Sem With Amos

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.
com
www.statistikolahdata.com
STRUCTURAL EQUATION MODELING (SEM) DENGAN AMOS

Amos (Analysis of Moment Structures) merupakan salah satu program analisis Structural Equation
Modeling (SEM) berbasis kovarian yang saat ini sudah sangat dikenal. Salah satu keunggulan
program ini karena user friendly. Program ini menyediakan kanvas pada program AMOS
GRAPHICS dan ikon yang mudah kita ingat untuk menggambar model. Penulis dalam hal ini
menggunakan software AMOS 18. Langkah-langkah analisis SEM dengan program AMOS :
1. Pengembangan model
Model yang dibangun berdasarkan teori yang sangat kuat. Karena SEM tidak untuk
menghasilkan model tetapi untuk mengkonfirmasi bentuk model, dalam hal ini hubungan
kausalitas diantara variabel tidak dibentuk oleh model tetapi dibangun oleh teori yang
mendukungnya. Tujuannya adalah untuk mengembangkan sebuah model yang mempunyai
justifikasi (pembenaran) secara teoritis yang kuat guna mendukung upaya analisis terhadap
suatu masalah yang sedang dikaji/diteliti.
Untuk kali ini akan kita lakukan pengembangan model mengenai Employee Retention. Dalam
model terdapat lima variabel laten yaitu : Enviromental Perceptions (EP), Attitudes Toward
Coworkers (AC),
Job Satisfaction (JS), Organizational Commitment (OC), dan Staying
Intensions (SI). Variabel Enviromental Perceptions (EP) dibentuk/diukur oleh 3 indikator yaitu :
EP1-EP3. Variabel Attitudes Toward Coworkers (AC) dibentuk oleh 4 indikator yaitu: AC1AC4. Variabel Job Satisfaction (JS) dibentuk/diukur oleh 5 indikator yaitu : JS1-JS5. Variabel
Organizational Commitment (OC) dibentuk oleh 4 indikator yaitu : OC1-OC4. Sedangkan
variabel Staying Intentions (SI) dibentuk oleh 4 indikator yaitu : SI1-SI4. Dari model di atas
terdapat 8 hipotesis :
H1 = Terdapat hubungan yang positif antara Enviromental Perceptions terhadap Job
Satisfaction.
H2 = Terdapat hubungan yang positif antara
Enviromental Perceptions terhadap
Organizational Commitment.
H3 =
Terdapat hubungan yang positif antara Enviromental Perceptions terhadap Staying

Intentions.
H4 = Terdapat hubungan yang positif antara Attitudes Toward Coworkers terhadap

Organizational Commitment
H5 = Terdapat hubungan yang positif antara Attitudes Toward Coworkers terhadap Staying
Intentions.
1
Jasa Olah Data, Hub : 08816637417 / 087737940271, email: suseno16@gmail.com/statistikolahdata@yahoo.com
Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

H6 =
Terdapat hubungan yang positif antara Job Satisfaction terhadap Organizational

Commitment.
H7 = Terdapat hubungan yang positif antara Job Satisfaction terhadap Staying Intentions.
H8 = Terdapat hubungan yang positif antara Organizational Commitment terhadap Staying
Intentions.
(* Model dan data diadopsi dari Hair et.al, 2007)
2. Membuat Diagram Alur (Path Diagram)
Tujuannya adalah menggambarkan model teoritis yang telah dibangun pada langkah pertama ke
dalam sebuah diagram jalur agar peneliti dengan mudah dapat mencermati hubungan kausalitas
yang ingin diujinya.
e9 e10 e11 e12
e8
JS1 JS2 JS3 JS4 JS5

e1
e2
EP1
EP2
e3
EP3
d1
JS
EP
d3
SI
e4
AC1
e5
AC2
e6
AC3
AC4
e7
AC
OC
SI1
e17
SI2
SI3
e18
SI4
e20
e19
d2
OC1OC2OC3 0C4
e13 e14 e15 e16
Gambar.1 Path Diagram
Konstruk eksogen pada gambar di atas adalah konstruk EP dan AC. Konstruk yang dituju
anak panah merupakan konstruk endogen atau konstruk yang diestimasi oleh konstruk lain.
Estimasi tersebut akan menimbulkan tingkat kesalahan
pengukuran tertentu sebesar (d).
Konstruk JS mempunyai tingkat kesalahan sebesar d1 karena diestimasi oleh konstruk EP.
Konstruk OC mempunyai tingkat kesalahan sebesar d2 karena diestimasi oleh konstruk EP, AC
dan JS. Konstruk SI mempunyai tingkat kesalahan sebesar d3 karena diestimasi oleh konstruk
JS, EP, AC dan OC.
2

