Interpretasi Hubungan Nilai Loading Faktor Model Pengukuran dan Nilai Rata-rata

Pada hasil pemodelan dengan confirmatory factor analysis (CFA) atau model penuh (full model) dengan structural equation modeling (SEM) akan berjumpa dengan interpretasi dari loading factor. Secara definisi loading factor adalah besar korelasi antara indikator dengan konstruk latennya. Pada banyak penelitian sosial, pengukuran suatu konstruk sangat sering dilakukan secara tidak langsung melalui indikator-indikatornya. Indikator dengan loading factor yang tinggi memiliki konstribusi yang lebih tinggi untuk menjelaskan konstruk latennya. Sebaliknya pada indikator dengan loading factor rendah memiliki konstribusi yang lemah untuk menjelaskan konstruk latennya. Pada sebagian besar referensi bobot faktor sebesar 0,50 atau lebih dianggap memiliki validasi yang cukup kuat untuk menjelaskan konstruk laten (Hair et al, 2010; Ghozali, 2008). Walaupun pada sebagaian referensi lainnya (Sharma, 1996; Ferdinand, 2000) menjelaskan bahwa loading faktor paling lemah yang bisa diterima adalah 0,40.

Pertanyaan besar terhadap loading factor  ini adalah, mengapa suatu indikator bisa memiliki loading factor yang tinggi dan pada indikator lainnya bisa rendah? Pada hubungan indikator dengan konstruk laten yang bersifat refleksif tinggi rendahnya loading factor selain faktor koefisien korelasi adalah variasi data yang ada di dalam indikator. Pada indikator dengan variasi data yang rendah, lebih sulit untuk dijadikan alat ukur suatu konstruk laten. Dengan kata lain, perbedaan skor konstruk laten lebih sulit dijelaskan oleh indikator dengan nilai yang hampir sama (variasi data rendah). Sebagai contoh prestasi belajar seorang mahasiswa akan diukur berdasarkan nilai mata kuliah Akutansi, Statistik dan Bahasa Inggris.  Rentang nilai mata kuliah Akutansi adalah cukup pendek yaitu  B+ dan A, mata kuliah Bahasa Inggris variasi nilai adalah lebih lebar yaitu C+ hingga A dan pada mata kuliah Statistik rentang nilai adalah sangat lebar mulai nilai D hingga A. Maka bobot nilai A pada mata kuliah Akutansi menjadi tidak terasa tinggi karena, fenomena empirisnya memiliki nilai terendah B+.  Berbeda halnya dengan nilai A pada mata kuliah Statistik, yang terasa lebih fantastis karena pada mahasiswa lainnya ada yang hanya meraih nilai D. Pada contoh sederhana ini, tampak bahwa variasi data yang tinggi akan berpotensi kuat untuk memiliki loading factor yang tinggi, dan memiliki kontribusi yang lebih kuat untuk menjelaskan konstruk laten.

Persoalan lainnya adalah perhatian terhadap nilai rata-rata yang diperoleh pada masing-masing indikator. Nilai rata-rata yang rendah bisa diinterpretasikan bahwa sebagian besar responden menilai bahwa indikator tersebut belum baik (belum memuaskan, atau jarang diterapkan). Sebaliknya Nilai rata-rata yang tinggi bisa diinterpretasikan bahwa sebagian besar responden menilai bahwa indikator tersebut sudah baik (memuaskan, atau sering diterapkan). Hasil analisis pada kombinasi nilai rata-rata dan loading factor akan terbagi atas 4 kemungkinan, yaitu :

  1. Rata-rata rendah, loading factor rendah
  2. Rata-rata rendah, loading factor tinggi
  3. Rata-rata tinggi, loading factor rendah
  4. Rata-rata tinggi, loading factor tinggi

Masing-masing kemungkinan, memiliki interpretasi yang berbeda. Interpretasi hubungan nilai rata-rata dengan loading factor dilakukan dengan pendekatan interpretasi dalam performance importance analysis (PIA). Pada PIA dilakukan dengan memetakan tingkat hubungan (importance) dan kepuasan atau kinerja (performance) seperti pada Gambar berikut.

Gambar 1. Hubungan Tingkat Kepentingan dan Kepuasan

Sumber : Mulin dan Betsy (1987)

Analogi ini akan digunakan untuk interpretasi antara nilai rata-rata dan loading factor yang terbagi atas 4 kuadran.

