Machine Translated by Google

Artikel Penelitian Asli

Jurnal Penilaian Karir 2022, Vol.

0(0) 1–20 © Penulis 2022
Struktur Karir
Kesulitan Pengambilan Keputusan Pedoman penggunaan
kembali artikel: sagepub.com/journals-
permissions DOI:
Kuesioner Lintas 13 10.1177/10690727221099226 journals.sagepub.com/home/jca

Negara

Nimrod Levin1 , Shagini Udayar2 , Yuliya Lipshits-Braziler1 ,

ˆ
, Jer´ ome
Itamar Gati1 dan Rossier 2ÿ

Abstrak
Menilai penyebab keragu-raguan karir adalah salah satu langkah pertama dalam konseling karir. Gati
dkk. (1996) mengusulkan taksonomi multidimensi dari keragu-raguan karir dan mengembangkan
Kuesioner Kesulitan Pengambilan Keputusan Karir (CDDQ), yang terdiri dari 10 skala yang menyatu
menjadi tiga kelompok urutan yang lebih tinggi dan skor total. Namun, penelitian yang menyelidiki
CDDQ melaporkan variasi lintas budaya dalam struktur faktornya. Untuk memeriksa generalisasi lintas
budaya dari CDDQ, kami membandingkan empat model faktor alternatif menggunakan data dari 39
sampel berbeda dari 13 negara dengan sembilan versi bahasa (N = 19.562). Menggunakan estimasi
mean- dan varians-adjusted weighted least squares, estimator yang kuat untuk data tidak normal,
perbandingan indeks kecocokan mendukung struktur CDDQ asli di seluruh negara dan bahasa.
Temuan ini mendukung generalisasi lintas budaya dari struktur CDDQ dan penggunaan skor skala 10,
tiga skor klaster, dan skor total, konsisten dengan taksonomi yang mendasari CDDQ.

Kata kunci
penilaian karir, pengambilan keputusan karir, kesulitan pengambilan keputusan karir, keragu-raguan
karir, analisis faktor konfirmatori

pengantar
Mengatasi kesulitan pengambilan keputusan karir dianggap sebagai prasyarat untuk membuat
keputusan karir yang memuaskan (Peterson et al., 2002). Untuk alasan ini, konseling individu dengan
kesulitan pengambilan keputusan karir sering dimulai dengan menilai penyebab kesulitan mereka,

1
Universitas Ibrani Yerusalem, Israel
2
Universitas Lausanne, Swiss

Penulis Terkait: Jer´ ome

ˆ
Rossier, Universitas Lausanne, Swiss.
Email: jrossier@unil.ch
Nimrod Levin, Universitas Ibrani Yerusalem, Israel.
Email: nimrod.levin@mail.huji.ac.il
Machine Translated by Google

2 Jurnal Penilaian Karir 0(0)

memungkinkan praktisi untuk menyesuaikan intervensi dengan kebutuhan unik klien. Istilah keragu-
raguan karir diadopsi untuk merujuk pada berbagai kesulitan yang dihadapi oleh individu selama proses
memilih karir, menunjukkan bahwa individu yang mengalami kebimbangan karir cenderung tidak
mengidentifikasi alternatif yang lebih disukai atau mengembangkan komitmen yang cukup untuk pilihan
pendidikan atau kejuruan (Osipow, 1999).
Gati dkk. (1996) mengusulkan taksonomi kesulitan pengambilan keputusan karir dan mengembangkan
teori yang banyak digunakan, penilaian keragu-raguan karir: Kuesioner Kesulitan Pengambilan Keputusan
Karir (CDDQ). Taksonomi yang mendasari CDDQ mengonsepkan keragu-raguan karir sebagai
multidimensi dengan dimensi keragu-raguan karir yang disusun secara hierarkis pada tiga tingkatan: 32
item menghasilkan 10 skor skala; dan mereka dapat digabungkan untuk mewakili tiga kelompok tingkat
tinggi serta skor total. Hingga saat ini, CDDQ telah diterjemahkan ke dalam 48 bahasa dan
diimplementasikan dalam penelitian dan praktik di lebih dari 60 negara (Levin et al., 2020; Xu & Bhang,
2019). Namun demikian, analisis faktor yang melibatkan versi bahasa yang berbeda dari CDDQ di banyak
negara tidak menghasilkan struktur yang konsisten dan dapat dipertahankan secara teoritis. Jadi,
meskipun digunakan secara luas, struktur faktor CDDQ tetap menjadi topik perdebatan. Dalam penelitian
ini, kami membahas masalah ini dengan memeriksa dan membandingkan empat model struktur faktor
CDDQ pada 39 sampel beragam yang dikumpulkan di 13 negara menggunakan sembilan versi bahasa
CDDQ.

Menilai Keragu-raguan Karir

Metode standar pertama untuk menilai tingkat keragu-raguan karir dikembangkan pada tahun 1970-an.
Langkah-langkah ini mewakili penilaian unidimensi tingkat keragu-raguan karir, seperti Skala Keputusan
Karir (Osipow et al., 1976) dan Situasi Kejuruan saya (Holland et al., 1980). Ukuran keragu-raguan karir
generasi kedua mengadopsi pendekatan multidimensi untuk menilai sifat keragu-raguan karir, yaitu
penyebabnya; ini termasuk Profil Keputusan Karir (Jones, 1989) dan Inventarisasi Faktor Karir (Chartrand
et al., 1990). Namun, langkah-langkah generasi pertama dan kedua dikembangkan secara independen
dari pertimbangan teoretis, tetapi sebagian besar didasarkan pada kesan klinis dari para praktisi yang
berusaha memetakan secara sistematis berbagai alasan untuk ragu-ragu dalam berkarir (Osipow, 1999).

Penilaian multidimensi berbasis teori pertama tentang keragu-raguan karir dikembangkan berdasarkan
taksonomi Gati et al. (1996) tentang kesulitan pengambilan keputusan karir. Diinformasikan oleh teori
keputusan, taksonomi ini berfokus pada penyebab keragu-raguan karir, membedakan antara tiga
kelompok: Kurangnya Kesiapan (kurangnya motivasi, keragu-raguan umum, dan keyakinan disfungsional),
Kurangnya Informasi (tentang proses pengambilan keputusan, diri, pekerjaan atau karir, dan cara
mendapatkan informasi atau bantuan), dan Information Inconsistent (informasi yang tidak dapat dipercaya,
konflik internal, dan konflik eksternal). Taksonomi ini mendalilkan bahwa berbagai penyebab keragu-
raguan karir dapat digabungkan untuk membentuk indikator global tingkat keparahan keragu-raguan karir
secara keseluruhan. Kuesioner Kesulitan Pengambilan Keputusan Karir (CDDQ) dikembangkan
berdasarkan taksonomi ini, dengan strukturnya dikonseptualisasikan untuk terdiri dari 10 skala orde
pertama, tiga kluster orde kedua, dan satu skor total orde ketiga.

Struktur Empiris CDDQ

Versi pertama dari CDDQ mencakup 44 item yang sesuai dengan 10 kesulitan pengambilan keputusan
karir tertentu seperti yang diusulkan dalam taksonomi Gati et al. (1996) . Sejalan dengan taksonomi ini,
struktur hirarki tiga orde multidimensi yang dihipotesiskan didukung untuk bahasa Ibrani
Machine Translated by Google

Levin et al. 3

versi CDDQ menggunakan analisis cluster (Gati et al., 1996, 2000). Namun, analisis versi bahasa Inggris dan Cina
menunjukkan bahwa salah satu dari 10 skala tingkat pertama—konflik eksternal—diletakkan dalam kelompok tingkat
kedua Kurangnya Kesiapan daripada kelompok Informasi yang Tidak Konsisten (Gati et al., 1996; Mau, 2001; Osipow
& Gati, 1998). Akibatnya, Mau (2001) menyarankan mengadopsi struktur yang dimodifikasi, memposisikan konflik
eksternal di bawah kluster Kurangnya Kesiapan, sedangkan Xu dan Tracey (2014) mengusulkan struktur lima faktor
alternatif dengan kurangnya motivasi, ketidaktegasan umum, keyakinan disfungsional, Kurangnya Informasi , dan
Informasi yang Tidak Konsisten (termasuk konflik eksternal) sebagai lima faktor urutan pertama dari keragu-raguan
karir.

Berdasarkan akumulasi data psikometrik dan untuk mempersingkat kuesioner, versi 34-item dari CDDQ
dikembangkan dengan menghilangkan item yang tidak berkontribusi secara signifikan terhadap skala mereka atau
menggabungkan item yang berkorelasi tinggi (Gati & Saka, 2001). Mengingat bahwa sebagian besar peneliti dan
praktisi dalam dua dekade terakhir telah menggunakan CDDQ 34 item yang dipersingkat, kami memfokuskan
penelitian kami untuk memeriksa struktur versi ini. Tiga belas studi validasi yang menggunakan analisis faktor
konfirmatori (CFA) untuk menguji struktur 34 item CDDQ telah dipublikasikan (lihat Lampiran Tambahan Tabel 1
dalam bahan tambahan online untuk ringkasan). Dari 13 studi ini, hanya tiga yang menetapkan validasi struktural
penuh dari taksonomi CDDQ asli di tingkat item. Secara khusus, validasi struktur faktor yang sesuai dengan taksonomi
asli (32–10-3–1, untuk 32 item sebagai indikator, 10 skala orde pertama, tiga kluster orde kedua, dan skor total orde
ketiga, masing-masing) adalah dilaporkan untuk versi CDDQ Inggris (Levin et al., 2020) dan Prancis (Rossier et al.,
2021; Sovet et al., 2017) .

Studi tambahan — versi Turki (Bacanli, 2016), Prancis (Atitsogbe et al., 2018), dan Inggris dan Ibrani (Kleiman et al.,
2004; Kleiman & Gati, 2004) — mendukung model struktural asli dari CDDQ tetapi melakukannya berdasarkan
pembagian semua item (yaitu, memvalidasi model 10–3-1, untuk skor skala 10 sebagai indikator, masing-masing tiga
kelompok urutan pertama, dan satu skor total urutan kedua).

Sebaliknya, enam studi validasi yang memeriksa CDDQ versi Cina, Kroasia, Farsi, Yunani, dan Korea tidak
mengkonfirmasi model faktor yang sesuai dengan taksonomi Gati et al. (1996) dan mengusulkan struktur faktor
alternatif. Analisis faktor eksplorasi dari 34 item versi bahasa Mandarin menunjukkan pemuatan faktor item yang
buruk di kluster orde kedua Kurangnya Kesiapan. Untuk alasan ini, model alternatif yang mengecualikan cluster
Kurangnya Kesiapan dan membuang sepuluh skala orde pertama (yaitu, model 19-2) diperiksa, menghasilkan
kecocokan yang lebih baik daripada model aslinya (Creed & Yin, 2006) . Studi lain berfokus pada pemuatan faktor
yang buruk dari keyakinan disfungsional skala orde pertama — skala yang termasuk dalam kluster orde kedua
Kurangnya Kesiapan — memberikan dukungan tambahan untuk model alternatif yang mengecualikan skala orde
pertama ini (versi Kroasia: Babarovic & ´ Sverko, 2019 ; Versi Korea: Sovet et al., 2015). Untuk CDDQ versi Farsi,
ÿ

Vahedi et al. (2012) memberikan dukungan untuk model32–3-1),

yang mengecualikan
dan untuk versi
10 Yunani,
skala urutan
Vaiopoulou
pertama
et (yaitu
al. (2019)
model
lebih menyukai model yang mengecualikan tiga skala orde pertama.

