Belajar Statistik : Aplikasi Goodness of Fit dalam Structural Equation Modelling
Dalam pembentukan model statistik perlu memperhatikan pengujian kesesuaian model statistik atas data penelitian yang kita miliki. Pengujian kesesuaian model pada aplikasi statistik sangat penting karena ketika model yang sudah disusun memiliki indikasi fit atau cocok maka model kita cocok untuk digunakan dalam penelitian. Pada pengujian model yang paling sederhana, regresi sebagai misal, dalam regresi pengujian kecocokan model dilakukan dengan pengujian ANOVA yang menghasilkan statistik F. 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 di dalamnya. 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.
Uji Goodness of Fit juga merupakan salah satu uji non parametrik yang paling sering digunakan. Tujuannya adalah untuk menentukan seberapa tepat frekuensi yang diobservasi dengan frekuensi yang diharapkan. 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. Terkadang kita sebagai peneliti perlu menguji dan memperhatikan nilai-nilai yang tertera pada kriteria goodness of fit dari model statistik kita. Semakin banyak yang cocok atau sesuai maka semakin baik model kita. Lalu, kira-kira apa saja sih penjabaran dari masing-masing kriteria dalam tahap pengujian goodness of fit. Yuk mari kita jawab rasa penasaran kamu lewat artikel berikut ini ya! Pada artikel DQLab kali ini, kita akan membahas mengenai penjabaran aplikasi goodness of fit pada analisis SEM. Dengan harapan bisa menjadi tambahan insight dan rekomendasi bagi kalian calon praktisi data, pemula data maupun data enthusiast. Jangan lewatkan artikel berikut ini, pastikan simak baik-baik, stay tune and keep scrolling on this article guys!
1. Goodness of Fit dalam Analisis 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, statistik 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 non signifikan, 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 œkesesuaian 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 representatif dengan keragaman yang ada pada populasi
Baca juga : Pengolahan Data Statistik Parametrik dan Non-Parametrik
2. Absolute Fit Test
Berikut kriteria-kriteria pengukuran Absolute Fit Test:
Chi-Square dan nilai P : ukuran uji kesesuaian model berbasis maximum likelihood (ML). Diharapkan nilainya rendah sehingga diperoleh nilai P (probabilitas) yang tinggi melebihi 0,05.
Goodness of Fit Index (GFI) : ukuran kesesuaian model secara deskriptif. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
Root Mean Square Error of Approximation (RMSEA) : nilai aproksimasi akar rata-rata kuadrat error. Diharapkan nilainya rendah lebih kurang sama dengan 0,08.
Expected Cross-Validation Index (ECVI) : ukuran kesesuaian model jika model yang diestimasi diuji lagi dengan sampel yang berbeda tetapi dengan ukuran yang sama.
3. Incremental Fit Measures"
Berikut kriteria-kriteria pengukuran Incremental Fit Measures:
Adjusted GFI (AGFI) : nilai GFI yang disesuaikan. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
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.
Comparative Fit Index (CFI) : ukuran kesesuaian model berbasis komparatif dengan model null. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
Incremental Fit Index (IFI) : ukuran kesesuaian komparatif yang dikemukakan oleh Bollen. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
Relative Fit Index (RFI) : Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
Tucker-Lewis Index : ukuran kesesuaian model sebagai koreksi terhadap ukuran NFI. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
4. Parsimonius Fit Measures
Berikut kriteria-kriteria pengukuran Parsimonious Fit Measures:
Normed Chi Square (NCS) : ukuran kesesuaian yang bersifat parsimoni, yaitu menguji koefisien yang diestimasi memenuhi syarat untuk mencapai suatu model fit. NCS bernilai antara 1 s.d 5 mengindikasikan model fit dengan data.
Parsimonious Normed Fit Index (PNFI) : ukuran kesesuaian yang bersifat parsimoni sebagai modifikasi ukuran NFI. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
Parsimonious GFI (PGFI) : ukuran kesesuaian parsimoni sebagai koreksi dari GFI. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
Akaike Information Criterion (AIC) : ukuran kesesuaian parsimoni dari Akaike. Semakin kecil AIC mendekati nol (0) menunjukkan model lebih parsimoni
Model yang memenuhi ukuran-ukuran Goodness Of Fit 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 Goodness of Fit.
Baca juga : Yuk Pelajari Macam-Macam Metode Analisis Statistika
5. Belajar Statistika Sampai Mahir Bersama DQLab!
Agar skill statistik kamu semakin terasah, tidak salah lagi jika kamu bisa upgrade skillmu bersama DQLab! Kamu bisa loh untuk coba bikin akun gratisnya kesini di DQLab.id dan lakukan signup untuk dapatkan info-info terbaru serta belajar data science. Banyak benefit yang bisa kamu dapatkan jika kamu bergabung untuk belajar bersama DQLab! Nikmati pengalaman belajar data science yang menarik dan cobain berlangganan bersama DQLab yang seru dan menyenangkan dengan live code editor. Cobain juga free module Introduction to Data Science with R dan Introduction to Data Science with Python untuk menguji kemampuan data science kamu gratis! Jika ingin berlangganan kalian bisa mendapatkan benefit yang beragam salah satunya mencoba modul platinum dan career track.
Dapatkan keuntungan-keuntungan yang didapatkan salah satunya tidak perlu install software tambahan. Karena kalian belajar secara langsung terhubung dengan live code editor dari device yang kalian gunakan. Kalian juga bisa mencoba studi kasus penerapan real case industry. Jika kamu kesulitan dalam proses pembelajaran di DQLab, kamu bisa loh gabung ke discord kita untuk menanyakan hal-hal yang kurang jelas dan bingung bagaimana cara penyelesaiannya. Kamu juga diberikan kesempatan mendapatkan job connector dari perusahaan ternama di ranah industri data. Uniknya kamu bisa langsung apply dari akun kamu loh. So, tunggu apalagi, buruan SIGNUP Sekarang ya!
Penulis: Reyvan Maulid