Langkah Uji Validitas Konvergen dan Diskriminan (CFA) Menggunakan AMOS dan Solusi Jika ada Pelanggaran 

Saat melakukan analisis model pengukuran menggunakan perangkat lunak IBM SPSS AMOS, para peneliti sering dihadapkan pada hasil evaluasi indikator yang tidak memenuhi syarat validitas. Penerapan Langkah Cara Uji Validitas Konvergen dan Diskriminan (CFA) Menggunakan AMOS menjadi problematis ketika nilai Standardized Factor Loading (SFL) dari beberapa item kuesioner berada di bawah 0,50, nilai Average Variance Extracted (AVE) kurang dari 0,50, serta nilai Construct Reliability (CR) berada di bawah ambang batas 0,70.

Gejala kegagalan ini makin diperparah ketika ditemukan korelasi antar variabel laten yang terlalu tinggi (di atas 0,85) sehingga melanggar kriteria validitas diskriminan Fornell-Larcker. Tanpa penanganan teknis yang benar, AMOS sering kali mengeluarkan pesan peringatan error seperti "The covariance matrix is not positive definite" atau menghasilkan nilai varians error negatif (Heywood case), yang menyebabkan seluruh pengujian model struktural selanjutnya menjadi tidak valid.

Konsep Teori CFA, Validitas Konvergen, dan Validitas Diskriminan

Confirmatory Factor Analysis (CFA) merupakan teknik analisis statistik multivariat yang digunakan untuk menguji sejauh mana variabel teramati (indikator) secara konsisten mewakili konstruk laten yang dihipotesiskan berdasarkan teori (Kline, 2016; Brown, 2015). Berbeda dari Exploratory Factor Analysis (EFA), CFA mewajibkan peneliti menentukan struktur hubungan antar indikator dan dimensi sebelum data diuji.

Untuk memahami landasan teori pengukuran konstruk, matriks kovarians, dan asumsi dasar analisis faktor kuesioner, Anda dapat mempelajari ulasan lengkap mengenai teori dasar uji validitas dan reliabilitas CFA di www.statistikian.com. Pemahaman dasar teori pengukuran sangat krusial sebelum menjalankan komputasi grafik di AMOS.

Validitas konvergen (convergent validity) menilai tingkat proporsi varians bersama antar indikator dalam satu konstruk laten. Menurut Hair et al. (2019) serta Fornell dan Larcker (1981), validitas konvergen terpenuhi apabila nilai Standardized Factor Loading (SFL) tiap indikator idealnya bernilai lebih besar dari 0,70 (atau minimal 0,50 untuk penelitian eksploratif), nilai AVE mencapai minimal 0,50, dan nilai Construct Reliability (CR) melebihi 0,70.

Sementara itu, validitas diskriminan (discriminant validity) memastikan bahwa suatu konstruk laten secara empiris benar-benar unik dan berbeda dari konstruk laten lainnya dalam model (Henseler et al., 2015). Berdasarkan kriteria Fornell-Larcker, validitas diskriminan tercapai apabila nilai akar kuadrat dari AVE suatu konstruk lebih besar dibandingkan korelasi antar konstruk laten tersebut dengan seluruh konstruk laten lainnya dalam model pengukuran.

Langkah-Langkah Teknis Pengujian CFA dan Solusi Pemecahan Masalah di AMOS

Berikut adalah panduan praktis dan sistematis untuk mengeksekusi pengujian validitas konvergen dan diskriminan menggunakan IBM SPSS AMOS Graphics:

Langkah 1: Menggambar Diagram Jalur Model Pengukuran (CFA Model)
Buka AMOS Graphics, buat seluruh konstruk laten berupa lingkaran, hubungkan antar variabel laten menggunakan garis panah dua arah (double-headed arrow / covariance), serta masukkan indikator teramati berupa kotak beserta tanda panah searah dari laten ke indikator beserta istilah galatnya (error terms).

Langkah 2: Pengaturan Output Analysis Properties
Klik menu Analysis Properties, beralih ke tab Output, lalu centang opsi Standardized estimates, Sample moments, Implied moments, Modification indices, dan Residual moments untuk menampilkan parameter pengujian lengkap (Bollen, 1989).

Langkah 3: Menjalankan Estimasi Model (Calculate Estimates)
Jalankan perintah Calculate Estimates. Pastikan analisis berjalan lancar tanpa error. Buka menu Text Output dan perhatikan tabel Estimates sub-tabel Standardized Regression Weights.

Langkah 4: Skrining Standardized Factor Loading (SFL)
Evaluasi nilai SFL untuk setiap indikator. Apabila ditemukan indikator dengan nilai SFL kurang dari 0,50, indikator tersebut wajib dipertimbangkan untuk dihapus (drop) secara bertahap satu per satu, dimulai dari indikator dengan loading terendah.

Langkah 5: Menghitung Nilai AVE (Average Variance Extracted)
Hitung nilai AVE secara manual atau menggunakan excel dengan rumus: jumlah dari kuadrat SFL dibagi dengan jumlah indikator dalam konstruk tersebut. Pastikan nilai AVE minimal mencapai 0,50.

AVE = KUADRAT SFL (STANDART FACTOR LOADING)

Langkah 6: Menghitung Nilai CR (Construct Reliability)
Kalkulasikan nilai CR dengan kuadrat dari jumlah total SFL, dibagi dengan kuadrat dari jumlah total SFL ditambah dengan jumlah total varians galat (error variance). Target standar keandalan CR adalah >= 0,70.