Tanda satu anak panah (
) menghubungkan konstruk eksogen dan konstruk endogen yang
mencerminkan hubungan kausalitas yang akan diuji hipotesisnya, yaitu :

1) EP terhadap JS (EP
JS)
5) AC terhadap OC (AC
2) EP terhadap SI (EP
SI)
6) JS terhadap OC (JS
3) EP terhadap OC (EP
OC)
7) JS terhadap SI (JS
4) AC terhadap SI ( AC
SI)
8) OC terhadap SI (OC
OC)
OC)
SI)
SI)
Pada masing-masing indikator variabel laten akan mempunyai tingkat kesalahan

pengukuran sebesar e (error), karena terdapat 20 indikator maka terdapat error sebanyak e1-e20.
3. Konversi diagram alur ke dalam persamaan model pengukuran dan struktural.
Langkah ini membentuk persamaan-persamaan pada model struktural dan model pengukuran.
Gambar 2. Path Diagram dan Notasi

Dari gambar di atas menjelaskan hubungan antara lima variabel yaitu : 2 variabel eksogen ( 1 ,
2 ) dan 3 variabel endogen ( 1 , 2 , 3 ). Di mana :
3

1 = Enviromental Perceptions (EP)
2 = Organizational Commitment (OC)
2 = Attitudes Toward Coworkers (AC)
3 = Staying Intentions (SI)
1 = Job Satisfaction (JS)
Setelah diagram jalur telah dibuat, langkah selanjutnya adalah mengkonversi diagram jalur
ke dalam bentuk persamaan. Konversi ke bentuk persamaan dalam SEM, terdapat 2 persamaan :
1) Model Pengukuran
a. Pengukuran variabel laten eksogen 1 :
EP1=1 11
EP2= 2 12
EP3=3 13
b. Pengukuran variabel laten eksogen 2 :
AC1= 4 24
AC2 =5 25
AC3=6 26
AC4 =7 2 7
c. Pengukuran variabel endogen 1 :
JS1=8 18
JS2=9 19
JS3=10 110
JS4=11 111
JS5=12 112
d. Pengukuran variabel endogen 2 :
OC1= 13 213
OC2=14 2 14
OC3= 15 215
OC4=16 216
e. Pengukuran variabel endogen 3 :
SI1=17 3 17
SI2=18 3 18
SI3=19 319
SI4=20 320
4

2) Model Struktural
1=1 11
2=3 15 26 1 2
3=2 17 14 2 8 21
4. Memilih data input dan estimasi model.

Tujuannya adalah menetapkan data input yang digunakan dalam pemodelan dan teknik
estimasi model. Dalam SEM data input yang dianalisis adalah berupa matriks kovarians atau
matriks korelasi. Para pakar menyarankan untuk menggunakan matrik kovarians daripada
matriks korelasi. Penggunaan matriks kovarians karena memiliki keunggulan dibandingkan
dengan matriks korelasi, yaitu dapat menyajikan perbandingan yang valid antara populasi yang
berbeda/sampel yang berbeda.
Teknik estimasi yang digunakan dalam penelitian SEM adalah Maximum Likelihood Estimation
(ML). Estimasi dilakukan melalui dua tahap yaitu :
1) Estimasi Model Pengukuran (Measurement Model)
Pada tahap ini dilakukan uji unidimensional dari konstruk-konstruk eksogen dan
endogen digunakan teknik Confirmatory Factor Analysis (CFA). Jika probabilitas yang
dihasilkan signifikan, berarti hipotesis yang menyatakan bahwa tidak terdapat perbedaan
antara matriks kovarians sampel dan matriks kovarians populasi yang diestimasikan tidak
dapat ditolak atau menerima hipotesis nol.
CFA dilakukan dengan membuat hubungan/korelasi (
) antara masing-masing konstruk
yang melambangkan korelasi antara 2 konstruk.

