Confirmatory Factor Analysis (CFA) dengan AMOS (Part 1)

Tulisan sebelumnya telah membahas teknik analisis faktor konfirmatori / Confirmatory Factor Analysis (CFA) dengan menggunakan software LISREL. Tulisan ini akan menyajikan cara analisis faktor konfirmatori dengan menggunakan software AMOS. AMOS sendiri adalah singkatan dari Analisis of Moment Structures yang digunakan sebagai pendekatan umum analisis data dalam Model Persamaan Struktural. AMOS sendiri merupakan salah satu software berbayar yang menjadi pelengkap SPSS dalam melakukan analisis struktural. Berbeda dengan LISREL yang banyak menggunakan script, AMOS lebih mudah dipahami oleh orang awam karena penggunaan software yang berbasiskan grafik. Dengan demikian pengguna dapat dengan leluasa menggambar model sesuai dengan yang dihipotesiskan. Namun bagi sebagian orang tentu proses menggambar ini lebih memakan waktu jika dibandingkan dengan menuliskan script.

Menyiapkan Data File
Data file yang dapat digunakan dalam analisis di AMOS bermacam-macam, kita dapat mengimpor dari excel, SPSS, txt, csv, dll. Dalam contoh kali ini, kita akan menggunakan file dari SPSS. Dalam contoh ini kita akan menggunakan data yang sama seperti analsis sebelumnya dengan LISREL, namun dengan file SPSS yakni WFB.sav. Fomat inputnya pun sama, yakni seperti gambar di bawah ini.
Ini adalah contoh data yang akan kita gunakan. Data ini adalah data skala Work-Family Balance (WFB), yang terdiri atas 3 aspek yakni satisfaction balance, time balance, dan involvement balance. Aspek satisfaction terdiri atas 3 item yakni SAT1-SAT3, aspek time terdiri atas 4 item yakni TIME1-TIME4, dan aspek involvement terdiri atas 3 item yaitu INV1-INV4. File contoh di atas saya beri nama WFB.sav. Kita akan melakukan analisis faktor konfirmatori untuk mengetahui apakah model yang diestimasi fit dengan data. Dengan arti lain, apakah indikator-indikator (item) tersebut benar-benar mengukur faktor laten yang dimodelkan.

Mengimpor Data File
Untuk mengimpor data dari SPSS, klik file – Data Files. Lalu pilih file name dan ganti format SPSS yaitu .sav. Kemudian pilih file yang akan digunakan sebagai data file kita yaitu WFB.sav. Jika sudah tekan OK, dan data kita sudah masuk ke AMOS.

Menggambar Model
Untuk mulai menggambar model, kita manfaatkan menu bar yang ada di sebelah kiri. Namun sebelum memulai menggambar, perlu kita ketahui bahwa ada dua jenis variabel nantinya dalam AMOS, yakni variabel laten dan variabel manifest/indikator. Variabel latan merupakan variabel yang tidak diukur secara langsung dan dalam AMOS dilambambangkan dengan bentuk elips. Sedangkan variabel manifest/indikator merupakan variabel yang diukur secara langsung dan dalam AMOS dilambangkan dengan bentuk kotak. Jadi jika kita memiliki kuesioner dan item dalam kuesioner tersebut memiliki skor item, maka skor item tersebutlah yang disebut variabel manisfest/indikator. Sedangkan variabel manifest inilah yang akan membentuk variabel laten, sehingga dalam model variabel laten akan direfleksikan oleh skor variabel manifest.

Untuk menggambar variabel laten dan manisfest secara bersamaan, dalam menu bar pilih menu yang terletak di pojok kanan atas sesuai yang ditunjukkan oleh gambar di bawah ini atau pilih menu diagram – draw indicator variable.

Jika sudah, klik dan mulai menggambar di layar warna putih. Pertama-tama kita akan menggambar variabel latennya terlebih dahulu. Jika variabel laten sudah terbentuk, lalu kita gambar variabel manifestnya dengan cara mengklik gambar variabel laten. Tiap satu klik akan menambah satu variabel manifest. Jadi jika misalkan variabel laten satisfaction memiliki tiga variabel manisfest, maka kita harus mengklik 3x. Lalukan cara yang sama untuk membuat gambar variabel time dan involvement. Kita juga bisa memperbesar/memperkecil objek, menggeser, merotasi, dll gambar kita sesuai dengan keinginan kita dengan memanfaatkan menu yang ada sesuai dengan gambar di atas.

Jika kita sudah selesai menggambar ketiga variabel kita baik itu variabel laten maupun variabel indikatornya, maka langkah selanjutnya adalah mengkovariabelkan atau mengkorelasikan ketiga variabel tersebut. Korelasi ini harus didukung teori, yakni bahwa ketiga aspek dalam WFB ini memang saling berkorelasi. Untuk menggambar korelasi antar aspek satisfaction, time, dan involvement, kita pilih menu untuk menggambar korelasi (panah dua), atau melalui menu diagram – draw covariance, lalu hubungkan ketiga variabel tersebut. Sehingga kita akan mendapatkan model dengan bentuk seperti ini.
Memberi nama dan Memasukan Data
Gambar di atas belum memiliki keterangan variabel dan juga belum diinput dengan data kita. Ada tiga tahap yang wajib kita lakukan, yakni 1) memberi nama variabel laten, 2) memasukan data variabel manifest, dan 3) memberi nama eror.
Untuk memberi nama variabel laten, kita tinggal doble klik pada gambar variabel yang akan kita beri nama, kemudian pilih tab text, lalu beri nama pada variabel name dan variabel label. Untuk ketiga variabel tersebut, masukan nama satisfaction, time, dan involvement.
   Sebelum memasukkan data variabel manifest, kita perlu memanggil data yang telah kita impor sebelumnya. Untuk melihat data kita, klik pada menu view - variabel in dataset, kemudian silakan seret data yang ada ke variabel manifest kita.

