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 (Structural Equation Equation Model 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 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 mengguna menggunakan kan dan memaham memahamii dengan dengan mudah. mudah. Buku Buku ini membaha membahass penggu penggunaan naan Amos 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
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.
b) Dapat menangani missing data secara baik, yaitu dengan membuat estimasi yang didasarkan pada informasi maximum likelihood yang sempurna dan tidak hanya bersandar pada metode yang sudah ada, yaitu listwise, pairwise deletion, atau mean imputation. c)
Dapat membuat estimasi rata-rata untuk variabel-variabel exogenous dan intercepts dalam persamaan regresi.
d) Amos dapat juga membuat bootstrapped standard errors dan confidence intervals yang ada dalam semua estimasi parameter, rata-rata sampel, varian, kovarian dan korelasi. 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. h)
Dapat membuat laporan beberapa angka statistik yang cocok untuk dilakukan perbandingan untuk model-model tersebut.
i)
Amos juga menyediakan pengujian normalitas univariat untuk masing-masing variabel yang diobservasi dan juga pengujian normalitas multivariat serta dapat mendetksi ouliers.
j)
Amos dapat memahami diagram jalur sebagai spesifikasi model dan memperlihatkan estimasi-estimasi parameter secara grafis dalam model diagram jalur. Diagram-diagram jalur digunakan sebagai spesifikasi model dan gambargambar diagram jalur tersebut dapat diimpor ke program Word.
1.3 Fitur-Fitur Baru Amos versi 16 mempunyai fitur baru yang dikenal sebagai mixing modeling :
•
•
•
Pemodelan campuran (mixing modeling ). Pemodelan campuran ini cocok saat kita mempunyai model yang salah untuk seluruh populasi, tetapi jika populasi tersebut dibagi menjadi sub-kelompok; maka model tersebut menjadi benar untuk masingmasing sub- kelompok Pemodelan campuran ini dikenal juga sebagai latent class analysis. Pemodelan campuran ini dapat juga dibaca sebagai clustering karena menawarkan alternatif-alternatif yang didasarkan pada model (model based alternative) terhadap metode-metode clustering heuristic, seperi K Means Cluster. Pemodelan campuran ini dapat juga dijadikan sebagai alternatif untuk discriminant analysis.
1.4 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; 2) Model – model pengaruh “brand halos” terhadap merek (brand). Data diambil dari dua survey mengenai pengendara sepeda motor yang dilakukan oleh DirtyScooter Motorcycle Company (DMC) dalam rangka mendukung rencana pemasaran strategis mereka. Orang-orang yang diteliti adalah para pembeli sepeda motor baru selama kurun waktu 12 bulan. Mereka kemudian diberi pertanyaan-pertanyaan dengan menggunakan kuesioner yang dikirimkan dengan mengguankan surat. months of receiving the mailed questionnaire. Jumlah kuesioner yang dibagikan ialah sebanyak 6,000. Tingkat kembali jawaban mendekati 50%. Survei lainnya dengan menggunakan kuesioner dibagikan juga kepada pemilih perusahaan DirtyScooters dan TrailBomber motorcycles, yang merupakan perusahaan kompetitor utama DMC dengan jumlah responden 5.500. Tingkat pengembalian jawaban untuk riset kedua ini sebesar 76 %.
