Anda di halaman 1dari 12

Second Order Construct dalam Partial Least Square

Dalam penelitian konstruk laten kadangkala merupakan konstruk dengan multidimensi. Misalnya dalam
pelayanan jasa, kualitas jasa (service quality) diukur dengan melihat dimensinya yaitu daya tanggap,
reliabilitas, jaminan, empati dan bukti fisik.
Perhatikan pada gambar model dibawah ini.

Kelima dimensi tersebut merupakan konstruk yang memerlukan indikator dalam pengukurannya.
Konstruk kualitas jasa merupakan konstruk multidimensi dan indikator-indikatornya adalah kelima
dimensi tersebut.
Lalu bagaimana cara mengukur kualitas jasa? Ada pendekatan yang disarankan oleh Wold (1989)
yang dikenal dengan Hierarchical Component Model atau repeated indicators approach.
"In essence a second order factor is directly measured by observed variables for all the fisrt order
factors. While this approach repeats the number of manifest variables used, the model can be
estimated by the standard PLS Algorithm"(Vinci et al,p.637)

Seperti yang disarankan oleh Wold, bahwa pendekatan pengukuran ulang indikator-indikator pada untuk
second order factor. Pegulangan yang dimaksud adalah penggunaan indikator-indikator pada fisrt
order factor (indikator-indikator pada kelima konstruk) kemudian digunakan juga sebagai indikator atau
pengukuran untuk second order factor (Kualitas Jasa).
Ada 4 tipe model second order factor yaitu :
1. Tipe 1 Reflektif
Pada model pertama ini, indikator-indikator pada fisrt order factor bersifat reflektif sedangkan pada
konstruk multidimensinya adalah bersifat formatif sedangkan second order factor bersifat reflektif.

2. Tipe 2 Reflektif

Pada model yang kedua indikator pada first order factor bersifat reflektif dan second order
factor bersifat reflektif.
2

3. Tipe 3 Formatif

Pada tipe yang ketiga ini first order factor bersifat formatif sedangkan pada second order factor bersifat
formatif.

4. Tipe 4 Formatif

Pada model keempat di atas, pada first order factor bersifat formatif dan reflektif pada konstruk
multidimensi sedangkan pada second order factor bersifat formatif.
Referensi.
V.Esposito Vinci; W.W.Chin; J.Hanseler; H. Wang. 2010. Handbook of Partial Least Square.Conceps,
Methods and Aplications. Springer.

Partial Least Square (PLS)


BAB I
PENDAHULUAN

1.1 LATAR BELAKANG

Partial Least Square (PLS) merupakan salah satu metode alternatif estimasi model untuk mengelola Structural
Equation Modelling (SEM). Desain PLS dibuat untuk mengatasi keterbatasan metode SEM. Pada metode SEM
mengharuskan data berukuran besar, tidak ada missing values, harus berdistribusi normal, dan tidak boleh
memiliki multikolinieritas, sedangkan pada PLS menggunakan pendekatan distribution free dimana data dapat
berdistribusi tertentu. Selain itu PLS juga dapat digunakan pada jumlah sampel yang kecil.
Beberapa penelitian sebelumnya dengan menggunakan metode PLS diantaranya adalah analisis pengaruh
peran pemerintah dan orientasi kepemimpinan terhadap komitmen organisasi, motivasi, inovasi dan lingkungan
kerja serta dampaknya pada kinerja koperasi pada Provinsi Bangka Belitung yang dilakukan oleh Fransiska
(2012). Hasil dari penelitian tersebut menyimpulkan bahwa peran pemerintah dan orientasi kepemimpinan
berpengaruh signifikan terhadap organisasi, motivasi, inovasi dan lingkungan kerja.
Structural Equation Modelling (SEM) merupakan sebuah metode yang terbentuk karena adanya masalah
pengukuran suatu variabel dimana terdapat suatu variabel yang tidak dapat diukur secara langsung . Variabel
variabel yang tidak dapat terukur tersebut dinamakan sebagai variabel laten dimana membutuhkan sebuah
variabel manifes sebagai indikator atau alat ukur variabel laten tersebut. Dalam perkembangannya, SEM menjadi
metode yang populer karena dapat diaplikasikan pada beberapa analisis, seperti analisis causal modelling,
confirmatiory analysis, second order factor analysis, analisis regression models, analisiscovariance structure
models, dan analisis correlation structure models.
Terdapat beberapa metode estimasi pada metode SEM, yaitu Instrument Variable (IV) ,Two Stage Least
Square (TSLS), Unweighted
Least
Square (ULS), Generalize
Least
Square(GLS), Maximum
Likelihood (ML), Weighted Least Square (WLS), dan Diagonally Weighted Least Square (DWLS). Akan tetapi
semua metode estimasi SEM tersebut memiliki kekurangan, yaitu membutuhkan sampel yang berjumlah besar
dan data yang harus berdistribusi normal. Oleh karena itu, dikembangkan sebuah metode alternatif untuk
mengestimasi SEM yang bertujuan untuk mengatasi kekurangan pada metode - metode lain, yaitu metode Partial
Least Square (PLS).