   Untuk memberi nama eror kita dapat melakukannya secara manual sama seperti cara memberi nama variabel laten. Namun kita juga dapat melakukannya secara otomatis dengan cara mengklik menu plugins – name unobserved variables.
Jika semua langkah tersebut telah selesai kita lakukan, maka kita sudah selesai menggambarkan model kita. Hingga akhirnya kita akan memperoleh model seperti ini.
Menjalankan Analisis Faktor Konfirmatori
Setelah model selesai kita gambar, kita siap untuk menjalankan estimasi analisis faktor konfirmatori. Namun sebelumnya, kita perlu mengatur output apa saja yang kita perlukan. Untuk mengatur output yang akan ditampilkan, pilih menu view – analysis properties, kemudian pilih tab output dan centang standardized estimates dan modofication indices. Standardized estimates adalah pilihan untuk menampilkan nilai loading factor terstandar kita, sedangkan modification indices adalah pilihan untuk menampilkan rekomendasi AMOS agar model kita lebih baik. Jika semua sudah siap, kita simpan file kita terlebih dahulu dengan memilih menu file – save, kemudian data siap untuk dianalisis.


Untuk menjalankan analisis, klik analyze – calculate estimates. Jika analisis sudah selesai, kita dapat melihat output kita pada gambar yang ada.

Gambar di atas merupakan output hasil analisis kita. Untuk melihat loading factor klik view the output path diagram, seperti ditunjukkan gambar di atas. Untuk mengubah loading factor menjadi nilai tersandar, pilih standardized estimates seperti ditunjukkan panah gambar di atas. Dari output tersebut dapat kita lihat bahwa item/indikator yang mengukur variabel laten satisfaction, time, dan involvement memiliki loading factor yang cukup tinggi, yakni > 0,5, kecuali pada item INV3. Kita juga dapat melihat bahwa antar aspek yang mengukur WFB, memiliki korelasi yang cukup tinggi yakni di atas 0,6. 

Untuk melihat output lainnya, dapat dilihat di tulisan part 2

Pensiunan guru SD yang sudah promosi menjadi dosen Psikologi di Universitas Muhammadiyah Malang

Share this

Related Posts

Previous
Next Post »

8 komentar

Write komentar
February 17, 2018 at 7:25 AM delete

Salam kenal mas, saya dosen konstruksi alat ukur psikologi dari sebuah universitas swasta di Jakarta. Terima kasih sudah menyajikan tutorial penggunaan Amos untuk CFA yang begitu bermanfaat bagi saya. Namun ada beberapa hal yang nampaknya masih mengganjal dan ingin saya tanyakan, yaitu:

Apakah item/indikator dengan loading yang tidak mencapai 0,5 (seperti INV3) harus dibuang, atau tetap dipertahankan? Bagaimana mempertimbangkannya?

Terima kasih sebelumnya Mas.

Salam,
Garvin

Reply
avatar
April 1, 2018 at 8:04 AM delete

Salam kenal mas, waduh saya malah ditanya dosen konstruksi alat ukur ini. Maaf baru bales komentarnya, terskip kemarin. Dari beberapa literatur yang saya baca memang banyak yang menyarankan item dengan loading factor di bawah 0,5 tidak diikutsertakan dalam model pengukuran (beberapa ahli banyak ada yang menyarankan batas minimal 0,7). Tapi hal ini tergantung juga pada tujuan CFA, kalau untuk mengembangan skala memang sebaiknya item tersebut dibuang atau direvisi, apalagi kalau model pengukuran ini nantinya akan digunakan untuk analisis model struktural. Tapi kalau tujuannya hanya melihat ketepatan model keseluruhan atau untuk membandingkan dengan model lain, item ini bisa dipertahankan.

Reply
avatar
May 17, 2018 at 1:42 AM delete

Salam pak, saya mau tanya jika nilai standardized loading factor = 1 masih bisa dikatakan valid tidak? Terimakasih

Reply
avatar
May 18, 2018 at 1:52 AM delete

standardized loading factor = 1 atau di atas 1? Kalau di atas 1 itu terjadi Heywood case, yang berarti ada masalah dalam analisis (Apa itu Heywood case silakan googling)

Reply
avatar
February 21, 2019 at 4:32 PM delete

Salam kenal mas, mau bertanya. Data yg dimasukkan seperti apa? Apakah hasil kuisioner mentah, klau bukan diolah seperti apa?

Reply
avatar
Ika
April 26, 2019 at 12:47 PM delete

Salam pak, saya ingin bertanya.
Penelitian saya ada 2 var laten, 9 dimensi, dan 26 indikator.
Lalu item kuesioner saya ada 69 buti (X 55 dan Y 14).

Maka untuk variabel manifes mana yang harus saya masukan ke model? Dimensi, indikator atau item pertanyaan kuesioner?

Terimakasih pak

Reply
avatar
May 22, 2019 at 1:27 AM delete

Selamat sore mas, saya mau mau tanya apa penyebab rmsea dan tli tidak muncul? Saya ada 2 kontruk menggunakan 3 variabel. Terima kasih mas

Reply
avatar
August 15, 2019 at 9:59 PM delete

Saya sudah coba masukkan file, tetapi saat di run/calculate tidak berhasil. Ada dialog "bahwa variabel x1.1.1 adalah variabel yg harusnya kotak, bukan ellips" sehingga gagal di run.
Bagaimana ya xara mengatasinya

Reply
avatar

Artikel Lainnya