Evaluasi model SEM delain dengan nilai indeks-indeks kesesuaian model, ada beberapa indeks yang menguji perbandingan terhadap model yang lain disebut juga dengan Baseline model. Diketahui bahwa output AMOS terdapat dua (2) baseline yang disajikan bersama dengan model yang dianalisis (default model) yaitu Saturated Model dan Independence model.
Saturated model merupakan model dengan jumlah parameter yang diestimasi sama dengan jumlah "distinc sample moments"nya sehingga degree of freedom sama dengan nol (0) dan chi-square sam dengan nol (0). Maka model saturated disebut dengan full atau perfect model.
Independence model merupakan model yang semua variabel dibuat tidak saling berkorelasi (uncorrelated). Dalam model ini jumlah parameter sama dengan jumlah variabel observasi. Karena independen model semua variabel tidak saling berkorelasi maka model independen adalah "poor fit" terhadap set datanya dan chi-square yang dihasilkan akan sangat besar. Berikut ini contoh tampilan output baseline model.
Output model Base line |
Indeks perbandingan terhadap model baseline antara lain :
1. Tucker Lewis Index (TLI)
TLI adalah alternatif incremental fit indeks yang membandingkan antara model yang diuji dengan baseline model. Indeks ini disebut juga dengan Non Normed Fit Index (NNFI). Kriteria pengujian indeks TLI diharapkan ≥0.95 sebagai model yang diterima, nilai mendekati 1 menunjukan a very good model. Hasil pengujian indeks TLI selengkapnya disajikan pada tabel di bawah ini.
Tucker Lewis Index (TLI) |
Indeks TLI diperoleh dengan rumus sebagai berikut :
Rumus TLI |
Hasil perhitungan indeks TLI sebesar 0.998 (mendekati 1) artinya bahwa a very good model.
2. Comparative Fit Index (CFI)
Indeks CFI berada dalam rentang 0-1 dan identik dengan inkdeks Relative Non Centrality Index (RNI). Nilai indeks ini yang direkomendasikan sebesar ≥ 0.95 dan nilai mendekati 1 mengindikasikan a very good fit. Indeks CFI memiliki kelebihan dibandingkan dengan nilai indeks lainyya yaitu tidak dipengaruhi oleh ukuran sampel sehingga sangat baik sebagai pengukur tingkat penerimaan model. Hasil indeks CFI dari model selengkapnya pada tabel di bawah ini.
Comparative Fit Index (CFI) |
Indeks CFI diperoleh dengan rumus sebagai berikut :
Rumus CFI |
Hasil indeks CFI sebesar 0.999 (mendekati 1) artinya bahwa model a very good fit.
3. Parsimony Ratio (Pratio)
Rasio ini dikembangkan oleh James, Mulaik dan Brett (1982). Rasio ini merupakan rasio kesederhanaan model yang mengekspresikan jumlah konstrain yang digunakan dalam model sebagai fraksi dari jumlah konstrain dalam model independen. Indeks ini diperoleh dengan membandingkan DF model yang dianalisis dengan DF model independen. Dari model diperoleh parsimoni ratio dihitung : 91/71 = 0.780. Hasil output AMOS selengkapnya disajikan pada tabel di bawah ini.
Indeks Parsimony Ratio |
4. Parsimony Adjusment to the NFI (PNFI)
Indeks ini merupakan indeks parsimoni yang di adjust dengan NFI, yang diperoleh dari hasil perkalain Pratio x NFI. Indeks diharapkan >0.50. Hasil nilai PNFI selengkapnya disajikan pada tabel di bawah ini.
Indeks PNFI |
Hasil PNFI pada tabel diatas menunjukkan bahwa nilai PNFI sebesar 0.743 artinya bahwa model fit.
5. Parsimony Adjusment to the CFI (PCFI)
Nilai ini merupakan indeks parsimoni yang di-adjust dengan CFI yang diperoleh dari hasil perkalian Pratio x CFI. Indeks diharapkan > 0.5. Hasil NFI dihitung dengan rumus 0.780 x 0.999 = 0.779. Hasil indeks PCFI selengakpnya disjaikan pada tabel di bawah ini.
