ANALISIS FAKTOR CFA

CONFIRMATORY FACTOR ANALYSIS (CFA)

KONSEP DASAR ANALISIS FAKTOR CONFIRMATORY FACTOR ANALYSIS (CFA)

Confirmatory Factor Analysis (CFA) adalah sebuah metode statistik yang digunakan untuk menguji dan mengkonfirmasi struktur faktor yang telah diusulkan sebelumnya dalam penelitian. CFA digunakan untuk menguji hipotesis mengenai hubungan antara variabel pengukuran (indikator) dengan konstruk laten yang tidak teramati secara langsung.

Dalam CFA, peneliti mengajukan model faktor yang didasarkan pada teori atau hipotesis yang ada. Model ini mengasumsikan bahwa variabel pengukuran (indikator) dipengaruhi oleh konstruk laten atau faktor yang tidak dapat diamati secara langsung. CFA membantu menguji apakah model tersebut sesuai dengan data yang dikumpulkan.

Tujuan utama dari CFA adalah untuk menguji kecocokan antara model faktor yang diusulkan dan data empiris yang dikumpulkan. Dengan menggunakan teknik-teknik statistik, CFA memeriksa sejauh mana data yang diamati sesuai dengan model yang diajukan. Hasil dari analisis ini dapat memberikan bukti yang kuat tentang kecocokan atau ketidakcocokan antara model dan data.

CFA juga memberikan informasi tentang kekuatan hubungan antara variabel pengukuran dengan faktor laten yang diusulkan. Selain itu, CFA dapat digunakan untuk menguji validitas dan reliabilitas alat ukur atau instrumen pengukuran yang digunakan dalam penelitian.

Secara umum, Confirmatory Factor Analysis (CFA) memungkinkan peneliti untuk menguji dan mengkonfirmasi model faktor yang telah diajukan sebelumnya, menguji validitas dan reliabilitas instrumen pengukuran, serta memberikan pemahaman yang lebih mendalam tentang hubungan antara variabel pengukuran dan faktor laten dalam penelitian.

Confirmatory Factor Analysis (CFA) dan Exploratory Factor Analysis (EFA) adalah dua metode analisis faktor yang umum digunakan dalam penelitian. Meskipun keduanya berkaitan dengan analisis faktor, ada perbedaan penting antara CFA dan EFA dalam tujuan, pendekatan, dan penggunaan. Berikut adalah perbedaan antara CFA dan EFA:

Dari segi tujuan, CFA adalah untuk menguji kecocokan antara model faktor yang telah diajukan sebelumnya dengan data yang dikumpulkan. CFA berfokus pada menguji hipotesis yang telah diajukan sebelumnya dan menguji struktur faktor yang telah dirumuskan. Sedangkan tujuan EFA adalah untuk mengidentifikasi struktur faktor yang muncul dari data tanpa adanya hipotesis sebelumnya. EFA digunakan untuk mengeksplorasi pola hubungan antara variabel pengukuran dan mengidentifikasi faktor-faktor laten yang mungkin ada.

Dari segi pendekatan analisis, CFA menggunakan pendekatan konfirmatori, di mana peneliti mengajukan model faktor yang telah diusulkan sebelumnya dan menguji kecocokannya dengan data empiris. CFA menerapkan teknik-teknik statistik untuk menguji apakah model tersebut cocok dengan data yang diamati. Sedangkan EFA menggunakan pendekatan eksploratori, di mana analisis faktor dilakukan tanpa adanya model faktor yang diusulkan sebelumnya. EFA digunakan untuk mengeksplorasi struktur faktor yang muncul dari data dengan menggunakan teknik-teknik statistik untuk mengidentifikasi pola hubungan antara variabel pengukuran.

Dari segi penggunaan, CFA umumnya digunakan ketika peneliti memiliki teori atau hipotesis yang kuat tentang struktur faktor yang diharapkan. CFA digunakan untuk menguji kecocokan model faktor dengan data empiris dan memberikan dukungan empiris terhadap model yang diusulkan. Sedangkan EFA umumnya digunakan ketika peneliti ingin mengeksplorasi dan mengidentifikasi faktor-faktor laten yang mungkin ada dalam data tanpa adanya hipotesis yang kuat. EFA membantu mengungkap pola hubungan antara variabel pengukuran dan mengidentifikasi faktor-faktor yang mungkin berperan dalam menjelaskan variasi data.

