AMOS

1. Pengertian AMOS

AMOS adalah singkatan dari Analysis of Moment Structures. Ini adalah perangkat lunak untuk Structural Equation Modeling (SEM), yaitu teknik statistik yang menguji hubungan sebab-akibat antarvariabel, termasuk variabel yang tidak bisa diukur langsung (variabel laten).

AMOS dikembangkan oleh James L. Arbuckle. Awalnya dikelola perusahaan Smallwaters, lalu diakuisisi SPSS Inc., dan kini menjadi produk IBM dengan nama IBM SPSS Amos. Karena satu keluarga dengan SPSS, AMOS mudah membaca data dari file SPSS (.sav).

Ciri utama AMOS:

Berbasis grafis: model dibuat dengan menggambar diagram jalur (path diagram), tanpa perlu menulis kode
Menggunakan pendekatan CB-SEM (Covariance-Based SEM)
Berbayar, hanya tersedia untuk Windows
Bisa membaca data dari SPSS, Excel, Access, dan teks
Hasilnya bisa dilihat langsung di atas diagram maupun di jendela teks
Banyak dipakai untuk skripsi, tesis, dan disertasi di bidang ekonomi, manajemen, psikologi, pendidikan, dan kesehatan

2. Apa Itu SEM (Konsep Dasar)

Structural Equation Modeling (SEM) adalah gabungan dari analisis faktor dan analisis regresi/jalur. Dengan SEM, peneliti bisa menguji banyak hubungan sekaligus dalam satu model.

SEM terdiri dari dua bagian:

Model pengukuran (measurement model): menguji apakah indikator (butir kuesioner) benar-benar mengukur variabel laten. Ini setara dengan analisis faktor konfirmatori (CFA).
Model struktural (structural model): menguji hubungan antarvariabel laten, misalnya pengaruh X terhadap Y.

Mengapa memakai SEM, bukan regresi biasa?

Bisa menguji variabel laten dengan banyak indikator
Memperhitungkan kesalahan pengukuran (measurement error)
Bisa menguji banyak variabel dependen dan jalur mediasi sekaligus
Memberikan ukuran kecocokan model secara keseluruhan (model fit)

3. Istilah Penting dalam SEM

Variabel teramati (observed variable): variabel yang diukur langsung, misalnya butir kuesioner. Disebut juga indikator.
Variabel laten (latent variable): konsep yang tidak bisa diukur langsung, misalnya kepuasan, motivasi, loyalitas.
Variabel eksogen: variabel yang memengaruhi variabel lain dan tidak dipengaruhi variabel lain di dalam model (setara variabel bebas).
Variabel endogen: variabel yang dipengaruhi variabel lain di dalam model (setara variabel terikat).
Variabel mediasi: variabel perantara antara variabel bebas dan terikat.
Error (e): kesalahan pengukuran pada indikator.
Disturbance (z): bagian variabel endogen yang tidak dijelaskan model.
Faktor loading: kekuatan hubungan indikator dengan variabel latennya.
Koefisien jalur (path coefficient): besarnya pengaruh satu variabel terhadap variabel lain.
Efek langsung, tidak langsung, dan total: pengaruh langsung, pengaruh lewat mediator, dan gabungan keduanya.
Degrees of freedom (df): selisih antara jumlah informasi data dan jumlah parameter yang diestimasi.

4. Mengenal Tampilan AMOS

Komponen program:

AMOS Graphics: untuk menggambar model dan menjalankan analisis (paling sering dipakai).
AMOS Basic (Program Editor): untuk menjalankan model lewat kode.
Table Output / View Text: tempat membaca hasil analisis dalam bentuk teks dan tabel.

Bagian layar AMOS Graphics:

Toolbox (kiri): kumpulan ikon untuk menggambar dan mengatur model.
Drawing Area (tengah): kanvas tempat diagram dibuat.
Panel parameter dan model (kiri, di samping toolbox): memilih tampilan Input atau Output, serta tampilan estimasi tidak terstandar atau terstandar.
Menu bar (atas): File, Edit, View, Diagram, Analyze, Tools, Plugins, Help.

