Uji validitas konstruk adalah usaha untuk menguji apakah konstruk yang telah dibangun

untuk membuat instrumen didukung data lapangan, oleh karena itu diperlukan uji
statistik yang disebut uji kecocokan model (goodness of fit test) salah satu uji yang
digunakan adalah statistik chi-kuadrat.

Hair et al (2010) mengemukakan bahwa Confirmatory Factor Analysis (CFA) merupakan

bagian dari SEM (Structural Equation Modeling) untuk menguji cara variabel terukur atau
indikator yang baik dalam menggambarkan atau mewakili suatu bilangan dari suatu

faktor. Pada CFA faktor disebut juga sebagai konstruk. Teori pengukuran digunakan
untuk menentukan bagaimana variabel terukur, menggambarkan secara sistematik dan
logis suatu konstruk yang ditampilkan dalam suatu model.

Ghozali (2005) mengemukakan bahwa Confirmatory Factor Analysis adalah salah satu

metode analisis multivariat yang digunakan untuk menguji atau mengkonfirmasikan

model yang dihipotesiskan. Model yang dihipotesiskan terdiri dari satu atau lebih

variabel laten, yang diukur oleh satu atau lebih variabel indikator. Variabel laten adalah
variabel yang tidak terukur atau tidak dapat diukur secara langsung dan memerlukan
variabel indikator untuk mengukurnya, sedangkan variabel indikator adalah variabel

yang dapat diukur secara langsung.

1. Chi Square. Tujuan analisis ini adalah mengembangkan dan menguji

apakah sebuah model yang sesuai dengan data. Chi Square sangat
bersifat sensitif terhadap sampel yang terlalu kecil maupun yang
terlalu besar. Oleh karenanya pengujian ini perlu dilengkapi dengan
alat uji lainnya. nilai Probability Chi-squares > 0.05 menandakan data
empiris identik dengan teori/model

Pada uji statistik menggunakan chi-square susunan hipotesisinya menggunakan hipotesis nol
dan hipotesis alternatifnya adalah sebagai berikut :
H0: model fit (cocok) dengan data empirik dilapangan
H1: model tidak fit (tidak cocok) dengan data empirik dilapangan
Jika memenuhi kriteria di atas maka artinya menerima hipotesis nol dan sebaliknya

2. Goodness Of Fit Indeks (GFI) adalah Indeks yang mnggambarkan

tingkat kesesuaian model secara keseluruhan yang dihitung dari
residual kuadrat dari model yang diprediksi dibandingkan data yang
sebenarnya. Nilai GFI > 0,90 mengisyaratkan model yang diuji
memiliki kesesuaian yang baik.

3. Root Mean Square Error of Approximation (RMSEA). RMSEA

merupakan ukuran yang mencoba memperbaiki kecenderungan
statistic chi ssquare menolak model dengan jumlah sampel yang
besar. Nilai RMSEA antara 0,05 dan 0,08 mengindikasikan indeks
yang baik untuk menerima kesesuaian sebuah model .

4. Adjusted Goodness Fit Of Index (AGFI). Indeks ini merupakan

pengembangan dari Goodness Fit Of Index (GFI) yang telah
disesuaikan dengan ratio dari degree of freedom (Ghozali dan
Fuad, 2005: 31). Analog dengan R2 pada regresi berganda. Nilai
yang direkomendasikan adalah AFGI > 0,90, semakin besar nilai
AFGI maka semakin baik kesesuaian yang dimiliki model.

5. Tucker Lewis Index (TLI) TLI merupakan indeks

kesesuaian incremental yang membandingkan model yang diuji
dengan baseline model. TLI digunakan untuk mengatasi
permasalahan yang timbul akibat kompleksitas model. Nilai
penerimaan yang direkomendasikan adalah nilai TLI > 0,90. TLI
merupakan indeks yang kurang dipengaruhi oleh ukuran sampel
 6. Normed Fit Index (NFI). Indeks ini juga merupakan ukuran
perbandingan antara proposed model dan null model . Nilai yang
direkomendasikan adalah NFI > 0,90.

7. Comparative Fit Index (CFI). CFI juga merupakan indeks

kesesuaian incremental. Besaran indeks ini adalah dalam rentang
0 sampai 1 dan nilai yang mendekati 1 mengindikasikan model
memiliki tingkat kesesuaian yang baik. Indeks ini sangat
dianjurkan untuk dipakai karena indeks ini relatif tidak sensitif
terhadap besarnya sampel dan kurang dipengaruhi oleh
kerumitan model. Nilai penerimaan yang direkomendasikan
adalah CFI > 0,90

Validasi konstruk dilakukan untuk mengetahui apakah konstruk telah terpenuhi ataukah
konstruk didukung oleh data dilapangan. Untuk melakukan validasi konstruk, peneliti
menggunakan prinsip analisis faktor konfirmatori (confirmatory factor analysis, CFA).
Validasi konstruk saat mengerjakan tugas ini, untuk mengetahui validitas konstruk angket
self-regulated learning menggunakan software Lisrel untuk mengetahui sejauh mana data
empirik dilapangan mendukung konstruk teoritis yang telah didefinisikan. Hal ini dilakukan
untuk mengetahui apakah konstruk telah terpenuhi ataukah memang data dilapangan tidak
mendukung konstruk teoritis. Kriteria yang digunakan untuk mengetahui apakah instrumen
yang digunakan sesuai dengan data lapangan apabila nilai : p ≥ α, nilai α = 0,05, kemudian
nilai goodness of fit index (GFI) ≥ 0,90, kemudian nilai adjusted goodness of fit index
(AGFI) ≥ 0,90 dan nilai root mean square error of approximation (RMSEA) ≤ 0,05
(Budiyono, 2020).
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

Loading factor adalah koefisien yang menerangkan tingkat hubungan indikator

dengan variabel laten. Secara umum, semakin tinggi loading factor loading akan
semakin baik, dan nilai di bawah 0,30 tidak ditafsirkan.