CR = KUADRAT JUMLAH SFL / KUADRAT (JUMLAH TOTAL SFL + JUMLAH TOTAL VARIANS ERROR)

Langkah 7: Mengevaluasi Matriks Korelasi (Fornell-Larcker Criterion)
Buka tabel Correlations antar konstruk laten. Hitung akar kuadrat dari AVE masing-masing konstruk. Bandingkan nilai akar kuadrat AVE tersebut dengan koefisien korelasi antar konstruk. Jika akar kuadrat AVE lebih besar dari korelasi antar konstruk, maka validitas diskriminan terpenuhi.

Langkah 8: Memanfaatkan Modification Indices (MI) untuk Indikator bermasalah
Apabila AVE masih di bawah 0,50 atau model fit buruk, periksalah tabel Modification Indices. Jika dua istilah galat (error terms) dalam satu konstruk laten yang sama memiliki nilai MI sangat tinggi, hubungkan kedua galat tersebut dengan garis kovarians panah dua arah untuk menurunkan nilai chi-square model (Gerbing & Anderson, 1988).

Langkah 9: Penanganan Varians Error Negatif (Heywood Case)
Jika AMOS mengalami error varians negatif pada istilah galat (Heywood Case), tetapkan batasan konstanta kecil positif (misalnya 0,001) pada parameter varians galat tersebut melalui menu Object Properties tab Parameters (Rindskopf, 1984).

Pembahasan Ilmiah: Formulasi Matematis dan Isu Metodologis Evaluasi CFA

Secara matematis, kalkulasi nilai Average Variance Extracted (AVE) dirumuskan sebagai AVE = (jumlah dari lambda_i kuadrat) / [(jumlah dari lambda_i kuadrat) + jumlah dari e_i], di mana lambda_i menyatakan nilai Standardized Factor Loading dari indikator ke-i, dan e_i menyatakan besarnya varians galat pengukuran (measurement error variance) yang dihitung dari 1 - lambda_i kuadrat. Formulasi ini mengukur besarnya proporsi varians indikator yang diserap oleh variabel laten relatif terhadap varians galatnya.

Sementara itu, nilai Construct Reliability (CR) dihitung dengan rumus CR = (jumlah dari lambda_i) kuadrat / [(jumlah dari lambda_i) kuadrat + jumlah dari e_i]. Menurut Raykov (1997), CR memberikan estimasi reliabilitas yang jauh lebih akurat dibandingkan Alfa Cronbach pada analisis SEM, karena CR tidak mengasumsikan ekuivalensi tau kaku (tau-equivalence) antar indikator.

Masalah serius yang sering muncul dalam pengujian validitas diskriminan adalah tingginya korelasi antar variabel laten (melebihi 0,85). Marsh et al. (2004) menegaskan bahwa korelasi laten yang terlalu tinggi mengindikasikan adanya redundansi konseptual atau isu kolinearitas berat antar konstruk. Dalam kondisi ini, solusi metodologis yang disarankan adalah menggabungkan kedua konstruk laten tersebut menjadi satu konstruk berdimensi tunggal atau menjadikannya sebagai konstruk orde tinggi (second-order factor model).

Penggunaan Modification Indices (MI) untuk mengorelasikan antar istilah galat (error terms) harus dilakukan dengan pertimbangan teoritis yang ketat. Gerbing dan Anderson (1988) memperingatkan bahwa mengorelasikan galat indikator secara sembarangan hanya untuk mengejar kecocokan model (model fit) dapat merusak integritas teori pengukuran dan menurunkan daya generalisasi model.

Perbandingan antara Covariance-Based SEM (CB-SEM) seperti AMOS dan Partial Least Squares SEM (PLS-SEM) menunjukkan bahwa CB-SEM sangat sensitif terhadap asumsi normalitas multivariat dan ukuran sampel minimum. Hair et al. (2017) menyatakan bahwa CB-SEM di AMOS sangat unggul untuk pengujian teori yang mapan karena menyediakan matriks kovarians yang presisi untuk pengujian validitas CFA.

Dalam pelaporan publikasi ilmiah internasional, dua tahap analisis (two-step approach) yang diperkenalkan Anderson dan Gerbing (1988) merupakan standar wajib. Peneliti harus melaporkan keberhasilan validitas dan reliabilitas model pengukuran (CFA) terlebih dahulu sebelum melangkah ke pengujian hipotesis pada model struktural.

Melalui prosedur evaluasi nilai SFL, kalkulasi AVE dan CR, serta pemeriksaan kriteria Fornell-Larcker secara cermat, pengujian validitas konvergen dan diskriminan di AMOS akan menghasilkan kesimpulan yang akurat, valid, dan dapat dipertanggungjawabkan secara ilmiah.

Kesimpulan

Pengujian Confirmatory Factor Analysis (CFA) di IBM SPSS AMOS mensyaratkan evaluasi dua pilar utama validitas pengukuran. Validitas konvergen terpenuhi apabila seluruh indikator memiliki Standardized Factor Loading (SFL) >= 0,50 (ideal >= 0,70), nilai Average Variance Extracted (AVE) >= 0,50, dan Construct Reliability (CR) >= 0,70. Sementara validitas diskriminan terpenuhi jika nilai akar kuadrat AVE setiap konstruk melebihi nilai korelasi antar variabel laten. Penanganan masalah teknis seperti pangkas item loading rendah, koreksi galat, dan resolusi Heywood Case secara sistematis menjamin kelayakan model pengukuran sebelum melangkah ke analisis SEM struktural.

Daftar Pustaka