Handout 7

UJI MODEL PENGUKURAN FAKTOR GANDA

(Multi Factor Measurement Models, The Pooled CFA Model )

Kusnendi

FAKULTAS PENDIDIKAN EKONOMI DAN BISNIS

UNIVERSITAS PENDIDIKAN INDONESIA
2022
 A. Multi Factor Measurement
Models (The Pooled CFA)
Cirinya:
1. Model sedikitnya memiliki dua model Unidimensional
pengukuran konstruk yang akan diuji.
2. Setiap model pengukuran bersifat
unidimensional. Artinya, setiap
indikator dikonsepsikan hanya
mengukur sebuah variabel laten
dengan error measurement antara
indikator konstruk yang satu tidak
Non Unidimensional
berkorelasi dengan indikator konstruk
lain.
3. Antara variabel laten yang diukur
diasumsikan saling berkorelasi.
 Hypothesized four-factor
CFA Model of Self-Concept
Hypothesis: Self-concept (SC) is a four-factor structure composed of
general SC (GSC), academic SC (ASC), English SC (ESC), and math SC
(MSC).
Persamaan Model Pengukuran
1. Model Pengukuran GSC 3. Model Pengukuran ESC
SDQ2N01 = λ1GSC + err01 SDQ2N10 = λ9ESC + err10
SDQ2N13 = λ2GSC + err13 SDQ2N22 = λ10ESC + err22
SDQ2N25 = λ3GSC + err25 SDQ2N34 = λ11ESC + err34
SDQ2N37 = λ4GSC + err37 SDQ2N46 = λ12ESC + err46
2. Model Pengukuran ASC 4. Model Pengukuran MSC
SDQ2N04 = λ5ASC + err04 SDQ2N07 = λ13MSC + err07
SDQ2N16 = λ6ASC + err16 SDQ2N19 = λ14MSC + err19
SDQ2N28 = λ7ASC + err28 SDQ2N31 = λ15MSC + err31
SDQ2N40 = λ8ASC + err40 SDQ2N43 = λ16MSC + err43

Sumber: Byrne, Barbara M (2010: 54-55).

B. Validitas dan Reliabilitas   
n 2

• Convergent validity: mengukur validitas setiap indikator dalam  i 

mengukur variabel latenna. Kriteria: (1) koefisien bobor faktor setiap CR =  i=1 
2
indikator (λi) harus signifikan (p < 0.05), (2) λi standardized minimal    + n e 
n
0,50 atau 0,70. Indikator yang tidak signifikan dan/atau nilai koefisien  i   i 
bobot faktornya kurang dari 0,50 dikeluarkan dari model.  i=1   i=1 
• Average Variance Extracted (AVE): “is calculated as the mean  n 2 
variance extracted for the items loading on a construct and is a  i 
summary indicator of convergence.” (Hair, et.al., 2019: 676). Kriteria: AVE =  i=1 
“AVE of .5 or higher is a good rule of thumb suggesting adequate n
convergence” (Hair, et.al., 2019: 676). AVE ≥ 0,50 menunjukkan model
pengukuran memiliki validitas konvergen yang memadai dalam 𝐻 𝜆2𝑖
mengukur variabel latennya. 𝑀𝑅 = ; 𝐻=෍ 2
1+𝐻 𝑖 1 − 𝜆𝑖
• Construct reliability (CR): “measure of reliability and internal
consistency of the measured variables representing a latent construct” di mana:
(Hair, et.al., 2014: 601). Kriteria: nilai CR dan MR minimal berkisar λi = koefisien bobot faktor standardized
antara 0,60 sampai 0,70. Kurang dari 0,60 diindikasikan model
ei = 1 – λ2 = kesalahan pengukuran
pengukuran tidak reliabel dalam mengukur variabel laten yang diukur
n = jumlah item (indikator, observed
(Hair, et.al., 2014: 619).
variables)
• Alternatif CR adalah maximal reliability (MR). Kriteria: MR ≥ 0.70.
• Discriminant validity: “is the extent to
which a construct is truly distinct from
other constructs.” (Hair, et.al., 2019: 676).
• Model pengukuran memiliki validitas
diskriminan yang memadai apabila: (1)
nilai akar AVE lebih besar dari nilai korelasi
antar konstruk (Hair, et.al., 2019: 605),
atau (2) Nilai HTMT lebih kecil dari 0.85
(Collier, 2020: 86) atau lebih kecil dari 0.90
(Hair, Jr. et al., 2017).
• HTMT = rasio antara rata-rata heterotrait-
heteromethod correlations dengan akar
dari monotrait-heteromethod correlations
konstruk tertentu kali monotrait-
heteromethod correlations konstruk
lainnya (Henseler et al., 2015).
C. Statistik Global Fit Testing
Model Pengukuran Faktor Ganda
Perintah
Statistik uji Nilai kritis Hasil uji
AMOS
Chi square - - \cmin
Degree of Freedom - - \df
p-value > 0,05 Fit \p
Cmin/DF < 2,00 Fit \cmindf
Root Mean Square Residual (RMR) < 0,05 Fit \rmr
Root Mean Square Error of Approximation (RMSEA) < 0,08 Fit \rmsea
Goodness of Fit Index (GFI) ≥ 0,90 Fit \gfi
Adjusted Goodness of Fit (AGFI) ≥ 0,90 Fit \agfi
Comparative Fit Index (CFI) ≥ 0,90 Fit \cfi
Tucker Lewis Index (TLI) ≥ 0,90 Fit \tli
D. Contoh Studi Kinerja
Auditor

