Incremental Fit Measures Parsimonious Fit Measures

68 uji empiris RMSEA cocok untuk menguji model konfirmatori atau competing model strategy dengan jumlah sampel besar.

B. Incremental Fit Measures

Incremental fit measure membandingkan proposed model dengan baseline model sering disebut dengan null model. Null model merupakan model realistis dimana model-model yang lain harus diatasnya. a AGFI Merupakan pengembangan dari GFI yang disesuaikan dengan ratio degree of freedom untuk proposed model dengan degree of freedom untuk null model. Nilai yang direkomendasikan adalah ≥0,90. b TLI Tucker-Lewis Index atau dikenal dengan nonnormed fit index NNFI pertama kali diusulkan sebagai alat untuk mengevaluasi analisis faktor, tetapi sekarang dikembangkan oleh SEM. Ukuran ini menggabungkan ukuran parsimony kedalam indek komparasi antara proposed model dengan null model dan nilai TLI berkisar dari 0 sampai 1.0. nilai TLI yang direkomendasikan adalah ≥ 0.90. 69 c NFI Normed Fit Index merupakan ukuran perbandingan antara proposed model dan null model. Nilai NFI akan bervariasi dari 0 no fit all sampai 1 perfect fit. Seperti halnya TLI tidak ada nilai absolut yang dapat digunakan sebagai standar, tetapi umumnya direkomendasikan sama atau 0.90.

