Published on June 1, 2022 by Bilson Simamora | Last Updated on September 9, 2024 by Bilson Simamora
Bilson Simamora, 4 Juni 2022
Dalam riset pemasaran, konstruk adalah konsep yang level abstraksinya tinggi, tidak bisa diukur secara langsung dan harus diukur menggunakan variabel-variabel pengamatan yang merefleksikannya. Pada contoh di atas, loyalitas konsumen adalah konstruk dengan variabel-variabel pengamatan: kepuasan (consumer satisfaction), rasa suka (liking the brand), pembelaan (brand advocate), dan rekomendasi merek (brand recommendation), seperti telah dijelaskan. Adapun pernyataan-pernyataan pada Tabel 1 merupakan operasionalisasi variabel-variabel pengamatan tersebut menjadi instrumen penelitian atau item-item pertanyaan.
Validitas struktur internal adalah kepaduan (cohesiveness) variabel-variabel pengamatan menggambarkan konstruknya. Kepaduan tersebut diindikasikan oleh korelasi, barlet test of Sphericity, anti-image matrices, exploratory factor analysis (EFA), dan confirmatory factor analysis (CFA).
Barlet Test of Sphericity
Barlett Test merupakan tes statistik untuk menguji apakah betul variabel-variabel yang dilibatkan berkorelasi. Dalam SPSS uji ini disertakan dalam analisis faktor eksploratori (exploratory factor analysis). Hipothesis nol (H0) menyatakan tidak ada korelasi antar variabel, sedangkan hipothesis alternatif (Ha) adalah terdapat korelasi antar variabel. Nilai Barlett Test didekati dengan nilai chi-square.
Anti-Image Matrices
Sebagai mana diketahui, korelasi dihitung menggunakan total variance, yang terdiri dari common variance, specific variance, dan error. Common variance adalah variance yang dimiliki semua variabel yang dilibatkan. Specific variance adalah varian yang dimiliki variabel tertentu yang tidak dimiliki variabel lain. Error adalah varian yang diakibatkan oleh kesalahan pengukuran. Anti-image matrices menunjukkan korelasi yang berasal dari unique variance, yaitu specific variance, error.
Dalam convergent validity, diharapkan agar anti-image matrices yang rendah. Tidak ada batas berapa yang diterima dan ditolak. Namun, anti-image matrices yang rendah akan menyebabkan nilai KMO tinggi. Sebuah item dianggap valid apabila nilai KMO adalah 0.50 atau lebih tinggi. Pada contoh di bawah ini, nilai KMO dinyatakan oleh angka-angka yang berada pada baris diagonal. Terlihat bahwa semua item valid karena memenuhi syarat KMO>0.50.
Analisis Factor Eksploratory
Analisis faktor eksploratori (exploratory factor analysis) dimaksudkan untuk menemukan variabel laten, yang disebut faktor atau komponen, yang melandasi sejumlah variabel. Nilai faktor tersebut diekstrak berdasarkan kemiripan (similarity) informasi variabel-variabel yang dilibatkan. Teknik ini dilakukan Parasuraman et al. (1988) dalam mengembangkan konsep SERQUAL yang terkenal itu. Sebagaimana diketahui, konsep ini menyatakan bahwa kualitas layanan terdiri dari lima dimensi, yaitu reliability, responsiveness, assurance, emphaty, dan tangibles. Nilai kelima dimensi itu diekstrak dari 22 variabel pengamatan, yang dipadatkan dari 97 item pertanyaan. Proses pemadatan atau ekstraksi yang dimaksud dilakukan menggunakan analisis faktor eksploratori. Penjelasan lebih rinci mengenai teknik ini lihat pada bagian khusus yang membahasnya.
Penggunaan analisis faktor eksploratory untuk menguji convergent validity didasarkan pada dua kemampuan. Pertama, teknik ini mampu mendeteksi jumlah faktor (disebut component dalam SPSS) yang melandasi sejumlah variabel, termasuk varian kumulatif variabel-variabel pengamatan yang menjelaskan faktor tersebut, yang berkisar antara 0 – 100%. Kedua, analisis faktor eksploratori dapat menampilkan factor loading, yaitu nilai yang menjelaskan kekuatan hubungan antara variabel pengamatan dengan faktor. Nilai itu berkisar antara -1 sampai 1. Uraian tentang factor loading dapat dilihat pada bagian khusus yang menjelaskan analisis faktor.
