Confirmatory Factor Analysis - repository.unair.ac.idrepository.unair.ac.id/25582/12/12. Bab...

6

BAB II

TINJAUAN PUSTAKA

2.1. Confirmatory Factor Analysis

Menurut Hair et al (2010), Confirmatory Factor Analysis (CFA) adalah

bagian dari SEM ( Structural Equation Modeling) yang berguna untuk menguji

bagaimana variabel-variabel terukur (indikator-indikator) yang baik dalam

menggambarkan atau mewakili suatu bilangan dari suatu faktor, dimana dalam

CFA faktor dapat disebut juga dengan konstrak. Konstrak merupakan suatu

variabel tak terukur yang membutuhkan variable-variabel terukur (indikator)

untuk dapat menggambarkan konstrak tersebut. Selain itu CFA juga digunakan

untuk menguji penegasandari teori pengukuran. Teori pengukuran digunakan

untuk menentukan bagaimana variabel-variabel terukur,dapat menggambarkan

secara logis dan sistematik suatu konstrak yang ditampilkan dalam suatu model.

Berikut ini contoh diagram jalur untuk CFA sederhana berdasarkan teori

pengukuran dari dua konstrak, yaitu Supervisor Support dan Work Environment :

Gambar 2.1.1 Diagram jalur CFA

ADLN - Perpustakaan Universitas Airlangga

Skripsi Analisis Pengaruh Faktor-Faktor Pencegahan Diabetes Militus.... Kusuma, Amanda Aulia

7

Dari gambar diatas dapat dijelaskan sebagai berikut:

X1 = 1XL Supervisor Support + 1e




X5 = 5XL Work Environment + 5e




Persamaan tersebut memiliki pengertian bahwa Indikator X1, X2, X3, dan X4

mampu menggambarkan Konstrak Supervisor Support masing-masing sebesar

1XL , 2XL , 3XL , dan 4XL ; selanjutnya indikator X5, X6, X7, dan X8 mampu

menggambarkan Konstrak Work Environment masing-masing sebesar 5XL , 6XL ,

7XL , dan 8XL . Nilai 1XL , 2XL , ..., 8XL merupakan parameter yang mengukur

hubungan antara konstrak dan indikator-indikatornya. Koefisien hubungn antara

konstrak dengan indikatornya tersebut dinamakanloading atau unstandardized

loading.

Menurut Mulaik(2009) persamaan pengukuran secara umum untuk

Confirmatory Factor Analysis (CFA) dirumuskansebagai berikut:

X = Λξ + Ψ ε



8

dengan Xmatriks (p x 1) dari indikator, ξ matrik (gx 1) dari variabelkonstrak,

εmatrik (p x 1) dari eror, Λmatriks (p x g) dari loading diantara indikator dan

konstrak,Ψ adalah matriks diagonal (p x p) dari loading diantara indiktor dan

error, p banyaknya indikator, dan g banyaknya konstrak. Untuk mempermudah

pembahasan, diasumsikan bahwa E[ξε] = 0 dan E[εε’] = I (matriks identitas).

Misalkan diberikan hubungan pengukuran dengan 3 konstrak dan 9 indikator yang

digambarkan melalui diagram jalur berdasarkan teori pengukuran sebagai berikut:

Gambar 2.2 Diagram jalur First Order Confirmatory Factor

5X

4X

6X2

44

42

52

62

4

5

6

55

66

2X

1X

3X1

11

11

21

31

1

2

3

22

33

8X

7X

9X3

77

73

83

93

7

8

9

88

99

13

12

23

21

3231



9

Model pengukuran ini diekspresikan oleh persamaan pengukuran:

9993939

8883838

7773737

6662626

5552525

4442424

3331313

2221212

1111111

XXXXXXXXX

dengan

3223

3113

2112

dengan Xi indikator ke-i, ij loading pada indikator ke-i dan konstrak ke-j, ii

loading pada indikator ke-i dan error ke-i, i error ke-i, j konstrak ke-j, dan ij

kovarian antara konstrak ke-i dan konstrak ke-j dengan 9,...,2,1i dan 3,2,1j .