1.2 TUJUAN
Tujuan dari praktikum ini adalah agar mahasiswa dapat mengetahui aplikasi pls(partial least square) dan
penggunaanya serta aplikasinya.
BAB II
TINJAUAN PUSTAKA

2.1 Pengertian Analisis PLS

Partial Least Square/(PLS) adalah suatu metode yang berbasis keluarga regresi yang dikenalkan oleh
Herman O.A Wold untuk penciptaan dan pembangunan model dan metode untuk ilmu-ilmu sosial dengan
pendekatan yang berorientasi pada prediksi. PLS memiliki asumsi data penelitian bebas distribusi, artinya data
penelitian tidak mengacuh pada < > salah satu distribusi tertentu (misalnya distribusi normal). PLS merupakan
metode alternatif dari (SEM) yang dapat digunakan untuk mengatasi permasalahan hubungan diantara variable
yang kompleks namun ukuran sampel datanya kecil (30 sampai 100), mengingat SEM memiliki ukuran sampel
data minimal 100 (Hair /et.al./, 2010).
PLS digunakan untuk mengetahui kompleksitas hubungan suatu konstrak dan konstrak yang lain, serta
hubungan suatu konstrak dan indikator-indikatornya. PLS didefinisikan oleh dua persamaan, yaitu inner model
dan outer model. Inner model menentukan spesifikasi hubungan antara konstrak dan indikatorindikatornya.Konstrak terbagi menjadi dua yaitu konstrak eksogen dan konstrak endogen. Konstrak eksogen
merupakan konstrak penyebab, konstrak yang tidak dipengaruhi oleh konstrak lainnya. Konstrak eksogen
memberikan efek kepada konstrak lainnya, sedangkan konstrak endogen merupakan konstrak yang dijelaskan
oleh konstrak eksogen. Konstrak endogen adalah efek dari konstrak eksogen (Yamin dan Kurniawan, 2009).

2.2 Kelebihan dan Kelemahan Analisis PLS

PLS dapat digunakan untuk mengetahui kompleksitas hubungan suatu konstrak dan konstrak yang lain,
serta hubungan suatu konstrak dan indikator-indikatornya. PLS didefinisikan oleh dua persamaan, yaitu inner
mode dan outer model. Inner model menentukan spesifikasi hubungan antara konstrak dan konstrak lain,
sedangkan outer model menentukan spesifikasi hubungan antara konstrak dan indikator-indikatornya. PLS dapat
bekerja untuk model hubungan konstrak dan indikator-indikatornya yang bersifat reflektif dan formatif, sedangkan
SEM hanya bekerja pada model hubungan yang bersifat reflektif saja. Metode PLS mempunyai keunggulan
tersendiri diantaranya: data tidak harus berdistribusi normal multivariate (indikator dengan skala kategori, ordinal,
interval sampai rasio dapat digunakan pada model yang sama) dan ukuran sampel tidak harus
besar (Gahazali,2006).
Distribusi data tidak diketahui sehingga tidak bias menilai signifikansi statistik. Kelemahan bisa diatasi
dengan menggunakan metode resampling (Bootstrap).

