Standardize Loading dapat diperoleh dari output AMOS 4.01, dengan melihat
nilai estimasi setiap Construct Reliability regression weigths terhadap setiap butir sebagai indikatornya.
3.5.3 Pengujian Hipotesis dan Hubungan Kausal
Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandar dengan pengujian signifikansi pembanding nilai CR Critical Ratio atau P
Probability yang sama dengan nilai t hitung. Apabila t hitung lebih besar daripada t tabel berarti signifikan.
3.5.4 Pengujian Model Dengan One Step Approach
Dalam metode SEM, model pengukuran dan model struktur parameter- parameternya diestimasi secara bersama-sama. Cara ini agak mengalami kesulitan
dalam memenuhi fit model. One Step Approach to SEM digunakan apabila model diyakini dan dilandasi teori yang kuat serta validitas dan reliabilitas data sangat
baik.
3.5.5. Pengujian Model dengan One Step Approach-Modification
Apabila dengan One Step Approach-Base Model tidak dapat dihasilkan evaluasi model yang baik terhadap keseluruhan criteria goodness fit of index maka
akan dilanjutkan dengan One Step Approach-modification.
3.5.6 Evaluasi 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 jit” dengan data Amos dapat menguji apakah model
“good fit” atau “poor fit”. Jadi “good fit” model yang diuji sangat penting dalam penggunaan Structural Equation Modelling.
Pengujian terhadap model yang dikembangkan dengan berbagai kriteria Goodness of Fit
, yakni Chi-square, Probability, RMSEA, GFI, TLI, CFI, AGFI, CMINDF.
Apabila model awal tidak good fit dengan data maka model dikembangkan dengan pendekatan Two Step Approach to Structural Equation
Modelling SEM.
Berikut ini disajikan beberapa indeks kesesuaian dan cut off valuenya untuk digunakan dalam menguji apakah model dapat diterima atau ditolak.
1. X
2
Alat uji yang paling fundamental untuk mengukur overall fit adalah likehood ratio chi-square statistic.
Chi-square ini bersifat sangat sensitive terhadap besarnya sampel yang digunakan karena itu bila jumlah sampel adalah cukup
besar yaitu lebih dari 200 sampel maka statistic chi-square ini harus didampingi oleh alat uji lainnya. Model yang diuji akan dipandang baik atau
memuaskan bila nilai chi-squarenya rendah. Semakin kecil nilai X – Chi Square Statistic
2
semakin
baik model itu. Dalam pengujiannya ini nilai X
2
2. RMSEA-The Rood Mean Square Error of Appoximation yang rendah yang
menghasilkan sebuah tingkat signifikansi yang lebih besar dari 0,05 akan mengindikasikan tak adanya perbedaan yang signifikan antara matriks
kovarians yang diestimasi.
Adalah sebuah indeks yang dapat digunakan untuk mengkompensasikan chi- square statistic
dalam sampel yang besar nilai RMSEA menunjukkan goodness-of-fit
yang dapat diharapkan bila model diestimasi dalam populasi. Nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan indeks
untuk dapat diterimanya model yang menunjukkan sebuah close-fit dari model ini berdasarkan degree of freedom.
3. GFI-Goodness of Fit Index Indeks kesesuaian fit index ini akan menghitung proporsi tertimbang dari
varians dalam matriks kovarians sampel yang dijelaskan oleh matriks kovarians populasi yang terestimasikan. GFI adalah sebuah ukuran non-
statistical yang mempunyai rentang nilai antara 0 poor fit sampai dengan 1,0
perfect fit nilai yang tinggi dalam indeks ini menunjukkan sebuah “better fit
”.
4. AGFI-Adjusted Goodness of fit indeks Adalah analog dari R
2
dalam regresi berganda. Fit index ini dapat didjust terhadap degree of freedom yang tersedia untuk menguji diterima tidaknya
model. Tingkat penerimaan yang direkomendasikan adalah bila AGFI
mempunyai nilai sama dengan atau lebih besar dari 0,09 perlu diketahui bahwa baik GFI maupun AGFI adalah kriteria yang diperhitungkan proporsi
tertimbang dari varians dalam sebuah matriks kovarians sampel.
5. CMIN DF The
minimum sample discrepancy function CMN dibagi dengan degree of freedom-
nya akan menghasilkan indeks CMIN DF, yang umumnya dilaporkan oleh para peneliti sebagai salah satu indikator untuk mengukur
tingkat fit-nya sebuah model.
6. TLI-Tucker Lewis Index TLI adalah sebuah alternatif incremental fit index yang membandingkan
sebuah model yang diuji terhadap sebuah baseline model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah
penerimaan 0,95 dan nilai yang sangat mendekati 1 menunjukkan a very good fit.
7. CFI-Comparative Fit Index Besaran indeks ini adalah pada rentang nilai sebesar 0-1, dimana semakin
mendekati 1 mengindikasikan tingkat fit yang paling tinggi a very good fit. Nilai yang direkomendasikan adalah CFI 0,95.
Tabel 3.1: Goodness Fit Index
Goodness of fit index
Keterangan Cut-off-value
X
2
Menguji apakah covariance
yang diestimasi sama dengan covariance
sample apakah model sesuai dengan data
– Chi Square Diharapkan kecil 1
sd 5 atau paling baik diantara 1 dan 2.
Probability Uji signifikansi terhadap
perbedaan matriks
covariance data dan
matriks covariance yang
diestimasi. Minimum 0,1 atau
0,2 atau 0,05
RMSEA Mengkompensasi
kelemahan Chi-Square
pada sampel besar 0,08
GFI Menghitung proporsi
tertimbang varians dalam matriks sampel yang
dijelaskan oleh matriks covariance
populasi yang diestimasi analog dengan
R
2
0,90
dalam regresi berganda.
AGFI GFI yang disesuaikan
terhadap DF 0,90
CMINDDF Kesesuaian antara data dan
model 2,00
TLI Pembandingan antara
model yang diuji terhadap baseline
model 0,95
CFI Uji kelayakan model yang
tidak sensitive terhadap besarnya sampel dan
kerumitan model. 0,94
Sumber : Hair et al., 1998
3.6 Pengujian Hipotesis