b. Program tidak mampu menghasilkan matriks informasi yang seharusnya disajikan.
c. Munculnya angka-angka aneh, misalnya varian error negatif.
d. Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat lebih dari 0,9.
e. Pendugaan tidak dapat diperoleh, misalnya terjadi matriks tidak defisit positif.
6. Evaluasi Penerimaan Model Evaluasi Goodness of Fit Model
Hair et.al, 1998 menjelaskan bahwa pola “confirmatory” menunjukkan
prosedur yang dirancang untuk mengevaluasi utilitas hipotesis- hipotesis dengan pengujian fit antara model teoritis dan data empiris,
jika model teoritis menggambarkan “good fit” dengan data, maka model
dianggap sebagai yang diperkuat. Sebaliknya, suatu model teoritis tidak diperkuat jika teori tersebut mempunyai suatu
“poor fit” dengan data. Amos dapat menguji apakah model
“good fit”. Jadi “good fit” model yang diuji sangat penting dalam penggunaan
Structural Equation Modeling.
Pengujian terhadap model yang dikembangkan dengan berbagai kriteria
Goodness of Fit, yakni Chi-square, Probality, RMSEA, GFI, TLI, CFI, AGFI, CMINDF. Apabila model awal tidak good fit dengan data
maka model dikembangkan dengan pendekatan modification indices
atau pendekatan two step approach to SEM.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Tabel 3. Model “Good Fit”
GOODNESS OF FIT INDEX
KETERANGAN CUT-OFF VALUE
X2 Chi-square Menguji apakah covariance populasi yang
destimasi sama dengan covariance sample apakah model sesuai dengan data.
Diharapkan kecil, 1 s.d 5 atau paling
baik diantara 1 dan 2
Probability Uji signifikansi terhadap perbedaan matrik
covariance data dan matrik covariance yang diestimasi
Minimum 0,1 atau 0,2 atau
≥ 0,05 CMINDDF
Kesesuaian antara data dan model ≤ 2,00
RMSEA Mengkompensasi kelemahan Chi-square pada
sample besar ≤ 0.08
GFI Menghitung proporsi terimbang varians dalam
matriks sample yang dijelaskan oleh matriks covariance populasi yang diestimasi analog
dengan R2 dalam regresi berganda. ≥ 0,90
AGFI GFI yang disesuaikan terhadap DF
≥ 0,90 TLI
Pembandingan antara model yang diuji terhadap baseline model
≥ 0,95 CFI
Uji kelayakan model yang tidak sensitive terhadap besarnya sample dan kerumitan model
≥ 0,94
Sumber : Hair et.al., 1998
Kriteria untuk menentukan signifikansi parameter hasil estimasi dalam SEM dapat dilakukan dengan uji t. Pengujian parameter tersebut,
meliputi : a. Parameter Gamma
, yaitu parameter pengaruh efek variabel eksogen terhadap variabel endogen.
b. Parameter Delta dan Epsilon , yaitu parameter yang berkaitan
dengan error pada pengukuran variabel latent eksogen delta dan Endogen epsilon berdasarkan indikator-indikator yang
membentuknya. c. Parameter Beta
, yaitu parameter pengaruh efek variabel endogen terhadap variabel endogen lainnya.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
d. Parameter Lambda , yaitu parameter yang berkaitan dengan
pengukuran variabel latent berdasarkan indikator-indikator yang membentuknya.
e. Parameter-parameter Psi , Phi , Theta .
Kriteria kekuatan hubungan pengaruhefek persamaan-persamaan struktural structural equation dilihat dari besarnya nilai koefisien
determinasi R2. Apabila nilai ini semakin besar, yaitu semakin mendekati 1 satu, maka hubungan pengaruhefek persamaan-
persamaan struktural tersebut semakin kuat. Pada tahap Evaluasi Goodness of Fit Model ini dimaksudkan untuk
mengevaluasi fit tidaknya model atau kesesuaian model dengan menelaah : 1 Penilaian asumsi Normality dan Linearity, 2 Penilaian
asumsi Outlier, 3 Penilaian Multicollinearity dan Singularity, 4 Penilaian Unidimensionality, 5 Penilaian Reliability, 6 Penilaian
Validity, 7 Penilaian Gooness of Fit Model. 1. Penilaian Normality dan Linearity
a. Normalitas dapat diuji dengan melihat gambar histogram data atau dapat diuji dengan metode-metode statistik.