2.3 Jenis Indikator dalam Penelitian Analisis PLS


Model Indikator Refleksif sering disebut juga principal factor model dimana covariance
pengukuran indikator dipengaruhi oleh konstruk laten atau mencerminkan variasi dari konstruk laten. Pada Model
Refleksif konstruk unidimensional digambarkan dengan bentuk elips dengan beberapa anak panah dari konstruk
ke indikator, model ini menghipotesiskan bahwa perubahan pada konstruk laten akan mempengaruhi perubahan
pada indikator. Model Indikator Refleksif harus memiliki internal konsistensi oleh karena semua ukuran indikator
diasumsikan semuanya valid indikator yang mengukur suatu konstruk, sehingga dua ukuran indikator yang sama
reliabilitasnya dapat saling dipertukarkan. Walaupun reliabilitas (cronbach alpha) suatu konstruk akan rendah jika
hanya ada sedikit indikator, tetapi validitas konstruk tidak akan berubah jika satu indikator dihilangkan
(Leardi,2009).
Model Formatif tidak mengasumsikan bahwa indikator dipengaruhi oleh konstruk tetapi mengasumsikan
semua indikator mempengaruhi single konstruk. Arah hubungan kausalitas mengalir dari indikator ke konstruk
laten dan indikator sebagai grup secara bersama-sama menentukan konsep atau makna empiris dari konstruk
laten. Oleh karena diasumsikan bahwa indikator mempengaruhi konstruk laten maka ada kemungkinan antar

indikator saling berkorelasi, tetapi model formatif tidak mengasumsikan perlunya korelasi antar indikator atau
secara konsisten bahwa model formatif berasumsi tidak adanya hubungan korelasi antar indikator, karenanya
ukuran internal konsistensi reliabilitas (cronbach alpha) tidak diperlukan untuk menguji reliabilitas konstruk
formatif. Kausalitas hubungan antar indikator tidak menjadi rendah nilai validitasnya hanya karena memiliki
internal konsistensi yang rendah (cronbach alpha), untuk menilai validitas konstruk perlu dilihat variabel lain yang
mempengaruhi konstruk laten. Jadi untuk menguji validitas dari konstruk laten, peneliti harus menekankan pada
nomological dan atau criterion-related validity. Implikasi lain dari Model Formatif adalah dengan menghilangkan
satu indikator dapat menghilangkan bagian yang unik dari konstruk laten dan merubah makna dari konstruk
(Vinzi, 2010).

