BAB III METODOLOGI PENELITIAN
3.4. Teknik Analisis dan Uji Hipotesis
3.4.5. Evaluasi Model
Hair et.el., 1998 menjelaskan bahwa pola “confirmatory” menunjukkan prosedur yang dirancang untuk mengevaluasi utilitas hipotesis-hipotesis dengan pengujian fit antara model teoritis 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 suatu “poor fit” dengan data. Amos dapat menguji apakah model “goog fit” atau “poor fit”. Jadi, “good fit” model yang diuji sangat penting dalam penggunaan structural equation
modeling. Pengujian terhadap model dikembangkan dengan berbagai kriteria Goodnes of fit, yakni Chi-square, Probability, RMSEA, GFI, TLL CFI, AGFI CMIN/DF. Apabila model awal tidak good fit dengan data maka model dikembangkan dengan pendekatan two step approach to SEM. Dalam analisis SEM tidak ada alat uji statistic tunggal untuk mengukur atau menuju hipotesis mengenai model. Beberapa indeks kesesuaian dan cut-off value untuk digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak adalah :
1. λ2
– CHI- SQUARE STATISTIC
Alat uji paling fundamental untuk mengukur overall fit adalah likehood ratio Chi-square statistic. Chi square ini bersifat sangat sensitif terhadap besarnya sampel yang digunakan. Karena itu apabila jumlah sampel adalah cukup besar yaitu 200 sampel, maka statistic Chi-square ini harus didampingi oleh alat uji lainnya (Hair. et.al., 1995 ; Tabachinck & Fidell, 1996, Dikutip oleh Ferdinand, 2002 : 55).
Dalam pengujian ini nilai X2 yang rendah yang menghasilkan sebuah tingkat signifikasi yang lebih besar dari 0,05 akan mengindikasikan tak adanya perbedaan yang signifikan anatar matriks kovarians data dan matriks kovarians yang diestimasi. (Hair. et.al., 1995, dikutip oleh Ferdinand, 2002 : 56)
RMSEA adalah sebuah indeks yang dapat digunakan untuk mengkompensasi chi-square statistic dalam sampel yang besar. (Baumgartner & Homburg, 1996, dikutip oleh Ferdinand, 2002 : 56). Nilai RMSEA menunjukkan goodness of fit yang dapat diharapkan bila model diestimasi dalam populasi. (Hair. et.al., 1995, dikutip oleh Ferdinand, 2002 : 56). Nilai RMSEA yang lebih kecil atau sama dengan 0,008 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan degrees of freedom (Browne & Cudeck, 1993, dikutip oleh Ferdinand, 2002 : 56)
3. GFI - Goodness of Fit Index
GFI adalah analog dari R2 dalam regresi berganda.GFI adalah sebuah ukuran non-statistical yang mempunyai rentang nilai antara, 0 (poor fit) sampai dengan 1.0 (perfect fit). Indeks kesesuaian ini akan menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang dijelaskan oleh matriks kovarians populasi yang terestimasikan. (Bentler, 1983; Tanak & Huba, 1989; dikutip oleh Ferdinand, 2002 : 57).
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”. 4. AGFI – Adjusted Goodness-of Fit Index
Tanaka & Huba (1989) yang dikutip oleh Ferdinand (2002:57) menyatakan bahwa GFI adalah analog dari R2 dalam regresi berganda. Fit indeks ini dapat di adjust terhadap degress of freedom yang tersedia untuk menguji diterima tidaknya model (Arbuckle, 1999, dikutip oleh Ferdinand, 2002 : 57).
Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0,90 (Hair. et.al., 1995; Hulland et.al, 1996 ; dikutip oleh Ferdinand, 2002 : 58). Perlu diketahui bahwa baik GFI maupun AGFI adalah kriteria yang memperhitungkan proporsi tertimbang dari varians dalam sebuah matriks kovarians sampel. Nilai sebesar 0,95 dapat diinterpretasikan sebagai tingkatan yang baik – good overall model fit ( baik ) sedangkan besaran nilai antara 0,90 – 0,95 menunjukkan tingkatan cukup-edequate fit (Hulland et.al, 1996 ; dikutip oleh Ferdinand, 2002 : 58)
5. CMIN / DF
The minimum sample discrepancy function (CMIN) dibagi dengan degree of freedomnya akan menghasilkan indeks CMIN / DF, yang umumnya dilaporkan oleh para peneliti sebagai salah satu indikator untuk mengukur tingkat fitnya sebuah model. Dalam hal ini CMIN / DF yang diharapkan adalah sebesar ≤2.0 dan tidak lain adalah statistik chi-square, λ2
dibagi DFnya sehingga disebut λ2 – relative.
6. TLI – Tucker Lewis Inder.
TLI adalah sebuah alternatif incremental fit index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model. (Baugmgartner & Homburg, 1996 ; dikutip oleh Ferdinand, 2002 : 59). Nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah penerimaan ≥ 0,95 (Hair. et.al., 1995; dikutip oleh Ferdinand, 2002 : 60) dan nilai yang sangat mendekati a very good fit (Arbuckle, 1997; dikutip oleh Ferdinand, 2002 : 60).
7. CFI – Comparative Fit Index
Besarnya index ini adalah pada rentang nilai sebesar 0 – 1. Dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi a very good fit (Arbuckle, 1997; dikutip oleh Ferdinand, 2002:60). Nilai yang direkomendasikan adalah CFI ≥ 0,95. Keunggulan dari index ini adalah bahwa index ini besarnya tidak dipengaruhi oleh ukuran sampel karena itu sangat baik untuk mengukur tingkat penerimaan suatu model (Hulland.et.al.,1996 Tanaka, 1993; dikutip oleh Ferdinand, 2002:60). Index CFI adalah identik dengan Relative Noncentrality Index (RNI). Dengan demikian.
Goodness of Fit Indices GOODNESS OF FIT INDEX KETERANGAN CUT-OFF VALUE X2 - Chi Square
Menguji apakah Covariance populasi yang diestimasi sama dengan covariance sample (apakah model
sesuai dengan data)
Diharapkan kecil, 1 s.d 5 atau paling
tidak diantara 1 dan 2
Probability
Uji signifikasi terhadap perbedaan matriks covarians data dan matriks
covarians yang diestimasi.
Minimum 0,1 atau 0,2 atau ≥ 0,5. RMSEA Mengkompensasi kelemahan
Chi-Square pada sample besar.
≤ 0,08
GFI
Menghitung proporsi tertimbang varians dalam matriks sampel yang
dijelaskan oleh matriks covariance populasi yang diestimasi (analog dengan R2 dalam regresi berganda)
≥ 0,90
AGFI GFI yang sesuai terhadap DF ≥ 0,90
CMID / DF Kesesuaian antara data dan model. ≤ 2,00 TLI Pembanding antara model yang diuji
terhadap baseline model.
≥0,95
CFI
Uji kelayakan model yang tidak sensitive terhadap besarnya sampel
dan kerumitan model.
≥ 0,95