Sumber: Diadaptasi dari Ghozali (2011).

Dataset KINERJA AUDITOR.Sav (n = 170)
E. Langkah Kerja
1. Merumuskan persamaan
pengukuran. 1. Persamaan Pengukuran
2. Membuat diagram jalur model
pengukuran pooled CFA.
3. Menghubungkan model dengan
data.
4. Menentukan output hasil
estimasi dan mengujian model.
5. Melakukan estimasi.
6. Membuat kesimpulan statistik.
7. Perbaikan model.
8. Membuat kesimpulan statistik.
9. Modifikasi model.
2. Membuat diagram jalur pooled CFA 3. Menghubungkan model dengan
data KINERJA AUDITOR.sav

Global Fit Testing

UJI MODEL PENGUKURAN MULTI FAKTOR KINERJA AUDITOR
\format
Chi-square = \cmin; df = \df; p = \p; Cmin/df = \cmindf
RMSEA = \rmsea; GFI = \gfi; AGFI = \agfi; CFI = \cfi; TLI = \tli
4. Menentukan output hasil estimasi
5. Melakukan estimasi
 Ringkasan Global Fit Testing
Model Pengukuran Multi Faktor Kinerja Auditor
Kriteria
Statistik uji Statistik Hasil Uji
Uji
Chi square - 1810.131
Degree of Freedom - 521
p-value > 0,05 0.000 Tidak fit
Cmin/DF < 2,00 3.474 Tidak fit
Root Mean Square Residual (RMR) < 0,05 0.258 Tidak fit
Root Mean Square Error of Approximation (RMSEA) < 0,08 0.121 Tidak fit
Goodness of Fit Index (GFI) > 0,90 0.639 Tidak fit
Adjusted Goodness of Fit (AGFI) > 0,90 0.588 Tidak fit
Comparative Fit Index (CFI) > 0,90 0.583 Tidak fit
Tucker Lewis Index (TLI) > 0,90 0.551 Tidak fit
 Ringkasan Hasil Estimasi dan Local Fit Testing
Model Pengukuran Multi Faktor Kinerja Auditor (Standardized)