Pada gambar di bawah ini, hasil estimasi CFA menghasilkan nilai Chi-Square
sebesar 195,265, df sebesar 160 dengan taraf signifikansi 0,030. Dengan taraf signifikansi <
0,05 menyatakan bahwa terdapat perbedaan yang signifikan antara matriks kovarians sampel
dengan matriks kovarians populasi. Taraf signifikansi masih di bawah nilai yang disarankan
atau cut value. Nilai GFI (0,954), AGFI (0,939), Cmin/df (1,220), RMSEA (0,024),TLI
(0,989), CFI (0,991). Nilai-nilai tersebut sudah memenuhi cut value yang disarankan. Hasil
selengkapnya dapat dilihat pada lampiran.
5

Gambar 3. Cofirmatory Factor Analysis
Taraf signifikansi merupakan syarat yang penting dalam analisis SEM, agar terpenuhi
nilai signifikansi > 0,05 maka dilakukan modifikasi model dengan melihat nilai Modification
Indices sebagai berikut :
6

Covariances: : (Group number 1 - Default model)
e19
e17
e13
e13
e14
e14
e15
e15
e15
e8
e4
e4
e1
e1
e2
e2
e3
e3
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
<-->
e20
e18
SI
OC
SI
AC
SI
EP
e13
e19
e14
e16
OC
e8
e12
e15
e12
e14
M.I. Par Change

6.41
0.05
7.83
0.04
6.27
-0.16
4.54
0.34
8.36
0.11
4.26
0.18
7.45
-0.11
10.22
0.2
4.64
0.31
6.02
-0.09
5.53
0.14
7.39
-0.16
4.72
-0.24
4.36
-0.15
4.01
-1.74
4.64
0.17
4.59
1.68
4.06
0.14
Variances: (Group number 1 - Default model)
M.I. Par Change

Regression Weights: (Group number 1 - Default model)
JS5
JS5
JS5
JS5
SI4
SI2
SI2
OC1
OC1
OC1
OC1
OC1
OC1
OC2
OC2
OC2
OC2
OC2
OC3
OC4
JS1
JS1
<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<---
AC
AC1
AC4
EP3
EP2
JS4
JS3
SI
SI4
SI3
SI2
AC1
EP3
SI
AC
SI2
AC1
AC3
EP2
AC1
SI3
EP1
M.I.
4.79
4.58
4.67
4.34
4.29
4.07
4.33
6.67
7.01
4.63
5.39
4.4
5.64
4.77
5.12
6.61
8.68
4.88
5.05
4.3
5.46
4.86
Par Change
1.37
1.19
1.04
1.21
0.04
-0.04
-0.04
-0.41
-0.29
-0.22
-0.28
-0.16
-0.19
0.22
0.12
0.2
0.14
0.1
0.1
-0.1
-0.12
-0.06
7

Dari tabel di atas terdapat 3 cara untuk modifikasi model, yaitu covariance, variance,
dan regression weight. Pilihan yang dilakukan harus didasari dengan justifikasi teori yang
kuat. Pada covariances tampak bahwa dengan mengkorelasikan error 13 (e13) dan error 15
(e15) akan menurunkan nilai chi square sebesar 4,64. Mengkorelasikan error 17 (e17) dan
error 18 (e18) akan menurunkan nilai chi square sebesar 7,83. mengkorelasikan error 19
(e19) dan error 20 (e20) akan menurunkan nilai chi square sebesar 6,41. Masing-masing
error tersebut di atas dapat dikorelasikan seperti error 13 dan error 15 keduanya merupakan
error indikator yang membentuk konstruk yang sama. Seperti halnya e17 dan e18, e19 dan
e20.
Setelah mengkorelasikan seperti langkah di atas akan diperoleh output sebagai berikut :
Gambar. 4 CFA Modifikasi

8

Hasil output menunjukan bahwa nilai chi square sebesar 174.988, df = 157 dan taraf
signifikansi 0,155 (> 0.05). Nilai GFI sebesar 0,959 (> 0,9), AGFI sebesar 0,945 ( > 0,9),
Cmin/df sebesar 1,115 (< 2), RMSEA sebesar 0,017 (< 0,08), TLI sebesar 0,994 (> 0,95) ,
dan CFI sebesar 0,995 (>0,95) yang semuanya sesuai dengan persyaratan.
2) Model Struktur Persamaan (Structure Equation Model)
Langkah selanjutnya dilakukan analisis secara full model. Langkah ini dilakukan untuk
melihat kesesuaian model dan hubungan kausalitasyang dibangun dalam model yang diuji.
Full model dilakukan dengan mengganti hubungan korelasi (dua anak panah) dengan satu
anak panah pada masing-masing variabel laten. Seperti terlihat pada gambar di bawah ini.
Gambar. 5 Full Model
9

