Pengujian Hipotesis dan Hubungan Kausal

yang lain, kombinasinya tidak lagi lazim atau sangat ekstrim. Inilah yang sebut multivariate outliers. 3.1.2.3. Evaluasi Multicoliencarity dan Singularity : Multicoliencarity dapat dideteksi dari determinan matriks kovarians. Dengan ketentuan apabila determinan sample matrix mendekati angka 0 kecil , maka terjadi multikolinieritas dan singularitas Tabachnick Fidell, 1998 . Program – program komputer SEM pada umumnya menyediakan fasilitas “ warning “ setiap kali terdapat indikasi Multicoliencarity dan Singularity. Bila muncul pesan itu, telitilah kembali data yang digunakan untuk mengetahui adanya kombinasi lineir dari variabel – variabel yang dianilisis. Bila singularitas dan multicolenieritas ditemukan, salah satu perlakuaan adalah mentransformasikan data dalam bentuk compositc variable.

3.1.3. Pengujian Hipotesis dan Hubungan Kausal

Pengaruh langsung koefisien jalur diamati dari bobot regresi standart, dengan pengujian signifikansi, perbandingan nilai CR Critical Ratio atau p probability yang sama dengan nilai t hitung. Apabila t hitung lebih besar dari t table berarti signifikan. Dalam SEM tidak ada alat uji statistic tunggal yang mengukur atau menguji hipotesis mengenai model. Beberapa indeks kesesuaian dan cut off value untuk digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak adalah : Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 1. X²CHI SQUARE STATISTIK Alat uji paling fundamental untuk mengukur overall fit adalah likehood ratio chi- quare ini sifatnya sangat sensitif terhadap besarnya sampel yang digunakan. Karena bila jumlah sampel cukup besar lebih dari 200 , statistic chi-square ini harus didampingi oleh alat uji lain. Model yang akan diuji akan dipandang baik atau memuaskan bila nilai chi-squarenya rendah. Semakin kecil nilai X² semakin baik model itu. Karena tujuan analisis adalah mengembangkan dan menguji sebuah model yang sesuai dengan data atau yang fit terhadap data, maka yang dibutuhkan justru sebuah nilai X² yang kecil dan signifikan. X² bersifat sangat sensitif terhadap besarnya sample yaitu terhadap sample yang telalu kecil maupun terlalu besar. Penggunaan chi-square hanya sesuai bila ukuran sampel antara 100 – 200. Bila ukuran luar tentang itu, uji signifikansi akan menjadi kurang reable. Oleh karena itu pengujian ini perlu dilengkapi dengan uji yang lain. 2. RMSEA_THE ROOT MEAN SQUARE ERROR OF APPROXIMATION RMSEA adalah sebuah indeks yang dapat digunakan mengkompensasi chi-square statistik dalam sampel yang besar. Nilai RMSEA menunjukan 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 degress of freedom. 3. GFI-GOODNES of FIT INDEKS GFI adalah analog dari R dalam regresi berganda. Indeks kesesuaian ini akan dihitung proposi tertimbang varians dalam matriks kiovarians sampel yang dijelaskan oleh kovarians matriks populasi yang terestimasi. GFI adalah sebuah ukuran non Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. statistika yang renatan akan nilai antara 0 poor fit sampai 1,0 perfect fit . Nilai yang tertinggi dalam indeks ini menunjukan “better fit”. 4. AGFI – ADJUST GOODNESS of FIT INDEKS AGFI = GFI df tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai yang sama atau lebih besar dari 0,09. GFI maupun AGFI adalah kreteria yang memperhitungkan proposi tertimbang dari varians dalam sebuah matriks kovarians sampel. Nilai terbesar dapat diinterprestasiakan sebagai tindakan baik good overall model fit sedangkan besarnya nilai antara 0,09 – 0,95 menunjukan tingkatan cukup adequate fit . 