Tampilkan postingan dengan label Second Order Construct. Tampilkan semua postingan
Tampilkan postingan dengan label Second Order Construct. Tampilkan semua postingan

06 Juli 2021

Cara Analisis Second Order CFA dengan Lisrel

Dalam model CFA ada beberapa model seperti CFA first order dan CFA second order. Model CFA first order dilakukan pada variabel laten yang menggunakan pengukurn langsung/manifes sebagai pengukurnya sedangkan pada model CFA second order dilakukan pada model yang memiliki variabel multidimensi, dimana variabel laten ini diukur oleh variabel laten dimensinya. 

 

Seperti pada contoh model Kinerja, variabel laten kinerja merupakan variabel laten multidimensi dimana variabel ini diukur oleh variabel-variabel laten seperti Perencanaan, Pelaksanaan, Bimbingan dan Penilaian sebagai variabel dimensinya. Oleh karena hal tersebut maka dinamakan dengan model CFA second order. Gambaran CFA second order selengkapnya disajikan pada model di bawah ini.

Konsep Model Second Order Kinerja

Langkah-Langkah Analisis Second Order CFA dengan Lisrel

Persiapkan data mentah (raw data) dapat berupa data SPSS amupun excel, kemudian import data tersebut ke dalam aplikasi lisrel dan simpan di drive : D/Kinerja/Datainput.psf

Selanjutnya membuat project baru di simplis project dengan nama Model second Order Kinerja. Ketik syntax simplis project seperti pada gambar di bawah ini.

Syntax Simplis Project          

Dari syntax simplis di atas dapat diterangkan sebagai berikut :

Raw Data From File 'D:/Kinerja/Datainput.psf' : Lisrel membaca data mentah yang disimpan di drive D folder Kinerja dengan nama file Datainput.psf

Latent variables rencana laksana bimbing nilai kinerja : membuat nama variabel laten rencana laksana bimbing nilai kinerja.

Relationships : membuat hubungan antara indikator dengan variabel laten atau antara variabel laten dengan variabel laten lainnya.

X1 - X3 = rencana : membuat hubungan antara X1, X2, X3 sebagai indikator dengan variabel laten rencana

X4 - X6 = laksana : membuat hubungan antara X4, X5, X6 sebagai indikator dengan variabel laten laksana

X7 - X9 = bimbing : membuat hubungan antara X7, X8, X9 sebagai indikator dengan variabel laten bimbing

X10 - X14 = nilai : membuat hubungan antara X10, X11, X12, X13, X14 sebagai indikator dengan variabel laten nilai

rencana laksana bimbing nilai = kinerja : membuat hubungan dari variabel laten kinerja ke rencana, laksana, bimbing dan nilai 

Set the variance of kinerja to 1 : membuat konstrain pada nilai variance kinerja sebesar 1

Path Diagram : Lisrel membuat model jalur yang diperintahkan di atas

End of Problem : mengakhiri perintah lisrel

Hasil model setelah di RUN dengan Lisrel selengkapnya disajikan pada gambar di bawah ini.

Model Second Order Kinerja

Pada gambar hasil model di atas menunjukan bahwa indeks yang diperoleh seperti chi-square sebesar 86.74, probabilitas 0.12991, RMSEA 0.031. Dari hasil nilai tersebut menunjukan bahwa nilai chi-square sudah sangat rendah dengan nilai p-value 0.12991 (> 0.05), RMSEA sebesar 0.031 (< 0.08) dan model dapat dikatakan fit/layak.

Untuk nilai indeks goodness of fit dari model selngkapnya disajikan pada tabel di bawah ini.

Goodness od Fit Index

Nilai chi-square diperoleh sebesar 86.74 lebih rendah dibandingkan nilai cut off value yaitu 93.95, artinya bahwa tidak ada perbedaan yang signifikan antara matrik kovarian populasi dengan matrik kovarian sampel sehingga model fit. Untuk nilai cmin/df sebesar 1.188 < 2.00 yang menunjukan bahwa cmin/df sudah sangat rendah atau lebih kecil dari 2.00 sehingga model fit. Nilai probabilitas erat kaitanya dengan nilai chi-square. Semakin rendah nilai chi-square maka nilai probabilitas semakin tinggi (tidak signifikan). Karena nilai chi-square rendah yaitu 86.74 < 93.95 dan probabilitas 0.12991 > 0.05 maka dapat disimpulkan bahwa model dapat dikatakan fit diterima.

