Tipe Skala Pengukuran

Untuk memperoleh data dari responden, maka diperlukan skala yang dapat digunakan untuk mengukur sikap yang menjadi dasar kepribadian suatu populasi. 

Para ahli sosiologi membedakan dua tipe skala menurut fenomena sosial yang diukur, yaitu :
1. Skala pengukuran untuk mengukur perilaku susila dan kepribadian.
2. Skala pengukuran untuk mengukur berbagai aspek budaya lain dan lingkungan sosial.
 

Berbagai skala yang dapat digunakan untuk penelitian Administrasi antara lain:

1. Skala Likert
Skala Likert digunakan untuk mengukur sikap, pendapat, dan persepsi seseorang atau sekelompok orang tentang fenomena sosial. Dengan Skala Likert, variabel yang akan diukur dijabarkan menjadi indikator variabel. Kemudian indikator tersebut dijadikan sebagai titik tolak untuk menyusun item-item instrumen yang dapat berupa pertanyaan atau pernyataan. Jawaban setiap item instrumen yang menggunakan Skala Likert mempunyai gradasi dari sangat positif sampai sangat negatif, yang dapat berupa kata-kata antara lain:
Sangat Penting (SP), Penting (P), Ragu-ragu (R), Tidak Penting (TP), Sangat Tidak Penting (STP).
Untuk penilaian ekspektasi pelanggan, maka jawaban itu dapat diberi skor, misalnya:
a. Sangat Penting (SP) : 5
b. Penting (P) : 4
c. Ragu-ragu (R) : 3
d. Tidak Penting (TP) : 2
e. Sangat Tidak Penting (STP) : 1
Untuk penilaian persepsi pelanggan, maka jawaban itu dapat diberi skor, misalnya:
a. Sangat Baik (SB) : 5
b. Baik (B) : 4
c. Ragu-ragu (R) : 3
d. Tidak Baik (TB) : 2
e. Sangat Tidak Baik (STB) : 1

Instrumen penelitian yang menggunakan skala Likert dapat dibuat dalam bentuk checklist ataupun pilihan ganda.
Keuntungan skala Likert adalah :
● Mudah dibuat dan diterapkan
● Terdapat kebebasan dalam memasukkan pertanyaan-pertanyaan, asalkan mesih sesuai dengan konteks permasalahan
● Jawaban suatu item dapat berupa alternative, sehingga informasi mengenai item tersebut diperjelas.
● Reliabilitas pengukuran bisa diperoleh dengan jumlah item tersebut diperjelas.

2. Skala Guttman
Skala pengukuran dengan tipe ini akan didapatkan jawaban yang tegas. diantaranya : ‘ya’ dan ‘tidak’; ‘benar-salah’, dan lain-lain. Data yang diperoleh dapat berupa data interval atau rasio dikhotomi (dua alternatif). Jadi, kalau pada Skala Likert terdapat 1,2,3,4,5 interval, dari kata ‘sangat setuju’ sampai ‘sangat tidak setuju’, maka pada Skala Guttman hanya ada dua interval yaitu ‘setuju’ atau ‘tidak setuju’. Penelitian menggunakan Skala Guttman dilakukan bila ingin mendapatkan jawaban yang tegas terhadap suatu permasalahan yang ditanyakan.

3. Semantic Differential Skala pengukuran yang berbentuk Semantic Differensial dikembangkan oleh Osgood. Skala ini juga digunakan untuk mengukur sikap, hanya bentuknya tidak pilihan ganda maupun checklist, tetapi tersusun dalam satu garis kontinu yang jawaban “sangat positifnya” terletak di bagian kanan garis, dan jawaban “sangat negatif” terletak di bagian kiri garis, atau sebaliknya. Data yang diperoleh adalah data interval, dan biasanya skala ini digunakan untuk mengukur sikap/karakteristik tertentu yang dipunyai oleh seseorang.

4. Rating Scale
Dari ke tiga skala pengukuran seperti yang telah dikemukakan, data yang diperoleh semuanya adalah data kualitatif yang kemudian dikuantitatifkan. Tetapi dengan Rating Scale, data mentah yang diperoleh berupa angka kemudian ditafsirkan dalam pengertian kualitatif.
 