1.4.1. Riset Pertama: Kualitas, Nilai dan Produk Dalam penelitian ini tujuan utama ialah mengetahui kepuasan konsumen terhadap produk atau layanan yang dibelinya. Hauser (1991) menemukan bahwa pendorong
kepentingan kepuasan dapat berbeda-beda dalam setiap segmen. 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. Lebih lanjut dikatakan sebenarnya konsumen tidak didorong oleh produk-produk yang mereka beli, melainkan apa yang mereka beli merupakan indikasi adanya perbedaan-perbedaan diantara konsumen. Dengan demikian jika kita membanding bandingkan data mengenai kepuasan konsumen dalam hubungannya dengan berbagai produk yang mereka konsumsi sama dengan kita membandingkan apel dengan jeruk yang jelas-jelas berbeda. Kesimpulannya ialah kita akan dapat membuat kesalahan jika kita melakukan pengukuran perasaan-perasaan konsumen dalam segmen-segmen yang kita bandingkan. 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. 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, DMC terlebih dahulu meyakinkan bahwa pengukuran kualitas, kinerja, dan nilai sama untuk semua segmen yang diteliti. Sebelumnya DMC sudah mengembangkan beberapa butir survei untuk mengukur variable-variabel laten ( Variabel yang tidak teramati). Dalam riset sebelumnya mereka menggunakan Analisis Faktor dan Reliabilitas dalam SPSS untuk melakukan pengurangan jumlah variabel indikator dalam masing-masing variable laten. Butir-butir dalam survey B menghasilkan 4513 tanggapan yang terdiri atas 1624 pemilik Motor DirtyScooter dan 2889 pemilik motor TrailBombers.2 DMC melakukan penyederhanaan SEM yang merefleksikan hubungan-hubungan yang ada dalam semua variable laten. 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. Data yang dimasukkan berupa matriks varian / kovarian untuk semua variabel indikator. Dalam analisisnya DMC mempunyai asumsi bahwa sampel belum pasti berasal dari populasi multivariat yang berdistribusi normal. Itulah sebabnya DMC menggunakan metode estimasi “asymptotically distribution free” (ADF) yang dideskripsikan oleh Browne (1984), sebagai ganti penggunaan maximum likelihood . Pendekatan lainnya mereka menggunakan Amos untuk melakukan bootstrapping . Diagram jalur model akhir yang dikembangkan dalam Amos akan terlihat seperti dalam gambar 1.1 di bawah ini. Kita dapat melihat bahwa variable kualitas mempunyai lima indikator, nilai mempunyai tiga dan kualitas layanan mempunyai empat indikator. Variabel laten “val_err” merupakan residu untuk persamaan struktural variable laten nilai. Persamaan ini mencakup semua variabel laten produk dan layanan yang digunakan sebagai predictor. 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.
Catatan :
Bagi yang sudah mengenal Path Analysis / Analsis Jalur akan lebih mudah memahami ini. SEM merupakan pengembangan dari Analysis Jalur sedang Analisis Jalur merupakan pengembangan dari analisis regresi berganda)
Gambar 1.1 Diagram Jalur untuk Model Nilai (Value).
Gambar di atas mempunyai maksud sebagai berikut: Angka statistik keselarasan Root Mean Square Error of Approximation (RMSEA) untuk model adalah sebesar 0.062. Angka ini lebih kecil dari angka kriteria yang diusulkan oleh Browne dan Cudeck (1993) sebesar 0,08. Jika angka RMSEA ≤ 0,08 maka kecocokan model dapat diterima. 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. Model ini kemudian dicabangkan didalam model berikutnya sebagai mana terlihat dalam gambar di atas. Perbedaan antara nilai statistik chi square (χ 2) untuk kedua model ini ialah sebesar 200,01 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. Dengan menggunakan angka-angka tersebut, model yang dibuat sudah cocok dengan seluruh sampel.
Berkaitan dengan rumusan masalah yang ada, yaitu apakah koefesien-koefesien jalur untuk kualitas produk dan layanan berbeda pada semua segmen konsumen; maka jawabannya ialah dengan cara mencocokan model-model untuk kedua segmen secara terpisah, tetapi dengan tetap mengendalikan agar koefesien yang berhubungan tetap sama. Kemudian membandingkan hasil-hasilnya dengan cara mencocokkan dua data segmen tanpa mengendalikan koefesien-koefesiennya. Amos memungkinkan kita melakukan pencocokan model- model untuk dua atau lebih kelompok secara bersamaan dan membuat ringkasan seberapa cocoknya semuanya dengan nilai statistik chi square (χ 2).