Indeks PCFI |
Hasil pengujian dari model di atas diperoleh nilai PCFI sebesar 0.779 > 0.50 artinya bahwa model fit.
6. Non Centrality Parameter (NCP)
Jika nilai chi-square yang diperoleh masih tinggi tidak sesuai dengan yang diharapkan (rendah/bernilai kecil) maka model bisa ditolak. Sehingga nilai chi-square memiliki distribusi chi-square noncentral dengan sebuah parameter noncentral yang diestimasi oleh noncentrality parameter. Untuk mendapatkan nilai estimasi parameter noncentrality, dapat menggunakan interval konfiden. Hasil nilai NCP selengkapnya disajikan pada tabel di bawah ini.
Indeks NCP |
Perhitungan nilai parameter noncentrality sebesar 1.779 yang diperoleh dari nilai chi-square dikurangi degree of freedom nya (72.779 - 71). Interval konfiden menunjukan bahwa 90% percaya bahwa nilai populasi noncentral berkisar antara nilai 0.00 (LO 90) - 26.161 (HI 90). Dengan hasil contoh model SEM, nilai NCP diperoleh sebesar 1.779 berada dalam daerah parameter noncentral, artinya bahwa model fit.
7. Minimum Discrepancy Function (FMIN)
FMIN menunjukan tercapainya tingkat diskrepancy minimum yang digunakan untuk menghitung chi-square model yang dikembangkan. Nilai F0 adalah population diskrepansi yang dicapai. Nilai LO90 0.000 dan HI90 0.131 menunjukkan bahwa 90% percaya bahwa populasi diskrepancy 0.009 berada diantara rentang 0.000 - 0.131. Hasil selengkapnya disajikan pada tabel di bawah ini.
Nilai FMIN |
8. The Root Mean Square Error Approximation (RMSEA)
RMSEA merupakan indeks yang digunakan untuk mengkompresi chi-square statistik dalam sampel besar. NIlai RMSEA ≤ 0.08 merupakan close fit model sedangkan nilai RMSEA sebesar antara 0.08 - 0.1 dikatakan moderat fit. Pada tabel di bawah ini menunjukan nilai RMSEA sebesar 0.011, nilai ini lebih kecil dari 0.08 yang berarti model fit diterima. Hasil indeks RMSEA selengkapnya disajikan pada tabel di bawah ini.
Indeks RMSEA |
Steiger menyarankan untuk menggunakan konfiden interval untuk menilai ketepatan estimasi RMSEA berada antara LO90 dan HI90 serta PCLOSE. Jika konfiden interval sangat pendek, maka nilai RMSEA menunjukan presisi yang baik, bilai konfiden interval panjang maka tidak akuratnya dalam menentukan derajat fit dari populasi. Pada hasil nilai RMSEA menunjukan nilai sebesar 0.011 (< 0.08) dengan konfiden interval 90%, maka nilai RMSEA berkisar antara H0 0.000 sampai dengan HI90 0.043. Nilai ini memiliki interval pendek dengan probabilitas close fit sebesar 0.985 ( > 0.05). Interpretasi konfiden interval adalah bahwa dengan kepercayaan 90% nilai RMSEA berada diantara 0.000 - 0.043 dengan kemungkinan kedekatan 98.5% (0.985 x 100%) (PCLOSE). Karena kedekatan sebesar 98.5% ( . 0.50) maka dapat dikatakan bahwa model fit.
9. Akaike Information criterion (AIC) dan Consistent (CAIC)
Untuk mengevaluasi tingkat parsimoni dari model yang dikembangkan digunkan indeks AIC dan CIAC. Dua indeks ini membandingkan model secara parsimoni yakni jika AIC dan CAIC lebih rendah menunjukkan bahwa model lebih fit atau sesuai, sehingga model lebih parsimoni. Nilai lebih rendah dibandingkan dengan competeting model yang dikembangkan. Hasil indeks AIC dan CAIC selengkapnya disajikan pada tabel di bawah ini.