Secara total, setidaknya lima struktur faktor CDDQ telah dipromosikan hingga saat ini. Perbedaan yang dilaporkan
dalam struktur faktor CDDQ muncul di seluruh negara dan bukan di dalam negara, sehingga mempertanyakan
kesetaraan lintas budaya dari keragu-raguan karir yang diukur dengan CDDQ.
Namun demikian, penelitian sebelumnya mendukung invarian pengukuran CDDQ di seluruh negara ketika versi
bahasa yang sama digunakan (Atitsogbe et al., 2018; Levin et al., 2020; Rossier et al., 2021). Jadi, alih-alih terkait
dengan variabilitas lintas budaya, struktur yang diamati mungkin mencerminkan bahwa variasi tidak hanya terkait
dengan perbedaan lintas budaya tetapi juga berpotensi untuk perbedaan lintas versi bahasa dari CDDQ. Kami
menguji hipotesis ini dalam penelitian kami dengan mengevaluasi struktur faktor di 13 negara menggunakan sembilan
versi bahasa dari CDDQ. Data yang tersedia memungkinkan kami untuk memeriksa apakah struktur faktor yang
berbeda akan
Machine Translated by Google

4 Jurnal Penilaian Karir 0(0)

muncul di negara-negara yang menggunakan versi bahasa yang berbeda (mis., Polandia vs. Italia)
serta negara-negara yang menggunakan versi bahasa yang sama (mis., Kanada, Prancis, dan Swiss
dengan versi Prancis).

Potensi Jebakan dalam CFA Sebelumnya dari Struktur Faktor CDDQ

Setelah memeriksa pendekatan analitis penyelidikan sebelumnya dari struktur CDDQ, kami
mengidentifikasi dua keputusan metodologi berulang yang mungkin merusak validitas hasil dan
kesimpulan penelitian sebelumnya. Keputusan pertama melibatkan masalah pembagian, yaitu agregasi
item dan penggunaan paket sebagai indikator konstruksi laten (Marsh et al., 2013; Sellbom & Tellegen,
2019). Sebagian besar investigasi struktural CDDQ sebelumnya yang memvalidasi strukturnya
menggunakan pembagian semua item (yaitu, semua item dalam setiap faktor digabungkan menjadi
satu paket masing-masing). Namun, Sellbom dan Tellegen (2019) berpendapat bahwa “ketika kita
mengevaluasi sifat psikometri internal skala, item yang ditanggapi merupakan fokus utama” (hal. 1429).
Memang, pembagian menghalangi evaluasi properti parameter dari masing-masing item dan, akibatnya,
menghambat validasi faktor; pemuatan item yang buruk, yang merusak validitas konstruk dari ukuran
yang diperiksa, tidak dapat diidentifikasi saat menggunakan pembagian. Marsh et al. (2013) menemukan
bahwa membagi barang dengan muatan silang kecil sekalipun dapat secara signifikan mendistorsi hasil
terkait jumlah faktor. Jadi, meskipun tetap menjadi topik perdebatan yang sedang berlangsung
(misalnya, Kline, 2016), pembagian mungkin menjadi kontraproduktif ketika tujuan utamanya adalah
memeriksa struktur faktor dari suatu ukuran. Untuk alasan ini, dalam penelitian kami, kami tidak
mempertimbangkan model faktor CDDQ yang melibatkan pembagian barang.
Keputusan metodologis kedua yang diterapkan dalam studi sebelumnya tentang struktur CDDQ
menggunakan kemungkinan maksimum (ML) untuk estimasi model tanpa memastikan bahwa indikator
sesuai dengan distribusi normal multivariat, asumsi inti ML (Beauducel & Herzberg, 2006; Li, 2016 ).
Sekitar setengah dari studi yang dipublikasikan tentang struktur CDDQ dilaporkan menggunakan ML,
sedangkan separuh lainnya tidak menunjukkan estimator mana yang digunakan. Meskipun demikian,
karena estimasi ML adalah estimator default di sebagian besar perangkat lunak pemodelan variabel
laten, kemungkinan besar estimasi ini telah diterapkan. Sehubungan dengan itu, Sellbom dan Tellegen
(2019) mencatat bahwa ML sebagai asumsi sering dilanggar dalam penelitian penilaian psikologis,
yaitu ketika indikator berupa item skala Likert atau distribusi respons tidak simetris (lihat juga Kline,
2016), tetapi belum ada penelitian yang meneliti distribusi item CDDQ atau memberikan justifikasi untuk
pemilihan ML.
Menguji dan membandingkan model dengan data yang melanggar asumsi estimator yang diterapkan
dapat menyebabkan adopsi model palsu dan menolak model yang lebih baik. Ketika distribusi tanggapan
menyimpang secara signifikan dari distribusi normal, indikator harus diperlakukan sebagai kategori-
terurut (ordinal). Dalam kasus seperti itu, estimator kuadrat terkecil berbobot merupakan alternatif yang
lebih baik dan lebih kuat untuk ML. Meskipun ada beberapa penaksir kuadrat terkecil berbobot, estimasi
mean- and variance-adjusted (WLSMV) tertimbang kuadrat terkecil dianggap lebih disukai (Kline, 2016;
Sellbom & Tellegen, 2019). Memang, studi simulasi telah menunjukkan bahwa WLSMV melakukan
estimasi ML dalam ketepatan estimasi parameter di berbagai kondisi (Beauducel & Herzberg, 2006; Li,
2016). Jadi, jika penggunaan ML untuk pemeriksaan struktur faktor CDDQ tidak memadai, maka
kesimpulan penelitian sebelumnya berdasarkan ML dapat dipertanyakan.

Studi Saat Ini

Tujuan utama dari penelitian ini adalah untuk menguji struktur faktor dari CDDQ dan kompatibilitas
solusi yang paling pas dengan taksonomi pengambilan keputusan karir Gati et al. (1996).
Machine Translated by Google

Levin et al. 5

kesulitan. Inkonsistensi mengenai struktur faktor CDDQ yang dilaporkan dalam penelitian sebelumnya
mungkin dibingungkan oleh penggunaan berbagai versi bahasa. Untuk alasan ini, penelitian kami meneliti
struktur faktor CDDQ baik di dalam maupun lintas negara, dengan data yang berasal dari 39 sampel yang
dikumpulkan di 13 negara dari lima benua, menggunakan sembilan versi bahasa. Selain itu,
ketidakkonsistenan mengenai struktur faktor CDDQ bisa menjadi hasil dari estimator yang digunakan dalam
analisis data CDDQ sebelumnya. Untuk alasan ini, pertama-tama kami memeriksa apakah item CDDQ
terdistribusi secara normal untuk menginformasikan keputusan kami tentang estimator mana yang akan
digunakan dalam analisis struktural—ML atau WLSMV, yang terakhir merupakan estimator kuat ketika
berhadapan dengan data tidak normal.
Setelah menentukan estimator mana yang akan diterapkan, kami membandingkan empat model
alternatif: (a) model CDDQ asli yang sesuai dengan taksonomi Gati et al. (1996) dan mencakup 10 skala
orde pertama, tiga kluster orde kedua, dan sepertiga -skor total orde, (b) model 10 faktor yang mencakup
10 skala orde pertama dan satu skor total orde kedua tetapi tanpa tiga faktor tingkat gugus, (c) model 3
faktor yang mencakup tiga orde pertama cluster dan satu skor total orde kedua tetapi tanpa 10 faktor tingkat
skala, dan (d) model unidimensi yang hanya terdiri dari skor total tunggal. Kami menentukan label dari tiga
model alternatif dengan jumlah faktor orde pertama yang termasuk dalam masing-masing model. Kami tidak
menguji model tambahan yang melibatkan pengecualian beberapa item CDDQ yang diberikan bukti
substansial yang mendukung validitas kriteria skor total CDDQ, yang dihitung berdasarkan agregasi semua
item CDDQ. Akhirnya, kami juga menguji invarian pengukuran CDDQ di seluruh negara di mana versi
bahasa yang sama digunakan untuk menguji lebih lanjut pengaruh konteks budaya pada pengukuran keragu-
raguan karir tanpa mengacaukan perbedaan yang mungkin terkait dengan penerjemahan. Data yang
dianalisis dalam penelitian ini mewakili berbagai populasi yang biasanya diberikan CDDQ, termasuk sekolah
menengah, sekolah menengah atas, praakademik, mahasiswa, campuran (misalnya, siswa dan pekerja),
dan sampel konseling. Berkaitan dengan hal tersebut, dengan menganalisis beragam data dalam penelitian,
kami bertujuan untuk memberikan kesimpulan yang lebih pasti mengenai kecukupan skor 10 skala CDDQ,
tiga skor cluster, dan satu skor total.

metode

Transparansi dan Keterbukaan

Kami melaporkan cara kami menentukan ukuran sampel dan semua pengecualian data, manipulasi, dan
pengukuran dalam penelitian, dan kami mengikuti standar pelaporan artikel jurnal. Data, kode analisis, dan
bahan penelitian tersedia berdasarkan permintaan dari penulis pertama. Persiapan data dan analisis
normalitas dilakukan dengan Python, dan analisis struktural dan reliabilitas dilakukan dalam R. CFA
dilakukan dengan menggunakan paket lavaan dalam R (Rosseel, 2012). Rancangan penelitian dan
analisisnya tidak didaftarkan sebelumnya.

Prosedur
Untuk menguji struktur faktor dari sembilan versi bahasa dari 34 item CDDQ di 13 negara, kami
mengandalkan data sekunder yang sebelumnya dikumpulkan untuk berbagai tujuan penelitian oleh penulis
(10 sampel) dan peneliti lain (29 sampel). Kami tidak menyertakan 22 set data tambahan karena alasan
berikut: 15 sampel dikeluarkan karena sampel negara gabungan mereka terlalu kecil untuk analisis CFA
mengingat kompleksitas model yang dibandingkan (N > 500; Kline, 2016; Wolf et al., 2013 ), dan tujuh
sampel dikeluarkan karena digunakan dalam penelitian sebelumnya yang menguji struktur faktor CDDQ
versi bahasa Inggris dan akan memiliki
Machine Translated by Google

6 Jurnal Penilaian Karir 0(0)

bias hasil penelitian mengingat ukuran sampel keseluruhan yang besar (N = 32.556; Levin et al., 2020).
Kami memastikan bahwa persetujuan dewan peninjau kelembagaan lokal telah diperoleh untuk semua kumpulan
data yang disertakan (lihat Lampiran Tambahan 3 dalam materi tambahan online untuk perincian tentang sumber
dan prosedur masing-masing sampel).