Hasil output setelah dilakukan dengan full model, nilai chi square sebesar 175.051, nilai df
sebesar 158 dan taraf signifikansi sebesar 0,168. Nilai GFI sebesar 0,959 (> 0,9), AGFI
sebesar 0,945 (> 0,9), Cmin/df sebesar 1,108 (< 2), RMSEA sebesar 0,016 (< 0,08), TLI
sebesar 0,995 (> 0,95) serta CFI sebesar 0,996 (> 0,95).
5. Evaluasi masalah identifikasi model.
Tujuannya adalah untuk mendeteksi ada tidaknya masalah identifikasi berdasarkan evaluasi
terhadap hasil estimasi yang dilakukan program komputer. Masalah identfikasi pada prinsipnya
mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang
unik. Masalah identifikasi dengan melihat :
a) Program tidak mampu menghasilkan matriks informasi yang harus disajikan.
Pada beberapa kondisi, program AMOS tidak mampu mengeluarkan sebuah solusi yang
unik. Ketika program AMOS mampu mengeluarkan output, berarti terdapat solusi yang unik
pada model penelitian berdasarkan data observasi yang ada. Apabila program AMOS tidak
mampu menghasilkan output akan keluar pesan : This solution is not admissible.
b) Munculnya angka-angka yang aneh seperti adanya varians error yang negatif.
Varians eror yang negatif menandakan terjadi Heywood case. Apabila terjadi hal tersebut
maka perlu dilakukan modifikasi, misalnya menambah jumlah sampel. Hasil output
menunjukkan bahwa seluruh indikator adalah positif. Nilai eror terkecil pada e20 sebesar
0,22 dan nilai eror terbesar pada e12 sebesar 196,85.
c)
Standard error yang besar untuk satu atau beberapa koefesien

Standard error tidak ada yang > 0,4 sehingga nilai standard error diharapkan < 0,4. Pada
hasil output didapatkan bahwa standard error terjadi pada e12 sebesar 17,73.
Hasil selengkapnya dapat dilihat pada tabel dibawah.
10

EP
AC
d1
d2
d3
e3
e2
e1
e7
e6
e5
e4
e8
e9
e10
e11
e16
e15
e14
e13
e17
e18
e19
e20
e12
Estimate
0.92
1.72
0.93
2.08
0.25
0.85
0.73
1.7
0.87
0.6
0.97
0.63
0.81
0.83
0.93
0.82
1.27
1.79
0.99
4.29
0.31
0.24
0.46
0.22
196.85
S.E.
0.12
0.18
0.12
0.23
0.03
0.08
0.11
0.15
0.08
0.06
0.09
0.06
0.07
0.08
0.08
0.07
0.15
0.14
0.16
0.33
0.03
0.03
0.05
0.04
17.73
C.R.
7.6
9.53
7.92
9
7.63
10.82
6.55
11.2
10.7
10.09
10.62
10.56
10.93
10.81
11.87
11.53
8.59
12.53
6.07
13.15
9.27
7.42
9.75
5.54
11.1
P
Label
*** par_28
*** par_29
*** par_30
*** par_31
*** par_32
*** par_33
*** par_34
*** par_35
*** par_36
*** par_37
*** par_38
*** par_39
*** par_40
*** par_41
*** par_42
*** par_43
*** par_44
*** par_45
*** par_46
*** par_47
*** par_48
*** par_49
*** par_50
*** par_51
*** par_52
6. Evaluasi kriteria Goodness Of the Fit (GOF).

