Menurut Hair et al. (1998), SEM tidak mempunyai uji statistik tunggal terbaik yang
dapat menjelaskan kekuatan dalam memprediksi sebuah model. Sebagai gantinya, peneliti
mengembangkan beberapa kombinasi ukuran kecocokan model yang menghasilkan tiga
perspektif, yaitu ukuran kecocokan model keseluruhan, ukuran kecocokan model
pengukuran, dan ukuran kecocokan model struktural.
Langkah pertama adalah memeriksa kecocokan model keseluruhan. Ukuran
kecocokan model keseluruhan dibagi dalam tiga kelompok sebagai berikut:
1) Ukuran kecocokan mutlak (absolute fit measures), yaitu ukuran kecocokan model
secara keseluruhan (model struktural dan model pengukuran) terhadap matriks korelasi
dan matriks kovarians. Uji kecocokan tersebut meliputi:
a. Uji Kecocokan Chi-Square
Uji kecocokan ini mengukur seberapa dekat antara implied covariance matrix
(matriks kovarians hasil prediksi) dan sample covariance matrix (matriks kovarians
dari sampel data). Hipotesis yang digunakan adalah H0: Σ=Σ(θ) ; H1: Σ≠Σ (θ) , dengan
25
Σ adalah matriks kovarians sampel sedangkan Σ(θ) adalah matriks kovarians hasil
prediksi dari model. Dalam prakteknya, P-value diharapkan bernilai lebih besar sama
dengan 0,05 agar H0 dapat diterima yang menyatakan bahwa model adalah baik.
Pengujian Chi-square sangat sensitif terhadap ukuran data. Yamin dan
Kurniawan (2009) menganjurkan untuk ukuran sampel yang besar (lebih dari 200), uji
ini cenderung untuk menolak H0. Namun sebaliknya untuk ukuran sampel yang kecil
(kurang dari 100), uji ini cenderung untuk menerima H0. Oleh karena itu, ukuran
sampel data yang disarankan untuk diuji dalam uji Chi-square adalah sampel data
berkisar antara 100 – 200.
b. Goodnees-Of-Fit Index (GFI)
Ukuran GFI pada dasarnya merupakan ukuran kemampuan suatu model
menerangkan keragaman data. Nilia GFI berkisar antara 0 – 1. Sebenarnya, tidak ada
kriteria standar tentang batas nilai GFI yang baik. Namun bisa disimpulkan, model
yang baik adalah model yang memiliki nilai GFI mendekati 1. Dalam prakteknya,
banyak peneliti yang menggunakan batas minimal 0,9.
c. Root Mean Square Error (RMSR)
RMSR merupakan residu rata-rata antar matriks kovarians/korelasi teramati dan
hasil estimasi. Nilai RMSR < 0,05 adalah good fit.
d. Root Mean Square Error Of Approximation (RMSEA)
RMSEA merupakan ukuran rata-rata perbedaan per degree of freedom yang
diharapkan dalam populasi. Nilai RMSEA < 0,08 adalah good fit, sedangkan Nilai
RMSEA < 0,05 adalah close fit.
e. Expected Cross-Validation Index (ECVI)
Ukuran ECVI merupakan nilai pendekatan uji kecocokan suatu model apabila
diterapkan pada data lain (validasi silang). Nilainya didasarkan pada perbandingan
antarmodel. Semakin kecil nilai, semakin baik.
f. Non-Centrality Parameter (NCP)
NCP dinyatakan dalam bentuk spesifikasi ulang Chi-square. Penilaian didasarkan
atas perbandingan dengan model lain. Semakin kecil nilai, semakin baik.
