Wednesday, November 8, 2017

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

Menilai Ketepatan Model
Tujuan utama dilakukannya analisis faktor konfirmatori adalah untuk menguji model, sehingga bagian terpenting dalam analisis ini adalah estimasi Goodness of fit statistics.Kriteria ketepatan model sudah dijelaskan dalam tulisan sebelumnya pada bagian analisis faktor konfirmatori dengan LISREL, di bagian ini akan saya copy paste lagi. Untuk melihat output kita, klik view – text output. Kemudian pilih bagian model fit, maka kita akan melihat output seperti ini.
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=0,956; AGFI=0,925; CFI=0,953; NFI=0,937. Hasil ini juga tidak jauh berbeda dengan estimasi kita dengan menggunakan software LISREL. Dengan meilhat parameter model di di atas, dapat kita katakan bahwa model pengukuran WFB kita fit.

Modification Indices Suggestion
Salah satu kelebihan AMOS adalah mampu memberikan sugesti modifikasi model agar diperoleh model yang lebih fit. Untuk melihat saran modifikasi model, kita dapat melihat pada output di bagian modification indices. contoh modification indices yang disarankan AMOS dapat dilihat pada gambar di bawah ini.

Gambar di atas menjelaskan contoh modifikasi yang disarankan AMOS. Sebagai contoh, output di atas Lisrel meminta kita untuk memberikan jalur baru dari TIME1 menuju SAT1. Jika prosedur ini dilakukan, model baru kita akan memiliki penurunan chi-square sebesar 10,866. 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 SAT1 tidak sesuai dengan konstrak kita, karena sudah lintas faktor. Item TIME seharusnya hanya mengukur faktor TIME saja.

Contoh lainnya dari output di atas adalah AMOS merekomendasikan untuk mengkovariankan e4 dan e10. Jika prosedur ini dilakukan, model baru kita akan memiliki penurunan nilai chi-square sebesar 23,346, 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 e1 dan e2, e1 dan e4, e2 dan e4, e3 dan e4, e5 dan e7, untuk memperoleh model yang lebih baik. Untuk memodifikasinya, kita bisa menggambarkan secara langsung.

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..

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.

4 comments:

  1. Terima kasih banyak pak atas artikelnya, amat sangat membantu saya dalam belajar cfa dgn amos. Hasil cfa dari data sy menunjukkan model sudah fit, namun ada 3 item yg nilai loading factor di bawah 0.04. Apkah ketiga item itu harus didelete atau bagaimana ya pak? Mohon dengan sangat pencerahannya, trims

    ReplyDelete
  2. selamat siang pak, izin bertanya
    apakah nilai yang disarakan oleh modification indices itu bisa dipake untuk menghapus indikator yang sering muncul pak? karena dibeberapa tutorial di yutup ada yang menggunakan MI tersebut sebagai dasar penghapusan indikator agar modelnya fit.
    terimakasih

    ReplyDelete
  3. Terimakasih banyak Pak,artikelnya sangat bermanfaat, step by stepnya mudah diikuti

    ReplyDelete