Ada masalah lain muncul jika analisis dilanjutkan dengan cara ini. Model ini tidak akan memungkinkan adanya perbedaan dalam segmen-segmen yang diteliti. 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. Sebagai contoh kita membuat asumsi bahwa bentuk model yang sama akan cocok untuk kedua kelompok. Sekalipun demikian kita perlu mempertanyakan apakah maknanya jika model-model pengukuran tersebut sama?. Jöreskog (1971) menyebut sebagai co-generic test — , yaitu dua co-generic tests mempunyai loadings yang sama untuk semua variabel yang diukur namun varian kesalahan (error variances )dapat berbeda. Dalam kasus ini kita dapat meminta Amos melakukan pengujian secara bersamaan dengan menggunakan data yang ada. Untuk melakukan itu, aplikasikan kedua kelompok yang diteliti. Dalam satu analisis mengendalikan loading untuk masing-masing variabel indikator, sehingga semua loading menjadi sama untuk kedua kelompok tersebut. Dalam analisis kedua, ijinkan semua loading menjadi berbeda. Kemudian bandingkan hasil-hasil dalam model-model cabang. Dengan menggunakan prosedur ini maka hipotesis yang mengatakan bahwa loading-loading sama dalam dua segmen pemilik perusahaan ditolak. 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. Akan lebih bermakna jika kita membandingkan kekuatan (magnitude) loading untuk semua kelompok untuk mengetahui berapa besar perbedaan-perbedaan absolut ada. Dengan tersedianya ukuran sampel yang besar dalam kedua kelompok yang diteliti, maka pengujian perbedaan akan menjadi sangat bermakna. Dalam kasus DMC, mereka menemukan segmen-segmen berbeda dalam kaitannya dengan cara kerja pengukuran yang dilakukan oleh mereka. Tentunya perbedaan ini akan menyebabkan adanya implikasi yang strategis. Jika peneliti hanya mengkorelasikan nilai-nilai yang sudah dihitung dari pengkuruan-pengkuruan tersebut; kemudian membandingkan korelasi-korelasi tersebut disemua segmen, maka mereka sama dengan membandingkan apel dan jeruk yang jelas berbeda. Oleh karena itu,
salah satu keuntungan menggunakan Amos ialah dapat menggunakan SEM sesuai dengan data yang ada.
1.4.2 Riset Kedua: Brand halos dan Evaluasi Brand Riset kedua ini mengkaji masalah kesan umum kosnumen atau yang dikenal dengan istilah “ Brand Halo”. Menurut Dillon, Kumar, 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. Selain dapat merefleksikan kinerja yang dirasakan penilaian atribut brand dapat juga mencakup kesan umum atau “brand halo”. ” 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. Efek ‘halo’ tidak harus sama dengan brand yang berkompetisi. Itulah sebabnya masalah ‘halo’ menarik dan penting bagi para pemasar. Dillon dan kawan-kawan . (1996) menggambarkan pengaruh “halo” dalam berbagai macam model. Dalam contoh berikut ini, kita akan menganalisis variasi dari model additive (model yang tidak ada efek interaktifnya). Dalam model ini, masing-masing penilaian brand merupakan kombinasi linier yang berbobot (weighted linear combination) dari suatu nilai faktor brand umum dan kesalahan pengukuran.. Pembobotan ini merupakan factor loadings. 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; serta untuk mengetahui besar yang disebabkan oleh brand halo tersebut.. Pada gambar 1.2 di bawah ini akan dideskripsikan suatu diagram jalur untuk penilaian tunggal hasil riset dalam model tersebut. Gambar tersebut menerangkan bahwa masing-masing penilaian brand mengkombinasikan pengaruh variabel-variabel brand impression, perceived performance, dan kesalahan (error ). Sedang “x” dan “y” mewakili Loading yang memerlukan adanya estimasi. Dalam studi ini skala error term sudah disamakan dalam penilaiannya. Dua belas pertanyaan diberikan kepada responden dalam riset A, yaitu DirtyScooter dan TrailBomber. Enam dari 12 pertanyaan berkaitan dengan kinerja sepeda motor, dan 6 pertanyaan lainnya mengenai kualitas “ fit and finish”, misalnya mengenai perakitan dan pengecatan.
Gambar 1.2 Diagram Jalur untuk Penilaian Brand Tunggal
Untuk diagram jalur model Brand Halo awal dapat dilihat pada gambar 1.3 I bawah ini.