Persamaan pengukuran tersebut memiliki bentuk matriks sebagai berikut:

X = Λξ + Ψ ε

X =

9

8

7

6

5

4

3

2

1

XXXXXXXXX

Λ =

93

83

73

62

52

42

31

21

11

000000

000000000000

ξ =

3

2

1



10

ε =

9

8

7

6

5

4

3

2

1

Ψ =

99

88

77

66

55

44

33

22

11

000000000000000000000000000000000000000000000000000000000000000000000000

Φξξ

11

1

3231

2321

1312

Jika Ψ diasumsikan bernilai I (matriks identitas), maka persamaan pengukuran

sebagai berikut.

X = Λξ + I ε

atau

X = Λξ +

dengan merupakan matriks diagonal (p x p) dari error dan disebut juga error

pengukuran (measurement error). Contoh hubungan pengukuran dengan 3

konstrak dan 9 indikator yang digambarkan sebelumnya, diekspresikan oleh

persamaan pengukuran berikut:



11

X1 = l11 x1 +e11

X2 = l21 x1 +e22

X3 = l31 x1 +e33

X4 = l42 x2 +e44

X5 = l52 x2 +e55

X6 = l62 x2 +e66

X7 = l73 x3 +e77

X8 = l83 x3 +e88

X9 = l93 x3 +e99

dengan

3223

3113

2112

dengan ii adalah kesalahan pengukuran pada indikator ke-i dengan 9,...,2,1i .

Persamaan pengukuran tersebut memiliki bentuk matriks sebagai berikut.

X = Λξ +

=

e11 0 0 0 0 0 0 0 00 e22 0 0 0 0 0 0 00 0 e33 0 0 0 0 0 00 0 0 e44 0 0 0 0 00 0 0 0 e55 0 0 0 00 0 0 0 0 e66 0 0 00 0 0 0 0 0 e77 0 00 0 0 0 0 0 0 e88 00 0 0 0 0 0 0 0 e99

é

ë

êêêêêêêêêêêêê

ù

û

úúúúúúúúúúúúú

.

2.2 Second Order Confirmation Factor

Pada bahasan sebelumnya dijelaskan tentang CFA untuk First Order

Confirmation Factor (FOCF) yang mana setiap konstrak dapat langsung diukur

oleh indikator-indikatornya. Kondisi FOCF tidak berlaku untuk beberapa konstrak



12

yang lain, seperti konstrak etos kerja yang memiliki dimensi konstrak yaitu

konstrak kerja keras, konstrak kerja cerdas, dan konstrak kerja ikhlas. Pada kasus

tersebut digunakan CFA dengan Second Order Confirmation Factor (SOCF).

Dengan kata lain, menurut Hair et al (2010), SOCF merupakan CFA dari konstrak

yang memiliki beberapa dimensi konstrak yang diukur oleh indikator-

indikatornya.

Persamaan pengukuran secara umum untuk analisis faktor konfirmatori

untuk secondorderconfirmation factor dirumuskan dengan perluasan sebagai

berikut.

X = Λξ + Ψ ε

degan

ξ = Γ ξ*

dengan Xmatriks (p x 1) dari indikator, ξ matrik (g x 1) dari variabel dimensi

konstrak, ξ* matrik (g x 1) dari variabel konstrak, ε matrik (p x 1) dari variabel

error, Λmatriks (p x g) dari loading diantara indikator dan dimensi konstrak,

Γmatriks (p x g) dari loading diantara dimensi konstrak dan konstrak,Ψ matriks

diagonal (p x p) dari loading diantara indiktor dan error, pbanyaknya indikator,

dan gbanyaknya konstrak. Misalkan diberikan hubungan pengukuran dengan 1

konstrak, 3 dimensi konstrak, dan 9 indikator yang digambarkan melalui diagram

jalur berdasarkan teori pengukuran sebagai berikut:



