Memilih Input Matriks dan Mendapatkan Model Estimate

Untuk model struktural dari pengukuran dapat dibuat sebagai berikut: Y9 = bY1 + bY2 + bY3 + bY4 + bY5+ bY6 + bY7 + bY8……………..28 Y10 = bY1 + bY2 + bY3 + bY4 + bY5+ bY6 + bY7 + bY8 + bY9..………..29

5.2.4. Memilih Input Matriks dan Mendapatkan Model Estimate

Model persamaan struktural mengakomodasi input matriks dalam bentuk covariance atau korelasi. Untuk analisis faktor konfirmatori kedua jenis input matriks ini dapat digunakan. Namun demikian karena tujuannya adalah mengeksplorasi pola saling hubungan interrelationship, maka input matriks dalam bentuk korelasi yang digunakan. Program AMOS akan mengkonversikan dari data mentah ke bentuk kovarian atau korelasi lebih dahulu sebagai input analisis. Kemudian untuk estimasi dipilih estimasi Maximum Likelihood ML untuk mengestimasi data yang sudah diinput. Estimasi Maximum Likelihood ML dipilih karena dengan model estimasi Maximum Likelihood ML minimum diperlukan 100 buah sampel. Ketika sampel dinaikkan di atas nilai 100, metode Maximum Likelihood ML meningkat sensitivitasnya untuk mendetekasi perbedaan antar data. Begitu sampel menjadi besar, maka metode Maximum Likelihood ML menjadi angat sensitive dan selalu menghasilkan perbedaan secara signifikan sehingga ukuran Goodness of Fit menjadi jelek. Jadi dapat direkomendasikan bahwa ukuran sampel antara 100 sampai 200 harus digunakan unutk metode estimasi Maximum Likelihood ML. Berikut ini adalah tampilan hasil output dengan gambar diagram jalur path diagram. Universitas Sumatera Utara Universitas Sumatera Utara .79 Y1 .25 Y2 .51 Y3 .36 Y4 .76 Y5 .52 Y8 .81 Y6 .79 Y7 X3 .20 e3 1.00 X2 .23 e2 .83 1 X1 .53 e1 .78 1 X7 .88 e7 1.00 1 X6 .22 e6 1.57 1 X5 .30 e5 1.36 1 X4 .22 e4 1.23 1 X9 .15 e9 1.00 X8 .45 e8 .88 X11 .93 e11 1.00 X10 .37 e10 1.26 X14 .27 e14 1.00 1 X13 .29 e13 .97 X12 .21 e12 .97 1 X23 .60 e23 1.00 X22 .51 e22 1.09 1 X21 .55 e21 1.15 1 X17 .35 e17 1.00 X16 .31 e16 .98 X15 .39 e15 .85 X20 .19 e20 1.00 X19 .07 e19 1.02 1 X18 .22 e18 1.02 Y9 X24 .04 e24 1.00 1 X25 .12 e25 .99 1 Y10 X26 .22 e26 X27 .26 e27 1.00 1 .93 .36 .24 .19 .26 .16 .23 -.04 .41 .40 .33 -.08 -.07 -.01 .24 .23 -.03 .00 .03 .25 .06 -.01 .08 .25 .08 .04 -.15 -.10 -.02 .38 .41 .15 .02 .50 -.07 -.08 .10 1 1 1 1 1 1 1 1 1 1 1 1 1 .29 e28 1 .11 e29 1 .44 .07 .56 .19 .10 -.10 .00 .01 .00 Universitas Sumatera Utara

5.2.5. Menilai Problem Identifikasi