Evaluasi kesesuaian model (Goodnes of Fit) menggambarkan seberapa baik atau cocok serangkaian pengamatan dengan model. Ukuran goodness of fit biasanya meringkas perbedaan antara nilai yang diamati dan nilai yang diharapkan dari model yang digunakan. Uji kesesuaian model dalam analisis jalur (path analysis) pada dasarnya sama dengan uji pada model structural equation model (SEM) menggunakan beberapa parameter karena ada banyak perbedaan pandangan dari beberapa ahli. Secara umum Goodnes of Fit suatu model analisis jalur biasanya menggunakan ukuran-ukuran sebagai berikut:
Chi Square (X2)
Chi square digunakan untuk menguji seberapa adanya penyimpangan atau tingkat kecocokan antara matrik kovarian sampel dengan matrix kovarian model. Uji statistiknya adalah :
X2 = (n-1) F(S, Σ(Θ))
Nilai probabilitas yang diharapkan adalah p ≥ 0.05 bila menggunakan derajat kepercayaan 95%. Ini menandakan bahwa hipotesis nol diterima dan matrix input yang diprediksi dengan kenyatannya tidak berbeda secara statistik. Chi-square bukanlah satu-satunya uji untuk menilai goodness of fit dari model, karena uji ini memiliki kekurangan yaitu pada ukuran data. Jika ukuran sampel kecil, maka uji chi square akan menunjukkan data secara signifikan tidak berbeda dengan model dan teori-teori yang mendasarinya.
Goodness of fit indices (GFI)
GFI merupakan ukuran mengenai ketepatan model dalam menghasilkan observed matrix covarians. Nilai GFI ini berkisar 0 – 1. Semakin mendekati angka 1, model dinyatakan semakin baik. Sebagian besar peneliti menggunakan patokan minimal 0,90 sebagai parameter model bisa dikatakan sebagai model yang baik.
Adjusted Goodness of Fit Index (AGFI)
Pada dasarnya AGFI adalah sama dengan GFI, tetapi menyesuaikan pengaruh degree of freedom pada model. Model dikatakan baik jika nilai AGFI di di atas 0,90.
Non-Centrality Parameter (NCP)
NCP merupakan ukuran perbedaan antara Σ dengan Σ(Θ) atau bentuk spesifikasi ulang dari Chi-Square yang dikurangi dengan DF. Perhitungan adalah sebagai berikut NCP = X2 – DF. Semakin kecil nilai NCP, maka model dinyatakan semakin baik.
Root mean square error of approximation (RMSEA)
RMSEA mengukur penyimpangan nilai parameter suatu model dengan matrix covarians populasinya. Nilai RMSEA < 0,05, menunjukkan bahwa model close fit, sedangkan nilai 0,05 < RMSEA < 0,08 menunjukkan model good fit.
Root Mean square error (RMR)
RMR mewakili nilai rerata residual yang diperoleh dengan mencocokkan matrix varian-kovarian dari model yang dihipotesiskan dengan matrix varian-kovarian data sampel. Model dinyatakan mempunyai goodness of fit yang baik memiliki nilai RMR kurang dari 0,05.
Comparative Fit Index (CFI)
Alternatif lain yang bisa digunakan untuk menilai model fit atau tidak adalah Normed Fit Index (NFI). NFI ini ditemukan oleh Bentler dan Bonets (Ghozali & Fuad, 2008). Bentler kemudian merevisi NFI menjadi CFI (Comparative Fit Index) karena NFI memiliki tendensi merendahkan fit pada sampel kecil. Nilai CFI ini berkisar antara 0-1, sedangkan model dinilai fit bila CFI lebih besar dari 0,9.
Dari uraian beberapa ukuran penilaian Goodnes of Fit yang telah disampaikan di atas bila dirangkum sperti disajikan pada Tabel Berikut.

Contoh Uji Kesesuaian Model
Uji kesesuaian model dilakukan dengan membandingkan kriteria kesesuaian dengan hasil perhitungan.
Ringkasan penghitungan parameter uji kesesuaian dapat dilihat di bagian “Model Fit” pada output teks di Amos. Anda hanya tinggal memilih kreteria apa saja yang akan digunakan.

Berikut ini adalah ringkasan hasil uji kesesuaian model

Demikianlah evaluasi kesesuaian model (Goodnes of Fit) analisis jalur menggunakan AMOS dari kami. Semoga bermanfaat (maglearning.id).