13

Gambar 2.3 Diagram jalur Second Order Confirmatory Factor

Model pengukuran ini diekspresikan oleh persamaan pengukuran:

9993939

8883838

7773737

6662626

5552525

4442424

3331313

2221212

1111111

XXXXXXXXX

dengan *1313

*1212

*1111

dengan Xi indikator ke-i, ij loading pada indikator ke-i dan konstrak ke-j, ii

loading pada indikator ke-i dan error ke-i, i error ke-i, j konstrak ke-j, dan ij

kovarian antara konstrak ke-i dan konstrak ke-j dengan 9,...,2,1i dan 3,2,1j .

Persamaan pengukuran tersebut memiliki bentuk matriks sebagai berikut.

X = Λξ + Ψ ε

5X

4X

6X2

44

42

52

62

4

5

6

55

66

2X

1X

3X1

11

11

21

31

1

2

3

22

33

8X

7X

9X3

77

73

83

93

7

8

9

88

99

*1

11

21

31



14

ξ = Γ ξ*

X =

9

8

7

6

5

4

3

2

1

XXXXXXXXX

Λ =

93

83

73

62

52

42

31

21

11

000000

000000000000

ξ =

3

2

1

ξ* = ][ *1

ε =

9

8

7

6

5

4

3

2

1

Ψ =

99

88

77

66

55

44

33

22

11

000000000000000000000000000000000000000000000000000000000000000000000000

Jika Ψ diasumsikan bernilai I (matriks identitas), maka persamaan

pengukuran sebagai berikut:

X = Λξ + I ε

ξ = Γ ξ*

atau

X = Λξ +



15

ξ = Γ ξ*

dengan merupakan matriks diagonal (p x p) dari error dan disebut juga error

pengukuran (measurement error). Contoh hubungan pengukuran dengan 1

konstrak, 3 dimensi konstrak, dan 9 indikator yang digambarkan sebelumnya,

diekspresikan oleh persamaan pengukuran berikut:

X1 = l11 x1 +e11

X2 = l21 x1 +e22

X3 = l31 x1 +e33

X4 = l42 x2 +e44

X5 = l52 x2 +e55

X6 = l62 x2 +e66

X7 = l73 x3 +e77

X8 = l83 x3 +e88

X9 = l93 x3 +e99

dengan *1313

*1212

*1111

dengan ii adalah kesalahan pengukuran pada indikator ke-i dengan 9,...,2,1i .

Persamaan pengukuran tersebut memiliki bentuk matriks sebagai berikut:

X = Λξ + έ , dengan ξ = Γ ξ*

=

e11 0 0 0 0 0 0 0 00 e22 0 0 0 0 0 0 00 0 e33 0 0 0 0 0 00 0 0 e44 0 0 0 0 00 0 0 0 e55 0 0 0 00 0 0 0 0 e66 0 0 00 0 0 0 0 0 e77 0 00 0 0 0 0 0 0 e88 00 0 0 0 0 0 0 0 e99

é

ë

êêêêêêêêêêêêê

ù

û

úúúúúúúúúúúúú

.



16

Joreskog dan Sorbom (1996) menganjurkan untuk menggunakan data

ordinal (skala Likert) untuk diperlakukan sebagai data ordinal . Jika data tergolong

ordinal, kategorik, atau campuran, maka metode Diagonally Weighted Least

Squares (DWLS) untuk Polychoric correlation matrices direkomendasikan

sebagai metode estimasi model. metode ini membutuhkan sebuah estimasi

asymptotic covariance matrix dari korelasi sampel.

2.3 Uji Kecocokan Model

Menurut Hair et al. (2010), CFA tidak mempunyai uji statistik tunggal

terbaik yang dapat menjelaskan kekuatan dalam mengestimasi sebuah model.