Demikian juga untuk indeks RMSEA diperoleh sebesar 0.031 < 0.08, GFI sebesar 0.94, AGFI 0.92. NNFI 0.99 > 0.95, CFI 1.00 > 0.95 dan NFI 0.97 > 0.95. Indeks tersebut sudah memenuhi batas cut off value masing-masing sehinga dapat dikatakan bahwa model fit diterima.

Koefisien estimasi dari variabel multidimensi (perencanaan, pelaksanaan, bimbingan dan penilaian) selengkapnya disajikan pada tabel di bawah ini.

Tabel nilai estimasi koefisien regresi

Terlihat bahwa nilai koefisien estimasi Kinerja terhadap perencanaan sebesar 0.63 dengan nilai t sebesar 7.29, Kinerja ke Pelaksanaan memperoleh nilai koefisien estimate sebesar 0.49 dengan nilai t sebesar 5.23. Kinerja ke Bimbingan sebesar 0.65 dengan nilai t sebesar 7.14. Kinerja ke Penilaian memperoleh nilai estimate sebesar 0.77 dengan nilai t sebesar 7.82. Karena nilai t yang diperoleh pada masing-masing variabel > 1.96 t-tabel maka dapat disimpulkan bahwa variabel perencanaan, pelaksanaan, bimbingan dan penilaian merupakan variabel multidimensi dari variabel Kinerja.

Baca juga :

1. Cara Analisis Second Order CFA dengan AMOS

2. Tiga Pendekatan Model Second Order

3. Uji Normal Pada Model SEM

Referensi :

Byrne, B.M.(1998).Structural Equation Modeling With Lisrel, Prelis and Simplis: basic Concepts, Applications and Programing. New Jersey: Lawrence Erlabaum Associates,Inc

Diamantopoilos,A and Siguw,J.A.(2000).Introduction Lisrel: A Guide for the Uninitiated.London: Sage Publications

Ghozali, I dan Fuad  (2008). Model Persamaan Struktural  Konsep dan Aplikasi Dengan Program Lisrel 8.80 Edisi II. Semarang : Badan Penerbit Universitas Diponegoro.

Mueller,R.O.(1996). Basics Principles of Structural Equation Modeling :An Introduction to Lisrel and EQS.New York: Springer-Verlag,Inc

18 Juni 2021

Cara Analisis Second Order CFA Dengan AMOS

Dalam model CFA ada beberapa model seperti CFA first order dan CFA second order. Model CFA first order dilakukan pada variabel laten yang menggunakan pengukurn langsung/manifes sebagai pengukurnya sedangkan pada model CFA second order dilakukan pada model yang memiliki variabel multidimensi, dimana variabel laten ini diukur oleh variabel laten dimensinya. 

 

Sebagai contoh pada model Etos kerja, variabel etos kerja merupakan variabel multidimensi dimana variabel ini diukur oleh variabel-variabel laten seperti kerja keras, kerja cerdas dan kerja ikhlas sebagai variabel dimensinya. Oleh karena hal tersebut maka dinamakan dengan model CFA second order. Gambaran CFA second order selengkapnya disajikan pada model di bawah ini.

Konsep Model Second Order Etos Kerja

Langkah -Langkah Analisis Second order CFA dengan AMOS

Gambar model di AMOS seperti pada model konsep di atas. Masing-masing variabel laten kerja keras, Kerja cerdas dan Kerja Ikhlas diberi kosntrain nilai resdual (z).

Kemudian pada variabel laten etos Kerja (second order) diberikan konstrain nilai variance sebesar 1. Dengan cara klik kanan pada variabel laten etos kerja, pilih object properties. Pada menu variance, isi nilai 1 (satu). Hasil model selengkapnya seperti di bawah ini.

Gambar Awal

Masukan data file (berupa format microsoft axcela atau SPSS. Setelah itu, data dimasukan ke dalam model sesuai dengan indikator-indikatornya. 

Ke Menu View dan pilih Analysis properties, pilih model estimasi (ML) dan output yang dikehendaki.

Kemudian dari menu Analyze >Calculate estimate

Hasil model AMOS seperti di bawah ini.