C. Parsimonious Fit Measures

Ukuran ini menghubungkan goodness-of-fit model dengan sejumlah koefisien estimasi yang diperlukan untuk mencapai level fit. Tujuan dasarnya adalah untuk mendiagnosa apakah model fit telah tercapai dengan “overfitting” data yang dimiliki banyak koefisien. Prosedur ini mirip dengan “adjustment” terhadap R 2 dalam multiple regression. Namun demikian karena tidak ada uji statistik yang tersedia maka penggunaannya hanya terbatas untuk membandingkan model. a PNFI Parsimonious normal fit index merupakan modifikasi dari NFI. PNFI memasukan jumlah degree of freedom yang digunakan untuk mencapai level fit. Semakin tinggi PNFI semakin baik. Kegunaan utama dari PNFI adalah untuk membandingkan model dengan degree of freedom yang 70 berbeda. Digunakan untuk membandingkan model alternatif sehingga tidak ada nilai yang direkomendasikan sebagai nilai fit yang diterima. Namum demikian jika membandingkan dua model maka perbedaan PNFI 0.60 sampai 0.90 menunjukan adanya perbedaan model yang signifikan. b PGFI Parsimonious goodness-of-fit index memodifikasi GFI atas dasar parsimony estimated model. Nilai PGFI berkisar antara 0 sampai 0.1 dengan nilai semakin tinggi menunjukan model lebih baik untuk parsimony. 71 Tabel 3.2 Kriteria Uji Kesesuaian Model Indikator Fit Nilai yang Direkomendasikan Evaluasi Model Absolute Fit Chi-Square Mendekati 0 Marginal CMIN ≤ 2.00 Good Fit CMINDF ≤ 5.00 Good Fit GFI ≥ 1 Perfect Fit Poor Fit RMSEA ≤ 0.08 0.05 Good Fit Close Fit AGFI ≥ 0.91 0.80 ≤ GFI 0.90 Good Fit Marginal Fit Incremental Fit AGFI ≥ 0.90 0.80 ≤ GFI 0.90 Good Fit Marginal Fit NNFI or Tucker Lewis Index TLI TLI ≥ 0.90 0.80 ≤ TLI 0.90 Good Fit Marginal Fit NFI NFI ≥ 0.90 0.80 ≤ NFI 0.90 Good Fit Marginal Fit Parsimonious Fit PNFI 0 – 1 Lebih besar lebih baik PGFI 0 – 1 Lebih besar lebih baik Sumber: diolah dari berbagai sumber 6 Measurement model fit Setelah keseluruhan model fit dievaluasi, maka langkah berikutnya adalah pengukuran setiap konstruk untuk menilai unidimensionalitas dan reliabilitas dari konstruk. Unidimensionalitas adalah asumsi yang melandasi perhitungan reliabilitas dan ditunjukan ketika indikator suatu konstruk memiliki 72 acceptable fit satu single factor one dimensional model. Peneliti harus melakukan uji unidimensionalitas untuk semua multiple indicator construct sebelum menilai reliabilitasnya. Pendekatan untuk menilai measuremen model adalah mengukur composite reability dan variance extrated untuk setiap konstruk. Reabiliti adalah ukuran internal konsistensi indikator suatu konstruk. Hasil reliabilitas yang tinggi memberikan keyakinan bahwa indikator individu semua konsisten dengan pengukurannya. Tingkat reliabilitas yang diterima secara umum adalah 0.70 sedangkan reliabilitas 0.70 dapat diterima untuk penelitian yang masih bersifat eksploratori. Perlu diketahui bahwa reliabilitas tidak menjamin adanya validitas, validitas adalah ukuran sampai sejauh mana suatu indikator secara akurat mengukur apa yang hendak ingin diukur. Ukuran reliabilitas yang lain adalah variance extracted sebagai pelengkap ukuran construct reability. Angka yang direkomendasikan untuk nilai variance extrated 0.50. 7 Struktural model fit Untuk menilai struktural model fit melibatkan signifikasi dari koefisien. SEM memberikan hasil nilai estimasi koefisien, standard err or dan nilai critical value cr untuk setiap koefisien. Dengan tingkat signifikasi tertentu 0,05 maka kita dapat menilai signifikasi masing-masing koefisien secara statistik. Pemilihan 73 tingkat signifikasi dipengaruhi oleh justifikasi teoritis untuk hubungan kausalitas yang diusulkan. 8 Membandingkan Competing atau Nested Model Competing model atau strategi pengembangan model dilakukan dengan membandingkan hasil suatu model untuk menentukan model terbaik dari berbagai alternatif model yang ada. Langkah yang dilakukan peneliti adalah mulai dengan model awal dan dilanjutkan dengan spesifikasi beberapa model untuk meningkatkan model fit. Untuk membandingkan model telah dikembangkan beberapa pengukuran. Satu pengukuran untuk overall model fit, ada juga ukuran model parsimony. Perbedaan antar model dapat dilihat dari nilai chi-square. 9 Interpretasi dan modifikasi model Ketika model dinyatakan diterima, maka peneliti dapat mempertimbangkan dilakukannya modifikasi model untuk memperbaiki penjelasan teoritis atau goodness fit. Modifikasi dari model awal harus dilakukan setelah dikaji banyak pertimbangan. Jika model dimodifikasi, maka model tersebut hasrus di cross- validated diestimasi dengan data terpisah sebelum model modifikasi diterima. Pengukran model dapat dilakukan dengan modification indices , nilai modification indices sama dengan terjadinya 74 penurunan chi-square jika koefisien diestimasi. Nilai sama dengan atau 3.84 menunjukan terjadi penurunan chi- square yang singnifikan. Tabel 3.3 Tahapan Structural Equation Modelling No Tahapan 1 Pengembangan model berdasar teori 2 Menyusun diagram jalur dan persamaan struktural 3 Memilih jenis input matrik dan estimasi model yang diusulkan 4 Menilai identifikasi model struktural 5 Menilai Kriteria Goodness-of-Fit 6 Measurement model fit 7 Struktural model fit 8 Membandingkan Competing atau Nested Model 9 Interpretasi dan modifikasi model Sumber: Ghozali 2007 3. Asumsi SEM Estimasi parameter dalam SEM umumnya berdasarkan pada metode maximum likelihood ML. Perlu diketahui bahwa estimasi dengan metode ML menghendaki adanya asumsi yang harus dipenuhi Ghozali, 2007, yaitu: 75 a. Jumlah sampel harus besar asymptotic Analisis struktur kovarian atau SEM berdasar pada large sample size theory . Sehingga jumlah sampel yang besar sangat kritis untuk mendapatkan estimasi parameter yang tepat, begitu juga dicapainya asymptotic distribusional approximation . b. Distribusi dari observed variabel normal secara multivariate Analisis SEM juga menghendaki distribusi variabel harus multivariate normal sebagai konskuensi dari asumsi sampel besar asymptotic dan penggunaan metode estimasi ML. Berdasarkan kajian hasil studi empiris non-normalitas dalam SEM, West et.al 1995 dalam Ghozali 2007 menemukan empat hal penting: 1. Jika data meningkat menjadi semakin tidak normal, maka nilai X 2 yang diperoleh estimasi ML dan GLS menjadi sangat besar. Situasi seperti ini mendorong peneliti melakukan modifikasi terhadap model yang dihipotesiskan agar supaya diperoleh model fit. 2. Jika ketika jumlah sampel kecil bahkan dalam kondisi normal multivariete, kedua metode estimasi ML dan GLS menghasilkan nilai X 2 yang inflated. Lebih jauh lagi jika jumlah sampel kecil dan tidak normal, maka peneliti akan menghadapi hasil analisis yang tidak converge atau hasilnya improper solution . 76 3. Jika data tidak normal, maka fit index seperti Tucker Lewis Index TLI dan Comparative Fit Index CFI menghasilkan nilai yang underestimate. 4. Data yang tidak normal dapat menghasilkan standard error yang rendah, dengan degree of freedom berkisar dari moderat ke kuat. Oleh karena standard error underestimate, maka koefisien regresi dan error covariance akan signifikan secara statistik, walaupun hal ini tidak terjadi pada populasinya. c. Model yang dihipotesiskan harus valid Validitas digunakan untuk mengukur sejauh mana variabel yang digunakan benar- benar mengukur apa yang seharusnya diukur. Validitas berasal dari validity berarti ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurnya. Syarat instrumen yang baik adalah instrumen tersebut harus valid. Sebuah instrumen dikatakan valid apabila mampu mengukur apa yang hendak diukur yang validitasnya tinggi akan mempunyai varian kesalahan yang kecil, sehingga data yang terkumpul merupakan data yang dapat dipercaya. d. Skala pengukuran variabel kontinyu interval Skala pengukuran variabel dalam SEM merupakan yang paling kontroversial dan banyak diperdebatkan. Kontroversi ini timbul karena perlakuan variabel ordinal yang dianggap sebagai variabel kontinyu. Umumnya pengukuran satu variabel laten 77 menggunaknan skala likert dengan 5 kategori yaitu sangat tidak setuju STS, tidak setuju TS, netral N, setuju S dan sangat setuju SS yang sesungguhnya berbentuk skala ordinal peringkat. 78

BAB IV PENEMUAN DAN PEMBAHASAN