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