Jumat, 22 Mei 2020

Uji Kecocokan Model Pada SEM (skripsi dan tesis)

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: