yang menunjukkan derajat sampai dimana masing-masing indicator itu mengindikasikan sebuah konstruk yang umum.
Karena indicator multidimensi, maka uji validitas dari setiap latent variabel construct
maka diuji dengan melihat loading faktor dari hubungan antara setiap observed variable. Sedangkan reliabilitas
diuji dengan construct realibility dan Variance-extractec. Construct reliability
dan Variance-extractec dihitung dengan rumus berikut :
[ Σ Standardize Loading ]
Construct reliability =
[[ Σ Standardize Loading ] + Σε
J ]
[ Σ Standardize Loading ]
Variance-extractec =
[[ Σ Standardize Loading ] + Σε
J ]
Sementara ε
J dapat dihitung dengan formula
ε
J = 1 – [
Standardize Loading
] secara umum, nilai construct reliability yang dapat diterima adalah 0,7 dan variance extracted 0,5 Hair et. Al, 1998 .
Standardize Loading dapat diperoleh dari out put AMOS 4.01, dengan
melihat nilai estimasi setiap construct standardize regression weigths terhadap setiap butir sebagai indikatornya.
3.4.3. Pengujian Hipotesis dan Hubungan Kausal
Pengaruh langsung koefisien jalur diamati dari bobot regresi terstandart, dengan pengujian signifikansi pembanding nilai CR Critical
Ratio atau p probability yang sama dengan nilai t hitung. Apabila t
hitung lebih besar dari pada t tabel berarti signifikan.
3.4.4. Pengujian Model dengan One Step Approach
Dalam Model SEM, model pengukuran dan model struktur parameter-parameternya diestimasi secara bersama-sama. Cara ini agak
mengalami kesulitan dalam memenuhi fit model. Kemungkinan terbesar disebabkan oleh terjadinya interaksi antara measurement model dan
structural model yang diestimasi secara bersama-sama. One Stop Approach
to SEM digunakan apabila model diyakini landasan teori yang kuat serta validitas dan realibilitas yang sangat baik.
3.4.5. Evaluasi Model
Hair et.el., 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 fit” dengan data.
Amos dapat menguji apakah model “goog fit” atau “poor fit”. Jadi, “good fit”
model yang diuji sangat penting dalam penggunaan structural equation
modeling. Pengujian terhadap model dikembangkan dengan berbagai kriteria Goodnes of fit, yakni Chi-square, Probability, RMSEA, GFI, TLL
CFI, AGFI CMINDF. Apabila model awal tidak good fit dengan data maka model dikembangkan dengan pendekatan two step approach to SEM.
Dalam analisis SEM tidak ada alat uji statistic tunggal untuk mengukur atau menuju hipotesis mengenai model. Beberapa indeks
kesesuaian dan cut-off value untuk digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak adalah :
1. λ
2
– CHI- SQUARE STATISTIC Alat uji paling fundamental untuk mengukur overall fit adalah
likehood ratio Chi-square statistic . Chi square ini bersifat sangat
sensitif terhadap besarnya sampel yang digunakan. Karena itu apabila jumlah sampel adalah cukup besar yaitu 200 sampel, maka
statistic Chi-square ini harus didampingi oleh alat uji lainnya Hair.
et.al., 1995 ; Tabachinck Fidell, 1996, Dikutip oleh Ferdinand, 2002 : 55.
Dalam pengujian ini nilai X
2
yang rendah yang menghasilkan sebuah tingkat signifikasi yang lebih besar dari 0,05 akan
mengindikasikan tak adanya perbedaan yang signifikan anatar matriks kovarians data dan matriks kovarians yang diestimasi. Hair.
et.al., 1995, dikutip oleh Ferdinand, 2002 : 56 2.
RMSEA – The Root Mean Square Error of Approximation
RMSEA adalah sebuah indeks yang dapat digunakan untuk mengkompensasi chi-square statistic dalam sampel yang besar.
Baumgartner Homburg, 1996, dikutip oleh Ferdinand, 2002 : 56. Nilai RMSEA menunjukkan goodness of fit yang dapat diharapkan
bila model diestimasi dalam populasi. Hair. et.al., 1995, dikutip oleh Ferdinand, 2002 : 56. Nilai RMSEA yang lebih kecil atau sama
dengan 0,008 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan
degrees of freedom Browne Cudeck, 1993, dikutip oleh
Ferdinand, 2002 : 56 3.
