Confirmatory Factor Analysis

Bilson Simamora, 9 July 2018

Analisis faktor konfirmatori dimaksudkan untuk menguji apakah sejumlah variabel benar-benar (akurat) tergabung dalam sebuah konstruk (Hair et al., 2006; Wijanto, 2008). Misalnya, Parasuraman, Zeithalm dan Berry (1988) menyatakan bahwa dimensi-dimensi kulitas layanan terdiri dari credibility, responsiveness, emphaty, assurance dan tangiles.  Kita dapat melakukan uji apakah kelima dimensi itu memang tergabung dalam  konstruk yang dinamakan service quality. Secara teoritis kita mengenal istilah konstruk. Untuk mengetahui apa yang disebut konstruk anda dapat membacanya di sini.

Secara teoritis kita mengenal istilah konstruk. Dalam statistika konstruk dinamakan faktor atau variabel laten. Sebuah konstruk dapat terdiri dari beberapa dimensi, bisa pula disusun langsung oleh berbagai variabel. Apabila variabel membentuk dimensi dan kemudian dimensi membentuk konstruk, maka kita melakukan analisis faktor konsfirmatori dua tingkat. Tingkat pertama (first-order confirmatory analysis) adalah mengonfirmasi apakah sejumlah variabel tergabung dalam dimensi yang melandasinya (underlying dimension). Pada analisis konfirmatori tingkat dua (second order confirmatory factor analysis), kita mengonfirmasi apakah sejumlah dimensi merupakan bagian dari konstruk yang melandasinya (underlying construct). Apabila sejumlah variabel tergabung dalam sebuah konstruk, untuk mengonfirmasinya, kita melakukan analisis faktor konfirmatori tingkat pertama saja.  SPSS dan LISREL dapat dipakai untuk keperluan itu.

Analisis faktor konfirmatori merupakan salah satu teknik yang dapat dipakai untuk uji validitas.  Uji validitas yang umum digunakan adalah korelasi rank-order Spearman. Dalam teknik ini, sebuah variabel dianggap sah atau valid menjadi bagian dari konstruknya apabila nilai r memiliki nilai-t yang nilai signifikansinya <0.05.

Dengan analisis faktor, sebuah variabel dianggap menjadi bagian dari faktornya apabila nilai factor loading > 0.5,  analisis faktor hanya menghasilkan satu faktor dan faktor tersebut menjelaskan lebih dari separuh varians data asli (Hair et al. 2006). Dalam kerangka SEM, analisis faktor konfirmaatori membuat persyaratan yang lebih ketat lagi. Selain factor loading harus minimal O.5 (Hair et al., 2006) atau 0.7 (Wijanto, 2008), average variance extranted (AVE) harus minimal 0.5, dan construct reliability minimal 0.6.  Beberapa peneliti menambahkan syarat keempat, yaitu tercapaikanya validitas diskriminan.

Analisis faktor dalam kerangka SEM dibahas di sini. Pada kesempatan ini kita membahas analisis konfirmatori yang bukan dalam kerangka SEM. Pertama-tama buka file Repeated-Measures Manova.sav.  File yang kita pakai waktu membahas repeated measures MANOVA ini menggunakan teori Parasuraman et al. (1988) untuk mengembangkan dimensi kualitas layanan. Pada saat itu kita belum membuktikan apakah dalam penelitian tersebut dimensi-dimensi dimaksud tergabung secara sah dalam satu faktor atau variabel laten.

Untuk membuktikannya, setelah file dibuka di SPSS, lakukan prosedur analisis faktor seperti yang dijelaskan dalam ‘Kasus 5.1’ yang mengawali bab ini. Kali ini ekstraksi tidak menggunakan principal component analysis (PCA), akan tetapi principal axis factoring (PAF). Alasannya, variabel-variabel yang tergabung dalam satu faktor mestinya memiliki kemiripan, yang ditandai oleh common variance yang tinggi. Sebagaimana kita ketahui varian inilah yang dijadikan input dalam PAF. Inilah tampilan datanya pada SPSS.

Pada saat kita memasukkan Reliability_1, Responsiveness_1, Assurance_1 dan Tangibles_1, analisis faktor memberikan hanya satu faktor bagi kelima dimensi tersebut (Output 1).  Hasil ini menunjukkan bahwa kelima dimensi memang tergabung pada faktor atau variabel laten yang sama, yaitu kualitas layanan sebelum training dilakukan.

Kemudian, pada Output 2 juga terlihat bahwa masing-masing dimensi memiliki factor loading yang memenuhi syarat nilai 0.5 atau lebih tinggi dari Hair et al. (2006). Jadi, setiap dimensi adalah valid mengukur variabel laten dimaksud.

Setelah training dilakukan, apakah kelima dimensi masih tergabung pada variabel laten yang sama, yaitu kualitas layanan setelah training? Output 3 memperlihat bahwa jawabannya adalah ‘ya’ karena analisis faktor hanya menawarkan satu faktor yang mampu menjelaskan 68.027% variance data asli. Masing-masing dimensi adalah valid (Output 4).

Pertanyaan selanjutnya, apakah kesepuluh variabel memenuhi validitas diskriminan? Validitas diskriminan tercapai apabila setiap variabel hanya menjelaskan variabel latennya saja. Apabila suatu variabel atau dimensi menjelaskan variabel laten lain selain variabel latennya sendiri atau justru menjelaskan variabel laten lain dan tidak menjelaskan variabel latennya sendiri, maka validitas diskriminan tidak terpenuhi (Bagozzi dan Dholakia, 2002; Hair et al., 2006;  Ekinci, Dawes dan Massey, 2008).

Untuk membuktikan validitas diskriminan, kita masukkan kesepuluh variabel sekaligus ke dalam analisis faktor. Metoda ekstraksinya tetap menggunakan PAF. Output 5 menunjukkan bahwa analisis faktor menghasilkan dua faktor yang memenuhi syarat.  Keduanya menjelaskan 67.096% varian data asli.

Dengan rotasi varimax,  pada Output 6 terlihat bahwa dimensi-dimensi kualitas service setelah training mengumpul pada faktor 1, sedangkan dimensi-dimensi kualitas training mengumpul pada faktor 2.  Dengan demikian, melalui analisis validitas diskriminan pun, pada kasus ini, dimensi-dimensi setiap variabel laten terkonfirmasi.