Software AMOS

1. Pengertian Amos

Amos adalah singkatan dari Analysis of Moment Structures (analisis struktur momen). Nama lengkap produknya sekarang IBM SPSS Amos. Amos merupakan perangkat lunak untuk SEM berbasis kovarians (covariance-based SEM, CB-SEM) yang dapat dipakai untuk:

analisis faktor konfirmatori (CFA);
analisis jalur (path analysis);
SEM penuh dengan variabel laten;
analisis mediasi;
analisis multigrup dan pengujian invariansi pengukuran;
model kurva pertumbuhan laten;
estimasi Bayesian.

Amos dijalankan lewat dua cara. Cara pertama, dan yang paling umum, adalah Amos Graphics, yaitu antarmuka gambar untuk menyusun diagram jalur. Cara kedua adalah pemrograman lewat sintaks (VB.NET atau C#) bagi pengguna yang ingin mengotomatiskan analisis.

Amos bersifat komersial berlisensi dan dikembangkan untuk sistem operasi Windows. Perangkat lunak ini bekerja berdampingan dengan IBM SPSS Statistics: data biasanya disiapkan di SPSS dalam berkas .sav, lalu dianalisis di Amos.

2. Sejarah Singkat

Amos dikembangkan oleh James L. Arbuckle. Pada awalnya, Amos dipasarkan oleh perusahaan SmallWaters Corporation sejak pertengahan 1990-an. Inovasi utamanya adalah antarmuka yang memungkinkan pengguna menggambar model langsung sebagai diagram jalur, sesuatu yang saat itu masih jarang, karena perangkat lunak SEM lain umumnya menuntut penulisan sintaks yang rumit.

Kemudian hak atas Amos berpindah ke SPSS Inc., lalu ke IBM setelah IBM mengakuisisi SPSS pada tahun 2009. Sejak itu, produk ini bernama IBM SPSS Amos. Pembaruannya dirilis berkala, dan cakupannya kini mencakup estimasi Bayesian serta berbagai fitur pemodelan lanjutan. Periksa situs resmi IBM untuk versi dan fitur terbaru.

3. Alasan Memilih Amos

Antarmuka gambar yang intuitif. Model disusun dengan menggambar kotak, elips, dan panah. Pengguna yang belum mahir menulis sintaks tetap dapat membangun model.

Diagram jalur sekaligus sebagai hasil. Setelah dihitung, angka koefisien muncul langsung pada gambar sehingga hasil mudah dilihat dan disalin ke naskah.

Terintegrasi dengan SPSS. Data dari SPSS dapat langsung dihubungkan ke Amos.

Lengkap untuk CB-SEM. Tersedia indeks kecocokan model, indeks modifikasi, bootstrap, analisis multigrup, dan pengujian model bersarang.

Banyak dipakai dan banyak rujukan. Karena luas dipakai di kalangan akademik, tersedia banyak buku, jurnal, dan tutorial.

Mendukung data hilang. Amos dapat mengestimasi model dari data tidak lengkap dengan metode kemungkinan maksimum informasi penuh (full information maximum likelihood, FIML).

Cocok untuk menguji teori. CB-SEM sesuai ketika peneliti ingin menguji apakah model teoretis cocok dengan data.

4. Konsep Dasar SEM yang Perlu Dipahami

Menggunakan Amos tanpa memahami SEM sangat berisiko menghasilkan kesimpulan yang keliru. Bagian ini merangkum konsep pokoknya.

4.1 Variabel teramati dan variabel laten

Variabel teramati (observed variable) adalah variabel yang diukur langsung, misalnya jawaban pada satu butir kuesioner. Dalam diagram, digambarkan dengan persegi panjang.
Variabel laten (latent variable) adalah konsep yang tidak dapat diukur langsung dan dibentuk dari beberapa indikator, misalnya kepuasan pelanggan. Dalam diagram, digambarkan dengan elips atau lingkaran.
Galat (error) menggambarkan bagian variasi indikator yang tidak dijelaskan oleh variabel laten, atau variasi variabel terikat yang tidak dijelaskan model. Dalam diagram, digambarkan dengan lingkaran kecil bertanda e1, e2, dan seterusnya.

4.2 Model pengukuran dan model struktural

Model pengukuran menjelaskan hubungan antara variabel laten dan indikatornya. Pengujiannya dilakukan lewat analisis faktor konfirmatori (CFA).
Model struktural menjelaskan hubungan sebab-akibat antarvariabel laten (atau antarvariabel teramati pada analisis jalur).

Praktik yang dianjurkan adalah menguji model pengukuran terlebih dahulu. Jika pengukuran sudah baik, barulah model struktural diuji.

4.3 Arti simbol pada diagram jalur

Panah satu arah menyatakan pengaruh atau regresi, dari penyebab ke akibat.
Panah dua arah menyatakan kovarians atau korelasi tanpa arah sebab-akibat.
Persegi panjang menyatakan variabel teramati.
Elips menyatakan variabel laten.
Lingkaran kecil dengan panah menyatakan galat atau gangguan.

Variabel eksogen adalah variabel yang tidak dipengaruhi variabel lain dalam model (hanya mengeluarkan panah). Variabel endogen adalah variabel yang dipengaruhi variabel lain dalam model (menerima panah).

4.4 Jenis model yang dapat dianalisis

Analisis jalur: hubungan antarvariabel teramati tanpa variabel laten.
CFA: menguji apakah indikator benar-benar mengukur konstruk yang dimaksud.
SEM penuh: gabungan model pengukuran dan model struktural.
Model mediasi dan moderasi: menguji mekanisme dan kondisi pengaruh.
Model multigrup: membandingkan model antarkelompok.
Kurva pertumbuhan laten: menganalisis perubahan dari waktu ke waktu.

