Cara Analisis CFA dengan AMOS: Langkah, Uji Fit, AVE, dan CR

Analisis CFA (confirmatory factor analysis) dengan AMOS menguji apakah butir-butir kuesioner benar-benar mengukur konstruk yang sudah ditetapkan teori, misalnya apakah empat butir efikasi diri memang membentuk satu faktor. Tutorial ini memandu Anda dari menggambar model di AMOS Graphics, memeriksa normalitas dan outlier, membaca estimate dan indeks kecocokan model, memakai modification indices secara bertanggung jawab, sampai menghitung AVE dan CR yang tidak dicetak AMOS. Semua angka berasal dari satu contoh data yang dihitung ulang sehingga saling konsisten.

Langkah Singkat CFA di AMOS

1. Siapkan data lengkap (tanpa sel kosong) dalam format SPSS (.sav) dengan jumlah responden yang memadai.
2. Gambar model di AMOS Graphics: setiap konstruk berupa elips dengan butir-butirnya, dan setiap pasangan konstruk dihubungkan panah dua arah.
3. Pastikan model teridentifikasi: satu loading per konstruk ditetapkan = 1 (atau varians konstruk = 1).
4. Hubungkan file data dan beri nama semua variabel, termasuk error term.
5. Di Analysis Properties, centang Standardized estimates, Squared multiple correlations, Modification indices, dan Tests for normality and outliers.
6. Klik Calculate estimates, lalu baca normalitas, outlier, estimate, dan indeks kecocokan model.
7. Bila model kurang cocok, periksa modification indices dan ubah model hanya dengan alasan teoretis.
8. Hitung AVE dan CR dari standardized loading, lalu laporkan hasilnya.

Apa Itu CFA dan Syarat Datanya

CFA termasuk keluarga structural equation modeling (SEM) berbasis kovarians. Peneliti menetapkan lebih dulu butir mana mengukur konstruk mana, lalu menguji apakah struktur itu cocok dengan data. Analisis faktor eksploratori (EFA) bekerja sebaliknya: struktur faktornya dicari dari data.

Perbedaan CFA dan EFA

CFA tepat dipakai saat Anda memvalidasi instrumen yang diadaptasi dari penelitian lain, menguji model pengukuran sebelum menguji model struktural lengkap, atau membuktikan validitas konstruk yang diminta penguji. Untuk instrumen sederhana, uji korelasi butir-total di SPSS sering sudah cukup; caranya ada di panduan uji validitas dan reliabilitas di SPSS. Jika tujuan Anda prediksi atau modelnya memuat konstruk formatif, pertimbangkan SEM-PLS dengan SmartPLS 4.

Contoh kasus dan syarat data

Data ilustrasi (fiktif) untuk latihan: 250 mahasiswa mengisi kuesioner skala Likert 1–5 dengan tiga konstruk, masing-masing empat butir: Efikasi Diri Akademik (ED1–ED4), Motivasi Belajar (MOT1–MOT4), dan Keterlibatan Belajar (KB1–KB4). Butir KB3 dan KB4 sama-sama menanyakan keaktifan bertanya dan berdiskusi di kelas, sehingga redaksinya mirip. Detail ini akan penting saat membaca modification indices.

Syarat data yang perlu Anda penuhi:

• Ukuran sampel: minimal 100 responden dengan patokan 5–10 responden per indikator (Hair et al., 2019). Dua belas butir berarti 60–120 responden; karena batas minimal 100 tetap berlaku, 250 responden memadai. Perhitungan sampel yang lebih rinci ada di panduan menghitung ukuran sampel.
• Data lengkap: modification indices dan uji normalitas di AMOS hanya tersedia bila tidak ada sel kosong. Tangani data hilang lebih dulu, misalnya dengan mengeluarkan responden yang tidak lengkap dan melaporkannya.
• Format: simpan sebagai .sav dengan nama variabel pendek tanpa spasi (ED1, MOT1, dan seterusnya), dan pastikan butir negatif sudah dibalik skornya. Cara membalik skor dibahas di panduan kuesioner skala Likert.

Langkah CFA di AMOS Graphics

Label menu di bawah adalah label AMOS Graphics berbahasa Inggris; posisi ikon bisa sedikit berbeda antarversi.

1. Menggambar model pengukuran

Cara tercepat adalah alat Draw a latent variable or add an indicator to a latent variable (ikon elips dengan tiga kotak). Klik dan tarik di kanvas untuk membuat elips konstruk, lalu klik di dalam elips itu sekali untuk setiap butir. AMOS otomatis menambahkan kotak indikator, error term (lingkaran kecil), serta menetapkan regression weight butir pertama dan setiap jalur error = 1. Ulangi untuk ketiga konstruk.