Peserta
Kami memperoleh data 21.852 peserta dari 39 sampel yang dikumpulkan di 13 negara. Kami melakukan
serangkaian pemeriksaan validitas awal untuk memastikan bahwa hanya data peserta yang menyelesaikan
CDDQ dengan perhatian yang cukup yang dimasukkan dalam analisis utama. Data dari 2.267 peserta dikeluarkan
karena alasan berikut: 757 (3,5%) karena data yang hilang, 203 (0,9%) karena berulang kali memilih hanya satu
atau dua tanggapan, 1.307 (6,0%) karena tanggapan mereka terhadap dua validitas tertanam item menunjukkan
perhatian yang dipertanyakan terhadap konten, dan 23 (0,1%) karena mereka lebih tua dari 50 untuk mengurangi
kemungkinan outlier terkait usia. Jumlah peserta yang dikecualikan dan informasi demografis disajikan secara
terpisah untuk setiap sampel negara pada Tabel 1. Di seluruh sampel, 19.562 peserta termasuk peserta berusia
13 hingga 50 tahun (Mage = 19,36, SD = 4,19). Dari 19.415 (99,2%) peserta dengan data jenis kelamin, 61,6%
diidentifikasi sebagai perempuan. Dalam hal jenis sampel, peserta mewakili satu SMP, 17 SMA, tiga program pra-
akademik, 12 sampel mahasiswa, tiga sampel campuran, dan tiga sampel konseling.

Pengukuran

Kuesioner Kesulitan Pengambilan Keputusan Karir. Versi 34 item dari CDDQ terdiri dari 32 item yang mewakili
kesulitan pengambilan keputusan karir dan dua item validitas (Gati et al., 1996; Gati & Saka, 2001). CDDQ
mengukur 10 penyebab khusus dari kesulitan yang dikelompokkan dalam tiga kelompok utama Kurangnya
Kesiapan, Kurangnya Informasi, dan Informasi yang Tidak Konsisten. Selain itu, total skor kesulitan dapat dihitung.
Klaster Kurangnya Kesiapan mencakup tiga skala: (a) kurangnya motivasi (tiga item; misalnya, “Saya tahu bahwa
saya harus memilih karier, tetapi saya tidak memiliki motivasi untuk mengambil keputusan sekarang”), (b )
ketidaktegasan umum (tiga item; misalnya, "Biasanya sulit bagi saya untuk membuat keputusan"), dan (c)
keyakinan disfungsional (empat item; misalnya, "Saya berharap bahwa

Tabel 1. Karakteristik Sampel.

Negara Bahasa Inisial N N akhir Umur M (SD) Wanita (%)

Kanada Perancis 1.130 878 17,4 (0,6) 60.0

Kroasia Kroasia 1.369 1.199 16,9 (1,5) 66.6
Perancis Perancis 1.922 1.800 18,8 (2,4) 71.5
Yunani Orang yunani 2.607 2.390 17,5 (3,4) 64.4
Israel Arab 1.535 1.210 17,0 (0,3) 59.9
Israel Ibrani 3.936 3.646 23,3 (5,1) 64.2

Malaysia Bahasa inggris

977 945 18,9 (2,9) 59.2
Polandia Polandia 710 639 18,5 (2,6) 59.9
Afrika Selatan Bahasa inggris
782 727 NA 65.6
Korea Selatan Korea 1.467 1.289 19,2 (2,9) 60.1
Swiss Perancis 1.226 1.087 18,4 (4,3) 47.6

Turki Turki 3.207 2.983 15,4 (1,0) 53.8

Amerika Serikat
Bahasa inggris
984 769 19,9 (3,1) 65.4

Catatan. Statistik usia, jenis kelamin, dan negara dilaporkan untuk N akhir.
Machine Translated by Google

Levin et al. 7

memasuki karir yang saya pilih juga akan menyelesaikan masalah pribadi saya”). Klaster Kurangnya
Informasi mencakup Kurangnya Informasi tentang (a) proses pengambilan keputusan (tiga item; misalnya,
“Saya merasa sulit untuk membuat keputusan karir karena saya tidak tahu langkah apa yang harus saya
ambil”), (b ) diri (empat item; misalnya, "Saya merasa sulit untuk membuat keputusan karir karena saya
belum yakin dengan preferensi karir saya"), (c) pekerjaan atau karir (tiga item; misalnya, "Saya merasa
sulit membuat keputusan karir karena saya tidak memiliki informasi yang cukup tentang berbagai pekerjaan
atau program pelatihan yang ada”), dan (d) cara memperoleh informasi atau bantuan (dua item; misalnya,
“Saya merasa sulit untuk membuat karir keputusan karena saya tidak tahu bagaimana mendapatkan
informasi yang akurat dan terkini tentang pekerjaan dan program pelatihan yang ada, atau tentang
karakteristiknya”). Kluster Informasi yang Tidak Konsisten mencakup tiga skala: (a) informasi yang tidak
dapat diandalkan (empat item; misalnya, “Saya merasa sulit untuk membuat keputusan karier karena saya
memiliki data yang bertentangan tentang keberadaan atau karakteristik pekerjaan atau program pelatihan
tertentu”) , (b) konflik internal (lima item; misalnya, “Saya merasa sulit untuk membuat keputusan karier
karena saya sama-sama tertarik pada beberapa karier dan sulit bagi saya untuk memilih di antaranya”),
dan (c) konflik eksternal (dua item; misalnya, “Saya merasa sulit membuat keputusan karier karena orang
yang penting bagi saya, seperti orang tua atau teman, tidak setuju dengan pilihan karier yang saya
pertimbangkan dan/atau karakteristik karier yang saya inginkan. ”). Sedangkan tanggapan biasanya
dilaporkan pada skala tipe Likert 9 poin mulai dari 1 (tidak menggambarkan saya) sampai 9
(mendeskripsikan saya dengan baik), di tiga sampel (Malaysia 03, Turki 01, dan Turki 03), tanggapan
adalah ditimbulkan menggunakan skala tipe Likert 5 poin. Skala, kluster, dan skor total dihitung sebagai
rata-rata respons; skor yang lebih tinggi menunjukkan kesulitan pengambilan keputusan karir yang lebih
parah. Untuk 34-item versi bahasa Inggris dari CDDQ, Levin et al. (2020) melaporkan estimasi reliabilitas
konsistensi internal Cronbach alpha sebesar 0,94 untuk skor total dan 0,66, 0,94, dan 0,88 untuk tiga
kluster, serta estimasi reliabilitas internal median sebesar 0,79 untuk skor 10 skala. Selain versi 34-item
bahasa Inggris dan Ibrani asli, tujuh versi bahasa tambahan diperiksa dalam penelitian kami: Arab, Kroasia,
Prancis, Yunani, Korea, Polandia, dan Turki (lihat Lampiran Tambahan 4 dalam materi tambahan online untuk ringkasan

Analisis data
Kami menduga bahwa ketidakkonsistenan hasil sebelumnya dapat dikaitkan dengan masalah properti
item dan penggunaan estimasi ML. Oleh karena itu, dalam penelitian ini, pertama-tama kami memeriksa
derajat normalitas item, jadi jika divergensi parah dari normalitas terdeteksi, kecocokan model struktural
akan diestimasi dengan WLSMV. Kami mengandalkan tiga kriteria untuk mengevaluasi normalitas dari 32
item CDDQ (tidak termasuk dua item validitas): (a) nilai kurtosis dan skewness, mengacu pada nilai absolut
lebih besar dari 1 sebagai indikasi ketidaknormalan, (b) uji Shapiro-Wilk statistik untuk normalitas univariat,
dan (c) statistik uji Mardia (1970) untuk normalitas multivariat. Pilihan estimator akan bergantung pada
hasil analisis ini: ML, yang diterapkan dalam studi validasi CDDQ sebelumnya (lihat Lampiran Tambahan
Tabel 1 dalam materi pelengkap online), tidak dianjurkan untuk digunakan dalam menganalisis data yang
tidak normal; sebaliknya, estimator WLSMV lebih disukai dalam kasus seperti itu (Li, 2016; Sellbom &
Tellegen, 2019).
Analisis struktural dilakukan dengan menggunakan paket lavaan di R (Rosseel, 2012). Empat model
CFA diuji dan kemudian dibandingkan untuk menyelidiki struktur yang mendasari CDDQ: (a) model CDDQ
asli dengan 10 skala orde pertama, tiga kluster orde kedua, dan skor total orde ketiga (32–10-3–1 ); (b)
model 10 faktor dengan 10 skala urutan pertama dan satu skor total urutan kedua (32–10-1); (c) model
tiga faktor dengan tiga kluster orde pertama dan satu skor total orde kedua (32-3–1); dan (d) model
unidimensi dengan hanya satu skor total orde pertama tunggal (32-1). Di semua model, item hanya
diizinkan memuat faktor target mereka dengan pemuatan silang dibatasi hingga nol.
Keempat model ini diuji baik di dalam maupun di 13 sampel negara.
Machine Translated by Google

8 Jurnal Penilaian Karir 0(0)

Untuk menilai kecocokan model, kami mengandalkan berbagai indeks kesesuaian standar dengan ambang
masing-masing (Hu & Bentler, 1999; Marsh et al., 2005). Indeks-indeks ini termasuk indeks kecocokan komparatif
(CFI; ÿ 0,95 untuk kebaikan, ÿ 0,90 untuk diterima), indeks Tucker-Lewis (TLI; ÿ 0,95 untuk kebaikan, ÿ 0,90 untuk
diterima), kesalahan kuadrat akar rata-rata dari perkiraan (RMSEA; ÿ 0,06 untuk kebaikan, ÿ,08 untuk dapat diterima),
dan residual akar kuadrat rata-rata standar (SRMR; ÿ ,06 untuk baik, ÿ ,10 untuk dapat diterima). Karena statistik ÿ2
sensitif terhadap ukuran sampel (Marsh et al., 2005), kami tidak mengevaluasi kecocokan model menggunakan
indeks ini. Selain itu, kami tidak membandingkan model menggunakan kriteria informasi Akaike atau kriteria informasi
Bayesian karena indeks kecocokan ini kurang dapat diandalkan untuk penaksir kuadrat terkecil berbobot. Namun
demikian, sedangkan tujuan kriteria informasi Akaike dan kriteria informasi Bayesian adalah untuk memperkirakan
model mana yang lebih mungkin untuk direplikasi dalam sampel berikutnya, desain penelitian kami memungkinkan
pengujian validasi silang model secara langsung.
Selain mengevaluasi model berdasarkan indeks kecocokan, kami juga memeriksa estimasi parameter (misalnya
pemuatan faktor dan korelasi) dan kesesuaian teoritis model (Marsh et al., 2004; Sellbom & Tellegen, 2019).
Pertama, kombinasi pemuatan faktor positif dan negatif menunjukkan bahwa indikator harus dibalik. Kedua,
pemuatan faktor yang lemah (ÿ < .40; Sellbom & Tellegen, 2019) mencerminkan bahwa indikator tidak menjelaskan
proporsi yang signifikan dari varian faktor targetnya.
Ketiga, korelasi faktor yang besar (r > 0,80; Brown, 2015) menunjukkan bahwa faktor sebenarnya dapat mengukur
konstruk yang sama (yaitu validitas diskriminan yang buruk). Keempat, mengenai kesesuaian teoretis, ketika indeks
kecocokan model dan estimasi parameter tidak memberikan informasi yang cukup untuk mengidentifikasi model
terbaik, model dengan kesesuaian teoretis yang lebih besar harus lebih disukai.
Kami juga menilai keandalan item CDDQ dalam model yang dipertahankan. Kami menghitung reliabilitas komposit
(CR; Raykov, 1998) daripada ÿ Cronbach karena yang terakhir dianggap sebagai estimator bias untuk menentukan
reliabilitas faktor (Yanyun Yang & Green, 2011). Sebaliknya, nilai CR berbasis model, dan penghitungannya
menggabungkan pemuatan faktor dan kesalahan pengukuran. Nilai CR di atas 0,60 dianggap dapat diterima, dan
nilai CR di atas 0,70 dianggap baik (Bagozzi & Yi, 1988).