2.4 Langkah langkah Analisis PLS

Analisis data dan pemodelan persamaan struktural dengan menggunakan software PLS, adalah sebagai
berikut (Ghazali,2006):
1. Merancang Model Struktural (Inner Model)
Inner Model atau Model Struktural menggambarkan hubungan antar variabel laten berdasarkan pada substantive
theory. Perancangan Model Struktural hubungan antar variabel laten didasarkan pada rumusan masalah atau
hipotesis penelitian.
2. Merancang Model Pengukuran (Outer Model) Outer Model atau Model Pengukuran mendefinisikan bagaimana
setiap blok indikator berhubungan dengan variabel latennya. Perancangan Model Pengukuran menentukan sifat
indikator dari masing-masing variabel laten, apakah refleksif atau formatif, berdasarkan definisi operasional
variabel.
3. Konversi Diagram Jalur ke Sistem Persamaan
a. Model persamaan dasar dari Inner Model dapat ditulis sebagai berikut : = 0 + + + j = i ji i + i jb
b + j
b. Model persamaan dasar Outer Model dapat ditulis sebagai berikut: X = x + x Y = y + y
4. Estimasi: Weight, Koefisien Jalur, dan Loading Metode pendugaan parameter (estimasi) di dalam PLS adalah
metode kuadrat terkecil (least square methods). Proses perhitungan dilakukan dengan cara iterasi, dimana iterasi
akan berhenti jika telah tercapai kondisi kenvergen. Pendugaan parameter di dalam PLS meliputi 3 hal, yaitu:
a. Weight estimate yang digunakan untuk menghitung data variabel laten.
b. Path estimate yang menghubungkan antar variabel laten dan estimasi loading antara variabel laten dengan
indikatornya.
c. Means dan parameter lokasi (nilai konstanta regresi, intersep) untuk indikator dan variabel laten.
5. Evaluasi Goodness of Fit Goodness of Fit Model diukur menggunakan R2 variabel laten dependen dengan
interpretasi yang sama dengan regresi. Q2 predictive relevance untuk model struktural mengukur seberapa baik
nilai observasi dihasilkan oleh model dan juga estimasi parameternya. Q2 = 1 ( 1 - R12 ) ( 1 R22 ) (1
Rp2)
Besaran memiliki nilai dengan rentang 0 <>2 pada analisis jalur (path analysis).
6. Pengujian Hipotesis (Resampling Bootstraping) . Pengujian Hipotesis (, , dan ) dilakukan dengan metode
resampling Bootstrap yang dikembangkan oleh Geisser & Stone. Statistik uji yang digunakan adalah statistik t

atau uji t. Penerapan metode resampling, memungkinkan berlakunya data terdistribusi bebas (distribution free)
tidak memerlukan asumsi distribusi normal, serta tidak memerlukan sampel yang besar (direkomendasikan
sampel minimum 30). Pengujian dilakukan dengan t-test, bilamana diperoleh p-value <>
2.5 Penelitian Manajemen Agroindustri Menggunakan Analisis PLS
1. Judul jurnal: Model Pendugaan Kandungan Air, Lemak dan Asam Lemak Bebas Pada Tiga Provenan Biji Jarak
Pagar (Jatropha Curcas L.) Menggunakan Spektroskopi Inframerah Dekat Dengan Metode Partial Least Square
(PLS)
Tahun

: Jurnal Littri 19(4), Desember 2013. Hlm. 203 - 211 ISSN 0853-8212

Penulis : Lady C. E. Ch. Lengkey, I Wayan Budiastra, Kudang B. Seminar, Dan Bambang S. Purwoko

