10 Variabel X adalah simpangan baku dari masing-masing rata-ratanya, sehingga kovarian
matrik X adalah nilai harapan dari XX’. Kovarian matrik X ditulis sebagai fungsi dan merepresentasikannya sebagai [
�]. [
�]= EXX’ kovarian matrik X untuk general faktor analisis, dimana kovarian matrik faktor laten adalah kovarian matrik untuk error.
[ �]= EXX’
= E[ ᴧ
�
� + ��
′ᴧ
�
+ �
′
] =
ᴧ
�
���
′
ᴧ
�
+ �
�
= ᴧ
�
�ᴧ
�
′ + �
�
Kovarian matrik X untuk general faktor analisis,dimana : � = adalah kovarian matrik faktor laten
�
�
= adalah kovarian matriks untuk error
2.2.2Second Order Confirmatory Factor Analysis
Suatu permasalahan memungkinkan untuk variabel laten tidak dapat langsung diukur langsung melalui variabel-variabel indikatornya. Variabel laten tersebut memiliki
beberapa indikator-indikator dimana indikator-indikator tersebut tidak dapat diukur secara langsung, dan memerlukan beberapa indikator lagi. Dalam kasus ini First Order
Confirmatory Factor Analysis tidak dapat digunakan, sehingga digunakan higher order Second Order Confirmatory Factor Analysis.
Model persamaann menurut Hair et. al., 1998 sebagai berikut :
η = Ґ ξ + ς
dengan,
Ґ
= matrik second order loading. ξ
= random vektor variabel laten.
ς
=vektor variabel tunggal unique untuk
η ξ
2.2.1 Asumsi dalam Analisis Faktor Konfirmatori
11 Estimasi parameter dalam Confirmatory Factor AnalysisCFA umumnya
berdasarkan pada metode maximum likelihoodML. Metode ML menghendaki adanya asumsi Distribusi Normal Multivariat.
Hipotesis yang digunakan sebagai berikut.
H : data mengikuti distribusi multinormal.
H
1
: data tidak mengikuti distribusi multinormal.
Data mengikuti distribusi multinormal jika gagal tolak H . artinya daerah dibawah kurva
�
0.05,p 2
multivariat lebih dari 50.
2.3 Uji Validitas dan Reliabilitas
Pengujian validitas dilakukan dengan menguji signifikansiparameter-parameter model pengukuran. Lambda
λ merupakan parameter yang berkaitan dengan pengukuran variabel laten oleh vaiabel indikator. Statistik uji yang digunakan adalah t-test
dengan kriteria tolak H apabila t-test lebih besar dari t-tabel atau p-value
α dan hipotesa yang diuji adalah:
H : λ = 0 ≈ variabel indikator tidak valid sebagai indikator variabel laten
H
1
: λ ≠ 0 ≈ variabel indikator valid sebagai indikator variabel laten
Reliabilitas tinggi menunjukkan bahwa indikator-indikator mempunyai konsistensi tinggi dalam mengukur peubah latennya. Untuk mengukur reliabilitas dapat
digunakan rumus costruct reliability CR sebagai berikut :
�� = [
∑ ��]
� �=1
2
[ ∑
��]
� �=1
2
+ [ ∑
��]
� �=1
Dengan λ
i
adalah faktor loading untuk setiap variabel laten dan δ
i
merupakan kesalahan pengukuran error variance untuk setiap konstruklaten. Nilai batas
minimum yang digunakan untuk menilai CR atau dikatakan memiliki reliabilitas baik untuk suatu peubah laten adalah sebesar 0,70Hair et al., 1998.
2.4 Memilih Matriks dan Teknik Estimasi
12 Setelah model dispesifikasikan secara lengkap, langkah berikutnya adalah memilih
jenis input kovarians dan korelasi. Matriks input yang dipilih dalam penelitian ini adalah matrix kovarians. Alasan memilih input data matrix covarians adalah
karena matriks covarians memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi yang berbeda atau sampel yang berbeda. Selain itu matriks
covarians lebih sesuai untuk memvalidasi hubungan kausal.Selanjutnya untuk memilih teknik analisis dengan mempertimbangkan ukuran sampel. Setelah memilih matriks
input, maka AMOS akan melakukan estimasi koefisien path. Melakukan estimasi model, ukuran sampel memegang peranan yang cukup penting. Dalam program AMOS
21 teknik-teknik estimasi yang tersedia adalah: a Maximum Likelihood Estimation ML, b Generalized Least Square Estimation GLS, c Unweighted Least Square
Estimation ULS, d Scale Free Least Square Estimation SLS, dan e Symtotically Distribution-free Estimation ADF. Metode yang digunakan dalam penelitian ini
adalah Maximum Likelihood ML.
2.5 Menilai Masalah Identifikasi
Masalah identifikasi merupakan ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik. Masalah identifikasi dapat muncul melalui
gejala sebagai berikut: 1. Standard error untuk satu sampai beberapa koefisien sangat besar.
2.Program tidak mampu menghasilkan matriks informasi yang seharusnya disajikan. 3. Munculnya angka-angka aneh, seperti varians error yang bernilai negative.
4. Munculnya angka korelasi yang sangat tinggi antar koefisien estimasi yang diperoleh misalnya lebih dari 0,9.
5. Heywood case atau offending estimates, dimana adanya negative error variances pada konstruk-konstruk model.
2.6 Evaluasi Kriteria Goodness of Fit
Dalam langkah ini yang pertama harus dilakukan adalah memenuhi asumsi-asumsi CFA
Confirmatory Factor Analysis . Adapun asumsi-asumsi CFA yang harus
dipenuhi adalah sebagai berikut:
