UJI KECOCOKAN/KELAYAKAN STRUCTURAL EQUATION MODELLING/SEM (Absolute Fit Measures, Incremental Fit Measures dan Parsimony Fit Measures)

UJI KECOCOKAN/KELAYAKAN STRUCTURAL EQUATION MODELLING/SEM

(Absolute Fit Measures, Incremental Fit Measures dan Parsimony Fit Measures)

Siang sobat semuaaa.. Apa kabarnya nih soob? Moga sehat, sukses dan luar biasa ya sooob.. Amiiiin.. Oke deh, setelah sebelumnya kita udah bahas tentang pemahaman konsep awal metode analisis SEM (measurement & structural model dan prosedur analisis SEM dengan software Lisrel), maka kali ini kita bakal ngelanjutin lagi dengan uji kecocokan/kelayakan model SEM. Yaap langsung aja soob tanpa basa-basi kita masuk ke topik bahasan hehehe... 

Sebenarnya ada beberapa langkah untuk menguji layak tidaknya suatu model SEM. Pertama, kita bisa uji dengan memperhatikan apakah ada nilai taksiran yang rusak atau everything gonna be alright hehehe... Nilai rusak ini bisa terjadi pada bagian structural model atau bagian measurement model. Umumnya, identifikasi suatu kerusakan nilai taksiran bisa dilihat dari nilai varians error yang bernilai negative, nilai standardized (loading factor) yang lebih besar atau terlalu mendekati 1 dan standard error yang dihasilkan sangat besar. 

   Nah, selanjutnya kita bisa melakukan uji kecocokan sebuah model dari sisi fit indicesnya. Fit indices dalam analisis model SEM bisa diurai jadi tiga bagian nih soob yaitu absolute fit measures, incremental fit indices dan parsimony fit indices. Ayoo kita bahas satu per satu dulu yaaa..

Absolute Fit Measures

Nah, untuk absolute fit measures ini sebenarnya ada beberapa hal yang bisa menjadi acuan untuk uji kelayakannya namun yang umumnya mutlak harus terpenuhi adalah nilai RMSEA dan nilai Likelihood Ratio Chi Square Statistics. Ayoo kita masuk ke pembahasan acuan absolute fit measures dulu yaaa..  

Ø    Likelihood Ratio Chi Square Statistics (LRCS)

Nah, LRCS ini adalah alat ukur yang paling penting dalam menguji model keseluruhan. Nilai Chi Square yang besar (sifatnya relatif terhadap derajat kebebasan) menunjukkan adanya perbedaan antara matrik input terhadap matrik hasil estimasi (matrik input bisa korelasi atau kovarians).  

Biasanya peneliti lebih memilih matriks korelasi dibandingkan matriks kovarians. Jika dalam penelitian sobat pakai beberapa variabel yang punya satuan yang berbeda-beda katakanlah upah gaji (rupiah) dan jumlah tenaga kerja (orang), maka kondisi perbedaan satuan akan membuat perbedaan rentang varians kovarians yang besar.

Naaah, kalau sobat pakai input matriks kovarians, maka dalam program/software yang menjadi prioritas utama adalah yang memiliki variabel-variabel dengan varians kovarians yang besar sedangkan variabel lainnya diabaikan padahal variabel-variabel yang memiliki varians kovarians tersebut belum tentu baik menggambarkan hubungan dalam model setelah dikaitkan kembali dengan teori-teori yang membangun model. Inilah alasan bagi banyak peneliti untuk menggunakan matriks korelasi sebagai matriks input untuk model SEM.

Yaaap lanjut lagi deh.. Naaah p- value dari statistic chi square diharapkan lebih besar dari 0,05 ya sooob.. Ketentuan ini bisa sobat baca di berbagai literatur SEM yang salah satunya adalah buku Econometrics karangan Hair,et al. Jika nilai statistik Chi Squarenya lebih dari 0,05 berarti uji statistik chi square tidak signifikan, kita akan menerima hipotesis nol dan menyimpulkan bahwa model sudah fit dengan data. Naah, bila uji chi square sudah tidak signifikan, ini berarti bahwa matrik input dengan matrik hasil estimasi tidak berbeda sehingga model yang sobat nanti ajukan sudah cocok/fit dengan data.

Next, kita bicara tentang kekurangan dari statistic chi square. Dari rumus kita bisa lihat bahwa nilai statistik chi square ini masih dipengaruhi oleh jumlah sample yang terlalu besar atau terlalu kecil atau dengan kata lain statistic chi square sensitif terhadap jumlah sampel. Kalau jumlah sampel terlampau besar, maka akan menaikkan nilai statistik chi square sehingga nilainya semakin lebih besar dari nilai chi square tabel. Resikonya peluang untuk menolak hipotesis nol (model tidak fit) menjadi semakin besar. Jadi, dalam buku Hair et al, disarankan jumlah sampel efektif berkisar antara 100 sampai 200. Yaap sampai disini saya harap sobat masih bisa ngikutin yaa hehehe..

 

Ø    Noncentrality and Scaled Noncentrality Parameter

Noncentrality Parameter (NCP) dan Scaled Noncentrality Parameter (SNCP) adalah dua ukuran statistik yang sebagai alternatif dalam mengatasi kelemahan statistic chi square. Tidak ada acuan yang pasti mengenai nilai NCP untuk mengatakan bahwa model yang diujikan cocok, hanya saja beberapa literatur menyatakan bahwa semakin kecil nilai NCP dan SNCP maka akan semakin baik. 

Ø    Goodness of fit Index (GFI)

GFI juga merupakan sebuah nilai yang disediakan Lisrel, sama halnya dengan NCP dan SNCP, GFI tidak memiliki acuan signifikansi. Akan tetapi sebuah model dikatakan sudah fit terhadap data bila nilai GFI mendekati 1 dan buruk apabila mendekati 0.