Meskipun terdapat perbedaan tersebut, CFA dan EFA dapat saling melengkapi dalam penelitian. EFA dapat digunakan untuk menjelajahi data dan mengidentifikasi faktor-faktor laten yang mungkin ada, sedangkan CFA dapat digunakan untuk menguji dan mengkonfirmasi model faktor yang telah diusulkan berdasarkan hasil EFA atau teori yang ada sebelumnya.

Confirmatory Factor Analysis (CFA) memiliki beberapa tujuan dan kegunaan penting dalam penelitian, yaitu:

Konfirmasi dan pengujian model: CFA digunakan untuk menguji kecocokan model faktor yang telah diusulkan sebelumnya dengan data empiris. Tujuannya adalah untuk menguji hipotesis dan mengkonfirmasi struktur faktor yang telah dirumuskan berdasarkan teori atau penelitian sebelumnya. CFA membantu peneliti dalam menguji dan mendukung model konseptual yang ada.
Validitas dan reliabilitas instrumen: CFA dapat digunakan untuk menguji validitas dan reliabilitas alat ukur atau instrumen pengukuran yang digunakan dalam penelitian. Dengan menguji hubungan antara variabel pengukuran (indikator) dan faktor laten yang diusulkan, CFA memberikan bukti empiris tentang sejauh mana instrumen pengukuran tersebut mampu mengukur dengan tepat konstruk yang dimaksud.
Pengukuran faktor laten: CFA membantu dalam mengukur dan memahami faktor laten yang tidak dapat diamati secara langsung. Dengan menganalisis hubungan antara variabel pengukuran dan faktor laten, CFA memungkinkan peneliti untuk mengidentifikasi faktor-faktor yang mendasari variasi dalam data pengukuran.
Evaluasi teori dan model konseptual: CFA membantu peneliti dalam menguji dan mengevaluasi teori atau model konseptual yang ada. Dengan menguji kecocokan antara model faktor yang diusulkan dan data empiris, CFA dapat memberikan dukungan atau pembuktian terhadap teori atau model konseptual yang ada. Selain itu, jika ada ketidakcocokan antara model dan data, CFA dapat membantu dalam mengidentifikasi kelemahan atau kekurangan dalam model yang perlu diperbaiki.
Pemahaman lebih dalam tentang hubungan antarvariabel: CFA memberikan pemahaman yang lebih mendalam tentang hubungan antara variabel pengukuran dan faktor laten. Dengan menganalisis beban faktor (factor loading) dan korelasi antara faktor laten, CFA membantu dalam memahami sejauh mana variabel pengukuran berkontribusi terhadap faktor laten dan bagaimana faktor laten saling terkait.

Dengan menggunakan CFA, peneliti dapat memperoleh pemahaman yang lebih mendalam tentang struktur faktor, validitas dan reliabilitas instrumen, serta konfirmasi model yang digunakan dalam penelitian. Hal ini dapat membantu dalam menguatkan bukti empiris, mengembangkan teori, dan memberikan dasar yang kuat untuk pengambilan keputusan dalam berbagai bidang penelitian.

Dalam analisis faktor, terdapat dua konsep penting yang terkait dengan Confirmatory Factor Analysis (CFA): struktur faktor dan variabel laten.

Struktur Faktor: Struktur faktor merujuk pada hubungan antara variabel pengukuran (indikator) dengan konstruk laten yang tidak dapat diamati secara langsung. Konstruk laten merupakan konsep abstrak atau variabel yang tidak dapat diukur secara langsung, tetapi dapat diperkirakan melalui pengukuran variabel pengukuran. Struktur faktor menjelaskan hubungan antara variabel pengukuran dan konstruk laten yang mereka wakili.

Dalam CFA, struktur faktor diwakili oleh model faktor yang diajukan. Model ini mengasumsikan bahwa variabel pengukuran dipengaruhi oleh satu atau lebih faktor laten. Struktur faktor menggambarkan hubungan antara faktor laten dan variabel pengukuran, termasuk hubungan antara faktor laten yang mendasari dan cara variabel pengukuran memperoleh informasi tentang faktor tersebut.

Variabel Laten: Variabel laten adalah konstruk atau faktor yang tidak dapat diamati secara langsung, tetapi diwakili oleh indikator atau variabel pengukuran. Variabel laten tidak dapat diukur secara langsung karena sifatnya yang abstrak atau tersembunyi. Sebaliknya, kita mengukur variabel laten melalui indikator atau variabel pengukuran yang dipilih dengan hati-hati.