2) Ukuran kecocokan incremental (incremental/relative fit measures), yaitu ukuran
kecocokan model secara relatif, digunakan untuk perbandingan model yang diusulkan
dengan model dasar yang digunakan oleh peneliti. Uji kecocokan tersebut meliputi:
26
a. Adjusted Goodness-Of-Fit Index (AGFI)
Ukuran AGFI merupakan modifikasi dari GFI dengan mengakomodasi degree of
freedom model dengan model lain yang dibandingkan. AGFI ≥ 0,9 adalah good fit,
sedangkan 0,8 ≤ AGFI ˂ 0,9 adalah marginal fit.
b. Tucker-Lewis Index (TLI)
Ukuran TLI disebut juga dengan non normed fit index (NNFI). Ukuran ini
merupakan ukuran untuk pembandingan antarmodel yang mempertimbangkan
banyaknya koefisien di dalam model. TLI≥ 0,9 adalah good fit, sedangkan 0,8 ≤ TLI ˂
0,9 adalah marginal fit.
c. Normed Fit Index (NFI)
Nilai NFI merupakan besarnya ketidakcocokan antara model target dan model
dasar. Nilai NFI berkisar antara 0 – 1. NFI ≥ 0,9 adalah good fit, sedangkan 0,8 ≤ NFI
˂ 0,9 adalah marginal fit.
d. Incremental Fit Index (IFI)
Nilai IFI berkisar antara 0 – 1. IFI ≥ 0,9 adalah good fit, sedangkan 0,8 ≤ IFI ˂
0,9 adalah marginal fit.
e. Comparative Fit Index (CFI)
Nilai CFI berkisar antara 0 – 1. CFI ≥ 0,9 adalah good fit, sedangkan 0,8 ≤ CFI
˂0,9 adalah marginal fit.
f. Relative Fit Index (RFI)
Nilai RFI berkisar antara 0 – 1. RFI ≥ 0,9 adalah good fit, sedangkan 0,8 ≤ RFI ˂
0,9 adalah marginal fit.
3) Ukuran kecocokan parsimoni (parsimonious/adjusted fit measures), yaitu ukuran
kecocokan yang mempertimbangkan banyaknya koefisien didalam model. Uji
kecocokan tersebut meliputi:
a. Parsimonious Normed Fit Index (PNFI)
Nilai PNFI yang tinggi menunjukkan kecocokan yang lebih baik. PNFI hanya
digunakan untuk perbandingan model alternatif.
b. Parsimonious Goodness-Of-Fit Index (PGFI)
Nilai PGFI merupakan modifikasi dari GFI, dimana nilai yang tinggi
menunjukkan model lebih baik digunakan untuk perbandingan antarmodel.
c. Akaike Information Criterion (AIC)
27
Nilai positif lebih kecil menunjukkan parsimoni lebih baik digunakan untuk
perbandingan antarmodel.
d. Consistent Akaike Information Criterion (CAIC)
Nilai positif lebih kecil menunjukkan parsimoni lebih baik digunakan untuk
perbandingan antarmodel.
e. Criteria N (CN)
Estimasi ukuran sampel yang mencukupi untuk menghasilkan adequate model fit
untuk Chi-squared. Nilai CN > 200 menunjukkan bahwa sebuah model cukup mewakili
sampel data.
Setelah evaluasi terhadap kecocokan keseluruhan model, langkah berikutnya adalah
memeriksa kecocokan model pengukuran dilakukan terhadap masing-masing konstrak laten
yang ada didalam model.
Pemeriksaan terhadap konstrak laten dilakukan terkait dengan pengukuran konstrak
laten oleh variabel manifest (indikator). Evaluasi ini didapatkan ukuran kecocokan
pengukuran yang baik apabila:
1. Nilai t-statistik muatan faktornya (faktor loading-nya) lebih besar dari 1,96 (t-tabel).
2. Standardized faktor loading (completely standardized solution LAMBDA) ≥ 0,5 .
Setelah evaluasi terhadap kecocokan pengukuran model, langkah berikutnya adalah
memeriksa kecocokan model struktural. Evaluasi model struktural berkaitan dengan
pengujian hubungan antarvariabel yang sebelumnya dihipotesiskan. Evaluasi menghasilkan
hasil yang baik apabila:
1. Koefisien hubungan antarvariabel tersebut signifikan secara statistik (t-statistik ≥
1,96).
2. Nilai koefisien determinasi (R2
) mendekati 1. Nilai R2 menjelaskan seberapa besar
variabel eksogen yang dihipotesiskan dalam persamaan mampu menerangkan
variabel endogen.
Tidak ada komentar:
Posting Komentar