telah dijelaskan pada bagian sebelumnya standar [
σ
] dapat dihitung dengan program aplikasi statistik SPSS. Setelah error [
є
] dan lambda [
λ
] terms diketahui, skor-skor tersebut dimasukkan sebagai parameter fix
pada analisis model pengukuran SEM.
3.5.3. Evaluasi Model
Hair et.al, 1998 menjelang 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 iperkuat jika 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 penggunaan structural equation modeling.
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 SEM.
Goodness of Fit Indices
Sumber : Hair et. al. [1998] a.
Chi-square statistic X
²
Chi-square ini samgat bersifat sensitive trehadap besarnya sampel yang digunakan, karena bila itu bila jumlah sampel adalah cukup besar
yaitu lebih dari 200 sampel, maka statistik Chi-square ini harus didampingi oleh alat uji lainnya Hair et al, 1995:105; Tabacnick
fidell, 1996:84. Karena tujuan analisis adalah mengembangkan dan
GOODNESS OF FIT INDEX
KETERANGAN CUT-OFF
VALUE X²- Chi-square
Menguji apakah covariance populasi yang diestimasi sama dengan cova-riance sample
[apakah model sesuai dengan data]. Diharapkan kecil.
1 s.d 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 sample besar. ≤ 0,08
GFI Menghitung proporsi tertimbang varians
dalam matriks sampel yang dijelaskan oleh matriks covariance populasi yang diestimasi
[analog dengan R² dalam regresi berganda] ≥ 0,09
AGFI GFI yang disesuaikan terhadap DF
≥ 0,09 CMINDF
TLI Kesesuaian antara data dan model
Perbandingan antara model yang diuji terhadap beseline model
≤ 2,00 ≥ 0,95
CFI Uji kelayakan model yang tidak sensitive
terhadap besrnya sample dan kerumitan model
≥ 0,94
menguji sebuah model yang sesuai dengan data atau yang fit terhadap data, maka yang dibutuhkan justru sebuah nilai X
²
yang tidak signifikan, yang menguji hipotesa nol bahwa matriks kovarian populasi
tidak sama dengan kovarian sampel. Oleh karena itu X
²
yang kecil dan tidak signifikanlah yang diharapkan agar hipotesa nol sulit ditolak.
b. RMSEA Root mean Square Error of Approximation
RMSEA adalah sebuah indeks yang dapat digunakan untuk mengkompensasikan chi-square statistik dalam sampel yang besar
Baumgartner homburg, 1996:65. Nilai RMSEA yang lebih kecil sama atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya
model yang menunjukkan sebuah close fit dari model itu berdsarkan degrees of freedom
Browne cudeck,1993;72. c.
GFI Goodness of Fit Index Indeks kesesuaian fit index ini akan menghitung proporsi
tertimbang dari varians dalam matriks kovarian sampel yang dijelaskan oleh matriks kovarian populasi bentle, 1983:12; Tanaka Huba,
1989:54. GFI yang diharapkan adalah sebesar ≥ 0,90.
d. AGFI adjusted goodness of fit Index
Tanaka Huba 1989;55, menyatakan bahwa GFI adalah analog dari R
²
dalam regresi berganda. Fit index ini dapat diadust terhadap degrees of freedom yang tersedia untuk menguji diterima
tidaknya model Arbuckle, 1997:30. Indeks ini diperoleh dengan rumus:
d
b G
AGFI = 1 – 1 – GFI dimana : d
b
=
∑
p
g
d = derajat bebas d
g =1
AGFI yang diharapkan adalah sebesar ≥ 0,90.
e. CMINDF Minimum Sampel discrepancy function Degrees of Freedom
CMINDF dalam hal ini tidak lain adalah statistik chi-square dibagi dengan derajat bebasnya sehingga disebut X
²
relatif. Nilai X
²
relatif kurang dri 2,0 atau bahkan kurang dari 3,0 adalah indikasi dari acceptabel fit antara model dan data Arbuckle, 1997: 32.
f. TLI Tucker Lewis Index
TLI adalah sebuah alternatif incremental fit index yang membandingkan sebuah beseline model Baumgartner
Homburg,1996:69. Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model dalah penerimaan
≥ 0,95. indeks ini diperoleh dengan rumus sebagai berikut :
C
b
_ C d
b
d TLI =
C
b
_ 1
d
Dimana C adalah diskrepansi dari model yang dievaluasi dan d adalah derajat bebasnya. Sementara C
b
dan d
b
adalah diskrepansi dan derajat bebas dari baseline model yang dijadikan pembanding.
g. CFI Comparatif Fit Index
Keungulan dari indeks ini adalah bahwa indeks ini besarannyan tidk dipengaruhi oleh ukuran sampel karena itu sangat baik untuk
mengukur tingkat penerimaan sebuah model Hulland et al, 1996:35. Indeks ini diperoleh dengan rumus sebagai berikut:
C - d CFI = 1-
C
b –
d
b
Dimana C adalah diskrepansi dari model yang dievaluasi dan d adalah derajat bebasnya. Sementara C
b
dan d
b
adalah diskrepansi dan derajat bebas dari baseline model yang dijdikan pembanding.
53
BAB IV
ANALISIS HASIL PENELITIAN
4.1. Deskripsi Obyek Penelitian