4.5 CB-SEM dan PLS-SEM

Amos memakai pendekatan CB-SEM yang berfokus pada kecocokan matriks kovarians model dengan data. Pendekatan lain, PLS-SEM (misalnya pada SmartPLS), berfokus pada prediksi dan lebih longgar terhadap asumsi distribusi serta ukuran sampel. Secara umum, CB-SEM lebih sesuai untuk pengujian teori dan pengukuran yang berorientasi refleksif, sedangkan PLS-SEM sering dipilih untuk tujuan prediktif, sampel kecil, atau model dengan indikator formatif. Pilihan sebaiknya mengikuti tujuan penelitian, bukan sekadar kemudahan.

4.6 Identifikasi model

Model harus teridentifikasi agar dapat diestimasi. Aturan dasarnya, jumlah parameter yang diestimasi tidak boleh melebihi jumlah informasi yang tersedia dalam data.

Jumlah informasi (distinct sample moments) pada variabel teramati sebanyak p dihitung dengan rumus p(p + 1) / 2.
Derajat bebas (df) sama dengan jumlah informasi dikurangi jumlah parameter yang diestimasi.
df sama dengan 0 berarti model tepat teridentifikasi (just-identified) dan selalu cocok sempurna, sehingga tidak dapat diuji.
df lebih dari 0 berarti model terlalu teridentifikasi (over-identified), dan inilah yang diinginkan.
df kurang dari 0 berarti model tidak teridentifikasi dan tidak dapat dihitung.

Setiap variabel laten juga memerlukan penetapan skala, umumnya dengan menetapkan satu bobot faktor indikatornya bernilai 1, atau menetapkan ragam variabel laten bernilai 1. Amos biasanya melakukannya otomatis saat indikator digambar. Sebaiknya setiap variabel laten memiliki paling sedikit tiga indikator.

4.7 Ukuran sampel

SEM memerlukan sampel yang relatif besar. Beberapa patokan yang lazim dikutip: minimal sekitar 100 sampai 200 responden, atau sekitar 5 sampai 10 responden untuk setiap parameter yang diestimasi. Model yang kompleks, data yang tidak normal, dan pengukuran yang lemah menuntut sampel lebih besar. Patokan ini bersifat pedoman, bukan aturan pasti.

5. Kebutuhan Sistem, Lisensi, dan Cara Memasang

5.1 Kebutuhan sistem

Amos berjalan pada Windows. Untuk komputer Mac, pengguna biasanya memakai mesin virtual atau komputer kampus. Persyaratan spesifik berbeda pada tiap versi, jadi periksa halaman resmi IBM sebelum memasang.

5.2 Lisensi

Amos berlisensi berbayar dan dijual sebagai produk tersendiri, sedangkan ketersediaannya pada paket IBM SPSS Statistics tertentu bergantung pada skema lisensi yang berlaku. Banyak perguruan tinggi memiliki lisensi institusi, sehingga mahasiswa dapat memakainya di laboratorium komputer atau lewat akun kampus. Tanyakan kepada bagian teknologi informasi kampus. Skema, harga, dan ketentuan masa percobaan atau edisi pendidikan dapat berubah, jadi periksa situs resmi IBM untuk informasi terbaru.

5.3 Langkah pemasangan (umum)

Peroleh berkas pemasang dan lisensi dari sumber resmi, yaitu situs IBM atau bagian teknologi informasi kampus.
Jalankan berkas pemasang, lalu ikuti petunjuk pada layar.
Aktifkan lisensi sesuai petunjuk yang diberikan.
Buka Amos melalui menu Start, lalu pilih IBM SPSS Amos dan Amos Graphics.

Gunakan perangkat lunak yang berlisensi. Perangkat lunak bajakan berisiko mengandung virus, tidak mendapat pembaruan, dan melanggar hukum hak cipta.

5.4 Alternatif gratis

Bagi yang tidak memiliki lisensi, terdapat pilihan gratis, antara lain paket lavaan pada bahasa R, modul SEM pada JASP dan jamovi, serta SmartPLS edisi terbatas untuk pendekatan PLS. Konsep SEM-nya sama, sedangkan cara kerjanya berbeda.

6. Mengenal Antarmuka Amos

Amos Graphics terdiri atas beberapa bagian utama:

Kotak alat (toolbox) di sisi kiri: kumpulan ikon untuk menggambar dan menyunting model, serta menjalankan analisis.
Panel format parameter: menampilkan pilihan tampilan, misalnya Unstandardized estimates dan Standardized estimates, serta daftar model dan kelompok.
Area gambar: kanvas tempat diagram jalur dibuat.
Bilah menu di atas: berisi File, Edit, View, Diagram, Analyze, Tools, Plugins, dan Help.

Nama dan letak ikon dapat berbeda antarversi. Jika ragu, arahkan kursor ke ikon untuk melihat namanya, atau gunakan menu di bagian atas.

Ikon dan menu yang paling sering dipakai

Draw observed variables: menggambar persegi panjang untuk variabel teramati.
Draw unobserved variables: menggambar elips untuk variabel laten.
Draw a latent variable or add an indicator to a latent variable: menggambar variabel laten lengkap dengan indikator dan galatnya. Klik berulang kali pada elips yang sama untuk menambah indikator.
Draw paths (single-headed arrow): panah pengaruh.
Draw covariances (double-headed arrow): panah kovarians atau korelasi.
Add a unique variable to an existing variable: menambah galat pada variabel.
List variables in data set: menampilkan daftar variabel dari berkas data untuk diseret ke dalam kotak.
Select data files: menghubungkan berkas data.
Analysis properties: pengaturan analisis.
Calculate estimates: menjalankan perhitungan.
View text: membuka keluaran teks lengkap.
View output path diagram: berpindah antara diagram masukan dan diagram hasil.
Object properties: mengubah nama, label, dan pembatasan parameter suatu objek.
Plugins: fitur bantu, misalnya Name Unobserved Variables, Draw Covariances, Standardized RMR, dan Pattern Matrix Model Builder.
Multiple-group analysis (menu Analyze): membuat model bersyarat untuk analisis multigrup.
Manage models: mengelola dan membandingkan beberapa model.