Jika Anda menggambar manual dengan alat Draw unobserved variables, Draw observed variables, dan Draw paths, AMOS tidak menetapkan apa pun. Model seperti ini belum teridentifikasi karena konstruk laten tidak memiliki skala. Pilih salah satu cara:

• Klik kanan satu panah konstruk → butir, pilih Object Properties, buka tab Parameters, lalu isi Regression weight = 1 (metode butir penanda).
• Atau klik kanan elips konstruk, pilih Object Properties, isi Variance = 1 pada tab Parameters, dan biarkan semua loading bebas.

Untuk error term, gunakan alat Add a unique variable to an existing variable agar jalurnya otomatis bernilai 1. Terakhir, hubungkan setiap pasangan konstruk dengan alat Draw covariances (double headed arrows): tiga konstruk berarti tiga panah dua arah.

2. Menghubungkan data dan memberi nama variabel

1. Pilih File → Data Files, klik File Name, pilih file .sav, lalu klik OK.
2. Buka daftar variabel (ikon List variables in data set) dan tarik setiap nama butir ke kotaknya. Nama di diagram harus sama persis dengan nama di file data.
3. Klik dua kali setiap elips konstruk dan isi Variable name (misalnya ED, MOT, KB).
4. Pilih Plugins → Name Unobserved Variables agar semua error term otomatis diberi nama e1, e2, dan seterusnya.

3. Mengatur Analysis Properties

Buka View → Analysis Properties. Pada tab Estimation, biarkan Maximum likelihood terpilih. Pada tab Output, centang:

• Standardized estimates (untuk standardized loading);
• Squared multiple correlations (reliabilitas tiap butir);
• Modification indices (ambang bawaan 4 dapat dibiarkan);
• Tests for normality and outliers (uji Mardia dan jarak Mahalanobis).

4. Menjalankan analisis

Pilih Analyze → Calculate Estimates (ikon berbentuk sempoa). Jika tidak ada pesan galat, buka View → Text Output. Di bagian Notes for Model, pastikan muncul keterangan Minimum was achieved. Jika AMOS menyebut model unidentified, periksa kembali langkah penetapan skala. Untuk SRMR, buka Plugins → Standardized RMR, biarkan jendelanya terbuka, lalu klik Calculate Estimates sekali lagi; nilainya tampil di jendela tersebut.

Memeriksa Normalitas dan Outlier

Estimasi maximum likelihood (ML) mengasumsikan data berdistribusi normal multivariat, jadi periksa bagian ini sebelum menafsirkan hasil lain.

Normalitas univariat dan multivariat (Mardia)

Tabel Assessment of normality memuat skewness (kemencengan) dan kurtosis (keruncingan) tiap butir beserta c.r. (critical ratio). Nilai c.r. adalah skor z: |c.r.| > 1,96 berarti penyimpangan signifikan pada α 5%, dan |c.r.| > 2,58 pada α 1%. Banyak pedoman di Indonesia memakai batas ±2,58. Baris terakhir, Multivariate, adalah koefisien kurtosis multivariat Mardia (1970) beserta c.r.-nya. Untuk estimasi ML, kurtosis multivariat inilah yang paling perlu diperhatikan (Byrne, 2016). Konsep normalitas univariatnya sama dengan uji normalitas di SPSS; bedanya, AMOS menambahkan uji multivariat.

Pada 250 responden awal, kurtosis multivariat 50,876 dengan c.r. 21,942, jauh di atas batas. Penyebabnya terlihat di bagian berikut.

Outlier multivariat (jarak Mahalanobis)

Tabel Observations farthest from the centroid (Mahalanobis distance) mengurutkan responden dari yang paling jauh dari pusat data. Kolom p1 adalah peluang jarak sebesar itu muncul bila data normal; kolom p2 adalah peluang jarak terjauh ke-k sebesar itu atau lebih bila data normal. Nilai p1 dan p2 yang sangat kecil di baris teratas menandakan outlier. Patokan yang umum: d² melebihi nilai χ² dengan df sama dengan jumlah indikator pada p < 0,001 (Tabachnick & Fidell, 2019). Untuk 12 indikator, batasnya χ²(12; 0,001) = 32,909.

