Goodness of Fit (GOF) Structural Equation Modeling (SEM)

Dalam pembentukan suatu model hampir dipastikan diakhiri dengan pengujian kecocokan model atau pengujian kesesuaian model dengan data penelitian yang kita miliki. Pada pengujian model yang paling sederhana, regresi sebagai misal, dalam regresi pengujian kecocokan model dilakukan dengan pengujian ANOVA yang menghasilkan statistik F (GoF).

Dalam pengujian model regresi pun dihasilkan suatu nilai yang dinamakan indeks determinasi atau umum dikenal R-Square, yang merupakan ukuran representatif variasi atas suatu konsep variabel diukur oleh variabel lainnya atas suatu sampel atau populasi yang diteliti. Semakin besar nilai indeks determinasi yang diperoleh maka semakin baik model yang terbentuk atas variabel-variabel yang dilibatkan didalamnya. Selain itu, dikenal pula pengujian statistik t pada model, yang lebih umum dikenal sebagai pengujian parsial atau pengujian individual langsung pada variabel yang menyusun suatu model.

Tentunya semakin kompleks suatu model pengukuran atas suatu konsep maka tentu saja akan semakin kompleks pula instrumen yang diperlukan dalam pengujian kesesuaian atau kecocokan model yang diperlukan. Pada kesempatan kali ini kita akan membahas beberapa instrumen yang digunakan dalam pengujian kesesuaian atau kecocokan model SEM, yang pada artikel sebelumnya sudah sedikit dibahas bagaimana cara menggunakan LISREL untuk menghasilkan perhitungan model SEM.

GOF Pada Model SEM  

Menurut Joreskog dan Sorbom untuk menguji model SEM dapat dilakukan melalui pendekatan 2 tahap, yaitu menguji model pengukuran dan setelah itu penguji model pengukuran dan struktural secara simultan. Dalam metode analisis SEM, stataistik yang diuji secara individual dengan menggunakan uji t. Melalui keluaran diagram jalur statistik T-Values, LISREL mengkonfirmasikan hasil uji t secara lengkap dengan tingkat kesalahan uji ditetapkan sebesar 0,05. Jika hasil uji menunjukkan nonsignifikan, LISREL akan mencetak keluaran tersebut dengan sebuah garis diagram jalur berwarna merah.

Disamping secara individual, SEM juga menguji model yang diusulkan secara keseluruhan, yaitu melalui uji kesesuaian model (overall model fit test). Dalam SEM, yang dimaksud dengan “kesesuaian model” adalah kesesuaian antara matriks kovarian sampel dengan estimasi matriks kovarians populasi yang dihasilkan, secara informasi umum dapat dijelaskan bahwa keragaman yang ada pada sampel sesuai atau represestatif dengan keragaman yang ada pada populasi.

Karena itu, pertanyaan utama yang diajukan dalam uji kesesuaian model adalah “Apakah model yang diusulkan menghasilkan sebuah estimasi matriks kovarians populasi yang konsisten dengan matriks kovarians sampel?”. Suatu model (model pengukuran dan model struktural) dikatakan fit atau sesuai dengan data apabila matriks kovarian sampel tidak berbeda dengan estimasi matriks kovarian populasi yang dihasilkan. Maka hipotesis statistik untuk uji kesesuaian model dalam SEM dirumuskan,

H₀ : Tidak ada perbedaan antara matriks kovarian sampel dengan matriks kovarian populasi

H_{1 :} Ada perbedaan antara matriks kovarian sampel dengan matriks kovarian populasi

Uji kesesuaian model diharapkan dapat menerima hipotesis nol. Bagaimana uji kesesuaian model dilakukan? Dalam SEM uji tersebut dilakukan dengan menggunakan beberapa ukuran kesesuaian (Goodness of Fit Test-GOF). Pada dasarnya ukuran GOF terdiri dari tiga yaitu ukuran yang bersifat absolute (absolute fit test), komparatif (incremental fit measures) dan parsimoni (parsimonius fit measures).

Absolute Fit Test 

1. Chi-Square dan nilai P : ukuran uji kesesuaian model berbasis maximum likelihood (ML). Diharapkan nilainya rendah sehingga diperoleh nilai P (probability) yang tinggi melebihi 0,05.
2. Goodness of Fit Indeks (GFI) : ukuran kesesuaian model secara deskriptif. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
3. Root Mean Square Error of Approximation (RMSEA) : nilai aproksimasi akar rata-rata kuadrat error. Diharapkan nilainya rendah lebih kurang sama dengan 0,08.
4. Expected Cross-Validation Index (ECVI) : ukuran kesesuaian model jika model yang diestimasi diuji lagi dengan sampel yang berbeda tetapi dengan ukuran yang sama.

Incremental Fit Measures

1. Ajusted GFI (AGFI) : nilai GFI yang disesuaikan. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
2. Normed Fit Index (NFI) : ukuran kesesuaian model dengan basis komparatif terhadap base line atau model null. Model null umumnya merupakan suatu model yang menyatakan bahwa antara variabel-variabel yang terdapat dalam model yang diestimasi tidak saling berhubungan. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
3. Comparative Fit Index (CFI) : ukuran kesesuaian model berbasis komparatif dengan model null. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
4. Incremental Fit Index (IFI) : ukuran kesesuaian komparatif yang dikemukakan oleh Bollen. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
5. Relative Fit Index (RFI) : Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
6. Tucker-Lewis Index : ukuran kesesuaian model sebagai koreksi terhadap ukuran NFI. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.

Parsimonius Fit Measures

1. Normed Chi Square (NCS) : ukuran kesesuaian yang bersifat parsimoni, yaitu menguji koefisien yang diestimasi memenuhi syarat untuk mencapai suatu model fit. NCS bernilai anatar 1 s.d 5 mengindikasikan model fit dengan data.
2. Parsimonious Normed Fit Index (PNFI) : ukuran kesesuaian yang bersifat parsimoni sebagai modifikasi ukuran NFI. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
3. Parsimonious GFI (PGFI) : ukuran kesesuaian parsimoni sebagai koreksi dari GFI. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
4. Akaike Information Criterion (AIC) : ukuran kesesuaian parsimoni dari Akaike. Semakin kecil AIC mendekati nol (0) menunjukkan model lebih parsimoni.

Model yang memenuhi ukuran-ukuran GOF yang telah dijelaskan di atas merupakan model yang baik bagi data. Secara prinsip, semakin banyak kriteria ukuran yang terpenuhi oleh model maka model tersebut cocok untuk data atau sampel yang kita punya. Karena pada prinsipnya SEM menguji suatu teori yang dimodelkan pada data sampel yang kita punya, maka diperlukan ketelitian dan kehati-hatian dalam menentukan kesimpulan atas model yang didapatkan berdasarkan kriteria GOF. Semangat Mempelajari!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 0813 2170 9749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-