Jurnal ini permasalahan yang dibahas adalah mengetahui kandungan air, lemak, dan asam lemak yang
terdapat dalam 3 provenan biji jarak pagar. Tujuan penelitian adalah mengembangkan metode pendugaan
komposisi kimia beberapa provenan jarak pagar berdasarkan spektroskopi NIR menggunakan kalibrasi PLS.
Pengujian dilakukan menggunakan tiga provenan jarak pagar yaitu IP-3A, IP-3M, dan IP-3P masing-masing 85
sampel. Spektrum reflektansi diukur menggunakan alat NIR Flex Solids Petri pada panjang gelombang 1000
2500 nm. Sekitar jumlah sampel digunakan untuk mengembangkan persamaan kalibrasi dan sampel untuk
validasi. Pra perlakuan data spektrum dilakukan dengan jumlah normalisasi antara 0-1, turunan pertama
Savitzky-Golay 9 titik dan gabungan keduanya.
Bahan yang digunakan dalam penelitian ini adalah tepung biji jarak pagar dengan 3 provenan yang
berbeda, yaitu provenan IP-3P berasal dari kebun percobaan Balai Penelitian Tanaman Industri dan Penyegar
(Balittri) di Pakuwon, Sukabumi, Jawa Barat; rovenan IP-3M berasal dari kebun induk Balai Penelitian Tanaman
Pemanis dan Serat (Balittas) di Muktiharjo, Pati, Jawa Tengah; dan provenan IP-3A berasal dari kebun induk
Balittas di Serat. Desa Asembagus, Kabupaten Situbondo, Jawa Timur.
Metode yang digunakan antara lain Kadar air dianalisis menggunakan metode oven ALB menggunakan
modifikasi metode titrasi, dan kandunganlemak menggunakan metode ekstraksi soxhle. Setiap pengukuran
dilakukan sebanyak dua kali pada setiap sampel dan perhitungan didasarkan pada rata-rata pengukuran.
Instrumen NIR yang digunakan dalam penelitian ini adalah NIRFlex Solids Petri N-500. Tepung jarak pagar
disinari inframerah dekat (NIR) dengan rentang panjang gelombang 10004000/cm dengan interval 4/cm atau
1000-2500 nm dengan interval 1 nm. Spektrum yang diperoleh dari hasil pengukuran reflektansi NIR kemudian
ditransformasikan menjadi spektrum absorban. Selanjutnya, dilakukan pra perlakuan data untuk dianalisis lebih
lanjut menggunakan PLS. Perlakuan data yang dilakukan pada penelitian ini adalah :
(1) Tanpa perlakuan data,
(2) Normalisasi antara 0-1 (n01),
(3) Turunan Pertama Savitzky-Golay 9 titik (dg1), dan
(4) Kombinasi n01 dan dg1.
Hasil penelitian menunjukkan spektroskopi NIR dapat menduga kadar air, lemak, dan asam lemak bebas .
dapat menduga kadar air, lemak, dan asam lemak bebas . Koefisien korelasi (r) antara komponen kimia metode
acuan dengan dugaan NIR >0,83 menunjukkan ketepatan model cukup baik (r kadar air=0,96, r kadar
lemak=0,92, dan r ALB=0,89 ). Konsistensi model kalibrasi kadar air=94,85%, lemak=82,56%, dan ALB=87,80%.
Koefisien keragaman dugaan (Prediction Coeficient Variability/PCV) ketiga model <10% menunjukkan model
yang dibangun cukup handal. Ratio of standard error prediction to deviation (RPD) menunjukkan metode
spektroskopi NIR dapat digunakan untuk menentukan kadar air (RPD=3,30) dan lemak (RPD=2,06). Sehingga

Model-model yang dikembangkan tersebut secara umum layak digunakan untuk menentukan kadar air dan
lemak biji jarak pagar, tetapi belum optimal untuk penentuan kadar ALB biji jarak pagar.

