TUTORIAL
LISRELL UNTUK MENGENAL DAN MENGGAMBAR MODEL ANALISIS FAKTOR/CONFIRMATORY FACTOR
ANALYSIS (Kasus Dua Faktor) PADA LEMBAR PATH DIAGRAM LISREL
(Terusan Postingan Tutorial Awal
Pengenalan Software Lisrel)
Malam nih sobat semua hehehe.. Apa
kabarnya neh sobat semua hehehe... Semoga tetap semangat, sukses dan sehat
selalu yaaa hehehe... Amin..
Oke deh sob, malam hari yang indah ini,
ciaelaa saya akan meneruskan postingan saya sebelumnya (cek disini). Kali ini, saya akan posting
tentang pengenalan dan tehnik penggambaran model analisis faktor (CFA) dengan
dua Faktor (variabel laten bentukan) pada lembaran kerja Path Diagram Lisrel.
Untuk tehnik mudah mengenal gambar
(nanti ada yang kotak gray, kotak berwarna, ellips gray, ellips berwarna dan
lain-lain), saya membuat pola pikir yang mengerucut. Beda dengan teori atau
hitungan yang lebih mudah pakai pola divergen/meluas.
Misalnya untuk divergen, sobat harus paham dulu dari yang lebih mudah lanjut ke medium sampai yang kompleks seperti untuk tahu teori/konsep dan penghitungan SEM, harus paham dulu mulai dari Analisis Komponen Utama lanjut Analisis Faktor lanjut Path Analysis dan sampailah ke Structural Equation Modelling (SEM).
Sedangkan kalau terkait visualisasi nih sooob yang tentunya lebih gampang diinget (karena media gambar) justru yang akan saya terapkan adalah kebalikannya yaitu dari yang kompleks dulu (banyak gambar yang harus kita kenal) menuju ke mudah (lebih sedikit gambar yang harus kita kenal).
Misalnya untuk divergen, sobat harus paham dulu dari yang lebih mudah lanjut ke medium sampai yang kompleks seperti untuk tahu teori/konsep dan penghitungan SEM, harus paham dulu mulai dari Analisis Komponen Utama lanjut Analisis Faktor lanjut Path Analysis dan sampailah ke Structural Equation Modelling (SEM).
Sedangkan kalau terkait visualisasi nih sooob yang tentunya lebih gampang diinget (karena media gambar) justru yang akan saya terapkan adalah kebalikannya yaitu dari yang kompleks dulu (banyak gambar yang harus kita kenal) menuju ke mudah (lebih sedikit gambar yang harus kita kenal).
Oke deh, saya akan berangkat dari gambar
SEM yang sederhana yang sudah saya buat untuk sobat semua.. Berikut gambarnya: SIMAK BAIK-BAIK
SIMAK
BAIK-BAIK 12 RINGKASAN PEMAHAMAN BERIKUT:
Untuk gambar kotak gray (abu-abu):
Variabel indikator/manifest eksogen (X1-X4)
Untuk gambar ellips hijau: Variabel Laten/Faktor/Konstruk
eksogen (a)
Untuk gambar ellips kuning: Variabel
Laten/Faktor/ Konstruk endogen (b)
Untuk gambar kotak biru: Variabel
indikator/manifest endogen (Y1-Y3)
Tanda panah yang mengarah dari ellips ke
kotak menunjukkan model pengukuran (gampangnya menunjukkan hubungan antara
variabel indikator/manifest ke konstruk). Biasa dinamakan Factor Loading
sebagai pengukur korelasi antara variabel-variabel indikator dengan Variabel Laten/Faktor/Konstruknya.
(Baik yang eksogen maupun endogen).
Tanda panah dari kotak ke kotak
menunjukkan pengaruh variabel Laten, Faktor
atau Konstruk eksogen ke variabel Laten/Faktor /Konstruk endogen. Kalau
dalam regresi, sobat pernah tahu yang namanyan nilai beta, naaah itulah dia
hehehe..
Tanda panah pendek-pendek yang ada pada
masing-masing ketujuh variabel indikator/manifest menunjukkan varians dari
masing-masing variabel indikator/manifest.
Sobat harus pahamkan dan camkan tentang
apa itu model pengukuran dan model struktural dengan sangat kokoh. Diatas sudah
saya singgung bahwa model pengukuran itu intinya berkutat pada hubungan antara
variabel indikator/manifest dengan variabel laten/Faktor/Konstruk. Nah
sekarang, yang dimaksud dengan model struktural adalah model hubungan antar
variabel laten/Faktor/Konstruk eksogen ke variabel laten/Faktor/Konstruk
eksogen
Misal dalam penerapan model SEM kompleks
dimana kita pakai lebih dari satu variabel laten/Faktor/Konstruk eksogen maka
akan ada hubungan masing-masing variabel laten eksogen dengan tanda panah bolak
balik. Nah, tanda panah bolak balik ini menunjukkan varians/kovarians variabel
laten/Faktor/Konstruk eksogennya.
