Berapa nilai CR dan VE yang dianggap memenuhi syarat validitas dan reliabilitas?

Kriteria umum adalah Construct Reliability (CR) di atas 0,7 dan Variance Extracted (VE/AVE) di atas 0,5. Jika di bawah itu, indikator dengan loading rendah biasanya perlu dievaluasi ulang atau eliminasi.

Indikator apa saja yang dilihat untuk menilai Goodness of Fit di AMOS?

Beberapa indikator umum adalah Chi-Square, RMSEA (idealnya 0,90), serta CFI dan TLI (idealnya > 0,90). Model dinyatakan fit jika mayoritas indikator memenuhi standar tersebut.

Bagaimana cara membaca nilai C.R. dan P pada Regression Weights?

Nilai C.R. (Critical Ratio) dan P-value menentukan signifikansi hubungan antar variabel. Jika P 1,96), artinya pengaruh antar variabel dinyatakan signifikan secara statistik.

Apa yang harus dilakukan jika model belum memenuhi Goodness of Fit?

Model bisa dimodifikasi dengan menghubungkan error term antar indikator (modification indices) atau menghapus indikator yang mempunyai CR rendah, tentunya modifikasi tersebut punya justifikasi teoritis.

Kenapa ambang batasnya CR di atas 0,7 dan VE di atas 0,5?

CR mengukur konsistensi internal indikator dalam mengukur variabel latennya. VE mengukur rata-rata proporsi varians indikator yang dijelaskan oleh variabel latennya - VE di atas 0,5 berarti variabel laten menjelaskan lebih dari separuh varians indikatornya, lebih dominan dibanding error pengukuran.

Apakah hubungan yang tidak signifikan berarti penelitian saya gagal?

Tidak. Hubungan yang tidak signifikan tetap bisa digunakan - kita bisa jelaskan alasannya pada bab 4 atau pembahasan dengan cara mencari referensi penelitian yang mendukung hasil uji signifikansi kita.

CR dan VE salah satu variabel saya gagal syarat, bagaimana cara memperbaikinya?

Cek indikator dengan loading terendah pada variabel tersebut, lalu drop satu per satu (bukan sekaligus) dan jalankan ulang estimasi setiap kali sampai mendapatkan nilai CR dan AVE diatas standard.

Cara Membaca Output AMOS: Panduan Hasil SEM Lengkap

Interpretasi Output Amos

Membaca output AMOS dilakukan dengan menilai tiga hal secara berurutan: uji validitas dan reliabilitas (nilai standardized loading, AVE, dan CR), uji goodness of fit (Chi-Square, CFI, TLI, RMSEA), dan uji hipotesis (nilai C.R. dan P pada Regression Weights, signifikan jika P < 0.05).

Di cara mengolah data kuesioner dengan AMOS anda telah belajar tentang langkah-langkah mengolah data dengan Amos. Berikut cara membaca dan menginterpretasikan output tersebut.

Jika kamu membutuhkan bantuan mengolah data SEM dengan AMOS atau Lisrel secara menyeluruh. Kami menawarkan Jasa Olah Data SEM selesai dalam 1–2 hari.

1. Validitas dan Realibilitas

Pertama kita akan menganalisis validitas dan reabilitas dengan cara melihat nilai loading terstandarisasi — di AMOS nilai ini muncul sebagai Standardized Regression Weights (bukan istilah "Outer Loadings" seperti pada SmartPLS). Uji ini digunakan untuk mengetahui apakah indikator variable anda bagus atau tidak dalam membentuk suatu variabel.

klik Estimates >> Scalars >> Standardized Regression Weights. Kemudian akan muncul nilai Outer Loadings pada masing-masing indikator.

Tabel Standardized Regression Weights (Outer Loadings) hasil AMOS

Selanjutnya nilai-nilai loading terstandarisasi tersebut digunakan untuk mencari nilai AVE dan CR.

Berikut adalah rumus untuk menghitung Construct Realibility (CR) dan Variance Extracted (VE)

Rumus perhitungan Construct Reliability dan Variance Extracted

Kriteria umum pada uji validitas dan realibilitas menggunakan statistik CR dan VE yakni CR > 0,7 dan VE >0,5. Adapun hasil penghitungan dapat dilihat pada tabel berikut.

Tabel hasil perhitungan CR dan VE tiap variabel

Berdasarkan tabel diatas, nilai CR dan VE untuk seluruh variabel memenuhi kriteria umum penghitungan. Sehingga dapat disimpulkan indikator-indikator tersebut realiabel dan valid dalam membentuk variabel dan selanjutnya baik untuk dimasukkan ke dalam analisis.

Kenapa ambang batasnya CR > 0,7 dan VE > 0,5? CR mengukur konsistensi internal indikator dalam mengukur variabel latennya — nilai 0,7 dianggap batas bawah kehandalan yang wajar secara konvensi. VE (setara AVE di SmartPLS) mengukur rata-rata proporsi varians indikator yang dijelaskan oleh variabel latennya — VE > 0,5 berarti variabel laten menjelaskan lebih dari separuh varians indikatornya, lebih dominan dibanding error pengukuran.

