Mengevaluasi model dengan kriteria Kesesuaian

Tabel 5.10.Observations Farthest………….Lanjutan Observation number Mahalanobis d-squared p1 p2 18 2.141 .829 .808 20 2.135 .830 .739 63 2.070 .839 .737 77 2.027 .845 .707 23 2.013 .847 .629 47 1.956 .855 .610 94 1.933 .858 .535 22 1.884 .865 .497 74 1.881 .865 .386 72 1.759 .881 .457 5 1.698 .889 .429 48 1.606 .901 .446 97 1.587 .903 .342 49 1.516 .911 .318 61 1.432 .921 .304 36 1.249 .940 .432 78 1.245 .941 .276 95 1.060 .958 .375 46 .942 .967 .350 25 .659 .985 .557 Dari tabel diatas, dapat diperhatikan nilai p1 dan p2 berada diatas 0,001 sehingga tidak perlu dilakukan penghapusan data outlier lagi, dan data sudah dianggap berdistribusi normal, dan dapat melangkah ke tahap selanjutnya

5.2.2.6. Mengevaluasi model dengan kriteria Kesesuaian

Menilai kesesuaian merupakan tujuan utama dalam persamaan struktural yaitu ingin mengetahui sampai seberapa jauh model yang “fit” atau cocok dengan data. Jika didapat kesesuaian yang jelek, langkah selanjutnya mendeteksi sumber penyebab “misfit” dalam model hal ini dapat dilihat dari a kelayakan dari parameter estimate, b kesesuaian nilai standard errors, dan c signifikansi statistik dari parameter estimasi. a. Kelayakan Parameter Estimate Langkah awal dalam menilai fit terhadap parameter individu dalam model adalah menentukan kelayakan nilai estimasi. Nilai estimasi parameter harus memberikan tanda besaran sign and size yang benar dan konsisten dengan teori yang ada. Jika ada nilai estimasi yang tidak memenuhi criteria ini menunjukkan indikasi bahwa model mungkin salah satu atau matrix input tidak cukup memberikan informasi. Beberapa indikasi ini dapat dilihat jika ada nilai korelasi1.00, nilai varian negatif dan matrik kovarian atau korelasi tidak definit positif not definite positive yang secara b. Kesesuaian nilai standard errors Penentuan derajat kebebasan degree of freedom, dapat didapat langsung dari Dengan cara manual dapat didapatkan dengan cara :derajat kebebasan : df = ½ [p.p + 1]-k] = [44+1]-15= 5, dimana 5 adalah jumlah variabel manifes pada model diatas dan 12 adalah jumlah parameter yang akan diestimasi. Selanjutnya yang dilakukan adalah penilaian identifikasi model, semua sampel yang ditampilkan disajikan dalam bentuk matriks antar variabel, nilai ini juga menyajkan hubungan kovarians antara variabel yang satu dengan yang lain, dengan contoh seperti dibawah ini, antara waktu perjalanan dengan waktu bersandar atau waktu manuver, pada tabel 5.8. disajikan dengan nilai 686.789, artinya nilai estimasi antara kedua variabel adalah sebesar 686.789. demikian juga untuk keseluruhan nilai yang lain Tabel 5.11. Sample Covariances Group number 1 X2 X5 X4 X3 X1 X2 686.789 X5 78.143 64.737 X4 12059.049 2881.045 763361.130 Tabel 5.11. Sample Covariances………Lanjutan X2 X5 X4 X3 X1 X3 5203.414 652.001 64586.460 116936.432 X1 35.871 7.867 3527.894 146.716 27.236 Implied covarians merupakan kovarians estimasi, nilai ini diperlukan untuk penilaian sebuah model, dengan mendapatkan selisih antara kovarians sampel dengan kovarians estimasi didapatkan residual covarians, yang merupakan kunci penilaian sebuah model, semakin kecil angka kovarians residual yang didapat menandakan model semakin fit atau data observasi mendukung keberadaan model Tabel 5.12. Implied Covariances Group number 1 X2 X5 X4 X3 X1 X2 686.789 X5 78.143 64.737 X4 12059.041 2881.042 763361.128 X3 5203.414 652.001 64586.396 116936.432 X1 55.731 13.315 3527.893 298.488 27.236 Contoh penafsiran angka pada nilai-nilai tabel diatas dapat ditunjukkan sebagai berikut: a. Variabel Waktu berlabuh: 1. Kovarians observasi dari waktu berlabuh adalah 686,789 2. Kovarians estimasi dari