Tabel 1. Kuadran rata-rata dan loading factor

Nilai loading factor

Nilai Rata-rata

Kuadran II :

Loading factor rendah, nilai rata-rata tinggi

Status : possible overskill

Kuadran I :

Loading factor tinggi, nilai rata-rata tinggi

Status : keep up the good work

Kuadran III :

Loading factor rendah, nilai rata-rata rendah

Status : low priority

Kuadran IV :

Loading factor tinggi, nilai rata-rata rendah

Status : concentrate here

Penjelasan masing-masing kuadran :

Kuadran I

 Pada posisi ini, indikator memiliki loading factor  tinggi dan rata-rata tinggi.  Loading factor tinggi bisa diinterpretasikan bahwa hasil observasi pada indikator  ini adalah sangat bervariatif  atau “tidak merata”. Ada responden yang memiliki nilai sangat tinggi dan sebagian responden lainnya memiliki nilai sangat rendah. Kecenderungan secara umum dengan rata-rata tergolong tinggi bisa diinterpretasikan bahwa indikator utama dari konstruk laten telah dinilai baik oleh sebagian besar responden sehingga patut untuk terus dipertahankan atau “keep up the good work”. Pada indikator ini lebih tepat untuk dijelaskan tentang hal-hal apa saja yang telah dilakukan, sehingga indikator utama pada konstruk bisa teraplikasi dengan baik di lapangan. Atau dengan kata lain, “resepnya” apa sehingga bisa menjadi baik.

Kuadran II

 Pada posisi ini, indikator memiliki loading factor  rendah dan rata-rata tinggi.  Loading factor tinggi bisa diinterpretasikan bahwa hasil observasi pada indikator  ini adalah kurang bervariatif  atau “merata”. Skor yang diperoleh pada responden dengan nilai tinggi dan rendah memiliki jarak (rentang) yang pendek. Sehingga variasi yang lebih rendah  ini memberikan implementasi bahwa kontribusi indikator ini untuk menjelaskan konstruk laten adalah “lebih lemah” (bukan indikator utama). Kecenderungan secara umum dengan rata-rata tergolong tinggi bisa diinterpretasikan bahwa indikator ini telah dinilai baik oleh sebagian besar responden sehingga fenomena “baik” sangat mudah dijumpai pada berbagai responden. Sehingga indikator yang telah dinilai baik dan terjadi secara merata, bila akan ditingkatkan menjadi berlebihan  atau “possible overskill”. Pada indikator ini lebih tepat untuk dijelaskan tentang hal-hal apa saja yang telah dilakukan, sehingga indikator ini bisa teraplikasi dengan baik di lapangan.

Kuadran III

 Pada posisi ini, indikator memiliki loading factor  rendah  dan rata-rata rendah.  Loading factor tinggi bisa diinterpretasikan bahwa hasil observasi pada indikator  ini adalah kurangbervariatif  atau “merata”. Nilai tinggi dan rendah pada indikator ini berjarak pendek (rentang pendek). Kecenderungan secara umum dengan rata-rata tergolong rendah bisa diinterpretasikan bahwa indikator ini dari konstruk laten masih dinilai kurang baik oleh sebagian besar responden. Indikator dengan loading factor rendah bisa  dimaknai bahwa indikator ini lemah untuk menjadi pengukur konstruk laten (bukan indikator utama). Sehingga indikator di kuadran ini akan menjadi “prioritas rendah” atau “low priority”. Pada indikator ini lebih tepat untuk dijelaskan mengapa indikator ini enggan dilakukan.

Kuadran IV

 Pada posisi ini, indikator memiliki loading factor  tinggi dan rata-rata rendah.  Loading factor tinggi bisa diinterpretasikan bahwa hasil observasi pada indikator  ini adalah sangat bervariatif  atau “tidak merata”. Ada responden yang memiliki nilai sangat tinggi dan sebagian responden lainnya memiliki nilai sangat rendah. Kecenderungan secara umum dengan rata-rata tergolong rendah bisa diinterpretasikan bahwa indikator utama dari konstruk laten masih dinilai kurang baik oleh sebagian besar responden sehingga patut untuk menjadi “priotitas utama” atau “concentrate here”. Pada indikator ini lebih tepat untuk dijelaskan tentang hal-hal apa saja yang akan dilakukan, sehingga indikator utama pada konstruk bisa teraplikasi dengan baik di lapangan. Atau dengan kata lain, “upaya baru” apa saja yang harus dilaksanakan agar rata-rata indikator bisa menjadi lebih baik.

 

About Arif Kamar Bafadal

Dosen statistika dan operation research. Blog dibuat agar dapat berbagi pengetahuan tentang statistika dan operation research melalui pengalaman dan tulisan. Blog ini menyampaikan pesan "belajar lalu mengajar" agar selalu tercipta motivasi yang kuat untuk selalu mengikuti perkembangan ilmu pengetahuan secara khusus pada bidang statistika dan operation research, agar para mahasiswa tidak terjebak dengan sesuatu yang terbatas.
This entry was posted in Multivariate. Bookmark the permalink.

9 Responses to Interpretasi Hubungan Nilai Loading Faktor Model Pengukuran dan Nilai Rata-rata

  1. Wahyu W says:

    Menarik sekali gagasannya Mas Arif… Saya mau nanya tentang nilai rerata yang dipakai untuk memetakan performansi indikator. Yang tepat dipakai apakah (a) nilai rerata skor mentah dari indikator yang bersangkutan ataukah (b) nilai intersep hasil analisis faktor pada indikator tersebut ya? Meski yang ditekankan beda, keduanya sama-sama menunjukkan rerata.