Contoh Kasus: CR/VE Gagal Syarat

Bagaimana kalau salah satu variabel (misalnya Perceived Risk) ternyata punya CR = 0,61 dan VE = 0,38 — keduanya di bawah ambang? Langkah yang benar:

Cek tabel Standardized Regression Weights untuk variabel tersebut — biasanya ada satu atau dua indikator dengan loading rendah (< 0,5) yang menyeret CR/VE ke bawah.
Drop indikator dengan loading terendah satu per satu, bukan sekaligus, lalu jalankan ulang estimasi.
Cek ulang CR/VE setelah setiap kali drop — berhenti begitu keduanya memenuhi ambang, jangan drop lebih banyak dari yang perlu.

2. Pengujian Goodness of Fit

Pengujian Goodness of Fit ini digunakan untuk mengetahui apakah data-data anda untuk mengukur hubungan antar variable bagus atau tidak. Ada beberapa indikator yang digunakan untuk mendapatkan kesimpulan tersebut. Seperti Chi-Square, RMSEA, AGFI, GFI dan masih banyak lainnya.

Output Goodness of Fit model SEM di AMOS

Berdasarkan gambar diatas dapat diperoleh nilai dari good of fit sebagai berikut.

Tabel ringkasan nilai Goodness of Fit dibanding standar

Berdasarkan data pada tabel diatas, hasil perhitungan good of fit tersebut menunjukkan nilai uji kelayakan model pada semua konstruk sudah menunjukkan model yang fit karena telah sesuai dengan standar nilai yang telah ditentukan.

Catatan dari Herdi, Statistical Analyst: Goodness of Fit sebaiknya jangan disimpulkan dari satu-dua indikator saja. Kalau salah satu indeks (misalnya RMSEA) tidak memenuhi treshold, cek dulu indikator lain seperti CFI dan TLI — model masih bisa dianggap fit selama mayoritas indikator memenuhi kriteria, tidak harus semua indikator memenuhi.

3. Uji Hipotesis

Dan yang tearkhir yang paling penting adalah untuk menguji hipotesis penelitian anda. Berikut adalah cara untuk mendapatkan nilai uji hipotesis.

Klik Estimates >> Scalars >> Regression Weights

Tabel Regression Weights dengan nilai C.R. dan P untuk uji hipotesis

Uji hipotesis digunakan untuk menguji pengaruh perceived benefit, perceived service quality, cultural, dan perceived risk terhadap visit intention melalui destination image dan electronic word of mouth. Suatu uji hipotesis dapat dikatakan signifikan apabila nilai P < 0,05 (tingkat signifikansi), sedangkan kekuatan pengaruh dapat dilihat pada nilai estimasi berdasarkan seperti pada Tabel berikut.

Interpretasi Model / Kesimpulan

Perceived service quality (PSQ) memiliki pengaruh langsung positif dan signifikan terhadap electronic word of mouth (EM).
Perceived benefit (PB) memiliki pengaruh langsung positif dan signifikan terhadap destination image (DI).
Perceived risk (PR) memiliki pengaruh langsung negatif dan tidak signifikan terhadap destination image (DI).
Electronic word of mouth (EM) memiliki pengaruh langsung positif dan signifikan terhadap destination image (DI).
Destination image (DI) memiliki pengaruh langsung positif dan signifikan terhadap visit intention (VI).
Cultural (CL) memiliki pengaruh langsung negatif dan tidak signifikan terhadap visit intention (VI).
Perceived risk (PR) memiliki pengaruh langsung positif dan tidak signifikan terhadap visit intention (VI).
Electronic word of mouth memiliki pengaruh langsung negatif dan tidak signifikan terhadap visit intention (VI).

Perhatikan pada contoh di atas: dari 8 hubungan yang diuji, hanya 5 yang signifikan — ini kasus yang realistis dan umum terjadi, bukan berarti penelitiannya "gagal." Setiap hubungan yang tidak signifikan (misalnya Perceived Risk → Destination Image) tetap merupakan temuan valid yang bisa dilaporkan dan didiskusikan, bukan hasil yang harus disembunyikan.

Kesalahan Umum Membaca Output AMOS

Langsung interpretasi Regression Weights sebelum Goodness of Fit terpenuhi. Urutannya penting: validitas-reliabilitas dulu, lalu goodness of fit, baru uji hipotesis. Kalau model belum fit, kesimpulan uji hipotesis berisiko salah.
Menyimpulkan model tidak fit hanya karena satu indikator (misalnya RMSEA) sedikit di luar standar. Seperti catatan Herdi di atas — cek indikator lain (CFI, TLI) sebelum menyimpulkan model gagal.
Menganggap hubungan yang tidak signifikan sebagai kegagalan penelitian. Seperti contoh di atas — hubungan tidak signifikan tetap temuan valid, bukan kesalahan yang harus disembunyikan dari laporan.
Menghapus banyak indikator sekaligus untuk memperbaiki CR/VE. Drop satu per satu dan evaluasi ulang setiap kali, jangan drop banyak indikator dalam satu langkah — berisiko menghilangkan indikator yang sebenarnya masih bisa dipertahankan.

> Catatan dari Herdi, Statistical Analyst: Kesalahan nomor 3 yang paling sering saya lihat — mahasiswa panik kalau ada hubungan yang tidak signifikan, padahal itu bagian normal dari hasil penelitian. Yang penting adalah menjelaskan kenapa hubungan itu mungkin tidak signifikan (misalnya faktor budaya lokal yang berbeda dari penelitian rujukan).