Confirmatory Factor Analysis (CFA) dengan LISREL (Part 2)

Tulisan ini merupakan kelanjutan dari Part 1  yang sudah banyak memberikan panduan untuk melakukan input dan mulai mengnalisis data. Bagian ini akan banyak memberikan panduan dalam membaca output dan interpretasinya.

Membaca Output

Jika kita klik menu windows, maka akan ada empat file disitu, WFB.psf, WFB.spl, WFB.OUT, WFB.PTH. Output yang memberikan gambar diagram jalur model kita dapat dilihat di file WFB.PTH.

Gambar di atas merupakan output dari WFB.PTH. Dari gambar tersebut merupakan standardized solution dari hasil analisis kita. Kita bisa mengganti nilai estimates dengan mengganti pilihan pada menu estimates. Dari data di atas dapat kita lihat, setiap item memiliki loading factor yang cukup tinggi dalam mengukur faktor latennya, rata-rata memiliki nilai di atas 0,50, kecuali untuk item INV3. Dari gambar tersebut sebenarnya kita bisa melihat bahwa item-item yang digunakan sudah cukup baik dalam mengukur konstrak WFB. Antar faktor juga memiliki korelasi yang cukup tinggi yakni di atas 0,6. Hal ini wajar karena memang ketiganya mengukur variabel yang sama yaitu WFB.

Output kedua yang diberikan oleh Lisrel adalah output lengkap yang ada dalam file WFB.OUT. Output ini menyajikan banyak hal, seperti matrix kovarians, persamaan pengukuran, Goodness of fit statistics, Modification Indices Suggestion, standaridize solution.

gambar di atas merupakan output berupa matrix kovarians antar indikator.

Gambar di atas merupakan persamaan pengukuran (measurement equation) yang menerangkan hubungan antara variabel laten dengan masing-masing indikatornya. Persamaan tersebut diestimasi dengan metode maximum likelihood (ML).

Goodness of Fit Model

Bagian terpeting dari output analisis faktor konfirmatori dengan Lisrel ini adalah bagian Goodness of fit statistics, mengingat CFA merupakan suatu metode untuk menguji model. Pada dasarnya evaluasi model fit dilakukan dari beberapa kriteria yaitu penilaian model secara keseluruhan dan signifikansi estimasi parameter tiap item (Byrne, 1998). Penilaian model secara keseluruhan dapat diperoleh berdasarkan indeks kecocokan model (Goodness of fit statistics) yang dihasilkan LISREL.

Indeks ketepatan model paling umum adalah nilai Chi-Square (Joreskog & Sorbom, 1993). untuk menilai model fit maka diharapkan nilai Chi-Square tidak signifikan (p-value>0.05) karena hasil tersebut menandakan bahwa tidak ada perbedaan antara model dengan data (Joreskog & Sorbom, 1993). Meskipun demikin, nilai chi-square sangat sensitif terhadap jumlah sampel, dimana jika sampel besar ada kecenderungan hasil estimasi untuk signifikan, sehingga diartikan sebagai model tidak fit. Jika memang demikian peneliti disarankan untuk melihat parameter yang lain. Beberapa indeks yang sering dijadikan acuan penilaian model fit diantaranya adalah:

• GFI (goodness fit index) termasuk indek kecocokan model yang sering dijadikan acuan penilaian model fit. GFI adalah indeks ketepatan model dalam menjelaskan model yang disusun. Untuk menentukan model fit berdasarkan GFI, nilai GFI diharapkan ≥ 0,90. Nilai GFI memiliki kisaran nilai antara 0,00 (poor fit) hingga 1,00 (perfect fit) (Joreskog & Sorbom, 1993).
• RMSEA (root mean square error of aproximation) menjelaskan residu yang terdapat di dalam model. Besaran nilai RMSEA yang diharapkan ≤ 0,05. Nilai RMSEA ≤ 0,05 menandakan close fit, sedangkan jika nilai tersebut berada pada rentang 0,05<RMSEA≤0,08 model masih dapat diterima sebagai model yang fit (good fit) (Browne & Cudeck, 1993).
• CFI (comparative fit index) adalah nilai perbandingan model yang disusun dengan model yang ideal. Nilai CFI yang diharapkan adalah di atas 0,90 (Hooper, Coughlan, & Mullen, 2008).
• AGFI (Adjusted Goodness of Fit)merupakan kriteria fit index pengembangan dari GFI yang disesuaikan dengan ratio degree of freedom untuk proposed model dengan degree of freedom untuk null model. Nilai AGFI yang direkomendasikan untuk indikasi model fit adalah ≥ 0,90 (Schumacker dan Lomax, 2010).
• NFI (Normed Fit Index) merupakan perbandingan proposed model dengan null model. Nilai NFI yang diharapkan adalah  ≥ 0,95 (Schumacker dan Lomax, 2010).

