CFA (confirmatory factor analysis) adalah analisis untuk menguji apakah butir-butir kuesioner benar-benar mengukur faktor yang sudah ditentukan dari teori. Peneliti menetapkan lebih dulu butir mana mengukur faktor mana, lalu CFA menguji apakah data mendukung struktur tersebut.
CFA banyak dipakai untuk menguji validitas konstruk instrumen dan menjadi langkah pertama dalam SEM berbasis kovarians seperti AMOS. Artikel ini menjelaskan perbedaan CFA dan EFA, langkah-langkahnya, serta cara membaca hasilnya dengan contoh lengkap.
Artikel ini bagian dari seri Materi Statistik IDTesis. Untuk dasar-dasar validitas, baca dulu uji validitas.
Apa Bedanya CFA dan EFA?
| Aspek | EFA (exploratory) | CFA (confirmatory) |
|---|---|---|
| Tujuan | Menemukan struktur faktor dari data | Menguji struktur faktor dari teori |
| Jumlah faktor | Ditentukan dari hasil analisis | Ditentukan sebelum analisis |
| Butir dan faktor | Setiap butir boleh memuat semua faktor | Setiap butir hanya memuat faktor yang ditentukan |
| Ukuran kecocokan model | Tidak ada | Ada (?², CFI, TLI, RMSEA, SRMR) |
| Software umum | SPSS | AMOS, lavaan (R), JASP, Mplus |
Singkatnya, EFA dipakai ketika struktur faktor belum jelas, sedangkan CFA dipakai ketika teori sudah menyatakan strukturnya (Brown, 2015).
Kapan CFA Dipakai?
- Menguji instrumen yang diadaptasi, diterjemahkan, atau dipakai pada populasi yang berbeda dari aslinya.
- Menguji konstruk multidimensi, misalnya kualitas layanan dengan beberapa dimensi.
- Langkah pertama SEM berbasis kovarians. Anderson dan Gerbing (1988) menyarankan pendekatan dua tahap: model pengukuran diuji dulu dengan CFA, baru model struktural.
Langkah-Langkah CFA
- Spesifikasi model. Gambar diagram: setiap butir diarahkan ke satu faktor, dan antarfaktor dihubungkan dengan panah dua arah (korelasi).
- Identifikasi model. Setiap faktor sebaiknya punya minimal tiga butir. Skala faktor ditetapkan dengan mengunci satu loading menjadi 1 (cara bawaan AMOS) atau mengunci varians faktor menjadi 1.
- Estimasi. Metode yang paling umum adalah maximum likelihood. Periksa dulu data kosong dan data outlier.
- Evaluasi. Nilai kecocokan model, loading setiap butir, reliabilitas (CR), validitas konvergen (AVE), dan validitas diskriminan.
- Respesifikasi bila perlu. Perubahan model hanya dilakukan jika ada alasan teori dan dilaporkan dengan jujur.
Kriteria Evaluasi CFA
| Ukuran | Patokan yang umum | Sumber |
|---|---|---|
| Loading terstandar | >= 0,5; idealnya ? 0,7 | Hair dkk. (2019) |
| Composite reliability (CR) | >= 0,7 | Hair dkk. (2019) |
| Average variance extracted (AVE) | >= 0,5 | Fornell dan Larcker (1981) |
| Validitas diskriminan | AVE lebih besar dari korelasi antarfaktor | Fornell dan Larcker (1981) |
| Kecocokan model | CFI dan TLI >= 0,95; RMSEA <= 0,06; SRMR <= 0,08 | Hu dan Bentler (1999) |
Cara membaca setiap indeks kecocokan model dibahas di artikel goodness of fit SEM AMOS ?. Validitas diskriminan juga bisa diuji dengan HTMT, seperti dijelaskan di artikel validitas diskriminan ?.
Rumus CR dan AVE
Dengan ? adalah loading terstandar dan n jumlah butir pada satu faktor:
- CR = (??)² / [(??)² + ?(1 ? ?²)]
- AVE = ??² / n
AMOS tidak menghitung CR dan AVE secara otomatis, sehingga biasanya dihitung manual di Excel dari tabel Standardized Regression Weights. CR melengkapi Cronbach’s alpha pada uji reliabilitas.
Contoh CFA
Seorang peneliti mengadaptasi skala kualitas layanan dengan tiga dimensi: Keandalan (KE1–KE4), Daya Tanggap (DT1–DT4), dan Empati (EM1–EM4). Kuesioner diisi 250 responden dengan skala 1 sampai 5. Angka di bawah berasal dari data ilustrasi.
Hasil CFA Awal
Sebelas butir memiliki loading 0,66 sampai 0,80. Butir DT4 hanya 0,356. Akibatnya, AVE Daya Tanggap hanya 0,471, di bawah 0,5. Indeks kecocokan model sebenarnya sudah cukup baik (CFI = 0,980; RMSEA = 0,042), tetapi butir yang lemah tetap perlu ditelaah.
Setelah dicek, DT4 adalah satu-satunya butir bernada negatif (“Petugas sering terlihat terlalu sibuk untuk melayani”). Butir bernada negatif memang sering berperilaku berbeda dari butir lain. Karena makna Daya Tanggap masih terwakili oleh tiga butir lainnya, DT4 dikeluarkan.