Model Pengukuran KP Model Pengukuran KO

Persamaan Persamaan
λ cr*) p λ cr p
Pengukuran Pengukuran
X9 <--- KP .808 8.993 *** Y1 <--- KO .654 ***
X8 <--- KP .788 8.818 *** Y2 <--- KO .342 4.007 ***
X7 <--- KP .165 2.055 .040 Y3 <--- KO .295 3.478 ***
Y4 <--- KO .404 4.683 ***
X6 <--- KP .914 9.843 ***
Y5 <--- KO .803 8.365 ***
X5 <--- KP .734 8.326 ***
Y6 <--- KO .639 7.046 ***
X4 <--- KP .364 4.447 ***
Y7 <--- KO .691 7.503 ***
X3 <--- KP .287 3.539 ***
Y8 <--- KO .657 7.209 ***
X2 <--- KP .847 9.330 *** Y9 <--- KO .406 4.704 ***
X1 <--- KP .647 *** Y10 <--- KO .294 3.471 ***
*)cr = critical ratio = statistik uji t
 Model Pengukuran KK Model Pengukuran Kinerja

Persamaan Persamaan
λ cr p λ cr p
Pengukuran Pengukuran

Y17 <--- KK .761 9.834 *** Y18 <--- Kinerja .754 ***

Y16 <--- KK .881 11.404 *** Y19 <--- Kinerja .589 7.038 ***

Y20 <--- Kinerja .263 3.128 .002

Y15 <--- KK .205 2.536 .0112
Y21 <--- Kinerja .718 8.527 ***
Y14 <--- KK .240 2.976 .0029
Y22 <--- Kinerja .727 8.623 ***
Y13 <--- KK .777 10.056 ***
Y23 <--- Kinerja .344 4.098 ***
Y12 <--- KK .762 9.838 ***
Y24 <--- Kinerja .094 1.116 .265
Y11 <--- KK .746 *** Y25 <--- Kinerja .645 7.707 ***
 6. Kesimpulan statistik
1. Merujuk hasil global fit testing diperoleh nilai nilai p < 0.05, RMSEA > 0,08, RMR <
0,05, serta nilai AGFI, GFI, CFI dan TLI semuanya lebih kecil dari 0,90. Hal tersebut
memberikan informasi bahwa model pengukuran multi faktor studi kinerja auditor
tidak fit dengan data.
2. Berdasarkan hasil local fit testing, diperoleh informasi objektif bahwa semua indikator
memberikan nilai standardized loading estimate yang signifikan (p < 0,05). Kecuali
untuk indikator Y24.
3. Meskipun hampir semua indikator signifikan, tetapi dilihat dari besaran standardized
loading estimate tidak semua indikator memberikan nilai standardized loading
estimate lebih besar dari 0.50. Ada beberapa indikator memberikan nilai standardized
loading estimate lebih kecil dari 0.50. Indikator yang dimaksud adalah X3, X4, dan X7;
Y2, Y3, Y4, Y9 dan Y10; Y14 dan Y15; Y20, Y23 dan Y24. Indikator-indikator tersebut
diindikasikan tidak valid dan tidak reliabel dalam mengukur variabel latennya, karena
itu dikeluarkan dari model pengukuran. Dengan demikian, model pengukuran
diestimasi dan diuji ulang.
7. Perbaikan Model
Hasil Uji Asumsi Statistik
Normalitas
1. Secara bivariat, data variabel yang
diobservasi semuanya cendrung
berdistribusi normal (statistik skew
< 2; statistik kurtosis < 10).
2. Secara multivariat, hasil analisis
data memberikan nilai critical ratio
(cr) untuk statitik Kurtosis Mardia