7. Menyiapkan Data untuk Amos

7.1 Format berkas

Format yang paling aman adalah .sav dari SPSS. Amos juga dapat membaca beberapa format lain, seperti Excel dan berkas teks, tetapi dukungan dapat berbeda antarversi. Cara paling aman adalah menyiapkan dan membersihkan data di SPSS, lalu menyimpannya sebagai .sav.

7.2 Menyusun data

Satu baris mewakili satu responden.
Satu kolom mewakili satu butir atau variabel.
Nama variabel singkat, tanpa spasi dan tanpa karakter khusus (misalnya KL1, KL2, KP1, KP2).
Pastikan semua butir bertipe numerik.
Amos hanya membaca variabel numerik, sedangkan variabel bertipe teks tidak dapat dipakai.

7.3 Persiapan sebelum analisis

Periksa data hilang. Tentukan pola dan jumlahnya. Amos dapat menangani data hilang lewat FIML, tetapi sebagian keluaran (misalnya indeks modifikasi) tidak tersedia pada data tidak lengkap.
Periksa kesalahan ketik dan nilai di luar rentang.
Balik skor butir yang bernada negatif (reverse coding) sebelum analisis.
Periksa pencilan multivariat dengan jarak Mahalanobis. Amos menyediakannya pada keluaran.
Periksa normalitas. Amos menampilkan kemencengan (skewness), keruncingan (kurtosis), dan kurtosis multivariat.
Periksa multikolinearitas. Korelasi antarvariabel yang terlalu tinggi (misalnya di atas 0,85 sampai 0,90) menandakan masalah.
Periksa ukuran sampel terhadap kompleksitas model.

7.4 Skala data

SEM standar mengasumsikan data kontinu dan mendekati normal. Butir berskala Likert dengan lima atau lebih kategori sering diperlakukan sebagai kontinu, dengan kehati-hatian. Untuk butir dengan sedikit kategori atau distribusi sangat miring, pertimbangkan metode estimasi lain atau bootstrap.

8. Tahapan Analisis SEM di Amos

Alur kerja yang lazim mengikuti enam tahap berikut.

Spesifikasi model. Rumuskan model berdasarkan teori: variabel laten, indikator, dan hubungan antarvariabel. Gambarkan diagram jalurnya sebelum membuka Amos.
Identifikasi model. Pastikan df model lebih dari 0 dan setiap variabel laten memiliki skala serta indikator memadai.
Estimasi. Hubungkan data, atur properti analisis, lalu hitung.
Evaluasi model. Periksa validitas hasil (tidak ada nilai tak wajar), kecocokan model, serta bobot faktor dan koefisien jalur.
Modifikasi model (bila perlu). Perbaiki model berdasarkan indikasi yang masuk akal secara teori.
Interpretasi dan pelaporan. Tafsirkan hasil dalam konteks penelitian dan laporkan secara transparan.

9. Tutorial Analisis di Amos

9.1 Membuka Amos dan menghubungkan data

Buka Amos Graphics dari menu Start.
Pilih File > Data Files (atau ikon Select data files).
Klik File Name, pilih berkas .sav, lalu klik Open.
Klik View Data bila ingin memeriksa isi data, kemudian OK.
Simpan diagram lebih dulu dengan File > Save As, dengan nama berkas dan lokasi yang mudah diingat.

Simpan berkas diagram (.amw) di folder yang sama dengan berkas data agar hubungan berkas tidak putus.

9.2 Menggambar model pengukuran (CFA)

Misalkan konstruk Kualitas Layanan memiliki empat indikator (KL1 sampai KL4).

Klik ikon Draw a latent variable or add an indicator to a latent variable.
Klik pada kanvas, tahan, lalu seret untuk membuat elips.
Klik pada elips tersebut sebanyak empat kali untuk menambah empat indikator lengkap dengan galatnya. Amos otomatis menetapkan bobot faktor pertama bernilai 1.
Bila arah indikator perlu diubah, gunakan ikon Rotate, atau Reflect untuk membalik letak indikator.
Klik ikon List variables in data set, lalu seret nama variabel (KL1 sampai KL4) ke masing-masing persegi panjang.
Beri nama variabel laten dengan mengeklik ganda elips, pilih tab Text, lalu ketik nama pada Variable name.
Beri nama galat memakai Plugins > Name Unobserved Variables agar galat otomatis bernama e1, e2, dan seterusnya.

Untuk model dengan beberapa konstruk, ulangi langkah tersebut untuk setiap konstruk. Lalu hubungkan setiap pasangan konstruk dengan panah dua arah. Cara cepat: Plugins > Draw Covariances, lalu sorot seluruh variabel laten.

9.3 Mengatur properti analisis

Klik ikon Analysis properties, lalu atur beberapa tab.

Tab Estimation:

Pilih metode estimasi. Metode bawaan adalah Maximum likelihood (ML) yang paling sering dipakai, dengan asumsi data normal multivariat. Metode lain tersedia, seperti Generalized least squares, Unweighted least squares, dan Asymptotically distribution-free.
Centang Estimate means and intercepts bila data hilang perlu ditangani lewat FIML, atau bila menguji rerata (misalnya invariansi skalar).

