Belajar SPSS

Analisis Conjoint - Proses Membuat Stimuli

noreply@blogger.com (Syafdillah) — Tue, 23 Aug 2022 17:07:00 +0700

Proses analisis conjoint dengan program SPSS dilakukan dengan dua tahap :

Melakukan stimuli dengan prosedur orthogonal
Melakukan proses conjoint dengan prosedur conjoint.

Kedua metode ini tidak dilakukan lewat Menu atau Kotak Dialog, tetapi melalui penulisan dan eksekusi di Syntax Editor. Yang digunakan untuk menuliskan perintah atau Syntax.

Melakukan stimuli dengan prosedur orthogonal menggunakan program SPSS dengan langkah sebagai berikut :

Buka program SPSS dan biarkan SPSS Data Editor dalam keadaan kosong tidak ada file apa-apa yang dibuka.
Dari menu File, pilih submenu New, lalu pilih Syntax dan tampak dilaya Menu Syntax Editor
Ketik pada Syntax Editor perintah seperti berikut ini.
ORTHOPLAN
/FACTOR=FACTORS
BENTUK 'Bentuk Sabun Cuci' ('Cair' 'Powder')
INGREDIENT 'Kandungan' ('Bebas Pospate' 'Dengan Pospate')
MEREK "Merek Dagang' ('Hatco' 'Generik')
/HOLDOUT-0.
SAVE OUTFILE='CONJOINT.SAV'.
seperti terlihata pada gambar di bawah ini.
Pilih Run lalu All.
ORTHOPOLAN merupakan perintah pembuatan Stimuli.
FACTORS mendeskripsikan faktor-faktor yang akan dibuata Stimuli.
HOLDOUT stimuli atau sering disebut validation stimuli adalah stimuli yang dibuat SPSS seebagai pengujian hasil yang didapat nanti (validasi), apakah proses conjoint yang menggunakan sampel tersebut sesuai jika digunakan pada populasi. HOLDOUT diberi angka 0 yang berarti tidak ada stimuli untuk menguji.
SAVE OUTFILE merupakan perintah untuk menyimpan hasil pembuatan stimuli pada file tertentu dalam hal ini diberinama CONJOINT.SAV (optional).
Berikut ini hasil output Deskripsi Stimuli dari SPSS.

Keterangan:
Ingredient : 1 = Bebas Pospate, 2 = Dengan Pospate
Bnetuk : 1 = Cair, 2 = Powder.
Merek : 1 = Hacto, 2 = Generik.
Card adalah 8 stimuli
Bandingkan hasil ini dengan Deskripsi stimuli pada postingan Pengantar Analisis Conjoint.
Urutan stimuli ini akan digunakan untuk pengisian ranking yang telah dilakukan oleh responden. Sebagai contoh:
Card 1 sampai 8 dari file SPSS di atas berarti responden 1 memberikan rangking sbb.:
Cair, Bebas Pospate, Hacto ranking 1
Cair, Bebas Pospate, Generik ranking 2 (br/> Cair, Dengan Pospate, Hacto ranking 5
Cair, Dengan Pospate, Generik ranking 6
Powder, Dengan Pospate, Hacto ranking 7
Powder, Bebas Pospate, Generik ranking 4
Powder, Dengan Pospate, Generik ranking 8
Powder, Bebas Pospate, Hacto ranking 3

Sedangkan responden 2 memberikan ranking sbb.:
Cair, Bebas Pospate, Hacto ranking 1
Cair, Bebas Pospate, Generik ranking 2 (br/> Cair, Dengan Pospate, Hacto ranking 3
Cair, Dengan Pospate, Generik ranking 4
Powder, Dengan Pospate, Hacto ranking 8
Powder, Bebas Pospate, Generik ranking 5
Powder, Dengan Pospate, Generik ranking 6
Powder, Bebas Pospate, Hacto ranking 7

Dari hasil ranking diatas dapat dibuat data stimuli untuk analisis sebagai berikut :
--------------- Stimuli -----------
Responden 1 2 3 4 5 6 7 8
------------------------------------
xxxxxxx102 1 2 5 6 7 4 8 3
xxxxxxx103 1 2 3 4 8 5 6 7

Sebuah Pengantar Analisis Conjoint

noreply@blogger.com (Syafdillah) — Mon, 22 Aug 2022 03:20:00 +0700

Analisis conjoint adalah teknik multivariate yang digunakan khusus untuk memahami bagaimana responden mengembangkan preferensi terhadap suatu produk atau jasa. Hal ini didasarkan pada premis bahwa konsumen menilai produk/jasa/ide (riil atau hipotesis) dengan cara mengkombinasikan jumlah nilai dari masing-masing atribut yang terpisah. Utilitas sebagai ukuran nilai dalam analisis conjoint bersifat subyektif judgment preferensi unik dari setiap individu. Analisis conjoint menghendaki peneliti membangun satu set produk atau jasa baik riil atau hipotesis dengan cara mengkombinasikan level dari setiap atribut. Jadi pada intinya analisis conjoint digunakan untuk mengetahui bagaimana presepsi responden terhadap suatu obyek yang terdiri atas satu atau banyak bagian. Didalam riset pemasaran analisis conjoint digunakan untuk mengetahui bagaimana preferensi konsumen gerhadap berbagai desain produk. Misal produk pasta gigi seperti apakah yang sebenarnya diinginkan oleh konsumen.
Sebagai bagian dari multivariate dependence method, analisis conjoint dapat diekspresikan dalam model :

Y1 = X1 + X2 + X3 + . . . + Xn

dimana Y1 adalah non-metrik atau metrik sedangkan X1 + X2 + X3 + . . . + Xn adalah non-metrik.

Variabel independen X sering disebut dengan FAKTOR dan berupa data non-metrik (model rumah, motif pakaian dsb.) yang merupakan bagian dari FAKTOR dan disebut level. Sedangkan variabel dependen (Y1) adalah pendapat keseluruhan (overall preference) dari responden terhadap sekian faktor dan level pada sebuah produk atau jasa.

Proses analisis conjoint dilakukan dengan langkah-langkah sebagai berikut :

Menentukan faktor (atribut spesifik) dan kemudian level (bagian-bagian dari faktor) dari suatu obyek. Sebagai contoh Hatco ingin mengembangkan sabun cuci baru. Setelah mendiskusikan dengan bagian penjualan dan fokus grup, manajemen memutuskan ada tiga atribut penting yang harus ada pada produk tersebut, yaitu cleaning ingredient, kemudahan dalam penggunaan, dan merek dagang. Untuk mengoperasionalkan atribut ini, peneliti mengembangkan 3 faktor dengan masing-masing 2 level :
Mendisain stimuli, stimuli adalah kombinasi antar faktor dengan level. Produk sabun cuci hipotesis dapat dibentuk dengan cara memilih salah satu level untuk setiap atribut. Dengan tiga atribut (faktor) dan dua nilai (level), maka dapat dibuat kombinasi produk sebanyak delapan (2 x 2 x 2) seperti terlihat dibawah ini.
Mengumpulkan pendapat responden terhasap setiap stimuli yang ada. Dalam hal ini karena ada 8 stimuli, maka kepada responden diminta memberikan pendapat atas ke 8 stimuli dengan cara melakukan ranking preferensi dengan memberi angka (1 = paling disukai dan 8 = kurang disukai). Pendapat setiap responden ini disebut sebagai Utility. Berikut ini menggambarkan ranking yang dilakukan oleh dua responden.
Melakukan proses conjoint dan menentukan Predictive Accuracy (ketepatan prediksi) Dari pendapat dua responden atas 8 stimuli dilakukan proses conjoint untuk memperkirakan bentuk produk yang diinginkan responden.

Contoh Kasus Korelasi Kanonikal

noreply@blogger.com (Syafdillah) — Sun, 21 Aug 2022 21:01:00 +0700

Untuk memberikan ilustrasi analisis korelasi korelasi kanonikal kita gunakan data file Hatco.sav. Misalkan kita ingin mengetahui hubungan antara rating Hatco yang diukur dengan 7 atribut (X1 sampai X7) dan dua ukuran yang menggambarkan hasil usaha Hatco (X9 = penggunaan produk Hatco, dan X10 = kepuasan konsumen dengan Hatco). Variabel X1 sampai X7 dianggap variabel independen sedangkan X9 dan X10 sebagai variabel dependen.

Langkah Analisis.

Buka file Hatco.sav
Dari menu SPSS, pilih New lalu pilih Syntax.
Isikan pada syntax editor perintah MANOVA X9 X10 WITH X1 X2 X3 X4 X5 X6 X7 pada baris pertama, kemudian dibaris kedua /DESCRIM ALL ALPHA(1), dan dibaris ketiga /PRINT=SIG (EIGEN DM). Seperti di gambar di bawah ini:
Setelah itu pilih Run
Output SPSS

Tabel Anova diatas memberikan uji signifikansi alternatif. Biasanya yang digunakan adalah Wilk's Lambda yang menguji signifikansi dari korelasi kanonikal pertama. Hasil uji signifikansi ternyata semua uji statistik menunjukkan signifikansi pada 0.05. Jadi dapat disimpulkan bahwa korelasi kanonikal pertama tidak signifikan, maka korelasi kanonikal kedua dan seterusnya juga tidak signifikan.

Didalam model kita terdapat dua variabel dependen adan tujuh variabel independen. Jika kita ambil jumlah terkecil yaitu dua variabel dependen, maka akan terbentuk dua fungsi kanonikal. Dua fungsi kanonikal ini terlihat pada Root No dengan angka korelasi kanonikal (Canon Cor) untuk fungsi 1 adalah 0.937 dan fungsi 2 adalah 0.510. Korelasi kanonikal pertama lebih penting dari korelasi kanonikal kedua. Untuk korelasi kanonikal pertama, "covariate" variabel kanonikal mampu menjelaskan 87.79% (0.937 x 0.937) variasi dalam variabel canonikal dependen. Sedangkan korelasi kanonikal kedua hanya mampu menjelaskan variasi 26.01%. Oleh karena korelasi kanonikal kedua hanya menjelaskan variasi 26.01% maka selanjutnya tidak kita analisis dan yang dianalisis hanya fungsi pertama.
Jika dilihat pada kolom signifikansi yang menguji fungsi kanonikal terlihat untuk fungsi 1 signifikan pada 0.000, begitu juga dengan fungsi 2 signifikansi pada 0.000. Oleh karena keduafungsi ini memiliki signifikansi di bawah 0.05 maka keduanya dapat diproses lebih lanjut. Dengan batas 0.5 untuk kekuatan korelasi dua variabel, maka fungsi 1 dan fungsi 2 mempunyai korelasi kanonikal di atas 0.5. Dengan demikian keduanya dapat dianalisis lebih lanjut.
Setelah diketahui fungsi kanonikal 1 dan 2 signifikan langkah selanjutnya adalah melakukan interpretasi terhadap canonical variate yang ada pada fungsi 1 dan 2. Canonical variate adalah kumpulan dari beberapa variabel yang membentuk sebuah variate. Dalam kasus kita ada dua canonical variate, yaitu dependen canonical variates yg berisi dua variabel X9 dan X10, serta independen canonical variates yang tujuh variabel independen X1, X2, X3, X4, X5, X6, dan X7. Analisis pada prinsipnya ingin mengetahui apakah semua variabel independen dalam canonical variate tersebut berhubungan erat dengan dependen variate, yang diukur dengan besaran korelasi masing-masing independen variabel dengan variatenya.
Pengukuran canonical variates dapat dilakukan dengan melihat canonical weight atau canonical loading.

Canonical Weight

Untuk fungsi 1 pada dependen variabel terdapat dua angka korelasi sama tingginya dan di atas 0.5 yaitu 0.501 dan 0.580 sedangkan untuk variabel independen (covariate) angka korelasi di atas 0.5 hanya ada satu variabel yaitu X3.

Canonical Loading

Untuk fungsi 1 dependen variabel memberikan dua angka canonical loading sama tingginya karena diatas 0.5 yaitu X9 dengan loading 0.93 dan X10 dengan loading 0.936. Sedangkan untuk variabel independen (covariates) angka loading diatas 0.5 ada tiga yaitu X1 dengan loading 0.764, X3 dengan loading 0.624 dan X5 dengan loading 0.765.
Dari hasil caonical weight maupun canonical loading dapat disimpulkan memanng terdapat hubungan signifikan antara dependen variate dengan independen variate atau tingkat penggunaan produk dan kepuasan konsumen memang berkorelasi secara bersama-sama dengan X1 (delivery speed), X2 (price level), X3 (price flexibility), X4 (manufacture image), X5 (Overall serices). Tanda positif pada variabel delivery speed berarti semakin tinggi delivery speed semakin tinggi kepuasan konsumen dan semakin tinggi penggunaan produk. Begitu juga dengan semakin tinggi flexibilitas harga dan pelayanan menyeluruh semakin tinggi penggunaan produk dan semakin tinggi kepuasan konsumen.

Pengantar Korelasi Kanonikal

noreply@blogger.com (Syafdillah) — Sun, 21 Aug 2022 03:10:00 +0700

Analisis korelasi kanonikal merupakan model statistik multivatiate yg digunakan untuk menguji hubungan (korelasi) antara lebih dari satu set variabel dependen dan lebih dari satu set variabel independen. Pada analisis regrei berganda kita hanya memprediksi satu variabel dependen daengan lebih dari satu set variabel independen. Sementara itu korelasi kanonikal secara simultan memprediksi lebih dari satu variabel dependen dengan lebih dari satu variabel independen. Beberapa contoh analisis korelasi kanonikal digunakan untuk study:

Seorang dokter ingin mengetahui adakah hubungan antara gaya hidup dan kebiasaan makan dengan kesehatan mereka yang diukur dengan variabel hipertensi, berat badan, tingkat ketegangan dan anxienty.
Manajer pemasaran suatu perusahaan ingin mengetahui apakah ada hubungan antara jenis produk yang dibeli dan gaya hidup konsumen dan kepribadian konsumen.
Seorang direktur bank ingin mengetahui hubungan antara penggunaan kartu kredit (yang diukur dengan jumlah kartu kredit yang dimiliki dan rata-rata uang yang dibelanjakan lewat kartu kredit per bulan) dengan karakteristik konsumen (diukur dengan besarnya jumlah keluarga dan income keluarga).

Dalam contoh ketiga di atas yang menjadi masalah adalah memprediksi dua variabel dependen yang diukur secara simultan (jumlah kartu kredit yang dipegang dan rata-rata uang yg dibelanjakan lewat kartu kredit). Regresi berganda hanya mampu menganalilsis satu variabel dependen, sedangkan Multivariate Analysis of Variance (MANOVA) dapat digunakan hanya semua variabel independennya berskala non-metrik atau kategorial. Satu-satunya cara adalah dengan korelasi kanonikal. Berikut ini ilustrasi analisis korelasi kanonikal.