Dari contoh output di atas, kita dapat melihat bahwa model pengukuran WFB yang diajukan memiliki RMSEA = 0,072; GFI=0,96; AGFI=0,93; CFI=0,97; NFI=0,97. Dengan meilhat parameter model di di atas, dapat kita katakan bahwa model pengukuran WFB kita fit.

Modification Indices Suggestion

Selain memberikan output berupa penilaian model fit, Lisrel juga memberikan keluaran berupa rekomendasi agar kita memperoleh model yang lebih baik. Namun yang harus diperhatikan adalah untuk melakukan prosedur modification ini harus dibarengi dengan landasan teortis yang kuat juga, sehingga model yang dimodifikasi tidak menyalahi dari konsep teortis yang hendak diuji. Dalam output di atas Lisrel memberikan jalur baru dan mengkovariankan eror.

Sebagai contoh, output di atas Lisrel meminta kita untuk memberikan jalur baru dari TIME1 menuju SATIS. Jika prosedur ini dilakukan, model baru kita akan memiliki penurunan chi-square sebesar 20,8. Hal ini tentu akan menghasilkan model yang lebih baik. Namun tentu saja prosedur ini tidak bisa dibarengi dengan landasan teortis yang kuat karena memberikan jalur dari TIME1 ke SATIS tidak sesuai dengan konstrak kita, karena sudah lintas faktor. Item TIME seharusnya hanya mengukur faktor TIME saja.

Contoh lainnya dari output di atas adalah Lisrel merekomendasikan untuk mengkovariankan eror antara TIME1 dan SAT1. Jika prosedur ini dilakukan, model baru kita akan memiliki penurunan nilai chi-square sebesar 23,8, yang tentu saja membuat model menjadi lebih baik. Namun beberapa peneliti juga tidak menyarankan prosedur ini, karena mengkovariankan eror pengukuran sama saja dengan mengakui bahwa ada faktor lain yang diukur di luar faktor laten kita. Namun beberapa memperbolehkan, asalkan masih dalam satu faktor laten yang sama. Sehingga dalam contoh di atas kita bisa mengkovariankan eror antara TIME1 dan TIME4, TIME4 dan TIME3, INV1 dan INV3, INV2 dan INV1 untuk memperoleh model yang lebih baik. Untuk menentukan error mana yang akan kita kovariankan, pilihlah yang jika dilakukan akan menurunkan chi-square paling besar. Dalam contoh ini kita akan mengkovariankan eror TIME3 dan TIME4 serta INV1 dan INV3. Untuk memodifikasinya, kita bisa melakukan di diagram kita atau menambahkan syntax kita, sehingga syntax kita menjadi. 

OBSERVED VARIABLES SAT1 TIME1 SAT2  TIME2 INV1  INV2  TIME3 SAT3  TIME4 INV4
RAW DATA FROM FILE WFB.psf
SAMPLE SIZE = 526
LATENT VARIABLES  SATIS TIME  INVOL
SAT1  SAT2  SAT3 = SATIS
TIME1 TIME2 TIME3 TIME4 = TIME
INV1  INV2  INV3 = INVOL
Let Error Covariance of TIME3 and TIME4 Free
Let Error Covariance of INV1 and INV3 Free
OPTIONS: SS SC
PATH DIAGRAM
END OF PROBLEM

Dengan demikian jika kita run kembali syntax kita (tekan F5), output diagram dan estimasi model fit kita juga akan berubah.

  

Referensi

Browne, M.W & Cudeck, R. (1993). Alternative ways of assessing model fit. In: Bollen, Kenneth & Long, J. Scott. (editors). (1993). Testing structural equation model. Sage Publication.

Byrne, Barbara M. (1998). Structural equation modeling with LISREL, PRELIS and SIMPLIS: Basic concept, applications and programming. New Jersey: Lawrence Erlbaum Associates.

Hooper, D., Coughlan, J., & Mullen, M. (2008). Structural equation modelling: Guidelines for determining model fit. Articles, 2.

Joreskog, K.G & Sorbom, D. (1993). Structural equation modeling with the SIMPLIS command language. Chicago: Scientific Software International.

Schumacker, R. E., & Lomax, R. G. (2010). A beginner’s guide to structural equation modeling (3rd ed). New York: Routledge.

Author : Hanif Akhtar

Mahasiswa PhD di ELTE, Hungaria. Dosen Psikologi di UMM, Indonesia.

Share this

Related Posts