2. Judul Jurnal: Analisis Interaksi Genotipe Lingkungan Menggunakan Partial Least Square Path Modeling
Tahun : Desember 2009. ISBN: 978-979-16353-3-2
Penulis : I Gede Nyoman Mindra Jaya
Dalam jurnal ini dilakukan penelitian mengenai percobaan multilokasi untuk mengkaji kemampuan relatif
genotipe-genotipe pada berbagai Lokasi tanam dengan tujuan menemukan genotipe-genotipe unggulan.
Sebab nyatanya pengaruh interaksi genotipe lokasi (IGL) pada percobaan multilokasi yang sudah diteliti
sebelumnya menyulitkan dalam proses seleksi genotipe unggulan.
Dalam penelitian ini, peneliti menggunakan data hasil pemuliaan jagung hibrida dengan 9 genotipe
harapan dan 3 genotipe komersial yang dicobakan pada 16 lokasi. Karakteristik agronomi yang diamati
sesuai dengan kajian literatur adalah usia masak fisiologis (UMF), kadar air panen (KAP), berat tongkol
panen (BTK), dan hasil (HSL). Data yang digunakan dalam penelitian ini adalah data hasil percobaan multilokasi
Jagung Hibrida yang dilakukan dari tanggal 23 Juli 2006 sampai 10 April 2007 yaitu pada musim hujan
dan kemarau. Percobaan ini menggunakan 9 genotipe Jagung Hibrida Harapan dan 3 genotipe Jagung
Hibrida Komersial. Penelitian ini mengambil 16 lokasi tanam yang tersebar di 6 Propinsi di Indonesia. Percobaan
multilokasi dilakukan dengan rancangan acak kelompok (RAK) dengan kelompok tersarang pada lokasi.
Metode yang dilakukan yakni dengan pendakatan metode Partial Least Square (PLS)-AMMI. AMMI
digunakan untuk mendapatkan matriks interaksi sebagai skor laten interaksi sedangkan PLS digunakan
untuk memodelkan matirks interaksi tersebut. PLS - AMMI digunakan dalam uji multilokasi memiliki
keuntungan dalam menjelaskan sumbangan dari komponen - komponen daya hasil dan faktor lokasi.
Hasil ini memberikan informasi bahwa jika kadar air panen di atas rata- rata maka daya hasil atau hasil
produksi jagung relatif lebih sedikit. Ini mungkin terjadi karena adanya proses pengeringan dimana daya hasil
dihitung untuk kadar air 15%. IGL usia masak fisiologis yang memberikan efek tidak langsung melalui kadar
air panen, dan berat tongkol sebesar -0.090. Tanda negatif ini terjadi karena melalui kadar air panen yang
memiliki efek negatif pada daya hasil. Selanjutnya, kadar air panen juga memberikan efek tidak langsung
terhadap IGL daya hasil melalui berat tongkol dengan besar efek tidak langsungnya adalah -0.209. Total efek
dari ketiga IGL komponen daya hasil secara berurutan adalah 0.241 dari IGL usia masak fisiologis, -0.413 dari
IGL kadar air panen, dan 0.921 dari IGL berat tongkol. Dari model PLSPM ini juga dapat diketahui keragaman
dari IGL usia masak fisiologis, IGL kadar air panen, dan IGL berat tongkol panen dan IGL daya hasil yang
dapat dijelaskan oleh model secara berurutan adalah 0.886, 0.816, 0.763 dan 0.721 dengan keragaman
total dihitung dari nilai Q2 adalah sebesar 0.999. Besarnya nilai-nilai ini menunjukkan bahwa model yang
dianalisis dapat menjelaskan keterkaitan antara IGL komponden daya hasil, pengaruhnya terhadap daya
hasil dan mampu menjelaskan pengaruh kombinasi kovariat genotipik lingkungan terhadap IGL Daya Hasil.

3. Judul Jurnal: The Causality Relationship between Management in Supply Chain Collaboration with the
Prosperity of Corn Farmers in West Nusa Tenggara Indonesia
Tahun : 2013. Vol.5, No.19, ISSN 2222-1905
Penulis

: Tajidan, Budi Setiawan, M. Muslich Mustadjab and A. Wahib Muhaimin

Penelitian pada jurnal ini menjelaskan mengenai analisis faktor-faktor yang menentukan manajemen
rantai pasokan dan kesejahteraan petani jagung. Data dikumpulkan dengan menggunakan metode survei dengan