sebesar 2.61 lebih besar dari nilai
kritis sebesar ±2.58. Artinya,
secara multivariat data set sampel
tidak berdistribusi normal.
Outliers
1. Evaluasi outlier dilakukan dengan statistik
statistik d2 (Mahalanobis distance).
2. Kriteria: setiap observasi yang memiliki
koefisien d2 lebih besar dari statistik 2 pada
tingkat kesalahan () sebesar 0,001 dan
derajat bebas (df) yaitu jumlah indikator atau
variabel yang diobservasi sebesar 21
diidentifikasi sebagai kasus outlier
multivariat.
3. Nilai statistik 2 pada tingkat kesalahan ()
sebesar 0,001dan df sebesar 21 adalah
=CHISQ.INV.RT(0.001,21) = 46.80. Merujuk
hasil analisis data, diperoleh nilai d2
maksimum sebesar 43.32 lebih kecil dari
46.80. Dengan demikian dapat disimpulkan
bahwa dalam data set sampel tidak terdapat
kasus outlier.
Multikolinieritas
1. Evaluasi multikolinieritas
dilakukan dengan melihat
determinan matrik kovarians.
2. Kriteria: determinan matrik
kovarians sangat kecil mendekati
nol, menunjukkan dalam data set
sampel terdapat problem
multikolinieritas atau singularitas.
3. Hasil analisis data memberikan
determinant of sample covariance
matrix = 5.86 > 0. Dapat
disimpulkan, dalam data set
sampel tidak terdapat problem
multikolinieritas.
Hasil Global Fit Testing
 Ringkasan Hasil Global Fit Testing
Statistik uji Kriteria Uji Statistik Hasil Uji
Chi square - 205.684
Degree of Freedom - 183
p-value > 0,05 0.120 Fit
Cmin/DF < 2,00 1.124 Fit
Root Mean Square Residual (RMR) < 0,05 0.095 Tidak fit
Root Mean Square Error of Approximation (RMSEA) < 0,08 0.027 Fit
Goodness of Fit Index (GFI) ≥ 0,90 0.903 Fit
Adjusted Goodness of Fit (AGFI) ≥ 0,90 0.877 Tidak fit
Comparative Fit Index (CFI) ≥ 0,90 0.987 Fit
Tucker Lewis Index (TLI) ≥ 0,90 0.985 Fit
Kesimpulan statistik
Merujuk hasil uji kesesuaian global, diperoleh informasi objektif bahwa hasil uji memberikan nilai p > 0.05, cmin/df < 2.00,
RMSEA < 0.08, serta nilai GFI, CFI dan TLI semuanya lebih besar dari 0.90. Hal tersebut memberikan informasi bahwa model
pengukuran faktor ganda auditor setelah diperbaiki fit dengan data. Artinya, model dapat digeneralisasikan terhadap
populasi.
Hasil Local Fit Testing
Estimates (Group number 1 - Default model)
 Ringkasan Hasil Local Fit Testing (Standardized)
Model Pengukuran KP Model Pengukuran KO
Persamaan Persamaan
λ cr p λ cr p
Pengukuran Pengukuran
X9 <--- KP .810 9.065 *** Y1 <--- KO .638 ***
X8 <--- KP .784 8.828 *** Y5 <--- KO .819 8.166 ***
X6 <--- KP .913 9.894 ***
Y6 <--- KO .663 7.075 ***
X5 <--- KP .733 8.357 ***
Y7 <--- KO .719 7.526 ***
X2 <--- KP .857 9.468 ***
X1 <--- KP .650 *** Y8 <--- KO .700 7.375 ***

