Published on June 3, 2022 by Bilson Simamora | Last Updated on July 23, 2023 by Bilson Simamora
Bilson Simamora, 5 Juni 2022
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 untuk uji validitas konvergen.
Structural Equation Modeling
Structural Equation Modeling (SEM) adalah teknik utama CFA (Hair et al. 2016; Schreiber et al., 2006). Teknik ini memiliki dua model, yaitu model pengukuran (measurement model) dan model struktural (structural model). Model pengukuran menggambarkan hubungan antara variabel-variabel pengamatan dengan konstruknya. Model struktural menganalisis hubungan struktural antara satu konstruk dengan konstruk lain sesuai dengan kerangka riset (research framewok). Gabungan kedua model dinamakan model lengkap SEM (complete model of SEM).
Hubungan antara variabel-variabel operasional dengan konstruknya bersifat reflektif dan formatif. Dalam hubungan yang reflektif, nilai konstruk sudah ada, variabel-variabel operasional hanya merefleksikannya. Sebagai contoh, dalam konstruk loyalitas konsumen, berpatokan pada Aaker (1991), konsumen yang loyal direfleksikan oleh rasa puas, suka, perilaku membela merek, keinginan merekomenasikan merek kepada pembeli lain, dan keinginan untuk membeli merek kembali. Dalam hubungan yang formatif, nilai variabel-variabel operasional ada terlebih dahulu dan dari nilai itulah disimpulkan nilai indikator. Sebagai contoh, menurut Fishbein (1991), sikap terhadap merek dibentuk oleh keyakinan (ßi) bahwa merek memiliki atribut ke-i dan hasil evaluasi (εi) akan tingkat kepentingan atribut tersebut bagi dirinya. Menurut Roberts et al. (2010), sebagian besar atau 97% penelitian menggunakan reflektif model, khususnya pada bidang operations management. Pembahasan selanjutnya menggunakan model reflektif.
Model Pengukuran
Seperti telah disampaikan, model pengukuran menggambarkan hubungan antara variabel-variabel pengamatan dengan konstruknya. Sebagai contoh, berdasarkan Rogers (1983), kita menggunakan tiga konstruk tentang faktor-faktor yang mempengaruhi adopsi inovasi, yaitu relative advantage (adv), complexity (complex), dan acceptability (accept). Pertanyaannya, apakah variabel-variabel yang kita gunakan memenuhi syarat convergent validity?
Biasanya, konstruk dilambangkan dengan nama yang menggunakan huruf kecil. Nama variabel menggunakan huruf kapital (misalnya ADV1).
Adapun konstruk dan item-itemnya adalah sebagai berikut:
Relative advantage (adv)
| ADV1 | Saya merasa aplikasi OVO dapat mempermudah pembayaran secara virtual |
| ADV2 | Menurut saya, aplikasi OVO dapat menghemat waktu pada saat pembayaran |
| ADV3 | Saya merasa dengan hadirnya aplikasi OVO dapat membuat aktivitas dan pekerjaan saya jauh lebih mudah |
| ADV4 | Saya merasa aplikasi OVO dapat digunakan dengan cepat |
| ADV5 | Saya mengetahui bahwa aplikasi OVO memiliki fitur feedback (kritik dan saran) |
Complexity (complex)
| COMPLEX1 | Saya merasa aplikasi OVO sulit untuk digunakan |
| COMPLEX2 | Menurut saya, aplikasi OVO sulit dipelajari cara penggunaannya |
| COMPLEX3 | Saya merasa aplikasi OVO sulit dikuasai penggunaannya |
| COMPLEX4 | Saya tidak dapat mengontrol aplikasi OVO dengan mudah |
| COMPLEX5 | Menurut saya, sulit menggunakan aplikasi OVO dapat digunakan di manapun dan kapanpun oleh konsumen. |
| COMPLEX6 | Transaksi sulit dilakukan melalui aplikasi OVO |
Brand acceptability (accept)
| ACCEPT1 | Saya merasa aplikasi OVO lebih baik dibanding finansial aplikasi sejenis |
| ACCEPT2 | Saya merekomendasikan orang di sekitar saya untuk menggunakan aplikasi OVO |
| ACCEPT3 | Menurut saya, mengajak dan meyakinkan orang di sekitar saya untuk menggunakan aplikasi OVO merupakan ide yang bagus |
| ACCEPT4 | Saya merasa tidak menyesal menggunakan aplikasi OVO |
| ACCEPT5 | Saya merasa puas dengan hadirnya aplikasi OVO |
| ACCEPT6 | Saya merasa bahwa aplikasi OVO dapat memenuhi sebagian besar transaksi berbelanja |
Posisi setiap item dengan konstruknya digambarkan seperti di bawah ini. Tanda panah dari konstruk ke itemnya menyatakan ‘dicerminkan oleh’ karena model pengukuran ini adalah model reflektif.
Variabel eksogen disimbolkan dengan ksi (ξ), sedangkan variabel endogen disimbolkan dengan eta (η). Lambda (λ) melambangkan factor loading. Error disimbolkan dengan delta (δ) untuk variabel eksogen dan epsilon (ε) dengan penomoran yang berurut.