Tiga responden melewati batas. Jangan langsung menghapusnya; periksa dulu jawabannya. Ketiganya menjawab zig-zag 1 dan 5 pada pernyataan yang searah dalam satu konstruk (misalnya responden 37 menjawab ED1 = 5, ED2 = 1, ED3 = 5, ED4 = 1), tanda pengisian asal-asalan. Karena itu, ketiganya dikeluarkan dan alasannya dilaporkan, sehingga N akhir = 247. Jika polanya masuk akal, misalnya responden yang memang sangat rendah di semua butir, pertahankan responden tersebut.

Setelah pembersihan, kurtosis multivariat turun menjadi 4,239 dengan c.r. 1,817, di bawah 2,58, sehingga tidak ada penyimpangan signifikan dari normal multivariat. Secara univariat, skewness berkisar −0,626 sampai −0,345 dan kurtosis −0,433 sampai 0,292. Beberapa c.r. skewness memang melewati −2,58 (terendah −4,017) karena c.r. makin besar seiring bertambahnya N, padahal kemencengannya kecil dan wajar untuk data Likert. Jika kurtosis multivariat Anda tetap tinggi setelah pembersihan, gunakan bootstrap Bollen-Stine di tab Bootstrap pada Analysis Properties untuk mengoreksi nilai p χ².

Menilai Kecocokan Model (Goodness of Fit)

Indeks kecocokan ada di bagian Model Fit pada Text Output. Tabel berikut memuat kriteria yang dipakai di artikel ini (Hu & Bentler, 1999; Hair et al., 2019) beserta hasil model awal dan model setelah modifikasi.

Model awal sudah memenuhi kriteria CFI, TLI, RMSEA, dan SRMR, tetapi χ²-nya signifikan. Uji χ² sangat peka terhadap ukuran sampel, sehingga pada sampel besar model yang cukup baik pun sering "ditolak"; karena itu χ² dibaca bersama indeks lain, bukan sendirian (Hair et al., 2019).

Banyak skripsi di Indonesia memakai tabel kriteria dari buku SEM karya Augusty Ferdinand (BP Undip). Versi yang paling sering dikutip: probabilitas χ² ≥ 0,05; CMIN/DF ≤ 2,00; GFI dan AGFI ≥ 0,90; TLI dan CFI ≥ 0,95; serta RMSEA ≤ 0,08. Kriteria ini lebih ketat pada CMIN/DF, TLI, dan CFI. Cocokkan angkanya dengan edisi buku yang dipakai di kampus Anda, sebutkan sumber kriteria yang Anda gunakan, dan jangan mencampur dua set kriteria tanpa keterangan. Dengan kriteria Ferdinand, model awal contoh ini hanya gagal pada probabilitas χ², sedangkan model setelah modifikasi memenuhi semuanya.

Modification Indices: Kapan Model Boleh Diubah

Bagian Modification Indices pada Text Output mendaftar parameter yang belum ada di model. M.I. adalah perkiraan penurunan χ² bila parameter itu dibebaskan, sedangkan Par Change adalah perkiraan nilai parameter barunya. Empat nilai terbesar pada model awal:

Setelah e11 ↔ e12 dibebaskan, χ² turun 27,360 dengan selisih df 1, mendekati perkiraan M.I. 29,892. Indeks modifikasi lain ikut berubah: pasangan KB1–KB2 dan KB1–KB3 tidak lagi menonjol, dan M.I. terbesar yang tersisa (7,227 untuk ED3–MOT4) lintas konstruk sehingga tidak dibebaskan. Korelasi error KB3–KB4 pada model akhir 0,419 (C.R. 4,644).

Aturan yang dipegang penguji (Brown, 2015):

• Ubah satu parameter setiap kali, lalu jalankan ulang, karena seluruh M.I. berubah setelah satu modifikasi.
• Bebaskan kovarians error hanya di dalam satu konstruk dan hanya bila ada alasan isi, misalnya redaksi butir mirip atau metode pengukuran yang sama.
• Jangan mengorelasikan error lintas konstruk atau menambah cross-loading demi menaikkan indeks fit; perubahan seperti itu sulit dipertanggungjawabkan saat sidang.
• Laporkan setiap modifikasi beserta alasannya. Jika error banyak butir harus dikorelasikan, kemungkinan ada butir yang perlu ditinjau ulang.

