanya jika model-model pengukuran tersebut sama?.Berkaitan dengan rumusan masalah yang ada. Kemudian membandingkan hasil-hasilnya dengan cara mencocokkan dua data segmen tanpa mengendalikan koefesien-koefesiennya. Kemudian bandingkan hasil-hasil dalam model-model cabang. Kesimpulannya membandingkan koefesien-koefesien jalur dua segment tidak akan memberikan makna yang berarti karena kedua segment tersebut kemungkinannya mengukur hubungan linier antara variabel-variabel laten yang berebda. sehingga semua loading menjadi sama untuk kedua kelompok tersebut. Dengan tersedianya ukuran sampel yang besar dalam kedua kelompok yang diteliti. Dalam kasus ini kita dapat meminta Amos melakukan pengujian secara bersamaan dengan menggunakan data yang ada. Akan lebih bermakna jika kita membandingkan kekuatan (magnitude) loading untuk semua kelompok untuk mengetahui berapa besar perbedaan-perbedaan absolut ada. Untuk melakukan itu. maka jawabannya ialah dengan cara mencocokan model-model untuk kedua segmen secara terpisah.

Walker & White (1996) dan beberapa ahli lain menyatakan bahwa penilaian (rating) atribut brand dapat merefleksikan lebih daripada sekedar penilaian obyectif seberapa besar perbedaan kinerja brand pada atributatribut yang berbeda.. Tujuan dalam riset ini ialah untuk mengetahui berapa banyak variasi dalam suatu penilaian brand yang diobservasi yang dapat dijadikan sebagai salah satu karaketristik persepsi dalam kaitannya dengan kinerja brand tersebut terhadap kinerja atributnya. Pembobotan ini merupakan factor loadings. kita akan menganalisis variasi dari model additive (model yang tidak ada efek interaktifnya). Gambar 1. Dalam studi ini skala error term sudah disamakan dalam penilaiannya. misalnya mengenai perakitan dan pengecatan. Itulah sebabnya masalah ‘halo’ menarik dan penting bagi para pemasar. Menurut Dillon. 1.salah satu keuntungan menggunakan Amos ialah dapat menggunakan SEM sesuai dengan data yang ada. yaitu DirtyScooter dan TrailBomber. Efek ‘halo’ tidak harus sama dengan brand yang berkompetisi. masing-masing penilaian brand merupakan kombinasi linier yang berbobot (weighted linear combination) dari suatu nilai faktor brand umum dan kesalahan pengukuran.4. Dalam contoh berikut ini. Gambar tersebut menerangkan bahwa masing-masing penilaian brand mengkombinasikan pengaruh variabel-variabel brand impression.2 Diagram Jalur untuk Penilaian Brand Tunggal . dan kesalahan (error). Selain dapat merefleksikan kinerja yang dirasakan penilaian atribut brand dapat juga mencakup kesan umum atau “brand halo”. Kumar. Sedang “x” dan “y” mewakili Loading yang memerlukan adanya estimasi. Dillon dan kawan-kawan . ” Gagasan mengenai brand halo dapat mengkontaminasi evaluasi produk sehingga akan mempersulit bagi para manajer produk untuk menentukan apakah persepsi terhadap produk oleh konsumen dapat merefleksikan kinerja. Dalam model ini. serta untuk mengetahui besar yang disebabkan oleh brand halo tersebut.2 Riset Kedua: Brand halos dan Evaluasi Brand Riset kedua ini mengkaji masalah kesan umum kosnumen atau yang dikenal dengan istilah “Brand Halo”.. (1996) menggambarkan pengaruh “halo” dalam berbagai macam model. Pada gambar 1. perceived performance. Enam dari 12 pertanyaan berkaitan dengan kinerja sepeda motor.2 di bawah ini akan dideskripsikan suatu diagram jalur untuk penilaian tunggal hasil riset dalam model tersebut. Dua belas pertanyaan diberikan kepada responden dalam riset A. dan 6 pertanyaan lainnya mengenai kualitas “fit and finish”.

3 Diagram Jalur untuk Model Brand Halo Awal . Gambar 1.3 I bawah ini.Untuk diagram jalur model Brand Halo awal dapat dilihat pada gambar 1.