Gambar 1.3 Diagram Jalur untuk Model Brand Halo Awal
Pada gambar di atas semua varian brand dan faktor-faktor atribut sudah dikendalikan menjadi sebesar 1. Kesalahan (error ), atau keunikan seperti, “dr,” “tr,” dan seterusnya, tidak dapat dikorelasikan. Faktor-faktor brand dan atribut juga tidak boleh dihitung kovariannya. Ada kemungkinan bagi kita untuk mencocokkan model additive dengan hanya menggunakan model penilaian tungal untuk masing-masing atribut dan brand. Akan terdapat dua kali lipat faktor pada penilaian-penilaian yang dilakukan. Dan masing-masing penilaian akan tergantung pada pasangan unik brand beserta faktor-faktor atribut. Dillon dan kawan kawan (1996) memberikan contoh untuk model ini. Pada dasarnya model halo adalah semacam model psychometric “multi-trait/multi-method ” (MTMM). Model-model MTMM pada umumnya cocok untuk matrik-matrik korelasi. Model-model tersebut rawan bagi identifikasi masalah-masalah menurut Wothke (1996). Masalah-masalah tersebut biasanya memberikan pemecahan sendiri dengan cara menghasilkan nilai-nilai negatif untuk varian-varian yang diprediksi, atau dengan cara mencocokkan program, yaitu tidak berpusat pada pemecahannya melainkan walau sudah melalui iterasi yang banyak. Model dalam Gambar 1.3 di atas mempunyai jenis under-identification yang lain. Tanda-tanda loading tergantung pada apa yang dikendalikan untuk menyusun skala semua faktor. Model ini rawan terhadap under-identification yang sama dengan model-model faktor yang memiliki lebih dari satu faktor yang mempengaruhi pengukuran yang sedang dilakukan. Pada kasus ini ukuran loading dalam kondisi under-identification yang bukan
merupakan masalah yang melemahkan. Beberapa variasi yang terdapat dalam gambar di atas, modelnya dianalisis menggunakan metode estimasi ADF. Jika dilihat maka keluaran Amos menunjukkan loading segmen TrailBomber dahulu dan kedua baru penilaian kualitas yang tidak berbeda dari nol. Indeks-indeks modifikasi dalam Amos menunjukkan kecocokan model yang dapat diperbaiki dengan cara menganalisis korelasi untuk faktor-faktor brand, dan dengan mengkorelasikan semua faktor atribut. Dengan melakukan korelasi tersebut, kita akan memperoleh makna. Secara umum, akan terdapat perbedaan individu mengenai seberapa besar konsumen-konsumen tergantung pada kesan terhadap brand. Seberapa besar pengaruh kesan terhadap brand bagi setiap konsumen akan dapat dikorelasikan dengan pengaruh kesan terhadap brand lainnya. Korelasi yang diestimasikan antara faktor-faktor brand adalah sebesar 0,193. Melakukan korelasi antara kinerja dan faktor-faktor kualitas akan memungkinkan pula. Korelasi tersebut akan memungkinkan persepsi pelanggan terhadap kualitas dan kinerja menjadi terkait. Sekalipun demikian angka korelasi hanya sebesar 0,179, angka ini menunjukkan korelasi yang sangat kecil. Hasil tersebut memunculkan keraguan apakah pengukuran hal yang sama sudah dilakukan.. 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, mencocokkan ulang model tersebut, dan kemudian membandingkan model yang sudah dicocokkan ulang tersebut dengan versi yang tidak dikendalikan. Kesimpulan dalam penelitian ini ialah bahwa penilaian kinerja untuk DirtyScooter lebih dipengaruhi oleh brand daripada oleh penilaian kinerja TrailBomber. Untuk penilaian kualitas akan menjadi kebalikannya. Kedua kesimpulan ini berasumsi model sudah benar. 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.
1.5 Ringkasan
Amos merupakan program khusus yang digunakan dalam analisis persamaan struktural (Structural Equation Model) atau dikenal sebagai SEM. 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.
1.6 Konsep-Konsep yang Harus Dipahami
• • •
Analisis of Moment Structures Structural Equation Model Model Analisis
1.7 Latihan dan Tugas
1. 2. 3. 4. 5.
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?
