analisis path dengan software amos

1. TUGAS MATA KULIAH
KOMPUTER I
ANALISIS PATH DENGAN MENGGUNAKAN SOFTWARE AMOS
AILY YUNI ARDIYANTI
NIM. 101614153033
PROGRAM STUDI MAGISTER ILMU KESEHATAN MASYARAKAT
FAKULTAS KESEHATAN MASYARAKAT
UNIVERSITAS AIRLANGGA
2017

2. BAB I
PENDAHULUAN
Latar Belakang
Pertumbuhan jumlah penduduk dan peningkatan kepedulian pada kesehatan
mendorong permintaan layanan masyarakat . Termasuk pada bidang layanan kesehatan. Oleh
sebab itu bidang pelayanan kesehatan kini mengubah diri kearah orientasi pelanggan. Kini
Rumah Sakit juga berusaha membangun strategi pemasaran yang menaikkan citra di
masyarakat untuk meningkatkan kepuasan, loyalitas pasien dan kinerja.
Citra merupakan asset yang tidak terwujud yang sangat berharga bagi perusahaan.
Citra positif memungkinkan sebuah perusahaan dan jasa pelayanan termasuk jasa pelayanan
kesehatan untuk mendapatkan nilai reputasi yang baik dam keunggulan yang kompetitif.
Sebuah citra yang baik akan meningkatkan kepuasan pelanggan, kualitas layanan, loyalitas
terhadap pelanggan.
Keberhasilan perusahaan dan jasa pelayanan membentuk citra masyarakat,
dipengaruhi oleh beberapa faktor misalnya kelengkapan sarana prasarana, dan keberhasilan
dalam memberikan pelayanan kepada pasien. Citra ini terbentuk berdasarkan pengetahuan
dan informasi yangn diterima seseorang akan suatu obyek. Apabila citra tersebut baik maka
akan terbentuk citra positif, namun sebaliknya apabila informasi yang diterima buruk, maka
akan menimbulkan citra negative.
Pada penelitian sebelumnnya yang dilakukan oleh Wu (2011) menemukan bukti
bahwa citra rumah sakit memiliki pengaruh baik lang sung maupun tidak langsung terhadap
loyalitas pasien. Hal ini mengindikasikan bahwa citra rumah sakit yang positif tidak hanya
meningkatkan loyalitas pasien secara langsung tetapi juga meningkatkan kepuasan pasien
melalui peningkatan kualitas layanan yang dirasakan , yang pada gilirannya akan
meningkatkan niat ulang kunjungan pasiennya.
Rumah sakit sebagai institusi pelayanan kesehatan masyarakat saat ini dituntut untuk
senantiasa berubah dan meningkatkan kinerja dengan memperhatikan dinamika lingkungan
yang sangat kuat, terutama dalam hal kualitas pelayanan kesehatan masyarakat.
Perumusan Masalah
Berdasarkan latar belakang masalah yang telah diuraikan diatas, maka dapat dirumuskan
antara lain:

3. 1. Citra poliklinik eksekutif rumah sakit daerah dr. Soenadi berpengaruh terhadap
kualitas layanan pasien.
2. Citra poliklinik eksekutif rumah sakit daerah dr.Soebandi berpengaruh terhadap
kepuasan pasien.
3. Kualitas layanan poloklinik eksekutif rumah sakit daeran dr.Soebandi berpengaruh
terhadap kepuasan pasien
4. Kualitas layanan poliklinik eksekutif RSD dr Soebandi berpengaruh terhadap loyalitas
pasien
5. Kepuasan pasien poliklinik eksekutif RSD dr Soebandi berpengaruh terhadap
loyalitas pasien

4. BAB II
PEMBAHASAN
Citra Rumah Sakit, kualitas layanan kesehatan dan kepuasan pasien penerima
layanan kesehatan merupakan elemen penting untuk peningkatan loyalitas pasien. Pada
penelitian terdahulu menunjukkan bahwa citra rumah sakit memiliki dampak positif dan
signifikan pada kualitas layanan. Temuan lainnya adalah citra rumah sakit tidak memiliki
pengaruh pada kepuasan pasien dan citra positif mempengaruhi niat kunjungan kembali
pasien ke rumah sakit tersebut. Kepuasan pasien ditemukan positif mempengaruhi niat
kunjungan kembali . pembentukan citra rumah sakit positif bermanfaat meningkatkan
kualitas layanan yang dirasakan dan kepuasan pasien yang dapat mendorong loyalitas pasien.
Langkah-langkah untuk menganalisis loyalitas pasien terhadap kualitas pelayanan, citra
rumah sakit dan kualitas pelayanan, antara lain :
1. Menyiapkan data yang akan dianalisis dalam format basis data yang dapat dibuat
dengan program Microsoft Excel, SPSS atau format database yang lain.
2. Jalankan program AMOS Graphics
3. Buat model diagram jalurnya, tetapi sebelumnya database yang sudah kita buat kita
aktifkan dulu
4. Menentukan jenis hasil analisis yang diperlukan dengan memilih jenis analisis yang
sudah disediakan pada menu.
5. Melakukan analisis dengan Calculate Estimation , sehingga diperoleh hasil analisis
path seperti gambar .
Gambar 1. View input path diagram (model Spesification)