Responden menjawab, senang atau tidak senang, setuju atau tidak setuju, pernah atau tidak pernah adalah merupakan data kualitatif. Dalam skala model Rating Scale, responden tidak akan menjawab salah satu dari jawaban kualitatif yang telah disediakan, tetapi menjawab salah satu jawaban kuantitatif yang telah disediakan. Oleh karena itu Rating Scale ini lebih fleksibel, tidak terbatas untuk pengukuran sikap saja tetapi untuk mengukur persepsi responden terhadap fenomena lainnya, seperti skala untuk mengukur status sosial ekonomi, pengetahuan, kemampuan, dan lain-lain. Yang penting dalam Rating Scale adalah harus dapat mengartikan setiap angka yang diberikan pada alternatif jawaban pada setiap item instrumen. Orang tertentu memilih jawaban angka 2, tetapi angka 2 oleh orang tertentu belum tentu sama maknanya dengan orang lain yang juga memilih jawaban dengan angka 2.

SKALA PENGUKURAN

Untuk mengukur variabel yang telah ditetapkan dalam penelitian, dibutuhkan skala pengukuran  dan instrumen ( alat ) untuk mengukurnya. Skala pengukuran merupakan kesepakatan yang digunakan sebagai acuan menentukan panjang-pendeknya interval dalam alat ukur. 

Contoh :

1. Penelitian pengaruh gizi  terhadap kenaikan berat badan  anak balita.

           

Variabel gizi  diukur dengan berat makanan yang dikonsumsi yang dikonversikan pada  standar gizi DEPKES,  adapun skalanya kalori.

2. Penelitian efektivitas kerja karyawan.

Variabel efektivitas diukur dengan questionare , skalanya skor yang ditetapkan oleh peneliti ( misalnya % )

MACAM-MACAM SKALA PENGUKURAN.

1.    Skala nominal ; yaitu skala yang diberikan pada objek sebagai label saja/ kode. Angka ini tidak dapat dioperasikan secara matematis ( kali, bagi, jumlah atau kurang ).

2.    Skala ordinal : yaitu skala yang diberikan pada objek yang dapat     memberikan arti rank/ tingkatan. Dengan jarak rentang yang tidak sama Skala ini dapat dioperasikan secara matematis .

3.    Skala Interval : yaitu skala yang sifatnya sama dengan skala ordinal, tetapi memiliki jarak rentang sama  , dan tidak memiliki titik nol absolut.

4.    Skala ratio : yaitu skala yang memiliki sifat skala nominal, interval dan ordinal. Skala ini dapat dioperasikan secara perkalian atau pembagian.

 

Untuk mengukur skala sikap, pendapat, karakter atau status sosial, biasanya digunakan skala interval. Adapun jenis skala interval yang sering digunakan adalah :

1.Skala Likert ; jawaban responden memiliki gradasi dari Sangat positif sampai sangat negatif. Skor tertinggi diberikan pada jawaban sangat positif.

 Menurut anda sistimatika mengajar dosen METPEN  

            SB = Sangat baik , skor : 5        KB = kurang baik , skor : 2

            B   = Baik                skor : 4         SKB = Sangat kurang baik, skor : 1

            S   = Sedang           skor : 3

           

2. Skala Guttman; jawaban hanya dua pilihan ya/tidak atau setuju/tidak setuju. Skor  1 untuk jawaban setuju ( ya ) dan 0 untuk tidak setuju (tidak)

Contoh :

Apakah anda setuju dengan kuliah sistim MCL ?

            1. ya    ( skor 1 )                                             2. tidak ( skor 0 )

3. Skala Semantik deferential; jawaban sama seperti Likert hanya dibuat  berlawanan. Skor tertinggi bagi yang sangat positif.

Contoh :

Gaya kepemimpinan manajer anda

            1. Bersahabat   ( 5 – 4 – 3 – 2 – 1 )  tidak bersahabat

            2. Tepat janji                                         ingkar  janji

            3. Sabar                                                 pemarah

            4. Perhatian                                          cuek

            5. demokratis                                        otoriter

Penggunaan skala nominal, ordinal,  dan ratio pada pengukuran sikap.

Contoh :

1.    Jenis kelamin anda      

1.    L

2.    P

Angka  1 pada L bukan berarti lebih rendah dari angka 2 pada P , itu hanya label/kode saja ; berarti skala yang digunakan skala nominal.