Terakhir, kami memperkirakan invarian pengukuran CDDQ di seluruh negara yang menggunakan versi bahasa
yang sama. Serangkaian analisis faktor konfirmatori beberapa kelompok dilakukan, secara berurutan membatasi
parameter dalam tiga model. Model konfigurasi awal menguji kesetaraan struktur faktor di seluruh kelompok yang
dibandingkan (yaitu, jumlah faktor dan pola pemuatan faktor). Kemudian, dalam model metrik, pemuatan faktor
dibatasi agar sama antar kelompok. Terakhir, dalam model skalar, perpotongan indikator dibatasi agar sama di
seluruh kelompok. Dengan membandingkan dan menguji secara berurutan penurunan kecocokan antar model,
invarian pengukuran dapat dievaluasi. Ketika model yang kurang restriktif menghasilkan kecocokan yang lebih baik,
asumsi invarian pengukuran untuk model yang lebih restriktif harus ditolak. Dalam penelitian kami, kami mengevaluasi
perbedaan kecocokan menggunakan tiga kriteria: perubahan nilai CFI, RMSEA, dan SRMR. Perubahan 0,010 di CFI
ditambah dengan perubahan 0,015 di RMSEA atau 0,030 di SRMR menunjukkan kurangnya invarian metrik;
perubahan 0,010 di CFI ditambah dengan perubahan 0,015 di RMSEA atau perubahan 0,010 di SRMR menunjukkan
kurangnya invarian skalar (Chen, 2007).

Hasil

Analisis Normalitas
Tabel 2 menyajikan temuan mengenai normalitas univariat dan normalitas multivariat item untuk total sampel lintas
negara dan untuk setiap sampel negara secara terpisah. Untuk total sampel, 13 (41%) item memiliki nilai kurtosis
lebih besar dari 1 (|K| = 0,03 hingga 1,87, |K|median = 0,92), termasuk semua item dari ketidaktegasan umum,
kurangnya informasi tentang proses, dan kurangnya informasi tentang skala pekerjaan, menunjukkan bahwa peserta
relatif terpolarisasi dalam
Machine Translated by Google

Levin et al. 9

Tabel 2. Statistik dan Uji Normalitas Univariat dan Multivariat Sampel Lintas dan Dalam Negara.

Normalitas Univariat Normalitas Multivariat

Kurtosis Kecondongan

Negara Bahasa |K|median Item (%) |S|median Item (%) SW Kurtosis Skewness

Total 0,92 41 0,52 12 0% — —

Kanada Perancis 0,81 25 0,58 22 0% 93.15* 15.577.99* 0% 95.98*
Kroasia Kroasia 0,87 31 0,41 0 14.873.69* 0% 134.72* 18.067.08*
Perancis Perancis 0,96 44 0,46 9 0% 158.27* 21.297.90* 0% 93.06*
Yunani Orang yunani 0,95 41 0,60 6 164.64.94.94.94.94.94.94.94.630.194.630*
Israel Arab 1.06 59 0,52 9 0.194. 97,35* 16.105,24* 0% 113,89*
Israel Ibrani 1.20 72 0,28 9 15.752,62* 0% 80,80* 14.276,48*
Malaysia Bahasa inggris
1.08 59 0,27 6 0% 415,47* 51.172,36* 0% 98,28*
Polandia Polandia 0,85 31 0,34 0 15.998,21*
Bahasa Inggris Afrika Selatan 0,76 34 0,65 16
Korea Selatan Korea 0,70 6 0,29 3
Swiss Perancis 0,96 47 0,47 12

Turki Turki 2.00 91 1.19 75

Amerika Serikat
Bahasa inggris
0,85 9 0,47 3

Catatan. % item = persentase item dengan nilai lebih besar dari satu; SW = persentase item yang terdistribusi
normal berdasarkan Uji Shapiro–Wilk pada level p < 0,001. * p <.001.

pengesahan barang-barang tersebut. Empat (12%) item memiliki nilai skewness lebih besar dari 1 (|S|
= 0,13 hingga 1,55, |S|median = 0,52), termasuk dua item dari faktor kurangnya motivasi dan dua item
dari faktor konflik eksternal, menunjukkan bahwa sedikit peserta mendukung item ini. Serangkaian tes
Shapiro-Wilk signifikan pada p < 0,001 untuk semua item untuk total sampel dan semua 13 sampel
negara, selanjutnya menunjukkan ketidaknormalan univariat yang konsisten. Akhirnya, perkiraan
multivariat Mardia (1970) untuk sampel negara menunjukkan ketidaknormalan multivariat yang parah.
Kami tidak dapat menghitung estimasi multivariat untuk total sampel karena ukurannya yang besar.
Mengingat ketidaknormalan data, kami melaporkan hasil analisis struktural yang dilakukan dengan
WLSMV. Ringkasan hasil yang dilakukan dengan ML tersedia di Supplemental Appendix Table 2 dalam
materi tambahan online.

Analisis Struktural
Seperti dapat dilihat di bagian atas Tabel 3, model CDDQ asli (32–10-3–1) menghasilkan kecocokan
yang baik dalam total sampel (CFI = 0,985, TLI = 0,983, RMSEA = 0,041, 95 % CI [.040–.041], SRMR
= .041) serta di 11 dari 13 sampel negara (yaitu, CFI dan TLI >.95, RMSEA dan SRMR <.06; lihat
Tabel 3); untuk sampel Swiss (Prancis) dan Polandia, kecocokannya dapat diterima (CFI = .967/ .970,
TLI = .964/.967, RMSEA = .055/.048, 95% CI [.052–.057]/ [.045–.052], SRMR = .060/.061, masing-
masing). Model 10-faktor (32–10-1) menghasilkan kecocokan yang baik tetapi sedikit lebih rendah
dalam sampel total (CFI = 0,981, TLI = 0,979, RMSEA = 0,046, 95% CI [0,045–0,046] , SRMR = 0,046)
serta di enam dari 13 sampel negara, sedangkan indeks kecocokan untuk tujuh sampel negara lainnya
lebih rendah dan dalam kisaran yang dapat diterima (yaitu, CFI dan TLI >.90, RMSEA <.08 dan SRMR
< .10). Ketiga, model tiga faktor (32-3–1), menghasilkan indeks kecocokan yang baik tetapi sedikit
lebih rendah untuk sampel total (CFI = 0,972, TLI = 0,970, RMSEA = 0,055, 95% CI [0,054– .055],
SRMR = .056) dan hanya untuk sampel Turki. Akhirnya, model unidimensi (32-1) hanya menghasilkan yang dapat di
Machine Translated by Google

10 Jurnal Penilaian Karir 0(0)

Tabel 3. Indeks Fit untuk Sampel Total dan Negara: CFA dengan Estimasi WLSMV.

Sampel Model CFI TLI RMSEA 95% CI SRMR

Total asli 10 .985 .983 .041 [.040–.041] .041

faktor tiga .981 .979 .046 [.045–.046] .046
faktor .972 .970 .055 [.054–.055] .056
unidimensi .962 .959 .064 [.063–.064] .065

Kanada (Prancis) asli 10 .988 .987 .038 [.035–.041] .050

faktor tiga .985 .984 .042 [.039–.045] .054
faktor .974 .972 .057 [.054–.059] .067
unidimensi .965 .962 .065 [ .063–.068] .075

Kroasia (Kroasia) asli 10 .974 .971 .054 [.051–.056] .058

faktor tiga .971 .968 .057 [.054–.059] .061
faktor .958 .954 .068 [.066–.070] .074
unidimensi .951 .948 .073 [.070–.075] .078

Prancis (Prancis) asli 10 .973 .971 .052 [.050–.054] .055

faktor tiga .971 .968 .054 [.053–.056] [. .058
faktor .964 .961 .060 058–.062] .064
unidimensi .957 .954 .065 [.063–.067] .069

Yunani (Yunani) asli 10 .974 .971 .047 [.045–.049] .050

faktor tiga .970 .967 .050 [.049–.052] .053
faktor .962 .960 .056 [.054–.058] .059
unidimensi asli 10 .954 .951 .062 [.060–.063] .065

Israel (Arab) faktor tiga faktor .980 .979 .045 [.043–.048] .058
unidimensi .977 .975 .049 [.047 –.052] .061
.973 .971 .052 [.050–.055] .074
.965 .962 .060 [.058–.062] .078

Israel (Ibrani) asli 10 .958 .954 .054 [.053–.055] .054

faktor tiga .943 .938 .063 [.062–.064] .062
faktor .933 .927 .068 [.067–.069] .069
unidimensi .897 .890 .084 [.082–.085] .084

Malaysia (Inggris) asli 10 .989 .988 .039 [.036– .042] .049

faktor tiga .985 .984 .046 [.043–.049] .054
faktor .977 .975 .057 [.054–.059] .063
unidimensi .968 .965 .067 [.064–.069] .072

Polandia (Polandia) asli 10 .970 .967 .048 [.045–.052] .061

faktor tiga .966 .962 .052 [.048–.055] .064
faktor .953 .949 .060 [.057–.064] .071
unidimensi .940 .935 .068 [.065–. 071] .078

Afrika Selatan (Inggris) asli 10 .985 .983 .046 [.043–.050] .058

faktor tiga .982 .980 .050 [.047–.053] .062
faktor .979 .978 .053 [.050–.056] .065
unidimensi .973 .971 .061 [.058–.064] 0,072

Korea Selatan (Korea) asli 10 .971 .968 .049 [.047–.051] .057

faktor tiga .964 .960 .055 [.052–.057] .062
faktor .955 .952 .060 [.058–.062 ] .069
unidimensi asli 10 .938 .933 .071 [.069–.073] .079

Swiss (Perancis) faktor tiga faktor .967 .964 .055 [.052–.057] .060
unidimensi .960 .957 .059 [.057–.062] .065
.957 .953 .062 [.059–.062] .068
.943 .939 .070 [.068–.073] .076

(lanjutan)
Machine Translated by Google

Levin et al. 11

Tabel 3. (lanjutan)

Sampel Model CFI TLI RMSEA 95% CI SRMR

Turki (Turki) asli 10 .994 .994 .018 [.016–.020] .035

faktor tiga .992 .991 .021 [.019–.022] .039
faktor .985 .984 .028 [.026–.029] .047
unidimensi .981 .979 .032 [.030–.033] .053

Amerika Serikat (Inggris) asli 10 .990 .989 .039 [.035–.042] .052

faktor tiga .989 .988 .041 [.038–.044] .054
faktor .982 .980 .052 [.049–.055] .062
unidimensi .977 .975 .058 [ .055–.061] .068

Catatan. CFA = analisis faktor konfirmatori; WLSMV = kuadrat terkecil rata-rata tertimbang dan penyesuaian varians; CFI =
indeks kecocokan komparatif; TLI = Indeks Tucker–Lewis; RMSEA = root mean square of approximation; SRMR = residual
akar rata-rata kuadrat standar.

cocok untuk total sampel (CFI = .962, TLI = .959, RMSEA = .064, 95% CI [.063–.064], SRMR = .065) serta di 12 dari
13 sampel negara, sedangkan indeks kecocokan untuk sampel Ibrani Israel berada di bawah ambang batas yang
dapat diterima (CFI = 0,897, TLI = 0,890, RMSEA = 0,084, 95% CI [0,082–0,085], SRMR = 0,084). Dengan demikian,
model CDDQ asli sedikit tetapi secara konsisten lebih baik daripada model 10 faktor, yang, pada gilirannya, lebih
baik daripada model tiga faktor dan model unidimensi.