Misalnya, dalam penelitian tentang kecerdasan, kecerdasan merupakan variabel laten yang tidak dapat diukur secara langsung. Namun, kita dapat menggunakan berbagai tes atau indikator, seperti tes IQ, tes verbal, tes numerik, dan sebagainya, untuk mengukur dan memperkirakan tingkat kecerdasan seseorang. Dalam CFA, variabel laten diwakili oleh faktor laten dalam model faktor.

Confirmatory Factor Analysis (CFA) memiliki kelebihan dan kekurangan tertentu yang perlu diperhatikan. Berikut ini adalah beberapa kelebihan dan kekurangan yang terkait dengan penggunaan CFA:

Berikut Kelebihan CFA, diantaranya:

Berikut Kelebihan CFA, diantaranya:

Pengujian Hipotesis: CFA memungkinkan peneliti untuk menguji hipotesis yang spesifik tentang hubungan antara faktor laten dan variabel pengukuran. Dengan menggunakan pendekatan konfirmatori, peneliti dapat secara langsung menguji apakah model faktor yang diajukan sesuai dengan data empiris.
Pengukuran Faktor Laten: CFA memungkinkan peneliti untuk mengukur faktor laten atau konstruk abstrak yang tidak dapat diamati secara langsung. Dengan menganalisis hubungan antara variabel pengukuran dan faktor laten, CFA memberikan indikasi tentang bagaimana indikator mencerminkan faktor laten yang mendasarinya.
Validitas dan Reliabilitas: CFA membantu dalam menguji validitas dan reliabilitas instrumen pengukuran. Dengan memperoleh bukti empiris tentang hubungan antara variabel pengukuran dan faktor laten, peneliti dapat memperoleh kepercayaan lebih dalam validitas dan reliabilitas alat ukur yang digunakan.
Pembandingan Model: CFA memungkinkan pembandingan antara beberapa model alternatif. Dengan menggunakan kriteria evaluasi model, seperti chi-square, indeks kecocokan, dan nilai residual, peneliti dapat memilih model yang paling sesuai dengan data.
Pemahaman Konstruk: CFA memberikan pemahaman yang lebih baik tentang hubungan antara variabel pengukuran dan faktor laten. Dengan memperoleh beban faktor dan korelasi antarfaktor, peneliti dapat memahami kontribusi masing-masing indikator terhadap faktor laten dan hubungan antara faktor laten.

Selain memiliki kelebihan, bukan berarti CFA tidak mempenyai kekurangan, berikut kekurangan dari CFA, diantaranya:

Asumsi dan Persyaratan: CFA mengandalkan asumsi tertentu, seperti normalitas data dan independensi antarvariabel. Jika asumsi tersebut tidak terpenuhi, hasil analisis dapat terdistorsi. Selain itu, CFA juga membutuhkan jumlah sampel yang memadai dan representatif.
Kebergantungan pada Model yang Diajukan: CFA didasarkan pada model faktor yang diajukan oleh peneliti. Jika model yang diajukan tidak sesuai dengan data atau tidak mewakili struktur yang benar, hasil analisis dapat menjadi tidak valid. Oleh karena itu, perumusan model yang tepat sangat penting.
Kelemahan dalam Mengukur Konstruk yang Kompleks: CFA mungkin memiliki keterbatasan dalam mengukur konstruk yang kompleks atau multidimensional. Jika konstruk melibatkan aspek yang kompleks atau multidimensional, mungkin diperlukan pendekatan analisis yang lebih canggih atau model yang lebih kompleks.

BERIKUT CARA ANALISIS FAKTOR CFA DENGAN SPSS:

Siapkan tabulasi data di Excel, lalu input data atau masukan data ke SPSS pada Page Data View. Dalam Page ini terdapat 3 variabel yang akan di uji, apakah indikator di dalam nya mampu mewakili variabel tersebut

Jangan lupa isikan juga pada Page Variable View.

Selanjutnya lakukan analisis data, dengan cara pilih menu Analyze – Dimension Reduction – Factor.

Muncul kotak dialog, seperti ini :

Masukan semua item ke kolom sebelah kanan (Variables)

Lalu pilih Descriptives – Ceklis KMO and Bartlett’s test of sphericity dan Anti-image – lalu pilih Continue.