2 .   Urutkan prioritas anda mengenai buku yang akan dibeli.  1 untuk prioritas pertama, 2 prioritas berikutnya dst.

---------- Agenda / diary

---------- resep masakan

---------- text book kuliah

---------- novel / komik

---------- TTS

Setiap orang akan memberi no 1 – 2 – 3 – 4 – 5  pada pilihan yang berbeda, hal ini memberikan gambaran pada kita prioritas dari setiap orang dalam memilih buku. Skala yang digunakan adalah skala ordinal.

3.Berapa  outlet  yang anda kelola tahun ini ?

            -------------- dibawah 5

            -------------- antara  5 – 9

            -------------- lebih dari 10

           

Bila responden menjawab salah satu pilihan, maka memberi gambaran berapa jumlah outlet yang dia kelola, skala yang digunakan adalah ratio. 

Dengan memberi nilai angka pada sikap, pendapat dan karakter seseorang, maka data yang kualitatif dapat menjadi kwantitatif sehingga dapat diolah secara statistik.

Contoh :

Hasil  test  Toefl  4 orang  mahasiswa Sastra UBINUS

No	N  a  m  a	semester	toefl	rank	Hadiah
1	Ratna	4	430	3	Rp 250.000,-
2	Putri	4	500	1	Rp 750.000,-
3	Yulia	5	475	2	Rp 500.000,-
4	Santi	3	425	4	Rp 100.000,-

Keterangan :

·         angka 1,2,3,4 pada kolom nomor merupakan skala nominal. Karena angka ini hanya label peserta tidak memberi arti apa-apa.

·         Angka  4,4,5,3,  pada kolom semester  menunjukan tingkat sudah berapa lama belajar di UBINUS,  dan angka 3, 1 , 2 dan 4 menunjukan tingkat penguasaan toefl. Skala ini merupakan skala ordinal.

·         Angka 430, 500, 475, dan 425 pada kolom toefl merupakan skala interval. Karena skala ini memiliki jarak rentang nilai sama ( satu satuan )

·         Nilai Rp 250.000 , 750.000 , 500.000 dan 100.000 merupakan skala ratio. Karena angka ini dapat dijumlahkan ( total hadiah Rp 1.600.000)

INSTRUMEN  PENELITIAN

            Instrumen penelitian adalah alat untuk mengukur variabel penelitian. Untuk penelitian kualitatif , instrumen yang digunakan berupa questionare atau angket . Skala yang digunakan bisa salah satu dari keempat skala diatas atau kombinasi beberapa skala tergantung pada apa yang akan diukur..

            Suatu instrumen harus diuji RELIABILITAS ( ketetapan ) dan VALIDITAS

 ( ketepatan ) nya sebelum digunakan untuk pengukuran variabel.

Pengujian Reliabilitas :

1.    Test –retest yaitu mencoba instrumen beberapa kali pada responden sama dalam waktu berbeda. Hasil skor  dibandingkan apakah tetap/tidak. Kalau tetap maka instrumen dianggap reliabel.

2.    Double test - double Trial yaitu memberi pertanyaan yang equivalen pada responden sama pada saat bersamaan hanya satu kali. Bila responden menjawab tetap berarti instrumen reliabel. 

Pengujian Validitas :

1.    Analisis butir yaitu dengan menghitung skor butir ( X )  dikorelasikan dengan skor  total ( Y ) menggunakan rumus korelasi Pearson. Bila nilai validitasnya >= 0,3 maka instrumen dianggap valid.

2.    Analisis faktor ( validitas construct ) yaitu dengan mengkorelasikan skor item dalam satu  faktor dengan skor faktor total. Sama seperti analisis butir, bila hasil korelasinya >= 0,3 berarti instrumen valid.