Tab Output:

Standardized estimates: koefisien terstandar.
Squared multiple correlations: besar ragam yang dijelaskan (R²).
Modification indices: saran perbaikan model.
Residual moments: residu kovarians.
Indirect, direct & total effects: efek langsung, tidak langsung, dan total (penting untuk mediasi).
Tests for normality and outliers: uji normalitas dan pencilan.

Tab Bootstrap (bila diperlukan):

Centang Perform bootstrap dan isi jumlah sampel bootstrap (misalnya 2.000).
Centang Bias-corrected confidence intervals dan atur tingkat kepercayaan, misalnya 95.

9.4 Menjalankan analisis dan membaca hasil awal

Klik ikon Calculate estimates.
Bila muncul pesan galat atau peringatan, baca pesannya (lihat bagian pemecahan masalah).
Klik ikon View the output path diagram untuk melihat hasil pada gambar.
Pilih Unstandardized estimates atau Standardized estimates pada panel format parameter untuk berpindah tampilan.
Klik View Text untuk membuka keluaran lengkap.

Tips menampilkan kecocokan model pada gambar. Gunakan Diagram > Figure Caption, lalu ketik keterangan dengan kode bawaan, misalnya:

Chi-square = \cmin, df = \df, p = \p
CMIN/DF = \cmindf, RMSEA = \rmsea

Ketika hasil ditampilkan, kode itu berganti menjadi angka sebenarnya.

9.5 Menilai kecocokan model

Kecocokan model dinilai dengan beberapa indeks. Gunakan beberapa indeks sekaligus, bukan satu saja.

Chi-kuadrat (CMIN) dan nilai p: idealnya tidak signifikan (p lebih besar dari 0,05). Namun, uji ini sangat sensitif terhadap ukuran sampel, dan pada sampel besar model yang baik pun sering ditolak.
CMIN/DF (khi-kuadrat relatif): umumnya di bawah 3 dianggap baik, sedangkan sebagian peneliti menerima hingga 5.
RMSEA: sekitar 0,06 atau kurang dianggap baik, dan sampai 0,08 dianggap memadai. Amos juga menampilkan PCLOSE, yang idealnya lebih besar dari 0,05.
SRMR: 0,08 atau kurang dianggap baik. Di Amos, hitung lewat Plugins > Standardized RMR setelah model dijalankan.
CFI dan TLI: sekitar 0,95 atau lebih dianggap baik, dan sekitar 0,90 atau lebih dianggap memadai.
IFI, NFI, dan RFI: 0,90 atau lebih dianggap memadai. NFI cenderung bias pada sampel kecil.
GFI dan AGFI: sering dilaporkan dengan patokan 0,90, tetapi banyak ahli kini tidak lagi menyarankannya karena sensitif terhadap ukuran sampel.
AIC, BCC, BIC, dan ECVI: dipakai untuk membandingkan beberapa model. Nilai yang lebih kecil menunjukkan model yang lebih baik. Nilainya tidak bermakna sendirian.

Pada keluaran Amos, indeks tampil untuk tiga model: Default model (model Anda), Saturated model (model dengan kecocokan sempurna, df = 0), dan Independence model (model tanpa hubungan antarvariabel). Fokuskan perhatian pada baris Default model.

Patokan di atas berasal dari literatur (misalnya Hu dan Bentler, 1999) dan bukan aturan mutlak. Ambang batas dapat berbeda menurut kompleksitas model, ukuran sampel, dan bidang ilmu.

9.6 Memperbaiki model

Bila kecocokan model belum memadai:

Periksa bobot faktor terstandar. Indikator dengan bobot di bawah sekitar 0,50 (idealnya 0,70 ke atas) tergolong lemah dan dapat dipertimbangkan untuk dikeluarkan.
Periksa nilai C.R. (critical ratio). Bobot dengan nilai mutlak C.R. di bawah 1,96 tidak signifikan pada taraf 5 persen.
Periksa residu terstandar. Nilai mutlak di atas sekitar 2,58 menunjukkan bagian yang tidak cocok.
Periksa indeks modifikasi (MI). Nilai MI yang besar (Amos menampilkan nilai di atas ambang bawaan 4) menyarankan penambahan hubungan, biasanya kovarians antargalat.
Perbaiki secara bertahap. Ubah satu hal dalam satu waktu, jalankan ulang, lalu periksa hasilnya.

Peringatan penting. Kovarians antargalat hanya boleh ditambahkan bila masuk akal secara teori dan isi butir, misalnya dua butir yang bunyinya hampir sama. Menambah hubungan semata-mata demi memperbaiki angka membuat model sesuai dengan data tertentu (overfitting), tetapi tidak dapat dipertanggungjawabkan secara ilmiah. Laporkan semua modifikasi yang dilakukan beserta alasannya.

9.7 Menguji validitas dan reliabilitas konstruk

Validitas konvergen. Indikator suatu konstruk seharusnya saling berkaitan kuat. Kriterianya:

Bobot faktor terstandar 0,50 ke atas, idealnya 0,70 ke atas, dan signifikan.
Average Variance Extracted (AVE) 0,50 ke atas.

Reliabilitas konstruk. Diukur dengan Composite Reliability (CR), dengan patokan 0,70 ke atas.

Rumusnya, dengan λ sebagai bobot faktor terstandar dan n sebagai jumlah indikator:

CR  = (Σλ)² / [ (Σλ)² + Σ(1 − λ²) ]
AVE = Σλ² / n

Nilai 1 − λ² merupakan ragam galat terstandar tiap indikator. Perhitungannya dapat dilakukan di lembar kerja Excel atau kalkulator dengan mengambil bobot faktor terstandar dari keluaran Amos.