Hasil Model Second Order etos Kerja

Pada gambar hasil model di atas menunjukan bahwa indeks nilai yang diperoleh seperti chi-square sebesar 25.359, probabilitas (p) 0.386, RMSEA 0.017, CFI 0.998, GFI 0.973, dan TLI sebesar 0.998. Dari hasil nilai tersebut menunjukan bahwa nilai chi-square sudah sangat rendah, nilai probabilitas 0.386 > 0.05, RMSEA 0.017 < 0.08, sedangkan CFI, GFI, dan TLI > 0.95 dan model secara umum dapat dikatakan fit/layak.

Nilai loading indikator pada masing-masing variabel laten selengkapnya disajikan pada tabel di bawah ini.

Nilai Loading Indikator

 

Dari hasil analisis model tersebut terlihat bahwa nilai loading indikator-indikator pada variabel Kerja keras, Kerja Cerdas dan Kerja Ikhlas memperoleh nilai loading > 0.7 yang berarti bahwa indikator-indikator tersebut valid sebagai pengukur variabel latennya.

Untuk nilai indeks goodness of fit dari model selengkapnya disajikan pada tabel di bawah ini.

Goodness of Fit Index

Nilai chi-square diperoleh sebesar 25.359 lebih rendah dibandingkan nilai cut off value yaitu 34.62, artinya bahwa tidak ada perbedaan yang signifikan antara matrik kovarian populasi dengan matrik kovarian sampel sehingga model fit. Nilai probabilitas diperoleh sebesar 0.386, nilai ini lebih besar dari cut off value 0.05. Nilai probabilitas semakin tinggi (tidak signifikan), karena nilai chi-square rendah yaitu 25.359 < 34.62 dan nilai probabilitas 0.386 > 0.05 maka dapat disimpulkan bahwa model dapat dikatakan fit diterima.

Demikian juga untuk indeks RMSEA diperoleh sebesar 0.017, GFI sebesar 0.973, AGFI 0.945, TLI 0.998, CFI 0.998 dan NFI sebesar 0.972. Indeks tersebut sudah memenuhi  batas cut off value masing-masing, sehingga dapat dikatakan bahwa model fit diterima.

Koefisien estimasi dari variabel multidimensi (kerja Keras, kerja cerdas, kerja ikhlas) selengkapnya disajikan pada tabel di bawah ini.

Nilai estimate Koefisien

Terlihat bahwa nilai koefisien Etos Kerja terhadap Kerja keras sebesar 0.893, dengan nilai Critical Ratio (CR) 4.649. Etos kerja ke Kerja Cerdas memperoleh nilai estimasi sebesar 0.331 dengan CR 3.303. Etos Kerja ke Kerja Ikhlas sebesar 0.949 dengan nilai CR sebesar 4.802. Karena nilai CR yang diperoleh pada masing-masing variabel memenuhi kriteria  > 1.96 maka dapat disimpulkan bahwa Kerja keras, Kerja cerdas dan Kerja Ihklas merupkana variabel multidimensi dari variabel Etos Kerja.

Baca Juga :

1. Second Order Construct dalam PLS

2. Tiga Pendekatan Model Second Order Construct PLS

3. Cara Menggambar Dengan AMOS GRAPHICS

Referensi :

Ferdinand, A. (2014). Structural Equation Modeling Dalam Penelitian Manajemen. Semarang : Badan Penerbit Universitas Diponegoro.

Ghozali, I. (2011). Model Persamaan Struktural Konsep dan Aplikasi Dengan Program AMOS 19. Semarang : Badan Penerbit Universitas Diponegoro

26 Mei 2021

Tiga Pendekatan Model Second Order Construct Pada PLS

Konstrak multidimensi dimana konstrak memiliki lebih dari satu dimensi atau beberapa subdimensi (berupa second order, third order dan seterusnya) disebut juga model Hierachical. Dalam design dasar PLS, indikator pada konstrak dapat berbentuk reflektif maupun formatif. Kedua pilihan bentuk tersebut dapat digunakan untuk mengestimasi hierachical model, tetapi pilihan itu pada level struktural. Jika pola hubungan antara lower order konstrak dan higher order konstrak berbentuk reflektif (pada tipe 1 dan tipe 3) maka disebut sebagai molecular model. Dalam beberapa literatur disebut juga dengan common latent construct, hierachical common factor model, dan principal factor model.