LANGKAH PENYUSUSNAN INSTRUMEN

1.    Tentukan variabel-variabel penelitiannya.

2.    Tentukan sub variabel berdasarkan teori atau hasil penelitian terdahulu.

3.    Jabarkan sub variabel dalam indikator

4.    Jadikan sub indikator dalam butir-butir pertanyaan.

Contoh :

Variabel	Sub Variabel	indikator	No item
Kepuasan	Gaji	Gaji pokok, bonus	1, 6, 8
	Promosi jabatan	Waktu , posisi	3, 5, 4, 7

CONTOH INSTRUMEN

Untuk mengukur variabel Kepuasan konsumen terhadap  barang X

1. Seberapa sering  barang   X  mengalami kerusakan semenjak anda membeli  ?

Sangat sering       5 – 4 – 3 – 2 - 1     sangat jarang

2. Seberapa sering anda komplain mengenai harga produk X  yang anda bayar ?

Sangat  sering      5 – 4 – 3 – 2 - 1     sangat jarang

3.    Seberapa sering anda merasa terganggu dengan iklan produk X saat menonton TV ?

Sangat sering       5 – 4 – 3 – 2 - 1     sangat  jarang

4.    Seberapa sering anda merasa kesal dengan pelayanan toko yang menjual produk X ?

Sangat sering       5 – 4 – 3 – 2 - 1     sangat jarang

nt-T�-l:�VLOsans-serif"'>Gaji

Gaji pokok, bonus

1, 6, 8

Promosi jabatan

Waktu , posisi

3, 5, 4, 7

CONTOH INSTRUMEN

Untuk mengukur variabel Kepuasan konsumen terhadap  barang X

1. Seberapa sering  barang   X  mengalami kerusakan semenjak anda membeli  ?

Sangat sering       5 – 4 – 3 – 2 - 1     sangat jarang

2. Seberapa sering anda komplain mengenai harga produk X  yang anda bayar ?

Sangat  sering      5 – 4 – 3 – 2 - 1     sangat jarang

3.    Seberapa sering anda merasa terganggu dengan iklan produk X saat menonton TV ?

Sangat sering       5 – 4 – 3 – 2 - 1     sangat  jarang

 

4.    Seberapa sering anda merasa kesal dengan pelayanan toko yang menjual produk X ?

Sangat sering       5 – 4 – 3 – 2 - 1     sangat jarang 

ANALISIS JALUR

ANALISIS jalur pertama kali diperkenalkan oleh Sewall Wright (1921), seorang ahli genetika, namun kemudian dipopulerkan oleh Otis Dudley Duncan (1966), seorang ahli sosiologi. Analisis jalur bisa dikatakan sebagai pengembangan dari konsep korelasi dan regresi, dimana korelasi dan regresi tidak mempermasalahkan mengapa hubungan antar variabel terjadi serta apakah hubungan antar variabel tersebut disebabkan oleh variabel itu sendiri atau mungkin dipengaruhi oleh variabel lain.

  

 A. DEFINISI

     Path Analysis (PA) atau analisis jalur adalah keterkaitan antara variable independent, variable intermediate, dan variable dependent yang biasanya disajikan dalam bentuk diagram. Didalam diagram ada panah panah yang menunjukkan arah pengaruh antara variabel exogenous, intermediary, dan variabel dependent. Terkadang besaran pengaruh di gambarkan dengan ketebalan anak panah. Path analysis hanya berkaitan dengan REGRESI GANDA dengan VARIABEL YANG TERUKUR.

     Analisis jalur merupakan teknik statistik untuk menguji hubungan kausal antara dua atau lebih variabel, berdasarkan persamaan linier. Teknik ini dikembangkan sejak tahun 1939 oleh Sewall Wright. Hubungan kausal ini ada yang langsung X→Z dan juga ada yang tak langsung tetapi melalui variabel antara Y ialah X Y → Z. Jalur yang di gambarkan dengan tanda panah ini merupakan → hipotesis yang akan di uji berdasarkan data lapangan.

Berbeda dengan korelasi dan regresi, analisis jalur mempelajari apakah hubungan yang terjadi disebabkan oleh pengaruh langsung dan tidak langsung dari variabel independen terhadap variabel dependen, mempelajari ketergantungan sejumlah variabel dalam suatu model (model kausal), dan menganalisis hubungan antar variabel dari model kausal yang telah dirumuskan oleh peneliti atas dasar pertimbangan teoritis. Melalui analisis jalur kita akan menguji seperangkat hipotesis kausal dan menginterpretasikan hubungan tersebut (langsung atau tidak langsung).