Indeks AICd dan CAIC |
Rumus AIC |
Hasil indeks AIC ditunjukan sebesar 140.779 lebih rendah dibandingkan dengan AIC independence model sebesar 1573.780 artinya bahwa model memenuhi kaidah parsimoni.
Rumus indeks CAIC sebagai berikut :
Rumus Indeks CAIC |
10. Brown Cudeck Criterion (BCC) dan Bayes Information Criterion (BIC)
Indeks BCC dan BIC memiliki peranan yang sama seperti AIC dan CAIC. Jika hasil indeks keduanya dibandingkan dengan angka pada independence modelnya lebih rendah maka maka model memenuhi kaidah parsimoni. Hasil indeks BCC dan BIC selengkapnya disajikan pada tabel di bawah ini.
Indeks BCC dan BIC |
Indeks BCC diperoleh sebesar 146.332 dan BIC sebesar 252.922. Nilai indeks BCC 146.322 lebih rendah dibandingkan dengan independence model 1576.063 dan BIC sebesar 252.922 lebih rendah dari BIC Independence model 1619.957. Karena lebih rendah dari Independence model maka dapat disimpulkan bahwa model memenuhi kaidah parsimoni.
11. Expected Cross Validation Index (ECVI)
Untuk menilai dalam satu sampel tertentu kemungkinan bahwa model dapat diterapkan pada sampel lain dengan ukuran yang sama dalam populasi yang sama digunakan indeks ECVI. Hasil indeks ECVI selengkapnya disajikan pada tabel di bawah ini.
Indeks ECVI |
Hasil indeks ECVI sebesar 0.707 dari model lebih kecil dibandingkan dengan saturated model sebesar 1.055 dan indepence model sebesar 7.908. Sehingga dapat disimpulkan bahwa model memenuhi sesuai dengan data. Dengan konfiden interval 90% percaya bahwa ECVI terletak antara LO 0.698 - 0.830 HI sehingga model cukup untuk replikasi.
12. Hoelter's
Pengujian Hoelter's tes dikembangkan oleh Hoelters (1983) merupakan uji critical N yang mengukur besarnya kecukupan sampel yang dibutuhkan. Indeks ini mengestimasi besarnya sampel-sampel size yang cukup untuk menghasilkan model fit yang cukup bagi uji chi-square. Hasil uji Hoelter selengkapnya disajikan pada tabel di bawah ini.
Nilai Hoelter's |
Critical N merupakan ukuran sampel terbesar untuk menerima hipotesis bahwa model adalah benar. Dari hasil model menunjukan bahwa nilai critical N pada tingkat 5% sebesar 251 dan tingkat 1% sebesar 278. Angka tersebut menunjukan bahwa pada tingkat 5%, model dapat diterima dengan sampel 251 atau pada tingkat 1%, model diterima dengan sampel 278. Artinya bahwa jika sampel lebih dari 251 (pada tingkat 1%) dan sampel lebih besar dari 278 (pada tingkat 5%) model dapat ditolak. Sehingga indeks Hoelter dapat memberikan indikasi mengenai kualitas data dan sampel yang digunakan sudah sesuai dan model dapat berlaku untuk sampel yang luas atau populasi.
Dalam model ini sampel yang digunakan sebesar 200, maka sampel model sudah lebih rendah dari Hoelter 1% (251) dan Hoelter 5% (278) sehingga model dapat berlaku.
Baca juga :
1. Evaluasi Asumsi Pada Model SEM
2. Uji Kesesuaian Fit Model SEM
3. Cara Mengatasi Data Tidak Normal Multivariat Dengan Bootstraping
Referensi :
Byrne, B.M. (2016). Structural Equation Modeling With Amos : Basic concepts, Aplications, and Progaming 3rd. New York : Rouledge
Ferdinand, A. (2014). Structural Equation Modeling Dalam Penelitian Manajemen Edisi 5. Semarang : Badan Penerbit Undip
Haryono, S. ( 2016). Metode SEM Untuk Penelitian Manajemen dengan AMOS Lisrel PLS. Bekasi : Intermedia Personalia Utama