Sebagai gantinya, telah dikembangkan beberapa kombinasi ukuran kecocokan

model yang menghasilkan 2 perspektif, yaitu ukuran kecocokan model

pengukuran dan ukuran kecocokan keseluruhan model, yaitu:

1. kecocokan model pengukuran, meliputi.

1) validitas konstrak, menggambarkan keakuratan dari kumpulan item-item

terukur yang menggambarkan konstraksecara teoritis. Indikator dari

validitas digambarkan melalui:

1. Nilai t-value semua unstandardized loading signifikan (t-value >

tα/2(df)). Karena n > 30 , tα/2(df) ≈ zα/2 . Untuk α = 0,05 , zα/2 = 1,96 .

2. Nilai standardized loading yang seharusnya lebih besar dari 0,5 dan

idealnya lebih besar dari 0,7 .



17

3. Nilai averagevariance extracted (AVE) adalah rata-rata dari variance

extracted yang merupakan kuadrat dari standardized loading dari

setiap indikator yang menjelaskan konstrak. AVE dirumuskan sebagai.

n

iiL

nAVE

1

21

denganLi adalah standardized loading dan n adalah banyaknya

standardized loading.Menurut Hair et al (2010) Nilai AVE yang

signifikan harus lebih besar dari 0,5.

2) Reliabilitas konstrak, atau construct reliability (CR) merupakan ukuran

reliabilitas dan konsistensi secara internal dari variabel-variabel

menggambarkan suatu konstrak laten. CR dirumuskan sebagai.

n

ii

n

ii

n

ii

n

ii

n

ii

n

ii

LL

L

eL

LCR

1

2

1

2

1

1

2

1

2

1

)1(

dengan Li adalah nilai standardized loading dan nilai e adalah nilai error

pengukuran untuk suatu konstrak yang bernilai 1 – L . Menurut Hair et al

(2010) Nilai CR harus lebih besar dari 0,7 .

2. Kecocokan keseluruhan model, yaitu ukuran kecocokan mutlak, ukuran

kecocokan incremental, dan ukuran kecocokan parsimoni yang ditunjukkan

pada tabel berikut:



18

1) Ukuran kecocokan mutlak (absolute fit measures), merupakan ukuran

goodness-of-fit dan badness-of-fit keseluruhan untuk keseluruhan

model meliputi:

a. Uji Kecocokan Chi-Square

Joreskog dan Sorbom (1996) mendeskripsikan bahwa uji

kecocokan chi-squaredidasari oleh generalisasi statistik LR untuk

pengetesan hipotesis gabungan dengan banyak parameter.

b. Goodnees-Of-Fit Index (GFI)

Ukuran GFI pada dasarnya merupakan ukuran kemampuan suatu

model menerangkan keragaman data. Nilia GFI berkisar antara 0 – 1.

Sebenarnya, tidak ada kriteria standar tentang batas nilai GFI yang

baik. Namun bisa disimpulkan, model yang baik adalah model yang

memiliki nilai GFI mendekati 1..

c. Root Mean Square Error (RMSR)

d. Root Mean Square Error Of Approximation (RMSEA)

RMSEA merupakan ukuran rata-rata perbedaan per degree of

freedom yang diharapkan dalam populasi. Nilai RMSEA < 0,08

adalah good fit, sedangkan Nilai RMSEA < 0,05 adalah close fit.

e. Expected Cross-Validation Index (ECVI)

f. Non-Centrality Parameter (NCP)

2) Ukuran kecocokan incremental (incremental/relative fit measures),

merupakan kumpulan dari ukuran goodness-of-fit yang menaksirkan



19

bagaimana kebaikan suatu ukuran relatif model tertentu untuk beberapa

model alternatif meliputi:

a. Adjusted Goodness-Of-Fit Index (AGFI)

b. Tucker-Lewis Index (TLI)

Ukuran TLI disebut juga dengan nonnormed fit index (NNFI).