Pahami kesembilan hal di atas dengan
baik
Ingat hal nomor 10
Ingat hal nomor 10
Nah, sekarang
balik ke kasus kita yaitu CFA dengan dua Faktor. Sekarang, kita siap
menggambar.. Inget kita punya 5 variabel indikator/manifest eksogen yaitu kenyamanan,
strategis, cost per night, fasilitas dan promo diskon sedangkan kita sudah
tentukan dua Laten/Faktor/Konstruk eksogen dari output SPSS yaitu Lingkungan dan
faktor biaya dan fasilitas. Nah, ayooo gimana gambarnya hehehehe..
Ini saya ingetin
dulu lagi deh kerjaan akhir postingan sebelumnya:
Perhatikan
sooob, setiap apakah itu variabel indikator/manifest ataupun variabel
laten/Faktor/Konstruk selalu terbagi dua yaitu ada yang eksogen dan ada yang
endogen. Nah, untuk yang posisinya sebagai endogen, harus kita check list
sooob.. Nah, untuk variabel indikator/manifest cek pada kolom Y sedangkan untuk
variabel laten/Faktor/Konstruk cek pada kolom Eta. Nah, dalam kasus ini kan
hanya ada eksogen, jadi kita gak perlu memberi check list apa-apa ya.
Pengetahuan ini saya sampaikan agar nanti dalam analisis lanjutan seperti SEM,
sobat sudah terlebih dahulu tahu akan hal ini hehehe..
Nah, sekarang
sorot seluruh variabel indikator eksogennya (mulai dari nyaman sampai promo_diskon)
ke dalam lembar Path Diagram. Ini ilustrasinya..
Sekarang, sorot juga variabel
laten/Faktor/Konstruk ke dalam lembar Path Diagram. Ini ilustrasinya:
Selanjutnya untuk melihat korelasi
(loading factor) antara variabel indikator/manifest dengan variabel
laten/Faktor/Konstruknya silahkan pakai tanda panah/arrow one way path.
Ingeeet, buat panahnya dari laten ke manifest yaaa (ellips ke kotak).
Berikut ilustrasinya:
Okee pekerjaan
kita untuk menampilkan output sudah sampai 90% nih sooob, jadi ayooo dong
semangaaatt hehehe.. Nah, seperti perkataan saya sebelumnya, lihat pada hal
pernyataan nomor 9 dari 12.. Bisa dipastikan 100% akan keluar output
varians/kovarians antar variabel laten/Faktor/Konstruk eksogen.
Next, kita
membuat Simplis Syntaxnya.. Caranya klik menu Setup dan pilih Build Simplis
Syntax (atau tekan F8 pada keyboard). Berikut gambarannya:
Nah, ini dia
syntax yang sebenarnya kita buat sooob dari menggambar tadi hehehe..
Setelah itu sobat tinggal klik RUN pada Lisrell,
seperti ilustrasi berikut perhatikan pada sub menu persis di bawah menu Options.
Nah, kalau sudah RUN, muncul deh
hasilnya seperti ini hehehe..
Nanti kita bisa
pilih mau munculkan apa pada menu drop down Estimate.. Coba perhatikan pada Standardized
Solution untuk melihat loading factor. Naaah, seperti yang saya bilang, akan
muncul nilai varians/kovarians antar variabel laten/Faktor/Konstruk. Bandingkan
saja nilai loading dengan pengerjaan pada SPSS. Masing-masing variabel indikator/manifest
ternyata berkorelasi kuat dengan faktor bentukannya. Untuk meyakinkan bahwa
indikator-indikator itu tepat sebagai komposisi konstruknya, lihat pada
Modification Indices.
Hasilnya tidak
ada penyaranan dari iterasi yang dilakukan komputer. Seandainya ada misalkan
panah dari katakanlah fasilitas ke konstruk/faktor lingkungan, maka lakukanlah
apa yang disarankan yaitu dengan membuat variabel fasilitas ke konstruk/faktor
lingkungan ketimbang ke konstruk biaya dan fasilitas. Biasanya, nilai loading
Factor akan meningkat sesuai dengan Modification Indices (jika ada penyaranan
dari iterasi).
Waaah, akhirnya
kelar juga nih sooob postingan kali ini hehehe... Udah mulai narik juga nih
mata haha.. Okelah, itu dulu yang bisa saya bagikan ya sooob.. Saya berharap sobat
bisa paham betul dulu isi postingan ini yang sudah sebisa dan sesimpel mungkin
saya tuliskan dengan bahasa sederhana untuk sobat semua mudah memahaminya.
Kalau sudah paham alur, konsep, olah, analisis dan interpretasi tentang CFA kasus dua faktor, sobat siap untuk lanjut ke analisis selanjutnya hehehe.. Otree deh, ingeeeet “harus ada semangat untuk bisa”. Vini, Vidi, Vici.. Selamat malam, sukses dan salam manis dari saya :-)
Kalau sudah paham alur, konsep, olah, analisis dan interpretasi tentang CFA kasus dua faktor, sobat siap untuk lanjut ke analisis selanjutnya hehehe.. Otree deh, ingeeeet “harus ada semangat untuk bisa”. Vini, Vidi, Vici.. Selamat malam, sukses dan salam manis dari saya :-)
0 komentar:
Posting Komentar