Contoh Uji Convergent Validity dengan Barlet Test of Sphericity, Anti-Image Matrices, dan Analisis Faktor Eksploratori
Untuk latihan, dapatkan data SPSS di sini dan selanjutnya ikuti langkah-langkah yang ditampilkan pada video ini (sedang dibuat). Secara singkat, langkah-langkahnya adalah sebagai berikut:
- Buka data SPSS.
- Klik menu Analysis>Dimension Reduction>Factor.
- Geser adv1, adv2, adv3, adv4, dan adv5 ke ruang Variables.
- Klik Descriptives dan pilih KMO and Barlet Test of Sphericity dan Anti-image.
- Klik Extraction dan pilih Principle Axis Factoring (Catatan: teknik extraksi ini lebih baik untuk menguji convergent validity karena hanya mengolah common variance dan mengesampingkan unique variance).
- Klik Rotation dan pilih Varimax (Catatan: penjelasan tentang rotasi lihat pada bagian khusus tentang analisis faktor).
- Klik OK.
SPSS memberikan sejumlah output. Penjelasan berikut ini hanya menyangkut bagian yang berhubungan dengan convergent validity saja.
Hasil Barlett’s Test of Sphericity
Nilai Kaiser-Meyer-Olkin Measure of Sampling Adequacy (disingkat KMO) menyatakan apakah analisis faktor layak dilakukan berdasarkan informasi yang dimiliki oleh sampel. Nilai KMO berkisar antara 0 sampai 1. Nilai 0.5 ke atas dianggap sebagai nilai yang layak. Dengan nilai KMO=0.816 maka analisis faktor layak dilakukan.
| Kaiser-Meyer-Olkin Measure of Sampling Adequacy | 0.816 | |
| Bartlett’s Test of Sphericity | Approx. Chisquare | 364.207 |
| df | 10 | |
| Sig. | 0.000 | |
Nilai Bartlett’s Test of Sphericity didekati dengan nilai Chi-square. Hipothesis yang diuji adalah Ho: Tidak ada korelasi antar variabel-variabel yang dilibatkan. Uji ini memberikan nilai Chi-square=364.207 (df=10) yang signifikan pada 0.000. Oleh karena itu, terdapat cukup bukti untuk menolak Ho dan menyimpulkan terdapat korelasi antar variabel-variabel yang dilibatkan. Hasil ini mengindikasikan bahwa variabel-variabel yang dilibatkan menyatu ke dalam satu variabel laten (faktor), namun baru sekedar ‘indikasi’, belum kepastian.
Hasil Anti-Image Matrices
Anti-image correlation menunjukkan bahwa unique correlation variabel-variabel yang dilibatkan adalah rendah. Hasil ini menyebabkan nilai KMO yang tinggi, yang menandai besarnya kesamaan sebuah variabel dengan variabel-variabel lainnya, yang merupakan dasar convergent validity. Apabila nilai KMO yang diharapkan adalah 0.50 atau lebih tinggi. Terlihat pada tabel bahwa semua variabel memenuhi syarat karena mengandung kesamaan lebih tinggi dibanding keunikan.
| adv1 | adv2 | adv3 | adv4 | adv5 | ||
| Anti-image Correlation | adv1 | .828a | -.477 | -.191 | -.031 | .001 |
| adv2 | -.477 | .779a | -.210 | -.415 | .052 | |
| adv3 | -.191 | -.210 | .853a | -.389 | -.092 | |
| adv4 | -.031 | -.415 | -.389 | .812a | -.101 | |
| adv5 | .001 | .052 | -.092 | -.101 | .826a | |
Hasil Analisis Faktor Eksploratori
Jumlah Faktor yang Dihasilkan
Analisis faktor selalu mengesktrak jumlah faktor (disebut component dalam SPSS) sebanyak variabel yang dilibatkan. Dalam analisis yang kita lakukan, ada lim a variabel yang dilibatkan yang menghasilkan lima faktor seperti di bawah ini. Sebuah faktor sah apabila initial-eigenvalue-nya sebesar 1.00 atau lebih tinggi. Pada tabel di bawah ini hanya ada satu yang memenuhi syarat dengan initial eigenvalue sebesar 3.088, yang mengekstrak 55.323% varian kelima variabel yang dilibatkan. Dengan demikian, kelima variabel menyatu (convergen) hanya pada satu faktor.