Ukuran ini merupakan ukuran untuk pembandingan antarmodel

yang mempertimbangkan banyaknya koefisien di dalam model.

TLI 9,0 adalah good fit, sedangkan 8,0 TLI 9,0 adalah

marginal fit.

c. Normed Fit Index (NFI).

Nilai NFI merupakan besarnya ketidakcocokan antara model target

dan model dasar. Nilai NFI berkisar antara 0 – 1. NFI 9,0 adalah

good fit, sedangkan 8,0 NFI 9,0 adalah marginal fit.

d. Incremental Fit Index (IFI)

e. Comparative Fit Index (CFI)

f. Relative Fit Index (RFI)

3) Ukuran kecocokan parsimoni (parsimonious/adjusted fit measures),

yaitu merupakan ukuran goodness-of-fit keseluruhan yang

menggambarkan derajat kecocokan model tiap koefisien estimasi

(parameter) untuk mengevaluasi parsimoni dari model yang bandingkan

meliputi:

a. Parsimonious Normed Fit Index (PNFI)

b. Parsimonious Goodness-Of-Fit Index (PGFI)



20

c. Akaike Information Criterion (AIC)

d. Consistent Akaike Information Criterion (CAIC)

e. Criteria N (CN)

Ukuran kecocokan keseluruhan model yang dikutip dari Hair et al (2010)

ditunjukkan pada tabel berikut:

Tabel 2.1Kecocokan Keseluruhan Model

Ukuran Kecocokan Mutlak Persyaratan Model yang Baik Chi-Square (χ2) GOF P-value ≥ 0,05 Goodness of Fit Index (GFI) GFI ≥ 0,9 Root Mean Square Residual (RMR) RMR < 0,05 Standardized RMR (SRMR) SRMR < 0,05 Root Mean Square Error of Approximation (RMSEA) RMSEA < 0,08

Estimated Non-centrality Parameter (NCP) Semakin kecik semakin baik Expected Cross-Validation Index (ECVI) Semakin kecik semakin baik Ukuran Kecocokan Incremental Persyaratan Model yang Baik Adjusted Goodness of Fit Index (AGFI) AGFI ≥ 0,8 Normed Fit Index (NFI) NFI ≥ 0,8 Non-Normed Fit Index (NNFI) NNFI ≥ 0,8 Comparative Fit Index (CFI) CFI ≥ 0,8 Incremental Fit Index (IFI) IFI ≥ 0,8 Relative Fit Index (RFI) RFI ≥ 0,8 Ukuran Kecocokan Parsimoni Persyaratan Model yang Baik Parsimony Goodness of Fit Index (PGFI) Semakin tinggi lebih baik Parsimony Normed Fit Index (PNFI) Semakin tinggi lebih baik AIC model Positif kecil lebih baik CAIC model Positif kecil lebih baik Critical N (CN) CN > 200

2.4 Ukuran Sampel Penelitian

Narimawati dan Munandar (2008) menyajikan suatu ukuran sampel untuk

populasi sebagai berikut:



21

1. Jika populasi sangat besar (jumlah tidak diketahui), maka ukuran sampel

dirumuskan untuk.

a. variabel-variabel dikotomi

2

2

0 epqzn

pq 1

b. variabel-variabel kontinu atau polikotomi

2

22

0 ezn

keterangan:

0n = ukuran sampel untuk populasi yang tidak diketahui.

p = proporsi yang diestimasi suatu atribut yang ada dalam suatu populasi.

2 = varians suatu atribut dalam suatu populasi.

z = nilai kuantil pada distribusi normal standar pada taraf signifikan

atau selang kepercayaan %100)1( .

e = tingkat presisi (ketepatan) yang disebut juga sebagai kesalahan

pengambilan sampel (sampling error). Nilai e merupakan jangkauan

dimana nilai populasi yang tepat diperkirakan dan diekspresikan

dalam prosentase. Misalkan ditentukan %1e ketika peneliti

mengambil sampel dengan proporsi 50%. Hal ini memberikan



22

rekomendasi bagi peneliti dengan tingkat ketepatan sebesar %1

yang dapat menyimpulkan bahwa sampel yang diambil terletak

antara 49% dan 51%.

