GFI dan AGFI akan menurun dengan semakin sedikitnya indikator per faktor laten, khususnya pada ukuran data kecil.
2.6.3 NCP Noncentrality Scaled Parameters
NCP merupakan ukuran kesesuaian yag melengkapi kelemahan metode khi- kuadrat. Secara teori, ukuran khi-kuadrat takterpusat lebih tegar terhadap ukuran
contoh apabila dibandingkan dengan khi-kuadrat biasa. Formula bagi NCP adalah NCP =
2
db
χ
−
Hair, et.al. 1998.
2.6.4 RMSR Root Rataan Square Residual
RMSR Hair, et.al. 1998 didefinisikan sebagai:
2 1
1
2 1
p q i
ij ij
i j
s RMSR
p q p q
σ
+ =
=
⎛ ⎞
− ⎜
⎟ ⎝
⎠ =
+ + +
∑∑
, dengan p = banyaknya indikator bagi peubah laten endogen,
q = banyaknya indikator bagi peubah laten eksogen,
ij
s
= unsur matriks S,
σ = unsur matriks Σ .
RMSR merupakan ukuran rata-rata kuadrat sisaan, semakin besar nilainya semakin buruk dalam pengepasan model dan begitu pula sebaliknya. Nilai yang
dianjurkan untuk Standardized RMSR adalah ≤ 0.05 Wijanto, 2008.
2.6.5 RMSEA Root Rataan Square Error of Approximation
RMSEA adalah alternatif ukuran kesesuaian model yang diperlukan untuk mengurangi kesensitifan
2
χ terhadap ukuran sampel. Nilai yang dianjurkan untuk RMSEA adalah
≤ 0.08 Wijanto, 2008. RMSEA Hair, et.al. 1998 dihitung dengan rumus:
RMSEA =
1 2 2
1 db
n db
χ ⎡
⎤ −
⎢ ⎥
− ⎣
⎦
2.6.6 TLI Tucker-Lewis Index
Rumus TLI Hair, et.al. 1998 sebagai berikut:
2 2
2
1
B B
T T
B B
db db
TLI db
χ χ
χ −
= −
Nilai yang dianjurkan untuk TLI adalah ≥ 0.90 Wijanto, 2008.
2.6.7 NFI Normed Fit Index
Nilai NFI merupakan besarnya ketidakcocokan antara model target dengan model dasar. Nilai yang dianjurkan untuk NFI adalah
≥ 0.90 Wijanto, 2008. Formula bagi NFI Hair, et.al. 1998 adalah:
2 2
2 B
T B
NFI χ
χ χ
− =
2.6.8 PNFI Parsimonious Normed Fit Index
PNFI merupakan modifikasi dari NFI. PNFI memperhitungkan besaran derajat bebas yang digunakan untuk mencapai tingkat kesesuaian. Parsimony
didefinisikan sebagai pencapaian tingkat kesesuaian yang lebih tinggi pada setiap derajat bebas. Semakin tinggi nilai PNFI, maka semakin baik model yang
diusulkan. Formula PNFI Hair, et.al. 1998 sebagai berikut:
T B
db PNFI
NFI db
=
2.6.9 PGFI Parsimonious Goodness of Fit Index
Formula PGFI Hair, et.al. 1998 adalah sebagai berikut: 1 2
1
T
db PGFI
GFI p
q p q
= +
+ + Semakin tinggi nilai PGFI yang dihasilkan, maka semakin baik modelnya.