Asumsi yang digunakan dalam analisis jalur yaitu:

1. Linearity: keterkaitan/ hubungan antar variabel adalah linier.
2. Interval level data disarankan jangan menngunakan variabel dummy.
3. Residual (unmeasured) variables hanya berkorelasi dengan satu variabel dalam model yang ada panah langsung.
4. Low multicollinearity (secara teoretis tidak ada korelasi yang signifikan antar variabel exogen).
5. No under identification or under determination of the model is required. For underidentified models there are too few structural equations to solve for the unknowns. Overidentification usually provides better estimates of the underlying true values than does just identification.
6. Adequate (ukuran sample diperlukan agar signifikan). Kline (1998) merekomendasikan 10 sd 20 kali parameter yang akan di estimasikan.

Contoh model analisis jalur:

Dengan notasi-notasi yang digunakan sebagai berikut:

1. γ (gamma)    : koefisien pengukur hubungan antara variabel endogen dengan eksogen
2. β (beta)    : koefisien yang mengukur hubungan antar variabel dependen (endogen).
3. ϕ (hi)    : koefisien yang mengukur hubungan antar variabel independen (eksogen).
4. ζ (zeta)    : varian peubah latent yg tdk terjelaskan model
5. Y        : variabel dependen (endogen)
6. X        : variabel independen (eksogen)

Langkah-langkah dalam analisis jalur sebagai berikut:

1. Merancang model berdasarkan konsep dan teori

2. Pemeriksaan terhadap asumsi yang melandasi

3. Pendugaan parameter atau perhitungan koefisien jalur

4. Pengujian model

5. Interpretasi model

Structural Equation Modeling (SEM) 
Model analisis yang padaumumnya menggabungkan antara dua bagian ialah i). pembentukan variabel LATENT dan ii). Pembangunan model struktural. Analisis jalur merupakan bagian (subset) dari SEM adalah gabungan antara REGRESI GANDA dengan variabel LATENT yang di bangun dengan analisis faktor dari butir butir/indikator/ item atas variabel laten tersebut.

Hox dan Bechger (2002) menyebutkan bahwa SEM adalah suatu kombinasi analisis faktor dan analisis regresi atau analisis jalur. Selanjutnya dikatakan bahwa dalam penyusunan variabel latent didasarkan atas theoretical constructs yang juga di hitung berdasarkan metode regresi. Selanjutnya model structural didasarkan atas covariances antara variabel exogen,variabel antara, dan variabel endogen.

Oleh karenanya model structural ini juga sering disebut covariance structure modeling. Disana juga dikatakan bahwa “ Now days structural equation models need not be linear, and the possibilities of SEM extend well beyond the original Lisrel program”.

Variabel eksogen (exogenous) adalah variabel yang tidak ada anak panah mengarahnya. Jika dua varaibel eksogen berkorelasi di tunjukkan dengan panah dua arah.

Variabel endogen (endogenous) yang terdiri dari variabel antara dan variabel dependen. Variabel antara terdapat anak panah yang datang dan juga yang pergi. Sedangkan variabel dependen hanya terdapat panah yang datang menujunya.

Variabel LATENT adalah variabel yang diukur dengan indikator-indikator (item-tem atau butir-butir) nya, misalnya variabel kesejahteraan, kepuasan, partisipasi, pemahaman, dll. Cara klasik data variabel latent dengan menjumlahkan skor butir-butir yang valid dan reliable. Cara yang terbaik dalam SEM adalah di hitung dengan menggunakan metode confirmatory factor analysisis (CFA) . Dalam CFA dirancang sedemikian rupa agar setiap butir/item menyumbang (Loading) kepada satu variabel latent saja. Besaran sumbangan ini biasa disebut LOADING yang berbeda beda sesuai dengan derajat variabilitas dan tingkat korelasi terhadap item item yang lainnya. Hox dan Bechger (2002) menyebutkan CFA confirmatory (restricted) factor analysis menjamin bahwa setiap item hanya akan memberikan loading kepada satu variabel latent saja .

Path coefficient/ path weight 
pada umumnya adalah koefisien regresi yang distandarkan (artinya regresi dimana semua variabelnya dalam bentuk z-score).
Disturbance terms adalah residual error yang besarannya sama dengan(1 - R2). Dia mengukur sisa pengaruh faktor lain kepada suatu variabel exogen.
Significance and Goodness of Fit. Testing setiap koefisien dengan t-tes atau F-test. Sedangkan untuk test kecocokan suatu model dengan jika Chi-square dg P > 0.05 dan RMSEA < 0.05. Hox dan Bechger (2002) menyebutkan Goodness of fit (Tuna Cocok) dengan chi squared dengan p-value lebih besar dari 0.05 persen baru dikatakan model SEM cocok pada data empiris.

