Teknik Analisis METODE PENELITIAN
54 kovarian atau matriks korelasi. Analisis terhadap data outlier harus dilakuakan
sebelum matriks kovarian atau korelasi dihitung. Teknik estimasi model persamaan structural pada awalnya dilakukan dengan
ordinary least square OLS regression, tetapi teknik ini telah digantikan oleh Maximum Likedhood Estimation ML yang lebih efisien dan unbiased jika
asumsi normalitas multivariate dipenuhi.
Langkah kelima 5
: Menilai Identifikasi Model Struktural Selama proses estimasi berlangsung dengan program computer, sering
didapat hasil estimasi yang tidak logis atau meaningless dan hal ini berkaitan dengan masalah identifikasi model structural. Problem identifikasi adalah ketidak
mampuan proposed model untuk menghasilkan unique estimate. Cara mendeteksi ada tidaknya problem identifikasi adalah dengan melihat
hasil estimasi yang meliputi : 1 adanya nilai standar error yang besar untuk satu atau lebih koefisien, 2 ketidakmampuan program untuk invert information
matrix, 3 nilai estimasi yang tidak mungkin misalkan error variance yang negative, 4 adanya nilai korelasi yang tinggi .0.90 antar koefisisen estimasi.
Langkah keenam 6 :
Menilai Kriteria Goodnes-fit Salah satu tujuan dari analisis jalur path analysis adalah menentukan
apakah model masuk akalfit. Suatu model penelitian dikatakan baik apabila memiliki model yang fit pula. Tingkat kesuaian model menurut Imam Ghozali
2008 adalah sebagai berikut: 1.
Absolute Fit Measures
55 Absolute Fit Measures mengukur model fit secara keseluruhan baik
model structural maupun model pengukuran secara bersama. a.
Likelihood-Ratio Chi-Square Statistic Ukuran fundamental dari overall fit adalah likedlihood ratio chi-
square χ
2
. Nilai chi- square yang tinggi relative terhadap degree of freedom menunjukkan bahwa matriks kovarian atau korelasi
yang diobsevasikan dengan yang diprediksi berbeda secara nyata dan ini menghasilkan probabilitas ρ lebih kecil dari tingkat
signifikansi α. Sebaliknya nilai chi-square akan menghasilkan nilai pr
obabilitas ρ yang lebih besar dari tingkat signifikansi α dan ini menunjukkan bahwa input matrik kovarian antara prediksi
dengan observasi sesungguhnya tidak berbeda secara signifikan. Dalam hal ini peneliti harus mencari nilai chi-square
dimana ρ ≥ 0.05 atau tidak signifikan karena mengharapkan bahwa model
yang diusulkan cocok atau fit dengan data observasi. b.
CMINDF Adalah nilai chi-square dibagi dengan degree of freedom.
Beberapa pengarang menganjurkan menggunakan ratio ukuran ini untuk mengukur fit. Menurut Wheaton et. Al 1977 nilai ratio 5
lima atau kurang dari 5 lima merupakan nilai reasonable. Peneliti lainnya seperti Byrne 1988 mengusulkan nilai ratio ini
2 merupakan nilai ukuran fit. c.
Goodness of index GFI
56 GFI dikembangkan oleh Joreskog dan Sorborn 1984 yaitu ukuran
non- statistik yang nilainya berkisar dari nilai 0 poor fit sampai 1.0 perfect fit. Nilai GFI yang tinggi menunjukkan nilai fit yang
lebih baik dan beberapa nilai GFI yang dapat diterima sebagai nilai yang layak sebelum ada standarnya, tetapi banyak peneliti
menganjurkan nilai diatas 90 sebagai ukuran good fit. d.
Root Mean Square Error of Approximation RMSEA RMSEA merupakan ukuran yang mencoba memperbaiki
kecenderungan statistic chi-square menolak model dengan jumlah sampel yang besar. Nilai RMSEA antara 0.05 sampai 0.08
merupakan ukuran yang dapat diterima. Hasil uji empiris RMSEA cocok untuk menguji model konfirmatori atau competing model
strategi dengan jumlah sampel yang besar. 2.