Simbol dasar pada diagram:

Persegi panjang: variabel teramati (indikator)
Elips atau lingkaran besar: variabel laten
Lingkaran kecil: error atau disturbance
Panah satu arah (→): pengaruh atau regresi
Panah dua arah (↔): kovarians atau korelasi

5. Ikon Penting di Toolbox

Draw observed variables: menggambar variabel teramati
Draw unobserved variables: menggambar variabel laten
Draw latent variable or add indicator: membuat variabel laten lengkap dengan indikator dan error-nya
Draw paths (single-headed arrow): menggambar jalur pengaruh
Draw covariances (double-headed arrow): menggambar korelasi
Add a unique variable to an existing variable: menambahkan error
Figure caption: menambahkan judul dan hasil fit di diagram
List variables in model: melihat variabel yang sudah ada di model
List variables in data set: daftar variabel dari file data, bisa di-drag ke diagram
Select one / Select all / Deselect all: memilih objek
Move, Duplicate, Erase, Shape of object, Rotate indicators, Reflect indicators: mengatur tata letak
Analysis properties: mengatur opsi analisis
Calculate estimates: menjalankan analisis
Copy to clipboard: menyalin diagram ke Word
View text: membuka hasil teks
Save: menyimpan model

6. Jenis Analisis di AMOS

Confirmatory Factor Analysis (CFA): menguji apakah indikator mengukur konstruk dengan baik. Dilakukan sebelum SEM penuh.
Path Analysis: analisis jalur untuk variabel teramati saja.
Full SEM (Structural Model): gabungan model pengukuran dan model struktural.
Analisis Mediasi: menguji pengaruh tidak langsung lewat variabel perantara, biasanya memakai bootstrap.
Analisis Multigrup (Multi-Group Analysis): membandingkan model antar kelompok, misalnya laki-laki dan perempuan. Dipakai juga untuk menguji moderasi kategorik.
Uji Invariansi Pengukuran (Measurement Invariance): menguji apakah alat ukur setara antarkelompok.
Latent Growth Curve Model: menganalisis perubahan data dari waktu ke waktu.
Structural Model dengan Mean (Mean Structures): membandingkan rata-rata variabel laten.
Bayesian Estimation: estimasi berbasis pendekatan Bayesian.

7. Metode Estimasi

Maximum Likelihood (ML): pilihan bawaan dan paling umum. Mengasumsikan data berdistribusi normal multivariat.
Generalized Least Squares (GLS): alternatif untuk sampel besar.
Unweighted Least Squares (ULS): tidak mensyaratkan normalitas, tetapi tidak menghasilkan semua ukuran fit.
Scale-Free Least Squares (SLS): mirip ULS, tetapi tidak terpengaruh skala pengukuran.
Asymptotically Distribution Free (ADF): untuk data yang tidak normal, tetapi butuh sampel sangat besar.
Bayesian: memakai distribusi prior.

Untuk kebanyakan penelitian skripsi, Maximum Likelihood adalah pilihan yang dipakai.

8. Syarat dan Asumsi

Ukuran sampel: umumnya minimal 100 sampai 200 responden. Aturan praktis lain: 5 sampai 10 responden per indikator, atau 10 responden per parameter yang diestimasi.
Skala data: variabel sebaiknya berskala interval, atau skala Likert dengan minimal 5 poin yang diperlakukan sebagai interval.
Normalitas: diuji dari skewness, kurtosis, dan critical ratio (c.r.) multivariat. Nilai c.r. antara -2,58 dan +2,58 dianggap normal pada taraf 1%. Nilai kurtosis multivariat (koefisien Mardia) yang terlalu besar menandakan data tidak normal.
Outlier: diperiksa lewat jarak Mahalanobis (Mahalanobis d-squared). Data dengan nilai p1 dan p2 sangat kecil (misalnya p < 0,001) dianggap pencilan.
Multikolinearitas: korelasi antarvariabel tidak boleh terlalu tinggi (di atas 0,85 perlu dicurigai), dan determinan matriks kovarians tidak boleh mendekati nol.
Data hilang (missing data): sebaiknya ditangani dulu, atau memakai opsi Estimate means and intercepts di AMOS agar data hilang diproses dengan metode full information maximum likelihood.
Identifikasi model: model harus over-identified atau minimal just-identified, yaitu df ≥ 0. Idealnya df positif.