mewawancarai 120 petani. Rantai pengambilan sampel ditentukan dengan menggunakan teknik snowballing dari
petani ke pedagang pengumpul dan konsumen. Penelitian ini dilakukan di Lombok Timur dalam wilayah
administrasi Provinsi Nusa Tenggara Barat. Lokasi penelitian ditentukan dengan menggunakan purposive
sampling. Jumlah responden di setiap desa ditentukan dengan teknik random sampling proporsional dengan
jumlah responden 120 petani jagung; 75 petani desa Pringgabaya utara di Kabupaten Pringgabaya dan 45
petani dari desa Bebidas di Kabupaten Wanasaba.
Data dianalisis dengan SEM berdasarkan varians Partial Least Square menggunakan perangkat lunak
Java Web Start 1.4.2_8. Urutan pemodelan persamaan struktural dapat digunakan untuk tujuan estimasi dan
pengujian hipotesis, kemudian melakukan validasi untuk model luar dan dalam. Model luar Validasi terdiri dari
validasi diskriminan dan keandalan komposit, yaitu rata-rata Variance Extracted (AVE)> 0,5, Cronbach Alphaand
Composite Keandalan> 0,7. Model inner validasi koefisien penentu yang digunakan R-square, Batu Geisser Uji
Q-square dan t-test path statistik koefisien.
Sehingga dari hasil penelitian tersebut Hal ini juga disebutkan dijelaskan bahwa manajemen rantai
pasokan yang lebih baik akan meningkatkan kesejahteraan petani. Ini mungkin secara logis mengatakan bahwa
peningkatan kolaborasi rantai pasokan secara langsung mempengaruhi kesejahteraan petani. Partisipasi petani
dalam menentukan tepat panen jadwal dalam rangka meningkatkan keunggulan kompetitif masih sangat rendah.
Juga, ada sangat sedikit petani yang terlibat dalam kegiatan pasca-produksi. Oleh karena itu,keunggulan
kompetitif perusahaan tidak memiliki pengaruh yang signifikan terhadap peningkatan kesejahteraan petani dan
peningkatan kinerja manajemen rantai pasokan. Pengaruh keunggulan kompetitif hanya terbatas pada pengaruh
tidak langsung melalui kinerja organisasi.

DAFTAR PUSTAKA
Hair, J.F. 2010. Multivariate Data Analysis, 7th edition. Pearson Prentice Hall
Ghazali, G. 2006. Structural Equation Modelling: Metode Alternatif dengan Partial Least Square. Badan
Penerbit Universitas Diponegoro. Semarang
Leardi, R. 2009. Application of Genetic Algorithm-PLS for Feature Selection in Spectral Data Sets. Journal of
Chemometrics Volume 14
Sinkovics. R. R. 2009. The Use Of Partial Least Square Path Modeling In International Marketing.
Journal Advaces in International Marketing. 20(2): 277-319.
Yamin,S. 2009. Structural Equation Modeling: Belajar Lebih Mudah Teknik Analisis Data Kuesioner dengan
LISREL-PLS, Buku Seri Kedua. Salemba Infotek. Jakarta
Vinzi, VE. 2010. Handbook of Partial Least Squares: Concepts, Methodsand Applications. Germany

CONFIRMATORY FACTOR ANALYSIS (ANALISIS FAKTOR KONFIRMATORI) : dengan LISREL


dan AMOS
BY Hendry
Pendahuluan
Koefisien Cronbach Alpha merupakan salah satu uji reliabilitas instrument yang banyak digunakan. Metode
lainnya adalah Confirmatory Factor Analysis (CFA)
CFA menurut Joreskog dan Sorborn (1993) digunakan untuk menguji unidimensional, validitas dan
reliabilitas model pengukuran konstruk yang tidak dapat diukur langsung. Model pengukuran atau disebut
juga model deskriptif (Ferdinant, 2002), measurement theory (Hair, dkk, 2006), atau confirmatory factor
model (Long, 1983) yang menunjukkan operasionalisasi variabel atau konstruk penelitian menjadi
indikator-indikator terukur yang dirumuskan dalam bentuk persamaan dan atau diagram jalur tertentu
(dalam Kusnendi, 2008:98)
Tujuan CFA adalah untuk mengkonfirmasikan atau menguji model, yaitu model pengukuran yang
perumusannya berasal dari teori. Sehingga, CFA bisa dikatakan memiliki dua focus kajian yaitu : (1)
apakah indikator-indikator yang dikonsepsikan secara unidimensional, tepat, dan konsisten; (2) indikatorindikator apa yang dominan membentuk konstruk yang diteliti.
Tentang Reflective Measurement Theory (RMT)
Dalam CFA, model pengukuran mengacu pada RMT. RMT sendiri merupakan model pengukuran yang
dikembangkan berdasarkan classical theory. RMT berpandangan bahwa berdasarkan pengertian atau
pemahaman terhadap konstruk yang berasal dari teori dapat diidentifikasi. Indikator indikator terukur
sebagai refleksi atau manifest dari Konstruk tersebut.
Model indikator refrektif mengasumsikan bahwa variasi skor pengukuran konstruk merupakan fungsi dari
true score ditambah error. Model ini sering disebut juga principal factor model dimana covariance
pengukuran indikator dipengaruhi konstruk laten, atau mencerminkan variasi dari konstruk laten (Ghozali,
2008:8). Lawan dari model indikator refrektif adalah model formatif. (penjelasan dari model indikator
formatif akan dijelaskan tersendiri)
Sederhananya, Model RMT dicirikan (dalam Ghozali, 2008:8-9) :
1.
2.
3.

