Upload
deroowahidah
View
316
Download
18
Embed Size (px)
DESCRIPTION
analisis jalur
Citation preview
Tugas Akhir Analisis JalurNURWAHIDAH (12B07031)_KELAS B
TUGAS ANALISIS JALUR DENGAN MUNGGUNAKAN SOFTWARE AMOS
Data yang akan di analisis:
Data 24 pengukuran pada peubah pencemaran udara dicatat pada
pukul 12.00 siang di Los Angels pada hari-hari yang berbeda. Enam peubah
manifes yang membentuk 2 peubah laten. Peubah laten pertama adalah
keadaan cuaca (KC) dibangun oleh peubah manifes Wind (X1) dan Solar
Rotation (X2). Peubah laten kedua kandungan kimia (KM) yang dibangun oleh
senyawa CO (X3), NO (X4), NO2 (X5), O3 (X6), dan HC (x7).
Datanya sebagai berikut:
x1 x2 x3 x4 x5 x6 x78 98 7 2 12 8 27 107 4 3 9 5 37 103 4 3 5 6 3
10 88 5 2 8 15 46 91 4 2 8 10 38 90 5 2 12 12 49 84 7 4 12 15 55 72 6 4 21 14 47 82 5 1 11 11 38 64 5 2 13 9 46 71 5 4 10 3 36 91 4 2 12 7 37 72 7 4 18 10 3
10 70 4 2 11 7 310 72 4 1 8 10 39 77 4 1 9 10 38 76 4 1 7 7 38 71 5 3 16 4 49 67 4 2 13 2 39 69 3 3 9 5 3
10 62 5 3 14 4 49 88 4 2 7 6 38 80 4 2 13 11 45 30 3 3 5 2 36 83 5 1 10 23 48 84 3 2 7 6 36 78 4 2 11 11 3
statistika | P a g e 1
Tugas Akhir Analisis JalurNURWAHIDAH (12B07031)_KELAS B
8 79 2 1 7 10 36 62 4 3 9 8 3
10 37 3 1 7 2 38 71 4 1 10 7 37 52 4 1 12 8 45 48 6 5 8 4 36 75 4 1 10 24 3
10 35 4 1 6 9 28 85 4 1 9 10 25 86 3 1 6 12 25 86 7 2 13 8 27 79 7 4 9 25 37 79 5 2 8 6 26 68 6 2 11 14 38 40 4 3 6 5 2
Kemudian dianalisis dengan software AMOS 20, model yang dapat dibuat dari data tersebut adalah:
kemudian dari output AMOS diperoleh:
Koefisien jalur yang (regression weights) yang dihasilkan adalah sebagai berikut:
Covariances: (Group number 1 - Default model)
statistika | P a g e 2
Tugas Akhir Analisis JalurNURWAHIDAH (12B07031)_KELAS B
Estimate S.E. C.R. P LabelKC <--> KM -.391 .301 -1.297 .194
Jadi, koefisien jalur KC↔KM adalah -0,391 yang bermakna KC dan KM berkorelasi
negatif namun korelasi antar KC dan KM tidak signifikan karena nilai
p(0,194) > 0,05. Selanjutnya, kontribusi masing-masing indikator (peubah manifes)
terhadap peubah laten dapat dilihat dari hasil berikut:
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Labelx1 <--- KC 1.000x2 <--- KC -9.500 10.370 -.916 .360x3 <--- KM 1.000x4 <--- KM .495 .177 2.799 .005x5 <--- KM 1.764 .574 3.075 .002x6 <--- KM 1.557 .815 1.909 .056x7 <--- KM .142 .102 1.388 .165
Koefisien jalur yang ditunjukkan di atas adalah yang belum terbakukan
(unstandardized), sehingga untuk menentukan urutan kontribusi masing-masing
indicator belum dapat dilakukan. Urutan kontribusi dapat ditentukan dari bobot
terbakukan (standarizedregression weights) sebagai berikut:
Correlations: (Group number 1 - Default model)
EstimateKC <--> KM -.643
Karena hanya satu jalur dyang menghubungkan KC dan KM maka koefisien
jalur tebakukannya adalah satu. Dari tabel di atas diperoleh koefisien korelasi -0,643
menunjukkan terjadi korelasi negatif antara KC dan KM. Artinya, semakin besar nilai
keadaan cuaca maka nilai kandungan kimia akan semakin kecil, demikian pula
sebaliknya.
Standardized Regression Weights: (Group number 1 - Default model)
statistika | P a g e 3
Tugas Akhir Analisis JalurNURWAHIDAH (12B07031)_KELAS B
Estimatex1 <--- KC .342x2 <--- KC -.296x3 <--- KM .932x4 <--- KM .523x5 <--- KM .602x6 <--- KM .332x7 <--- KM .236
Kemudian, kontribusi indikator X1 dan X2 terhadap peubah laten KC berbeda jauh.
Kontribusi X1 lebih tinggi dan bernilai positif (0,342) daripada kontribusi
X2 (-0,296). Selanjutnya, urutan kontribusi indikator X3, X4, X5, X6 dan X7 kepada
peubah laten KM, yang terbesar adalah X3 (0,932), kemudian X5 (0,602), kemudian
X4 (0,523), kemudian X6 (0,332) dan terakhir X7 (0,236).
Selanjutnya, ciri model diberikan oleh model fit summary sebagai berikut:
Model Fit Summary
CMIN
Model NPAR CMIN DF P CMIN/DFDefault model 15 34.421 13 .001 2.648Saturated model 28 .000 0Independence model 7 70.800 21 .000 3.371
RMR, GFI
Model RMR GFI AGFI PGFIDefault model 4.114 .855 .688 .397Saturated model .000 1.000Independence model 5.439 .704 .606 .528
Baseline Comparisons
ModelNFI
Delta1RFI
rho1IFI
Delta2TLI
rho2CFI
Default model .514 .215 .629 .305 .570Saturated model 1.000 1.000 1.000Independence model .000 .000 .000 .000 .000
statistika | P a g e 4
Tugas Akhir Analisis JalurNURWAHIDAH (12B07031)_KELAS B
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFIDefault model .619 .318 .353Saturated model .000 .000 .000Independence model 1.000 .000 .000
NCP
Model NCP LO 90 HI 90Default model 21.421 7.728 42.768Saturated model .000 .000 .000Independence model 49.800 27.958 79.240
FMIN
Model FMIN F0 LO 90 HI 90Default model .840 .522 .188 1.043Saturated model .000 .000 .000 .000Independence model 1.727 1.215 .682 1.933
RMSEA
Model RMSEA LO 90 HI 90 PCLOSEDefault model .200 .120 .283 .003Independence model .240 .180 .303 .000
AIC
Model AIC BCC BIC CAICDefault model 64.421 71.694 90.486 105.486Saturated model 56.000 69.576 104.655 132.655Independence model 84.800 88.194 96.963 103.963
ECVI
Model ECVI LO 90 HI 90 MECVIDefault model 1.571 1.237 2.092 1.749Saturated model 1.366 1.366 1.366 1.697Independence model 2.068 1.536 2.786 2.151
statistika | P a g e 5
Tugas Akhir Analisis JalurNURWAHIDAH (12B07031)_KELAS B
HOELTER
ModelHOELTER
.05HOELTER
.01Default model 27 33Independence model 19 23
statistika | P a g e 6