METODE PENELITIAN
5. Kemungkinan Munculnya Masalah Identifikasi
Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik. Salah satu solusi untuk problem identifikasi ini adalah dengan memberikan lebih banyak konstrain pada model yang dianalisis dan ini berarti mengeliminasi jumlah estimated coefficients. Oleh karena itu sangat disarankan bila setiap kali estimasi dilakukan muncul problem identifikasi maka sebaiknya model dipertimbangkan ulang antara lain dengan mengembangkan lebih banyak konstruk. 6. Evaluasi Kriteria Goodness of Fit
Pada tahap ini dilakukan pengujian terhadap kesesuaian model melalui telaah terhadap berbagai kriteria goodness of fit. Untuk itu tindakan pertama yang dilakukan adalah mengevaluasi apakah data yang digunakan dapat memenuhi asumsi-asumsi SEM. Bila asumsi ini sudah dipenuhi, maka model dapat diuji melalui berbagai cara uji yang akan diuraikan pada bagian ini. Pertama-utama akan diuraikan di sini mengenai evaluasi atas asumsi-asumsi SEM yang harus dipenuhi.
• Asumsi-asumsi SEM
Asumsi-asumsi yang harus dipenuhi dalam prosedur pengumpulan dan pengolahan data yang dianalisis dengan permodelan SEM adalah sebagai berikut :
- Ukuran Sampel, ukuran sampel yang harus dipenuhi dalam permodelan ini adalah minimum adalah 100 dan selanjutnya menggunakan perbandingan 5 observasi untuk setiap estimated parameter. Karena itu bila kita mengembangkan
74
model dengan 20 parameter, maka minimum sampel yang harus digunakan adalah sebanyak 100 sampel.
- Normalitas dan Linearitas, sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi sehingga data dapat diolah lebih lanjut untuk permodelan SEM ini. Normalitas dapat diuji dengan melihat gambar histogram data atau dapat diuji dengan metode-metode statistik. Uji normalitas ini perlu dilakukan baik untuk normalitas terhadap data tunggal maupun normalitas multivariat dimana beberapa variabel digunakan sekaligus dalam analisis akhir. Uji linearitas dapat dilakukan dengan mengamati sctatterplots dari data yaitu dengan memilih pasangan data dan dilihat pola penyebarannya untuk menduga ada tidaknya linearitas.
- Outliers, outliers adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariat yaitu yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya. Dapat diadakan treatment khusus pada outliers ini asal diketahui bagaimana munculnya outliers itu.
- Multicolinearity dan Singularity, Multikolinearitas dapat dideteksi dari determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil (extremely small) memberi indikasi adanya problem multikolinearitas atau singularitas. Setelah asumsi SEM dilihat, hal berikutnya adalah menentukan kriteria yang akan digunakan untuk mengevaluasi model dan pengaruh-pengaruh yang ditampilkan dalam model melalui uji kesesuaian dan uji statistik.
Dalam analisis SEM tidak ada alat uji statistik tunggal untuk mengukur atau menguji hipotesa mengenai model (Hair et.al., 1995; dalam Ferdinand, 2006). Berikut ini
75
beberapa indeks kesesuaian dan cut-off valuenya untuk digunakan dalam menguji apakah sebuah model dapat diterima atau ditolak :
• Chi Square Statistic
Model yang diuji dipandang baik atau memuaskan apabila nilai Chi-square nya rendap. Semakin kecil nilai X² semakin baik model itu dan diterima berdasarkan probabilitas dengan cut-off value sebesar p > 0,05 atau p > 0,10 (Ferdinand 2006).
- The Root Mean Square Error of Approximation / RMSEA, merupakan sebuah indeks yang dapat digunakan untuk mengkompensasi chi-square statistic dalam sampel yang besar (Ferdinand 2006). Nilai RMSEA menunjukkan nilai goodness
of fit yang dapat diharapkan bila model estimasi dalam populasi Hair et.al.,
(1995). Nilai RMSEA yang kecil atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model tersebut berdasarkan degrees of freedom (Ferdinand 2006).