b. Menggunakan critical ratio yang diperoleh dengan membagi koefisien sampel dengan standar errornya dan skewness
value yang biasanya disajikan dalam statistik deskriptif dimana nilai statistik untuk menguji normalitas tersebut sebagai Z-
value. Pada tingkat signifikan 1, jika nilai Z lebih besar dari
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
nilai kristis, maka dapat diduga bahwa distribusi data adalah tidak normal.
c. Normal probality plot SPSS 10.1 d. Linearitas dengan mengamati scatterplots dari data yaitu
dengan memilih pasangan data dan dilihat pola penyebarannya untuk menduga ada tidaknya linieritas.
2. Penilaian Asumsi Outlier a. Mengamati nilai Z-score : ketentuannya diantara ± 3,0 non
outlier. b. Multivariate outlier diuji dengan kriteria jarak Mahalanobis
pada tingkat p 0,001. jarak diuji dengan Chi-Square λ pada
df sebesar jumlah variabel bebasnya, ketentuan bila mahalanobis dari nilai
λ adalah Multivariate outlier. Outlier adalah observasi atau data yang memiliki karakteristik
unik yang terlihat sangat berbeda jauh dari observasi- observasi lainnya dan muncul dalam bentuk nilai ekstrem
untuk sebuah variabel tunggal atau variabel kombinasi Hair, 1998.
3. Penilaiandeteksi Asumsi Multicollniearity dan Singularity Dengan mengamati determinant matriks covarians, dengan
ketentuan apabila determinant sample matrix mendekati angka 0 kecil, maka terjadi multikolinieritas dan singularitas Tabachnick
Fidel, 1998.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Asumsi Multicollniearity dan Singularity mengharuskan antar variabel indikator tidak terjadi korelasi dan tidak terjadi singularity.
Multicollniearity dan Singularity dapat dideteksi dari nilai Determinant Matrix Covariance. Nilai Determinant Matrix
Covariance yang sangat kecil dan bahkan mendekati nol mengindikasikan adanya masalah multicollniearity dan singularity.
4. Penilaian Unidimensionality Konstruk Unidimensionality Variabel Konstruk mengharuskan adanya
kesamaan ukur antara variabel konstruk dengan indikatornya. Uji Unidimensionality variabel konstruk dilakukan dengan cara
mengembangkan measurement modeling masing-masing variabel konstruk dalam Conformatory Factor Analysis CFA. Kriteria
untuk menguji Unidimensionality adalah Goodness of Fit Index GFI dengan Cut-off = 0,90. Unidimensionality Variabel Konstruk
dipenuhi bilamana GFI – statistik 0,90. 5. Penilaian Realibility Konstruk
Bila telah dipenuhinya unidimensionality, dilanjutkan dengan penilaian reliability variabel konstruk terhadap indikatornya. Untuk
menguji reliabilitas setiap konstruk digunakan kriteria Construct Reliability CR dengan Cut-off = 0,70 dan Variance Extracted
VE dengan Cut-off = 0,50. Pengukuran suatu konstruk diindikasikan reliabel terhadap indikatornya dilamana CR-statistik
0,70 dan tidak reliabel bilamana CR-statistik 0,70. Bila
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
digunakan uji Variance Extracted VE, maka suatu pengukuran konstruk dikatakan reliabel bilama VE-statistik 0,50 dan tidak
reliabel bila VE-statistik 0,50.
6. PenilaianUji Validity
Konstruk Validitas variabel konstruk dideteksi berdasarkan signifikansi
tingkat nyata loading factor regression weight konstruk terhadap indikatornya. Bilama loading factor
i secara statistik nyata signifikan maka indikator ke-i sebagai pengukur variabel
konstruk adalah valid dan bilamana sebaliknya tidak valid. 7. PenilaianUji Gooness of Fit Model
Langkah ini meliputi Uji Kesesuaian Model dan Uji Statistik. Uji Kesesuaian Model didasarkan pada Goodness of Fit-Statistik
hasil analisis, antara lain CMIN Chi-Square, GFI, AGFI, CFI, TLI, RMSEA dan kriteria lainnya dengan cut-off. Uji Statistik
adalah menguji hipotesis yang telah dibangun dengan menguji signifikansi parameter regresi regression weight.
7. Interpretasi dan Modifikasi Model