Membaca Estimate dan Menghitung AVE serta CR

Loading dan korelasi antarkonstruk

Bagian Estimates memuat Regression Weights (loading tidak terstandar dengan S.E., C.R., dan P), Standardized Regression Weights (standardized loading), Correlations antarkonstruk, dan Squared Multiple Correlations. C.R. adalah estimate dibagi S.E.; nilai di atas 1,96 berarti signifikan pada α 5%, dan tanda *** pada kolom P berarti p < 0,001. Hasil model akhir:

Semua loading yang diestimasi signifikan (p < 0,001). Butir penanda (ED1, MOT1, KB1) tidak memiliki S.E. karena nilainya ditetapkan 1; jika Anda perlu menguji signifikansinya, tetapkan varians konstruk = 1 sebagai gantinya. Patokan standardized loading adalah ≥ 0,50 dan idealnya ≥ 0,70 (Hair et al., 2019), sehingga semua butir dapat dipertahankan. Korelasi antarkonstruk: ED–MOT 0,569; ED–KB 0,405; MOT–KB 0,461.

Menghitung AVE dan CR secara manual

AMOS tidak mencetak AVE (average variance extracted) dan CR (construct reliability), jadi keduanya dihitung per konstruk dari standardized loading (Fornell & Larcker, 1981):

AVE = Σλ² / n
CR  = (Σλ)² / [(Σλ)² + Σ(1 − λ²)]

Contoh untuk Efikasi Diri (ED) dengan λ = 0,852; 0,737; 0,670; 0,680:

Σλ       = 2,939          → (Σλ)² = 8,638
Σλ²      = 0,726 + 0,543 + 0,449 + 0,462 = 2,180
AVE      = 2,180 / 4 = 0,545
Σ(1 − λ²) = 4 − 2,180 = 1,820
CR       = 8,638 / (8,638 + 1,820) = 0,826

Semua AVE ≥ 0,50 dan semua CR ≥ 0,70, sehingga validitas konvergen dan reliabilitas konstruk terpenuhi (Hair et al., 2019). Karena error KB3 dan KB4 dikorelasikan, CR KB dengan rumus sederhana sedikit terlalu tinggi; bila dua kali kovarians error terstandarnya (0,211) ditambahkan ke penyebut, CR KB menjadi 0,816 dan tetap memenuhi syarat.

Validitas diskriminan

Validitas diskriminan diperiksa dengan dua cara. Pertama, kriteria Fornell-Larcker: √AVE setiap konstruk (0,738; 0,788; 0,764) lebih besar daripada korelasi tertingginya dengan konstruk lain (0,569). Kedua, HTMT yang dihitung dari matriks korelasi antarbutir, misalnya hasil Correlate → Bivariate di SPSS: nilai tertingginya 0,580 (ED–MOT), di bawah batas 0,85 (Henseler et al., 2015).

Cara Melaporkan Hasil CFA di Skripsi

Laporkan berurutan: pembersihan data (data hilang, outlier beserta alasannya), normalitas, indeks kecocokan model awal, modifikasi beserta alasannya, indeks kecocokan model akhir, tabel loading, lalu AVE, CR, dan validitas diskriminan. Sebutkan juga versi AMOS dan metode estimasi di Bab 3.

Contoh paragraf, sesuaikan dengan penelitian Anda — jangan disalin mentah:

CFA dengan estimasi maximum likelihood dilakukan pada 247 responden setelah tiga responden dengan pola jawaban tidak konsisten dikeluarkan (Mahalanobis d², p < 0,001). Model awal menghasilkan χ²(51) = 92,878; p < 0,001; CMIN/DF = 1,821; CFI = 0,970; TLI = 0,961; RMSEA = 0,058; SRMR = 0,044. Berdasarkan modification indices dan kemiripan redaksi butir KB3 dan KB4, kovarians error kedua butir dibebaskan. Model akhir menunjukkan χ²(50) = 65,518; p = 0,069; CMIN/DF = 1,310; CFI = 0,989; TLI = 0,985; RMSEA = 0,036; SRMR = 0,037. Seluruh standardized loading berkisar 0,670–0,852 dan signifikan (p < 0,001), dengan AVE 0,545–0,622 dan CR 0,816–0,868 (CR KB dikoreksi untuk kovarians error), sehingga validitas konvergen dan reliabilitas konstruk terpenuhi.

Kesalahan Umum yang Ditandai Penguji

• Model tidak teridentifikasi karena konstruk digambar manual tanpa menetapkan satu loading atau varians konstruk = 1.
• Modification indices tidak muncul karena data masih memuat sel kosong.
• Menghapus outlier hanya karena p1 < 0,001 tanpa memeriksa pola jawabannya dan tanpa melaporkannya.
• Memodifikasi model berkali-kali sampai fit, termasuk mengorelasikan error lintas konstruk tanpa alasan.
• Menulis "rata-rata AVE" untuk seluruh model. AVE dan CR dihitung per konstruk.
• Mengutip cut-off tanpa sumber atau mencampur kriteria Hu dan Bentler dengan kriteria Ferdinand tanpa keterangan.