LANGKAH-LANGKAH PATH ANALYSIS

Menurut Ferdinand (2006), ada tujuh langkah yang harus dilakukan untuk menyiapkan analisis jalur, yaitu:

1. Pengembangan Model Teoritis

Dalam SEM, hal yang harus dilakukan adalah melakukan serangkaian eksplorasi ilmiah melalui telaah pustaka guna mendapatkan justifikasi atas model teoritis yang dikembangkan. SEM digunakan bukan untuk menghasilkan sebuah model, tetapi digunakan untuk mengkonfirmasi model teoritis tersebut melalui data empirik.

2. Pengembangan Path Diagram atau diagram alur

    Dalam langkah kedua ini, model teoritis yang telah dibangun pada tahap pertama akan digambarkan dalam sebuah path diagram, yang akan mempermudah untuk melihat hubungan-hubungan kausalitas yang ingin diuji. Dalam diagram alur, hubungan antar konstruk akan dinyatakan melalui anak panah. Anak panah yang lurus menunjukkan sebuah hubungan kausal yang langsung antara satu konstrak dengan konstrak lainya. Sedangkan garis-garis lengkung antar konstruk dengan anak panah pada setiap ujungnya menunjukkan korelasi antar konstruk. Konstruk yang dibangun dalam diagram alur dapat dibedakan dalam dua kelompok, yaitu:

a. Exogenous constructs atau konstruk eksogen

Dikenal juga sebagai source variables atau independent variables yang tidak diprediksi oleh variabel lain dalam model. Konstruk eksogen adalah konstruk yang dituju oleh garis dengan satu ujung panah.

b. Endogenous construct atau konstruk endogen

Merupakan faktor-faktor yang diprediksi oleh satu atau beberapa konstruk. Konstruk endogen dapat memprediksi satu atau beberapa konstruk endogen lainnya, tetapi konstruk endogen hanya dapat berhubungan kausal dengan konstruk endogen.

3. Konversi diagram alur ke dalam persamaan struktural dan model pengukuran

Persamaan yang didapat dari diagram alur yang dikonversi terdiri dari:

• Structural Equation atau persamaan struktural

Dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk. Rumus yang dikembangkan adalah:

Variabel endogen = variabel eksogen + variabel endogen + error

4. Memilih matrik input dan estimasi model.

Pada penelitian ini matrik inputnya adalah matrik kovarian atau matrik korelasi. Hal ini dilakukan karena fokus SEM bukan pada data individual, tetapi pola hubungan antar responden. Dalam hal ini ukuran sampel memegang peranan penting untuk mengestimasi kesalahan sampling. Untuk itu ukuran sampling jangan terlalu besar karena akan menjadi sangat sensitif sehiungga akan sulit mendapatkan ukuran goodness of fit yang baik, setelah model dibuat dan input data dipilih, maka dilakukan analisis model kausalitas dengan teknik estimasi yaitu teknik estimasi model yang digunakan adalah Maximum Likehood Estimation Method. Teknik ini dipilih karena ukuran sampel yang digunakan dalam penelitian ini adalah kecil (100-200 responden).

5. Menganalisa kemungkinan munculnya masalah identifikasi

   Problem identifikasi pada prinsipnya adalah problem mengenai ketidakmampuan model yang dikembangkan menghasilkan estimasi yang unik. Bila setiap kali estimasi dilakukan muncul problem identifikasi, maka sebaiknya model dipertimbangkan ulang dengan mengembangkan lebih banyak konstruk.           Disebutkan oleh Ferdinand (2006), beberapa indikasi problem identifikasi:

a. Standard error untuk satu atau beberapa koefisien adalah sangat besar.

b. Program tidak mampu menghasilkan matrik informasi yang seharusnya disajikan.

c. Munculnya angka-angka yang aneh seperti adanya varians error yang negatif.

d. Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat (misalnya lebih dari 0,9)