9. Langkah Kerja Dasar

Siapkan data di SPSS atau Excel. Pastikan tidak ada data kosong dan semua variabel berupa angka. Simpan, misalnya sebagai .sav.
Buka AMOS Graphics, lalu mulai dari lembar kosong.
Hubungkan data: pilih File → Data Files → File Name, pilih file data, lalu klik OK.
Gambar model:
- Gambar variabel laten dengan ikon Draw a latent variable or add an indicator, lalu klik pada elips untuk menambah indikator.
- Tambahkan panah pengaruh dan korelasi sesuai teori.
Beri nama variabel:
- Indikator: drag dari List variables in data set.
- Variabel laten dan error: klik ganda lalu ketik nama (misalnya e1, e2, ... dan z1).
Atur analisis: buka View → Analysis Properties, lalu atur tab-tab berikut.
- Estimation: pilih metode estimasi (misalnya Maximum Likelihood). Centang Estimate means and intercepts jika ada data hilang.
- Output: centang Standardized estimates, Squared multiple correlations, Indirect, direct and total effects, Modification indices, dan Test for normality and outliers.
- Bootstrap: centang Perform bootstrap (misalnya 2000 sampel) dan Bias-corrected confidence intervals jika menguji mediasi.
Jalankan analisis dengan Analyze → Calculate Estimates (ikon berbentuk tangga).
Lihat hasil lewat View → Text Output, atau lihat langsung di diagram dengan memilih Standardized estimates.
Evaluasi kecocokan model, lalu perbaiki jika perlu.
Salin hasil ke Word lewat ikon Copy to clipboard.

10. Ukuran Kecocokan Model (Goodness of Fit)

Model dinilai baik jika data hasil pengukuran cocok dengan model yang dibuat. Beberapa kelompok ukuran yang dipakai:

A. Absolute Fit

Chi-Square (CMIN) dan P-Value: model baik jika p > 0,05. Namun ukuran ini sangat sensitif terhadap jumlah sampel (sampel besar hampir selalu menghasilkan p < 0,05), jadi jangan dipakai sendirian.
RMSEA: ≤ 0,08 dapat diterima, ≤ 0,05 sangat baik.
GFI: ≥ 0,90 baik.
RMR / SRMR: semakin kecil semakin baik, umumnya ≤ 0,05 (SRMR bisa ditampilkan lewat menu Plugins → Standardized RMR).

B. Incremental Fit

AGFI: ≥ 0,90 baik.
CFI: ≥ 0,90 dapat diterima, ≥ 0,95 sangat baik.
TLI (NNFI): ≥ 0,90 baik.
NFI: ≥ 0,90 baik.
IFI: ≥ 0,90 baik.

C. Parsimony Fit

CMIN/DF (Chi-Square dibagi df): ≤ 2 sangat baik, ≤ 3 baik, sampai 5 masih diterima oleh sebagian peneliti.
PGFI dan PNFI: semakin besar semakin baik.
AIC dan BIC: dipakai membandingkan beberapa model. Model dengan nilai lebih kecil dianggap lebih baik.

Catatan penting: tidak semua indeks harus terpenuhi. Umumnya peneliti melaporkan beberapa ukuran dari kelompok berbeda, misalnya CMIN/DF, RMSEA, CFI, TLI, dan GFI. Nilai batas di atas adalah pedoman umum, dan literatur yang berbeda kadang memakai batas yang sedikit berbeda.

11. Cara Membaca Hasil Output

A. Notes for Model

Menampilkan jumlah variabel, jumlah parameter, dan degrees of freedom. Cek bahwa df tidak negatif dan ada tulisan model dapat dihitung (Minimum was achieved).

B. Estimates → Regression Weights

Estimate: koefisien jalur (tidak terstandar)
S.E.: standar error
C.R. (Critical Ratio): setara nilai t. Jika C.R. ≥ 1,96, pengaruh signifikan pada taraf 5%.
P: nilai probabilitas. Jika P < 0,05, pengaruh signifikan. Tanda *** berarti P < 0,001.