Ukuran penggunaan kartu kredit:
1. Jumlah kartu kredit.
2. Rata-rata pengeluaran sebulan.
Ukuran karakteristik konsumen:
1. Ukuran besarnya keluarga.
2. Income keluarga.

Dua variabel dependen akan dibuat menjadi satu komposit dependent canonical variate dan dua variabel independen akan dibuat menjadi komposit independen canonical variate. Korelasi kanonikal (Rc) akan mengukur kuatnya hubungan antara dua set multipel variabel (canonical variate). Canonical variate menggambarkan kombinasi linear optimal antara variabel dependen dan independen, sedangkan canonical correlation (Rc) menggambarkan kuatnya hubungan antar kedua variabel tersebut. Menurut Hair (1998) langkah-langkah analisis korelasi kanonikal adalah sebagai berikut:

A. Menentukan tujuan analisis korelasi kanonikal

Data yang cocok untuk analisis korelasi kanonikal adalah dua set variabel dan diasumsikan bahwa masing-masing set variabel memiliki makna atau arti secara teoritis dan dapat ditentukan bahwa satu set merupakan variabel dependen dan satu set lainnya merupakan variabel independen. Tujuan analisis korelasi kanonikal dapat berupa :

Menentukan apakah dua set variabel tidak berhubungan satu sama lainnya (independen) atau sebaliknya menentukan besarnya/kuatnya hubungan antara dua set variabel tersebut.
Menentukan nilai tertimbang dari masing-masing set variabel dependen dan independen sehingga didapat kombinasi linear dari set variabel yang memberikan korelasi maksimum.
Menjelaskan sifat hubungan bila ada antara set variabel dependen dan set variabel independen, umumnya diukur dengan kontribusi relatif dari masing-masing variabel terhadap fungsi kanonikalnya.

B. Mendisain analisis korelasi kanonikal

Seperti halnya bentuk analisis multivariate yang lain, korelasi kanonikal juga menggunakan asumsi yang sama dengan teknik multivariate lainnya. Berkaitan dengan jumlah sampel (besar atau kecil) dan jumlah observasi yang cukup juga pada korelasi kanonikal. Disini kita dalam hal ini sering cenderung untuk memasukkan sebanyak mungkin variabel dependen dan independen tanpa melihat dampak dari jumlah sampel. Ukuran sampel yang kecil tidak akan menggambarkan korelasi yang baik, sedangkan sampel yang terlalu besar mempunyai kecenderungan menghasilkan nilai signifikan.Disini kita diminta untuk mempertahankan paling sedikit 10 observasi per variabel untuk menghindarkan terjadinya "overfitting" data. Pengelompokkan variabel sebagai variabel dependen dan independen tidak begitu penting untuk mengestimasi fungsi kanonikal oleh karena korelasi kanonikal membobot kedua variate untuk memaksimumkan nilai korelasi dan tidak menekankan pada salah satu variate.

C. Asumsi korelasi kanonikal

Asumsi linearitas mempengaruhi dua aspek hasil korelasi kanonikal. Pertama, koefisien korelasi antara dua variabel dianggap linear, jika hubungannya tidak linear maka satu atau kedua variabel tersebut harus ditransformasi bentuknya. Kedua, korelasi kanonikal memiliki hubungan linear antar variate. Jika variate berhubungan secara tidak linear, maka hubungan itu tidak dapat ditangkap oleh korelasi kanonikal.
Analisis korelasi kanonikal dapat mengakomodasi data variabel yang tidak memiliki distribusi normal. Namun demikian data dengan distribusi normal akan lebih baik. Multivariate normality tetap diminta untuk menguji signifikansi dari masing-masing fusngsi kanonikal. Oleh karena tidak ada uji multivariate normality yang tersedia, maka sebaiknya diuji dahulu univariate normality. Asumsi homoskedastisitas juga diperlukan dalam korelasi kanonikal begitu juga dengan multikolonieritas. Pelanggaran terhadap asumsi ini akan menurunkan korelasi antar variabel.

D. Mendapatkan fungsi kanonikal dan menilai overall fit

Langkah pertama analisi korelasi kanonikal adalah mendapatkan satu atau lebih fungsi kanonikal. Setiap fungsi kanonikal terdiri dari sepasang variate, yang satu menggambarkan variabel dependen dan lainnya menggambarkan variabel independen. Jumlah maksimum fungsi kanonikal (variate) dalam data set terkecil, independen atau dependen. Sebagai misal dalam penelitian melibatkan lima variabel independen dan tiga variabel dependen, maka jumlah maksimum fungsi kanonikal adalah tiga.
Seperti dalamteknik statistik lainnya, maka fungsi kanonikal yang akan dianalisis adalah fungsi yang memberikan koefisien korelasi kanonikal yang signifikan secara statistik. Jika fungsi kanonikal lainnya tidak signifikan, maka hubungan antara variabel tidak akan diinterpretasikan. Fungsi kanonikal mana yang akan diinterpretasikan dilihar dari tiga kriteria :
(1) tingkat signifikansi dari fungsi kanonikal,
(2) besaran nilai korelasi kanonikal dan
(3) redudancy ukuran untuk prosentase variance yang dijelaskan oleh dua data set.

E. Interpretasi kanonikal variate

Jika tiga kriteria di atas telah dipenuhi, maka langkah berikutnya adalah menginterpretasikan hasil fungsi kanonikal. Interpretasi dilakukan dengan menganalisis fungsi kanonikal untuk menentukan pentingnya masing-masing variabel awal (original) di dalam hubungan kanonikal. Ada tiga metode yang dapat digunakan yaitu :
(1) Canonincal weight (standardized coefficient).
Pendekatan tradisional untuk menginterpretasikan fungsi kanonikal adalah melihat tanda besaran dari canonical weight untuk setiap variabel dalam canonical variate. Variabel yang memiliki angka weight relatid besar maka memberikan kontribusi lebih pada variate dan sebaliknya. Begitu juga dengan variabel yang memiliki nilai weight dengan tanda berlawanan menggambarkan hubungan kebalikan (inverse) dengan variabel lainnya, dan variabel dengan tanda yang sama menunjukkan hubungan langsung.
(2) canonical loading (structure correlation).
Canonical loading saat ini banyak dipakai untuk interpretasi. Canonical loading atau sering disebut canonical structure yang mengukur korelasi linear sederhana antara variabel awal (origin) dalam variabel dependen atau independen dan set canonical variate. Canonical loading mencerminkan variance bahwa observed share dengan canonical variate dan dapat diinterpretasikan seperti faktor loading dalam menilai kontribusi relatif setiap variabel pada setiap fungsi kanonikal.
(3) canonical cross loading.
Canonical cross loading dapat dianggap sebagai alternatif canonical loading. Prosedur canonical cross-loading meliputi mengkorelasikan setiap original variabel dependen secara langsung dengan independen canonical variate, dan sebaliknya. Jadi cross-loading memberikan pengukuran langsung hubungan variabel dependen - independen dengan cara menghilangkan langkah intermediasi dalam convensional loading.

Beberapa Metode Analisis Data

noreply@blogger.com (Syafdillah) — Fri, 30 Apr 2021 01:41:00 +0700

Anggaplah kita mempunyai data yang berisi n observasi dengan p variabel. P variabel dapat dibagi kedalam dua kelompok atau subset. Uji statistik untuk menganalisis set data seperti ini disebut metode dependen. Metode dependen menguji ada tidaknya hubungan dua set variabel. Jika si peneliti atas dasar teori yang ada menyatakan bahwa satu variabel dari subset adalah variabel bebas dan variabel lainnya dari subset variabel terikat, maka tujuan dari metode dependen adalah menentukan apakah variabel bebas mempengaruhi variabel terikat secara individual dan atau bersamaan. Sebaliknya jika set data yang ada tidak mungkin untuk mengelompokkan kedalam variabel bebas dan variabel terikat, maka tujuan dari jenis set data seperti ini adalah mengidentifikasi bagaimana dan mengapa variabel tersebut saling berkaitan satu sama lainnya. Metode statistik yang sesuai untuk menganalisis data set seperti ini disebut metode interdependen.

Metode Dependen

1. Satu variabel terikat (metrik) dan satu variabel bebas (non-metrik)

Metode statistik untuk satu variabel terikat dan satu variabel bebas sering disebut dengan metode univariat, sedangkan metode statistik untuk set data dengan lebih dari satu variabel bebas dan lebih dari satu variabel terikat disebut dengan metode multivariat. Jadi metode univariat merupakan kasus khusus dari metode multivariat. Misalkan kita ingin mengetahui apakah ada perbedaan antara keluarga berkulit putih dan hitam sebagai variabel bebas (Race) terhadap gaji kepala keluarga (Earns) sebagai variabel terikat. Disini pengukuran variabel bebas bersifat non-metrik dengan dua kategori yaitu kategori 1 untuk keluarga berkulit putih dan 2 keluarga berkulit hitam. Sedangkan pengukuran variabel terikat gaji kepala keluarga merupakan ukuran metrik. Uji statistik yang dapat digunakan adalah uji beda rata-rata atau t-test.
Apabila variabel bebas merupakan ukuran non-metrik dengan kategori lebih dari 2 dan variabel terikat dengan pengukuran metrik, misalkan dalam kasus apakah ada perbedaan gaji kepala keluarga dilihat dari tempat tinggal mereka (Region yang dibagi kedalam empat kategori yaitu 1 untuk Northeast, 2 untuk Northcentral, 3 untuk South dan 4 untuk West. Alat uji untuk kasus ini adalah Analysis of variance (ANOVA).

2. Dua atau lebih variabel terikat (metrik) dan dua atau lebih variabel bebas (non-metrik)

Metode statistik untuk menguji lebih dari satu variabel terikat (metrik) dan lebih dari satu variabel bebas (non-metrik) adalah Multivariate analysis of variance (MANOVA).

Berikut adalah kasus yang dapat dianalisis dengan MANOVA:

Variabel terikat (metrik) lebih dari satu dan satu variabel bebas (non-metrik). Seperti apakah rata-rata gaji kepala keluarga (Earns) dan total income anggota keluarga (Income) berbeda secara nyata untuk tiap region (Reg).
Variabel terikat (metrik) lebih dari satu dan variabel bebas (non-metrik) lebih dari satu. Seperti apakah rata-rata gaji kepala keluarga (Earns) dan total income anggota keluarga (Income) berbeda secara nyata untuk tiap region (Reg)dan ras (Race).
Variabel terikat satu (metrik) dan lebih dari satu variabel bebas (non-metrik). Seperti apakah rata-rata gaji kepala keluarga (Earns) berbeda nyata untuk tiap region (reg) dan ras (Race).

3. Satu variabel terikat (metrik) dan satu atau lebih variabel bebas (metrik)

Metode statistik untuk menguji hubungan antara satu variabel terikat (metrik) dan satu atau lebih variabel bebas (metrik) adalah regresi. Regresi sederhana untuk menguji pengaruh satu variabel bebas (metrik) terhadap satu variabel terikat (metrik), sedangkan untuk lebih dari satu variabel bebas (metrik) disebut regresi berganda.
Misalkan ingin mengetahui pengaruh jumlah anggota keluarga (Size), gaji kepala keluarga (Earns), kekayaan keluarga (Wealth) dan tingkat tabungan keluarga (Saving) terhadap total income anggota keluarga (Income). Hubungan antara satu variabel terikat (metrik) dan lebih dari satu variabel bebas (metrik) dapat ditulis dalam persamaan linear seperti ini :

Income = b₀ + b₁ Size + b₂ Earns + b₃ Wealth + b₄ Saving + e.

Tujuan dari teknik regresi adalah menaksir besarnya parameter b₀, b₁, b₂, b₃, dan b₄ dari model di atas.

4. Satu variabel terikat (non-metrik) dan lebih dari satu variabel bebas (metrik)

Sebagai misal variabel terikat adalah intensitas membeli produk (PI) yang diukur dengan skala nominal. Responden diminta untuk menjawab apakah akan membeli produk (1) atau tidak akan membeli produk (0). Sedangkan variabel bebasnya adalah Umur (Age), pendapatan (Income), pendidikan (Education), dan gaya hidup (Life style) yang semuanya diukur dengan ukuran interval atau rasio, maka kita sekarang mempunyai set data dimana variabel terikatnya adalah kategori atau nominal dan variabel bebasnya adalah metrik atau kontinyu. Persoalan uji statistik pada model seperti ini adalah menentukan apakah kedua grup yaitu pembeli atau non-pembeli produk secara signifikan berbeda dikaitkan dengan variabel bebas. Jika hasilnya memang nyata berbeda, pertanyaan selanjutnya adalah apakah variabel-variabel bebas dapat digunakan untuk membentuk persamaan prediksi atau aturan klasifikasi untuk mengelompokkan konsumen kedalam dua kelompok pembeli dan non-pembeli. Metode statistik untuk menjawab persoalan seperti ini adalah analisis diskriminan. Asumsi yang mendasari analisis diskriminan adalah data harus berdistribusi normal dan jumlah sampel untuk kategori variabel terikatnya yaitu pembeli dan non-pembeli harus sebanding (fifty-fifty).
Apabila variabel bebasnya kombinasi antara metrik dan nominal (non-metrik), maka asumsi normalitas multivariat tidak akan dapat dipenuhi. Penyimpangan dari asumsi normalitas multivariat mempengaruhi signifikan uji statistik dan tingkat ketepatan klasifikasi. Jika hal ini terjadi maka sebaiknya menggunakan uji statistik regresi logistik. Regresi logistik ini tidak mensyaratkan jumlah sampel untuk kategori variabel terikat yaitu pembeli dan non-pembeli harus sebanding (fifty-fifty).

Berikut adalah Tabel Statistik Dependen

No.	Variabel Dependen	Variabel Independen	Uji Statistik
1.	satu skala likert	satu non-metrik dgn dua kategori	Uji Beda - t-test
2.	satu skala metrik	satu non-metrik dgn lebih 2 kategori	ANOVA
3.	lebih dari satu metrik	satu atau lebih non-metrik	MANOVA
4.	satu atau lebih metrik	lebih dari satu metrik	Canonical Correlation
5.	satu non metrik dgn dua kategori	satu atau lebih metrik	Analisis Diskriminan
6.	satu non-metrik dgn lebih dari dua kategori	satu atau lebih metrik	Analisis Multiple Diskriminan
7.	satu non-metrik dgn dua kategori	satu atau lebih metrik dan non-metrik	Logistic Regression
8.	lebih dari satu metrik	lebih dari satu metrik	Analisis Jalur dan SEM

Metode Interdependen

Tujuan dari analisis data adalah memahami atau mengidentifikasi mengapa dan bagaimana variabel-variabel tersebut saling berkorelasi. Maka pada situasi seperti ini set data dapat dikelompokkan kedalam variabel terikat dan variabel bebas.

