karena itu disarankan bila setiap kali estimasi muncul masalah identifikasi maka sebaiknya model ini dipertimbangkan ulang
dengan mengembangkan lebih banyak konstruk.
6. Langkah Keenam : Evaluasi kriteria Goodness-of-Fit
Pada langkah ini kesesuaian model dievaluasi, melalui telaah terhadap berbagai criteria goodness-o-fit. Untuk itu tindakan pertama yang
dilakukan adalah mengevaluasi apakah data yang digunakan dapat memenuhi asumsi-asumsi SEM. Bila asumsi sudah dipenuhi maka model
dapat diuji melalui cara uji yang akan diuraikan dibawah ini. Asumsi- asumsi SEM yang harus dipenuhi dalam pengumpulan dan pengolahan
data adalah sebagai berikut : 1 Ukuran sampel, yang harus dipenuhi dalam pemodelan ini minimun
berjumlah 45 dan selanjutnya menggunakan perbandingan 5 observasi untuk setiap estimated parameter.
2 Normalitas dan linearitas, Sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi sehingga data dapat
diolah lebih lanjut untuk pemodelan SEM dan data dapat diamati melalui scatterplots dari data yaitu dengan memilih pasangan data
dan dilihat dari pola penyebarannya untuk menduga ada tidaknya linearitas. Normalitas dapat diuji dengan melihat gambar histogram
data atau dapat diuji dengan metode-metode statistik. 3 Outliers, adalah observasi yang muncul dengan nilai-nilai ekstrim
baik secara univariat maupun multivariate yang muncul karena
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber
kombinasi yang unik yang dimilikinya dan terlihat sangat jauh berbeda dengan observasi-observasi lainnya. Outlier muncul
karena : a. Kesalahan prosedural seperti kesalahan dalam memasukkan
data atau kesalahan dalam mengkoding data. b. Keadaan khusus yang memungkinkan profil datanya lain
daripada yang lain, tetapi peneliti mempunyai penjelasan mengenai apa penyebab munculnya nilai ekstrim itu.
c. Adanya suatu alasan tetapi peneliti tidak dapat mengetahui apa penyebabnya atau tidak ada penjelasan mengenai sebab-sebab
munculnya nilai ekstrim itu. d. Outlier muncul dalam range nilai yang ada, tetapi bila
dikombinasikan dengan variable yang lainnya, kombinasi menjadi tidak lazim atau sangat ekstrim. Inilah yang disebut
multivariate outlier. 4 Multicollinearitas dan singularity, multikolinearitas dapat dideteksi
dari determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil memberi indikasi adanya problem
multikolinearitas atau singularitas. Salah satu treatment yang diambil dengan menciptakan “composite variable”, lalu gunakan
composite variabel pada analisis selanjutnya.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber
7. Langkah ketujuh : Interpretasi dan Modifikasi Model