| Factor | Initial Eigenvalues | Extraction Sums of Squared Loadings | ||||
| Total | % of Variance | Cumulative % | Total | % of Variance | Cumulative % | |
| 1 | 3.088 | 61.763 | 61.763 | 2.766 | 55.323 | 55.323 |
| 2 | .964 | 19.277 | 81.041 | |||
| 3 | .430 | 8.599 | 89.640 | |||
| 4 | .304 | 6.085 | 95.724 | |||
| 5 | .214 | 4.276 | 100.000 | |||
Hubungan Variabel dengan Faktor
Hubungan kelima variabel dengan faktor dinyatakan oleh factor loading, yang nilainya berkisar antara 0 (tidak ada hubungan) sampai 1.00 (hubungan sempurna). Batas yang digunakan adalah 0.50 atau lebih tinggi (Hair et al. 2016). Apabila memenuhi batas ini sebuah variabel dianggap valid.
| Variabel | Factor Loading |
| adv1 | 0.764 |
| adv2 | 0.890 |
| adv3 | 0.813 |
| adv4 | 0.833 |
| adv5 | 0.187 |
Seperti terlihat pada tabel, empat variabel adalah valid dan satu variabel, yakni ‘adv5’ tidak valid karena nilai FL-nya adalah 0.187. Oleh karena itu, variabel ini harus dikeluarkan dan analisis faktor dilakukan kembali dengan melibatkan empat variabel tersisa. Prosedurnya sama seperti di atas. Hasilnya, pertama, varian yang dijelaskan meningkat dari 55.323% menjadi menjadi 68.295%. Artinya, konvergensi variabel-variabel yang dilibatkan semakin baik. Kedua, semua variabel tersisa memenuhi validitas konvergen.
| Variabel | Factor Loading |
| adv1 | .768 |
| adv2 | .897 |
| adv3 | .808 |
| adv4 | .828 |
Analisis Faktor Konfirmatori
Analisis faktor konfirmatori, terjemahan dari confirmatory factor analysis (CFA), adalah teknik untuk menguji apakah variabel-variabel pengamatan merefleksikan konstruk yang tempatnya bergabung. Analisis faktor konfirmatori (CFA) dan analisis faktor eksplorasi (EFA) adalah sama-sama analisis faktor, tetapi dalam analisis faktor eksplorasi (EFA), data dieksplorasi untuk menemukan jumlah faktor yang melandasi variabel-variabel yang dilibatkan. Seperti telah dijelaskan, EFA mengidentifikasi jumlah faktor sesuai jumlah variabel. Walaupun pada akhirnya hanya sejumlah faktor yang sah, korelasi antara setiap variabel dengan semua faktor dihitung dalam analisis. Dalam analisis faktor konfirmatori (CFA), analisis faktor atas sejumlah variabel dipusatkan hanya pada satu konstruk yang telah dispesifikasi sebelumnya. Sekalipun EFA dapat dipakai untuk uji validitas konvergensi, namun banyak ahli yang berpendapat bahwa CFA adalah alat uji paling baik. Karena itulah, dalam artikel-artikel jurnal internasional bereputasi, umumnya analisis faktor konfirmatori (CFA) adalah teknik yang digunakan untuk menguji validitas konvergen suatu alat ukur … read more
REFERENCES
Parasuraman, A., Zeithalm, V.A., & Berry, L.L. (1988). SERVQUAL: A multi-item scale for measuring consumer perceptions of service quality. Journal of Retailing, 64(1), 12-40.