waktu berlabuh adalah 686,789 Sehingga kovarians residual untuk waktu berlabuh adalah 686,789-686,789 = 0, untuk keseluruhan nilai dari kovarians residual dari seluruh variabel terdapat pada Tabel 5.13 Tabel 5.13 .Residual Covariances Group number 1 - Default model X2 X5 X4 X3 X1 X2 .000 X5 .000 .000 X4 .008 .002 .002 X3 .000 .000 .064 .000 X1 -19.860 -5.448 .001 -151.772 .000 Pada tahap ini, model dapat dievaluasi dengan menggunakan beberapa uji yaitu, absolute fit indices, incremental fit indices, parsimony fit indices, nilai-nilai ini hanya didapatkan dari program AMOS, 1. Absolute fit indices Ukuran fundamental dari overall fit adalah likelihood-ratio chi-square X 2 . Nilai chi-square yang tinggi relatif terhadap degree of freedom menunjukkan bahwa matrik kovarian atau korelasi yang diobservasi dengan yang diprediksi berbeda secara nyata dan ini menghasilkan probabilitas p lebih kecil akan menghasilkan nilai probabilitas p yang lebih besar dari tingkat signifikansi dan ini menunjukkan bahwa input matrik kovarian antara prediksi dengan observasi sesuangguhnya tidak berbeda secara signikan. Dalam hal ini peneliti harus mencari nilai chi-square yang tidak signifikan karena mengharapkan bahwa model yang diusulkan cocok atau fit dengan data observasi. Dengan membandingkan nilai hitung dan nilai tabel, dimana X 2 tabel dengan menggunakan fungsi Excel =CHIINV0,001;3, didapatkan nilainya tabel sebesar 7,81. dengan membandingkan dengan nilai X 2 hitung, 2,231 7,81 dan angka probabilitas pada output AMOS sebesar 0,526 dan bila dibandingkan 0,526 0,5, dapat disimpulkan dari seluruh perbandingan bahwa hipotesa awal diterima. Dengan demikian didapatkan bahwa model fit dengan data yang ada. a. CMINDF Adalah nilai chi-square dibagi dengan derajat kebebasan. Dengan rumus manual dapat dihasilkan dengan CMINDF= df chisquare = 5 268 , 45 =9,054 Dengan program Amos didapatkan tampilan berikut: Tabel 5.14. Hasil CMIN Model CMIN DF CMINDF Default model 45.268 5 9.054 Saturated model .000 Independence model 204.377 10 20.438 Angka CMIN menunjukkan angka 45,268, nilai default modelnya berada antara 0,000 dan nilai 204,377. Angka ini menunjukkan bahwa model ini adalah model yang baik karena angka yang CMIN yang dimiliki oleh default model berada diantara saturated model dan independence model b. GFI goodness of fit index Alat uji GFI memungkinkan pengaruh jumlah sampel menjadi kurang sensitif dalam proses pengambilan keputusan Untuk perhitungan manual dapat dihitung dengan rumus GFI= 1 b F F − = 1 -0,126 =0,874 Nilai GFI yang tinggi menunjukkan fit yang lebih GFI menunjukkan angka 0,874, mendekati angka 1, angka ini menyatakan bahwa model sudah cukup baik untuk hasil GFI dapat dilihat pada tabel 5.15 Tabel 5.15. Hasil GFI Model GFI AGFI PGFI Default model .874 .622 .291 Saturated model 1.000 Independence model .617 .425 .411 2. Increamental fit measures Increamental fit measures membandingkan proposed model dengan baseline model sering disebut dengan null model. Null model merupakan model realistic dimana model- model yang lain harus diatasnya a. AGFI Adjusted goodnes-of fit merupakan pengembangan dari GFI yang disesuaikan dengan ratio degree of freedom, Untuk perhitungan manual dapat dilihat pada angka dibawah ini: AGFI=1-1-GFI d d b = 1 –1- 0,874= 0,622 nilai AGFI diatas adalah 0,622, angka ini mendekati angka 1, menyatakan bahwa model ini sudah cukup baik untuk hasil dari amos dapat dilihat pada tabel 5.16 Tabel 5.16. Hasil GFI, AGFI Model GFI AGFI Default model .874 .622 Saturated model 1.000 Independence model .617 .425 b. TLI Tucker-Lewis Index atau dikenal dengan nonormed fit index. Ukuran ini menggabungkan ukuran parsimony kedalam