1. variabel metrik

Principle Components Analysis. Misalkan seorang analisis keuangan memiliki sejumlah rasio keuangan (misal 100 rasio) yang dapat digunakan untuk menentukan kesehatan keuangan suatu perusahaan. Untuk tujuan ini analisis keuangan dapat menggunakan semua 100 rasio atau sejumlah (misal dua) indeks komposit. Setiap indeks komposit dibentuk dari menjumlahkan atau rata-rata tertimbang dari 100 rasio. Jelaslah bahwa lebih mudah membandingkan perusahaan dengan menggunakan dua indeks komposit daripada menggunakan 100 rasio keuangan. Masalah yang dihadapi analis direduksi menjadi mengidentifikasi prosedur atau aturan untuk membentuk dua indeks komposit. Principal components analysis adalah teknik yang cocok untuk tujuan ini. Teknik ini sering disebut teknik reduksi data, oleh karena mencoba mereduksi jumlah besar variabel menjadi indeks komposit yang lebih sedikit.

Analisis faktor. Misal seorang psikolog pendidikan memiliki nilai mahasiswa untuk mata kuliah (matematika, kimia, sejarah, baha inggris, dan perancis) dan ingin mengamati bahwa nilai-nilai tersebut saling berkorelasi. Psikolog ini ingin menentukan mengapa nilai-nilai tersebut saling berkorelasi atau apakah yang menjadi alasan atau faktor penyebab korelasi antar nilai mata kuliah. Analisis faktor dapat digunakan untuk mengidentifikasi faktor-faktor yang menjadi penyebab korelasi antar nilai mata kuliah. Analisis faktor mengidentifikasi beberapa faktor mengidentifikasi beberapa faktor yang menjadi penyebab korelasi diantara jumlah besar variabel dan teknik ini juga dikelompokkan sebagai teknik reduksi. Dalam hal ini analisis faktor dapat dipandang sebagai teknik untuk mengidentifikasi kelompok atau cluster suatu variabel, dimana korelasi variabel dalam setiap cluster lebih tinggi daripada korelasi variabel cluster lainnya.

2. variabel non-metrik

Model Loglinear. Misal ingin membuat tabel klasifikasi silang antara region (Reg) dengan empat kategori dan ras (Race) dengan dua kategori, maka data seperti ini dapat dianalisis dengan berbagai metode. Salah satu teknik yang sangat populer adalah analisis tabulasi silang (crosstabulation) atau analisis tabel kontijensi untuk menentukan ada tidaknya hubungan asosiasi antara dua variabel tersebut. Alternatif lain dapat menggunakan Loglinear untuk menaksir probabilitas bahwa satu observasi masuk dalam sel sebagai fungsi variabel bebas. Loglinear juga dapat digunakan untuk menguji hubungan asosiasi diantara lebih dari dua variabel kategori.

Analisis Korespondensi. Misal ada tabel kontijensi atau tabel tabulasi silang besar dengan ukuran 20 baris dan 20 kolom. Interpretasi terhadap tabel yang besar ini dapat disederhanakan jika beberapa komponen menggambarkan sebagi besar dari hubungan antara baris dan kolom dapat diidentifkasi. Analisis korespondensi bertujuan untuk memecahkan hal ini. Jadi analisis korespondensi sama identik dengan components analysis untuk data non-metrik. Loglinear dan analisis korespondensi dapat digeneralisir menjadi tabel kontijensi multiway. Tabel kontijensi multiway adalah tabulasi silang untuk lebih dari dua variabel.

Berikut adalah Tabel Statistik Interdependen

No.	Jumlah variabel	Metrik	Non-metrik
1.	dua variabel	Korelasi sederhana	Tabel kontijensi 2-way dan model Loglinear
2.	lebih dari dua variabel	Principle components	Tabel kontijensi multiway
		Analisis faktor	Model Loglinear dan Correspondence analysis

Skala Pengukuran Data

noreply@blogger.com (Syafdillah) — Thu, 29 Apr 2021 00:35:00 +0700

Skala Pengukuran. Pengukuran merupakan suatu proses hal mana suatu angka atau simbol diletakkan pada karakteristik atau properti suatu stimuli sesuai dengan aturan atau prosedur yang telah ditetapkan. Misalkan orang dapat digambarkan dari beberapa karakteristik seperti umur, pendidikan, pendapatan, jenis kelamin, dan preferensi terhadap merek barang tertentu. Skala pengukuran yang sesuai dapat digunakan untuk menunjukkan karakteristik ini. Menurut Stevens (1946) skala pengukuran dapat dikelompokkan menjadi 4 jenis yaitu, skala nominal, skala ordinal, skala interval, dan skala rasio.

1. Skala Nominal.

Skala nominal merupakan skala pengukuraan yang menyatakan kategori atau kelompok dari suatu subyek. Misalkan variabel jenis kelamin responden dapat dikelompokkan ke dalam kategori laki-laki dan perempuan. Kedua kelompok ini dapat diberi kode angka 1 dan 2. Angka ini hanya berfungsi sebagai label kategori semata tanpa nilai intrinsik dan tidak memiliki arti apa-apa. Oleh sebab itu tidaklah tepat menghitung nilai rata-rata dan standard deviasi dari variabel jenis kelamin. Angka 1 dan 2 hanya sebagai cara untuk mengelompokkan subyek ke dalam kelompok yang berbeda atau hanya untuk menghitung berapa banyak jumlah di setiap kategori. Jadi uji statistik yang sesuai dengan skala nominal adalah uji statistik yang mendasarkan couting seperti modus dan distrbusi frekuensi.

2. Skala Ordinal.

Skala ordinal tidak hanya mengkategorikan variabel kedalam kelompok, tetapi juga melakukan ranking terhadap kategori. Sebagai misal kita ingin mengukur preferensi responden terhadap empat merek produk air mineral, Aqua, Aquana, Aquaria, dan Aquades. Kita dapat meminta responden untuk melakukan ranking terhadap merek produk air mineral yaitu dengan memberi angka 1 untuk merek yang paling disukai, angka 2 untuk ranking kedua dan seterusnya.
Merek air mineral - ranking
Aqua - 1
Aquana - 2
Aquaria - 3
Aquades - 4
Tabel di atas menunjukkan bahwa merek Aqua lebih disukai dari pada merek Aquana, merek Aquana lebih disukai dari pada merek Aquaria, dan merek Aquaria lebih disukai dari pada Aquades. Walaupun perbedaan angka antara merek satu dengan lainnya sama, kita dapat menentukan seberapa besar nilai preferensi dari satu merek terhadap merek lainnya. Jadi kategori antar merek tidak menggambarkan perbedaan yang sama (equal differences) dari ukuran atribut. Pengukuran seperti ini dinamakan skala ordinal dan data yang di dapat dari pengukuran ini disebut data ordinal. Uji statistik yang sesuai untuk skala ordinal adalah modus, median, distribusi frekuensi, dan statistik non-parametrik. seperti rank order correlation. Variabel yang diukur dengan skala nominal dan ordinal umumnya disebut variabel non-parametrik atau variabel non-metrik.

3. Skala Interval.

Misalkan disamping menanyakan responden untuk melakukan ranking preferensi terhadap merek, mereka juga diminta untuk memberikan nilai (rate) terhadap preferensi merek sesuai dengan lima skala penilaian sebagai berikut :
Nilai skala - Preferensi
5 - Sangat tinggi
4 - tinggi
3 - moderat
2 - rendah
1 - sangat rendah
Jika diasumsikan bahwa urutan kategori menggambarkan tingkat preferensi yang sama, maka kita dapat mengatakan bahwa perbedaan preferensi responden untuk dua merek air mineral yang mendapat rating atau nilai 1 dan 2 adalah sama dengan perbedaan preferensi untuk dua merek lainnya yang memiliki rating 4 dan 5. Namun demikian kita tidak dapat menyatakan bahwa preferensi responden terhadap merek yang mendapat rating 5 nilainya lima kali preferensi untuk merek yang mendapat rating 1. Skala pengukuran seperti ini disebut skala interval. Uji statistik yang sesuai untuk jenis pengukuran skala ini adalah semua uji statistik, kecuali yang mendasarkan pada rasio seperti koefisien variasi.

4. Skala Rasio.

Skala rasio adalah skala interval dan memiliki nilai dasar yang tidak dapat dirubah. Misalkan umur responden memiliki nilai dasar nol. Skala rasio dapat ditransformasikan dengan cara mengalikan dengan konstanta, tetapi transformasi tidak dapat dilakukan jika dengan cara menambah konstanta karena hal ini akan merubah nilai dasarnya. Jadi transformasi yang valid terhadap skala rasio adalah sebagai berikut:
Y_t = b Y₀
Oleh karena skala rasio memiliki nilai dasar, maka pernyataan yang mengatakan "Umar Amir dua kali umur Tono" adalah valid. Data yang dihasilkan dari skala rasio disebut data rasio dan tidak ada pembatasan terhadap alat uji statistik yang sesuai. Variabel yang diukur dengan skala interval dan rasio disebut variabel metrik.

Structural Equation Modelling (SEM)

noreply@blogger.com (Syafdillah) — Tue, 5 May 2020 00:00:00 +0700

Structural Equation Modelling (SEM) merupakan perkembangan dari general linear model (GLM) dengan regresi berganda sebagai bagiannya yang disebut juga sebagai perluasan dari analisis faktor.

Analisis SEM biasa terdiri dari dua sub model yaitu model pengukuran (measurement model) atau sering disebut outer model dan model struktural (sturctural model) atau sering disebut innear model.

Model pengukuran menunjukkan bagaimana variabel manifest (observed variabel/indikator) mempresentasi variabel laten untuk diukur. Sedangkan model struktural menunjukkan kekuatan estimasi antar variabel laten atau konstruk. SEM lebih mengutamakan pengujian confirmatory dibanding dengan pengujian explanatory sehingga lebih tepat digunakan untuk menguji teori dibanding dengan mengembangkan teori. SEM juga mampu untuk mengukur variabel yang tidak dapat diukur secara langsung, tetapi melalui indikator-indikatornya. Model yang akan diestimasi dalam SEM biasanya diasumsikan mempunyai hubungan kausalitas antara variabel laten dengan variabel observed sebagai indikator.

Variabel laten yang dibentuk dalam model persamaan struktural, indikatornya dapat berbentuk reflective merupakan indikator yang bersifat manifestasi terhadap konstruk dan sesuai dengan classical test theory yang mengasumsikan bahwa variance di dalam pengukuran score variabel laten merupakan fungsi dari true score ditambah error. Sedangkan indikator formative merupakan indikator yang bersifat mendefinisikan karakteristik atau menjelaskan konstruk.

Analsisi data menggunakan model persamaan struktural biasanya menggunakan matriks kovarians. Hal ini dikarenakan model penelitian menggunakan multi sampel (multiple group models) dan untuk mencegah terjadinya variance error. Dengan demikian, penggunaan matriks kovarians model penelitian yang kompleks sekalipun dapat diukur variansnya.

Matriks kovarians yang sering digunakan adalah Maximum Likelihood, adalah matriks kovarians di mana nilai estimasi parameter chi-square dan standar error tidak dapat dikoreksi dengan menggunakan matriks korelasi.

Tahapan Analisis SEM

noreply@blogger.com (Syafdillah) — Fri, 1 May 2020 00:00:00 +0700

Tahapan Analisis SEM

Spesifikasi model, mempunyai landasan teori yang kuat kemudian didefinisikan secara konseptual konstruk yang diteliti dan menentukan dimensionalitasnya, lalu tentukan arah kausalitas antar konstruk dengan menunjukkan hubungan yang dihipotesiskan dengan jelas.

Identifikasi model, harus memiliki nilai yang unik dalam artian informasi yang terkumpul pada data empiris itu memiliki nilai yang unik yang cukup untuk menghasilkan solusi yang unik dalam menghitung parameter estimasi model.

Estimasi model, setelah memenuhi spesifikasi dan identifikasi model selanjutnya tentukan metode estimasi apa yang akan digunakan dan tentukan besarnya jumlah sampel yang dibutuhkan.
Ada 3 metode estimasi, yaitu :

Maximum Likelihood (ML), akan menghasilkan estimasi parameter yang terbaik (unbiased), apabila data yang digunakan memenuhi asumsi multivariate normality, dengan ukuran sampel antara 100 - 200. Goodness of fit model akan buruk jika ukuran/jumlah sampel lebih besar dari 400.

Generalized Least Square (GLS), hampir sama dengan ML namun disini masih diperkenankan robust (dilanggarnya asumsi multivariate normality) dengan ukuran sampel 200 - 300. Goodness of fit model akan buruk jika ukuran/jumlah sampel kurang dari 200.

Asymptotically Distribution Free (ADF) atau Weight Least Square (WLS) untuk ini tidak mensyaratkan data harus normal secara multivariate, dengan ukuran jumlah sampel yang dibutuhkan minimal 2000 - 3000, disamping itu kelemahan lainnya metode ini hanya bisa menggunakan 10 - 15 variabel.

Jumlah Variabel Laten	Jumlah Indikator	Communalities	Jumlah Sampel
lebih dari 6	kurang dari 3	Low	kurang dari 500
kurang dari / sama dengan 5	lebih dari 3	High	100 - 150
kurang dari / sama dengan 5	kurang dari 3	Modest	lebih dari 200
kurang dari / sama dengan 5	kurang dari 3	Low	lebih dari 300

Evaluasi model, menentukan fit tidaknya model dengan menilai hasil pengukuran model (measurement model) melalui CFA (Confirmatory Factor Analysis) dengan menguji validitas dan reliabilitas konstruk laten, kemudian dilanjutkan dengan evaluasi model struktural (Structured Model) secara keseluruhan dengan menilai kelayakan model melalui kriteria goodness of fit.

Respesifikasi model, setelah melalui ke empat tahapan tersebut di atas jika penilaian tidak fit maka perlu dilakukan respesifikasi model dengan ketentuan harus didukung teori yang memadai.
Respesifikasi model juga tidak melulu harus mendapatkan model yang fit, jika model telah direspesifikasi maka model yang baru harus di cross-validated dengan data yan baru.