2. Jika populasi kecil (jumlah diketahui), maka ukuran sampel dirumuskan

sebagai.

Nnnn )1(1 0

0

keterangan:

0n = ukuran sampel untuk populasi yang tidak diketahui

n = ukuran sampel untuk populasi yang diketahui

N = ukuran populasi yang diketahui

3. Jika populasi kecil (jumlah diketahui) untuk proporsi 50% dan selang

kepercayaan 95%, maka ukuran sampel dihitung dengan rumus Yamane

sebagai berikut.

2)(1 eNNn

keterangan:

n = ukuran sampel untuk populasi yang diketahui

N = ukuran populasi yang diketahui

e = tingkat presisi (ketepatan)



23

Hair et al. (2010) menjabarkan bahwa ukuran sampel minimal yang

digunakan berdasarkan model secara kompleks dan karakteristik dasar model

pengukuran sebagai berikut:

1. ukuran sampel minimal 100 : model berisi maksimal 5 konstrak yang setiap

konstraknya memiliki minimal 3 item (variabel terobservasi) dengan

hubungan yang tinggi (standardized loading ≥ 0,6).

2. ukuran sampel minimal 150 : model berisi maksimal 7 konstrak dengan

setiap konstraknya memiliki hubungan yang sedang (standardized loading ≥

0,5).

3. ukuran sampel minimal 300 : model berisi maksimal 7 konstrak dengan

setiap konstraknya memiliki hubungan yang rendah (standardized loading ≥

0,45).

4. ukuran sampel minimum500 : model berisi banyak konstrak yang setiap

itemnya memiliki hubungan yang rendah (standardized loading ≥ 0,45),

dan/atau setiap konstraknya memiliki minimum 3 variabel terukur (item).

2.5 Diabetes Militus

Diabetes Militus adalah kumpulan gejala yang timbul pada seseorang

akibat peningkatan kadar glukosa darah yang disebabkan oleh kekurangan insulin

baik absolut maupun relatif (Suyono,dkk 2002). Diabetes Militusmerupakan

hyperglikemia kronis yang disebabkan oleh faktor lingkungan dan keturunan

secara bersama-sama, hyperglikemia kronis memiliki karakteristik yang tidak

dapat disembuhkan tetapi dapat dikontrol.



24

Berdasarkan teori dari Profesor Hembing Wijayakusuma (2003), ada tiga jenis

pencegahan Diabetes Militus:

1. Pencegahan primer

Tujuannya untuk mencegah terjadinya Diabetes Militus. Untuk itu,

faktor-faktor yang dapat menyebabkan Diabetes Militus perlu diperhatikan,

baik secara genetik dan lingkungan. Berikut adalah hal-hal yang perlu

dilakukan dalam pencegahan primer.

a) Pola makan sehar-hari harus seimbang dan tidak berlebihan

b) Olahraga secara teratur dan tidak berdiam diri

c) Menghindari terjadinya obesitas

d) Hindari obat-obatan yang dapat menimbulkan Diabetes Militus

(diabetogenik)

2. Pencegahan sekunder

Pencegahan sekunder tujuannya adalah mencegah agar penyakit

Diabetes Militus yang sudah timbul tidak menimbulkan komplikasi penyakit

lain, menghilangkan gejala, dan keluhan penyakit Diabetes Militus.

Pencegahan sekunder meliputi deteksi dini penderita Diabetes Militus,

terutama bagi kelompok yang berisiko tinggi terkena Diabetes Militus.Bagi

yang dicurgai terkena Diabetes Militus, perlu diteliti lebih lanjut untuk

memperkuat dugaanadanya Diabetes Militus.

