PELATIHAN CFA

Confirmatory Factor Analysis

Untuk analisis multivariabel/SEM

dr. I Ketut Tangking W, MPH

Ni Made Dian Kurniasari, [Link].,MPH
 Learning objective (student)
• Indikasi (aplikasi dan kegunaan) dan asumsi
• Model/konsep
• Hipotesis
• Asumsi
• Tahap analisis
• Praktik STATA
• Interpretasi uji
• Kesimpulan.
 Indikasi
• Analisis faktor eksplorasi bertujuan untuk mengelompokan atau
mereduksi variabel menjadi beberapa faktor, sehingga lebih
mudah dipahami.
• Analisis faktor konfirmatori dipakai menguji hipotesis validitas
dan reliabilitas faktor yang disusun berdasarkan teori dan konsep
yang sudah ada. Pada intinya, analisis faktor konfirmatori
ditujukan untuk mengkonfirmasi model yang dibuat berdasarkan
teori yang sudah ada sebelumnya dengan data emperis.
• Menganalisis hubungan antara indikator dengan konstruk, yang
dianalisis adalah seberapa besar indikator bisa dijelaskan oleh
konstruk. Menguji model pengukuran, baik untuk validitas
maupun SEM, sama.
 Konsep Dasar
• Analisis fator konfirmatori merupakan model persamaan
struktural yang terdiri dari dua bagian yaitu model
pengukuran (measurement model) yang menghubungkan
indikator/observed variabel dengan variabel latent dan
bagian yang kedua adalah model struktural yang
menghubungan antar variabel latent/konstruk
• Observed dan Latent Variable
– Variabel latent/konstruk : variabel sifatnya abstrak, tidak dapat
diukur secara langsung cth. Pengetahuan, kepuasan, dll.
– Variabel observed/indicator/manifest : variabel yang dapat
diukur untuk menjelaskan variabel konstruk/latent.
 Konsep Dasar
• Penulisan dan Penggambaran Observed dan Latent
Variable
– Variabel latent/konstruk : digambar oval
– Variabel observed/indicator/manifest : digambar kotak
– Loading faktor variabel konstruk ke variabel indikator
digambarkan dengan panah satu arah dan parameter
tersebut dilambangkan dengan lamda ().
– Loading faktor dari satu variabel latent ke variabel latent
lainnya digambarkan dengan panah satu arah dan parameter
tersebut diberi lambang beta ()
– korelasi / kovarian digambarkan dengan panah dua arah,
eror pengukuran dilambangkan dengan delta ().
 Variabel observed
(indikator): misal ada 4 -
reliability, responsifitas,
meyakinkan, penampilan
1
e1 a1
a1
VALIDITAS:
2 a2 1. ITEM
e2 a2 2. KONVEGEN
A
3 a3 RELIABILITAS:
e3 a3 3. ITEM
Variabel laten
a4 (konstruk) : 4. KONSTRUK
4 kepuasan
e4 b1

Konstrak Kepuasan
Pelanggan
Apakah indikator valid dan reliabel mengukur Konstruk?
 Validitas Item
1. Validitas Item (Indikator)
ditentukan dari loading faktor (),Valid bila nilai  > 0,5
dan validitas baik bila ≥ 0,70
2. Validitas Konstruk
• Validitas Konvergen
Menentukan keunikan indikator suatu konstrak
Dinilai dari Varian Ekstraksi (VE), bila VE > 0,5
dinyatakan valid
• Validitas discriminant
Validitas discriminant mengukur seberapa jauh suatu
konstrak berbeda dengan konstrak yang lainnya.
Convergent Validity
• Menyatakan semua indikator solid
untuk mengukur konstrak
• Ditentukan dari Average Variance
Extracted (AVE)
2
AVE = --------------------
2 + (1-2)

• Valid bila AVE > 0,50

Discriminant Validity
• Bila satu konstrak dibentuk dari
beberapa demensi (subkstrak),
keunikan dari subkonstrak,
ditentulkan dari:
– Koefisien korelasi antar
subkonstrak.
– Valid bila r < 0,7
 Reliabilitas
1. Reliabilitas Item
ditentukan dari besarnya residu () yang
besarnya = 1 – R2 atau = 1 - 2
Dinyatakan reliabel bila R2 > 0,50 atau 
< 0,5
2. Reliabilitas Instrument
ditentukan dari nilai Construct Reliability
(CR)
CR = ()2/{()2 + (1-2)}
Reliabel bila CR > 0,70
• Persyaratan/Asumsi
– Data berdistribusi normal
– Tidak boleh multikolinearitas
– Koefisien jalur : perlu diuji apa bermakna dengan uji t. lihat
nilai t dari setiap koefisien, bila nilai t > 1,96 atau angkanya
berwarna hitam maka koefisien tersebut bermakna.
Sebaliknya, bila nilai t < 1,96 atau angka nilai t berwarna
merah maka koefisien jalur tersebut tidak bermakna.
– Tidak boleh ada data extrem (SD lebih dari 3)  lihat dengan
boxplot atau histogram. Bila data normal tidak usah lihat
data extrem, pasti tak ada.
– Tidak ada variabel yang datanya missing
– Jumlah sampel rule of thumbs (minimal 5-10 kali jumlah
variabel observed)
sekitar 100-200.
 Perbedaan CFA untuk Validitas vs
Multivariabel
• Pada Multivariabel/SEM
Menghitung Goodness of Fit, indikator
memegang peranan penting. Bila tidak Fit,
modifikasi model (hilang, tambah atau
korelasi antar indikator)
Tidak mengukur skor item total pada
multivariat, tapi menggunakan regresi. Koef
Regresi standar (lamda) vs total item
HIPOTESIS CFA untuk Multivariabel
• Ho : tidak ada hubungan signifikan antara
variabel indikator dengan variabel
latent/konstruk.
• Ha : ada hubungan signifikan antara variabel
indikator dengan variabel latent/konstruk.
 LANGKAH CFA pada SEM
1. Menyiapkan data agar asumsi terpenuhi. Bila data
kurang dari jumlah minimal sampel misal karena missing,
maka bisa diganti data missing dengan nilai tengah
2. Konsepsualisasi Model
3. Diagram path
4. Spesifikasi model
5. Identifikasi model
6. Estimasi model
7. Uji model  goodness of fit
Tabel Uji Goodness of Fit Statistics