Perubahan konstruk laten akan mempengaruhi perubahan pada indikator (Bollen dan Lennox, 1991)
Arah hubungan kausalitas dari konstruk ke indikator (tanda panah dari konstruk ke indikator)
Antar ukuran indikator diharapkan saling berkorelasi (ukuran harus memiliki internal consistency
reliability)
4.
Menghilangkan indikator dari model pengukuran tidak akan merubah makna atau arti konstruk
5.
Menghitung adanya kesalahan pengukuran (error) pada tingkat indikator
6.
Skala skor tidak menggambarkan konstruk

10

Proses CFA
Karena CFA mengacu pada model RMT, maka langkah pertama yang dilakukan adalah mengkaji teori
tentang konstruk yang akan diukur.
Dari teori, diperoleh konsep teoritis dan definisi konstitutif (definisi secara teoritis) tentang konstruk yang
akan diukur.
Selanjutnya dapat diidentifikasi dimensi atau indikator-indikator terukur sebagai refleksi atau manifest
dari konstruk.
Contoh
Konstruk Motivasi
Robbins dan Judge (2007:222) mendefinisikan motivasi sebagai proses yang menjelaskan intensitas, arah
dan ketekunan usaha untuk mencapai suatu tujuan. Dimensi pengukuran motivasi Sekaran (2003:179)
meliputi
1.
2.
3.
4.
5.

Perilaku digerakkan oleh kerja (driven by work),


Tidak suka bersantai (unable to relax),
Tidak suka ketidakefektivan (impatience with inefffectiveness),
Menyukai tantangan (seeks moderate challenge).
Menyukai umpan balik (seeks feedbacks

Gambar 1. Model Pengukuran Motivasi first Order)

Contoh pengukuran di atas adalah model pengukuran First


Order. Model pengukuran satu tahap ini dilakukan jika variabel laten yang dteliti di ukur berdasarkan pada
indikator-indikator yang bersifat observable (dapat diukur langsung). Namun, jika dimensi pengukuran
motivasi di atas masih bersifat latent dan terdiri dari indikator, maka model ini dikenal dengan CFA second
order (dua tahap)
Gambar 2. Konstruk Motivasi Second Order

11

Masing-masing dimensi diukur berdasarkan dua indikator :


1.
2.
3.
4.
5.

Perilaku digerakkan oleh kerja (driven by work/ DW)


Tidak suka bersantai (unable to relax/ UR),
Tidak suka ketidakefektivan (impatience with inefffectiveness/ II),
Menyukai tantangan (seeks moderate challenge/ SC).
Menyukai umpan balik (seeks feedbacks / SF)

Tulisan Selanjutnya :
Contoh CFA dengan AMOS
Contoh CFA dengan LISREL
Referensi :
Kusnendi. 2008. Model-Model Persamaan Struktural. Satu dan Multi-group Sample dengan LISREL.
Bandung : Alfabeta
Ghozali. 2008. SEM metode Alternatif dengan Partial Least Square. Edisi 2. Semarang : BP-Undip

12

Anda mungkin juga menyukai