GOODNESS OF FIT DALAM SEM

 BY HENDRY

Phone : 0856-9752-3260
Email :
openstatistik@yahoo.co,id


Evaluasi kecocokan model (goodness of fit) dapat dilakukan melalui (1) kecocokan keseluruhan model (goodness of fit), (2) kecocokan model pengukuran (measurement model), dan (3) kecocokan model structural (structural model).

Mengenai Goodness of fit

Tahap pertama dari uji kecocokan model ditujukan untuk mengevaluasi secara umum derajat kecocokan atau goodness of fit antara data dengan model. SEM tidak memiliki satu uji statistic terbaik yang dapat dapat menjelaskan kekuatan prediksi model.

Bollen dan Long (1993:6) menjelaskan mengenai goodness of fit sebagai berikut :

Pertama. Petunjuk terbaik dalam menilai kecocokan model adalah teori substansif yang kuat. Jika model hanya menunjukkan atay mewakili teori subtantif yang tidak kuat, dan meskipun model mempunyai kecocokan yang sangat baik, agak sukar bagi kita untuk menilai model tersebut.

Kedua. Uji statistic Chi-Square seharusnya bukan satu-satunya dasar untuk menentukan kecocokan data dengan model.

Ketiga. Tidak satupun dari ukuran-ukuran Goodness of Fit secara esklusif dapat digunakan sebagai dasar evaluasi kecocokan keseluruhan model

Ukuran Kecocokan Absolut

Ukuran kecocokan absolute menentukan derajat prediksi model keseluruhan (model structural dan pengukuran) terhadap matrik korelasi dan kovarian. Ukuran-ukuran ini mengandung ukuran yang mewakili dari sudut pandang overall fit. Beberapa ukuran yang bisa digunakan untuk mengevaluasi SEM antara lain :

Chi Square (X2)

Chi square digunakan untuk menguji seberapa dekat kecocokan antara matrik kovarian sampel S dengan matrix kovarian model Σ(Θ).

Uji statistiknya adalah :

X2 = (n-1) F(S, Σ(Θ))

Nilai signifikansi yang besar diharapkan dari uji ini (p ≥ 0.05). Ini menandakan bahwa hipotesis nol diterima dan matrix input yang diprediksi dengan sebenarnya tidak berbeda dengan secara statistic. Meski demikian, chi-square bukanlah satu-satunya uji untuk menilai goodness of fit dari model, karena uji ini memiliki beberapa kekurangan terutama pada ukuran data (Cohran, 1952). Jika ukuran sampel kecil, maka uji chi square akan menunjukkan data secara signifikan tidak berbeda dengan model dan teori-teori yang mendasarinya.

Goodness of fit indices (GFI)

GFI merupakan ukuran mengenai ketepatan model dalam menghasilkan observed matrix kovarian. Nilai GFI ini harus berkisar 0 – 1. Semakin mendekati angka 1, model semakin baik, dan angka > 0.90 adalah angka yang sering digunakan para peneliti untuk menilai kecocokan model berdasarkan nilai GFI.

Adjusted Goodness of Fit Index (AGFI)

AGFI adalah sama dengan GFI, tetapi menyesuaikan pengaruh degree of freedom pada model. Ukuran AGFI yang diterima adalah di atas 0.90 (Diamontopaulus dan Siguaw, 2000)

Non-Centrality Parameter (NCP)

NCP adalah ukuran perbedaan antara Σ dengan Σ(Θ) atau bentuk spesifikasi ulang Chi-Square.

NCP = X2 – DF

Semakin kecil nilai NCP, maka model semakin baik.

Root mean square error of approximation (RMSEA)

RMSEA mengukur penyimpangan nilai parameter suatu model dengan matrix covarians populasinya.

Nilai RMSEA < 0.05, artinnya model close fit, sedangkan nilai 0.05 < RMSEA < 0.08 menunjukkan model good fit.

Root Mean square error (RMR)

RMR mewakili nilai rerata residual yang diperoleh dengan mencocokkan matrix varian-kovarian dari model yang dihipotesiskan dengan matrix varian-kovarian data sampel. Model yang mempunyai goodness of fit yang baik memiliki nilai RMR kurang dari 0.05.

Dirangkum dari :

Imam Ghozali, dan Fuad. 2008. Structural Equation Modeling. Teori, Konsep dan Aplikasi dengan Program LISREL 8.80. Semarang : BP-UNDIP, pp31-35

Setyo Hari WIjanto. 2008. Structural Eqation Modeling dengan LISREL 8.8. Konsep dan Tutorial. Yogyakarta : Graha Ilmu, pp 49 – 66

 

 

 

 

 

 

Leave a Reply

Your email address will not be published. Required fields are marked *

Silahkan jawab Pertanyaan *

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>

You might also likeclose