Menilai kelayakan model/goodness of fit (Structural Model). Goodness of fit merupakan indikasi dari perbandingan antara model yang dispesifikasi dengan analisis kovarians antar indikator (observed variable). Jika hasilnya baik maka diterima model tersebut, terdapat 3 jenis ukuran goodness of fit, yaitu :
- Absolute Fit Indices
Membandingkan antara fit model secara teoritis dengan data yang dikumpulkan. Terdapat tiga jenis penilaian yaitu :
- Chi-Square
dengan rumus X2 = (N - 1) F, dimana N adalah jumlah sampel dan F adalah discrepancy.
Model dikatakan fit jika mempunyai nilai chi-square sama dengan nol, artinya tidak ada perbedaan antara input matriks kovarians yang diobservasi dengan model yang diprediksi. Tingkat signifikansi yang direkomendasikan adalah, nilai probabilitas > 0,05.
- Goodness of Fit Indices (GFI)
Merupakan tingkat kesesuaian model secara keseluruhan yang dihitung dari residual kuadrat model yang diprediksi dibandingkan dengan data observasi yang sebenarnya. Tingkat signifikansi yang direkomendasikan adalah, nilai GFI > 0,9
- Root Mean Square Error of Approximation (RMSEA)
Mengukur penyimpangan nilai parameter suatu model dengan matriks kovarians populasinya. Tingkat signifikansi yang direkomendasikan adalah:
Nilai RMSEA < 0,05 mengindikasikan goodness of fit model baik; nilai RMSEA kurang dari atau sama dengan 0,08 mengindikasikan goodness of fit model kurang baik; nilai RMSEA > 1 mengindikasikan goodness of fit model tidak baik.
Nilai probabilitas > 0,05 dan Confidences Interval antara 0,0 sampai 0,15
- Chi-Square
- Fit Indices
disebut juga Comparatives Fit Indices, yaitu goodness of fit untuk membandingkan fit model secara teoritis, relatif dengan alternative baseline model (null model).
Null model merupakan model realistik, dimana model-model yang lain harus di atasnya.
- Adjusted Goodness of Fit (AGFI)
Pengembangan dari GFI yang disesuaikan dengan ratio degress of freedom untuk proposed odel dengan degree of freedom untuk null model. Tingkat signifikansi yang direkomendasikan adalah, nilai AGFI lebih besar atau sama dengan 0,9
- Normal Fit Index (NFI)
ukuran perbandingan antara proposed model dengan null model. NFI cenderung merendahkan nilai fit pada penggunaan sampel kecil. Tingkat signifikansi yang direkomendasikan adalah, nilai NFI > 0,9 hingga 0,95
- Comparative Fit Indices (CFI)
dikenal dengan Bentler Fit Index (BFI) merupakan ukurang perbandingan antara model yang dihipotesiskan dengan null model. CFI tidak dapat dipengaruhi oleh ukurang sampel. Tingkat signifikansi yang direkomendasikan adalah, nilai CFI > 0,9 hingga 0,95
- Incremental Fit Index (IFI)
sama dengan CFI namun IFI dapat mengoreksi ukurang sampel. Tingkat signifikansi yang direkomendasikan adalah, nilai IFI > 0,9 hingga 0,95
- Relative Fit Indices (RFI)
dikenal dengan Relative Noncentrality Index (RNI), penjelasannya sama dengan CFI. Tingkat signifikansi yang direkomendasikan adalah, nilai RFI > 0,9 hingga 0,95
- Adjusted Goodness of Fit (AGFI)
- Persimoni Fit Indiceds
ukuran untuk menghubungkan goodness of fit model dengan sejumlah koefisien estimasi yang diperlukan untuk mencapai model fit. Tujuan dasarnya adalah untuk mendiagnosis apakah model fit telah tercapai dengan over fitting data yang memiliki banyak koefisien.
- Akaike's Information Criterion (AIC) dan Consistant Akaike's Information Index (CAIC)
digunakan dalam perbandingan model, dimana nilai AIC dan CAIC default model harus dibandingkan dengan nilai AIC dan CAIC saturated dan independences model. Tingkat signifikansi yang direkomendasikan adalah, nilai nilai AIC dan CAIC default model < nilai AIC dan CAIC saturated dan independences model
- Expected Cross Validation Index (ECVI)
mengukur penyimpangan antara model fitted matriks kovarians sampel yang dianalisis dibandingkan dengan matriks kovarians yang akan diperoleh jika menggunakan sampel yang lain. Tingkat signifikansi yang direkomendasikan adalah, nilai ECVI default model < nilai ECVI saturated dan independences model.
- Parsimonious Goodness of Fit Index (PGFI)
memodifikasi dari GFI dan AGFI untuk mengukur parsimony model. Semakin tinggi nilai PGFI dan AGFI suatu model, semakin parsimony model tersebut. Tingkat signifikansi yang direkomendasikan adalah, nilai PGFI > 0,6
