Aplikasi SEM (CFA) dalam

Pengembangan Instrumen
Pengukuran

Wahyu Widhiarso
Fakultas Psikologi UGM
CFA vs. EFA
EFA vs. CFA

Exploratory Factor Analysis Confirmatory Factor Analysis

• Semua Loading diestimasi, • Pola loading ditetapkan

termasuk di dalamnya cross
loading
1 1
y1 y1
1 1
F1 y2 F1 y2

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

Gambar di kiri maknanya

sama dengan gambar di
kanan. Artinya alat ukur
yang dipakai mengukur
atribut lain yang tidak
sengaja diukur.

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

ETA= Kemampuan Verbal; DELTA-1 = Tes Padanan Makna (sinonim); DELTA-1 =

Sinonim; DELTA-2 = Tes Lawan Makna (antonim)

Widhiarso, W. & Haryanta. (submitted). Accommodating the Variance Effect in Construct

Validity: A Case Study of the Verbal Abilities Test.
Cross Loading

Y1 • Cross loading menunjukkan bahwa sebuah

ETA1 Y2 butir/indikator empirik/tampak (observed)
menjelaskan lebih dari satu faktor.
Y3
• Jika sebuah indikator menjelaskan sebuah faktor
Y4 laten tunggal dengan baik maka cross-loading tidak
ETA2 Y5
akan muncul sehingga struktur faktor alat ukur
dapat dikatakan "sederhana“.
Y6 • Hal ini lebih disukai karena memungkinkan untuk
menafsirkan makna substantif sebuah konstruk
ukur dengan mudah.
• Semakin banyak cross loading yang tidak
diakomodasi semakin rendah model fit.
• Dalam EFA salah satu kriteria penguguran butir
adalah butir yang memiliki cross loading
(Anderson & Gerbing)
Beberapa Jenis Aplikasi CFA
Menerapkan CFA setelah EFA, akan tetapi menggunakan sampel yang
berbeda dengan EFA untuk menghindari capitalization on chance
Nadal, K. L. (2011). The Racial and Ethnic Microaggressions Scale (REMS):
construction, reliability, and validity. Journal of Counseling Psychology, 58(4), 470.

Langsung menerapkan CFA dengan menggunakan struktur yang telah

diteliti oleh peneliti sebelumnya (penyusun alat ukur).
Neumann, C. S., Kosson, D. S., Forth, A. E., & Hare, R. D. (2006). Factor structure of
the Hare Psychopathy Checklist: Youth Version (PCL: YV) in incarcerated
adolescents. Psychological Assessment, 18(2), 142-154.

Langsung menerapkan CFA dengan menggunakan struktur yang

didapatkan dari teori
Davies, K. A., Lane, A. M., Devonport, T. J., & Scott, J. A. (2010). Validity and
reliability of a Brief Emotional Intelligence Scale (BEIS-10). Journal of Individual
Differences, 31(4), 198.
Validitas & Reliabilitas
Reliabilitas Komposit (Unidimensional)

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 

λ=Bobot faktor (factor loading) terstandarisasi

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

()2 3 .12 .46 .10


()2  ei
()2  (.17+.17+.15+.20+.30+.22+.10+.05+.12)2  (.42+.42+.42)2
(.38+.37+.40)2  (.42+.44+.46)2  6.84
e  .13  .10+.14  .12  .11+.11+.14+.11+.10=1.06
 =6.84 / 6.84  1.06  .863.

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)

Validitas Konvergen – Diskriminan

Validitas konvergen ditunjukkan dengan bukti bahwa berbagai indikator
dari konstruk yang secara teoritis sama memiliki korelasi yang tinggi.
Contoh: Gejala yang merupakan manifestasi dari gangguan psikologis yang
sama dapat masuk pada faktor yang sama.
Validitas diskriminan ditunjukkan melalui indikator konstruk yang secara
teoritis yang berbeda tidak sangat berkorelasi.
Contoh: Perilaku yang merupakan manifestasi dari jenis kenakalan yang
berbeda, akan masuk pada faktor yang terpisah
Validitas Konvergen (Pendekatan SEM)
Bukti mengenai validitas konvergen dan diskriminan berbeda dengan teori klasik