Langkah Berikutnya

Setelah model pengukuran terbukti valid dan reliabel, Anda dapat melanjutkan ke model struktural, yaitu mengganti panah dua arah antarkonstruk dengan panah hipotesis, lalu menilai ulang kecocokan modelnya. Simpan file diagram (.amw) dan Text Output asli, karena penguji kadang meminta Anda menunjukkan dari mana setiap angka berasal. Bila model belum fit meskipun sudah dibersihkan, tinjau ulang redaksi butir bersama pembimbing sebelum menambah modifikasi.

Jika Anda ingin hasil CFA Anda diperiksa atau dijalankan bersama pendamping, layanan olah data AMOS Jokify mengolah data kuesioner Anda sendiri dan menjelaskan setiap output, dari normalitas hingga AVE dan CR, agar Anda memahami setiap langkahnya dan siap mempertahankannya saat sidang.

Pertanyaan yang Sering Diajukan

Apa beda CFA first order dan second order?

CFA first order menghubungkan butir langsung ke konstruknya, seperti contoh di artikel ini. CFA second order menambahkan satu konstruk di atas beberapa dimensi, misalnya kualitas layanan yang dibentuk lima dimensi, dan dipakai bila teori Anda menyatakan dimensi-dimensi itu mencerminkan satu konsep yang lebih umum. Konstruk orde kedua sebaiknya memiliki minimal tiga dimensi agar teridentifikasi tanpa batasan tambahan.

Mengapa AMOS menampilkan pesan model unidentified?

Penyebab paling umum adalah konstruk laten yang belum diberi skala, yaitu tidak ada loading yang ditetapkan 1 dan variansnya juga tidak ditetapkan 1. Penyebab lain adalah jalur error term yang belum ditetapkan 1, atau konstruk dengan terlalu sedikit butir sehingga jumlah parameter melebihi informasi dalam data. Periksa bagian Notes for Model untuk melihat parameter mana yang bermasalah.

Bagaimana jika AVE di bawah 0,50?

Lihat butir dengan standardized loading terendah, terutama di bawah 0,50, lalu nilai apakah isinya memang kurang mewakili konstruk. Jika ya, butir itu dapat dikeluarkan dengan persetujuan pembimbing, kemudian model dijalankan ulang dan perubahannya dilaporkan. Jangan menghapus butir hanya demi angka bila butir itu penting untuk cakupan isi konstruk.

Apakah data Likert boleh dianalisis CFA dengan estimasi ML?

Dalam praktik skripsi, data Likert lima poin atau lebih umumnya diperlakukan sebagai data kontinu. Simulasi Rhemtulla et al. (2012) menunjukkan metode estimasi kontinu, terutama versi robust, cukup akurat bila kategorinya lima atau lebih dan distribusinya tidak terlalu menceng. Untuk skala tiga atau empat poin, atau jawaban yang menumpuk di satu ujung, estimator khusus data ordinal lebih tepat.

Apa beda CFA di AMOS dan evaluasi outer model di SmartPLS?

AMOS menjalankan CFA berbasis kovarians yang menilai kecocokan model secara keseluruhan lewat χ², CFI, TLI, RMSEA, dan SRMR. SmartPLS mengevaluasi model pengukuran berbasis komposit lewat loading, reliabilitas, AVE, dan HTMT, tanpa menekankan indeks kecocokan model. Pilih sesuai tujuan: konfirmasi alat ukur dan teori cenderung ke AMOS, sedangkan prediksi dan model kompleks cenderung ke SmartPLS.

Referensi

• Brown, T. A. (2015). Confirmatory factor analysis for applied research (2nd ed.). Guilford Press.
• Byrne, B. M. (2016). Structural equation modeling with AMOS: Basic concepts, applications, and programming (3rd ed.). Routledge. https://doi.org/10.4324/9781315757421
• Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.
• Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
• 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. https://doi.org/10.1080/10705519909540118
• Mardia, K. V. (1970). Measures of multivariate skewness and kurtosis with applications. Biometrika, 57(3), 519–530. https://doi.org/10.1093/biomet/57.3.519
• Rhemtulla, M., Brosseau-Liard, P. É., & Savalei, V. (2012). When can categorical variables be treated as continuous? A comparison of robust continuous and categorical SEM estimation methods under suboptimal conditions. Psychological Methods, 17(3), 354–373. https://doi.org/10.1037/a0029315
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.