Karena perbedaan antara indeks kecocokan model CDDQ asli dan model 10 faktor sangat minim, kami berusaha
mengklarifikasi lebih lanjut mana dari kedua model ini yang paling sesuai dengan data dengan memeriksa pemuatan
faktor standar masing-masing dan korelasi faktor. Seperti yang ditunjukkan Tabel 4 , dalam model CDDQ asli,
sebagian besar faktor didefinisikan dengan baik oleh muatan faktor masing-masing pada level 10 skala orde pertama
(ÿ = .32–.88, M = .69), level tiga kluster orde kedua (ÿ = .27–.99, M = .78), dan tingkat skor total orde ketiga (ÿs = .96,
.93, .90), menghasilkan interkorelasi faktor sedang (rmedian = 0,57). Sebagai perbandingan, pemuatan faktor untuk
model 10-faktor — di mana tiga faktor tingkat cluster dikeluarkan — sangat mirip dengan model CDDQ asli pada
tingkat skala orde pertama (ÿ = 0,31–. 88, M = .69) dan skor total (ÿ = .26–.93, M = .74), menghasilkan interkorelasi
faktor moderat yang sebanding (rmedian = .52). Pemuatan faktor yang terkait dengan skala keyakinan disfungsional
rendah pada kedua model ini. Dengan demikian, inspeksi muatan faktor dan korelasi faktor tidak informatif untuk
menentukan mana dari kedua model ini yang lebih sesuai dengan data.

Sebaliknya, model tiga faktor dan model unidimensi—dari mana 10 faktor tingkat skala dikeluarkan—
menghasilkan muatan faktor indikator yang lebih rendah pada target faktor urutan pertama (ÿ = 0,05–0,79, M = 0,58
dan ÿ = .03–.76, M = .53, masing-masing untuk model tiga faktor dan model unidimensi). Seperti yang ditunjukkan
pada Tabel 4, model ini menunjukkan pemuatan faktor yang rendah untuk keempat indikator yang mengukur
keyakinan disfungsional dan untuk beberapa indikator yang mengukur Kurangnya Kesiapan. Selain itu, meskipun
model tiga faktor menunjukkan pemuatan faktor yang tinggi pada tingkat skor total umum (ÿs = 0,81, 0,91, 0,89), itu
juga menghasilkan korelasi faktor yang lebih tinggi (r = 0,72, 0,74, 0,81) dibandingkan dengan model CDDQ asli dan
model 10 faktor di mana 10 faktor tingkat skala dimasukkan. Karena model keempat hanya memasukkan satu skor
total umum, korelasi faktor tidak dapat dihitung. Temuan ini merusak validitas diskriminan dari interpretasi item dalam
model tiga faktor dan model unidimensi, yang mengecualikan 10 faktor tingkat skala.

Secara bersama-sama, dua model yang memasukkan 10 faktor tingkat skala keragu-raguan karir (yaitu, model
CDDQ asli dan model 10 faktor) menunjukkan kecocokan yang lebih baik dengan data daripada model tiga faktor
dan model unidimensi yang tidak memasukkan faktor-faktor ini. Model CDDQ asli
Machine Translated by Google

12 Jurnal Penilaian Karir 0(0)

Tabel 4. Pembebanan Faktor Standar untuk Empat Model yang Diuji (Total Sampel).

CDDQ asli 10-Faktor Tiga Faktor

Unidimensi
GF(ÿ) CF(ÿ) SF(ÿ) GF(ÿ) SF(ÿ) GF(ÿ) CF(ÿ) GF(ÿ)

LR .96 .81
Rp .59 .55
RM1 .86 .86 .59 .49
RM2 .40 .40 .26 .21
RM3 .57 .57 .40 .33
Ri .72 .68
Ri1 .79 .79 .69 .56
Ri2 .67 .67 .58 .47
Ri3 .60 .60 .52 .43
Jl .27 .26
Rd1 .70 .70 .25 .22
Rd2 .32 .31 .05 .03
Rd3 .44 .44 .12 .10
Rd4 .53 .54 .19 .16
LI .93 .91

LP .88 .86

Lp1 .82 .82 .75 .73

LP2 .83 .83 .76 .73

LP3 .86 .86 .79 .76

Ls .92 .90
Ls1 .78 .78 .74 .72
Ls2 .77 .77 .72 .70
Ls3 .78 .78 .74 .72
Ls4 .79 .79 .74 .73
Lo .88 .86
Lo1 .82 .82 .74 .72
Lo2 .82 .82 .74 .71
Lo3 .74 .74 .67 .66
La .96 .94
La1 .78 .79 .76 .73
La2 .73 .73 .70 .68
II .90 .89
Iu .99 .93
Iu1 .67 .67 .68 .62
Iu2 .70 .70 .70 .64
Iu3 .58 .70 .68 .65
ii .96 .88
Ii1 .60 .58 .57 .52
Ii2 .65 .60 .59 .54
Ii3 .63 .65 .64 .58
Ii4 .63 .63 .62 .56
Ii5 .64 .63 .62 .56

(lanjutan)
Machine Translated by Google

Levin et al. 13

Tabel 4. (lanjutan)

CDDQ asli 10-Faktor Tiga Faktor

Unidimensi
GF(ÿ) CF(ÿ) SF(ÿ) GF(ÿ) SF(ÿ) GF(ÿ) CF(ÿ) GF(ÿ)

Yaitu .62 .57

Ie1 .70 .69 .45 .40
Ie2 .88 .88 .56 .51

Catatan. GF = faktor umum; CF = faktor tingkat klaster; SF = faktor spesifik; LR = Kurangnya Kesiapan; Rm = Kurangnya Motivasi;
Ri = Ketidaktegasan Umum; Rd = Keyakinan Disfungsional; LI = Kurangnya Informasi; Lp = Kurangnya Informasi Tentang Proses;
Ls = Kurangnya Informasi Tentang Diri; Lo = Kurangnya Informasi Tentang Pekerjaan; La = Kurangnya Informasi Tentang Cara
Tambahan Memperoleh Informasi; II = Informasi yang Tidak Konsisten; Iu = Informasi yang Tidak Dapat Diandalkan; Ii = Konflik
Internal; Yaitu = Konflik Eksternal. ÿs < .40 ditampilkan dalam huruf tebal.

menunjukkan kecocokan yang sedikit lebih baik daripada model 10 faktor dalam analisis ini. Inspeksi selanjutnya
dari estimasi parameter menghalangi penentuan mana dari dua model yang memberikan kecocokan yang lebih baik
dengan data. Namun demikian, model CDDQ asli harus lebih disukai karena kesesuaiannya yang sedikit lebih baik,
kesesuaian teoretis yang lebih besar dengan taksonomi asli yang mendasari CDDQ, dan temuan sebelumnya
menunjukkan validitas dari tiga faktor tingkat cluster yang termasuk dalam model ini.

Analisis Keandalan
Pada fase analisis berikutnya, kami memperkirakan indeks reliabilitas komposit (CR) untuk model CDDQ asli, yang
mencakup 10 skala orde pertama, tiga kluster orde kedua, dan skor total orde ketiga. Untuk sampel total, perkiraan
CR dari sembilan skala orde pertama mencapai tingkat yang dapat diterima (CR = 0,73-0,88, CRmedian = 0,76);
namun, kurangnya faktor motivasi sedikit di bawah ambang batas yang dapat diterima (CR = 0,58). CRs dari tiga
cluster orde kedua baik (CRs = 0,84, 0,95, dan 0,89 untuk Kurangnya Kesiapan, Kurangnya Informasi, dan
Inkonsisten Informasi, masing-masing). Terakhir, estimasi CR dari skor total urutan ketiga menghasilkan estimasi
CR yang sangat baik sebesar 0,97. Estimasi CR untuk sampel negara serupa dengan yang dihitung untuk sampel
total dan tersedia berdasarkan permintaan dari penulis pertama.

Pengukuran Invarian

Hasil kami sejauh ini menunjukkan kesetaraan struktur faktor CDDQ di 13 negara dan sembilan versi bahasa. Untuk
memeriksa apakah peserta dari berbagai negara yang menyelesaikan versi bahasa CDDQ yang sama (yaitu, Inggris
atau Prancis) menanggapi item dengan cara yang sama, kami melakukan serangkaian analisis invarian pengukuran.
Pertama, kami menguji invarian pengukuran CDDQ versi bahasa Inggris di tiga negara yang tersedia (Malaysia,
Afrika Selatan, dan AS). Model konfigurasi menunjukkan kecocokan yang baik (CFI = .988, TLI = .987, RMSEA =
.041, 95% CI [.039, .043], SRMR = .051), tetapi model metrik menghasilkan pengurangan kecocokan (CFI = .972,
TLI = .971, RMSEA = .062, 95% CI [.060, .063], SRMR = .067, ÿCFI >.010 dan ÿRMSEA >.010), menunjukkan
perbedaan yang signifikan dalam pemuatan faktor di antara ketiganya subsampel. Analisis invarian pengukuran
selanjutnya antara semua pasangan negara selanjutnya menegaskan bahwa CDDQ versi bahasa Inggris adalah
varian pengukuran di ketiga sampel negara tersebut.

Selanjutnya, kami menguji invarian pengukuran CDDQ versi Prancis di tiga negara yang tersedia (Kanada,
Prancis, dan Swiss). Model konfigurasi menunjukkan kecocokan yang baik (CFI = .976, TLI = .974, RMSEA = .050,
95% CI [.049, .051], SRMR = .054), dan
Machine Translated by Google

14 Jurnal Penilaian Karir 0(0)

mirip sesuai dengan model metrik (CFI = .968, TLI = .967, RMSEA = .056, 95% CI [.055, .057], SRMR = .061,
ÿCFI <.010 dan ÿRMSEA <.010). Kecocokan model skalar serupa (CFI = .966, TLI = .965, RMSEA = .057,
95% CI [.056, .058], SRMR = .062; ÿCFI <.010 dan ÿRMSEA <.010) . Temuan ini memberikan dukungan lebih
lanjut untuk model CDDQ asli dan menunjukkan kesetaraan pengukuran pada tingkat invarian skalar CDDQ
versi Prancis di seluruh sampel dari tiga negara Prancis.