Analisis Faktor Konfirmatori dengan LISREL
Model pengukuran perlu dituliskan pada bab yang menjelaskan metoda penelitian. Namun, untuk mengeksekusinya, model pengukuran tidak diperlukan. Ada beberapa alat yang dapat dipakai untuk keperluan ini, seperti LISREL, PLS, SmartPLS, dan WarPLS. Namun, hasil semua aplikasi sama saja.
LISREL adalah aplikasi yang menggunakan covariance sebagai input. Aplikasi ini mengolah model pengukuran yang bersifat reflektif. Apabila menggunakan model pengukuran yang bersifat reflektif dan formatif, kita bisa menggunakan PLS dan variannya.
Kali ini kita menggunakan LISREL 7.8. Silakan download contoh data dari sini. dan simpan pada folder yang mudah ditemukan. Kemudian, buka LISREL 7.8. Bukalah file ter-download tadi. Setelah terbuka, tampilannya begini:
Kemudian, klik menu File>New>SIMPLIS Project. Lalu, beri nama file program simplis itu. Dianjurkan namanya sama dengan file data. File data tadi namanya adalah Venna-2.psf. Beri saja nama program simplisnya Venna-2 (Catatan: Nama yang berbeda juga bisa. Namun berdasarkan pengalaman, seringkali kita memiliki banyak file LISREL. Nama berbeda akan menyulitkan kita mencari file simplis mana untuk data mana). Selanjutnya, simpan pada folder yang sama dengan file data.
Selanjutnya, copy program simplis di bawah ini dan paste pada layar yang terbuka. Kalau setelah di-paste susunannya berantakan, susun lagi seperti ini.
Raw Data From File Venna-2.psf
Latent variables: adv complex accept
Sample size=150
Relationships:
ADV1 ADV2 ADV3 ADV4 ADV5=adv
COMPLEX1 COMPLEX2 COMPLEX3 COMPLEX4 COMPLEX5 COMPLEX6=complex
ACCEPT1 ACCEPT1 ACCEPT2 ACCEPT3 ACCEPT4 ACCEPT5 ACCEPT6=accept
Options: EF SC
Path Diagram
End of Problem
Begini tampilan layarnya.
Kemudian, Klik File>Run. Bisa juga dengan meng-klik gambar orang berlari pada dasboard. LISREL memberi dua file, yaitu Output dan Path Diagram. Untuk menganalisis convergent validity, kita bisa menggunakan salah satu atau keduanya. Kali ini kita menggunakan Path Diagram karena lebih mudah diinterpretasi, seperti berikut ini.
Yang pertama kita periksa adalah model fit. Dengan RMSEA=0.090, model kita masuk batas tertinggi kategori cukup (fair fit) (0.08<RMSEA<0.90). Setelah itu periksa nilai standardized solution factor loading (FL). Terlihat ada satu variabel yang tidak valid, yaitu ADV5 karena nilai FL-nya<0.50, batas minimal nilai FL (Hair et al., 2016). Terpaksa variabel ini dikeluarkan dengan merubah program simplis seperti berikut ini.
Raw Data From File Venna-2.psf
Latent variables: adv complex accept
Sample size=150
Relationships:
ADV1 ADV2 ADV3 ADV4 =adv
COMPLEX1 COMPLEX2 COMPLEX3 COMPLEX4 COMPLEX5 COMPLEX6=complex
ACCEPT1 ACCEPT1 ACCEPT2 ACCEPT3 ACCEPT4 ACCEPT5 ACCEPT6=accept
Options: EF SC
Path Diagram
End of Problem
Path diagram baru adalah seperti berikut ini.
Dengan RMSEA=0.097, model berubah menjadi bad fit, namun masih bisa dipakai (Wijanto, 2008). Kemudian, berdasarkan nilai FL>0.50, semua item adalah memenuhi syarat. Namun, kita masih memerlukan dua kriteria lagi, yaitu average variance extracted (AVE) dan composite reliability (CR). Apabila salah satu di antara keduanya tidak memenuhi, maka convergent validity tidak tercapai sekalipun semua FL memenuhi. Dengan kata lain, convergent validity tercapai apabila syarat FL, AVE dan CR terpenuhi.
AVE dan CR dihitung dengan menggunakan FL. Pertama-tama, kita hitung dulu variance extracted (VE) dengan rumus:
VE=FL2
Kemudian, dengan n=jumlah variabel yang tergabung dalam suatu konstruk, kita hitung AVE dengan rumus:
AVE=(ΣFL2)/n
Selanjutnya, bersamaan dengan CFA, dihitung juga CR. Namun, karena merupakan bagian dari teknik analisis reliabilitas, maka penjelasan tentang CR dilanjutkan pada halaman ini.