Bukti-bukti Adanya Validitas Konvergen

Harga bobot faktor 2x eror standar (i.e. signifikan) (Anderson & Gerbing,
1988)
Common variance > unique variance (i.e., loading >0.70)
Harga average variance extracted (AVE) >0.50 (Fornell and Larcker, 1981)
Residual variance dibawah 0.10 (Bagozzi & Yi, 1988)
Memiliki reliabilitas komposit >0.70 (Hair dkk., 2010)
Model yang diajukan “lebih baik” dibanding dengan model kompetitornya
Hasil perbandingan dua model di bawah ini menunjukkan bahwa dua faktor
“lebih baik” dibanding dengan satu faktor. Artinya validitas konvergen tidak
terpenuhi

Fairchild & Finney, 2006

Validitas Diskriminan (Pendekatan SEM)
Bukti-bukti Validitas Diskriminan (Contoh 1)
Ketika model yang memisahkan indikator2 dari dua konstruk berbeda
memiliki ketepatan “lebih baik”dibanding dengan model yang tidak
memisahkan indikator dari dua konstruk berbeda.

Vs.

Model Kai-kuadrat Hitung db Kai-kuadrat Tabel

Model 1 160 19 db=1 (5%)
Model 2 200 20 2=3.84
Selisih 40 1 40 > 3.84

Hasil uji perbedaan kai-squared menunjukkan adanya perbedaan yang signifikan,

artinya Model 1 “lebih baik” dibanding dengan Model-2
Validitas Diskriminan (Pendekatan SEM)
Bukti-bukti Validitas Diskriminan (Contoh 2)
Mode 2 faktor (Model-1) yang korelasinya di bebaskan (freed) dengan Model 2
faktor (Model-2) yang korelasinya ditetapkan (fixed) sebesar 1 (sangat berkorelasi )
dibandingkan.

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)

• Nilai AVE masing-masing konstruk dibandingkan dengan nilai varians

bersama antara konstruk. Jika AVE konstruk lebih besar daripada varians
bersama dengan konstruk lain maka validitas diskriminan dapat didukung.
(Fornell & Larcker, 1981)
• Sebagai contoh, nilai AVE rejection adalah 0.865. Nilai ini lebih besar
dibanding dengan korelasi rejection dengan burnout, ethics dan satisfaction.
Dengan demikian konstruk rejection telah memenuhi validitas diskriminan.
Korelasi antar Butir dan Ketepatan Model
Model 1 RMSEA 0.000
X1 1.00 X1 0.447 0.140 3.184 0.001
X2 0.20 1.00 X2 0.447 0.140 3.184 0.001
X3 0.20 0.20 1.00 X3 0.447 0.140 3.184 0.001
X4 0.20 0.20 0.20 1.00 X4 0.447 0.140 3.184 0.001
Model 2 RMSEA 0.000
X1 1.00 X1 0.632 0.086 7.375 0.000
X2 0.40 1.00 X2 0.633 0.086 7.378 0.000
X3 0.40 0.40 1.00 X3 0.633 0.086 7.378 0.000
X4 0.40 0.40 0.40 1.00 X4 0.633 0.086 7.378 0.000
Model 3 RMSEA 0.037
X1 1.00 X1 0.247 0.104 2.374 0.018
X2 0.20 1.00 X2 0.247 0.104 2.374 0.018
X3 0.20 0.20 1.00 X3 0.836 0.113 7.386 0.000
X4 0.20 0.20 0.70 1.00 X4 0.836 0.113 7.386 0.000
Model 4 RMSEA 0.000
X1 1.00 X1 0.447 0.109 4.086 0.000
X2 0.20 1.00 X2 0.447 0.109 4.086 0.000
X3 0.20 0.20 1.00 X3 0.447 0.109 4.086 0.000
X4 0.35 0.35 0.35 1.00 X4 0.783 0.122 6.426 0.000
Representasi Multi Traits-Multi Methods
Beberapa Jenis Aplikasi CFA
Perbandingan Model CFA dalam suatu penelitian