Diskusi
Tujuan menyeluruh dari penelitian ini adalah untuk menentukan struktur faktor CDDQ di 13 negara dan
sembilan versi bahasa yang disusun dari 39 kumpulan data yang beragam. Analisis struktural dan evaluasi
pemuatan faktor dan korelasi memberikan dukungan untuk model yang sesuai dengan taksonomi CDDQ asli.
Model ini, model CDDQ asli, mencakup 10 skala urutan pertama, tiga kelompok urutan kedua, dan satu skor
total urutan ketiga, sesuai dengan 10 penyebab spesifik keragu-raguan karir yang dikelompokkan dalam tiga
kelompok kesulitan utama dan dikumpulkan menjadi perkiraan global dari keraguan. Estimasi indeks reliabilitas
gabungan (CR) dari 14 skor CDDQ yang berasal dari model CDDQ asli mengkonfirmasi reliabilitas internal
yang memadai dari 13 skornya; namun, kurangnya skala motivasi menghasilkan perkiraan reliabilitas yang
sedikit di bawah tingkat yang dapat diterima. Hasil yang sangat mirip di 13 sampel negara mendukung
generalisasi lintas budaya dari CDDQ sebagai ukuran keragu-raguan karir.

Penelitian ini merupakan pemeriksaan paling komprehensif dari struktur faktor CDDQ yang dilakukan
hingga saat ini. Kecocokan yang baik dari model CDDQ asli ditunjukkan untuk sampel total dan untuk 11 dari
13 sampel negara (kecocokan yang dapat diterima diamati untuk sampel Polandia dan Swiss-Prancis).
Sebaliknya, model 10-faktor — yang mencakup skor total tunggal tetapi mengecualikan tiga kelompok urutan
kedua — menunjukkan kecocokan yang baik tetapi lebih rendah (relatif terhadap model CDDQ asli) dalam
sampel total dan dalam enam sampel negara (kecocokan yang dapat diterima adalah diamati untuk tujuh
sampel bahasa yang tersisa). Selain itu, dalam lima sampel—Kroasia, Israel (Arab dan Ibrani), Afrika Selatan,
dan Korea Selatan—kecocokan model CDDQ asli lebih baik daripada model 10 faktor. Mengingat temuan ini
dan mengingat kompatibilitas teoretisnya yang lebih rendah dengan taksonomi Gati et al. (1996) tentang
kesulitan pengambilan keputusan karir, model 10 faktor dapat dianggap sebagai inferior. Kemudian model tiga
faktor—yang tidak menyertakan 10 skala orde pertama melainkan hanya tiga kelompok orde pertama dan skor
total orde kedua—menghasilkan kecocokan yang baik tetapi lebih rendah dalam sampel total tetapi hanya di
salah satu dari 13 sampel negara. ; kecocokan yang dapat diterima ditunjukkan untuk 12 sampel negara yang
tersisa. Akhirnya, model unidimensional—termasuk hanya satu skor total urutan pertama—hanya menghasilkan
kecocokan yang dapat diterima dalam sampel total dan 11 sampel negara; itu menunjukkan di bawah indeks
kecocokan yang dapat diterima dalam sampel bahasa Ibrani dan kecocokan yang baik dalam sampel Turki.
Selain itu, dibandingkan dengan model CDDQ asli dan model 10 faktor, baik model tiga faktor maupun model
unidimensi menghasilkan pemuatan faktor yang lebih lemah dan korelasi faktor yang lebih tinggi, sehingga
semakin mendukung inferioritas relatifnya.
Temuan bahwa model CDDQ asli memberikan kesesuaian terbaik untuk data sejalan dengan kesimpulan
studi validasi sebelumnya dari bahasa Inggris (Kleiman et al., 2004; Kleiman & Gati, 2004; Levin et al., 2020),
Prancis (Atitsogbe et al., 2018; Rossier et al., 2021; Sovet et al., 2017), versi Ibrani (Kleiman & Gati, 2004),
dan Turki (Bacanli, 2016) . Pada saat yang sama, penelitian ini adalah yang pertama menunjukkan keunggulan
model CDDQ asli dibandingkan model alternatif dan menguji struktur internalnya dalam lima versi bahasa
tambahan. Secara khusus, kami juga memeriksa dan memvalidasi struktur faktor dari 34 item versi bahasa
Arab dan Polandia, yang sifat psikometriknya belum pernah dipublikasikan sebelumnya. Namun, untuk versi
Kroasia, Yunani, dan Korea, temuan kami tidak konsisten dengan penelitian sebelumnya. Babarovic dan
´
ÿ

Studi Sverko (2019) tentang versi Kroasia menghasilkan model pilihan yang mengecualikan
Machine Translated by Google

Levin et al. 15

skala keyakinan disfungsional. Demikian pula, studi Sovet et al. (2015) tentang versi Korea menghasilkan
pemilihan model nonhierarkis yang hanya mencakup sembilan skala orde pertama (tidak termasuk skala
keyakinan disfungsional). Untuk versi CDDQ Yunani, model tujuh faktor yang mengecualikan kurangnya informasi
tentang cara memperoleh informasi tambahan, informasi yang tidak dapat diandalkan, dan konflik internal lebih
disukai (Vaiopoulou et al., 2019). Dengan demikian, dari sembilan versi bahasa yang diteliti dalam penelitian ini,
model CDDQ asli dikonfirmasi dalam penelitian sebelumnya hanya untuk empat versi bahasa.

Empat kemungkinan penjelasan untuk perbedaan dalam model pengukuran yang paling pas yang diuji di
seluruh negara dengan menggunakan versi bahasa yang berbeda harus dipertimbangkan. Penjelasan pertama
untuk perbedaan struktural melibatkan potensi perbedaan lintas budaya yang berkontribusi pada variasi konstruksi
psikologis yang diteliti. Perbedaan lintas budaya telah menjadi penjelasan khas yang diadopsi dalam penelitian
sebelumnya yang melaporkan perbedaan dalam struktur keragu-raguan karir (lihat Xu & Bhang, 2019). Namun,
temuan kami menunjukkan kesamaan struktural yang tinggi dalam keragu-raguan karir di 13 negara berdasarkan
data yang dikumpulkan menggunakan sembilan versi bahasa dari CDDQ.
Temuan ini menunjukkan bahwa setidaknya beberapa perbedaan struktural yang dilaporkan sebelumnya dalam
CDDQ mungkin terkait dengan masalah metodologis dan bukan perbedaan lintas budaya.
Kedua, divergensi struktural juga dapat dihasilkan dari proses penerjemahan yang tidak tepat, menghasilkan
item yang berbeda secara semantik di seluruh versi bahasa. Dalam kasus seperti itu, perbedaan struktural akan
dihasilkan dari satu atau lebih item yang diterjemahkan yang mengukur sesuatu yang berbeda dari yang
dimaksudkan. Replikasi yang diamati dari struktur faktor CDDQ di sembilan versi bahasa dalam penelitian ini
menghalangi bias terjemahan yang mengarah pada perbedaan struktural. Namun demikian, temuan kami
menunjukkan bahwa CDDQ adalah varian metrik di antara tiga negara yang menggunakan CDDQ versi Inggris—
AS, Afrika Selatan, dan Malaysia. Hasil ini menunjukkan bahwa meskipun struktur keragu-raguan karir yang sama
dapat diterapkan di negara-negara tersebut, individu dari negara-negara tersebut merespons item CDDQ secara
berbeda. Sebaliknya, CDDQ Prancis muncul sebagai invarian skalar di Kanada, Prancis, dan Swiss. Investigasi
lebih lanjut dari kesetaraan pengukuran CDDQ dapat mengungkapkan perbedaan respon tambahan di seluruh
kelompok kepentingan (misalnya, jenis kelamin, usia).
Ketiga, memvalidasi struktur faktor melibatkan analisis sampel dengan varians yang cukup dalam faktor yang
diukur. Dengan demikian, potensi perbedaan yang tidak terhitung dalam karakteristik sampel merupakan
penjelasan terkait metodologi lain untuk variasi struktural. Kline (2016) mencatat bahwa untuk memastikan varian
yang cukup, sampel yang lebih besar diperlukan dalam kasus model struktural yang lebih kompleks, indikator
tidak normal, dan faktor yang ditandai dengan reliabilitas yang lebih rendah (lihat juga Wolf et al., 2013). Terkait,
meskipun heuristik satu ukuran cocok untuk semua umumnya tidak disarankan, Kline (2016) merekomendasikan
rasio ukuran sampel terhadap parameter 20:1 atau, kurang idealnya, 10:1, dengan rasio yang lebih rendah
mengurangi kepercayaan dari hasil. Jadi, dalam kasus model CDDQ asli dengan 77 parameter, ukuran sampel
770 masih dapat dianggap kecil. Selain itu, bahkan dengan sampel yang cukup besar, homogenitas yang lebih
tinggi dalam hal varian yang relevan dengan faktor dapat merusak upaya validasi struktural. Tien (2005), misalnya,
melaporkan perbedaan struktural setelah memeriksa struktur faktor CDDQ secara terpisah antara individu yang
memutuskan dan tidak memutuskan. Demikian pula, Levin et al. (2020) menguji perbedaan struktural di antara
enam kelompok individu yang berbeda dalam tingkat ketetapan mereka. Dalam kedua studi, varians dalam faktor
sasaran (misalnya, tingkat keputusan, status keputusan karir) berkurang, menjelaskan mengapa model CDDQ
asli tidak didukung dalam studi ini. Temuan tersebut membuktikan pentingnya mempertimbangkan ukuran sampel
yang memadai dan heterogenitas yang diharapkan dari faktor target dalam merancang studi validasi.

Meskipun ukuran sampel yang tidak memadai dan varians yang berkurang dalam faktor target dapat
menjelaskan beberapa variasi yang dilaporkan sebelumnya dalam struktur faktor CDDQ, penjelasan keempat
berkaitan dengan kecukupan analisis psikometrik yang dilakukan. Dalam penelitian ini, penerapan analisis
normalitas dan penerapan WLSMV selanjutnya menghasilkan indeks kecocokan yang baik untuk model yang diuji.
Memang, di mana kecocokan model CDDQ asli ditunjukkan dengan WLSMV—the
Machine Translated by Google

16 Jurnal Penilaian Karir 0(0)

metode yang diterima ketika asumsi normalitas univariat dan multivariat tidak terpenuhi (lihat Tabel 3)—dengan ML,
model ini hampir tidak menghasilkan kecocokan yang dapat diterima dan hanya dalam satu sampel negara (lihat
Lampiran Tambahan Tabel 2 dalam materi tambahan online). Menerapkan ML dibenarkan ketika indikator kontinu
dan sesuai dengan distribusi normal multivariat, tetapi ketika asumsi ini dilanggar, ML kemungkinan akan
menghasilkan parameter yang bias (Beauducel & Herzberg, 2006; Li, 2016). Pelanggaran yang diamati terhadap
asumsi nonnormalitas univariat dan multivariat di 13 sampel negara yang dianalisis dalam penelitian ini menunjukkan
bahwa kegagalan sebelumnya untuk memvalidasi model CDDQ asli dapat dikaitkan, setidaknya sebagian, dengan
implementasi CFA yang tidak tepat—menggunakan ML daripada WLSMV untuk menguji struktur CDDQ.

