Tutorial Interpretasi Semua Nilai-Nilai Kriteria Model Fit dalam CB SEM dengan AMOS

Tutorial Interpretasi Semua Nilai-Nilai Kriteria Model Fit dalam CB SEM dengan AMOS menjadi panduan krusial ketika peneliti menghadapi kendala nilai Goodness of Fit (GOF) yang berada di bawah ambang batas (cut-off value) rekomendasi, seperti nilai CMIN/DF yang terlalu besar, RMSEA di atas 0.08, atau nilai CFI, TLI, dan GFI yang kurang dari 0.90. Gejala kegagalan uij kecocokan model ini kerap memicu kebingungan teknis karena indikator estimasi parameter individual menunjukkan hubungan yang signifikan, namun model struktural secara keseluruhan dinyatakan tidak fit (unfit) oleh program IBM SPSS AMOS.

Masalah ketidakcocokan model dalam Covariance-Based Structural Equation Modeling (CB SEM) umumnya dipicu oleh adanya spesifikasi model yang kurang tepat (model misspecification), ukuran sampel yang terlalu sensitif terhadap statistik Chi-Square, atau adanya nilai korelasi antar galat (residual covariance) yang tinggi antar indikator. Tanpa melakukan pengujian komprehensif pada kelompok absolute fit, incremental fit, dan parsimonious fit, peneliti berisiko menarik kesimpulan analisis struktural yang bias dan tidak valid secara metodologis.

Konsep Teori Kriteria Goodness of Fit dalam CB SEM

Pengujian kecocokan model (Goodness of Fit) dalam Covariance-Based Structural Equation Modeling pada dasarnya bertujuan untuk mengevaluasi seberapa dekat matriks kovarians sampel yang diobservasi dengan matriks kovarians yang diestimasikan oleh model teori. Joreskog dan Sorbom (1993) menyatakan bahwa evaluasi fit tidak boleh hanya berpatokan pada satu kriteria saja, melainkan harus mempertimbangkan multidimensi pengukuran fit untuk menghindari bias pembuatan keputusan statistik.

Penjelasan lengkap mengenai kerangka kerja konseptual dan pemodelan dasar struktural dapat dibaca lebih lanjut pada referensi teori dasar Structural Equation Modeling SEM di www.statistikian.com. Pemahaman atas estimasi kovarians latent sangat mendukung interpretasi seluruh indeks fit.

Secara umum, indeks kriteria Goodness of Fit dalam AMOS dikelompokkan menjadi tiga kategori utama oleh Hair et al. (2019):

1. Absolute Fit Measures
Mengukur seberapa baik model yang dihipotesiskan mampu mereproduksi data sampel secara keseluruhan. Indeks dalam kelompok ini meliputi Chi-Square (CMIN), Root Mean Square Error of Approximation (RMSEA), Goodness of Fit Index (GFI), Adjusted Goodness of Fit Index (AGFI), serta Standardized Root Mean Residual (SRMR). Bentler (1990) menyebutkan bahwa RMSEA merupakan ukuran absolute fit yang sangat andal karena memperhitungkan kompleksitas model dan ukuran sampel.

2. Incremental Fit Measures
Membandingkan model yang dihipotesiskan dengan model dasar (baseline/null model) yang mengasumsikan tidak ada korelasi antar variabel. Indeks kelompok ini mencakup Comparative Fit Index (CFI), Tucker-Lewis Index (TLI), Normed Fit Index (NFI), dan Incremental Fit Index (IFI). Hu dan Bentler (1999) merekomendasikan batas kriteria CFI dan TLI sebesar 0.95 untuk menyatakan model sangat fit (good fit), meskipun batas 0.90 masih dapat diterima (marginal fit).

3. Parsimony Fit Measures
Menyesuaikan ukuran fit untuk memperhitungkan kompleksitas model berdasarkan derajat kebebasan (degrees of freedom). Indeks utama pada kelompok ini adalah Relative Chi-Square atau CMIN/DF, Parsimonious Comparative Fit Index (PCFI), dan Akaike Information Criterion (AIC). Marsh, Balla, dan Hau (1996) menekankan bahwa penggunaan model yang terlalu kompleks tanpa dasar teori yang kuat harus dikoreksi menggunakan indeks parsimoni ini.

Langkah-Langkah Teknis Mengeluarkan dan Memperbaiki Model Fit di AMOS

Berikut adalah panduan operasional langkah demi langkah untuk mengeluarkan output model fit serta solusi teknis modifikasi saat model terdeteksi unfit:

Langkah 1: Mengaktifkan Opsi Modification Indices
Buka menu View -> Analysis Properties (Alt + F7), pilih tab Output, lalu centang kotak Modification indices dan isikan angka 4.00 pada kolom threshold minimum.

Langkah 2: Eksekusi Estimasi Model
Jalankan kalkulasi model dengan mengeklik Analyze -> Calculate Estimates (Ctrl + F9).

Langkah 3: Membuka Output Model Fit
Buka jendela teks hasil analisis dengan mengeklik View Text (Alt + F8). Pada navigasi sebelah kiri, klik menu Model Fit.

