Home » » Tahapan dan Kriteria GOF dalam SEM

Tahapan dan Kriteria GOF dalam SEM

Written By Unknown on Thursday, February 7, 2013 | 1:11 AM


  

A.  Tahap-tahap dalam Prosedur SEM
Prosedur SEM secara umum akan mengandung tahap-tahap sebagai berikut (Bollen dan Long, 1993):
  • Spesifikasi model (model specification)
Tahap ini berkaitan dengan pembentukan model awal persamaan struktural, sebelum dilakukan estimasi. Model awal ini diformulasikan berdasarkan suatu teori atau penelitian sebelumnya.
  • Identifikasi (identification)
Tahap ini berkaitan dengan pengkajian tentang kemungkinan diperolehnya nilai yang unik untuk setiap parameter yang ada di dalam model dan kemungkinan persamaan simultan tidak ada solusinya.
  • Estimasi (estimation)
Tahap ini berkaitan dengan estimasi terhadap model untuk menghasilkan nilai-nilai parameter dengan menggunakan salah satu metode .estimasi yang tersedia. Pemilihan metode estimasi yang digunakan seringkali ditentukan berdasarkan karakteristik dari variabel-variabel yang dianalisis.
  • Uji kecocokan (testingfit)
Tahap ini berkaitan dengan pengujian kecocokan antara model dengan data. Beberapa kriteria ukuran kecocokan atau GoodnessOf Fit (GOF) dapat digunakan untuk melaksanakan langkah ini.
  • Respesifikasi (respecification)
Tahap ini berkaitan dengan respesifikasi model berdasarkan atas hasil uji kecocokan tahap sebelumnya.
  
B. Kriteria Goodness of Fit (GOF)
  1. Chi Square. Tujuan analisis ini adalah mengembangkan dan menguji apakah sebuah model yang sesuai dengan data. Chi Square sangat bersifat sensitif terhadap sampel yang terlalu kecil maupun yang terlalu besar. Oleh karenanya pengujian ini perlu dilengkapi dengan alat uji lainnya. nilai Probability Chi-squares > 0.05 menandakan data empiris identik dengan teori/model
  2. Goodness Of Fit Indeks (GFI) adalah Indeks yang mnggambarkan tingkat kesesuaian model secara keseluruhan yang dihitung dari residual kuadrat dari model  yang diprediksi dibandingkan data yang sebenarnya. Nilai GFI > 0,90 mengisyaratkan model yang diuji memiliki kesesuaian yang baik.
  3. Root Mean Square Error of Approximation (RMSEA). RMSEA merupakan ukuran yang mencoba memperbaiki kecenderungan statistic chi ssquare menolak model dengan jumlah sampel yang besar. Nilai RMSEA antara 0,05 dan 0,08 mengindikasikan indeks yang baik untuk menerima kesesuaian sebuah model .
  4. Adjusted Goodness Fit Of Index (AGFI). Indeks ini merupakan pengembangan dari Goodness Fit Of Index (GFI) yang telah disesuaikan dengan ratio dari degree of freedom (Ghozali dan Fuad, 2005: 31). Analog dengan R2 pada regresi berganda. Nilai yang direkomendasikan adalah AFGI > 0,90, semakin besar nilai AFGI maka semakin baik kesesuaian yang dimiliki model.
  5. Tucker Lewis Index (TLI) TLI merupakan indeks kesesuaian incremental yang membandingkan model yang diuji dengan baseline model. TLI digunakan untuk mengatasi permasalahan yang timbul akibat kompleksitas model. Nilai penerimaan yang direkomendasikan adalah nilai TLI > 0,90. TLI merupakan indeks yang kurang dipengaruhi oleh ukuran sampel
  6. Normed Fit Index (NFI). Indeks ini juga merupakan ukuran perbandingan antara proposed model dan null model . Nilai yang direkomendasikan adalah NFI > 0,90.
  7. Comparative Fit Index (CFI). CFI juga merupakan indeks kesesuaian incremental. Besaran indeks ini adalah dalam rentang 0 sampai 1 dan nilai yang mendekati 1 mengindikasikan model memiliki tingkat kesesuaian yang baik. Indeks ini sangat dianjurkan untuk dipakai karena indeks ini relatif tidak sensitif terhadap besarnya sampel dan kurang dipengaruhi oleh kerumitan model. Nilai penerimaan yang direkomendasikan adalah CFI > 0,90

Sumber :
  • Ghozali dan Fuad. 2008. SEM. Teori dan Konsep denngan Program LISREL 8.80. Semarang : BP-Undip. Page : 29 – 34
  • Wijanto, Setyo H. Structural Equation Modeling dengan Lisrel 8.8. (Jakarta: Graha Ilmu.2007) h.34



Share this article :

Post a Comment

 
Support : Creating Website | Johny Template | Mas Template
Copyright © 2011. AlfandyKaicili - All Rights Reserved
Template Created by Creating Website Published by Mas Template
Proudly powered by Blogger