3.6. Pengujian Hipotesis dan Hubungan Kausal
a. Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandar,
dengan pengujian signifikan pembanding nilai Critical ratio atau p probability yang sama dengan nilai t hitung. Apabila t hitung lebih
besar dari pada t table berarti signifikan. b.
Pengujian Model dengan Two- Step Approach
Two-Step Approach digunakan untuk mengatasi masalah sampel data yang lebih kecil jika dibandingkan dengan jumlah butir instrumentasi yang
digunakan Hartline Farrel, 1996 dan keakuratan reliabilitas indikator- indikator terbaik dapat dicapai dalam two-step approach ini. Two-Step
Approach bertujuan untuk menghindari interaksi antara model pengukuran dan model structural pada One-Step Approach Hair et.al,1998 .
Yang dilakukan dalam two-step approach to SEM adalah estimasi terhadap measurement model dan estimasi terhadap structural model Anderson
dan Gerbing, 1998. Cara yang dilakukan dalam menganalisis SEM dengan two- step approach adalah sebagai berikut:
1. Menjumlahkan skala butir-butir setiap konstrak menjadi indikator
summed-scale bagi setiap konstrak. Jika terdapat skala yang berbeda setiap indikator tersebut distandarisasikan Z-scores dengan mean = 0, deviasi
standar = 1 yang tujuannya adalah mengeliminasi pengaruh-pengaruh skala yang berbeda-beda tersebut Hair et,al, 1998 .
2. Menetapkan error
ε dan lambda λ terms, error terms dapat dihitung dengan rumus 0,1 kali
σ² dan lambda terms dengan rumus 0,95 kali σ
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Anderson dan Gerbing, 1998 . Perhitungan constrak reliability α telah
dijelaskan pada bagian sebelumnya dan deviasi standar σ dapat dihitung
dengan bantuan program aplikasi SPSS. Setelah error ε dan lambda λ
term diketahui, skor-skor tersebut dimasukkan sebagai parameter fix pada analisis model pengukuran SEM.
3.8. Evaluasi Model
Menurut Hair et.al,1998 menjelaskan bahwa pola “ Confimartory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas hipotesis-
hipotesis dengan pengujian fit antara model teoritis dan empiris. Jika model teoritis menggunakan “ good fit” dengan data, maka model dianggap sebagai yang
diperkuat. Sebaliknya, suatu model teoritis tidak diperkuat teori tersebut mempunyai suatu “ poor fit” dengan data, AMOS dapat menguji apakah model
“good fit” atau “ poor fit”. Jadi “ good fit” model yang diuji sangat penting dalam pengukuran SEM.
Pengujian terhadap model yang dikembangkan dengan berbagai kriteria goodnes of fit, chi square statistic, rmsea, adjusted goodness of fit, cmin, tucker
lewis index, dan cfi. Apabila model awal tidak good fit dengan data maka model dikembangkan dengan pendekatan Two-Step Approach to SEM.
1. X²- Chi Square Statistic
Merupakan alat paling fundamental untu mengukur overall fitt adalah likelihood ratio chi-square statistic. Chi-square bersifat sangat
sensitive terhadap besarnya sample yang digunakan. Model yang diuji akan
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
dipandang baik atau memuaskan bila nilai chi-squarenya rendah. Semakin kecil nilai x² semakin baik model itu x²= 0, berarti tidak ada perbadaan,
karena tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai dengan data atau fit terhadap data.
2. Probability
Merupakan uji signifikan terhadap perbedaan matriks covariance data dan matriks covariance yang diestimasi.
3. RMSEA – The root mean square of approach
RMSEA adalah sebuah indeks yang dapat digunakan untuk mengkompensasi chi-square dalam sample yang besar. Nilai RMSEA
menunjukkan goodness of fit yang dapat diharapkan bila model diestimasi dalam populasi. Nilia RMSEA yang lebih kecil atau sama dengan 0,8
merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan degress of frredom.
4. GFI- Goodness of fit
GFI adalah analog dari R² dalam regresi berganda. Indeks kesesuaian ini akan menghitung proporsi tertimbang dari varians dalam matriks
kovarians sample yang dijelaskan oleh matrik kovarian populasi yang diestimasikan. GFI adalah sebuah ukuran non statisikal yang mempunyai
rentan nilai antara 0 poor fit sampai 1.0 perfect fit. Nilai yang tinggi dalam indeks ini menunjukkan sebuah “better fit”.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
5. AGFI- Adjust goodness of fit
AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians dalam sebuah matriks kovarians sample. Nilai sebesar 0,095
dapat diinterpretasikan sebagai nilai antara 0,90-0,95 menunjukkan tingkat cukup- adequate fit Hulland et at,1996 .
6. CMIN DF
The mninimum sample discrepancy function CMIN dibagi dengan degrre of freedomnya akan menghasilkan indekas CMIN DF. Pada umumnya
diartikan sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model. Dalam hal ini CMINDF tidak lain adalah statistic chi square X²
dibagi Dfnya. 7.
TLI- Tucker lewis index TLI
adalah 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.
8. CFI- Comporative fit index
Besaran nilai ini pada rentang nilai sebesar 0-1, dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi. Nilai yang
direkomendasikan adalah CFI0,9 keunggulan dari indek ini besarannya tidak dipengaruhi oleh ukuran sample karena itu sangat baik untuk mengukur
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
tingkat penerimaan sebuah model. Indeks CFI adalah identik dengan Relative Noncentrality Index RNI.
Goodnes of Fit Indices Goodnes of
Fit Index Keterangan
Cut- off value X²- Chi
square Menguji apakah convariance populasi
yang destimasi sama dengan covariance sample apakah model
sesuai data Diharapkan
kecil,1 s.d 5, atau paling baik 1 dan
2.
Probability Uji signifikan terhadap perbedaan
matriks covariace data dan matriks covariance yang diestimasi.
Minimum 0,1 atau 0,2 atau
≥ 0,05.
RMSEA Mengkompensasi kelemahan Chi
square pada sample besar
≤0,08
GFI Menghitung proporsi tertimbang
varians dalam matriks sampel yang dijelaskan oleh matrik covariance
populasi yang diestimasi [analog dengan R² dalam regresi berganda].
≥ 0,90.
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 kerumitannya
≥0,94
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
BAB IV HASIL PENELITIAN DAN PEMBAHASAN