GFI - Goodness of Fit Index GFI adalah analog dari R
2
dalam regresi berganda.GFI adalah sebuah ukuran non-statistical yang mempunyai rentang nilai antara, 0
poor fit sampai dengan 1.0 perfect fit. Indeks kesesuaian ini akan
menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang dijelaskan oleh matriks kovarians populasi
yang terestimasikan. Bentler, 1983; Tanak Huba, 1989; dikutip oleh Ferdinand, 2002 : 57.
GFI adalah sebuah ukuran non-statistikal 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 Index
Tanaka Huba 1989 yang dikutip oleh Ferdinand 2002:57 menyatakan bahwa GFI adalah analog dari R
2
dalam regresi berganda. Fit indeks ini dapat di adjust terhadap degress of freedom
yang tersedia untuk menguji diterima tidaknya model Arbuckle, 1999, dikutip oleh Ferdinand, 2002 : 57.
Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0,90 Hair. et.al.,
1995; Hulland et.al, 1996 ; dikutip oleh Ferdinand, 2002 : 58. Perlu diketahui bahwa baik GFI maupun AGFI adalah kriteria yang
memperhitungkan proporsi tertimbang dari varians dalam sebuah matriks kovarians sampel. Nilai sebesar 0,95 dapat diinterpretasikan
sebagai tingkatan yang baik – good overall model fit baik sedangkan besaran nilai antara 0,90 – 0,95 menunjukkan tingkatan
cukup-edequate fit Hulland et.al, 1996 ; dikutip oleh Ferdinand, 2002 : 58
5. CMIN DF
The minimum sample discrepancy function CMIN dibagi
dengan degree of freedomnya akan menghasilkan indeks CMIN DF, yang umumnya dilaporkan oleh para peneliti sebagai salah satu
indikator untuk mengukur tingkat fitnya sebuah model. Dalam hal ini CMIN DF yang diharapkan adalah sebesar
≤2.0 dan tidak lain adalah statistik chi-square,
λ
2
dibagi DFnya sehingga disebut λ
2
– relative.
6. TLI – Tucker Lewis Inder.
TLI adalah
sebuah alternatif incremental fit index
yang membandingkan sebuah model yang diuji terhadap sebuah baseline
model. Baugmgartner Homburg, 1996 ; dikutip oleh Ferdinand, 2002 : 59. Nilai yang direkomendasikan sebagai acuan untuk
diterimanya sebuah model adalah penerimaan ≥ 0,95 Hair. et.al.,
1995; dikutip oleh Ferdinand, 2002 : 60 dan nilai yang sangat mendekati a very good fit Arbuckle, 1997; dikutip oleh Ferdinand,
2002 : 60. 7.
CFI – Comparative Fit Index Besarnya index ini adalah pada rentang nilai sebesar 0 – 1.
Dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi a very good fit Arbuckle, 1997; dikutip oleh Ferdinand,
2002:60. Nilai yang direkomendasikan adalah CFI ≥ 0,95.
Keunggulan dari index ini adalah bahwa index ini besarnya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk
mengukur tingkat penerimaan suatu model Hulland.et.al.,1996 Tanaka, 1993; dikutip oleh Ferdinand, 2002:60. Index CFI adalah
identik dengan Relative Noncentrality Index RNI. Dengan demikian.
Goodness of Fit Indices
GOODNESS OF FIT INDEX
KETERANGAN CUT-OFF VALUE
X
2
- Chi Square Menguji apakah Covariance populasi
yang diestimasi sama dengan covariance sample
apakah model sesuai dengan data
Diharapkan kecil, 1 s.d 5 atau paling
tidak diantara 1 dan 2
Probability Uji signifikasi terhadap perbedaan
matriks covarians data dan matriks
covarians yang diestimasi.
Minimum 0,1 atau 0,2 atau
≥ 0,5.
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 R
2
dalam regresi berganda ≥ 0,90
AGFI GFI yang sesuai terhadap DF
≥ 0,90 CMID DF
Kesesuaian antara data dan model. ≤ 2,00
TLI Pembanding antara model yang diuji
terhadap baseline model. ≥0,95
CFI Uji kelayakan model yang tidak
sensitive terhadap besarnya sampel dan kerumitan model.
≥ 0,95
Sumber : Ferdinand 202:61
3.4.6 Interpretasi Hasil