Tujuannya adalah untuk mengevaluasi pemenuhan asumsi yang disyaratkan SEM, dan
kesesuaian model berdasarkan kriteria Goodness-Of-Fit tertentu. Beberapa uji kesesuaian
diantaranya :
1) Uji kesesuaian model
Beberapa pengukuran yang penting dalam mengevaluasi kriteria Goodness-Of-Fit beserta
nilai batasannya :
1. Uji Chi-Square
2 dan nilai probabilitas/taraf signifikansi yaitu ukuran
kesesuaian model berbasis Maximum Likelihood (ML). Diharapkan nilainya chi square
rendah sehingga diperoleh nilai signifikansi yang tinggi (> 0,05). Hasil output
menunjukan nilai chi-square sebesar 175,051 dan taraf signifikansi 0,168 (> 0,05).
2. Root Mean Square Error of Approximation (RMSEA) yaitu nilai aproksimasi akar
kuadrat rata-rata error. Diharapkan nilainya rendah, RMSE 0,08 berarti model fit
11

dengan data. Hasil output nilai RMSEA sebesar 0,017.

3. Goodness of the Fit Index (GFI) yaitu ukuran kesesuaian model secara deksiptif. GFI
0,90 mengindikasikan model fit atau model dapat diterima . Hasil output menunjukan
nilai GFI sebesar 0,959.
4. Adjusted Goodness of of the Fit Indeks (AGFI) yaitu nilai GFI yang disesuaikan.
AGFI 0,90 yang mengindikasikan model fit dengan data. Hasil output menunjukan
nilai AGFI sebesar 0,945.
5. Cmin/df yaitu nilai cmin/df 2,00 mengindikasikan bahwa model fit dengan data. Hasil
output menunjukkan bahwa nilai cmin/df sebesar 1,108.
6. Normal Index Fit (NFI) yaitu ukuran keseuaian model dengan basis komparatif
terhadap base line atau model null. Model null merupakan suatu model yang
menyatakan bahwa antara variabel-variabel yang terdapat pada model yang diestimasi
tidak saling berhubungan. Menurut ukuran ini, model fit jika NFI 0,90. NFI = 0,90
artinya, model diindikasikan 90% lebih baik bila dibandingkan dengan null. Hasil output
menunjukkan nilai NFI sebesar 0,957.
7. Comparatif Fit Index (CFI) yaitu ukuran kesesuaian model berbasis komparatif dengan
model null. CFI nilai berkisar antara 0,0 sampai 1,0. CFI 0,90 dikatakan model fit
dengan data. Hasil output menunjukkan nilai CFI sebesar 0,996.
8. Tucker-Lewis Index (TLI) yaitu ukuran kesesuaian model dengan basis komparatif
terhadap base line atau model null. TLI 0,95 dikatakan fit dengan data. Hasil output
menunjukkan nilai TLI sebesar 0,995.
Hasil selengkapnya dapat dilihat pada tabel dibawah ini.
Goodness-of-fit
2
Chi-square
Cut of value
Diharapkan kecil
Estimasi
Keterangan
175,051
Baik
Sig.Probability
0,05
0,168
Baik
RMSEA
0,08
0,017
Baik
GFI
0,90
0,959
Baik
AGFI
0,90
0,945
Baik
CMIN/DF
2,00
1,108
Baik
NFI
0,90
0,957
Baik
CFI
0,90
0,996
Baik
TLI
0,95
0,995
Baik
12

Nilai Standard Loading

Standardized Regression Weights
EP3
EP2
EP1
AC4
AC3
AC2
AC1
JS1
JS3
OC4
OC3
OC2
OC1
SI1
SI2
SI3
SI4
JS2
JS4
JS5
<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<---
EP
EP
EP
AC
AC
AC
AC
JS
JS
OC
OC
OC
OC
SI
SI
SI
SI
JS
JS
JS
Estimate
0.72
0.85
0.7
0.82
0.84
0.82
0.82
0.74
0.68
0.84
0.66
0.89
0.58
0.81
0.86
0.74
0.85
0.75
0.71
0.73
2) Uji Construct Reliability

Angka yang disarankan untuk nilai construct reliabilty adalah > 0,70. Untuk menghitung
nilai construct reliability dengan rumus :
n
i
i=1
CR=
i i
i=1
i=1
Sebagai contoh perhitungan untuk kontruk AC yang dibentuk dari indikator AC1, AC2,
AC3, AC4 nilai standard regression weight sebesar 0,82 (AC1), 0,82 (AC2), 0,84 (AC3)
dan 0,82 (AC4). Nilai construct reliability :
=
0.820.820.840.822
2
0.820.820.840.82 0.7
= 0,939
3) Uji Average Variance Extracted (AVE)
Angka yang direkomendasikan yaitu > 0,5. Rumus untuk menghitung variance extracted :
n
AVE =
i=1
13

