3. Pemilihan data input dan teknik estimasi
Tujuannya adalah menetapkan data input yang digunakan dalam pemodelan dan teknik estimasi model.
4. Evaluasi masalah identifikasi model
Tujuannya adalah untuk mendeteksi ada tidaknya masalah identifikasi berdasarkan evaluasi terhadap hasil estimasi yang dilakukan program
komputer. 5.
Evaluasi Asumsi dan Kesesuaian model Tujuannya adalah untuk mengevaluasi pemenuhan asumsi yang
disyaratkan SEM dan kesesuaian model berdasarkan kriteria Goodness Of Fit tertentu.
6. Interpretasi dan modifikasi model
Tujuannya adalah untuk memutuskan bentuk perlakuan lanjutan setelah dilakukan evaluasi asumsi dan uji kesesuaian model.
3.7 Kriteria Goodness of fit
Wijaya 2009:6 menjelaskan tujuan utama SEM adalah untuk menguji kesesuaian atau menguji fit suatu model yaitu menguji kesesuaian model
teoritik dengan model empirik. Kriteria goodness of fit adalah sebagai berikut:
Tabel 3.2 Kriteria Goodness of Fit Kriteria Indeks Ukuran
Nilai Acuan
Kai kuadratx
2
Sekecil mungkin p-value
≥ 0,05
CMINdf ≤
2,00 RMSEA
≤ 0,08
GFI Mendekati 1
AGFI Mendekati 1
TLI Mendekati 1
CLI Mendekati 1
Penjelasan dari masing-masing kriteria Goodness of Fit tersebut sebagai berikut :
1. x
2
chi square statistic dan probabilitas Alat uji fundamental untuk mengukur overall fit adalah likelihood ratio chi
square statistic. Model dikategorikan baik jika mempuanyai chi square = 0 berarti tidak ada perbedaan. Tingkat signifikasi penerimaan yang
direkomendasikan adalah apabila ≥ 0,05 yang berarti matriks input sebenarnya dengan matriks input yang diprediksi tidak berbeda secara
statistik. 2.
CMINDF Normed Chi square CMINDF adalah ukuran yang diperoleh dari nilai chi-square dibagi
dengan degree of freedom. Nilai yang direkomendasikan untuk menerima
kesesuaian sebuah model adalah nilai CMINDF yang lebih kecil atau sama dengan 2,00.
3. RMSEA Root Mean Square Error of Approximation
Nilai RMSEA menunjukkan goodness of fit yang diharapkan bila model diestimasikan dalam populasi. Nilai RMSEA yang lebih kecil atau sama
dengan 0,08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu didasarkan degree of
freedom. RMSEA merupakan indeks pengukuran yang tidak dipengaruhi oleh besarnya sampel.
4. GFI Goodness of Fit
Digunakan untuk menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang dijelaskan oleh matriks kovarians populasi
yang terestimasikan. Indeks ini mencerminkan tingkat kesesuaian model secara keseluruhan yang dihitung dari residual kuadrat model yang
diprediksi dibandingkan dengan data yang sebenernya. Nilai goodness of fit index biasanya dari 0 sampai 1.
5. AGFI Adjusted GFI
AGFI merupakan pengembangan dari GFI yang disesuaikan dengan degree of freedom yang tersedia untuk menguji diterima tidaknya model.
Tingkat penerimaan yang direkomendasikan adalah bila mempunyai nilai sama atau lebih besar dari 0,9.
6. TLI Tucker-Lewis Index
TLI adalah sebuah alternatif incremental fit index yang membanding sebuah model yang diuji terhadap sebuah baseline model. Nilai yang
direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah lebih besar atau sama dengan 0,9 dan nilai yang mendekati 1 menunjukkan
a very good fit. TLI merupakan index fit yang kurang dipengaruhi oleh ukuran sampel.
7. CFI Comparative Fit Index
CFI juga dikenal sebagai Bentler Comparative Index. CFI merupakan indeks kesesuaian incremental yang juga membandingkan model yang
diuji dengan null model. Indeks ini dikatakan baik untuk mengukur kesesuaian sebuah model karena tidak dipengaruhi oleh ukuran sampel
Hair et al., 2006. Indeks yang mengindikasikan bahwa model yang diuji memiliki kesesuaian yang baik adalah apabila CFI ≥ 0,90.
3.8 Asumsi Dasar