Validitas diskriminan. Setiap konstruk seharusnya berbeda dari konstruk lain. Cara yang lazim:

Kriteria Fornell-Larcker: akar AVE setiap konstruk lebih besar daripada korelasinya dengan konstruk lain.
Korelasi antarkonstruk tidak terlalu tinggi (misalnya di bawah sekitar 0,85).
Cara lain yang kini banyak dianjurkan adalah HTMT (heterotrait-monotrait ratio). Amos tidak menghitungnya secara langsung, sehingga pengguna memakai alat bantu tambahan.

Beberapa peneliti membagikan alat bantu gratis (misalnya lembar kerja Excel) untuk menghitung CR, AVE, dan validitas diskriminan dari keluaran Amos. Alat itu bukan bagian resmi Amos, jadi periksa reputasi sumbernya dan verifikasi hasilnya.

Reliabilitas alfa Cronbach juga dapat dihitung di SPSS sebagai pelengkap.

9.8 Analisis jalur dan SEM penuh (model struktural)

Analisis jalur (variabel teramati):

Gambar persegi panjang untuk setiap variabel.
Hubungkan variabel dengan panah satu arah sesuai teori.
Tambahkan galat pada setiap variabel endogen (Add a unique variable).
Beri nama, hubungkan data, atur keluaran, lalu jalankan.

SEM penuh (variabel laten):

Bangun model pengukuran seperti pada CFA (bagian 9.2).
Hapus panah dua arah antarkonstruk yang seharusnya berhubungan sebab-akibat, lalu ganti dengan panah satu arah dari konstruk penyebab ke konstruk akibat.
Tambahkan galat struktural (disturbance, biasanya z1, z2, dan seterusnya) pada setiap variabel laten endogen.
Konstruk eksogen yang berhubungan tetap dihubungkan dengan panah dua arah.
Jalankan model dan evaluasi kecocokan serta koefisien jalur.

Membaca koefisien jalur. Pada tabel Regression Weights, perhatikan:

Estimate: koefisien tak terstandar.
S.E.: galat baku.
C.R.: nilai kritis (estimasi dibagi S.E.). Nilai mutlak di atas 1,96 menandakan signifikan pada taraf 5 persen.
P: nilai p. Tanda *** berarti p kurang dari 0,001.

Gunakan Standardized Regression Weights untuk membandingkan kekuatan pengaruh antarjalur, dan Squared Multiple Correlations untuk mengetahui besar ragam yang dijelaskan (R²) pada tiap variabel endogen.

9.9 Analisis mediasi dengan bootstrap

Mediasi berarti variabel bebas (X) memengaruhi variabel terikat (Y) melalui variabel perantara (M).

Bangun model X → M → Y, disertai jalur langsung X → Y.
Pada Analysis properties, tab Output, centang Indirect, direct & total effects.
Pada tab Bootstrap, centang Perform bootstrap, isi jumlah sampel (misalnya 2.000), dan centang Bias-corrected confidence intervals.
Jalankan model.
Buka View Text, lalu telusuri bagian Matrices untuk efek total, langsung, dan tidak langsung, serta bagian Bootstrap Confidence dengan metode bias-corrected percentile untuk batas bawah dan atas selang kepercayaan efek tidak langsung, berikut nilai p dua sisi.
Efek tidak langsung signifikan bila selang kepercayaannya tidak memuat nol (atau nilai p kurang dari 0,05).

Tafsiran umum:

Efek tidak langsung signifikan dan efek langsung tidak signifikan: mediasi penuh (full mediation).
Efek tidak langsung signifikan dan efek langsung tetap signifikan: mediasi parsial (partial mediation).
Efek tidak langsung tidak signifikan: tidak ada mediasi.

Untuk efek tidak langsung tertentu pada model yang rumit, gunakan Plugins > User-defined estimands agar Amos menghitungnya berikut selang kepercayaan bootstrap.

9.10 Analisis moderasi

Moderasi berarti kekuatan hubungan X dan Y bergantung pada variabel lain (W). Ada dua pendekatan umum:

Moderator kategorik (misalnya jenis kelamin atau jenis usaha): gunakan analisis multigrup (bagian 9.11), lalu bandingkan koefisien jalur antarkelompok.
Moderator kontinu: buat variabel interaksi di SPSS dengan mengalikan X dan W yang sudah dipusatkan pada rerata (mean-centering) untuk mengurangi multikolinearitas. Masukkan variabel interaksi ke model sebagai variabel eksogen tambahan yang berkovarians dengan X dan W. Pada model dengan variabel laten, pendekatan interaksi lebih rumit, dan banyak peneliti memakai perangkat lunak atau pendekatan lain.

9.11 Analisis multigrup dan invariansi pengukuran

Digunakan untuk membandingkan model antarkelompok, misalnya laki-laki dan perempuan, atau dua wilayah.

Pastikan data memiliki variabel pengelompok.
Pada Analyze > Manage Groups, tambahkan kelompok dan beri nama.
Pada File > Data Files, hubungkan data untuk setiap kelompok. Klik Grouping Variable, pilih variabel pengelompok, lalu Group Value untuk masing-masing kelompok.
Bangun model yang sama untuk kedua kelompok.
Pilih Analyze > Multiple-Group Analysis agar Amos membuat serangkaian model dengan pembatasan bertingkat.
Jalankan dan bandingkan model.

Tahap uji invariansi pengukuran:

Konfigural: struktur model yang sama pada semua kelompok.
Metrik (measurement weights): bobot faktor sama antarkelompok.
Skalar (memerlukan estimasi rerata dan intersep): intersep indikator sama antarkelompok.
Residual (opsional): ragam galat sama.