Ø    Root Mean Square Residual (RMR)

RMR adalah akar dari rata rata kuadrat error yang menunjukan besar perbedaan antara matrik input dengan matrik hasil estimasi. Nilai RMR yang lebih kecil dari 0,05 dikatakan sudah menunjukkan kalau model sudah fit

 

Ø    Root mean Square Error of Approximation (RMSEA)

RMSEA adalah ukuran statistik yang wajib dipenuhi dalam uji kecocokan model. Nah, nilai RMSEA dikatakan bagus bila nilainya lebih kecil dari 0.05, reasonable jika lebih kecil dari 0.08 dan di luar nilai itu RMSEA buruk dan belum terpenuhi untuk uji absolute fit indices/measurenya.

Incremental Fit Measures

Next, setelah kita bahas tentang uji absolute fit, kita masuk ke ukuran tambahan (incremental fit indices/measure). Jika beberapa dari ukuran incremental ini terpenuhi, maka umumnya dikatakan bahwa uji kecocokan model dengan incremental sudah terpenuhi sooob hehehe..Apa-apa aja tuh ukuran-ukuran dalam incremental fit? Naah, mari kita bahas satu per satu ya sooob..

Ø    Adjusted Goofness of fit Index (AGFI)

AGFI merupakan statistik GOF yang mirip dengan GFI, perbedaanya bahwa AGFI ini sudah disesuaikan dengan nilai derajat bebasnya. Model dengan nilai AGFI minimal 0.9 dapat dikatakan sebagai model yang baik.

Ø    Non Normed Fit Index (NNFI / Tucker Lewis Index)

NNFI adalah nilai yang membandingkan model yang sedang kita uji dengan null modelnya.  Model dikatakan baik bila nilai NNFI nya minimal 0.9

Ø    Normed Fit Index (NFI)

NFI hampir mirip dengan NNFI, hanya saja untuk NFI ini memiliki rentang dari 0 hingga 1, nilai NFI yang mendekati 0,9 mengindikasikan model yang baik.

Naaah, selain beberapa statistik untuk incremental fit, ada juga beberapa statistic GOF lainya, yaitu Relatife Fit Index (RFI), Incremental Fit Index (IFI), dan comparative Fit Index (CFI). Ketiga statistic tersebut menunjukan perbandingan antara model yang diuji dengan model null, dengan rentang nilai 0 hingga 1 dan model dikatakan baik bila nilai mendekati 0,9.

Parsimonious Fit Measures

Selanjutnya kita masuk ke bagian uji kecocokan model dari sisi kesederhanaan model. Nah, jika salah satu dari ukuran parsimonious fit ini sudah terpenuhi, maka model dikatakan sudah fit. Apa aja ukuran-ukuran statistiknya? Yaap ayoo kita bahas satu per satu sooob hehehe.. Semangaaat..

Ø    Parsimonious Normed Fit Index (PNFI)

Nilai PNFI sebenarnya adalah nilai NFI yang sudah dimodifikasi/diutak atik. Pada PNFI, perludiperhatikan nilai derajat kebebasan yang digunakan untuk mencapai kecocokan model. Semakin besar nilai PNFI, maka model menjadi semakin baik. Nilai PNFI juga dapat digunakan untuk tujuan membandingkan dua model. Jika selisih/perbedaannya mencapai 0.06 sampai 0.09, maka dikatakan perbedaan kedua model tersebut signifikan.

Ø    Parsimonious Goodness of fit Index (PGFI)

PGFI memodifikasi nilai GFI yaitu dengan memperhatikan berapa jumlah/banyaknya variabel laten yang dibentuk dalam model. Nilai PGFI berada dalam rentang 0 sampai 1. Nilai yang lebih tinggi menunjukan model yang baik. 

Ø    Akaike Criterion Information (AIC) dan Consistent AIC (CAIC)

    AIC dan CAIC digunakan kalau kita bertujuan untuk membandingkan beberapa model dimana nilai yang lebih kecil menunjukan model yang lebih baik. Sebuah model dikatakan baik bila nilai model AIC lebih kecil daripada nilai independent AIC dan Saturated AIC. Aturan main yang sama juga berlaku untuk CAIC

Nah, karena tadi saya sudah bahas gambaran ukuran-ukuran statistik untuk absolute fit measure, incremental fit measure dan parsimony fit measures, maka kalau sobat ingin mendalami kembali ukuran-ukuran statistik dengan penurunan rumus-rumus yang relatif rumit, maka saya sarankan sobat membaca berbagai working paper atau mencari buku-buku yang mengupas lebih dalam jenis-jenis ukuran statistik ini hehehe... 

Oiya satu hal yang lagi yang perlu sobat pahami bahwa analisis dengan SEM tidak concern kepada model yang terbentuk (koefisien-koefisien model) tetapi lebih ke arah terbukti tidaknya teori-teori yang sudah kita pakai dalam membangun hipotesis di dalam kasus yang terjadi dalam penelitian kita.

Yaaap, sampai disini dulu ya sooob bahasan tentang uji goodness of fit pada model SEMnya. Silahkan sobat baca pelan-pelan dulu dan pahami dulu berbagai fit indices measurement yang sudah dipaparkan di atas. Tetap semangat dan jangan patah semangat yaa hehehe.. Selalu ada jalan kalau kita mau berusaha.. Harus selalu punya semangat untuk bisa... Oke deeh, tetap kunjungi blog kita ini karena masih banyak analisis yang akan kita kupas dalam blog ini,, Semoga bermanfaat.. Salam damai, salam sukses dan tetap jaya :)