Menilai Kriteria Goodness of Fit Proksi Berbasis Investasi

63

J. Menilai Kriteria Goodness of Fit Proksi Berbasis Investasi

Menilai goodness of fit merupakan tujuan utama dalam persamaan structural, yaitu ingin mengetahui sampai seberapa jauh model yang dihipotesis “fit” atau cocok dengan sample data. Tabel 4.14 Nilai Chi-Square CMIN Proksi Investasi Model NPAR CMIN DF P CMINDF Default model 13 220.607 15 .000 14.707 Saturated model 28 .000 Independence model 7 443.686 21 .000 21.128 Sumber : data diolah Tabel 4.15 Goodness of Fit Index dan Adjusted Goodness of Fit Index GFI dan AGFI Proksi Investasi Model RMR GFI AGFI PGFI Default model 714.036 .789 .605 .422 Saturated model .000 1.000 Independence model 2418.990 .682 .576 .511 Sumber : data diolah Tabel 4.16 Root Mean Square Error of Approximation RMSEA Proksi Investasi Model RMSEA LO 90 HI 90 PCLOSE Default model .372 .330 .416 .000 Independence model .451 .415 .488 .000 Sumber : data diolah Berdasarkan hasil goodness of fit seperti terlihat pada output diatas bahwa nilai Chi-Square 220.607 dan nilai probabilitas 0.000. Hasil ini menunjukkan bahwa hipotesis nol yang menyatakan model sama dengan data empiris ditolak yang berarti model tidak fit. Model yang baik harus tidak menolak hipotesis nol yang berarti harus tidak signifikan secara 64 statistik. Namun demikian perlu diketahui bahwa Chi-Square sangat sensitive terhadap jumlah sampel. Semakin besar sampel semakin signifikan. Oleh karena itu, dicari ukuran model fit yang lain, yaitu GFI, AGFI, RMSEA. Output grafik memberikan nilai GFI = 0.789 AGFI = 0.605 keduanya belum memenuhi criteria model fit yaitu di atas 0.90 dan nilai RMSEA = 0.372 di atas 0.080. Secara keseluruhan model ini belum dapat diterima dan belum bisa melakukan langkah selanjutnya. Karena model belum memenuhi kriteria model fit, maka dapat dilihat ketidak fit nya model. Untuk memperbaiki nilai goodness of fit dapat dilihat nilai Modification Indices. Nilai Modification Indices ini adalah suatu indikasi adanya model mis fit, sehingga Modification Indices ini dapat memperbaiki nilai goodness of fit menjadi lebih baik. Nilai Modification Indices yang dipilih adalah nilai Modification Indices yang tertinggi, sehingga kita dapat mengkorelasikan antar eror yang memiliki nilai Modification Indices tertinggi. Nilai Modification Indices yang dianjurkan adalah lebih besar dari 3.58. Di bawah ini adalah nilai Modification Indices. Table 4.17 Nilai Modification Indices Proksi Investasi terhadap Realisasi Pertumbuhan M.I. Par Change e6 -- e5 28.016 2413.553 e7 -- e5 87.443 -3778.306 e7 -- e6 15.368 1898.082 Sumber : data diolah 65 Berdasarkan tabel 4.17, terlihat bahwa nilai Modification Indices yang tertinggi adalah hubungan e7 dengan e5 yaitu 87.443 yang artinya nilai Chi-Square berkurang. Di bawah ini adalah perbaikan nilai goodness of fit setelah menghubungkan e7 dengan e5. Gambar 4.7 Model SEM Proksi Investasi dengan MI Berdasarkan hasil output di atas terlihat bahwa seluruh nilai goodness of fit semakin membaik. Hal tersebut terlihat dari nilai Chi- Square yang turun menjadi 7.972 serta nilai probabilitasnya naik menjadi 0.891 nilai GFI dan AGFI naik masing-masing menjadi 0.979 dan 0.958 , dan RMSEA turun menjadi 0.000. begitu juga dengan nilai TLI dan NFI yang juga naik masing-masing menjadi 1.021 dan 0.982. Hasil ini menunjukkan bahwa semua nilai dari goodness of fit nya sudah semuanya memenuhi syarat yang dianjurkan. 66 K. Kelayakan Parameter Estimasi Proksi Berbasis Investasi Langkah selanjutnya adalah menilai apakah parameter individual dalam model fit atau tidak adalah melihat bahwa estimasi parameter memberikan tanda dan besaran yang benar sesuai dengan teori. Jika nilai estimasi sangat jauh berbeda dengan yang diharapkan, maka merupakan indikasi adanya kesalahan model atau input matriks tidak cukup memberikan informasi. Beberapa indikasi kesalahan model adalah adanya nilai estimasi korelasi 1.000 yang dapat dilihat pada table standardized regression weight dan adanya nilai variansi yang negative yang dapat dilihat pada table variances. Dan kesalahan model tersebut dinamakan Heywood Case. Tabel 4.18 Standardized Regression Weights Proksi Investasi terhadap Realisasi Pertumbuhan Estimate CAPBVA --- Proksi berbasis Investasi 1.000 CAPMVA --- Proksi berbasis Investasi .777 IONS --- Proksi berbasis Investasi .056 GROWAS --- Realisasi_pertumbuhan .735 GROWEQ --- Realisasi_pertumbuhan 1.000 GROWEAR --- Realisasi_pertumbuhan .644 GROWSAL --- Realisasi_pertumbuhan -.103 Sumber : data diolah 67 Tabel 4.19 Variances Proksi Investasi terhadap Realisasi Pertumbuhan Estimate S.E. C.R. P Label Proksi berbasis Investasi 1502.228 213.525 7.035 par_8 Realisasi_pertumbuhan 5339.600 1246.957 4.282 par_9 e3 .050 e6 .050 e2 .000 .000 7.035 par_10 e1 .058 .008 7.036 par_11 e7 4537.438 644.925 7.036 par_12 e5 3561.965 506.276 7.036 par_13 e4 .048 .007 7.036 par_14 Sumber : data diolah Berdasarkan tabel 4.22 terlihat bahwa nilai standardized regression weight untuk setiap variabel indicator tidak lebih besar dari 1.000, sehingga nilai variansi pada tabel 4.23 tidak ada yang bernilai negative. Hal tersebut menandakan tidak adanya Heywood case pada model. Sehingga model dapat digunakan untuk pengujian selanjutnya.

L. Evaluasi Multikolinieritas