Analisis faktor konfirmatori untuk model pengukuran first order dan second odrder akan dihasilkan koefisien yang disebut Loading
Faktor atau Lamda Value λ
dan Tetha γ
. Nilai lamda dan tetha tersebut digunakan untuk menilai kecocokan, kesesuaian atau
unidimensionalitas dari dimensi-dimensi dalam membentuk sebuah faktor.
Suatu indikator variabel dianggap dapat menjadi dimensi dari suatu konstruk variabel latent faktor apabila loading faktor masing
butir-butir pertanyaan yang membentuk setiap construct seluruhnya 0,5 sehingga butir-butir instrumentasi setiap konstruk tersebut dapat
dikatakan valid.
3.10.3 Pemilihan Matriks Input dan Teknik Estimasi Model
Pemilihan matriks input dan teknik estimasi atas model yang dibangun, dalam SEM input data hanya ada dua macam yaitu matriks
varian-kovarian dan matriks korelasi. Analisis data bertujuan melakukan pengujian suatu model yang telah mendapatkan justifikasi teori,
sehingga input datanya adalah data matriks varian-kovarian, dimana tidak dilakukan interpretasi terhadap besar kecilnya pengaruh kualitas
pada jalur-jalur dalam model. Input data matriks korelasi dapat digunakan bilamana tujuan
analisis adalah ingin mendapatkan penjelasan mengenai pola hubungan kausal antar variabel, dimana peneliti dapat melakukan
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber
eksplorasi jalur-jalur mana yang memiliki pengaruh kualitas lebih dominan dibandingkan dengan jalur lainnya. Teknik estimasi yang
digunakan adalah teknik estimasi maximum likelihood Solimun, 2003.
3.10.4 Penilaian Identifikasi Model
Penilaian identifikasi model ini untuk menilai problem identifikasi yaitu problem mengenai ketidakmampuan suatu model yang diusulkan
dalam menghasilkan suatu estimasi yang unik. Salah satu cara mengatasi masalah ini adalah dengan memberikan lebih banyak
konstrain pada model yang dianalisis tersebut. Ciri-ciri adanya problem identifikasi :
1. Munculnya standard error yang sangat besar pada satu atau beberapa koefisien.
2. Program tidak mampu menghasilkan matriks informasi yang seharusnya disajikan.
3. Munculnya angka-angka aneh misalnya varian error negatif. 4. Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang
didapat lebih dari 0,9. 5. Pendugaan tidak dapat diperoleh, misalnya terjadi matriks tidak
definit positif.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber
3.10.5 Evaluasi Penerimaan Model
Hair, et al 1998 menjelaskan bahwa pola confirmatory menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas
hipotesis-hipotesis dengan pengujian fit antara model teorits 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 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, AGFI,
GFI, TLI, FI dan CMIN DF. Apabila model awal tidak goodness of fit dengan data maka model dikembangkan dengan pendekatan two step
approach to SEM. Beberapa evaluasi model untuk mengujian disajikan pada tabel 3.1.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber
Tabel 3.1 Goodness Of Fit
Goodness Of Fit Index Keterangan
Cut-Off Value
X²-Chi square Menguji populasi yang diestimasi
sama dengan covariance sample apakah model sesuai dengan
data Diharapkan kecil,
1 sd 5 paling baik diantara 1 dan 2
Probability Uji signifikan terhadap perbedaan
matriks covariance data dan matriks covariance yang diestimasi
Minimum 0,1 atau 0,2 atau 0,05
RMSE The Roo Mean Square Error of
Approximation Mengkompensasi kelemahan chi-
square pada sampel besar 0,08
GFI Good of Fit Index Menghitung proporsi tertimbnag
varians dalam matriks sample yang dijelaskan oleh matriks
covariance populasi yang
diestimasi analos dengan R2 dan regresi berganda
0,90
AGFI Adjusted Goodness of Fit Index
Merupakan GFI yang disesuaikan dengan DF
0,90 CMIN DF The Minimum
Sample of Discrepancy Function
Kesesuaian antara data dengan model
2,00 TLI Tucker Lewis Index
Perbandingan antara model yang tidak sensitive terhadap besarnya
sample dan kerumitan model 0,95
CFI Comparative Fit Index
Uji kelayakan model yang tidak sensitive terhadap besarnya
sample dan kerumitan model 0,94
Sumber : Hair, et al 1998
Kriteria untuk menentukan signifikansi parameter hasil estimasi dalam SEM dapat dilakukan dengan uji t. Pengujian parameter tersebut
meliputi : a. Parameter gamma
γ yaitu paramater pengaruh efek variabel
eksogen terhadap variabel endogen. b. Parameter delta
δ dan epsilon
ε yaitu parameter yang berkaitan
dengan error pada pengukuran variabel latent ekosgen delta dan
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber
endogen epsilon berdasarkan indikator-indikator yang membentuknya.
c. Parameter beta β
yaitu parameter pengaruh efek variabel endogen terhadap variabel endogen lainnya.
d. Parameter lambda λ
yaitu parameter yang berkaitan dengan pengukuran varabel latent berdasarkan indikator-indikator yang
membentuknya. e. Paramater-parameter Psi
Ψ , phi
Φ , theta
θ .
Kriteria kekuatan hubungan pengaruh efek persamaan- persamaan struktural structural equation dilihat dari besarnya nilai
koefisien determinasi R². Apabila nilai ini besar yaitu semakin mendekati 1 satu, maka hubungan pengaruh efek persamaan-
persamaan structural tersebut semakin kuat.
3.10.6 Interpretasi dan Modifikasi Model
