"Kenapa pakai rasio chi²/df, bukan nilai chi-square mentah?"

"Chi-square sangat sensitif terhadap ukuran sampel — semakin besar n, semakin mudah chi-square jadi signifikan (menolak model) walau model sebenarnya cocok secara substantif. Membagi dengan derajat bebas (df) menormalkan efek itu; rasio ≤ 2 dianggap fit baik, \u003c 3 masih diterima, ≥ 3 mengindikasikan model tidak fit."

"Kenapa RMSEA dan CFI dipakai berdampingan, bukan salah satu saja?"

"Tidak ada satu indeks fit yang sempurna — masing-masing menangkap aspek berbeda. RMSEA (absolute fit index) mengukur badness-of-fit per derajat bebas dan memberi penalti pada model kompleks; CFI (incremental fit index) membandingkan model terhadap model baseline independen. Standar Hu \u0026 Bentler (1999) dan praktik Hair et al. merekomendasikan kombinasi minimal satu indeks absolute dan satu incremental sebelum menyimpulkan model fit."

"Model saya lolos RMSEA dan CFI tapi gagal chi²/df — apakah tetap bisa dipakai?"

"Ini masuk kategori 'marginal'. Cek dulu ukuran sampel (n besar cenderung membuat chi-square signifikan meski model sebenarnya baik) dan modification indices untuk mencari sumber misfit lokal. Jangan menolak model semata karena satu indeks gagal, tapi jangan pula longgar — laporkan semua indeks secara transparan di manuskrip/skripsi, bukan hanya yang lolos, karena cherry-picking fit indices adalah red flag utama bagi penguji dan reviewer."

Goodness of Fit SEM — Uji Kecocokan Model

Setelah model SEM atau CFA dijalankan di AMOS, SmartPLS, atau lavaan, pertanyaan berikutnya bukan “apakah signifikan”, tapi “apakah modelnya cocok dengan data secara keseluruhan”. Goodness of fit menjawab itu lewat sekumpulan indeks, bukan satu angka tunggal — dan mahasiswa sering bingung berapa ambang yang harus dipenuhi. Widget ini merangkum tiga indeks yang paling sering diminta penguji: rasio chi²/df, RMSEA, dan CFI.

Cara Pakai

Masukkan chi-square (CMIN) dan df dari output model Anda — widget otomatis menghitung rasio chi²/df. Geser slider RMSEA dan CFI sesuai angka pada output. Checklist di bawah grafik menandai tiap kriteria dengan warna hijau (lolos) atau merah (tidak lolos), dan panel “Keputusan” merangkum apakah model fit diterima, marginal, atau tidak fit berdasarkan berapa dari 3 kriteria yang terpenuhi.

Rumus Kunci

$$\text{Rasio } \chi^2/df = \frac{CMIN}{df}$$

Kriteria kelolosan yang dipakai widget (mengikuti patokan umum Hair et al. / Ghozali):

Indeks	Ambang “baik”	Ambang “diterima”
$\chi^2/df$	$\leq 2$	$< 3$
RMSEA	—	$< 0{,}08$
CFI	—	$> 0{,}90$

Model dinyatakan fit diterima kalau ketiga kriteria lolos (3/3), marginal kalau sebagian (1–2/3), dan tidak fit kalau tidak ada yang lolos (0/3).

Contoh Angka

Ambil nilai default widget: CMIN = 120, df = 60, RMSEA = 0,06, CFI = 0,95.

$\chi^2/df = 120 / 60 = 2{,}00$ → lolos kriteria baik ($\leq 2$)
RMSEA = 0,06 < 0,08 → lolos
CFI = 0,95 > 0,90 → lolos
Skor: 3/3 → Model fit diterima

Bandingkan dengan model yang lebih kompleks dan kurang cocok: CMIN = 250, df = 70, RMSEA = 0,10, CFI = 0,88.

$\chi^2/df = 250 / 70 = 3{,}57$ → gagal (≥ 3)
RMSEA = 0,10 > 0,08 → gagal
CFI = 0,88 < 0,90 → gagal
Skor: 0/3 → Model tidak fit

Model kedua ini perlu direspesifikasi — misalnya menghapus item dengan loading rendah atau menambah korelasi error yang punya justifikasi teoretis — sebelum dilaporkan sebagai model final.