Langkah 4: Pemeriksaan Nilai CMIN (Chi-Square) dan CMIN/DF
Periksa tabel CMIN. Perhatikan nilai Probability level (p-value). Jika p > 0.05 maka model fit secara absolut. Namun jika N > 200 dan p < 0.05, evaluasi nilai CMIN/DF. Nilai CMIN/DF di bawah 3.00 menunjukkan model masih dapat diterima (Wheaton et al., 1977).

Langkah 5: Evaluasi Indeks Incremental (CFI, TLI, NFI)
Buka tabel Baseline Comparisons. Catat nilai NFI, RFI, IFI, TLI, dan CFI. Pastikan mayoritas nilai berada di atas 0.90.

Langkah 6: Evaluasi RMSEA dan SRMR
Buka tabel RMSEA. Nilai RMSEA < 0.05 mengindikasikan close fit, 0.05 - 0.08 mengindikasikan good fit, dan > 0.10 mengindikasikan poor fit (Browne & Cudeck, 1993).

Langkah 7: Melakukan Modifikasi Model (Jika Unfit)
Jika indeks fit belum memenuhi syarat, buka menu Modification Indices -> Covariances pada output text. Cari pasangan error term yang memiliki nilai MI paling tinggi (misalnya MI > 10.00) dalam konstruksi latent yang sama.

Langkah 8: Menambahkan Garis Kovarians (Covariance Line)
Kembali ke AMOS Graphic, gunakan alat Draw Covariances untuk menghubungkan dua error term dengan nilai MI terbesar tersebut. Pastikan korelasikan hanya dilakukan antar eror indikator pada variabel latent yang sama untuk menjaga validitas teoretis (Byrne, 2016).

Langkah 9: Mengeliminasi Indikator Redundan
Jika nilai MI antar error term sangat tinggi dan melibatkan indikator dengan loading factor di bawah 0.50, pertimbangkan untuk menghapus indikator tersebut dari model.

Langkah 10: Re-kalkulasi dan Evaluasi Ulang Fit
Jalankan ulang Calculate Estimates dan periksa kembali menu Model Fit hingga syarat kombinasi kriteria terpenuhi.

Contoh Tabel Output Kriteria Model Fit CB SEM AMOS

Berikut adalah gambaran ilustratif ringkasan tabel evaluasi kriteria Goodness of Fit beserta kriteria ambang batas dan status evaluasinya dalam pelaporan karya ilmiah:

Pembahasan Ilmiah: Strategi Evaluasi dan Pelaporan Model Fit dalam Publikasi

Pengambilan keputusan mengenai kelayakan model struktural dalam CB SEM tidak boleh berpatokan secara kaku pada satu kriteria absolut semata. Hair et al. (2019) menyarankan agar peneliti melaporkan setidaknya satu indeks dari setiap kelompok GOF, yaitu minimal melaporkan Chi-Square beserta degree of freedom, satu indeks absolute fit (seperti RMSEA atau SRMR), satu indeks incremental fit (seperti CFI atau TLI), serta satu indeks parsimoni (seperti CMIN/DF).

Fenomena nilai Chi-Square yang sering kali signifikan (p < 0.05) pada sampel besar telah dibahas secara luas oleh Wheaton (1987). Sampel di atas 200 responden meningkatkan daya statistik secara berlebihan sehingga perbedaan kecil antara matriks sampel dan matriks estimasi akan terdeteksi sebagai ketidakcocokan yang signifikan. Oleh karena itu, penggunaan CMIN/DF dan RMSEA menjadi alternatif utama yang jauh lebih stabil terhadap ukuran sampel.

Ketika melakukan modifikasi model berbasis Modification Indices, Kline (2016) memberikan peringatan keras agar peneliti tidak melakukan pencocokan model secara blindly (data-driven modification). Setiap korelasikan error term atau penghapusan indikator harus memiliki justifikasi teori yang rasional. Korelasi antar error term hanya diperbolehkan jika kedua indikator memiliki kemiripan redaksi kalimat atau mengukur sub-dimensi yang serupa.

Dalam pelaporan publikasi ilmiah, peneliti disarankan menyajikan tabel komparasi sebelum dan sesudah modifikasi model. Penyajian ini secara transparan menunjukkan bagaimana perbaikan nilai fit dicapai tanpa merusak integritas teori yang dibangun.

Dengan menerapkan prinsip multidimensi pengujian GOF ini, pengujian hipotesis koefisien jalur struktural yang dilakukan pada tahap berikutnya akan memiliki landasan statistik yang sangat kokoh dan dapat dipertanggungjawabkan secara ilmiah.

Kesimpulan

Evaluasi Goodness of Fit dalam CB SEM dengan AMOS memerlukan pendekatan menyeluruh yang mencakup kategori absolute fit, incremental fit, dan parsimonious fit. Kegagalan memenuhi kriteria Chi-Square pada sampel besar dapat diatasi dengan mengevaluasi kombinasi indeks CMIN/DF, RMSEA, CFI, dan TLI. Apabila model dinyatakan unfit, modifikasi model melalui pemanfaatan Modification Indices secara bijak dan rasional mampu meningkatkan derajat kecocokan model hingga memenuhi kriteria kelayakan publikasi ilmiah.

Daftar Pustaka