Construct Reliability (CR) .9110 Construct Reliability (CR) 0.8350

Average Variance Extracted (AVE) .6331 Average Variance Extracted (AVE) 0.5049
 Model Pengukuran KK Model Pengukuran Kinerja
Persamaan Persamaan
λ cr p λ cr p
Pengukuran Pengukuran

Y17 <--- KK .762 9.696 *** Y18 <--- Kinerja .745 ***

Y16 <--- KK .880 11.169 *** Y19 <--- Kinerja .601 7.094 ***

Y13 <--- KK .762 9.702 *** Y25 <--- Kinerja .643 7.573 ***

Y12 <--- KK .787 10.034 *** Y22 <--- Kinerja .750 8.691 ***

Y11 <--- KK .737 *** Y21 <--- Kinerja .711 8.309 ***

Construct Reliability (CR) 0.8903 Construct Reliability (CR) 0.8206

Average Variance Extracted (AVE) 0.6196 Average Variance Extracted (AVE) 0.4795
 Discriminant Validity
Korelasi Antar Konstruk Estimate
KP <--> KK 0.223
KK <--> Kinerja 0.249
KO <--> Kinerja 0.245
KP <--> Kinerja -0.052
KP <--> KO 0.241
KO <--> KK 0.260

CR, MR, AVE dan Korelasi Antar Konstruk

Konstruk CR MR AVE KP KO KK Kinerja
KP 0.911 0.929 0.633 0.796*
KO 0.835 0.847 0.505 0.241 0.711*
KK 0.890 0.900 0.620 0.223 0.260 0.787*
Kinerja 0.821 0.828 0.480 -0.052 0.245 0.249 0.692*
*Nilai akar kuadrat AVE
 8. Kesimpulan Statistik
1. Merujuk hasil global fit testing diperoleh nilai p > 0,05, cmin/df < 2,00, RMSEA < 0,08, serta nilai GFI,
CFI dan TLI semuanya lebih besar 0,90. Hal tersebut memberikan informasi bahwa model pengukuran
multi faktor studi kinerja auditor setelah diperbaiki fit dengan data. Artinya, model pengukuran multi
faktor studi kinerja auditor dapat digeneralisasikan terhadap populasi.
2. Berdasarkan hasil uji local fit testing diperoleh informasi objektif bahwa setelah model diperbaiki,
semua indikator memberikan nilai standardized loading estimate yang sangat signifikan (p < 0,001)
dengan nilai lebih besar dari 0,50. Hal tersebut mengindikasikan bahwa setelah model diperbaiki
semua indikator valid dan reliabel dalam mengukur variabel latennya.
3. Dilihat dari nilai akar kuadrat AVE masing-masing konstruk dibandingkan dengan nilai korelasi antar
konstruk hasilnya menunjukkan bahwa semua nilai akar kuadrat AVE masing-masing konstruk memiliki
nilai yang lebih besar dibandingkan nilai korelasi antar konstruk. Hal tersebut mengindikasikan bahwa
masing-masing model pengukuran konstruk memiliki validitas diskriminan yang memadai.
4. Setelah model diperbaiki, keempat model pengkuran, yaitu KP, KK, KO dan Kinerja memberikan nilai CR
dan MR yang lebih besar dari 0,70. Hal tersebut mengindikasikan keempat model pengukuran memiliki
tingkat reliabilitas yang memadai dalam mengukur variabel latennya.
5. Dapat disimpulan bahwa data yang diperoleh melalui model pengukuran multi faktor studi kinerja
auditor yang telah diperbaikin adalah valid dan reliabel untuk digunakan dalam analisis data
selanjutnya.
9. Indeks Modifikasi
• Perbaikan kinerja model dilakukan
melalui indeks modifikasi,
Modification Indices, MI: (1)
Covariances, menambahkan kovarians
antara variabel, (2) Regression
Weights, membuat garis hubungan
kausal antara variabel.
• Perbaikan model pengukuran
dilakukan melalui Covariances antara
kesalaham pengukuran pada konstruk
yang sama, dan bukan pada konstruk
yang berbeda, juga bukan kovarians
antara kesalahan pengukuran dengan
konstruk.
Sumber: Collier (2020: 69)
• Kinerja model dapat diperbaikan
membuat kovarians antara
kesalahan pengukuran: (1) e13
dengan e12 (MI terbesar), (2) e17
dengan e12, dan/atau (3) e17
dengan e16 pada konstruk yang
sama yaitu KK.
• Perbaikan model dengan
membuat kovarians antara
kesalahan pengukuran e17 dengan
konstruk KINERJA, atau e6 dengan
konstruk KP, atau kovarians antara
d2 dengan e12 tidak
direkomendasikan.
 Modifikasi model: tidak
direkomendasikan
membuat kovarians
antara kesalahan
pengukuran e17 dengan
konstruk KINERJA, atau e6
dengan konstruk KP, atau
kovarians antara d2
dengan e12.

