Uji kesesuaian model dimaksudkan untuk menguji apakah model yang diusulkan memiliki kesesuaian (fit) dengan data atau tidak. Suatu model dikatakan fit apabila matriks korelasi tidak jauh berbeda dengan matriks korelasi estimasi. Tingkat kesesuaian model dalam buku (Haryono dan Wardoyo,2012:71-74) terdiri dari:
a. Absolut Fit Measure
Absolut Fit Measure mengukur model fit secara keseluruhan (baik model struktural maupun model pengukuran secara bersamaan).
1) Likehood-Ratio Chi-Square Statistic
Ukuran fundamental dari overall fit adalah likehood-ratio chi-square
( ). Nilai chi-square yang tinggi relative terhadap degree of fredom
menunjukkan bahwa matrik kovarian atau korelasi yang diobservasi dengan prediksi berbeda secara nyata dan ini menghasilkan probabilitas (p) akan menghasilkan nilai probabilitas (p) yang lebih besar dari tingkat signifikansi (α) dan ini menunjukkan bahwa imput
54 matrik kovarian antara prediksi dengan observasi sesungguhnya tidak berbeda secara signifikan. Dalam hal ini peneliti harus mencari chi-square yang tidak signifikan karena mengharapkan bahwa model yang diusulkan cocok atau fit dengan data observasi.
2) CMIN
Adalah menggambarkan perbedaan antara unrestricted sampel
covariance matrix S dan restricted coavriance matrix ∑(Ø) atau secara esensi menggambarkan likelehood ratio test statistic yang umunya dinyatakan dalam Chi-Square (χ2) statistics. Nilai statistik ini sama dengan (N-1) Fmin (ukuran besar sampel dikurangi 1 dan dikalikan dengan minimum fit function). Jadi nilai Chi-Square sangat sensitif terhadap besarnya sampel. Ada kecenderungan nilai Chi-square akan selalu signifikan. Oleh karena itu, jika nilai Chi-Square
signifikan, maka dianjurkan untuk mengabaikannya dan melihat ukuran goodness fit lainnya.
2) CMIN/DF
Adalah nilai chi-square dibagi dengan degree of freedom. Beberapa pengarang mengajurkan rasio ukuran ini untuk mengukur fit. Menurut Wheathon et. al (1997) dalam (Haryono dan Wardoyo,2012:72)nilai rasio 5 (lima) atau kurang dari merupakan ukuran yang reasonable.
Peneliti lainnya seperti Bryne (1998) mengusulkan nilai rasio ini < 2 merupakan ukuran fit.
55 3) Goodness of Fit Index (GFI)
Goodness of Fit Index (GIF) dikembangkan oleh Joreskog dan Sorbon (1984) yaitu ukuran non-statistik yang nilainya berkisar antar 0 (poor fit) sampai 1.0 (perfect fit). Nilai GFI tinggi menunjukkan fit yang lebih baik dan berapa nilai GFI yang dapat diterima sebagai nilai yang layak belum ada standarnya, tetapi banyak peneliti menganjurkan nilai di atas 90% sebagai ukuran good fit.
4) Root Mean Square Errors of Approximation (RMSEA)
Root Mean Square Errors of Approximation (RMSEA) merupakan ukuran yang mencoba memperbaiki kecenderungan statistic chi-square menolak model dengan jumlah sampel yang besar. Nilai RMSEA antara 0.05 sampai 0.08 merupakan ukurang yang dapat diterima. Hasil uji empiris RMSEA cocok untuk menguji model konfitmatori atau competiting model strategi dengan jumlah sampel besar.
b. Incremental Fit Measure
Incremental Fit Measure membandingkan proposed model dengan
baseline model sering disebut dengan null model. Null model merupakan
model realistic dimana model-model yang lain harus diatasnya.
56
Adjusted Goodness of Fit Index (AGFI) merupakan pengembangan dari GFI yang disesuaikan dengan rasio degree of fredom untuk proposed model degree of fredom untuk null model. Nilai yang direkomendasikan adalah sama >0.90.