C. Standardized Regression Weights

Koefisien jalur terstandar. Dipakai untuk membandingkan kekuatan pengaruh antarjalur dan sebagai faktor loading pada CFA.

D. Squared Multiple Correlations (R²)

Persentase varians variabel endogen yang dijelaskan oleh model. Misalnya 0,45 berarti 45%.

E. Covariances dan Correlations

Menunjukkan hubungan antarvariabel yang digambar dengan panah dua arah.

F. Variances

Varians variabel eksogen dan error. Varians tidak boleh bernilai negatif.

G. Modification Indices (M.I.)

Saran perbaikan model. Nilai M.I. ≥ 4 menandakan jika dua variabel (biasanya error) dikorelasikan, nilai Chi-Square akan turun. Perubahan hanya boleh dilakukan jika masuk akal secara teori, bukan sekadar mengejar fit.

H. Standardized Direct, Indirect, and Total Effects

Menunjukkan pengaruh langsung, tidak langsung (lewat mediator), dan total antarvariabel.

I. Assessment of Normality

Berisi skewness, kurtosis, dan c.r. tiap variabel, serta kurtosis multivariat.

J. Observations Farthest from the Centroid (Mahalanobis Distance)

Daftar responden yang berpotensi menjadi outlier.

12. Uji Validitas dan Reliabilitas pada CFA

Validitas konvergen:

Faktor loading (standardized) ≥ 0,5, idealnya ≥ 0,7
Average Variance Extracted (AVE) ≥ 0,5
Construct Reliability (CR) ≥ 0,7

Validitas diskriminan:

Kriteria Fornell-Larcker: akar AVE tiap konstruk lebih besar dari korelasinya dengan konstruk lain
HTMT: nilai di bawah 0,85 (atau 0,90 pada penelitian yang lebih longgar)
Cek korelasi antarkonstruk: tidak boleh terlalu tinggi (di atas 0,85)

Reliabilitas:

Cronbach's Alpha ≥ 0,7 (biasanya diuji di SPSS)
Construct Reliability (CR) ≥ 0,7

Rumus yang sering dipakai:

AVE = jumlah kuadrat loading standar dibagi jumlah indikator
CR = (jumlah loading)² dibagi [(jumlah loading)² ditambah jumlah varians error]

Karena AMOS tidak menampilkan AVE dan CR secara langsung, peneliti biasanya menghitungnya manual di Excel atau memakai plugin tambahan (misalnya Stats Tools Package dari James Gaskin).

13. Analisis Mediasi di AMOS

Mediasi menguji apakah pengaruh X terhadap Y berlangsung lewat variabel perantara M.

Langkah:

Gambar model dengan jalur X → M, M → Y, dan X → Y.
Pada Analysis Properties → Output, centang Indirect, direct and total effects.
Pada tab Bootstrap, centang Perform bootstrap dengan jumlah sampel 2000 (atau lebih), lalu centang Bias-corrected confidence intervals dan atur tingkat kepercayaan 95%.
Jalankan Calculate Estimates.
Buka hasil pada bagian Matrices → Indirect Effects dan lihat tabel Bootstrap Confidence → Two Tailed Significance.

Cara menafsirkan:

Jika efek tidak langsung signifikan (P < 0,05) dan interval kepercayaannya tidak memuat angka nol, mediasi terjadi.
Mediasi penuh (full mediation): efek langsung X → Y tidak signifikan, tetapi efek tidak langsung signifikan.
Mediasi parsial (partial mediation): efek langsung dan tidak langsung sama-sama signifikan.

14. Contoh Kasus Sederhana

Judul: pengaruh kualitas layanan terhadap loyalitas nasabah melalui kepuasan.

Variabel laten eksogen: Kualitas Layanan (misalnya empat indikator)
Variabel laten mediasi: Kepuasan Nasabah (tiga indikator)
Variabel laten endogen: Loyalitas Nasabah (tiga indikator)

Hipotesis:

H1: Kualitas layanan berpengaruh terhadap kepuasan
H2: Kepuasan berpengaruh terhadap loyalitas
H3: Kualitas layanan berpengaruh terhadap loyalitas
H4: Kepuasan memediasi pengaruh kualitas layanan terhadap loyalitas

Langkah analisis:

Lakukan CFA untuk tiap konstruk dan buang indikator berloading rendah (< 0,5).
Uji validitas dan reliabilitas.
Gambar model struktural penuh, lalu jalankan analisis.
Periksa kecocokan model.
Lihat tabel Regression Weights: jalur dengan P < 0,05 berarti hipotesis diterima.
Uji mediasi dengan bootstrap.
Tulis hasil dalam laporan beserta diagram jalur.