Pengukuran Model (Measurement Model)

noreply@blogger.com (Syafdillah) — Sat, 25 Apr 2020 22:15:00 +0700

Measurement model sering disebut Outer model, menunjukkan bagaimana variabel-variabel manifest/observerd variable (indikator) merepresentasi konstruk laten untuk diukur, yaitu dengan menguji validitas dan reliabilitas konstruk laten tersebut melalui analisis faktor konfirmatori dengan pendekatan MTMM (Multi Trait Multi Method) melalui uji validitas convergent dan validitas discriminant.

Validitas Discriminant, yaitu dengan membandingkan loading factor tiap indikator dengan cross loading seluruh indikator konstruknya.

Validitas convergent berhubungan dengan prinsip bahwa pengukur-pengukur (manifest variable) dari suatu konstruk seharusnya berkorelasi tinggi yang dapat dilihat dari nilai faktor loading untuk tiap indikator konstruk yang biasanya digunakan seperti berikut :

Validitas dan Reliabilitas	Parameter	Rule of Thumb
Validitas Convergent	loading factor	> 0,7 (confirmatory); 0,6 (explanatory)
	Average Variance Extracted (AVE)	> 0,5 (confirmatory, explanatory)
Validitas Discriminant	cross loading	indikator loading > seluruh cross loading
	akar kuadrat AVE dan korelasi antar konstruk laten	akar kuadrat AVE > korelasi antar konstruk laten
Reliability	Cronbach's Alpha	> 0,7 (confirmatory); > 0,6 (explanatory)
	Composite Reliability	> 0,7 (conformatory); 0,6 - 0,7 (explanatory)

Penilaian Model (Structural Model)

noreply@blogger.com (Syafdillah) — Fri, 24 Apr 2020 07:16:00 +0700

Menilai kelayakan model/goodness of fit (Structural Model). Goodness of fit merupakan indikasi dari perbandingan antara model yang dispesifikasi dengan analisis kovarians antar indikator (observed variable). Jika hasilnya baik maka diterima model tersebut, terdapat 3 jenis ukuran goodness of fit, yaitu :

Absolute Fit Indices

Membandingkan antara fit model secara teoritis dengan data yang dikumpulkan. Terdapat tiga jenis penilaian yaitu :
- Chi-Square
  
  dengan rumus X² = (N - 1) F, dimana N adalah jumlah sampel dan F adalah discrepancy.
  
  Model dikatakan fit jika mempunyai nilai chi-square sama dengan nol, artinya tidak ada perbedaan antara input matriks kovarians yang diobservasi dengan model yang diprediksi. Tingkat signifikansi yang direkomendasikan adalah, nilai probabilitas > 0,05.
- Goodness of Fit Indices (GFI)
  
  Merupakan tingkat kesesuaian model secara keseluruhan yang dihitung dari residual kuadrat model yang diprediksi dibandingkan dengan data observasi yang sebenarnya. Tingkat signifikansi yang direkomendasikan adalah, nilai GFI > 0,9
- Root Mean Square Error of Approximation (RMSEA)
  
  Mengukur penyimpangan nilai parameter suatu model dengan matriks kovarians populasinya. Tingkat signifikansi yang direkomendasikan adalah:
  
  Nilai RMSEA < 0,05 mengindikasikan goodness of fit model baik; nilai RMSEA kurang dari atau sama dengan 0,08 mengindikasikan goodness of fit model kurang baik; nilai RMSEA > 1 mengindikasikan goodness of fit model tidak baik.
  
  Nilai probabilitas > 0,05 dan Confidences Interval antara 0,0 sampai 0,15
Fit Indices

disebut juga Comparatives Fit Indices, yaitu goodness of fit untuk membandingkan fit model secara teoritis, relatif dengan alternative baseline model (null model).
Null model merupakan model realistik, dimana model-model yang lain harus di atasnya.
- Adjusted Goodness of Fit (AGFI)
  
  Pengembangan dari GFI yang disesuaikan dengan ratio degress of freedom untuk proposed odel dengan degree of freedom untuk null model. Tingkat signifikansi yang direkomendasikan adalah, nilai AGFI lebih besar atau sama dengan 0,9
- Normal Fit Index (NFI)
  
  ukuran perbandingan antara proposed model dengan null model. NFI cenderung merendahkan nilai fit pada penggunaan sampel kecil. Tingkat signifikansi yang direkomendasikan adalah, nilai NFI > 0,9 hingga 0,95
- Comparative Fit Indices (CFI)
  
  dikenal dengan Bentler Fit Index (BFI) merupakan ukurang perbandingan antara model yang dihipotesiskan dengan null model. CFI tidak dapat dipengaruhi oleh ukurang sampel. Tingkat signifikansi yang direkomendasikan adalah, nilai CFI > 0,9 hingga 0,95
- Incremental Fit Index (IFI)
  
  sama dengan CFI namun IFI dapat mengoreksi ukurang sampel. Tingkat signifikansi yang direkomendasikan adalah, nilai IFI > 0,9 hingga 0,95
- Relative Fit Indices (RFI)
  
  dikenal dengan Relative Noncentrality Index (RNI), penjelasannya sama dengan CFI. Tingkat signifikansi yang direkomendasikan adalah, nilai RFI > 0,9 hingga 0,95
Persimoni Fit Indiceds

ukuran untuk menghubungkan goodness of fit model dengan sejumlah koefisien estimasi yang diperlukan untuk mencapai model fit. Tujuan dasarnya adalah untuk mendiagnosis apakah model fit telah tercapai dengan over fitting data yang memiliki banyak koefisien.
Akaike's Information Criterion (AIC) dan Consistant Akaike's Information Index (CAIC)

digunakan dalam perbandingan model, dimana nilai AIC dan CAIC default model harus dibandingkan dengan nilai AIC dan CAIC saturated dan independences model. Tingkat signifikansi yang direkomendasikan adalah, nilai nilai AIC dan CAIC default model < nilai AIC dan CAIC saturated dan independences model
Expected Cross Validation Index (ECVI)

mengukur penyimpangan antara model fitted matriks kovarians sampel yang dianalisis dibandingkan dengan matriks kovarians yang akan diperoleh jika menggunakan sampel yang lain. Tingkat signifikansi yang direkomendasikan adalah, nilai ECVI default model < nilai ECVI saturated dan independences model.

Parsimonious Goodness of Fit Index (PGFI)

memodifikasi dari GFI dan AGFI untuk mengukur parsimony model. Semakin tinggi nilai PGFI dan AGFI suatu model, semakin parsimony model tersebut. Tingkat signifikansi yang direkomendasikan adalah, nilai PGFI > 0,6

Spesifikasi Model

noreply@blogger.com (Syafdillah) — Tue, 21 Apr 2020 06:36:00 +0700

Secara teoritis dimensi suatu konstruk dapat berbentuk unidimensional dan multidimensional. Perbedaan tersebut disebabkan karena tiap konstruk memiliki level abstraksi yang berbeda, sehingga menuntut perlakuan yang berbeda pula dalam pengujian statistiknya.

Konstruk unidimensional adalah konstruk yang berbentuk langsung dari manifest variabelnya dengan arah indikatornya dapat berbentuk replective maupun formative. Sedangkan analisis faktor konfirmatori untuk menguji validitas konstruk dapat dilakukan melalui first order construct, yaitu konstruk laten yang direfleksikan oleh indikator-indikatornya.

Konstruk multidimensional adalah konstruk yang dibentuk dari konstruk laten, yang didalamnya termasuk konstruk unidimensional, dengan arah indikatornya dapat berbentuk reflektive maupun formative. Sedangkan analisis faktor konfirmatori untuk menguji validitas konstruk dapat dilakukan dengan dua tahap. Pertama, first order construct, yaitu konstruk laten yang direfleksikan oleh indikator-indikatornya. Kedua, second order construct, yaitu konstruk laten yang direfleksikan atau dibentuk oleh konstruk laten dimensinya.

Konstruk dengan indikator reflektive diasumsikan mempunyai kesamaan domain konten. Mengasumsikan bahwa kovarian diantara pengukuran model dijelaskan oleh varian yang merupakan manifestasi domain konstruknya. Arah indikatornya yaitu dari konstruk ke indikator. Pada setiap indikatornya harus ditambah dengan error term.

Menurut Jarvis et.al. (2003) dan MacKenzie et.al (2005) konstruk dengan indikator reflective mempunyai ciri-ciri sebagai berikut :

arah kausalitas dari konstruk ke indikator (items).
indikator manifestasi terhadap konstruk.
perubahan pada indikator tidak menyebabkan perubahan pada konstruk.
perubahan pada konstruk mengakibatkan perubahan pada indikator.
indikator dapat dipertukarkan.
indikator harus memiliki konten yang sama dan indikator perlu memiliki tema yang sama.

Identifikasi Model

noreply@blogger.com (Syafdillah) — Fri, 20 Mar 2020 11:42:00 +0700

Suatu model yang tidak memiliki nilai yang unik, maka model tersebut tidak dapat diidentifikasi (unidentified). Hal ini dikarenakan informasi yang terdapat pada data empiris tidak cukup untuk menghasilkan solusi yang unik dalam menghitung parameter estimasi model.

Untuk mengatasi unidentified model yaitu melalui cara mengkonstrain model, dengan :

menambahkan indikator/manifest variabel dari konstruk laten.
menentukan nilai fix parameter tambahan sehingga menghasilkan perhitungan degree of freedom menjadi nol (metode ini yang sering digunakan peneliti).
mengasumsikan bahwa antara parameter yang satu dengan lainnya mempunyai nilai yang sama.

di mana :
unidentified model memiliki t lebih besar atau sama dengan s/2
just identified model memiliki t sama dengan s/2
over identified model memiliki t lebih kecil atau sama dengan s/2
t adalah jumlah parameter yang diestimasi.
s adalah jumlah varian dan kovarian antara indikator.

Contoh langkah-langkah identifikasi model dengan program LISREL, untuk kasus model Unidentified.

Dari hasil output di atas dapat disimpulkan bahwa model kita unidentified sehingga tidak ada solusi yang unik. Hal ini dikarenakan jumlah parameter yang akan diestimasi (t) ada 4 yaitu 2 loading faktor X1 dan X2 serta 2 varian yaitu e1 dan e2. Sedangkan kita hanya mempunyai tiga informasi yaitu kovarian (X1X2), varian (e1) dan varian (e2). Jadi kita hanya mempunyai tiga informasi untuk mengestimasi empat parameter sehingga model unidentified dan menghasilkan degree of freedom negative (3-4) = -1.

Pengujian Second Order Konstruk

noreply@blogger.com (Syafdillah) — Sun, 15 Mar 2020 12:00:00 +0700

Berbeda dengan pengujian second order konstruk dimana pengujiannya akan melalui dua jenjang, pertama analisis dilakukan dari konstruk laten dimensi ke indikator-indikatornya dan kedua, analisis dilakukan dari konstruk laten ke konstruk dimensinya. Untuk memberikan gambaran yang jelas mengenai analisis faktor konfirmatori second order konstruk dengan menggunakan program LISREL, berikut diberikan contoh analisis dengan menggunakan data yang dikumpulkan dari 150 responden. Misalkan kita ingin mengetahui pengaruh karakteristik pekerjaan terhadap kinerja. Karakteristik pekerjaan merupakan second order konstruk yang terdiri dari lima konstruk dimensi yaitu Task Significance, Taks Identity, Autonomy, Skill Variety dan Feedback.

Langkah-langkahnya seperti dalam video berikut ini.

Berdasarkan hasil output di atas dapat dilihat bahwa goodness of fit model yang dihasilkan kurang baik dengan nilai chi square 173,29 dan probabilitas 0,00 < 0,05. Begitu juga dengan kriteria goodness of fit yang lainnya masih jauh dari yang dipersyaratkan. Dapat dilihat dengan Heywood cases (W_A_R_N_I_N_G : Error variance is negative). Heywood cases dapat diatasi dengan menetapkan variance error yang bernilai negatif dengan nilai positif kecil misalnya 0,005 atau 0,001 (Byrne, 2001).

Untuk itu harus dilakukan estimasi ulang atas model tersebut dengan input sebagai berikut :

X1 = 1*TS
X2 = TS
X3 = TS
X4 = 1*TI
X5 = TI
X6 = TI
X7 = 1*A
X8 = A
X9 = 1*SV
X10 = SV
X11 = SV
X12 = 1*F
X13 = F
TS TI A SV F = TC

Set the error variace of TS to 0.001
Set the error variace of TI to 0.001
Set the error variace of A to 0.001
Set the error variace of TC to 0.001

Tahap-tahap Cara Menggunakan SmartPLS versi 3.2.3

noreply@blogger.com (Syafdillah) — Sat, 14 Mar 2020 12:08:00 +0700

Pengujian model TAM dengan menggunakan SmartPLS v. 3.2.3

Contoh yang digunakan adalah model TAM. Model Technology Acceptance Model (TAM) merupakan salah satu model yang dibangun untuk menganalisis dan memahami faktor‐faktor yang mempengaruhi diterimanya penggunaan teknologi komputer yang sebenarnya diadopsi dari model TRA (Theory of Reasoned Action) yaitu teori tindakan yang beralasan dengan satu premis bahwa reaksi dan persepsi seseorang terhadap sesuatu hal, akan menentukan sikap dan perilaku orang tersebut. TAM bertujuan untuk menjelaskan dan memperkirakan penerimaan (acceptance) pengguna terhadap suatu sistem informasi. TAM menyediakan suatu basis teoritis untuk mengetahui faktor-faktor yang mempengaruhi penerimaan terhadap suatu tekhnologi dalam suatu organisasi. TAM menjelaskan hubungan sebab akibat antara keyakinan (akan manfaat suatu sistem informasi dan kemudahan penggunaannya) dan perilaku, tujuan/keperluan, dan penggunaan aktual dari pengguna/user suatu sistem informasi.

Model TAM yang dikembangkan dari teori psikologis, menjelaskan perilaku pengguna komputer yaitu berlandaskan pada kepercayaan (belief), sikap (attitude), keinginan(intention), dan hubungan perilaku pengguna (user behaviour relationship). Tujuan model ini untuk menjelaskan faktor‐faktor utama dari perilaku pengguna terhadap penerimaan pengguna teknologi. Secara lebih terinci menjelaskan tentang penerimaan TI dengan dimensi‐dimensi tertentu yang dapat mempengaruhi diterimanya TI oleh pengguna (user).