Bandingkan model bersarang lewat uji selisih khi-kuadrat, atau lewat selisih CFI. Selisih CFI yang tidak melebihi sekitar 0,01 sering dianggap menunjukkan invariansi terpenuhi. Bila invariansi metrik tercapai, perbandingan koefisien jalur antarkelompok lebih dapat dipertanggungjawabkan.

9.12 Membandingkan model bersarang

Dua model bersarang bila model yang satu merupakan versi lebih terbatas dari model lainnya.

Gunakan Manage Models untuk membuat beberapa model dengan pembatasan berbeda, misalnya dengan menetapkan dua koefisien sama besar lewat Object properties > Parameter (beri nama parameter yang sama).
Jalankan analisis. Amos menampilkan perbandingan model.
Periksa Model Comparison, khususnya selisih khi-kuadrat (ΔCMIN), selisih df, dan nilai p.
Selisih signifikan berarti pembatasan memperburuk kecocokan secara nyata.

Untuk model yang tidak bersarang, bandingkan AIC, BIC, atau ECVI. Nilai lebih kecil menunjukkan model yang lebih baik.

9.13 CFA orde kedua

Digunakan bila beberapa konstruk orde pertama diyakini mencerminkan satu konstruk yang lebih umum, misalnya beberapa dimensi kualitas layanan yang membentuk satu kualitas layanan menyeluruh.

Gambar konstruk orde pertama beserta indikatornya.
Gambar konstruk orde kedua, lalu hubungkan dengan panah satu arah ke setiap konstruk orde pertama.
Tambahkan galat pada konstruk orde pertama, dan pastikan setiap konstruk memiliki skala yang tertentu.
Jalankan dan periksa bobot faktor pada kedua tingkat.

9.14 Data hilang

Bila data mengandung sel kosong, pilih Estimate means and intercepts agar Amos memakai FIML.
Beberapa keluaran, seperti indeks modifikasi dan sebagian uji pencilan, tidak tersedia pada data tidak lengkap.
Alternatifnya, tangani data hilang di SPSS lebih dulu (misalnya imputasi berganda), lalu analisis data lengkapnya. Pilih cara yang sesuai kondisi data dan laporkan pilihan itu.

9.15 Estimasi Bayesian

Amos menyediakan estimasi Bayesian yang berguna untuk sampel kecil, model kompleks, atau data ordinal. Pendekatan ini menghasilkan distribusi posterior parameter beserta selang kredibel. Fitur ini memerlukan pemahaman konsep Bayesian, seperti prior, konvergensi rantai, dan nilai kecocokan posterior. Bagi pemula, kuasai dahulu estimasi kemungkinan maksimum sebelum beralih ke pendekatan ini.

9.16 Model kurva pertumbuhan laten

Digunakan untuk mempelajari pola perubahan suatu variabel pada beberapa waktu pengukuran. Model memiliki dua variabel laten, yaitu intersep dan kemiringan, dengan bobot faktor pada kemiringan ditetapkan sesuai jarak waktu pengukuran. Fitur ini termasuk lanjutan dan memerlukan data longitudinal.

10. Membaca Keluaran Teks

Klik View Text untuk membuka keluaran lengkap. Panel navigasi di sisi kiri memuat bagian-bagian berikut:

Analysis Summary: ringkasan analisis dan tanggal proses.
Notes for Group: catatan tentang model, misalnya jumlah momen sampel, jumlah parameter, dan derajat bebas. Baris ini menegaskan apakah model teridentifikasi.
Variable Summary: daftar variabel teramati dan tak teramati, serta variabel endogen dan eksogen.
Parameter Summary: rincian jumlah parameter yang tetap, diberi label, dan bebas.
Assessment of Normality: kemencengan dan keruncingan tiap variabel beserta nilai C.R., serta kurtosis multivariat. Nilai kurtosis multivariat C.R. yang besar (misalnya di atas 5) menandakan distribusi tidak normal multivariat. Sebagai patokan longgar, kemencengan dalam kisaran ±2 dan keruncingan dalam kisaran ±7 sering dianggap masih dapat diterima, tetapi patokan berbeda menurut ahli.
Observations Farthest from the Centroid (Mahalanobis distance): menunjukkan pencilan multivariat. Nilai p2 yang sangat kecil (misalnya di bawah 0,001) menandakan pencilan yang perlu diperiksa.
Estimates: berisi Scalars (bobot regresi, kovarians, ragam), Matrices (residu, efek), Modification Indices, dan hasil Bootstrap bila diminta.
Model Fit: seluruh indeks kecocokan.
Execution time: lama proses.

Perhatikan pula pesan yang muncul pada bagian Notes for Model, misalnya bila hasil tidak wajar seperti ragam negatif.

11. Melaporkan Hasil

11.1 Yang perlu dilaporkan

Ukuran sampel dan penanganan data hilang serta pencilan.
Metode estimasi dan perangkat lunak beserta nomor versinya.
Hasil uji normalitas.
Indeks kecocokan: khi-kuadrat dengan df dan nilai p, CMIN/DF, CFI, TLI, RMSEA (beserta selang kepercayaan bila ada), dan SRMR.
Bobot faktor terstandar, CR, dan AVE tiap konstruk.
Koefisien jalur terstandar, nilai C.R. atau p, dan R².
Semua modifikasi model beserta alasannya.
Untuk mediasi: efek tidak langsung dan selang kepercayaan bootstrap.

11.2 Contoh kalimat pelaporan

Angka di bawah hanyalah ilustrasi format. Ganti dengan hasil nyata dari data Anda.