6. Evaluasi kriteria goodness of fit

      Pada tahap ini dilakukan pengujian terhadap kesesuaian model terhadap berbagai kriteria goodness of fit. Disebutkan oleh Ferdinand (2006), beberapa indeks kesesuaian dan cut of value untuk menguji apakah sebuah model dapat diterima atau ditolak antara lain:

a. X² - Chi-Square statistik, di mana model dipandang baik atau memuaskan bila nilai Chi-Square-nya rendah. Semakin kecil nilai Chi-Square, semakin baik model itu dan diterima berdasarkan probabilitas dengan cutoff value sebesar p>0.05 atau p>0.10.

b. RMSEA (The Root Mean Square Error of Approximation), yang menunjukkan goodness of fit yang diharapkan bila model diestimasi dalam populasi. Nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya model yang menunjukkan close fit dari model itu berdasarkan degrees of freedom.

c. GFI (Goodness of fit Index), adalah ukuran non statistikal yang mempunyai rentang nilai antara 0 (poor fit) sampai dengan 1.0 (perfect fit). Nilai yang tinggi dalam indeks ini menunjukkan sebuah “better fit”.

d. AGFI (Adjusted Goodness of Fit Index), di mana tingkat penerimaan yang direkomendasiakan adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0.90.

e. CMIN/DF, adalah The Minimum Sample Discrepancy Function yang dibagi dengan Degree of Freedom. CMIN/DF tidak lain adalah statistic Chi-Square, X² dibagi DF-nya, disebut X² relatif. Bila nilai X² reltif kurang dari 2.0 atau 3.0 adalah indikasi dari acceptable fit antara model dan data.

f. TLI (Tucker Lewis Index), merupakan incremental index yang membandingkan sebuah model yang diuji terhadap sebuah base line model, di mana nilai yang direkomendasikan sebagai acuan untuk diterimanya sebuah model adalah ≥0.95 dan nilai yang mendekati 1 menunjukkan a very good fit.

g. CFI (Comparative Fit Index), di mana mendekati 1, mengindikasikan tingkat fit yan paling tinggi. Nilai yang direkomendasikan adalah CFI ≥0.95

       Dengan demikian indeks-indeks yang digunakan untuk menguji kelayakan sebuah model adalah seperti dalam tabel berikut ini:

                                          Tabel  Good of Fit Index untuk Evaluasi Model

Goodness   OF   fit index	Keterangan	Cut-off Value
Chi-square	Menguji apakah covariance populasi yang diestimasi sama dengan covariance sampel (apakah model sesuai dengan data).  Bersifat sangat sensitive untuk sampel besar (di atas 200)	Diharapkan Kecil
Probability	Uji signifikansi terhadap perbedaan matriks covariance data dan matriks covariance yang diestimasi	³ 0,05
RMSEA	Mengkompensasi kelemahan Chi-Square pada sample besar	£ 0,08
GFI	Menghitung proporsi tertimbang varians dalam matriks sampel yang dijelaskan oleh matriks covariance populasi yang diestimasi (analog dengan R2 dalam regresi berganda)	³ 0,90
AGFI	GFI yang disesuaikan terhadap DF	³ 0,90
CMIND/DF	Kesesuaian antara data dan model.	£ 2,00
TLI	Pembandingan antara model yang diuji terhadap base line model	³ 0,95
CFI	Uji kelayakan model yang tidak sensitive terhadap besarnya sample dan kerumitan model	³ 0,94

Sumber: Ferdinand, A. (2002)

7. Interpretasi dan Modifikasi Model

         Tahap akhir ini adalah melakukan interpretasi dan modifikasi bagi model-model yang tidak memenuhi syarat-syarat pengujian. Hair et. al. (dalam Ferdinand, 2006) memberikan pedoman untuk mempertimbangkan perlu tidaknya modifikasi model dengan melihat jumlah residual yang dihasilkan oleh model tersebut. Batas keamanan untuk jumlah residual adalah 5%. Bila jumlah residual lebih besar dari 2% dari semua residual kovarians yang dihasilkan oleh model, maka sebuah modifikasi perlu dipertimbangkan. Bila ditemukan bahwa nilai residual yang dihasilkan model cukup besar (yaitu ≥2.58) maka cara lain dalam memodifikasi adalah dengan mempertimbangkan untuk menambah sebuah alur baru terhadap model yang diestimasi itu. Nilai residual value yang lebih besar atau sama dengan ± 2.58 diinterpretasikan sebagai signifikan secara statistik pada tingkat 5%.