Dengan menggunakan Excel, AVE mudah dihitung. Kalau dibutuhkan, silakan download file excel-nya di sini. Dengan demikian, untuk konstruk ‘adv’, hasil convergent validity analysis adalah seperti pada tabel berikut ini.
| Konstruk | Variabel | Loading | AVE |
| ADV1 | 0.78 | 0.69 | |
| adv | ADV2 | 0.90 | |
| ADV3 | 0.80 | ||
| ADV4 | 0.83 |
Menurut Hair et al. (2016), agar validitas konvergen terpenuhi, maka yang dibutuhkan adalah: FL>0.50 dan AVE>0.50. Dengan demikian, struktur internal konstruk ‘adv’ adalah terpenuhi. Bagaimana bukti validitas struktur internal kedua konstruk lainnya, yaitu complex dan accept valid? Tugas pembacalah mengeceknya dengan menggunakan data pada path diagram kedua di atas. Apabila ditemukan AVE=0.66 untuk complex dan 0.56 untuk accept, maka hasil perhitungan anda sudah tepat.
Second Order Confirmatory Factor Analysis
Analisis faktor konfirmatori tingkat dua digunakan untuk mengetahui apakah sejumlah dimensi menggambarkan konstruk yang sama. Langkah awal untuk melakukan analisis ini adalah memastikan bahwa indikator-indikator setiap konstruk yang dilibatkan valid. Kemudian, setiap konstruk diwakili oleh surrogate variable. Menurut Hair et al. (2014), surrogate variable dimensi diambil dari indikator-indikator yang valid, yang dapat berupa:
- Nilai yang diekstrak menggunakan analisis faktor.
- Nilai rata-rata-rata.
- Nilai total.
- Nilai variabel yang memiliki factor loading paling tinggi.
Kebanyakan peneliti menggunakan nilai faktor yang diekstrak menggunakan analisis faktor. Lihat contoh di bawah ini.
Uji Validitas Achievement Goals
Pada tahun 2001, Eliot dan McGregor mengembangkan konsep achievement goals yang dinamakan Model 2X2. Model ini menyatakan bahwa achievemenet goals (tujuan berprestasi), terdiri dari tujuan menguasai materi (mastery approach goals), menghindari kurang memahami materi (mastery avoidance goals), memperoleh peringkat yang terpuji (performance approach goals) dan menghindari ranking terbawah (mastery-avoidance goals).
Rosas (2015) menyatakan bahwa model ini telah terbukti valid di banyak negara. Bagaimana dengan di Indonesia? Tahun 2021, Simamora dan Mutiarawati melakukan uji validitas model ini. Dengan menganalisis data 203 responden nmenggunakan analisis faktor konfirmatori tingkat pertama (first-order confirmatory factor analysis), kedua peneliti menemukan bahwa model tersebut valid. Hasilnya analisis ditampilkan pada Tabel 1.
Sumber: Simamora, B., & Mutiarawati, E.V. (2021). International Journal of Evaluation and Research in Education (IJERE), 10(1), 142-149. DOI: 10.11591/ijere.v10i1.20869
Pertanyaannya, bagaimana dengan analisis faktor konfirmatori tingkat dua? Apakah keempat dimensi bergabung pada konstruk achievement goals? Dengan menggunakan skor faktor sebagai surrogate variable, maka path diagram antara konstruk achievement goals dengan dimensi-dimensinya adalah seperti pada gambar di bawah ini.
Dengan menggunakan faktor loading yang ditampilkan oleh gambar tersebut kita membentuk Tabel 2. Terlihat bahwa berdasarkan faktor loading, semua dimensi valid (FL>0.50). Nilai AVE>0.5 menunjukkan bahwa keempat dimensi menunjukkan inter korelasi yang memenuhi untuk menjelaskan struktur internal konstruk achievement goals.
Tabel 2. Hasil Analisis Validitas Tingkat Dua
Bukti Validitas Diskriminan
Bukti validitas diskriminan digunakan untuk memastikan bahwa variabel-variabel pengamatan hanya berkorelasi tinggi dengan konstruknya dan berkorelasi rendah dengan konstruk lain. Pada kasus kita, maka ADV1, ADV2, ADV3 dan ADV4 hanya berkorelasi kuat dengan ‘adv’ dan berkorelasi lemah dengan ‘complex’ dan ‘accept’. Untuk membuktikannya, kita bisa menggunakan … read more.
REFERENCES
Eliot, A.J., & H.A. McGregor, H.A. (2001). A 2 × 2 achievement goal framework. Journal of Personality and Social Psychology, 80(3), 501–519. DOI: 10.1037/0022-3514.80.3.501.
Roberts, N., Thatcher, J.B., & Grover, V. (2010). Advancing operations management theory using exploratory structural equation modelling techniques. International Journal of Production Research, 48(15), 4329-4353. DOI: 10.1080/00207540902991682
Rogers, E.M. (1983). Diffusion of Innovation. New York: The Free Press.
Schreiber, J.B., Nora, A., Stage, F.K., Barlow, E.A., & King, J. (2006). Reporting structural equation modeling and confirmatory factor analysis results: A review. The Journal of Educational Research, 99(6), 323-338, DOI: 10.3200/JOER.99.6.323-338
Simamora, B., & Mutiarawati, E.V. (2021). International Journal of Evaluation and Research in Education (IJERE), 10(1), 142-149. DOI: 10.11591/ijere.v10i1.20869