5. CMIN DF Sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model. Dalam hal ini CMNI DF tidak lain adalah statistic chi-square, X² dibagi DF – nya sehingga disebut X² relatif. Nilai X² relatif kurang dari 2,0 atau bahkan kurang dari 3,0 adalah indikasi dari acceptabel fit antara model dan data. Nilai X² relative yang tinggi menandakan adanya perbedaan yang signifikan antara matriks kovarians yang diobservasikan dan diestimasi. 6. TLI – TUCKER LEWIS INDEKS TLI adalah sebuah model yang diuji terhadap sebuah baseline model. Nilai yang direkomendasikan sebagai acuan untuk diterima sebuah model adalah penerimaan ≥ 0,95 an nilai yang sangat mendekati 1 menunjukan a very good fit. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. 7. CFI – COMPERATIF FIT INDEKS Besaran indeks ini adalah pada rentang nilai sebesar 0 – 1, dimana semakin mendekati 1, mengidentifiaksikan tingkat fit yang paling tinggi a very good fit . Nilai yang direkomendasi adalah CFI 0,95 keunggulan dari indeks ini besarnya tidak dipengaruhi oleh ukuran sempel oleh karena itu sangat baik untuk mengukur tingkat penerimaan sebuah model. Indeks CFI adalah identik dengan relatif Non Certrality RNI . Tabel 3.1 : Goodness of Fit Index GOODNESS OF FIT INDEKS KETERANGAN CUT – OFF VALUE X² - Chi – square Menguji apakah covariance populasi yang di estimasi sama dengan covariance sampel apakah model sesuai dengan data Diharapkan kecil 1 – 5 atau paling Baik antara 1 - 3 Probabilitas 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 variance dalam matriks sampel yang dijelaskan oleh matriks covariance populasi yang diestimasi analog dengan R² dalam regresi berganda ≥ 0,90 AGFI GFI yang disesuakan terhadap DP ≥ 0,90 CMIN DF Kesesuaian antara data dan model ≤ 2,00 TLI Pembanding antara model ytang 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 Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Uji Reabilitas Reabilitas adalah ukuran mengenai konsitensi internal – internal dari sebuah indikator – indikator sebuah konstruk yang menunjukan sampai dimana masing – masing indikator itu mengidentifikasi sebuah konstruk atau faktor latent umum. Dengan kata lain bagaimana hal – hal yang spesifik saling membantu dalam menjelaskan sebuah fenomena yang umum Composite Reability diperoleh melalui rumus : { ∑ Std Loading }² Construk Reability = { Std Loading }² + ∑ Єi Ket:  Standart modeling didapat langsung dari standardized loading dari tiap – tiap indikator.  Єi adalah meansurement error dari tiap – tiap indikator. Uji Varience Extracted Ukuran reabilitas yang menunjukan jumlah varians dari indikato – indicator yang diektraksi oleh konstruk latent yang dikembangkan. Nilai variance extracted ini direkomendasikan pada tingkat ≥ 0,05. ∑ Std Loading ² Variance Extracted = Std Loading ² + ∑ Єj Ket :  Standar loading dapat diperoleh langsung dari standardized loading untuk tiap – tiap indikator  Єj adalah meansurement dari tiap – tiap indikator. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. Hair et.al, 1998 menjelaskan bahwa pola “ confirmatory “ menunjukan prosedur yang dirancang untuk mengevaluasi utilitas hipotesis – hipotesis dengan pengujian fit antara model teoritis dan data empiris. Jika model teoritis menyatakan “good fit” dengan data, maka model dianggap sebagai yang diperkuat, Sabaliknya suatu model teoritis tidak diperkuat apabila 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 kreteria Goodness of Fit, yakni Chi-Square, Probabilitas, RMSEA, GFI, TLI, CFI, AGFI, CMIN DF. Apabila model awal tidak goodfit dengan data maka model dikembangkan dengan pendekatan Two-Step Approach to Goodness of Fit Indices.

3.1.3. Pengujian model dengan Two-Step Approach