Kecocokan model:

"Model pengukuran menunjukkan kecocokan yang baik, χ²(84) = 112,40; p = 0,020; CMIN/DF = 1,34; CFI = 0,97; TLI = 0,96; RMSEA = 0,04; SRMR = 0,05."

Validitas dan reliabilitas:

"Seluruh bobot faktor terstandar berkisar antara 0,68 dan 0,87 dan signifikan pada taraf 0,001. Nilai CR seluruh konstruk berkisar antara 0,82 dan 0,90, dan nilai AVE berkisar antara 0,54 dan 0,69, sehingga syarat validitas konvergen dan reliabilitas terpenuhi."

Pengaruh langsung:

"Kualitas layanan berpengaruh positif dan signifikan terhadap kepuasan (β = 0,58; C.R. = 7,92; p < 0,001) dan menjelaskan 34 persen ragam kepuasan (R² = 0,34)."

Mediasi:

"Efek tidak langsung kualitas layanan terhadap loyalitas melalui kepuasan sebesar 0,31 dengan selang kepercayaan bootstrap 95 persen [0,19; 0,45] yang tidak memuat nol, sehingga kepuasan memediasi hubungan tersebut."

11.3 Menyalin hasil ke naskah

Diagram: gunakan Edit > Copy (to Clipboard) lalu tempelkan ke pengolah kata, atau simpan dalam format gambar melalui menu File.
Teks keluaran: sorot bagian yang diperlukan lalu salin.
Tabel: susun ulang angka dari keluaran ke dalam tabel Anda sendiri di pengolah kata sesuai gaya penulisan institusi.

12. Studi Kasus

Situasi. Seorang peneliti ingin menguji apakah kualitas layanan (KL) memengaruhi loyalitas nasabah (LY), baik secara langsung maupun melalui kepuasan (KP). Data dikumpulkan dari 250 nasabah dengan kuesioner skala Likert lima poin. KL diukur dengan empat butir, KP dengan tiga butir, dan LY dengan tiga butir.

Langkah analisis:

Persiapan data di SPSS. Periksa data hilang dan salah ketik, balik skor butir negatif, dan simpan sebagai .sav.
Pemeriksaan awal. Periksa kemencengan, keruncingan, dan pencilan multivariat pada keluaran Amos.
Model pengukuran (CFA). Gambar tiga variabel laten beserta indikatornya, hubungkan dengan panah dua arah, jalankan, dan evaluasi kecocokan.
Perbaikan bila perlu. Buang indikator dengan bobot faktor sangat rendah, atau tambahkan kovarians galat bila masuk akal secara teori.
Validitas dan reliabilitas. Hitung CR dan AVE serta periksa validitas diskriminan.
Model struktural. Ganti panah dua arah dengan panah satu arah: KL → KP, KP → LY, dan KL → LY. Tambahkan galat struktural pada KP dan LY.
Mediasi. Aktifkan efek langsung, tidak langsung, dan total, serta bootstrap 2.000 sampel dengan selang kepercayaan terkoreksi bias.
Interpretasi. Nilai kecocokan model, signifikansi jalur, R², dan efek tidak langsung, lalu tafsirkan dalam konteks perbankan atau jasa yang diteliti.
Pelaporan. Sajikan diagram hasil, angka pada tabel, serta narasi yang menjelaskan temuan dan keterbatasan penelitian.

13. Perbandingan Amos dengan Perangkat Lunak Lain

13.1 Amos dan SmartPLS

Amos memakai CB-SEM yang berorientasi pada pengujian teori dan kecocokan model, dengan asumsi distribusi yang lebih ketat dan sampel yang lebih besar. SmartPLS memakai PLS-SEM yang berorientasi pada prediksi, lebih longgar terhadap distribusi dan ukuran sampel, serta mendukung indikator formatif dengan lebih baik.

13.2 Amos dan LISREL

LISREL merupakan salah satu perangkat lunak SEM tertua dan sangat bertenaga, tetapi awalnya bertumpu pada sintaks. Amos lebih mudah bagi pemula karena berbasis gambar.

13.3 Amos dan Mplus

Mplus sangat kuat untuk model lanjutan, seperti data kategorik, model campuran, dan model multilevel, tetapi berbasis sintaks dan lebih mahal. Amos lebih sederhana untuk model standar, tetapi lebih terbatas untuk model yang sangat kompleks.

13.4 Amos dan lavaan (R)

lavaan gratis, sangat fleksibel, dan menjadi pilihan riset modern, tetapi menuntut kemampuan menulis kode. Amos lebih mudah dijalankan tanpa pemrograman.

13.5 Amos dan JASP atau jamovi

Keduanya gratis dan memiliki modul SEM berbasis lavaan dengan antarmuka menu. Cocok sebagai alternatif untuk model dasar, meski fitur gambar interaktifnya tidak seleluasa Amos.

13.6 Amos dan SPSS

SPSS mengerjakan analisis dasar, seperti regresi, ANOVA, dan analisis faktor eksploratori, tetapi tidak menangani SEM. Keduanya saling melengkapi: data disiapkan di SPSS, model SEM dianalisis di Amos.

14. Kelebihan dan Kekurangan Amos

Kelebihan:

Antarmuka gambar yang mudah bagi pemula.
Hasil tampil langsung pada diagram jalur.
Terintegrasi dengan SPSS.
Fitur lengkap untuk CB-SEM, termasuk bootstrap, multigrup, dan estimasi Bayesian.
Menangani data hilang lewat FIML.
Banyak rujukan dan tutorial.

