Pengembangan Instrumen
Pengukuran
Wahyu Widhiarso
Fakultas Psikologi UGM
CFA vs. EFA
EFA vs. CFA
1 1
y3 0 y3
0 0
1 0 0 1
y4 0
y4
1 1
y5 F2 y5
F2
1
1
y6 y6
3
Model-Model Pengukuran
Model Paralel Model Tau Ekivalen
Model Konjenerik
http://widhiarso.staff.ugm.ac.id/files/Model%20Pengukuran%20d
alam%20Persamaan%20Pemodelan%20Struktural%20(AMOS).pdf
Factor Loading
Tidak Terstandarisasi
Angka unstandardized factor loadings dapat diartikan sebagai koefisien
regresi unstandardized
Misalnya, kenaikan satu unit di Popularitas dikaitkan dengan peningkatan 1.32
Self-esteem.
Dapat menunjukkan apakah harganya signifikan atau tidak
Karena tidak terstandarisasi maka angkanya dapat melebihi 1
Terstandarisasi
Angka standardized factor loading memiliki M=0.0, SD=1.0)
Faktor loadings dapat diartikan sebagai koefisien terstandarisasi. Kenaikan
satu skor standar di Popularitas diikuti dengen peningkatan 0,844 skor standar
dalam Self-esteem
Tidak dapat menunjukkan apakah harganya signifikan atau tidak
Karena terstandarisasi maka angkanya tidak dapat melebihi 1 atau kurang
dari -1
Jika ini terjadi, maka adalah masalah dalam model kita
Korelasi antar Eror
Asumsi (“harapan”) untuk eror pengukuran adalah random, oleh karena random
maka eror tidak berkorelasi dengan variabel lain.
Randomnya eror mengimplikasikan bahwa tidak ada varians sistematis yang
tersisa dari varians yang terkait dengan atribut ukur
Artinya tes mengukur atribut unidimensi (tunggal), semua butir menjelaskan varians
(keberagaman) yang sama
Penyebab Munculnya:
Butir-butir yang bersangkutan tumpang tindih dalam mengukur konstruk yang hendak diukur.
Butir-butir yang bersangkutan memiliki kecenderungan yang sama untuk direspons (response
set).
Korelasi antar Eror
Menambahkan korelasi antar eror akan menyebabkan model menjadi fit, akan
tetapi model menjadi rumit
Bahkan dalam beberapa kasus, akan menghasilkan model yang tidak
teridentifikasi (non-identification) karena sulit untuk diestimasi.
Menunjukkan bahwa pengukuran terhadap konstruk yang dilibatkan dalam
model kurang ideal secara psikometris.
Jika kita memiliki justifikasi teoritik yang kuat, korelasi antar eror bisa kita libatkan
Cara mengatasi korelasi antar eror:
Spesifikasi Ulang. Melakukan spesifikasi ulang model yang dibuat dengan
mengeliminasi indikator-indikator yang bobot faktornya rendah.
Paket Butir. Melakukan pemaketan butir (item parcels). Cara lainnya adalah
butir-butir yang memiliki korelasi antar eror dijadikan satu skor komposit.
Ganti model pengukuran. Ada tiga model pengukuran, yaitu konjenerik,
nilai tau setara dan paralel.
Perbesar ukuran sampel. Jika ukuran sampelnya masih di bawah harapan,
maka penambahan ukuran sampel memiliki peluang besar akan mengurangi
korelasi antar eror.
Decomposisi Varians dalam SEM
Total
Variance
Common Unique
Variance Variance
Specific Random
Variance Error
Common Variance
Specific Variance
Random Error
Implikasi Desain Pada Dekomposisi Varians
Latent State–Latent Trait Model. Penelitian bertujuan untuk mengungkap apakah konstruk
merupakan sebuah state (yang relatif stabil) ataukah sebuah trait (yang relatif temporer)
Varians terkait
dengan TRAIT
Varians terkait
dengan STATE
Implikasi Desain Pada Dekomposisi Varians
Method Effect Study. Penelitian bertujuan untuk mengungkap apakah perbedaan metode yang
dipakai dalam pengukuran mempengaruhi perolehan skor
Varians terkait
dengan TRAIT
Varians terkait
dengan METHOD
Implikasi Desain Pada Dekomposisi Varians
i 2
E1
i 0.775
X1
i 1
2 T 0.826 X2 E2
i
i 2 0.771
i 1 i X3 E3
i 1 i 1
Komputasi
Sigma Loading^2= 0.775 + 0.826 + 0.771 = 5.63
Sigma Eror = (1- 0.7752) + (1- 0.8262) + (1- 0.7712) =1.12
Reliabilitas komposit = 5.63/(5.63 + 1.12) = .833
Crossceck
RELIABILITY COEFFICIENTS (from EQS 3)
------------------------
CRONBACH'S ALPHA = 0.833
RELIABILITY COEFFICIENT RHO = 0.833
Reliabilitas Komposit (Multidimensional)
X1 Dimension Items G F1 F2 F3 U
X2 F1 1 .17 .42 .13
X3 Dimension A 2 .17 .42 .10
X4 3 .15 .42 .14
G X5 F2 1 .20 .38 .12
X6 Dimension B 2 .30 .37 .11
X7 3 .22 .40 .11
X8 F3 1 .10 .42 .14
X9 Dimension B 2 .05 .44 .11
Widhiarso, W. & Rovand, H. (Inpress). Estimating Reliability Coefficient for Multidimensional Measures: A Pedagogical
Illustration. Review of Psychology
Rerata Varians Terekstrasi (AVE)
k
( i2 )
i 1
AVE
k k
( i2) (1 i2 )
i 1 i 1
λ=factor loading
AVE dapat dihitung dengan menggunakan bahan berupa muatan faktor (λ). AVE
menunjukkan total varians dapat dijelaskan oleh pengukuran yang dilakukan.
Di analisis faktor SPSS, AVE setara dengan total variance explained yang bentuknya
adalah persen.
Beberapa penulis ada yang mengatakan bahwa AVE merupakan koefisien
validitas konvergen beberapa lainnya mengatakan bahwa AVE lebih mendekati
koefisien reliabilitas (Ping, 2009).
Fungsi Analisis Faktor Konfirmatori
Validitas Faktorial
CFA bertujuan untuk menguji apakah secara teoritis atau struktur faktorial
yang dihipotesiskan adalah valid. CFA yang cocok dengan data
menunjukkan bahwa struktur faktorial alat ukur berlaku pada populasi
yang diuji.
Ditunjukkan dengan ketepatan model (or menang melawan kompetitornya)
Vs.
Vs.
Constraint =1
Jika Model 1 lebih baik Validitas diskriminan terbukti, artinya (a) kedua
konstruk sebenarnya merupakan sesuatu hal yang terpisah, atau (b) kedua alat
ukur mengukur konstruk/atribut yang berbeda
Validitas Diskriminan (Pendekatan SEM)
Bukti-bukti Validitas Diskriminan (Contoh 3)