indeks komparasi antara proposed model dan null model dan nilai TLI berkisar dari 0 sampai 1,0. Nilai TLI pada tabel 5.17 nilai TLI sebesar 0,568 yang menunjukkan model cukup baik. c. NFI Normed Fit Index merupakan ukuran perbandingan antara proposed model dan null model. Nilai NFI dari model ini adalah 0,779, yang menyatakan bahwa model ini cukup baik. Tabel 5.17. Hasil Baseline Comparisons Model NFI Delta1 TLI rho2 Default model .779 .586 Saturated model 1.000 Independence model .000 .000 3. Parsimonious Fit Measures Kelompok pengujian ini membandingkan model yang komples dengan model sederhana parsimoni atau ringkas. Karena itu, alat ukur sebenarnya tidak efektif untuk mengukur model tunggal single model, namun akan efektif untuk membandingkan dua model,yang terdiri dari model kompleks dan model yang lebih sederhana. Alat ukur yang termasuk dalam kategori adalah PRATIO Parsimony Ratio, PNFI dan PCFI, di mana: PNFI = PRATIO x NFI = 0,5 x 0,779 = 0,389 PCFI = PRATIO x CFI = 0,5 x 0,586 = 0.396 Tabel 5.18. Parsimony-Adjusted Measures Model PRATIO PNFI PCFI Default model .500 .389 .396 Saturated model .000 .000 .000 Independence model 1.000 .000 .000 4. Pengukuran Model yang Sesuai Setelah keseluruhan model fit dievaluasi, maka langkah berikutnya adalah pengukuran setiap konstruk untuk menilai uni dimensionalitas dann reliabilitas dari konstruk. Unidimensionalitas adalah asumsi yang melandasi perhitungan reliabilitas dan ditunjukkan ketika indicator suatu kontruk memiliki acceptable fit satu single factor one dimensional model. Pendekatan untuk menilai measurement model adalah mengukur composite reliability dan variance extracted untuk setiap konstruk. Reliability adalah ukuran internal consistency indikator suatu konstruk .Untuk perhitungan reliabilitas konstruk dapat dilihat pada perhitungan dibawah, dan untuk nilai standard loadingnya dapat diambil dari nilai standardized regression weight Tabel 5.19. Standardized Regression Weights: Estimate X2 --- Y .527 X1 --- Y .774 X3 --- Y .216 X4 --- Y 1.000 X5 --- Y .297 X5 --- X2 .214 pengukuran kesalahan jumlah loading standard dari jumlah loading standard dari Jumlah Re 2 2 + = konstruk liabitas Jumlah kesalahan pengukuran = 1 – standard loading 2 = 1- 0,527 2 +… +1- 0,214 2 = 3.942534 942534 , 3 3.028 3.028 Re 2 2 + = konstruk liabitas = 0.70 Variance extracted = 0,527 + 0,774 + 0,216 + 1,000 + 0,297 + 0,2145 = 0.6056, artinya bahwa 60,56, model yang ada mampu menjelaskan keadaan yang sebenarnya Y .50 X1 e1 .71 .22 X2 e2 .46 .01 X3 e3 .12 1.23 X4 e4 1.11 .13 X5 e5 .36 Gambar 5.10. Diagram Jalur Model Awal Untuk diagram diatas ini, diagram jalur perlu untuk dimodifikasi karena ada nilai Heywood case , artinya ada nilai eror yang negative. Ini menunjukkan model tersebut perlu dimodifikasi.yaitu pada e4 sebesar dimana nilainya Tetapi diagram ini sudah dapat dinilai.jadi dilanjutkan ke tahap selanjutnya untuk tahap ke 7 yaitu sebesar - 177905.499, sehingga untuk model yang fit harus dimodifikasi kembali, untuk modifikasi indikasi diambil dari output AMOS. Untuk penjelasan dari model diatas dapat dilihat pada Tabel 5.20. Tabel 5.20. Hubungan antar Variabel Model Awal Hubungan antar variabel Nilai Hubungan Keterangan Y dan X1 0,71 Pengaruh X1 terhadap Y sangat kuat Y dan X2 0,46 Pengaruh X2 terhadap Y cukup kuat Y dan X3 0,12 Pengaruh X3 terhadap Y Lemah Y dan X4 1,11 Heywood Case Y dan X5 0,36 Pengaruh X5 terhadap Y rendah X1 dan e1 0,51 Pengaruh e1 terhadap X1 kuat X2 dan e2 0,22 Pengaruh e2 terhadap X2 rendah X3 dan e3 0,1 Pengaruh e3 terhadap X3 rendah X4 dan e4 1,23 Heywood case X5 dan e5 0,13 Pengaruh e5 terhadap X5 rendah

5.2.2.7. Interpretasi dan Memodifikasi Model