Reaksi dan persepsi pengguna Teknologi Informasi (TI) akan mempengaruhi sikapnya dalam penerimaan terhadap teknologi tersebut. Salah satu faktor yang dapat mempengaruhinya adalah persepsi pengguna terhadap kemanfaatan dan kemudahan penggunaan TI sebagai suatu tindakan yang beralasan dalam konteks pengguna teknologi, sehingga alasan seseorang dalam melihat manfaat dan kemudahan penggunaan TI menjadikan tindakan/perilaku orang tersebut sebagai tolok ukur dalam penerimaan sebuah teknologi.

Berikut ini adalah video langkah-langkah penggunaan SmartPLS dalam melakukan uji Confirmatory Fantor Analysis Indikator Refleksif. Ok selamat menyimak.

Perbedaan PLS SEM dan CB SEM

noreply@blogger.com (Syafdillah) — Thu, 12 Mar 2020 00:35:00 +0700

Sesuai judulnya, PLS-SEM versi CB-SEM. Menurut Fornell dan Bookstein (1982), pada umumnya terdapat dua jenis tipe SEM yang sudah dikenal secara luas, yaitu covariance-based structural equation modeling (CB-SEM) yang dikembangkan oleh Joreskog (1969) dan partial least squares path modeling (PLS-SEM) sering disebut variance atau component-based structural equatiion modeling yang dikembangkan oleh World (1974), covariance based SEM diwakili oleh software seperti AMOS, EQS, LISREL, Mplus, sedangkan component based SEM diwakili oleh software seperti PLS-Graph, SmartPLS, VisualPLS, XLSTAT-PLS.

Covariance based SEM merupakan tipe SEM yang menghapuskan konstruk maupun indikator-indikatornya untuk saling berkorelasi satu dengan lainnya dalam suatu model struktural. Lebih lanjut, Variance atau Component based SEM merupakan tipe SEM yang menggunakan variance dalam proses iterasi sehingga tidak memerlukan korelasi antara indikator maupun konstruk latennya dalam suatu model struktural.

Secara umum, penggunaan CB-SEM bertujuan untuk mengestimasi model struktural berdasarkan telaah teoritis yang kuat untuk menguji hubungan kausalitas antara konstruk atau variabel laten serta mengukur kelayakan model dan mengkonfirmasikannya sesuai dengan data empirisnya. Konsekuensinya penggunaan CB-SEM adalah menuntut basis teori yang kuat, memenuhi berbagai asumsi parametrik dan memenuhi uji kelayakan model (goodnes of fit). Karena itu CB-SEM sangat tepat digunakan untuk menguji teori dan mendapatkan justifikasi atas pengujian tersebut dengan serangkaian analisis yang kompleks.

Sementara PLS-SEM bertujuan untuk menguji hubungan prediktif antar konstruk dengan melihat apakah ada hubungan atau pengaruh antar konstruk tersebut. Konsekuensi penggunaan PLS-SEM adalah pengujian dapat dilakukan tanpa dasar teori yang kuat, mengabaikan beberapa asumsi (non-parametrik) dan parameter ketepatan model prediksi dilihat dari nilai koefisien determinasi (R-square). Karena itu PLS-SEM sangat tepat digunakan pada penelitian yang bertujuan mengembangkan teori.

Jadi dapat disimpulkan bahwa, jika model struktural dan model pengukuran yang dihipotesiskan benar dalam hal ini menjelaskan covariance semua indikator dan kondisi data atau jumlah sampel dapat dipenuhi, maka covariance based SEM memberikan estimasi optimal dari parameter model. Namun demikian, jika tujuan dan pandangan peneliti dari data ke teori, jumlah sampel yang terbatas dan tidak dapat memenuhi berbagai asumsi parametrik, maka PLS merupakan teknik analisis yang cocok.

Menguji Unidimensionalitas Konstruk dengan CFA

noreply@blogger.com (Syafdillah) — Mon, 2 Mar 2020 10:21:00 +0700

Setelah membuat atau membentuk diagram jalur hubungan kausalitas, selanjutnya menguji unidimensionalitas masing-masing konstruk dengan konfirmatori analisis faktor (CFA). Analisis konfirmatori dilakukan antar variabel eksogen dan antar variabel endogen. Pada model ini hanya ada satu variabel eksogen yaitu Komitmen Profesional, dan 3 variabel endogen yaitu Komitmen Organisasi, Kepuasan Kerja dan Kinerja Kerja.

a. Uji Konfirmatori Konstruk Eksogen Komitmen Profesional

Berikut ini dilakukan hasil pengolahan uji konfirmatori untuk konstruk Komitmen Profesional.

Hasil uji Chi-Squares menunjukkan bahwa model tidak fit yaitu dengan nilai Chi-Squares 131.642 dengan probabilitas p = 0.000. Begitu juga dengan kriteria fit yang lain, nilainya masih di bawah yang direkomendasikan. Untuk memperbaiki model fit maka pertama kita lihat nilai signifikansi dari estimasi parameter standardized loading. Hanya ada satu indikator yang tidak signifikan yaitu indikator X17 dengan probabilitas 0.057 di atas nilai 0.05. Jadi X17 kita hilangkan. Langkah selanjutnya melihat nilai convergent validity yaitu indikator dengan faktor loading di bawah 0.50 kita nyatakan tidak valid sebagai pengukur konstruk Komitmen Profesional sehingga kita hilangkan dari analisis. Adapun indikator yang kita hilangkan karena kurang dari 0.70 adalah X13, X14, dan X17. Hasil output revisi dari model yang akan dilakukan uji konfirmatori kembali seperti di bawah ini.

Hasil Chi-Squares 18.133 dengan probabilitas p = 0.034 masih tidak fit, tetapi kita tahu bahwa Chi-Squares sensitif terhadap jumlah sampel. Oleh sebab itu kita melihat kriteria fit yang lain yaitu GFI, AGFI, TLI dan RMSEA semuanya menunjukkan nilai fit yaitu sesuai dengan yang direkomendasikan di atas 0.90 dan RMSEA di bawah 0.08. Semua indikator memberikan nilai loading di atas 0.50. Jadi sudah memenuhi convergent validity.

b. Uji Konfirmatori antar Konstruk Endogen Komitmen Organisasi, Kepuasan Kerja dan Kinerja Kerja

Ketiga variabel endogen ini saling kita kovariankan dan berikut ini disajikan hasil pengolahan uji konfirmatori antar konstruk Komitmen Organisasi, Kepuasan Kerja dan Kinerja Kerja.

Hasil uji Dhi-Squares menunjukkan nilai 894.663 dengan probabilitas p = 0.000. Hal ini dapat diartikan bahwa model tidak fit. Kriteria fit lainnya seperti GFI, AGFI, TLI dan RMSEA juga memberikan nilai yang tidak fit. Untuk itu perlu dilihat dari nilai convergent validity dari indikator-indikator pembentuk konstruk laten. Pertama yang perlu dilihat adalah nilai signifikansi dari loading factor ternyata ada satu indikator yang tdak signifikan yaitu indikator X26 dengan nilai probabilitas p = 0.236 jauh di atas 0.05, maka indikator X26 harus dihilangkan dari model. Kedua, lihat nilai standardized loading factor apakah ada yang nilainya di bawah 0.50. Nilai loading factor di bawah 0.50 kita hilangkan dari analisis karena dianggap tidak valid mengukur konstruk latennya. Dalam hal ini yang harus dihilangkan adalah X2, X3, X4, X9, X10, X22, X25, X26, X31 dan X32. Model kita estimasi ulang dengan hasil seperti di bawah ini.

Hasil nilai Chi-Squares 98.601 dengan probabilitas p = 0.186 menunjukkan bahwa model telah fit. Begitu juga dengan kriteria fit lainnya, GFI, AGFI, TLI nilainya di atas 0.90 sesuai dengan yang direkomendasikan dan nilai RMSEA 0.040 di bawah nilai 0.08. Nilai loading factor semua sudah signifikan dan semua memiliki nilai loading di atas 0.50

Menganalisis Parameter Estimasi - CFA Tutoriral

noreply@blogger.com (Syafdillah) — Sun, 23 Feb 2020 20:40:00 +0700

Pada postingan yang lalu yaitu menguji validitas faktorial konstruk laten. Bahwa model penelitian yang dilakukan oleh Byrne dan Worth Gavin (1996) menguji tentang multidimensionalitas dari konstruk Selft Concept (SC) yang terdiri dari empat faktor yaitu general (GSC), academic (ASC), english (ESC) dan mathematic (MSC) dikatakan model peneltian tersebut dapat diterima (fit). Maka untuk selanjutnya dapat dilakukan analisis parameter estimasi.

Kelayakan Estimasi Parameter.

Langkah awal dalam menilai apakah parameter individual dalam model fit atau tidak, dadpat diketahui dari nilai estimasi korelasi lebih besar dari 1 dan adanya nilai variance yang negatif (karena variance merupakan nilai kuadrat, dengan demikian nilainya harus selalu positif) serta adanya matrik kovarian atau korelasi yang tidak positif definite. Dari output pada tabel 1 dan tabel 2 di bawah ini dapat dilihat bahwa tidak ada satupun nilai korelasi atau kovarian antar variabel yang bernilai lebih dari satu dan juga tidak ada nilai variance yang negatif. Dengan demikian model tersebut dikatakan fit.

Tabel 1

Tabel 2

Kesesuaian Standard Errors (SE).

Kriteria lainnya adalah terdapatnya nilai SE sangat besar atau sangat kecil. Jika SE mendekati nol maka uji statistik untuk parameter tidak dapat didefinisikan (Bentler, 1995), begitu juga dengan nilai SE yang sangat besar mengindikasikan nilai parameter tidak dapat ditentukan (Joreskog & Sorbom, 1989) hal ini dikarenakan SE dipengaruhi oleh unit pengukuran pada variabel manifest dan atau variabel laten. Dari output pada tabel 2 dan tabel 3 dapat dilihat bahwa tidak ada satupun nilai SE yang bernilai lebih kecil dari nol dan lebih besar dari satu. Dengan demikian model tersebut dikatakan fit.

Tabel 3

Signifikansi Estimasi Parameter.

Hasil regresi dari varabel indikator ke variabel laten semua signifikan begitu juga dengan kovarian antar variabel laten juga signifikan, seperti ditunjukkan pada tabel 3 dan tabel 4. Jadi dapat disimpulkan bahwa Self Concept dapat dijelaskan oleh 4 faktor GSC, ASC, ESC dan MSC. Untuk menguji konstruk laten unidimensional atau apakah indikator-indikator pengukur kontruk valid, antara lain jika semua indikator tersebut signifikan secara statistik dan nilai convergent validity atau loading factor (standardized regressio weight) masing-masing indikator di atas 0,5. Dengan menggunakan loading kriteria convergent validity 0,5 maka hanya satu loading factor indikator sdqn34 yang dibawah nilai 0,5 (standardized loading). Indikator ini sebaiknya didrop karena dianggap tidak valid mengukur konstruk ESC (lihat tabel 5).

Tabel 4

Tabel 5

Analisis Faktor Konfirmatori dan Validitas Konstruk.

Validitas konstruk mengukur sampai seberapa jauh ukuran indikator mampu merefleksikan konstruk laten teorinya. Jadi validitas konstuk memberikan kepercayaan bahwa ukuran indikator yang diambil dari sampel menggambarkan skor sesungguhnya di dalam populasi. Inilah manfaat utama dari CFA. Dalam hal ini ada empat ukuran penting dari CFA yaitu

Convergent Validity.

Item atau indikator suatu konstruk laten harus convergent atau share (berbagi) proporsi varian yang tinggi dan ini disebut convergent validity. Untuk mengukurnya dapat dilihat dari nilai faktor loadingnya yang tinggi (di atas 0,5 atau di atas 0,7) pada suatu factor (konstruk laten) yang menunjukkan bahwa mereka convergent pada satu titik. Bila terdapat factor yang rendah seharusnya dikeluarkan untuk analisis selanjutnya.

Variance Extracted.

Rata-rata nilai Variance Extracted (AVE) antar indikator suatu set konstruk laten merupakan ringkasan convergent indikator. Nilai AVE di atas 0,5 menunjukkan adanya convergent yang baik. Nilai AVE harus dihitung pada setiap konstruk laten.

Konstruk Reliability (CR).

Dibutuhkan nilai di atas 0,7 untuk menunjukkan reliabilitas yang baik.

Discriminat Validity.

Menunjukkan seberapa jauh suatu konstruk benar-benar berbeda dari konstruk lainnya. Nilai discriminat validity yang tinggi menunjukkan bahwa suatu konstruk unik dan mampu menangkap fenomena yang diukur. Cara mengujinya dengan membandingkan nilai akar kuadrat AVE terhadap nilai korelasi antar konstruk.

Pengujian First Order Konstruk Indikator Refleksif

noreply@blogger.com (Syafdillah) — Wed, 12 Feb 2020 17:46:00 +0700

Sebelum memasuki pada contoh soal di atas, ada baiknya kita mengenal dulu apa yang dimaksud dengan Analisis Faktor Konfirmatori. Analisis Faktor Konfirmatori atau Confirmacy Factor Analysis (CFA) digunakan untuk menguji dimensionalitas suatu konstruk.
,br/>

Pada umumnya sebelum melakukan analisis model structural, peneliti terlebih dahulu harus melakukan pengukuran model (measurement model), yang tujuannya untuk menguji apakah data yang dibangun tersebut memiliki validitas dan reliabilitas dari indikator-indikator pembentuk konstruk laten tersebut dengan melakukan analisis factor konfirmatori.

Outer model dengan indicator refleksif yang kita bahas sekarang ini harus dievaluasi melalui validitas convergent dan discriminant dari indicator pembentuk konstruk laten dan composite reliability serta Cronbach alpha untuk blok indikatornya.

Kemduian yang perlu diketahui lagi adalah bahwa, suatu konstruk secara konseptual itu ada dua macan yaitu Unidimensional dan Multidimensional. Jika konstruk berbentuk Unidimensional untuk menguji validitas konstruknya menggunakan apa yang disebut First Order Confirmatory Factor Analysis, seperti yang kita akan bahas sekarang ini. Sedangkan konstruk Multidimensional untuk menguji validitas konstruknya menggunakan apa yang disebut Second Order Confirmatory Factor Analysis.

Sekarang mari kita mulai untuk contoh kasus ini dengan menggunakan program SmartPLS versi 3.2.3. Contoh dalam pengujian fisrt oder konstruk indicator refleksif ini menggunakan sampel sebanyak 238 responden. Berikut tahapannya :

Buka aplikasi SmartPLS versi 3.2.3, dengan tampilan menu seperti di bawah ini, kemudian klik New Project.
Menu Create Project akan tampil seperti gambar di bawah ini.