5. Gambar 2. View output path diagram
Pada view output path diagram ditampilkan koefisien hubungan antar variabel
6. Untuk melihat hasil analisis lengkap maka kita dapat melihat di View-Text Output
Dari hasil analisis diperoleh output :
- Hasil Uji Normalitas Data
- Assessment of normality (Group number 1)
Variable min max skew c.r. kurtosis c.r.
kualitas 1.560 5.890 -.132 -.764 .191 .550
Citra 1.780 6.000 -.102 -.589 .251 .726
Kepuasan 1.780 6.000 .020 .113 .407 1.174
Loyalitas 1.630 6.000 -.586 -3.384 1.096 3.163
Multivariate 6.199 6.327
Analisis normalitas dilakukan dengan mengamati nilai CR untuk multivariate dengan rentang
±3.95 pada tingkat signifikansi 1% . hasil pengujian normalitas menunjukkan bahwa nilai cr
untuk multivariate adalah 6,327 ,sehingga dapat dikatakan bahwa distribusi data variabel
observed adalah normal.

6. - Variable Summarize
Your model contains the following variables (Group number 1)
Observed, endogenous variables
Citra
Kepuasan
Loyalitas
Observed, exogenous variables
kualitas
Unobserved, exogenous variables
e2
e1
e3
output yang dihasilkan pada variable summarize adalah varibel mana saja yang termasuk
pada variabel eksogen dan endogen.
Variabel endogen adalah : Citra Rumah Sakit, Kepuasan dan Loyalitas
Variabel Eksogen adalah kualitas
- Pada output Estimates :
Estimates (Group number 1 - Default model)
Scalar Estimates (Group number 1 - Default model)
Maximum Likelihood Estimates
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
Citra <--- kualitas .753 .039 19.129 ***
Kepuasan <--- kualitas .399 .071 5.598 ***
Kepuasan <--- Citra .302 .076 3.970 ***
Loyalitas <--- kualitas .396 .077 5.161 ***
Loyalitas <--- Citra .189 .079 2.389 .017
Loyalitas <--- Kepuasan .158 .071 2.233 .026
Perumusan hipotesis:
H0: Tidak ada hubungan yang nyata (signifikan)
H1: ada hubungan yang nyata (signifikan)
Dasar keputusan :
Jika nilai probability (P) >0.05 H0 diterima

7. Jika nilai probability (P) <0.05 H0 ditolak
*** menunjukkan angka P adalah 0.000
- Nilai CR menunjukkan nilai critical ratio yang didapatkan dari nilai estimasi yang dibagi
oleh standart errornya (SE). semakin tinggi nilai CR semakin tinggi nilai signifikansi. Kalau
ukuran sampel besar, maka biasanya nilai CR diatas 1,96 akan menghasilkan nilai estimasi
yang signifikan pada taraf 5%, sedangkan jika diatas 2,56 akan signifikan pada taraf 1%.
Tetapi amos juga menyediakan nilai p yang menunjukkan signifikansi
- Berdasarkan analisis diperoleh bahwa nilai P yang menunjukkan *** atau P menunjukkan
angka 0,000 dan ada dua yang menunjukkan nilai P = 0,017 dan 0,026 keduanya lebih kecil
dari nilai α = 0,05, maka dapat disimpulkan bahwa setiap variabel mempunyai hubungan
yang signifikan. Jadi nilai Probabily (P) < 0,05 , Ho ditolak.
Standardized RegressionWeights: (Group number 1 - Default model)
Estimate
Citra <--- kualitas .805
Kepuasan <--- kualitas .453
Kepuasan <--- Citra .321
Loyalitas <--- kualitas .446
Loyalitas <--- Citra .199
Loyalitas <--- Kepuasan .157
Variances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label
kualitas .621 .062 9.975 ***
e1 .192 .019 9.975 ***
e2 .221 .022 9.975 ***
e3 .222 .022 9.975 ***
-Untuk Standardized Regression menunjukkan besarnya pengaruh. Pada tabel menunjukkan
bahwa kualitas bisa meningkatkan citra RS. Kualitas juga bisa meningkatkan kepuasan dan
loyalitas pasien untuk kembali berobat ke Rumas Sakit Tersebut.