0.8220.82 20.82 20.822

4
= 0.68
4) Asumsi-asumsi SEM
1. Ukuran sampel
Sampel yang digunakan agar terpenuhi syarat yaitu antara 100-400 atau minimal 5 kali
jumlah indikator. Penelitian ini menggunakan 20 indikator yang berarti minimal sampel
= 100. Sampel yang digunakan dalam penelitian ini sebanyak 150.
2. Normalitas
Uji normalitas dilakukan dengan multivariate normality, berbeda dengan uji normal pada
penelitian yang menggunakan 1 variabel atau 2 variabel. Pada model SEM dapat dilhat
dengan nilai z, hasil output nilai critical ratio diharapkan 2.58. Nilai ini digunakan
apabila skala pengukurannya mengunakan skala Likert. Menurut Bentler (2005), nilai >
5 maka dapat dikategorikan multivariate nonnormal.
Pada tabel assesment normality diketahui multivariate normality sebesar 30.577 yang
berarti asumsi normalitas tidak terpenuhi. Perhatikan skala pengukuran tiap variabel
menggunakan skala yang tidak sama.
14

3. Outlier
Munculnya nilai-nilai ekstrim, baik secara univariate maupun multivariate ini
menandakan terjadinya outlier pada data observasi. Uji outlier multivariate dilakukan
dengan kriteria jarak mahalanobis (mahalanobis distance) pada tingkat P < 0,001. Jarak
mahalanobis ini dievaluasi dengan menggunakan
2 dengan df sebesar jumlah
variabel yang digunakan dalam penelitian. Jika chi-square < nilai mahalanobis d-square
terbesar berarti terjadi multivariate outlier. Hasil output pada tabel di bawah ini, nilai
mahalanobis d-squared yang terbesar 100.496
(<195,265) maka tidak terjadi
multivariate outlier.
7. Interpretasi hasil pengujian dan modifikasi model

Langkah terakhir adalah interpretasi model dan modifikasi model yang tidak memenuhi syarat
pengujian. Model masih perlu dimodifikasi karena masih ada yang belum sesuai dengan
pesyaratan SEM seperti : masih adanya standar error pada e12, asumsi normalitas belum
terpenuhi atau terjadi multivariate nonnormal. Karena belum terpenuhinya asumsi
normalitas maka dapat dilakukan dengan teknik estimasi Asymtotic Distribution Free (ADF).
Untuk sementara, awal hasil pengujian hipotesisnya adalah :
a) Pengujian hipotesis
Untuk menguji hipotesis dalam penelitian ini dapat dilihat pada tabel regression weight.
Berikut ini tabel output hasil analisisnya :
Variabel
JS
OC
EP
AC
OC
EP
OC
SI
SI
SI
SI
JS
JS
OC
EP
AC
Estimate
0.252
0.251
0.763
0.166
0.052
0.128
0.257
SE
0.066
0.069
0.112
0.093
0.033
0.025
0.045
CR
3.847
3.616
6.788
1.787
1.548
5.158
5.766
0.06
0.03
2.24
15

(1) Hipotesis 1
Nilai Critical Ratio (CR) antara EP
JS sebesar 3.847 > 1.96 sehingga menerima
H1. Hal ini berarti Enviromental Perceptions (EP) mempunyai pengaruh positif
terhadap Job Satisfaction (JS).
(2) Hipotesis 2
SI sebesar 5.766 > 1.96 sehingga menerima
terhadap Staying Intensions (SI).
(3) Hipotesis 3
OC sebesar 6.788 > 1.96 sehingga menerima
terhadap Organizational Commitment (OC).
(4) Hipotesis 4
Nilai Critical Ratio (CR) antara AC
H4. Hal ini berarti Attitudes Toward Coworkers (AC) mempunyai pengaruh positif
(5) Hipotesis 5
Nilai Critical Ratio (CR) antara AC
OC sebesar 3.616 > 1.96 sehingga menerima
H5. Hal ini berarti Attitudes Toward Coworkers (AC) mempunyai pengaruh positif
(6) Hipotesis 6
Nilai Critical Ratio (CR) antara JS
OC sebesar 1.787 < 1.96 sehingga menolak
H6 atau menerima H0. Hal ini berarti Job Satisfaction (JS) tidak mempunyai pengaruh
(7) Hipotesis 7
Nilai Critical Ratio (CR )antara JS
SI sebesar 1.548 < 1.96 sehingga menolak
H7 atau menerima H0. Hal ini berarti Job Satisfaction (JS) tidak mempunyai pengaruh
(8) Hipotesis 8
Nilai Critical Ratio (CR) antara OC
H8. Hal ini berarti antara Organizational Commitment (OC) mempunyai pengaruh
positif terhadap Staying Intensions (SI).
16