Kemudian isikan nama project yang akan kita buat, dalam contoh ini nama projectnya adalah Confirmacy Factor Analysis Indikator Refleksif, seperti gambar di bawh ini.

Setelah memberikan nama untuk project baru tersebut kemudian klik OK. Dan selanjutnya kita akan disuguhkan pada tampilan menu seperti di bawah ini.

Dari gambar diatas dapat dilihat bahwa kita sudah berhasil membuat suatu project baru dengan nama Confirmatory Factor Analysis Indikator Refleksif.
Setelah berhasil membuat nama project baru tersebut kemudian kita harus menyiapkan data yang diperlukan untuk project tersebut, dalam contoh ini sudah disiapkan data sebanyak 238 responden. Selanjut kita ambil data tersebut dengan melakukan double klik pada tulisan “Double-click to import data”, seperti gambar berikut ini.

Perintah “Double-click to import data” akan mengarahkan kita ke explorer untuk mencari dimana data file project baru tersebut disimpan (lihat gambar di atas). Setelah data ditemukan, kemudian disorot dan klik open. Selanjutnya tampil menu SmartPLS untuk memverifikasi apakah sudah benar data tersebut yang akan digunakan, jika ya maka lanjutkan dengan klik OK, seperti gambar di bawah ini.

Maka secara otomatis data (Bab 6 Data Confirmatory Factor Analysis Indikator Refreksif) akan di import ke dalam project baru (Confirmatory Factor Analysis Indikator Refleksif) tersebut. Pada menu ini terdapat tiga pilihan tampilan, yaitu Indicators, Indicator Correlation, dan Raw File. Sesuai gambar di bawah ini maka kita pilih Raw File untuk menampilan data yang telah diimport tersebut.

Pada menu Project Explorer seperti gambar di bawah ini dapat kita lihat bahwa sudah terdapat dua informasi, yaitu Model CFA dan Datanya. Berarti kita sudah siap melakukan analisis tahap selanjutnya.
Analisis selanjutnya adalah membuat model structural. Pada contoh ini digunakan sebanyak 7 variabel latent atau konstruk yaitu : Attitude, Enjoyment, Perceived Social Presence, Perceived Ease of Use, Perceived Usefulness, Telepresence, Trust.
Untuk membuat model structural dilakukan pada Drawing Area ditunjukkan pada No.3

Pertama aktifkan duu drawing area dengan melakukan double klik pada Confirmatory Factor Analysis Indikator Refleksif ditunjukkan pada No.1, kemudian akan muncul di tab Confirmatory Factor Analysis Indikator Refleksif, yaitu jendela Drawing Area yang digunakan untuk membuat model skrutural.
Yang ditunjukkan oleh pada No.2 adalah tools Variabel Latent yang digunakan untuk membuat variable laten atau konstruk, dengan tools ini maka kita dapat menggambarkan model structural yang dibutuhkan dalam analisis ini.
Gambarkan satu persatu Variabel Latent atau konstruk tersebut sebanyak 7 buah yang mewakili 7 variabel latent atau konstruk yang akan digunakan dalam analisis ini. Dengan menggunakan tools Variabel Latent seperti yang ditunjukkan pada No.2 pada gambar di atas.
Kemudian memberikan nama dan jenis data pada setiap variable latent tersebut, seperti gambar berikut ini.

Pertama aktifkan dulu drawing area dengan melakukan double klik pada Confirmatory Factor Analysis Indikator Refleksif ditunjukkan pada No.1, kemudian akan muncul di tab Confirmatory Factor Analysis Indikator Refleksif, yaitu jendela Drawing Area yang digunakan untuk membuat model skrutural.
Yang ditunjukkan oleh pada No.2 adalah tools Variabel Latent yang digunakan untuk membuat variable laten atau konstruk, dengan tools ini maka kita dapat menggambarkan model structural yang dibutuhkan dalam analisis ini.

Dengan langkahnya :

Langkah selanjutnya men-drag indicator-indikator yang terletak di sebelah kiri di drag ke kanan. Di mana indicator-indikator yang digunakan untuk masing-masing variable latent tersebut adalah :
Attitude memiliki indikator ATT1, ATT2, ATT3, ATT4. Perceived Usefullnes memiliki indikator PU1, PU2, PU3, PU4. Perceived Ease of Use memiliki indikator EOU1, EOU2, EOU3, EOU4. Perceived Social Presences memiliki indikator PSP1, PSP2, PSP3. Trust memiliki indikator TRS1, TRS2, TRS3, TRS4. Enjoyment memiliki indikator ENJ1, ENJ2, ENJ3, ENJ4.
Hasil dari men-drag masing-masing indicator tersebut ke masing-masing varibel latentnya dapat dilihat pada gambar di bawah ini.
Terakhir lakukan path analisis dengan menggunakan tools anak panah seperti pada gambar di bawah ini.

Lakukan untuk semua variable latent seperti tampak pada gambar di bawah ini.

Terlihat bahwa setelah dilakukan semua path analisis maka lingkaran merah variable latent menjadi berwarna biru ini menunjukkan bahwa semua variable tersebut sudah siap dilanjutkan ketahap berikutnya yaitu tahap Calculate. Tahap me-running Pengujian First Order Konstruk Indikator Refleksif. Seperti tampak pada gambar di bawah ini.

Selanjutnya akan tampil menu seperti gambar di bawah ini, karena data yang diminta sudah sesuai, dimana Path Weighting Shceme yang diminta adalah mean = 0, Var = 1, Maximum Iteration = 300
Start Calculation, untuk meng-execute atau me-running Confirmatory Factor Analysis Indikator Refleksif, dan hasilnya dapat dilihat pada gambar di bawah ini.

Terdapat tiga bagian informasi, dimana dua informasi lainnya sudah dibicarakan sebelumnya, yaitu informasi Bab 6 Data Confirmatory Factor Analysis Indikator Refreksif, informasi Confirmatory Factor Analysis Indikator Refleksif, dan hasil running terakhir adaah informasi PLS Algorithm. Yang memberikan informasi output yang dibutuhkan dalam pengambilan keputusan.
Pengambilan keputusan :
Diperlukan beberapa informasi dalam mengambil keputusan terhadap analisis Confirmatory Factor Analysis Indikator Refleksif. Antara lain : AVE, Cronbach Alpha, dan Composite Reliability. Seperti pada gambar berikut ini.

Dengan mengklik pilihan Average Variance Extracted (AVE) dapat diketahui bahwa nilai yang dihasilkan oleh semua konstruk yaitu di atas > 0,5. Sehingga memenuhi persyaratan validitas konvergen.

Cronbach Alpha
Nilai Cronbach Alpha yang dihasilkan semua konstruk sangat baik yaitu di atas > 0,7. Sehingga dapat disimpulkan bahwa semua indicator adalah reliabel atau memenuhi uji reliabilitas.

Composite Reliability
Nilai Composite Reliability yang dihasilkan semua konstruk sangat baik yaitu di atas > 0,7. Sehingga dapat disimpulkan bahwa semua indicator konstruk adalah reliabel atau memenuhi uji reliabilitas.

Menguji Validitas Faktorial Konstruk - CFA tutorial

noreply@blogger.com (Syafdillah) — Thu, 6 Feb 2020 20:06:00 +0700

Bertemu lagi kita di tahun 2014, walaupun tahun barunya sudah lewat tapi tidak ada salahnya saya mengucapkan "selamat tahun baru 2014" kepada Anda sekalian. Semoga ditahun ini kita akan mendapatkan apa yang tadinya tidak dapat diraih di tahun kemarin.

Ok, langsung saja pada kesempatan ini saya akan mengulas sedikit banyak tentang CFA. Pada postingan yang lalu pernah saya bahas soal CFA ini dengan menggunakan program LISREL, namun kali ini saya akan membahas CFA dengan program AMOS. CFA atau Confirmatory Factor Analysis didesain untuk menguji multidimensionalitas dari suatu konstruk teoritis. Analisis ini sering juga disebut dengan menguji VALIDITAS suatu konstruk teoritis.

Variabel laten yang kita gunakan dalam penelitian ini dibentuk berdasarkan konsep teoritis dengan beberapa indikator atau manifest. Analisis konfirmatori ingin menguji apakah indikator-indikator tersebut merupakan indikator yang valid sebagai pengukur konstruk laten. Dengan kata lain apakah indikator-indikator tersebut merupakan ukuran unidimensiolitas dari suatu konstruk laten.

Untuk menggambarkan soal CFA ini digunakan AMOS 20, pvinenelitian ini diambil dari studi yang dilakukan oleh Byrne dan Worth Gavin (1996). Byrne ingin menguji multidimensionalitas dari konstruk Selft Concept (SC) yang terdiri dari empat faktor yaitu general (GSC), academic (ASC), english (ESC) dan mathematic (MSC).

Mode ini akan kita gambarkan dengan AMOS graphic dengan ketentuan sebagai berikut :

ada 4 faktor self concept yang ditunjukkan oleh 4 gambar elips dengan label GCS, ASC, ESC dan MSC
ke empat faktor ini saling berkorelasi yang ditunjukkan oleh garis dengan dua kepala anak panah
ada 16 observed variabel (indikator/manifest) yang ditunjukkan dengan 16 gambar persegi panjang dengan label sdqn1 sampai sdqn43
ke 16 observed variabel ini dihubungkan dengan faktor dengan pola, sdqn1 - sdqn37 dihubungkan ke faktor GSC, sdqn4 - sdqn40 dihubungkan ke faktor ASC, sdqn10 - sdqn46 dihubungkan ke faktor ESC, dan sdqn7 - sdqn43 dihubungkan ke faktor MSC
setiap observed variabel hanya dihubungkan dengan satu faktor
kesalahan pengukuran (error) untuk setiap observed variabel (e1 - e43) tidak berkorelasi

dapat digambarkan sebagai berikut :

Setelah menggambarkan model CFA seperti gambar di atas, selanjutnya mengisikan data atau menginput data dan memprosesnya dengan langkah-langkah :

klik menu File lalu pilih Data Files. Kemudian pilih file data tersebut dengan mengklik File Name, jika sudah ketemu dilanjutkan menekan tombol OK
klik View, lalu pilih Analysis Properties. Pada menu ini terdapat banyak tools, pilih saja tools Estimation lalu aktifkan Maximum Likelihood. Selanjutnya pilih tools OUtput lalu aktifkan semua analisis tools dengan cara mengklik satu per satu
keluar dari menu View, lalu tekan tombol Analyze lalu pilih Calculate estimate. Hasilnya dapat dilihat pada gambar berikut ini

Interpretasi model:

Model yang kita analisis adalah model recursive (tidak ada hubungan regresi reciprocal antar variabel laten) dengan jumlah sampel 265. Nilai chi-squares = 150,577 dengan df 98 dan probabilitas 0,01. Hasil chi-squares ini menunjukkan bahwa hipotesis nol yang menyatakan model sama dengan data empiris ditolak yang berarti model tidak fit. Model yang baik seharusnya tidak menolak hipotesis nol yang berarti harus tidak signifikan secara statistik. Namun demikian perlu diketahui bahwa chi-squares sangat sensitif terhadap jumlah sampel. Semakin besar sampel semakin signifikan.

Oleh karena itu dicarai ukuran model fit yang lain yaitu GFI, AGFI dan RMSEA. Dari output di atas diketahui bahwa nilai GFI sebesar 0,936 nilai AGFI sebesar 0,911 berada di atas rata-rata 0,9 dan nilai RMSEA sebesar 0,045 berada di bawah 0,08. Dengan demikian menurut ukuran ini secara keseluruhan model dapat diterima.

Pengujian First Order Konstruk Satu Variabel

noreply@blogger.com (Syafdillah) — Mon, 27 Jan 2020 10:29:00 +0700

Untuk memberikan gambaran yang jelas tentang pengujian first order konstruk satu variabel dengan menggunakan program LISREL, berikut ini diberikan sebuah contoh analisis dengan menggunakan data yang dikumpulkan dari 160 responden. Misalkan kita ingin mengetahui pengaruh kepuasan kerja terhadap kinerja auditor. Kita akan menguji analisis faktor konfirmasi untuk konstruk kepuasan kerja terlebih dahulu kemmudian akan dilanjutkan dengan pengujian untuk konstruk kinerja.

Berikut ini analisis faktor konfirmasi untuk konstruk kepuasan kerja.

Uji Confirmatory Factor Analysis Dengan SPSS

noreply@blogger.com (Syafdillah) — Sat, 25 Jan 2020 00:10:00 +0700

Kali ini akan membahas Confirmatory Factor Analysis atau yang disebut juga uji Validitas dalam SPSS. Sebenarnya untuk melakukan uji Confirmatory Factor Analysis dapat dilakukan juga dengan menggunakan program SPSS yaitu melalui Analisis Faktor. Berikut ini akan diberikan contoh soal dalam menyelesaikan uji Confirmatory Factor Analysis dengan SPSS.

Analisis faktor konfirmatori digunakan untuk menguji apakah suatu konstruk mempunyai unidimensionalitas atau apakah indikator-indikator autonom1 sampai autonom4 yang digunakan dapat mengkonfirmasikan sebuah konstruk atau variabel AUTONOMI. Jika masing-masing indikator merupakan indikator pengukur konstruk AUTONOMI maka akan memiliki nilai loading factor yang tinggi.

Misalkan sebagai contoh kita mempunyai dua konstruk yaitu AUTONOMI dan ROUTINE. Di mana AUTONOMI diukur dengan 4 indikator (autonom1 sampai autonom4), sedangkan ROUTINE diukur dengan 4 indikator (routine1 sampai routine4).

Dengan analisis faktor konfirmatori kita ingin menguji apakah indikator (autonom1 sampai autonom4) betul-betul merupakan indikator konstruk AUTONOMI dan indikator (routine1 sampai routine4) betul-betul merupakan indikator konstruk ROUTINE.

Analisis faktor konfirmatori akan mengelompokkan masing-masing indikator ke dalam beberapa faktor. Jika indikator autonom1 sampai autonom4 merupakan indikator konstruk AUTONOMI maka dengan sendirinya akan mengelompok menjadi satu dengan faktor loading yang tinggi begitu juga dengan indikator routine1 sampai routine4 akan mengelompok menjadi satu sebagai indikator konstruk ROUTINE.

Berikut adalah langkah-langkah analisis Confirmatory Factor Analysis dengan menggunakan SPSS.