15. Kesalahan Umum dan Cara Mengatasinya

"The model is probably unidentified": df negatif atau jumlah parameter terlalu banyak. Tambahkan batasan, misalnya set loading salah satu indikator menjadi 1 pada tiap variabel laten, atau sederhanakan model.
"The following covariance matrix is not positive definite": ada variabel yang berkorelasi terlalu tinggi, data hilang, atau sampel terlalu sedikit. Periksa korelasi dan hapus indikator yang tumpang tindih.
Varians error negatif (Heywood case): biasanya karena sampel kecil atau indikator terlalu sedikit. Solusi umum adalah menetapkan nilai varians ke angka kecil positif, atau memperbaiki model.
Loading di atas 1: tanda model bermasalah, biasanya karena multikolinearitas atau model yang tidak tepat.
Model tidak fit: periksa modification indices, buang indikator berloading rendah, atau korelasikan error yang memang berkaitan secara teori.
Data tidak terbaca: pastikan file data tidak sedang terbuka di program lain dan variabel berformat numerik.
Tidak muncul hasil standar: pastikan opsi Standardized estimates sudah dicentang di Analysis Properties.
Variabel tidak ada di daftar: nama di diagram tidak boleh sama dengan nama variabel data jika bukan indikator (variabel laten harus memiliki nama baru).

16. Kelebihan dan Kekurangan AMOS

Kelebihan:

Antarmuka grafis, mudah dipakai pemula tanpa menulis kode
Terintegrasi dengan SPSS
Hasil bisa dilihat langsung pada diagram jalur
Mendukung CFA, SEM penuh, mediasi, multigrup, dan Bayesian
Panduan dan contoh penelitian sangat banyak, khususnya di Indonesia

Kekurangan:

Berbayar dan hanya untuk Windows
Mengandalkan CB-SEM, yang menuntut sampel cukup besar dan data berdistribusi normal
Tidak mendukung variabel formatif secara baik
Pengaturan model besar secara manual bisa melelahkan
Kurang fleksibel dibanding Mplus, lavaan (R), atau LISREL untuk model rumit

17. Perbandingan Singkat dengan Software SEM Lain

AMOS dan SmartPLS: AMOS memakai CB-SEM (berbasis kovarians) yang menuntut sampel besar dan normalitas, sedangkan SmartPLS memakai PLS-SEM (berbasis varians) yang lebih fleksibel untuk sampel kecil dan data tidak normal.
AMOS dan LISREL: keduanya CB-SEM. AMOS lebih mudah karena berbasis gambar, LISREL lebih kuat untuk model rumit.
AMOS dan lavaan (R): lavaan gratis dan sangat fleksibel, tetapi butuh kemampuan menulis kode.
AMOS dan JASP: JASP gratis dan punya modul SEM berbasis lavaan, cocok untuk model sederhana, sedangkan AMOS punya tampilan diagram yang lebih lengkap.
AMOS dan SPSS: SPSS untuk uji statistik umum (uji-t, ANOVA, regresi), sedangkan AMOS untuk model hubungan antarvariabel yang kompleks.

18. Tips Memakai AMOS

Mulai dengan CFA sebelum menjalankan model struktural penuh.
Pastikan teori mendasari setiap panah yang digambar.
Buang indikator dengan loading rendah satu per satu, bukan sekaligus.
Simpan model sebelum menjalankan analisis agar tidak hilang jika program berhenti.
Catat setiap perubahan model beserta alasannya.
Jangan terlalu bergantung pada modification indices. Perubahan harus masuk akal secara teori.
Laporkan beberapa ukuran fit, bukan hanya satu.
Siapkan sampel yang cukup sejak awal penelitian.

Cari Blog Ini

Shakinah Binti Al - Azahro