Keterbatasan dan Saran Untuk Penelitian Selanjutnya

Sebelum membahas implikasi dari penelitian ini untuk menilai keragu-raguan karir, keterbatasannya harus diakui.
Keterbatasan awal adalah bahwa tidak semua versi bahasa dari CDDQ diperiksa dalam penelitian ini. Secara
khusus, kami gagal mendapatkan sampel yang cukup besar untuk versi lain, seperti bahasa China, Belanda,
Jerman, Hindi, Italia, Portugis, Rusia, dan Spanyol. Selain itu, penelitian ini tidak menguji struktur faktor dari CDDQ
versi 44 item, yang tetap digunakan di beberapa negara (misalnya, Fouad et al., 2009; Willner et al., 2015).

Kedua, penelitian sebelumnya membandingkan skor CDDQ lintas kelompok, seperti kelompok usia, jenis
kelamin, atau negara, tetapi kebanyakan melakukannya tanpa memastikan invarian skor CDDQ di seluruh kelompok
yang diteliti (untuk ulasan, lihat Levin et al., 2020). Beberapa investigasi menunjukkan invarian pengukuran CDDQ
lintas kelompok dari negara yang sama (Levin et al., 2020; Sovet et al., 2015, 2017) atau lintas negara yang
menggunakan versi bahasa CDDQ yang sama (Atitsogbe et al., 2018; Levin et al., 2020; Rossier et al., 2021);
dalam hal ini, temuan kami memberikan dukungan lebih lanjut untuk invarian pengukuran pada tingkat skalar CDDQ
Prancis di tiga negara. Sebaliknya, CDDQ Inggris muncul dalam penelitian kami sebagai varian pengukuran di
Malaysia, Afrika Selatan, dan Amerika Serikat, sedangkan Levin et al. (2020) menemukan bahwa CDDQ adalah
invarian pengukuran pada tingkat skalar di tujuh negara dengan data yang dikumpulkan menggunakan versi bahasa
Inggrisnya (termasuk Afrika Selatan dan AS). Perbedaan ini harus mencegah peneliti mengandalkan hasil
demonstrasi pengukuran invarian sebelumnya; ketika fokus penelitian adalah membandingkan kelompok, disarankan
untuk melakukan analisis invarian pengukuran.

Keterbatasan ketiga dari penelitian ini menyangkut ruang lingkup model yang kami pertimbangkan dan evaluasi.
Mengingat dukungan kuat sebelumnya untuk validitas kriteria skor total CDDQ––dihitung sebagai rata-rata semua
item––kami hanya mempertimbangkan model yang tidak mengecualikan item apa pun. Untuk alasan ini, kami tidak
mengevaluasi kecocokan model yang diusulkan sebelumnya untuk struktur faktor CDDQ, seperti model yang tidak
ÿ

termasuk skala keyakinan disfungsional (Babarovic &´ Sverko, 2019 ; Sovet et al., 2015) atau ketiganya
SkalaKurangnya
kesiapan
(Creed & Yin, 2006). Studi sebelumnya tentang CDDQ versi bahasa Inggris membandingkan model tambahan ini
tetapi memberikan dukungan untuk memilih model CDDQ asli (Levin et al., 2020). Pada saat yang sama, temuan
kami memang mencerminkan kualitas psikometrik yang relatif lebih rendah dari tiga skala Kurangnya Kesiapan,
dengan pemuatan faktor yang lemah terkait dengan skala keyakinan disfungsional dan sedikit di bawah estimasi
reliabilitas ambang batas yang dapat diterima untuk kurangnya skala motivasi. Penelitian di masa depan dapat
mengatasi masalah ini dengan merancang versi revisi dengan item berkualitas lebih tinggi untuk mengukur
kurangnya motivasi dan keyakinan disfungsional. Dalam konteks ini, Hechtlinger et al. (2019) mengembangkan
ukuran keyakinan disfungsional dalam pengambilan keputusan karir dan menemukan bahwa heterogenitas
keyakinan disfungsional merusak utilitas skor total.
Machine Translated by Google

Levin et al. 17

Implikasi Penilaian Keragu-raguan Karir

Hasil penelitian ini mendukung penggunaan CDDQ pada tiga level: skor total, skor tiga kluster, dan skor
skala 10. Masing-masing dari ketiga level ini memiliki kelebihan dan kekurangannya sendiri untuk penelitian
dan praktik. Skor total CDDQ mengukur tingkat keparahan individu secara keseluruhan atau tingkat keragu-
raguan karir dan sangat informatif untuk evaluasi global efektivitas intervensi atau untuk penyaringan awal
klien (Fouad et al., 2009; Gati & Saka, 2001). Namun, memperoleh informasi tentang sifat keragu-raguan
karir, yaitu, penyebab individu dari keragu-raguan karir, membutuhkan baik menggunakan skor tiga cluster
atau skor skala 10. Mengidentifikasi penyebab spesifik dari keragu-raguan karir memfasilitasi menyesuaikan
intervensi dengan kebutuhan unik masing-masing individu.
Secara khusus, skor tiga klaster CDDQ menunjukkan sejauh mana keragu-raguan karir individu
disebabkan oleh kesulitan terkait dengan Kurangnya Kesiapan, Kurangnya Informasi, atau Informasi yang
konsisten. Skor klaster sangat informatif untuk penelitian yang mencari untuk memeriksa mekanisme yang
mendasari keragu-raguan karir yang dipengaruhi oleh intervensi (misalnya, Fouad et al., 2009),
membedakan interaksi yang berbeda antara domain tertentu dari kesulitan pengambilan keputusan karir
dan konstruksi lainnya (misalnya , Udayar et al., 2020), atau mengidentifikasi intervensi mana yang paling
sesuai dengan kebutuhan masing-masing klien. Selain itu, reliabilitas internal dari dua dari tiga skor klaster
CDDQ tinggi, Kurangnya Kesiapan relatif lebih heterogen. Untuk alasan ini, pemahaman yang lebih jelas
tentang kesulitan-kesulitan khusus yang terkait dengan Kurangnya Kesiapan harus melibatkan pemeriksaan
tiga skor skala dalam kluster ini.
Skor 10 skala CDDQ memberikan informasi tentang penyebab spesifik dari keragu-raguan karir individu.
Meskipun menawarkan informasi yang paling rinci, kompleksitas yang terkait dengan 10 skor dapat
menjelaskan mengapa penelitian pada tingkat ini relatif jarang. Namun, karena 10 skor skala CDDQ
memberikan penilaian diferensial terbaik dari penyebab keragu-raguan karir individu, penggunaan tingkat
penilaian ini dianjurkan. Skor skala 10 sangat direkomendasikan untuk mengevaluasi arti-penting relatif
dari setiap kesulitan untuk mengidentifikasi kebutuhan individu yang paling mendesak (Gati et al., 2000)
atau untuk klasifikasi individu ke dalam tipe keragu-raguan karir (Levin et al., 2022).

Kesimpulan

Analisis dari 13 sampel negara menggunakan sembilan versi bahasa, mendukung penyelarasan struktur
empiris CDDQ dengan taksonomi keragu-raguan karir Gati et al. (1996) . Berdasarkan analisis yang
dilakukan dengan menggunakan estimator WLSMV yang memadai, hasil kami mendukung kesimpulan
bahwa keragu-raguan karir yang diukur dengan CDDQ dapat dipandang sebagai konstruksi umum yang
terdiri dari tiga kluster yang selanjutnya dapat dibedakan menjadi 10 komponen yang dapat dibedakan.
Penelitian sebelumnya yang menyelidiki validitas kriteria skor CDDQ mendukung kegunaannya untuk
penelitian dan praktik. Temuan kami melengkapi pekerjaan sebelumnya dan memberikan validasi struktural
yang diperlukan untuk penggunaan semua 14 skor CDDQ yang awalnya diusulkan: skor total, tiga skor cluster, dan skala
skor.

Ucapan Terima Kasih

Kami berterima kasih atas kemurahan hati rekan-rekan kami yang bersedia untuk berbagi data mereka,
sehingga memungkinkan penelitian ini. Studi ini mencakup analisis data sekunder yang dikumpulkan
sebelumnya oleh penulis (10 sampel) dan tim peneliti lainnya (29 sampel). Informasi tentang sumber setiap
sampel dapat ditemukan di Lampiran 3 Tambahan dalam materi tambahan online. Penelitian ini didukung
sebagian oleh Samuel dan Esther Melton Ketua Itamar Gati.
Machine Translated by Google

18 Jurnal Penilaian Karir 0(0)

Deklarasi Benturan Kepentingan

Penulis menyatakan tidak ada potensi konflik kepentingan sehubungan dengan penelitian, kepenulisan, dan/atau
publikasi artikel ini.

Pendanaan
Penulis tidak menerima dukungan keuangan untuk penelitian, kepenulisan, dan/atau publikasi artikel ini.

ID ORCID

ˆ
Jer´ ome Rossier ÿ https://orcid.org/0000-0002-9924-3672

Bahan Pelengkap

Materi tambahan untuk artikel ini tersedia online.

Referensi

Atitsogbe, KA, Moumoula, IA, Rochat, S., Antonietti, J.-P., & Rossier, J. (2018). Minat kejuruan dan keragu-raguan karir
di Swiss dan Burkina Faso: Persamaan dan perbedaan lintas budaya. Jurnal
Perilaku Kejuruan, 107, 126-140. https://doi.org/10.1016/j.jvb.2018.04.002.
´ ÿ

Babarovic, T., & Sverko, I. (2019). Validitas kuesioner kesulitan pengambilan keputusan karir di Kroasia. Jurnal
Penilaian Karir, 27(3), 391–407. https://doi.org/10.1177/ 1069072717748960.

Bacanli, F. (2016). Kesulitan pengambilan keputusan karir remaja Turki. Jurnal Internasional untuk Bimbingan
Pendidikan dan Kejuruan, 16(2), 233–250. https://doi.org/10.1007/s10775-015-9304-8.
Bagozzi, RP, & Yi, Y. (1988). Pada evaluasi model persamaan struktural. Jurnal Akademi
Ilmu Pemasaran, 16(1), 74–94. https://doi.org/10.1007/BF02723327.
Beauducel, A., & Herzberg, PY (2006). Pada kinerja kemungkinan maksimum versus rata-rata dan varians disesuaikan
estimasi kuadrat terkecil tertimbang di CFA. Pemodelan Persamaan Struktural: Jurnal Multidisipliner, 13(2), 186–
203. https://doi.org/10.1207/s15328007sem1302_2.
Coklat, TA (2015). Analisis faktor konfirmasi untuk penelitian terapan (edisi ke-2). Guilford Press.
Chartrand, JM, Robbins, SB, Morrill, WH, & Boggs, K. (1990). Pengembangan dan validasi inventaris faktor karir.
Jurnal Psikologi Konseling, 37(4), 491–501. https://doi.org/10.1037/ 0022-0167.37.4.491.

Chen, FF (2007). Sensitivitas indeks kebaikan terhadap kurangnya invarian pengukuran. Pemodelan Persamaan
Struktural: Jurnal Multidisiplin, 14(3), 464–504. https://doi.org/10.1080/ 10705510701301834.

