Indikator faktor penyebab konflik KONFLIK Indikator kepuasan terhadap teknik resolusi konflik RESOLUSI

digunakan karena memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi yang berbeda atau sampel yang berbeda, hal ini tidak dapat digunakan analisis korelasi. Menurut Baumgartner dan Homburg 1996 diacu dalam Ferdinand 2002 menyarankan agar menggunakan matriks kovarians pada saat pengujian teori sebab kovarian lebih memenuhi asumsi metodologi dan merupakan bentuk data lebih sesuai untuk memvalidasi hubungan kausalitas. Langkah ke 5: mengantisipasi munculnya masalah identifikasi Salah satu masalah yang dihadapi dalam penggunaan estimasi model kausal adalah masalah identifikasi. Problem identifikasi pada prinsipnya adalah masalah mengenai ketidakmampuan model yang dikembangkan untuk menghasilkan estimasi yang unik. Problem identifikasi dapat muncul berupa gejala sebagai berikut : 1 Standard error untuk satu atau beberapa koefisien adalah sangat besar 2 Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan 3 Munculnya angka-angka yang aneh seperti adanya varian error yang negatif 4 Munculnya korelasi yang sangat tinggi antara koefisien estimasi dapat lebih dari 0,9 Langkah-langkah untuk menguji ada atau tidak adanya problem identifikasi adalah sebagai berikut: 1 Model diestimasi berulang-ulang, dan setiap estimasi dilakukan dengan menggunakan starting value yang berbeda. Bila ternyata hasilnya adalah model tidak konvergen, maka pada titik yang sama harus dilakukan reestimasi 2 Model dicoba diestimasi, kemudian angka koefisien itu ditentukan sebagai suatu fix pada faktor atau variabel kemudian dilakukan estimasi ulang. Apabila estimasi ulang ini overall fit indeknya berubah total dan beberapa sangat besar dari sebelumnya, hal ini diduga terjadi karena terdapat problem identifikasi. Apabila muncul problem ini, maka disarankan untuk mempertimbangkan ulang model ini dengan mengembangkan lebih banyak konstruk. Langkah ke 6: evaluasi kriteria goodness of fit Pada langkah ini peneliti harus menggunakan indikator-indikator goodness of fit dalam menilai fit atau tidaknya suatu model. Peneliti tidak boleh hanya menggunakan satu atau beberapa indeks saja untuk menilai suatu model fit, akan tetapi harus mempertimbangkan seluruh indeks. Berikut ini disajikan beberapa indeks sebagai kriteria goodness of fit Tabel 6. Tabel 6 Goodness of fit statistics No Goodness of Fit Index Cut-Off Value 1 2 3 4 5 6 7 8 9 10 Chi-square X 2 Significance probability X 2 df RMSEA NNFI CFI IFI GFI AGFI PGFI Diharapkan kecil 0,05 2,00 0,08 0,90 0,90 0,90 0,90 0,90 0,90 Sumber: Ghozali dan Fuad 2005 1 Chi-square X 2 Tujuan pengujian chi-square adalah untuk mengetahui apakan matriks kovarian sampel berbeda secara signifikan dengan matriks kovarians estimasi Santoso 2007. Menurut Ghozali 2005, chi-square merupakan ukuran mengenai baik buruknya fit suatu model. Nilai chi-square sebesar 0 menunjukkan bahwa model memiliki fit yang sempurna perfec fit. Dengan kata lain, uji ini digunakan untuk mengukur overall fit atau kesesuaian model yang dibangun dengan data yang tersedia. Semakin kecil nilai chi-square, semakin baik model itu. 2 Probabilitas signifikansi Significance probability Probabilitas digunakan untuk memperoleh peluang yang besar terhadap kemungkinannya terjadi pada dunia nyata. Nilai probabilitas yang signifikan adalah yang diharapkan menunjukkan bahwa data empiris sesuai dengan model. Jadi probabilitas signifikan apabila p lebih besar daripada 0,05