Modifikasi model: direkomendasikan

membuat kovarians antara kesalahan
pengukuran: (1) e13 dengan e12 (MI
terbesar), (2) e12 dengan e17,
dan/atau (3) e16 dengan e17 pada
konstruk yang sama yaitu KK.
• Setelah model dimodifikasi dengan membuat kovarians antara kesalahan
pengukuran pada konstruk KK, kinerja model menjadi meningkat. Hal
tersebut ditunjukkan oleh nilai chi-square yang semakin kecil, nilai p yang
semakin meningkat, nilai RMSEA yang semakin kecil, serta nilai GFI, GFI
dan TLI ketiga semakin meningkat.
E. Heterotrait-Monotrait Ratio of Correlations (HTMT)
• HTMT digunakan untuk menguji
validitas diskriminan model
pengukuran.
• HTMT = rasio antara rata-rata
heterotrait-heteromethod
correlations dengan akar dari
monotrait-heteromethod
correlations konstruk tertentu kali
monotrait-heteromethod
correlations konstruk lainnya.
• Kriteria: HTMT ≤ 0.83 atau ≤ 0.90
model pengukuran memiliki
validitas yang memadai.
 ▪ Rata-rata monotrait correlation untuk
konstruk Adaptive Behavior = (0.83 + 0.79 +
0.79 + 0.77 + 0.81 + 0.79 + 0.81 + 0.77 +
0.74 + 0.77)/10 = 0.787.
▪ Rata-rata monotrait correlation untuk
konstruk Positive Word of Mouth = 0.79 +
0.72 + 0.73 = 0.747.
▪ Rata-rata heterotrait correlations = (0.31 +
0.33 + 0.29 + 0.34 + 0.31 + 0.27 + 0.29 +
0.24 + 0.30 + 0.28 + 0.25 + 0.28 + 0.25 +
0.29 + 0.27)/15 = 0.287.
0.287
𝐻𝑇𝑀𝑇𝐴𝐵−𝑊𝑂𝑀 = = 0.374.
0.787 0.747
0.541
𝐻𝑇𝑀𝑇𝐴𝐵−𝐶𝐷 = = 0.703.
0.787 0.753
0.370
Nilai HTMT < 0.85 untuk ketiga pasangan model pengukuran. 𝐻𝑇𝑀𝑇𝑊𝑂𝑀−𝐶𝐷 = = 0.493.
Kesimpulan, ketiga model pengukuran memiliki validitas 0.747 0.753
diskriminan yang memadai. Artinya, ketiga model pengukuran
satu sama lain berbeda.
KASUS KAJI ULANG
A. Model strukturalal
NS SP

MW

PK

PKP
B. Model Pengukuran
• Semua konstruk diukur secara reflektif sebagai berikut:
1. PKP diukur indikator PK1 sampai PK12.
2. NS diukur indikator NS1 sampai NS3.
3. SP diukur indikator SP1 sampai SP5.
4. PKP diukur indikator PKP1 sampai PKP5.
5. MW diukur indikator MW1 sampai MW6.

C. Data Penelitian: DATA SET MULTI FAKTOR.xls.

C. Problem
• Rumuskan persamaan pengukurannya.
• Uji apakah model pengukuran fit dengan data atau tidak? Mengapa?
Jelaskan.
• Apakah model pengukuran perlu diperbaiki atau tidak? Mengapa?
Bagaimana? Jelaskan.
• Apakah kelima model pengukuran memenuhi kriteria validitas dan
reliabilitas tidak? Jelaskan.
 Daftar Pustaka
• Byrne, B.M. (2010). Structural Equation Modeling with AMOS: Basic Concepts,
Applications and Programming. New York: Routledge.
• Collier, Joel E. (2020). Applied Structural Equation Modeling Using AMOS. New
York: Routledge.
• Ghozali, Imam. (2011). Model Persamaan Struktural Konsep dan Aplikasi dengan
AMOS 19.0. Semarang: BP-UNDIP.
• Hair, Joseph F., Jr., et.al. (2014). Multivariate Data Analysis. Seventh Edition. USA:
Prentice-Hall International, Inc.
• Hair Jr., Joseph F., et.al. (2019). Multivariate Data Analysis. Eighth Edition. UK:
Cengage Learning EMEA.
• Henseler, J., et al. (2015). “A new criterion for assessing discriminant validity in
variance-based structural equation modeling”, J. of the Acad. Mark. Sci., 43:115–
135.