2) Tucker-Lewis Index (TLI)
Tucker-Lewis Index (TLI) atau dikenal dengan non normed fit index
(NNFI). Pertama kali diusulkan sebagai alat untuk mengevaluasi analsisi faktor. Ukuran ini menggabungkan ukuran parsimory ke dalam index komparasi antara proposal model dan null model dan nilai TLI berkisar 0 sampai 1.0. Nilai yang direkomendasikan adalah sama >0.90
3) Normed Fit Index (NFI)
Normed Fit Index (NFI) merupakan ukuran perbandingan antara
proposed model dan null model. Nilai NFI akan bervariasi dari 0 (no fit at all) sampai 1.0 (perfect fit). Seperti hanya TLI tidak ada nilai absolute yang dapat digunakan sebagai standar, tetapi umunya direkomendasikan sama atau >0.90.
c. Parsimony Fit Measures
Ukuran ini menghubungkan goodness-of-fit model dengan sejumlah koefisien estimasi yang diperlukan untuk mencapai level fit. Tujuan dasarnya adalah untuk mendiagnosa apakah model fit telah
57 tercapai dengan “overfitting” data yang memiliki banyak koefisien. Prosedur ini mirip dengan “adjustment” terhadap � didalam multiple regression. Namun demikian karena tidak ada uji statistik yang tersedia maka penggunaanya hanya terbatas untuk membandingkan model..
2) Parsimony Normed Fit Index (PNFI)
Parsimony Normed Fit Index (PNFI) merupakan modifikasi NFI. PNFI memasukkan jumlah degree of freedom yang digunakan untuk mencapai level fit. Semakin tinggi nilai PNFI semakin baik. Kegunaan utama dari PNFI semakin tinggi nilai PNFI semakin baik. Kegunaan utama daru PNFI adalah untuk membandingkan model dengan degree of fredom yang berbeda. Digunakan untuk membandingkan model alternatif sehingga tidak ada nilai yang direkomendasikan sebagai nilai fit yang diterima. Namun demikian jika membandingkan dua model maka perbedaan PNFI 0.60 sampai 0.90 menunjukkan adanya perbedaan model yang signifikan.
1) Parsimony Goodness of Fit Index (PGFI)
Parsimony Goodness of Fit Index (PGFI) memodifikasi GFI atas dasar
parsimony estimated model. Nilai GFI berkisar antara 0 sampai 1.0 dengan nilai semakin tinggi menunjukkan model lebih parsimony.
58 Tabel 3.3
Standar Penilaian Kesesuaian (Fit)
Laporan Statistik Nilai yang direkomendasikan Imam Ghozali (2008)
Cut of Value Keterangan
Absolut Fit
Probabilitas
Tidak Signifikan (p>0.05) Model yang diusulkan cocok / fit dengan data observasi
/df ≤ 5 Ukuran yang reasonable
Ukuran fit < 2 RMSEA < 0.1 < 0.05 < 0.01 0.05 ≤ x ≤ 0.08 Good fit Very good fit Outsanding fit Reasonable fit
GFI 0-1.0 Good fit
Incremental Fit
AGFI ≥ 0.90 Good fit
TLI ≥ 0.90 Good fit
NFI ≥ 0.90 Good fit
Parsimonious Fit
PNFI 0 – 1.0 Lebih besar lebih baik
PGFI 0 – 1.0 Lebih besar lebih baik
(Sumber: Imam Ghozali, 2008 dalam Haryono dan Wardoyo,2012:218) Langkah 7: Pengaruh Langsung, Tidak Langsung dan Pengaruh Total
Pada dasarnya mengestimasi koefisien yang memengaruhi dalam konteks analisis jalur dan bukan hanya menganalisis pengaruh langsung (direct causal effect/DCE), tetapi juga sekaligus mengestimasi pengaruh tidak langsung (indirect causal effect/ICE), dan pengaruh total (total causal effect/TCE). Dalam mengestimasi DCE, ICE dan TCE ada baiknya kita perhatikan pendapat pearl (2000:411) sebagai berikut.
a. Direct effect is meant to quantify an influence that is not mediated by other variables in the model or, more accurately, the sensitivity of Y to changes in X while all other factors in the analysis are held fixed.
59 b. The indirect effect IE measures the expected change in the dependent variable (Y) when the independent variable (X) is held fixed, and the mediator variable (M) change to the level it would have attained had independent variable increased by one unit, say from x to x+1
c. The total effect measures the extent to which the dependent variable changes when the independent variable increase by one uni. So, the total effect is equal to the sum of the direct and indirect effects.
Pengaruh langsung (DCE) adalah ukuran pengaruh yang tidak dimediasi oleh variable lain dalam suatu model atau sensitivitas perubahan X perubahan X terhadap Y, dimana semua factor lain dalam analisis ini dibuat fix. Sedangkan pengaruh tidak langsung (ICE) adalah ukuran perubahan di mana variabel terikat berubah melalui variabel mediator apabila variabel bebas dibuat fix. Pengaruh total adalah jumlah dari pengaruh langsung dan pengaruh tidak langsung. Dengan demikian:
TCE = DCE + ICE