Hasil CFA Akhir
| Model awal (12 butir) | Model akhir (11 butir) | Patokan | |
|---|---|---|---|
| ?² (df) | 73,89 (51); p = 0,020 | 55,59 (41); p = 0,064 | p > 0,05 |
| CFI | 0,980 | 0,987 | ? 0,95 |
| TLI | 0,974 | 0,982 | ? 0,95 |
| RMSEA [90% CI] | 0,042 [0,018; 0,063] | 0,038 [0,000; 0,061] | ? 0,06 |
| SRMR | 0,045 | 0,036 | ? 0,08 |
| Faktor | CR | AVE | ?AVE | Korelasi tertinggi dengan faktor lain |
|---|---|---|---|---|
| Keandalan | 0,835 | 0,559 | 0,747 | 0,458 |
| Daya Tanggap | 0,812 | 0,591 | 0,769 | 0,601 |
| Empati | 0,827 | 0,546 | 0,739 | 0,601 |
Semua CR di atas 0,7 dan semua AVE di atas 0,5. Setiap ?AVE lebih besar dari korelasi tertinggi faktor itu dengan faktor lain, sehingga validitas diskriminan terpenuhi. Contoh perhitungan untuk Daya Tanggap (loading 0,816; 0,715; 0,773): ?? = 2,304, sehingga CR = 5,308 / (5,308 + 1,225) = 0,812 dan AVE = 1,775 / 3 = 0,591.
Menelaah butir yang lemah dan memutuskan apakah butir boleh dikeluarkan sering butuh pertimbangan isi, bukan hanya angka. Jika Anda butuh teman diskusi untuk CFA, tim IDTesis bisa membantu.
Contoh Penulisan Hasil CFA di Bab 4
Analisis faktor konfirmatori dilakukan untuk menguji struktur tiga dimensi kualitas layanan. Pada model awal, butir DT4 memiliki loading 0,356 (< 0,5) sehingga AVE Daya Tanggap hanya 0,471. Butir tersebut merupakan satu-satunya butir bernada negatif dan dikeluarkan dari model. Model akhir dengan 11 butir menunjukkan kecocokan yang baik, ?²(41) = 55,59, p = 0,064; CFI = 0,987; TLI = 0,982; RMSEA = 0,038 [90% CI: 0,000–0,061]; SRMR = 0,036. Seluruh loading terstandar berkisar 0,661 sampai 0,816, CR berkisar 0,812 sampai 0,835, dan AVE berkisar 0,546 sampai 0,591. Akar AVE setiap dimensi lebih besar daripada korelasinya dengan dimensi lain, sehingga validitas konvergen dan diskriminan terpenuhi.
Angka di atas hanya contoh. Ganti dengan hasil analisis Anda sendiri.
Kesalahan yang Sering Terjadi
- Menambah korelasi error berdasarkan modification indices tanpa alasan teori, hanya agar model “fit”.
- Menghapus banyak butir sampai isi konstruk tidak lagi sesuai definisi.
- Melakukan EFA dan CFA pada data yang sama, lalu menyebut hasilnya sebagai konfirmasi. Idealnya CFA memakai sampel yang berbeda.
- Hanya melaporkan satu indeks kecocokan. Laporkan beberapa indeks sekaligus.
Pertanyaan yang Sering Diajukan
Berapa sampel minimum untuk CFA?
Tidak ada satu angka. Kebutuhan sampel bergantung pada jumlah faktor, jumlah butir, dan besar loading. Wolf dkk. (2013) menunjukkan bahwa model sederhana dengan loading tinggi bisa cukup dengan sampel kecil, sedangkan model dengan loading rendah butuh sampel jauh lebih besar. Dalam praktik, banyak peneliti memakai minimal sekitar 200 responden.
Bisakah CFA dilakukan di SmartPLS?
SmartPLS mengevaluasi model pengukuran dengan loading, CR, AVE, dan HTMT, tetapi tidak menghasilkan uji kecocokan model seperti CFA pada CB-SEM. Perbedaannya dijelaskan di artikel CB-SEM vs PLS-SEM ? dan SEM PLS.
Software apa yang bisa dipakai untuk CFA?
AMOS adalah yang paling umum di Indonesia. Alternatif gratisnya adalah paket lavaan di R dan JASP yang memakai lavaan di belakangnya.
Data saya skala Likert. Apakah boleh memakai maximum likelihood?
Untuk skala dengan lima kategori atau lebih dan sebaran yang tidak terlalu miring, maximum likelihood umumnya masih bisa dipakai. Jika kategori lebih sedikit atau sebarannya sangat miring, pertimbangkan estimator untuk data ordinal (Brown, 2015).
Butuh Teman Diskusi untuk CFA?
Hasil CFA Anda belum memenuhi kriteria, atau bingung memutuskan butir mana yang perlu ditelaah? Tim IDTesis bisa menemani Anda menjalankan CFA di AMOS, menghitung CR dan AVE, dan menuliskan hasilnya dengan rapi di Bab 4. Ceritakan dulu instrumen Anda lewat WhatsApp, atau lihat layanan olah data statistik.
Baca juga: Uji Validitas · Uji Reliabilitas · Goodness of Fit SEM AMOS ?
Referensi
- Anderson, J. C., & Gerbing, D. W. (1988). Structural equation modeling in practice: A review and recommended two-step approach. Psychological Bulletin, 103(3), 411–423
- Brown, T. A. (2015). Confirmatory factor analysis for applied research (2nd ed.). Guilford Press.
- Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
- Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55.
- Wolf, E. J., Harrington, K. M., Clark, S. L., & Miller, M. W. (2013). Sample size requirements for structural equation models: An evaluation of power, bias, and solution propriety. Educational and Psychological Measurement, 73(6), 913–934.