Kekurangan:

Berlisensi berbayar dan hanya untuk Windows.
Kurang cocok untuk data ordinal dengan sedikit kategori tanpa pendekatan khusus.
Tidak mendukung indikator formatif dengan baik.
Kurang fleksibel untuk model yang sangat kompleks, seperti multilevel penuh.
Beberapa perhitungan penting, seperti CR, AVE, dan HTMT, tidak tersedia langsung sehingga perlu dihitung manual atau dengan alat bantu.
Sumber belajar berbahasa Indonesia lebih terbatas dibandingkan SPSS.
Menggambar model besar dapat memakan waktu dan membuat diagram penuh sesak.

15. Kesalahan yang Sering Terjadi

Membangun model tanpa landasan teori, lalu menyesuaikan model sampai cocok dengan data.
Menambah kovarians antargalat secara berlebihan hanya demi menaikkan indeks kecocokan.
Melewatkan CFA dan langsung menguji model struktural.
Memakai indikator kurang dari tiga untuk satu variabel laten tanpa pertimbangan.
Menggunakan sampel terlalu kecil untuk model yang kompleks.
Mengabaikan normalitas dan pencilan, padahal ML mengandaikan data normal multivariat.
Hanya melihat satu indeks kecocokan, misalnya hanya nilai p khi-kuadrat.
Menafsirkan koefisien tak terstandar sebagai ukuran kekuatan pengaruh antarvariabel yang berbeda skala.
Tidak menguji mediasi dengan bootstrap, melainkan hanya mengandalkan uji parsial.
Menafsirkan kecocokan model baik sebagai bukti kebenaran teori. Model yang cocok hanya berarti konsisten dengan data, dan model lain mungkin cocok sama baiknya.
Lupa menyimpan berkas diagram dan data di folder yang sama, sehingga hubungan berkas terputus.
Tidak melaporkan modifikasi model dan keputusan analisis, sehingga hasil sulit dipertanggungjawabkan.

16. Pemecahan Masalah Umum

Pesan "model is probably unidentified" atau df negatif. Model memiliki terlalu banyak parameter. Periksa apakah setiap variabel laten sudah memiliki skala (satu bobot ditetapkan 1), tambahkan indikator, atau kurangi jumlah parameter bebas.
Muncul ragam galat negatif (kasus Heywood). Biasanya akibat sampel kecil, indikator terlalu sedikit, atau model kurang tepat. Periksa indikator bermasalah, pertimbangkan menetapkan ragam mendekati nol secara wajar bila memang alasan teoretis mendukung, atau tinjau ulang model.
Pesan "covariance matrix is not positive definite". Biasanya karena multikolinearitas ekstrem, data hilang, atau variabel yang duplikat. Periksa korelasi antarvariabel dan pastikan tidak ada variabel yang identik atau sepenuhnya turunan dari variabel lain.
Pesan "iteration limit reached" atau model tidak konvergen. Naikkan batas iterasi pada Analysis properties > Numerical, sederhanakan model, atau periksa nilai awal parameter.
Pesan "the following variable is not an observed variable". Nama variabel pada diagram tidak sama dengan nama pada berkas data. Periksa ejaan dan huruf besar atau kecil.
Pesan "variable name is not unique". Ada dua objek dengan nama sama. Ubah salah satunya.
Pesan bahwa berkas data tidak ditemukan. Hubungkan ulang berkas melalui File > Data Files, dan periksa lokasi berkas.
Amos tidak menampilkan indeks modifikasi. Biasanya karena data mengandung nilai hilang dengan opsi estimasi rerata dan intersep aktif. Gunakan data lengkap bila indeks modifikasi diperlukan.
Diagram hasil tidak muncul. Klik ikon View the output path diagram dan pastikan pilihan tampilan pada panel format parameter sudah benar.
Nilai kecocokan sangat buruk. Periksa apakah model sudah ditetapkan dengan benar, apakah ada indikator bermuatan sangat rendah, dan apakah struktur teoretis sesuai data. Pertimbangkan analisis faktor eksploratori terlebih dahulu bila struktur dimensi belum jelas.
Hasil berbeda dengan perangkat lunak lain. Periksa metode estimasi, cara penetapan skala, penanganan data hilang, dan pengaturan lainnya.

17. Tips Menggunakan Amos dengan Efektif

Gambar model di kertas lebih dulu berdasarkan teori, baru pindahkan ke Amos.
Bersihkan data di SPSS sebelum dianalisis.
Uji CFA sebelum model struktural.
Ubah satu hal dalam satu waktu ketika memperbaiki model, lalu jalankan ulang.
Selalu simpan berkas dan buat salinan cadangan diagram serta data.
Beri nama variabel yang konsisten agar keluaran mudah dibaca.
Gunakan keterangan gambar (figure caption) untuk menampilkan indeks kecocokan pada diagram.
Catat setiap keputusan dan alasan modifikasi.
Gunakan bootstrap untuk uji mediasi dan bila data tidak normal.
Bandingkan beberapa model alternatif yang masuk akal, tidak hanya satu model.
Pahami konsepnya lebih dulu. Amos hanya menghitung, sedangkan keputusan ilmiah sepenuhnya berada di tangan peneliti.

18. Peluang dan Manfaat Menguasai Amos

Kemampuan SEM bernilai tinggi pada penelitian akademik, terutama skripsi, tesis, dan disertasi di bidang manajemen, ekonomi, perbankan, pendidikan, psikologi, dan kesehatan masyarakat. Di dunia kerja, kemampuan ini berguna pada riset pasar, riset kepuasan dan loyalitas pelanggan, riset perilaku konsumen, analisis kinerja organisasi, serta evaluasi program. Kemampuan memodelkan hubungan antarkonsep, menguji mediasi, dan membandingkan kelompok memperlihatkan kedalaman analisis yang melampaui regresi biasa. Padukan dengan kemampuan menyajikan hasil secara ringkas kepada pihak yang bukan ahli statistik.