Incremental Fit Measures Incremental fit measures membandingkan proposed model dengan
baseline model yang sering disebut dengan null model. Null model merupakan model realistic dimana model-model yang lain harus diatasnya.
a. Ajusted Goodness-of-Fit AGFI AGFI merupakan perkembangan 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. Tucker-Lewis Index TLI
57 TLI atau dikenal dengan nonnormed fit index NNFI. Ukuran ini
menggabungkan ukuran parsimony kedalam index komparasi antara proposed model dan null model dan nilai TLI berkisar dari 0
sampai dengan 1.0. Nilai TLI yang direkomendasikan adalah ≥ 0.90.
c. Normed Fit Index NFI NFI merupakan ukuran perbandinagn antara proposed model dan
null model. Nilai NFI akan bervariasi dari 0 sampai 1. Seperti halnya TLI tidak ada nilai absolute yang dapat digunakan sebagai
standar, tetapi umumnya direkomendasikan ≥ 0.90. 3.
Parsimonious Fit Measures Ukuran ini menghubungkan goodness-of-fit model dengan sejumlah
koefisien estimasi yang diperlukan untuk mencapai level fit. Tujuan dasarnya adalah untuk mendiagnose apakah model fit telah tercapai dengan
“overfitting” data yang memiliki banyak koefisien. Prosedur ini mirip dengan “adjustment” terhadap nilai R
2
didalam multiple regression. Namun, karena tidak ada uji statistik yang tersedia maka penggunaannya hanya terbatas
untuk membandingkan model. a. Parsimonious Normal Fit Index PNFI
PNFI merupakan modifikasi dari NFI. PNFI memasukan jumlah degree of freedom yang digunakan untuk mencapai level fit.
Semakin tinggi nilai PNFI semakin baik. Kegunan utama dari PNFI adalah untuk membandingakn model dengan degree of
58 freedom yang berbeda. Digunakan untuk membandingkan model
alternative sehingga tidak ada nilai yang direkomendasikan sebagai nilai fit yang diterima.
b. Parsimonious Goodness-of-fit Index PGFI PGFI merupakan modifikasi dari GFI atas dasar parsimony estimed
model. Nilai PGFI berkisar antara 0 sampai 1.0 dengan nilai semakin tinggi semakin menunjukkan model lebih parsimony.
59
Tabel. 3.1 Sandar Penilaian Kesesuaian Fit
Laporan Statistik Nilai yang Direkomendasikan Imam Ghozali 2008
Cut of value Keterangan
Absolut Fit
Probabilitas �
2
Tidak Signifikan p0.05 Model yang diusulkan
cocok fit dengan data observasi
�
2
df ≤5
-Ukuran yang reasonable
2 -Ukuran yang Fit
RMSEA 0.1
-good fit 0.05
-very good fit 0.01
-outstanding fit 0.05 ≤ � ≥ 0.08
-reasonable fit GFI
0.90 good fit
Incremental Fit
AGFI ≥ 0.90
good fit TLI
≥ 0.90 good fit
NFI ≥ 0.90
good fit
Parsimonious Fit
PNFI 0 - 1.0
lebih besar lebih baik PGFI
0 - 1.0 lebih besar lebih baik
Sumber : Data diolah
60
Langkah ketujuh 7 : Interprestasi dan Modifikasi Model
Ketika model
telah dinyatakan
diterima, maka
peneliti dapat
mempertimbangkan dilakukannya modifikasi model untuk memperbaiki penjelasan teoritis atau goodness-of-fit. Modifikasi dari model awal harus
dilakukan setelah dikaji banyak pertimbangan. Jika model dimodifikasi, maka model tersebut harus di cross-validated diestimasi dengan data terpisah sebelum
model modifikasi diterima.