Berikut hal-hal yang harus dilakukan dalam pencegahan sekunder:



25

a) Diet sehari-hari harus seimbang dan sehat

b) Menjaga berat badan dalam batas normal

c) Usaha pengendalian gula darah agar tidak terjadi komplikasi Diabetes

Militus

d) Olahraga teratur sesuai dengan kemampuan fisik dan umur.

3. Pencegahan tersier

Pencegahan tersier bertujuan untuk mencegah kecacatan lebih lanjut dari

komplikasi yang sudah terjadi. Berikut pencegahan yang dimaksud:

a) Mencegah terjadinya kebutaan jika menyerang pembuluh darah mata

b) Mencegah gagal ginjal kronik jika menyerang pembuluh darah ginjal

c) Mencegah stroke jika menyerang pembuluh darah otak

d) Mencegah terjadinya gangren jika terjadi luka

Oleh karena itu, diperlukan pemeriksaan yang rutin dan berkalaterhadap

bagian organ tubuh yang rentan terhadap komplikasi dan kecacatan.

Berdasarkan fokus penelitian, jenis pencegahan yang akan digunakan adalah

pencegahan primer karena pencegahan primer adalah pencegahan yang dilakukan

sebelum terjadinya Diabetes Militus. Sehingga kita dapat melakukan pencegahan

Diabetus Militus sejak dini.

Dari faktor-faktor pencegahan primer Diabetus Militus, maka indikator yang

perlu diperhatikan adalah:



26

a) Pola makan sehari-hari harus seimbang dan tidak berlebihan, dengan

indikator:

1. Diet karbohidrat

2. Diet makanan berserat

3. Diet gula

b) Olahraga secara teratur dan tidak berdiam diri, dengan indikator

1. Olahraga Ringan

2. Olahraga Berat

c) Tidak mengalami obesitas, dengan indikator:

1. Berat badan ideal

2. Lingkar pinggang normal

d) Hindari obat-obatan yang dapat menimbulkan Diabetes Militus

(diabetogenik), dengan indikator:

1. Tidak mengkonsumsi obat hypertensi

2. Tidak mengkonsumsi obat golongan kortikosteroid

3. Tidak mengkonsumsiobat anti kolesterol



27

2.6 Software Lisrel

Perkembagan teknologi analisis saat ini telah banyak bermunculan. Salah

satu program yang banyak digunakan adalah program Lisrel. Program Lisrel

(Linear Structural Relationship) awalnya dikembangkan oleh Karl G. Joreskog

bersama dengan Dag Sorbom (1996) dari Universitas Uppsala Swedia. Program

ini dirancang untuk menganalisis structural equation modeling (SEM), multilevel

structural equation modeling, multilevel linear and non linear modeling serta

validitas dan reliabilitas instrumen.

Untuk memperoleh output dalam format / program lisrel, ada beberapa

pilihan perintah, antara lain:

SS = Print standardized solution

SC = Print completly standardized solution

EF = Print total and indirect effects, their standard error and t-value

VA = Print variance and covariance

MR = Equivalent to RS and VA

FS = Print factor score regression

PC = Print correlations of parameter estimate

PT = Print technical information



28

Secara umum, bentuk badan pemrograman untuk program simplis (yang

selanjutnya akan dipergunakan dalam membuat pemrograman) adalah sebagai

berikut:

[Title]

..........................................................................................

Observed variable (from file name ................)

Covariance matrix (from file name ..................)

Laten variable .........................

Sample siza = ...

Relationships

........................................................................................................

Method = WLS

Number of decimals = 3

Lisrel output: SS SC EF

Path diagram

End of program



Confirmatory Factor Analysis - repository.unair.ac.idrepository.unair.ac.id/25582/12/12. Bab...

Documents

Transcript of Confirmatory Factor Analysis - repository.unair.ac.idrepository.unair.ac.id/25582/12/12. Bab...