    • Terima kasih telah mampir di blog saya, pak Wahyu. Saya berikan penjelasan, sebatas pengetahuan yang saya miliki. Pada tulisan tersebut rata-rata yang dimaksud adalah rata-rata skor mentah dari indikator yang digunakan. Paramter umum yang sering dijumpai pada suatu variabel adalah rata-rata dan simpangan baku. Nilai rata-rata bisa tergolong rendah atau tinggi, sedangkan simpangan baku menggambarkan situasi variasi data apakah sempit atau lebar. Pada model pengukuran, ada tambahan 1 lagi selain kedua parameter tersebut yaitu besar korelasi (kovarian) antar indikator. Saya memahami bahwa bahwa kumpulan indikator yang saling berhubungan dalam satu kontruk laten, maka besar loading faktor sangat ditentukan oleh lebar variasi data pada indikator tersebut. Semakin sempit, maka semakin lemah indikator tersebut untuk mengukur konstruk laten (koading faktor rendah), sebaliknya semakin lebar akan semakin kuat untuk mengukur konstruk. Akan tetapi apabila korelasi antar indikator adalah lemah, maka rendah atau tingginya loading faktor tidak banyak dijelaskan oleh variasi data. Saya juga sering membaca dan belajar dari blog pak Wahyu, terima kasih banyak hal yang saya dapatkan.

  2. akane says:

    terimakasih untuk tulisannya.
    jadi dapet pencerahan..

  3. Alwan says:

    Assalamualaikum, mas saya menggunakan second order SEM, pada second ordernya nilai loading factornya bernilai negatif, contoh -0,9. sedangkan yang lainnya bernilai positif. pada CFA dikatakan tidak valid ketika nilai loading faktor <0,5. apakah indikator saya yang -0,9 harus dibuang (tidak valid)?atau tetap dipakai karena yang kita lihat hanya dari angka 0,9 itu sendiri?
    interpretasi dari nilai loading faktor yang negatif itu sendiri seperti apa?

  4. jarno says:

    Dari: Jarno
    Assalamu’alaikum wr wb
    Assalamkum pak… blog ini sangat mebantu sekali….
    saya mau tanya…dalam analisis tugas akhir saya menggunakan regresi berganda, diman uji kualitas data menggunakan validitas dan reliabilitas…. Apa perlu uji juga dilakukan dengan melihat loading factor?
    Terimakasih atas jawabannya

    • Wa’alaikum salam, salam kenal dari saya. Dalam analisis regresi berganda, skoring variabel dilakukan setelah seluruh butir instrumen telah melalui uji kelayakan dengan menghitung hasil validitas dan reliabilitasnya. Pemakaian analisis faktor eksploratori untuk menghitung loading factor boleh dilakukan sebagai pembanding dari hasil uji validitas dengan korelasi Pearson dan reliabilitas dengan Alpha Cronbach. Terima kasih

  5. oktalia says:

    Dari: Oktalia
    Assalamu’alaikum wr wb
    Assalamkum pak…
    terimakasih atas penjelasannya pak.. sangat bermanfaat bagi saya dalam memahami dari mana datangnya nilai loading factor pada SEM.. namun pada penelitian saya ada yang sedikit tidak bisa saya pahami pak, karena nilai T-hitung nya signifikan (karena lebih besar dari 1,96 pada alpha 5%) namun nilainya negatif. setelah saya cari dari berbagai sumber hanya dijelaskan bahwa nilai negatif tersebut menunjukkan pengaruhnya negatif (atau dengan kata lain berbanding terbalik dengan teori yang dimodelkan). namun jika saya lihat lagi dari jawaban responden, secara general tidak seperti itu, secara teoritis dan logika pun sepertinya tidak mungkin jika pengaruhnya berbanding terbalik. yang saya tanyakan, kira-kira hal apa yang menyebabkan hal ini? ataukah ada intrepretasi lainnya dari nilai t hitung yang signifikan negatif ini pak?

    Mohon bantuannya dan terimakasih

  6. Alia says:

    AasalamuAlaikum..
    Saya baru dua minggu ini mempelajari PLS.
    Saya bingung, bisakah kita menggunakan analisis Second Order Confirmatory untuk variabel moderasi di PLS-PM?
    Monon penjelasannya, pak.
    Terimakasih.

  7. Hukma says:

    Assalamu alaikum,,,
    apakah ada cara manual (tanpa menggunakan aplikasi smartpls) untuk menghitung nilai loading pengukuran dan struktural??
    dan bagaimana cara menghitung skor variabel laten pd PPS-PLS??
    sy sdh m’hitung koef jalur sebagaimana menghitung parameter beta pd regresi, dg menggunakan VL sebagai Y, dan nilai VL adalah skor variabel laten yg diperoleh di smartPLS, tetapi hasil agak berbeda dengan koef jalur pada smartPLS dan secra regresi, mohon penjelsannya, pak.
    sekian dan trimaksih

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s