Referensi :
Byrne, B.M (2010),Structural Equation Modeling With AMOS : Basic Concepts, Applications,
and Programming,2nd edition. Taylor and Francis Group. New York
Hair, J.F., Black, W.C., Babin,B.J., Anderson, R.E (2010), Multivariate Data Analysis : 7 nd edition.
Pearson Prentice Hall. New Jersey.
Schumacker, R.E and Lomax, R.G (2004), A Beginner's Guide To Structural Equation Modeling.
Lawrence Erlbaum Associates. Marwah. New Jersey.
Widiarso,W. (2010), Jumlah Sampel Dalam Pemodelan Persamaan Struktural (SEM). Fakultas
Psikologi. UGM. Yogyakarta
17

Sem With Amos

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Sem With Amos

Uploaded by

Copyright:

Available Formats

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.

STRUCTURAL EQUATION MODELING (SEM) DENGAN AMOS

Job Satisfaction (JS), Organizational Commitment (OC), dan Staying

Enviromental Perceptions terhadap

Terdapat hubungan yang positif antara Enviromental Perceptions terhadap Staying

H4 = Terdapat hubungan yang positif antara Attitudes Toward Coworkers terhadap

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Terdapat hubungan yang positif antara Job Satisfaction terhadap Organizational

JS1 JS2 JS3 JS4 JS5

pengukuran tertentu sebesar (d).

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Tanda satu anak panah (

) menghubungkan konstruk eksogen dan konstruk endogen yang

mencerminkan hubungan kausalitas yang akan diuji hipotesisnya, yaitu :

Pada masing-masing indikator variabel laten akan mempunyai tingkat kesalahan

Gambar 2. Path Diagram dan Notasi

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

1 = Enviromental Perceptions (EP)

2 = Organizational Commitment (OC)

2 = Attitudes Toward Coworkers (AC)

3 = Staying Intentions (SI)

1 = Job Satisfaction (JS)

b. Pengukuran variabel laten eksogen 2 :

c. Pengukuran variabel endogen 1 :

d. Pengukuran variabel endogen 2 :

e. Pengukuran variabel endogen 3 :

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

4. Memilih data input dan estimasi model.

) antara masing-masing konstruk

yang melambangkan korelasi antara 2 konstruk.

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Gambar 3. Cofirmatory Factor Analysis

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

M.I. Par Change

Variances: (Group number 1 - Default model)

M.I. Par Change

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Gambar. 4 CFA Modifikasi

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Gambar. 5 Full Model

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Standard error yang besar untuk satu atau beberapa koefesien

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

6. Evaluasi kriteria Goodness Of the Fit (GOF).

2 dan nilai probabilitas/taraf signifikansi yaitu ukuran

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

dengan data. Hasil output nilai RMSEA sebesar 0,017.

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

Nilai Standard Loading

2) Uji Construct Reliability

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

0.8220.82 20.82 20.822

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

2 dengan df sebesar jumlah

(<195,265) maka tidak terjadi

7. Interpretasi hasil pengujian dan modifikasi model

Jasa Olah Data, Hub : 08816637417 / 087737940271, email : suseno16@gmail.com/statistikolahdata@yahoo.com

JS sebesar 3.847 > 1.96 sehingga menerima

SI sebesar 5.766 > 1.96 sehingga menerima

OC sebesar 6.788 > 1.96 sehingga menerima

SI sebesar 2.24 > 1.96 sehingga menerima

OC sebesar 3.616 > 1.96 sehingga menerima

OC sebesar 1.787 < 1.96 sehingga menolak

SI sebesar 1.548 < 1.96 sehingga menolak