Creed, PA, & Yin, WO (2006). Keandalan dan validitas kuesioner kesulitan pengambilan keputusan karir versi Cina.
Jurnal Internasional untuk Bimbingan Pendidikan dan Kejuruan, 6(1), 47–63. https://doi.org/10.1007/
s10775-006-0003-3.
Fouad, N., Cotter, EW, & Kantamneni, N. (2009). Efektivitas kursus pengambilan keputusan karir.
Jurnal Penilaian Karir, 17(3), 338–347. https://doi.org/10.1177/1069072708330678.
Gati, I., Krausz, M., & Osipow, SH (1996). Sebuah taksonomi kesulitan dalam pengambilan keputusan karir. Jurnal
Psikologi Konseling, 43(4), 510–526. https://doi.org/10.1037/0022-0167.43.4.510.
Gati, I., Osipow, SH, Krausz, M., & Saka, N. (2000). Validitas Kuesioner Kesulitan Pengambilan Keputusan Karir:
Konseli versus persepsi konselor karir. Jurnal Perilaku Kejuruan, 56(1), 99-113. https://doi.org/10.1006/
jvbe.1999.1710.
Gati, I., & Saka, N. (2001). Kesulitan pengambilan keputusan terkait karir siswa sekolah menengah. Jurnal Konseling &
Pengembangan, 79(3), 331–340. https://doi.org/10.1002/j.1556-6676.2001.tb01978.x.
Machine Translated by Google

Levin et al. 19

Hechtlinger, S., Levin, N., & Gati, I. (2019). Keyakinan pengambilan keputusan karir disfungsional: Model dan ukuran
multidimensi. Jurnal Penilaian Karir, 27(2), 209–229. https://doi.org/10.1177/ 1069072717748677.

Holland, JL, Daiger, DC, & Power, PG (1980). Situasi kejuruan saya. Konsultasi Psikolog
Tekan.

Hu, L.t., & Bentler, PM (1999). Kriteria batas untuk indeks kecocokan dalam analisis struktur kovarians: Kriteria konvensional
versus alternatif baru. Pemodelan Persamaan Struktural: Jurnal Multidisiplin, 6(1), 1–55. https://doi.org/
10.1080/10705519909540118.
Jones, LK (1989). Mengukur konstruk tiga dimensi keragu-raguan karir di kalangan mahasiswa: Sebuah revisi dari Skala
Keputusan Kejuruan: Profil Keputusan Karir. Jurnal Psikologi Konseling, 36(4), 477-486. https://doi.org/
10.1037/0022-0167.36.4.477.
Kleiman, T., & Gati, I. (2004). Tantangan penilaian berbasis internet: Mengukur kesulitan pengambilan keputusan karir.
Pengukuran dan Evaluasi dalam Konseling dan Pengembangan, 37(1), 41–55. https://doi. org/
10.1080/07481756.2004.11909749.
Kleiman, T., Gati, I., Peterson, G., Sampson, J., Reardon, R., & Lenz, J. (2004). Pemikiran disfungsional dan kesulitan dalam
pengambilan keputusan karir. Jurnal Penilaian Karir, 12(3), 312–331. https://doi.org/10. 1177/1069072704266673.

Kline, RB (2016). Prinsip dan praktik pemodelan persamaan struktural (edisi ke-4). Guilford
Tekan.

Levin, N., Braunstein-Bercovitz, H., Lipshits-Braziler, Y., Gati, I., & Rossier, J. (2020). Menguji struktur kuesioner Kesulitan
pengambilan keputusan karir lintas negara, jenis kelamin, usia, dan status keputusan.
Jurnal Perilaku Kejuruan, 116(Bagian A), Artikel 103365. https://doi.org/10.1016/j.jvb.2019. 103365.

Levin, N., Lipshits-Braziler, Y., & Gati, I. (2022). Identifikasi dan validasi lima jenis keragu-raguan karir: Analisis profil laten dari
kesulitan pengambilan keputusan karir. Tingkatkan publikasi online. https://doi.org/10.1037/cou0000603.

Li, CH (2016). Analisis faktor konfirmasi dengan data ordinal: Membandingkan kemungkinan maksimum yang kuat dan kuadrat
terkecil tertimbang secara diagonal. Metode Penelitian Perilaku, 48(3), 936–949. https://doi.org/10. 3758/s13428-015-0619-7.

Mardia, KV (1970). Ukuran kemiringan multivarian dan kurtosis dengan aplikasi. Biometrika, 57(3),
519–530. https://doi.org/10.1093/biomet/57.3.519.
Marsh, HW, Hau, K.-T., & Grayson, D. (2005). Goodness of fit evaluasi Psikometri kontemporer
(hlm. 275–340). Erlbaum.
Marsh, HW, Hau, K.-T., & Wen, Z. (2004). Mencari aturan emas: Mengomentari pendekatan pengujian hipotesis untuk
menetapkan nilai cutoff untuk indeks fit dan bahaya dalam menggeneralisasi temuan Hu dan Bentler (1999) secara
berlebihan. Pemodelan Persamaan Struktural: Jurnal Multidisiplin, 11(3), 320–341. https://doi.org/10.1207/
s15328007sem1103_2 .
Marsh, HW, Lüdtke, O., Nagegast, B., Morin, AJ, & von Davier, M. (2013). Mengapa parsel barang (hampir) tidak pernah
sesuai: Dua kesalahan tidak membuat benar—Menyamarkan kesalahan spesifikasi dengan parsel barang dalam model
CFA. Metode Psikologis, 18(3), 257–284. https://doi.org/10.1037/a0032773.
Mau, W.-C. (2001). Menilai kesulitan pengambilan keputusan karir: Sebuah studi lintas budaya. Jurnal Penilaian Karir, 9(4),
353–364. https://doi.org/10.1177/106907270100900403.
Osipow, SH (1999). Menilai keragu-raguan karir. Jurnal Perilaku Kejuruan, 55(1), 147–154. https://
doi.org/10.1006/jvbe.1999.1704.
Osipow, SH, Carney, CG, & Barak, A. (1976). Skala keragu-raguan pendidikan-kejuruan: Pendekatan tipologis. Jurnal Perilaku
Kejuruan, 9(2), 233–243. https://doi.org/10.1016/0001- 8791(76)90081-6.
Machine Translated by Google

20 Jurnal Penilaian Karir 0(0)

Osipow, SH, & Gati, I. (1998). Membangun dan validitas bersamaan dari kuesioner kesulitan pengambilan
keputusan karir. Jurnal Penilaian Karir, 6(3), 347–364. https://doi.org/10.1177/ 106907279800600305.

Peterson, GW, Sampson, JP, Lenz, JG, & Reardon, RC (2002). Pendekatan pemrosesan informasi kognitif
untuk pemecahan masalah karir dan pengambilan keputusan. Dalam D. Brown & L. Brooks Brooks (Eds),
Pilihan dan pengembangan karir (hlm. 423–475). Jossey-Bass.
Raykov, T. (1998). Koefisien alfa dan reliabilitas komposit dengan item nonhomogen yang saling terkait.
Pengukuran Psikologis Terapan, 22(4), 375–385. https://doi.org/10.1177/014662169802200407.
Rosseel, Y. (2012). Lavaan: Paket R untuk pemodelan persamaan struktural. Jurnal Perangkat Lunak Statistik,
48(2). https://doi.org/10.18637/jss.v048.i02.
Rossier, J., Rochat, S., Sovet, L., & Bernaud, J.-L. (2021). Validasi Kuesioner Kesulitan Pengambilan Keputusan
Karier versi Prancis: Hubungan dengan harga diri dan kemanjuran diri. Journal of Career Development:
Publikasi online lanjutan. https://doi.org/10.1177/08948453211009975.
Sellbom, M., & Tellegen, A. (2019). Analisis faktor dalam penelitian penilaian psikologis: Jebakan umum dan
rekomendasi. Penilaian Psikologis, 31(12), 1428–1441. https://doi.org/10.1037/pas0000623 .

Sovet, L., DiMillo, J., & Samson, A. (2017). Identitas linguistik dan kesulitan pengambilan keputusan karier di
antara siswa Kanada berbahasa Prancis yang tinggal dalam konteks dominan Anglo. Jurnal Internasional
untuk Bimbingan Pendidikan dan Kejuruan, 17(3), 269–284. https://doi.org/10.1007/s10775-016-9328-8.
Sovet, L., Tak, J., & Jung, S. (2015). Validasi kuesioner kesulitan pengambilan keputusan karir di kalangan
mahasiswa Korea. Jurnal Penilaian Karir, 23(4), 661–676. https://doi.org/10. 1177/1069072714553556.

Tien, H.-LS (2005). Validasi skala kesulitan pengambilan keputusan karir dalam budaya Cina.
Jurnal Penilaian Karir, 13(1), 114–127. https://doi.org/10.1177/1069072704270327.
Udayar, S., Levin, N., Lipshits-Braziler, Y., Rochat, S., Di Fabio, A., Gati, I., Sovet, L., & Rossier, J. (2020).
Kesulitan dalam pengambilan keputusan karir dan evaluasi diri: Sebuah meta-analisis. Sesi Journal of
Career As, 28(4), 608–635. https://doi.org/10.1177/1069072720910089.
Vahedi, S., Farrokhi, F., Mahdavi, A., & Moradi, S. (2012). Analisis faktor eksplorasi dan konfirmasi dari
kuesioner kesulitan pengambilan keputusan karir. Jurnal Psikiatri Iran, 7(2), 74–81.
Vaiopoulou, J., Papavassiliou-Alexiou, I., & Stamovlasis, D. (2019). Kesulitan pengambilan keputusan karir dan
status keputusan di antara guru siswa Yunani. Jurnal Psikologi Hellenic, 16(1), 74–94.
Willner, T., Gati, I., & Guan, Y. (2015). Profil pengambilan keputusan karir dan kesulitan pengambilan
keputusan karir: Perbandingan lintas budaya antara sampel AS, Israel, dan Cina. Jurnal Perilaku Kejuruan,
88, 143-153. https://doi.org/10.1016/j.jvb.2015.03.007.
Serigala, EJ, Harrington, KM, Clark, SL, & Miller, MW (2013). Persyaratan ukuran sampel untuk model
persamaan struktural: Evaluasi daya, bias, dan kesopanan solusi. Pengukuran Pendidikan dan Psikologis,
73(6), 913–934. https://doi.org/10.1177/0013164413495237.
Xu, H., & Bhang, CH (2019). Struktur dan pengukuran keragu-raguan karir: Tinjauan kritis. Kuartal
Pengembangan Karir, 67(1), 2–20. https://doi.org/10.1002/cdq.12159.
Xu, H., & Tracey, TJG (2014). Peran toleransi ambiguitas dalam pengambilan keputusan karir. Jurnal dari
Perilaku Kejuruan, 85(1), 18–26. https://doi.org/10.1016/j.jvb.2014.04.001.
Yanyun Yang, Y., & Hijau, SB (2011). Koefisien alfa: Koefisien keandalan untuk abad ke-21?
Jurnal Penilaian Psikoedukasi, 29(4), 377–392. https://doi.org/10.1177/ 0734282911406668.