- Goodness of Fit Index / GFI, merupakan ukuran non statistical yang mempunyai rentang nilai antara 0 (poor fit) sampai dengan 1,0 (perfect fit). Nilai yang tinggi dalam indeks ini menunjukkan sebuah better fit.
- Adjusted Goodness of Fit Index / AGFI, Tingkat penerimaan yang direkomendasikan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0.90 (Ferdinand 2006).
- CMIN / DF, adalah The Minimum Sample Discrepancy Function yang dibagi dengan degree of freedomnya. CMIN / DF merupakan statistik chi-square dibagi DF nya sehingga disebut X² - relatif. Nilai X² - relatif kurang dari 2.0 atau 3.0 adalah indikasi dari acceptable fit antara model dan data (Ferdinand 2006).
76
- Tucker Lewis Index / TLI, merupakan Incremental Index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model, dimana nilai yang
direkomendasikan sebagai acuan diterimanya sebuah model adalah ≥ 0.95 (Hair
et.al., 1995) dan nilai yang mendekati 1 menunjukkan a very good fit (Ferdinand
2006).
- Comparative Fit Index / CFI, rentang nilai sebesar 0-1, dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi – a very good fit (Ferdinand 2006).
Indeks-indeks yang dapat digunakan untuk menguji kelayakan sebuah model diringkas dalam sebuah model berikut :
77 Tabel 3.10
Indeks Pengujian Kelayakan Model
Sumber: Ferdinand (2006)
• Uji Reliabilitas dan Variance Extract
Reliabilitas adalah ukuran konsistensi dari indikator dalam mengindikasikan sebuah konstruk. Pada dasarnya uji reliabilitas (reliability) menunjukan sejauh mana suatu alat ukur yang dapat memberikan hasil yang relatif sama apabila dilakukan pengukuran kembali pada subyek yang sama. Ada dua cara yang dapat digunakan yaitu dengan melihat construct reliability dan variance extracted, yang kedua hal ini memiliki Cut Off Value yaitu masing-masing minimal 0.70 dan 0.50. Meskipun demikian nilai-nilai cut off value tersebut bukan angka mati. Hasil perhitungan dari pengujian construct reliability dan variance extracted diuraikan pada bagian berikut;
Goodness of fit index Cut-of Value
χ2 – Chi-square Significancy Probability RMSEA GFI AGFI CMIN/DF TLI CFI χ2 Hitung < χ2 Tabel ≥ 0.05 ≥ 0.08 ≥ 0.90 ≥ 0.90 ≥ 2.00 ≥ 0.95 ≥ 0.95
78 1. Construct Reliability.
Construct Reliability didapatkan dari rumus Hair, et.al.,(1995)
... (2 )
Keterangan :
- Standard Loading diperoleh dari standarized loading untuk tiap-tiap indikator yang didapat dari hasil perhitungan komputer.
- ∑ εj adalah measurement error setiap indikator. Measurement error dapat diperoleh dari 1 – reliabilitas indikator. Tingkat reliabilitas yang dapat diterima adalah ≥ 0,7.
2. Variance Extracted
Pada prinsipnya pengukuran ini menunjukan jumlah varians dari indikator - indikator yang diekstraksi oleh konstruk laten yang dikembangkan. Konstruk laten yang diwakili oleh indikator - indikator tersebut dikatakan baik ,bila nilai variance extracted yang dapat diterima adalah ≥ 0,50. Variance
extracted ini didapatkan rumus Hair, et.al.,(1995) yang digunakan adalah:
………… ( 3 ) Keterangan : ∑ (std. loading)2 Variance Extract = --- ∑ (std. loading)2 + ∑ εj (∑ std. loading)2 Construct-Reliability = --- (∑ std. Loading)2 + ∑ εj