 

Namun sebaliknya jika hubungan antara lower order konstrak dengan higher order konstrak berbentuk formatif (pada tipe 2 dan tipe 4) maka disebut dengan molar model. Dalam beberapa literatur model ini disebut juga dengan composite latent construct, composite latent variable model.

Model Molecular dan Molar

Dalam hierachical model diasumsikan bahwa antar sesama Lower Order Construct (LOC) dapat saling berpengaruh karena memiliki aspek yang sama. Demikian pula antara LOC dan HOC tidak dapat dihipotesiskan. Karena hal tersebut dibutuhkan pendekatan khusus untuk mengestimasi higher order construct. Ada 3 (tiga) pendekatan yang digunakan saat ini yaitu repeated indikator approach, hybrid approach dan two stage approach.

Pendekatan Repeated Indicators (Repeated Indicator Approach) 

Pendekatan repeated indikator sudah sangat populer dibandingkan dengan pendekatan yang lain seperti gybrid dan two stage. Pendekatan repeated indikator dikembangkan oleh Herman Wold tahun 1980an. Prosedur reperated indicator dangat ah sederhana, yaitu dengan menggunakan semua indikator dikonstrak first order sebagai indikator pada second order dan seterusnya. Sebagai gambaran dapat dilihat pada gambar di bawah ini.

Model Repeated Indicator Approach

Dari gambar model di atas terlihat bahwa indikator-indikator pada konstrak dimensi first order yaitu System Reliability (SR1, SR2, SR3) System Efficiency (SE1, SE2, SE3) dan System Privacy (SP1, SP2, SP3) digunakan kembali sebagai pengukur pada konstrak System Quality sebagai second order, jadi konstrak System Quality diukur dengan indikator SR1, SR2, SR3, SE1, SE2, SP1, SP2, SP3).

Pendekatan Hybrid (Hybrid Approach) 

Pendekatan hybrid dalam menganalisis model higher construct dikembangkan oleh Wilson dan Hanseler (2007) yang bertujuan untuk mengatasi masalah yang ditimbulkan oleh pendekatan repeated indicator. 

Model Hybrid Approach

Prosedur dalam pendekatan model ini memiliki kemiripan dengan repeated indikator, tetapi indikator-indikator pada first order dipilih secara acak untuk digunakan sebagai indikator pada second order konstrak. Seperti dijelaskan pada gambar di atas, indikator SR2 (System Reliabilty), SE1 (System Efficiency), SP3 (System Privacy) yang merupakan indikator pada first order digunakan sebagai indikator pada higher order System Quality.

Pendekatan Two Stage (Two Stage Approach)

Pendekatan two stage dapat memberikan solusi dari masalah yang ditimbulkan oleh pendekatan Repeated indicator yaitu residual dari indikator akan saling berkorelasi. Dengan pendekatan repeated indikator pada type II dan type IV, dimana higher order konstrak yang berada sikonstrak dependen/endogen membuat nilai varians (nilai R-square) menjadi sangat tinggi mendekati 1. Hal ini terjadi karena higher order dijelaskan oleh lower order.

Dengan pendekatan two stage konstrak dimensi dibuat menjadi latent score sebagai indikator dari konstrak higher konstrak. Skor variabel laten diperoleh dengan menggunakan first order konstrak yang diestimasi untuk first stage atau dapat menggunakan analisis faktor atau principal component.

Gambaran model dengan pendekatan two stage selengkapnya disajikan pada model dibawah ini. 

Model Two Stage Approach

Baca juga :  

1. Model Moderator Structural Equation Modeling

2. Model Moderator Regression Analysis MRA

3. Model Moderator dengan Uji Selisih Mutlak

4. Model Moderator dengan Uji Residual

Referensi :

Becker, J.M, Kelin, K, and Wetzels, M. (2012). Hierachical Latent variable Models in PLS-SEM : Guidlines for Using Reflective -Formative Type Models. Long Range Planing (45), 359-394.

Ghozali, I and Latan, H. (2012). Partial Least Squares Konsep, Metode dan Aplikasi menggunakan Program WarpPLS 4.0. Semarang : Badan Penerbit  Universitas Diponegoro.