Buka file SPSS yang akan dijadikan contoh (.sav) dengan perintah File >> Open >> Data
Dari menu SPSS, pilih menu Analyze kemudian pilih submenu Dimension Reduction, lalu pilih Factor.
Tampak dilayar tampilan windows Factor Analysis

Pada kotak Variable, masukkan semua indikator autonom1 sampai autonom4 dan routine1 sampai routine4. Lihat gambar di atas.
Pilih tombol Descriptives dan pilih KMO and Bartlett's test of sphericity, kemudian tekan Continue
Pilih tombol Rotation dan pilih Varimax dan tekan Continue. Setelah itu tekan OK
Output SPSS

Asumsi yang mendasari dapat tidaknya digunakan analisis faktor adalah data matrik harus memiliki korelasi yang cukup (sufficient correlation). Uji Bartlett of Sphericity merupakan uji statistik untuk menentukan ada tidaknya korelasi antar variabel. Peneliti harus paham bahwa semakin besar sampel menyebabkan Bartlett test semakin sensitif untuk mendeteksi adanya korelasi antar variabel.

Alat uji lain yang digunakan untuk mengukur tingkat interkorelasi antar variabel dan dapat tidaknya dilakukan analisis faktor adalah Kaiser-Meyer-Olkin Measure of Sampling Adequacy (KMO MSA). Nilai KMO bervariasi dari 0 sampai dengan 1. Nilai yang dikehendaki harus > 0.50 untuk dapat dilakukan analisis faktor.

Hasil tampilan output SPSS menunjukkan bahwa nilai KMO = 0.713 sehingga dapat dilakukan analisis faktor. Begitu juga dengan nilai Bartlett test dengan Chi-squares = 183.867 dan signifikan pada 0.000 maka dapat disimpulkan bahwa uji analisis faktor dapat dilanjutkan.

SPSS akan mengelompokkan ke 8 indikator yaitu 4 indikator AUTONOMI dan 4 indikator ROUTINE menjadi dua faktor berdasarkan pada nilai eigen value > 1, yaitu faktor 1 dengan eigen value 3.240 dan faktor 2 dengan eigen value 1.491. Dari tampilan output SPSS terlihat bahwa faktor 1 mampu menjelaskan variasi sebesar 40.495% dan faktor 2 mampu menjelaskan variasi 18.643% atau kedua faktor mampu menjelaskan variasi 59.138%.

Kita berharap bahwa faktor 1 akan berisi indikator-indikator autonom1 sampai autonom4 sedangkan faktor 2 berisi indikator routine1 sampai routine4. Berikut ini tampilan kedua faktor sebelum dilakukan rotasi.

Tampak bahwa indikator autonom mengelompok pada faktor 1 (loading factor tinggi mengelompok menjadi satu), sedangkan indikator routine mengelompok pada faktor 1 untuk indikator routine 1, 2, dan 3 sedangkan routine 3 mengelompok pada faktor 2. Hal ini menjadi sulit diinterpretasikan oleh sebab itu perlu dilakukan rotasi.

Alat penting untuk interpretasi faktor adalah faktor rotation. Ada dua jenis rotasi yaitu orthogonal rotation dan oblique rotation. Rotasi orthogonal melakukan rotasi dengan sudut 90 derajat. Sedangkan rotasi yang tidak 90 derajat disebut oblique rotation. Rotasi orthogonal dapat berbentuk Quartimax, Varimax, Equimax dan Promax.

Menurut Hair (1998) metode Varimax terbukti sangat berhasil sebagai pendekatan analitik untuk mendapatkan rotasi orthogonal suatu faktor. Hasil rotasi faktor dengan metode Varimax dapat dilihat di bawah ini.

Hasil rotasi menunjukkan bahwa sekarang indikator autonom1 sampai autonom4 mengelompok pada faktor 1 dan indikator routine1 sampai routine4 mengelompok pada faktor 2. Jadi jelas dapat disimpulkan bahwa konstruk AUTONOMI memiliki unidimensionalitas begitu juga dengan konstruk ROUTINE atau dengan kata lain indikator autonom semuanya valid dan indikator routine semuanya juga valid.

Analisis Beda Rerata Dua Sampel

noreply@blogger.com (Syafdillah) — Fri, 24 Jan 2020 16:06:00 +0700

Uji beda rerata dari 2 kelompok data merupakan salah satu teknik analisis inferensial dengan pendekatan komparasi/perbandingan. Analisis inferensial secara garis besar dapat dibedakan atas: analisis asosiasi/korelasi dan analisis komparasi/perbandingan.

Analisis inferensial asosiasi diantaranya :

Analisis korelasi
Analisis regresi
Analisis jalur (path analysis) dan
Analisis Kanonikal

Sedangkan analisis inferensial komparasi diantaranya :

Uji satu kelompok sampel
Uji dua kelompok sampel berpasangan
Uji dua kelompok sampel tidak berpasangan
ANAVA (analisis varian) satu jalur
ANAVA multi jalur (2 atau lebih jalur)
ANAKOVA (analisis kovarian)
MANAVA (mulnvanat anahsls vanan)
MAN KOVA (multivariat analilsis kovarian)

Menurut Sudjiono (2006) komparasi diambil dari kata comparation dengan arti “perbandingan” atau “pembandingan”. Komparasl sering dlgunakan untuk meneliti sesuatu sehingga disebut penelitian. Menurut Arikunto (2002), penelitian komparasi pada pokoknya adalah penelitian yang berusaha untuk menemukan persamaan dan perbedaan tentang benda, tentang orang, tentang prosedur kerja, tentang ide, kritik terhadap kelompok, terhadap suatu ide atau prosedur kerja.

Analisis Komparasi biasanya digunakan untuk analisis data dalam penelitian eksperimen atau survey expose facto.

Ada beberapa jenis statistika untuk pengujian hipotesis komparasi, antara lain:

uji t untuk satu kelompok data
uji t untuk dua kelompok data berpasangan
uji t untuk dua kelompok data tidak berpasangan
uji turkey
dan lain-lain.

Analisis Faktor

noreply@blogger.com (Syafdillah) — Thu, 23 Jan 2020 10:47:00 +0700

Analisis faktor pada prinsipnya digunakan untuk mereduksi data, yaitu proses untuk meringkas sejumlah variabel menjadi lebih sedikit dan menamakannya sebagai faktor. Jadi, dapat saja dari 10 atribut yang mempengaruhi sikap konsumen, setelah dilakukan analisa faktor, sebenarnya 10 atribut dapat diringkas menjadi 3 faktor utama saja.

Contoh: sebuah bank yang ingin menghimpun dana dalam jumlah besar di sebuah kota, berusaha untuk mengetahui apa saja yang mendorong nasabah menabung uang di sebuah bank. Setelah dilakukan riset selama beberapa saat, ditemukan variabel yang mempengaruhi hasrat menabung nasabah:

1. Tingkat suku bunga
2. Fleksibilitas pengambilan uang
3. Pelayanan teller
4. Pelayanan satpam
5. Kecepatan pelayanan customer service
6. Keamanan pelayanan customer service
7. Parkir yang luas
8. Parkir yang aman
9. Image bank di masyarakat
10. LOkasi strategis bank
11. Jarak dari rumah ke bank
12. Tersedianya angkutan umum ke bank
13. Gedung yang megah
14. AC yang dingin
15. Ruang tunggu yang nyaman.

Dari kelima besa variabel tersebut, tentu saja semuanya dapat diperhatikan oleh pihak manajemen dan melakukan berbagai strategi dengan memperhatikan semua masukan variabel yang ada. Namun demikian, pihak bank dapat menduga bahwa dari kelima belas variabel tersebut, sesungguhnya ada beberapa variabel yang mirip satu sama lain. Seperti kecepatan pelayanan dan keamanan customer service, kedua variabel ini praktis sama, yaitu menyangkut bagian customer service. Jadi, mengapa tidak disatukan saja? Demikian seterusnya dapat diduga berbagai kemungkinan lain, yang intinya meragukan apakah semua variabel mesti diperhatikan.

Untuk itu pihak bank kemudian melakukan analisis faktor, untuk kemungkinan dapat mereduksi (mengurangi) 15 variabel di atas menjadi hanya beberapa faktor. Setelah dilakukan analisis, berikut distribusi variabel di atas:

FAKTOR 1	FAKTOR 2	FAKTOR 3
Pelayanan teller Pelayanan satpam Kecepatan pelayanan customer service Kermahan pelayanan customer service	Lokasi strategis Jarak dari rumah ke bank Tersedianya angkutan umum ke bank Gedung yang megah AC yang dingin Ruang tunggu yang nyaman Parkir yang luas Parkir yang aman	Tingkat suku bunga Fleksibilitas pengambilan uang Image bank di masyarakat

Dengan hasil di atas, sekarang pihak bank dapat berkonsentrasi pada tiga di atas, karena ternyata 15 variabel terdahulu dapat direpresentasikan dalam 3 faktor. Perhatikan juga isi tiap faktor yang memang mengandung kemiripan dari variabel-variabel komponennya. Pihak bank kemudian dapat memberi nama pada tiga faktor tersebut di atas, seperti faktor 1 dinamakan PELAYANAN SDM, faktor 2 dinamakan FASILITAS FISIK, faktor 3 dinamakan FAKTOR NONFISIK. Memang tidak pernah ada nama yang tepat untuk menggabungkan sejumlah variabel, walaupun itu mirip. Namun, paling tidak sekarang pihak bank dapat terkonsentrasi pada 3 faktor di atas, seperti meningkatkan fasilitas fisik, atau berkonsentrasi pada perekrutan SDM yang ketat dan pelatihan yang intensif, serta kebijakan lain. (sumber :Fandy Tjiptono, 19xx, halxx)

Analisis Faktor Untuk 2 Faktor

noreply@blogger.com (Syafdillah) — Wed, 22 Jan 2020 10:02:00 +0700

Langkah: Seperti telah disebut di depan, analisis faktor meliputi beberapa tahapan analisis, yaitu memilih variabel yang dapat dianalisis, kemudian menganalisis variabel terpilih, serta validasi hasil analisis.

1. Memilih variabel

Langkah:

Buka file .sav
Dari menu utama SPSS, buka menu Analyze, lalu submenu Data Reduction, kemudian pilihan Factor

Variables atau variabel apa saja yang akan diproses. Oleh karena akan diuji semua variabel, masukkan SEMUA VARIABEL. Untuk itu, masukkan variabel layout, lengkap, harga, pelkar, pelkasir, promosi, image dan bersih ke kotak VARIABLES di sebelah kanan.
NB: langkah praktis untuk memilih semua variabel, pilih variabel teratas, tekan tombol Shift, lalu sambil tetap menekan tombol Shift, pilih variabel terbawah. Otomatis semua variabel tersorot dan tinggal klik tanda > (tanda panah kanan) untuk memasukkan semua variabel tersebut
Buka icon Descriptives, hingga tampak di layar:

Untuk CORRELATION MATRIX, pilih (aktifkan) KMO and Barlett's test of sphericity dan Anti Image. Abaikan pilihan yang lain.
Untuk STATISTICS, biarkan pilihan pada default INITIAL SOLUTION.

Pada tabel pertama, KMO and Barlett's test, terlihat angka KMO Measure of Sampling Adequacy (MSA) adalah 0,552. Oleh karena angka MSA di atas 0,5, maka kumpulan variabel tersebut dapat diproses lebih lanjut. Selanjutnya tiap variabel dianalisis untuk mengetahui mana yang dapat diproses lebih lanjut dan mana yang harus dikeluarkan. Kesimpulan yang sama dapat dilihat pula pada angka KMO and Barlett's test (yang ditampakkan dengan angka Chi-Square) sebesar 87,437 dengan signifikansi 0,000.
Pada tabel kedua (Anti Image Matrices), khususnya pada bagian bawah (Anti Image Correlations), terlihat sejumlah angka yang membentuk diagonal, yang bertanda 'a', yang menandakan besaran MSA sebuah variabel. Seperti variabel Layout yang mempunyai MSA 0,528, kemudian variabel lengkap dengan MSA sebesar 0,513 dan seterusnya.

Apakah ada angka MSA yang dibawah 0,5? Ternyata ada dua variabel yang mempunyai MSA di bawah 0,5, yaitu PELKAR (0,474) dan PELKASIR (0,476)
Pilih angka MSA di antara kedua variabel tersebut yang paling kecil, untuk dikeluarkan dari pemilihan variabel. Oleh karena MSA dari variabel PELKAR paling kecil, maka variabel tersebut dikeluarkan dari pemilihan variabel
Ulang kembali langkah pemilihan variabel, namun sekarang variabel sudah berkurang satu. Perhatikan untuk selalu membuang satu variabel yang mempunyai MSA paling kecil jika ditemukan adanya MSA yang di bawah 0,5 yang dalam hal ini adalah variabel PELKASIR.

Buka file .sav
Dari menu utama SPSS, buka menu Analyze, lalu submenu Data Reduction, kemudian pilihan Factor
Tekan tombol Reset untuk menghapus semua masukan terdahulu, sehingga kotak dialog kembali berisi pilihan default. Tampak di layar:

Variables. Oleh karena variabel Pelkar sudah tidak memenuhi syarat MSA< maka amsukan semua variabel kecuali Pelkar. Untuk itu, masukkan variabel layout, lengkap, harga, pelkasir, promosi, image dan bersih ke kotak VARIABLES di sebelah kanan. NB: Perhatikan variabel pelkar yang sudah tidak disertakan lagi.

Buka icon Descriptives.
Pengisian sama dengan terdahulu.
Untuk CORRELATION MATRIX, pilih (aktifkan) KMO Barlett's test of sphericity dan Anti Image. Abaikan pilihan yang lain.
Untuk STATISTICS, biarkan pilihan pada default INITIAL SOLUTION.

Pada tabel pertama, terlihat angka KMO Measure of Sampling Adequacy (MSA) adalah 0,587. Oleh karena angka MSA di atas 0,5 maka variabel dianggap dapat diproses lebih lanjut. Perhatikan signifikansi angka Berlett's test (0,000) yang menunjukkan kesimpulan variabel memang signifikan untuk diproses. Dengan dikeluarkannya variabel Pelkar, terlihat kenaikan angka MSA dari 0,552 ke 0,587.
Pada tabel kedua (Anti Images Matrices)

Apakah ada angak MSA yang di bawah 0,5? Ternyata ada dua variabel yang mempunyai MSA di bawah 0,5, yaitu PELKASIR (0,470) dan BERSIH (0,477)
Pilih angka MSA di anatara kedua variabel tersebut yang paling kecil, untuk dikeluarkan dari pemilihan variabel. Oleh karena MSA dari variabel PELKASIR paling kecil, maka variabel tersebut dikeluarkan dari pemilihan variabel
Ulang kembali langkah pemilihan variabel, namun sekarang variabael sudah berkurang satu.