2.6.10 Contruct Reliabilty
Reliabilitas merupakan ukuran kekonsistenan peubah indikator dalam mengukur peubah latennya. Pemeriksaan terhadap kekonsistenan pengukuran ini
dilakukan terhadap peubah laten construct reliability untuk menilai kekonsistenan pengukuran keseluruhan peubah indikator yang mengukur peubah
laten dan terhadap masing-masing peubah indikator. Formula construct reliability adalah:
Construct Reliability
2 2
j
loadingbaku loadingbaku
e Σ
= Σ
+ Σ
2.6.11 Variance Extracted
Ukuran kekonsistenan lain yang dapat digunakan adalah Variance Extracted. Ukuran ini menggambarkan besar keragaman peubah-peubah indikator dapat
dikandung oleh peubah laten. Formula Variance Extracted adalah:
Variance Extracted
2 2
j
loadingbaku loadingbaku
e Σ
= Σ
+ Σ Sebuah konstruk mempunyai reliabilitas yang baik jika nilai construct reliability
CR -nya ≥ 0.70 dan nilai variance extracted VE-nya ≥ 0.50 Wijanto, 2008.
2.6.12 Validitas
Validias berhubungan dengan apakah suatu peubah mengukur apa yang sebenarnya diukur. Validitas dalam penelitian menyatakan derajat ketepatan alat
ukur penelitian terhadap isi atau arti sebenarnya yang diukur. Dalam bukunya Wijanto 2008, Rigdon dan Ferguson 1991, Doll, Xia, Torkzadeh 1994,
menyatakan bahwa suatu peubah dikatakan mempunyai validitas yang baik terhadap peubah lainnya, jika:
a Nilai t muatan faktornya lebih besar dari nilai t kritis 1,96.
b Muatan faktor standarnya
≥ 0.70. Sementara, Igbaria, et.al. 1997 yang menggunakan guidelines dari Hair et.al.
1995, menyatakan bahwa muatan faktor standarnya ≥ 0.50 adalah sangat
signifikan.
BAB III METODE PENELITIAN
3.1 Data
Data yang digunakan adalah data yang berasal dari Panitia Pelaksana uji sertifikasi guru rayon UNES Semarang dan rayon IAIN Wali Songo Semarang. Data ini merupakan
hasil dari penilaian portofolio peserta sertifikasi guru di Wilayah rayon UNES Semarang dan IAIN Walisongo Semarang pada tahun 2006 dan tahun 2007.
3.2 Rancangan Penelitian
3.2.1 Ukuran sampel Ukuran sampel yang digunakan adalah 212 responden yang menyebar di 20
kecamatan pada wilayah Kabupaten Pati. Responden yang terambil adalah peserta sertifikasi guru tahun 2006 dan peserta sertifikasi guru tahun 2007 di wilayah Departemen
Agama Kabupaten Pati.
3.2.2 Metode Penelitian Secara garis besar, tahap-tahapan pada penelitian ini dapat dijelaskan melalui
diagram sebagai berikut: Eksplorasi
data Spesifikasi Model
Identifikasi Model
Pendugaan Parameter
Pengujian Kesesuaian Model
Respesifikasi Model
Rekomendasi Pembobotan Penilaian
Sertifikasi Sesuai
? Ya
Tidak
3.2.3 Eksplorasi Data
Tahapan eksplorasi dilakukan untuk mengetahui gambaran keadaan data sampel yang terambil. Data yang digunakan untuk membentuk model berupa matriks
koragam dan matriks korelasi dari data asal. Matriks koragam dipilih karena data yang digunakan berupa rata-rata terboboti dari masing-masing skor indikator
sertifikasi guru. Matriks korelasi dipilih karena koefisien-koefisiennya sudah distandarkan dan sebagai pembanding matriks koragam. Data dievaluasi dengan
menggunakan SEM Structural Equation Modeling dan penghitungannya digunakan program Lisrel 8.30.
3.2.4 Spesifikasi dan Identifikasi Model
Langkah pertama adalah membentuk sebuah model pengukuran untuk semua indikator yang terlibat. Jika model pengukuran tersebut dapat diterima dan
diidentifikasi maka dilanjutkan langkah kedua yaitu menyusun model struktural. Model struktural digambarkan dengan diagram jalur sebagai berikut:
Gambar 1 Diagram Model Struktural Komponen Portofolio KA
DIK
FI
PR PM
PPP PAP
PA KPP
PO MUTU