b. Pengembangan diagram alur untuk menunjukkan hubungan kausalitas. Pada langkah kedua, model teoritis yang telah dibangun pada langkah pertama
akan digambarkan dalam path diagram. Path diagram tersebut memudahkan peneliti melihat hubungan-hubungan kausalitas yang ingin diujinya.
c. Konversi diagram alur kedalam persamaan. Setelah teori model dikembangkan dan digambarkan dalam sebuah diagram
alur, spesifikasi model dikonversikan kedalam rangkaian persamaan. d. Memilih Matriks Input dan Estimasi Model.
Perbedaan SEM dengan teknik multivariat lainnya adalah dalam input data yang akan digunakan dalam pemodelan dan estimasinya. SEM hanya
menggunakan matriks varians kovarians atau matriks korelasi sebagai data input untuk keseluruhan estimasi yang dilakukannya.
e. Menilai Problem Identifikasi. Problem identifikasi pada prinsipnya adalah problem mengenai
ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik.
Problem identifikasi dapat muncul melalui gejala-gejala berikut ini : 1. Standard error untuk satu atau beberapa koefisien sangat besar.
2. Program tidak mampu menghasilkan matrik informasi yang disajikan. 3. Muncul angka-angka yang aneh seperti adanya varians error yang negatif.
4. Muncul korelasi yang sangat tinggi antar korelasi estimasi yang didapat misalnya lebih dari 0,9.
37
f. Evaluasi Model.
Pada langkah ini kesesuaian model dievaluasi, melalui telaah terhadap bebagai kriteria goodness-of-fit. Kriteria-kriteria tersebut adalah :
1. Ukuran sampel yang digunakan adalah minimal berjumlah 100 dan dengan perbandingan 5 observasi untuk setiap astimated parameter.
2. Normalitas dan Linieritas. 3. Outliers.
4. Multicolinierity and Singularity.
3.4.5. Uji Hipotesis
Dalam analisis SEM umumnya berbagai jenis fit index yang digunakan untuk mengukur derajad kesesuaian antara model yang dihipotesakan dengan data
yang disajikan. Berikut ini adalah index kesesuaian dan cut-off valuenya untuk digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak.
a. χ
2
Chi Square Statistic. Alat uji yang paling fundamental untuk mengukur overall fit adalah likehood
ratio chi-square statistic. Model yang diuji akan dipandang baik atau memuaskan apabila nilai chi-squarenya rendah. Semakin kecil nilai
χ
2
semakin baik model itu dan diterima berdasarkan probabilitas dengan cut-off value sebesar
ρ 0,05 atau ρ 0,10. b.
RMSEA The Root Mean Square Error of
Approximation 38
RMSEA adalah sebuah indeks yang dapat digunakan untuk mengkompensasi chi-squre statistic dalam yang besar. Nilai RMSEA menunjukkan goodness-
of-fit yang dapat diharapkan bila model diestimasi dalam populasi. Nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan index untuk dapat
diterimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan degree of freedom.
c. GFI Goodness of Fit Index.
Indeks keseusaian fit index ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang dijelaskan oleh matriks populasi
yang terestimasikan. 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. d.
AGFI Adjusted Goodness-of-Fit Index. GFI adalah analog dari R
2
dalam regresi linier berganda yaitu suatu koefisien yang mengukur ketepatan sebuah model yang digunakan. Tingkat penerimaan
yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0,90. GFI maupun AGFI adalah kriteria yang
memperhitungkan proporsi tertimbang dari varians dalam sebuah matriks kovarians sampel.
e. CMINDF.
The Minimum Sample Discrepancy Function CMIN dibagi dengan degree of freedomnya akan menghasilkan indeks CMINDF, yang umumnya dilaporkan
oleh para peneliti sebagai salah satu indikator untuk mengukur tingkat fitnya 39