Buka file .sav
Dari menu utama SPSS, buka menu Analyze, lalu submenu Data Reduction, kemudian pilihan factor.
Tekan tombol Reset untuk menghapus semua masukkan terdahulu, sehingga kotak dialog kembali berisi nilai pilihan default. Tampak di layar:

Variables. Oleh karene variabel pelkar dan pelkasir sudah tidak memenuhi syarat MSA, maka masukan semua variabel kecuali pelkar dan pelkasir. Untuk itu masukkan variabel layout, lengkap, harga, promosi, image dan bersih ke kotak VARIABLES di sebelah kanan.
NB: Perhatikan variabel pelkar dan pelkasir yang sudah tidak disertakan lagi.
Buka icon Descriptives.
Pengisian sama dengan terdahulu.
Untuk CORRELATION MATRIX, pilih (aktifkan) KAMO and Barlett's test of Sphericity dan Anti Image. Abaikan pilihan yang lain.
Untuk STATISTICS, biarkan pilihan pada default INITIAL SOLUTION.

Pada tabel pertama, terlihat angka KMO Measure of Sampling Adequacy (MSA) adalah 0,627. Oleh karena angka MSA di atas 0,5, maka variabel dianggap dapat diproses lebih lanjut. Perhatikan signifikansi angka Barlett's test (0,000) yang menunjukkan kummpulan variabel memang signifikan untuk diproses. Dengan dikeluarkannya variabel pelkar dan pelkasir, terlihat kenaikan angka MSA dari 0,587 ke 0,627.
Pada tabel kedua (Anti Image Matrices)

Apakah ada angka MSA yang di bawah 0,5? Ternyata sekarang tidak ada variabel yang mempnyai MSA di bawah 0,5, sehingga keenam variabel dapat dilakukan analisis faktor.

2. Analisis Faktor Setelah sejumlah variabel dipilih, proses selanjutnya adalah mencari faktor. Langkah:

Buka file .sav
Dari menu utama SPSS, pilih menu Analyze, lalu submenu Data Reduction, kemudian pilihan Factor.

Tekan tombol Reset untuk mengembalikan pilihan ke default
Masukkan variabel bersih, harga, image, layout, lengkap dan promosi ke dalam kotak VARIABLES. Keenam variabel ini akan dilakukan proses faktorisasi.
Klik icon EXTRACTION.

Untuk METHOD, pilih Principal Components. Hal ini berarti Metode analisis untuk mencari faktor yang digunakan adalah Principal Components.
Untuk DISPLAY, selain default Unrotated Factor Solution, aktifkan juga pilihan Scree Plot.

COMMUNALITIES
Untuk variabel bersih, angka adalah 0,548. Hal ini berarti sekitar 54,8% varians dari variabel bersih dapat dijelaskan oleh faktor yang nanti terbentuk (jika dilihat pada tabel terakhir, yaitu COmponents Matrix, ada 2 component, yang berarti 2 faktor terbentuk)

Untuk variabel harga, angka adalah 0,549. Hal ini berarti sekitar 54,9% varians dari variabel harga dapat dijelaskan oleh faktor yang terbentuk. Demikian seterusnya untuk variabel lainnya, dengan ketentuan bahwa semakin kecil communalities sebuah variabel, berarti semakin lemah hubungannya dengan faktor yang terbentuk.
TOTAL VARIANCE EXPLAINED

Aada 6 variabel yang dimasukkan dalam analisis faktor. Dengan masing-masing variabel mempunyai varians 1, maka total varians adalah 6x1 = 6. Sekarang, jika keenam variabel tersebut diringkas menjadi satu faktor, maka varians yang dapat dijelaskan oleh satu faktor tersebut adalah (lihat Component = 1):
1,829 / 6 x 100% = 30,48%

Jika variabel diesktrak menjadi 2 faktor, maka:

- Varians faktor pertama adalah 30,48%
- Varians faktor kedua adalah 1,217 / 6 x 100% = 20,28%

Jumlah angka eigenvalues untuk keenam variabel adalah sama dengan total varians keenam variabel, atau 1,829 + 1,217+ ... + 0,613 = 6.
Susunan eigenvalues selalu diurutkan dari yang terbesar sampai terkecil, dengan kriteria bahwa angka eigenvalues di bawah 1 tidak digunakan dalam menghitung jumlah faktor yang terbentuk.

SCREE PLOT

Jika tabel kedua menjelaskan dasar jumlah faktor yang didapat dengan perhitungan angka, maka Scree Plot menampakkan dengan grafik. Terlihat bahwa dari satu ke dua faktor (garis dari sumbu Component Number = 1 ke 2), arah garis menurun dengan cukup tajam. Kemudian dari angka 2 ke 3, garis masih menurun, namun dengan slope yang lebih kecil. Juga perhatikan faktor 3 sudah di bawah angka 1 dari sumbu Y (eigenvalues). Hal ini menunjukkan bahwa dua faktor adalah paling bagus untuk meringkas keenam variabel tersebut.
COMPONENT MATRIX

Setelah diketahui bahwa dua faktor adalah jumlah yang paling optimal, maka tabel ini menunjukkan distribusi keenam variabel tersebut pada dua faktor yang ada. Sedangkan angka yang ada pada tabel tersebut adalah factor loading, atau besar korelasi antara suatu variabel dengan faktor 1 atau faktor 2.

Seperti pada variabel bersih, korelasi antara variabel bersih dengan faktor 2 adalah 0,654 (cukup kuat), sedang korelasi variabel bersih dengan faktor 1 adalah -0,348 (lemah). Dengan demikian dapat dikatakan variabel bersih dapat dimasukkan sebagai komponen faktor 2.

Pada variabel promosi, korelasi antara variabel promosi dengan faktor 1 adalah 0,673 (cukup kuat), sedang korelasi variabel bersih dengan daktor 1 adalah 0,111 (lemah). Dengan demikian dapat dikatakan variabel promosi dapat dimasukkan sebagai komponen faktor 1.

Namun demikian, untuk variabel layout, tidak ada perbedaan yang nyata antara kedua faktor loading, sehingga variabel tersebut tidak dapat begitu saja dimasukkan ke dalam satu faktor dengan hanya melihat mana yang lebih besar korelasinya.

Hubungan antara factor loading dan Communalities

Communalities adalah jumlah dari kuadrat masing-masing factor loading sebuah variabel.

Sebagai contoh untuk variabel bersih:

Communalities = (-0,348)² + (0,654)² = 0,548

(sama dengan tabel Communalities di atas). Demikian seterusnya untuk variabel yang lain.

Perhatikan bahwa dari urutan besar Communalities, terlihat variabel layout paling kecil angka Communalities nya, yang berdampak pada tidak adanya perbedaan yang nyata antara kedua factor loadingnya.

Oleh karena masih ada variabel (layout) agar sebuah variabel dapat secara nyata termasuk sebuah faktor, untuk sekitar 100 data seperti yang digunakan pada kasus ini, adalah 0,55. Terlihat bahwa untuk variabel layout, kedua factor loadingnya (-0,3 dan 0,46) masih di bawah 0,55 sehingga variabel tersebut tidak dapat secara nyata dimasukkan dalam salah satu faktor.

3. Analisis Faktor Dengan Rotation

Buka file .sav
Dari menu utama SPSS, pilih menu Analyze, lalu submenu Data Reduction, kemudian pilihan Factor.

Masukkan variabel bersih, harga, image, layout, lengkap dan promosi ke dalam kotak VARIABLES. Keenam variabel ini akan dilakukan proses faktorisasi.
Kliki icon EXTRACTION.

Untuk METHOD, pilih Principal Components.
Untuk DISPLAY, selain default Unrotated Factor Solution, aktifkan jua pilihan Scree Plot.

Klik icon ROTATION.

Untuk METHOD, pilih Varimax.
Untuk DISPLAY, selain default Rotated Solution, aktifkan juga pilihan Loading Plot.

1. COMMUNALITIES

Proses rotasi tidak mengubah besaran angka Communalities.
2. TOTAL VARIANCE EXPLAINED

Dengan adanya proses rotasi, keenam variabel tetap paling baik dreduksi menjadi dua faktor saja. Hal ini terlihat pada kolom paling kanan (rotation), di mana tetap direkomendasikan dua faktor dengan jumlah varians yang sama.
3. SCREE PLOT

Scree Plot juga sama dengan sebelum proses rotasi, yaitu tetap menunjukkan dua faktor adalah jumlah yang tepat untuk mereduksi enam variabel yang ada.
4. COMPONENT MATRIX

Ada dua componet matrix, di mana yang pertama sudah dibahas sebelumnya, yaitu distribusi variabel ke dalam faktor jika tidak ada rotasi (unrotated)

Component matrix hasil dari proses rotasi (Rotated Component Matrix) memperhatikan distribusi variabel yang lebih jelas dannyata.

Terlihat bahwa sekarang faktor loadings yang dulunya kecil semakin diperkecil dan faktor loading yang besar semakin diperbesar.

Variabel bersih: korelasi antara variabel bersih dengan faktor 2 yang sebelum rotasi adalah 0,654 (cukup kuat), dengan rotasi lebih diperkuat menjadi 0,737. Sebaliknya, korelasi variabel bersih dengan faktor 1 yang lemah (-0,348), dengan rotasi diperkecil lagi menjadi 0,0714. Dengan demikian dapat dikatakan variabel bersih dapat dimasukkan sebagai komponen faktor 2, namun dengan bukti yang lebih jelas.
Variable harga: variabel ini masuk faktor 1, karena faktor loading dengan faktor 1 kuat (0,735), jauh lebih kuat dibandingkan fengan faktor loading dengan faktor 2.
Variabel Image: variabel ini masuk faktor 1, karena faktor loading dengan faktor 1 kuat (0,774) , jauh lebih kuat dibandingkan dengan faktor loading dengan faktor 2
Variabel layout: Sekarang terlihat jelas perbedaan faktor laodingnya, yaitu berkorelasi lemah dengan faktor 1, namun berkorelasi kuat dengan faktor 2 (0,555). Dengan demikian sekarang dapat disimpuilkan variabel layout dapat dimasukkan dalam faktor 2.
Variabel lengkap: varuabel ini masuk faktor 2, karena faktor loading dengan faktor 2 kuat (0,683), jauh lebih besar dibandingkan dengan faktor loading dengan faktor 1.
Variabel promosi: variabel ini masuk faktor 1, karena faktor loading dengan faktor 1 kuat (0,622), jauh lebih kuat dibandingkan dengan faktor loading dengan faktor 2.

Faktor 1 terdiri dari atas variabel harga, image dan promosi.
Faktor 2 terdiri dari atas variabel bersih, layout dan lengkap.

5. COMPONENT PLOT IN ROTATED MATRIX

Hasil rotasi faktor juga dapat diperlihatkan dengan grafik, di mana tampak terjadi pengelompokkan dua faktor yang nyata.

Sumbu X (Component/Faktor 1)
- Perhatikan angka untuk component 1, yang dimulai dengan -1 di paling kiri, ke angka +1 di paling kanan. Dari angka rotated matrix (angka korelasi) terlihat bahwa variabel yuang termasuk ke faktor 1 akan mendekati angka +1, atau berarti terletak di kanan tengah grafik. Terlihat variabel harga, image dan promosi memang ada di daerah tersebut.
Sumbu Y (Component/Faktor 2)
- Perhatikan angka untuk Component 2, yang dimulai dengan -1, di paling bawah , ke angka +1 di paling atas. Dari angka rotated matrix (angka korelasi) terlihat bahwa variabel yang termasuk ke faktor 2 akan mendekati angka +1, atau berarti terletak di atas tengah grafik. Terlihat variabel bersih, layout dan lengkap memang ada di daerah tersebut.

4. Menamakan Faktor

Analisis Jalur (Path Analysis)

noreply@blogger.com (Syafdillah) — Tue, 21 Jan 2020 22:50:00 +0700

Dua buah contoh telah saya posting untuk analisis jalur, yaitu analisis regresi dengan variabel moderating dan analisis regresi dengan variabel intervening kali ini saya akan mencoba memberikan pengertian secara teoritis mengenai analisis jalur.

Penggertian Analisis Jalur

Analisis jalur adalah suatu teknik pengembangan dari regresi linear berganda. Teknik ini digunakan untuk menguji besarnya sumbangan (kontribusi) yang ditunjukkan oleh koefisien jalur pada setiap diagram jalur dari hubungan kausal antar variabel X1, X2 dan X3 terhadap Y serta dampaknya terhadap Z.

Menurut Robert D. Rutherford (1993), menyatakan bahwa "Analisis jalur ialah suatu teknik untuk menganalisis hubungan sebab akibat yang terjadi pada regresi berganda jika variabel bebasnya mempengaruhi variabel terikat tidak hanya secara langsung tetapi juga secara tidak langsung".

Menurut Paul Webley (1997), menyatakan bahwa "Analisis jalur merupakan pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikansi hubungan sebab akibat hipotetikal dalam seperangkat variabel".

Menurut Al Rasyid (1993), menyatakan bahwa "Analisis jalur bertujuan untuk menerangkan akibat langsung dan tidak langsung seperangkat variabel bebas dan seperangkat variabel terikat".

Menurut Sanusi (2011), menyatakan bahwa "Analisis jalur menjelaskan hubungan kausalitas yang menunjukkan pengaruh langsung dan tidak langsung antarvariabel dalam analisis jalur antara lain : (1) hubungan antara variabel haruslah linear dan aditif, (2) semua variabel residu tidak mempunyai korelasi satu sama lain, (3) pola hubungan antara variabel adalah rekursif (searah), dan (4) skala dari semua skala pengukuran variabel adalah minimal internval". Di sini menurut Sanusi tidak lain adalah perlunya pemenuhan syarat dari asumsi klasik.

Karakteristik Analisis Jalur

Menurut Kusnedi (2008), karakteristik analisis jalur adalah metode analisis data multivariat dependensi yang digunakan untuk menguji hipotesis hubungan asimetris yang dibangun atas dasar kajian teori tertentu, dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung seperangkat variabel penyebab terhadap variabel akibat.

Menguji hipotesis hubungan asimetris yang dibangun atas kajian teori tertentu artinya yang diuji adalah model yang menjelaskan hubungan kausal antarvariabel yang dibangun atas kajian teori-teori tertentu. Hubungan kausal tersebut secara eksplisit dirumuskan dalam bentuk hipotesis direksional, baik positif maupun negatif.