Model-model tersebut rawan bagi identifikasi masalah-masalah menurut Wothke (1996). Dillon dan kawan kawan (1996) memberikan contoh untuk model ini. Faktor-faktor brand dan atribut juga tidak boleh dihitung kovariannya. Tanda-tanda loading tergantung pada apa yang dikendalikan untuk menyusun skala semua faktor.Pada gambar di atas semua varian brand dan faktor-faktor atribut sudah dikendalikan menjadi sebesar 1. Masalah-masalah tersebut biasanya memberikan pemecahan sendiri dengan cara menghasilkan nilai-nilai negatif untuk varian-varian yang diprediksi. tidak dapat dikorelasikan. Akan terdapat dua kali lipat faktor pada penilaian-penilaian yang dilakukan. Model-model MTMM pada umumnya cocok untuk matrik-matrik korelasi. atau keunikan seperti. Pada dasarnya model halo adalah semacam model psychometric “multi-trait/multi-method” (MTMM). Dan masing-masing penilaian akan tergantung pada pasangan unik brand beserta faktor-faktor atribut. yaitu tidak berpusat pada pemecahannya melainkan walau sudah melalui iterasi yang banyak. Model ini rawan terhadap under-identification yang sama dengan model-model faktor yang memiliki lebih dari satu faktor yang mempengaruhi pengukuran yang sedang dilakukan.3 di atas mempunyai jenis under-identification yang lain. atau dengan cara mencocokkan program. Kesalahan (error). Model dalam Gambar 1.” “tr.” dan seterusnya. Ada kemungkinan bagi kita untuk mencocokkan model additive dengan hanya menggunakan model penilaian tungal untuk masing-masing atribut dan brand. Pada kasus ini ukuran loading dalam kondisi under-identification yang bukan . “dr.

.193. mencocokkan ulang model tersebut.6 Konsep-Konsep yang Harus Dipahami . modelnya dianalisis menggunakan metode estimasi ADF. akan terdapat perbedaan individu mengenai seberapa besar konsumen-konsumen tergantung pada kesan terhadap brand. Jika dilihat maka keluaran Amos menunjukkan loading segmen TrailBomber dahulu dan kedua baru penilaian kualitas yang tidak berbeda dari nol. angka ini menunjukkan korelasi yang sangat kecil. Beberapa variasi yang terdapat dalam gambar di atas. Pertanyaan menarik dan penting ialah apakah pengaruh brand dan atribut berbeda? Pertanyaan ini dapat dianalisis dengan mengendalikan semua loading sehingga mereka menjadi sama diantara semua brand. Sekalipun demikian angka korelasi hanya sebesar 0. Kesimpulan dalam penelitian ini ialah bahwa penilaian kinerja untuk DirtyScooter lebih dipengaruhi oleh brand daripada oleh penilaian kinerja TrailBomber. Seberapa besar pengaruh kesan terhadap brand bagi setiap konsumen akan dapat dikorelasikan dengan pengaruh kesan terhadap brand lainnya.merupakan masalah yang melemahkan. Kedua kesimpulan ini berasumsi model sudah benar. dan kemudian membandingkan model yang sudah dicocokkan ulang tersebut dengan versi yang tidak dikendalikan. Secara umum. 1.5 Ringkasan Amos merupakan program khusus yang digunakan dalam analisis persamaan struktural (Structural Equation Model) atau dikenal sebagai SEM. Melakukan korelasi antara kinerja dan faktor-faktor kualitas akan memungkinkan pula. Dengan melakukan korelasi tersebut. 1. dan dengan mengkorelasikan semua faktor atribut. Amos semula merupakan perangkat lunak komputasi statistic yang mandiri namun dalam perkembangannya saat ini Amos diambil alih oleh SPSS sehingga versi-versinya mengikuti perkembangan SPSS. Korelasi tersebut akan memungkinkan persepsi pelanggan terhadap kualitas dan kinerja menjadi terkait. kita akan memperoleh makna. Untuk penilaian kualitas akan menjadi kebalikannya. Indeks-indeks modifikasi dalam Amos menunjukkan kecocokan model yang dapat diperbaiki dengan cara menganalisis korelasi untuk faktor-faktor brand. Implikasi pemasaran bagi DirtyScooter mencakup kemungkinan dilakukannya perbaikan-perbaikan kinerja hanya akan berdampak kecil terhadap persepsi karena hal tersebut paling banyak dipengaruhi oleh efek halo. Korelasi yang diestimasikan antara faktor-faktor brand adalah sebesar 0. Hasil tersebut memunculkan keraguan apakah pengukuran hal yang sama sudah dilakukan.179.

2. 4. Apa singkatan kata dari Amos? Sebutkan apa kepanjangan kata SEM? Sebutkan metode-metode apa saja dalam Amos? Apa saja keunggulan Amos dibandingkan dengan program-program lain? Apa saja fitur baru dalam Amos versi 16 ini? .• • • Analisis of Moment Structures Structural Equation Model Model Analisis 1.7 Latihan dan Tugas 1. 3. 5.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->