8. 6. Indeks Ketepatan Model
Banyak sekali jenis indeks ketepatan model yang dapat ditampilkan di AMOS, misalnya
CMIN, goodness of fit index (GFI) dan RMSEA. Berikut adalah tampilan dati uji indeks
ketepatan model :
Model Fit Summary
CMIN
Model NPAR CMIN DF P CMIN/DF
Default model 10 .000 0
Saturated model 10 .000 0
Independence model 4 521.113 6 .000 86.852
Hasil analysis menunjukkan nilai kai kuadrat (CMIN) sebesar 0,000 (p<0,05). Nilai p
dibawah 0,05 menunjukkan ada beda antara data yang dipakai duntuk menganalisis dengan
model yang kembangkan. Dengan kata lain , model belum mewakili dari data.
RMR, GFI
Model RMR GFI AGFI PGFI
Default model .000 1.000
Saturated model .000 1.000
Independence model .293 .404 .006 .242
Baseline Comparisons
Model
NFI
Delta1
RFI
rho1
IFI
Delta2
TLI
rho2
CFI
Default model 1.000 1.000 1.000
Saturated model 1.000 1.000 1.000
Independence model .000 .000 .000 .000 .000
Parsimony-Adjusted Measures
Model PRATIO PNFI PCFI
Default model .000 .000 .000
Saturated model .000 .000 .000
Independence model 1.000 .000 .000

9. NCP
Model NCP LO 90 HI 90
Default model .000 .000 .000
Saturated model .000 .000 .000
Independence model 515.113 443.893 593.736
FMIN
Model FMIN F0 LO 90 HI 90
Default model .000 .000 .000 .000
Saturated model .000 .000 .000 .000
Independence model 2.619 2.589 2.231 2.984
RMSEA
Model RMSEA LO 90 HI 90 PCLOSE
Independence model .657 .610 .705 .000
Indeks lainnya adalah RMSEA yang merupakan nilai residu alias sampah atau pembuangan.
Jadi kita harapkan sesedikit mungkin varian-varian di dalam data yang kita buang, alias tidak
dilibatkan dalam model. Kesimpulan bahwa model belum fit dengan data,
AIC
Model AIC BCC BIC CAIC
Default model 20.000 20.515 52.983 62.983
Saturated model 20.000 20.515 52.983 62.983
Independence model 529.113 529.319 542.306 546.306
Tabel Akaike Information Criterion (AIC) digunakan untuk membandingkan antar model-
model yang kita kembangkan. Perbandingan dua model berdasarkan nilai AIC dapat
menggunakan pedoman tabel berikut :
Selisih nilai AIC dua model Kesimpulan
Di bawah 2,5 Tidak ada bedaa ketepatan model
Antara 2.5 hingga 6 Model A lebih fit jika N>256
Antara 6 hingga 9 Model A lebih fit jika N>64
Diatas 10 Model A lebih fit

10. ECVI
Model ECVI LO 90 HI 90 MECVI
Default model .101 .101 .101 .103
Saturated model .101 .101 .101 .103
Independence model 2.659 2.301 3.054 2.660
HOELTER
Model
HOELTER
.05
HOELTER
.01
Default model
Independence model 5 7
Tabel dibawah ini adalah adalah standard nilai k. Nilai- nilai kecocokan model yang
direkomendasikan adalah :
Goodness of Fit Indeks Cut off Value
Chi-square (p value) > 0.05 (at the α = 0.05 level)
RMR (root mean squared residual) < 0.05
RMSEA (root mean squared error of
approximation)
< 0.05
GFI (goodness-of-fit index) > 0.9
AGFI (adjusted goodness-of-fit
index)
> 0.9
CFI (comparative fit index) > 0.9
TLI (Tucker-Lewis Index) > 0.9
. Dari hasil uji yang memenuhi nilai-nilai kecocokan antara lain GFI, RMR dan CFI

11. BAB III
PENUTUP
Pada hasil analisa pada citra , kualitas dan kepuasan pasien pada loyalitas di poliklinik
eksekutif RSD dr. Soebandi di Kabupaten Jember didapatkan hasil bahwa variabel kualitas
yang paling banyak berpengaruh pada kepuasan pasien menerima layanan kesehatan.
Kepuasan nantinya mempengaruhi loyalitas pasien untuk dating berobat kembali ke rumah
sakit . Loyalitas juga memberi pengaruh yang lumayan besar akan loyalitas pasien. Dalam
analisis juga di ketahui loyalitas pasien juga dipengaruhi secara tidak langsung olek kualitas
pelayanan dan citra rumah sakit tersebut.
Pada tabel Regression weight, kita lihat nilai p nya,apakah semua nilai p significant
yang biasa ditandai dengan *** atau mendekati 0,01 atau ** atau mendekati 0,05, jika ada
yang tidak significant atau nilai terlalu besar dari 0,01 atau 0,05 maka korelasi tersebut harus
ditandai, karena disarankan untuk dihapus dari model agar didapat model yang fit.

12. DAFTAR PUSTAKA
- Widhiarso, W (2011a), Tips Menggambar Model dalam AMOS, Diskusi Metodologi
Penelitian (Online), Blog. http://wahyupsy.blog.ugm.ac.id/2011/02/18/tips-
menggambar-model-dalam-amos, Dilihat : 10 Juli 2017
- Widhiarso, W (2011b), Menghitung Signifikansi peranan tidak langsung program
AMOS, Diskusi Metodologi Penelitian (Online), Blog.
http://wahyupsy.blog.ugm.ac.id/2011/02/18/menghitung-signifikansiperanan-tidak-
langsung-program-amos , Dilihat : 10 Juli 2017