Selanjutnya pilih Rotation – dibagian Method pilih Varimax – lalu Continue.

Selanjutnya pilih menu Options – dibagian Coefficient Display Format pilih Suppress Small Coefficient – lalu bagian Absolute Value Below isikan angka 60 sebagai Acuan Factor Loading – Continue dan OK.

Selanjutnya pilih menu Options – dibagian Coefficient Display Format pilih Suppress Small Coefficient – lalu bagian Absolute Value Below isikan angka 60 sebagai Acuan Factor Loading – Continue dan OK.

Keluar Output (1) SPSS untuk ANALISIS FAKTOR CFA

Interpretasi atau Analisis Output (1) ANALISIS FAKTOR CFA:

Diketahui Nilai Kaiser Meyer Oikin Measure Of Sampling Adequacy (KMO MSA) sebesar 0.718 > 0.50 dan Nilai Sig 0.000 < 0.05 maka bisa disimpulkan bahwa Asumsi Analisis Faktor telah terpenuhi.

Selanjutnya Output (2) SPSS dalam ANALISIS FAKTOR CFA :

Interpretasi atau Analisis Output (2) ANALISIS FAKTOR CFA:

Diketahui Nilai Anti Image Correlation (kolom warna merah) lebih besar dari 0.50 (>0.50) maka bisa diartikan asumsi Measure Of Sampling Adequacy (MSA) telah terpenuhi

Selanjutnya Output (3) SPSS untuk ANALISIS FAKTOR CFA

Interpretasi atau Analisis Output (3) ANALISIS FAKTOR CFA:

Keseluruhan nilai ekstraksi pada tabel communalities di setiap indikator memiliki nilai extraction lebih besar dari 0.50 sehingga telah memenuhi syarat komunalitas. Secara keseluruhan, dapat diartikan bahwa semua indikator yang digunakan memiliki hubungan yang kuat dengan faktor yang terbentuk atau 3 variabel yang di uji.

Selanjutnya Output (4) SPSS untuk ANALISIS FAKTOR CFA

Interpretasi atau Analisis Output (4) ANALISIS FAKTOR CFA:

Total variance explained menghasilkan tiga faktor yang dibentuk berdasarkan nilai eigenvalue lebih dari satu. Faktor pertama memiliki nilai eigenvalue sebesar 7.376, faktor kedua memiliki nilai eigenvalue sebesar 1.957, dan faktor ketiga memiliki nilai eigenvalue sebesar 1.100, Faktor-faktor yang terbentuk memiliki nilai total percentage of variance sebesar 86.940% dari 12 Indikator yang dapat dijelaskan oleh tiga faktor yang terbentuk. Artinya indikator yang digunakan udah mampu membentuk 3 faktor dari 3 variabel yang di analisis.

Interpretasi atau Analisis Output (4) ANALISIS FAKTOR CFA:

Selanjutnya Output (5) SPSS untuk ANALISIS FAKTOR CFA

Interpretasi atau Analisis Output (5) ANALISIS FAKTOR CFA:

Nilai Factor Loading pada keempat indikator Variabel X lebih besar dari 0.60 (Factor Loading > 0.60) maka bisa disimpulkan bahwa keempat indikator dalam Variabel X mampu mengukur dan mewakili Variabel X tersebut, karena nilai Factor Loading yang diperoleh mengelompok dalam 1 Component atau Faktor. (Kolom Merah)
Nilai Factor Loading pada kelima indikator Variabel M lebih besar dari 0.60 (Factor Loading > 0.60) maka bisa disimpulkan bahwa kelima indikator dalam Variabel M mampu mengukur dan mewakili Variabel M tersebut, karena nilai Factor Loading yang diperoleh mengelompok dalam 1 Component atau Faktor. (Kolom Hijau)
Nilai Factor Loading pada kelima indikator Variabel Y lebih besar dari 0.60 (Factor Loading > 0.60) maka bisa disimpulkan bahwa kelima indikator dalam Variabel Y mampu mengukur dan mewakili Variabel Y tersebut, karena nilai Factor Loading yang diperoleh mengelompok dalam 1 Component atau Faktor. (Kolom Coklat)

NOTE :

Jumlah data yang digunakan dalam contoh sebanyak 85 data, maka Factor Loading acuan yang di peroleh sebesar 0.60