Analisa Psikometrik Skala Arahan OHI 2023
Heru Wiryanto
2023-07-15
Analisa Properti Psikometri
Analisis psikometri properti adalah proses evaluasi dan pengukuran karakteristik psikologis dari suatu instrumen pengukuran atau tes psikologis. Ini melibatkan penggunaan metode statistik dan psikometri untuk menguji validitas, reliabilitas, dan dimensi psikologis instrumen tersebut.
Analisis psikometri properti digunakan untuk memastikan bahwa instrumen pengukuran atau tes psikologis dapat diandalkan dan akurat dalam mengukur konstruk psikologis yang diinginkan. Beberapa properti psikometri yang penting yang dianalisis dalam proses ini meliputi:
Validitas: Validitas mengacu pada sejauh mana instrumen pengukuran mengukur apa yang seharusnya diukur. Analisis validitas melibatkan pemeriksaan apakah instrumen tersebut benar-benar mengukur konstruk yang dimaksud dan apakah ada hubungan yang logis antara hasil tes dengan variabel yang ingin diukur. Reliabilitas: Reliabilitas adalah tingkat konsistensi dan keandalan instrumen pengukuran. Analisis reliabilitas bertujuan untuk mengukur sejauh mana instrumen tersebut memberikan hasil yang konsisten jika diulang di waktu dan kondisi yang berbeda. Tes yang reliabel harus memberikan hasil yang konsisten pada pengukuran ulang. Dimensi psikologis: Analisis properti psikometri juga mencakup pemeriksaan struktur dan dimensi psikologis instrumen pengukuran. Ini melibatkan menggunakan teknik statistik seperti analisis faktor untuk mengidentifikasi faktor-faktor atau dimensi-dimensi yang mendasari instrumen tersebut. Selain itu, analisis psikometri properti juga dapat melibatkan pengujian item, pengukuran kesulitan dan daya beda item, serta pemeriksaan kecocokan instrumen dengan populasi target yang diinginkan.
Secara keseluruhan, analisis psikometri properti penting untuk memastikan bahwa instrumen pengukuran atau tes psikologis yang digunakan dalam penelitian atau praktik psikologis adalah alat yang valid, reliabel, dan mengukur konstruk psikologis dengan akurat.
Analisa Reliabilitas
Skala Arahan terdiri dari 15 item dengan normor : 1 s/d 15 Pembuktian reliabilitas dilakukan berdasarkan analisa koefisien internal konsistensi Alpha Cornbach dengan hasil analisa sebagai berikut
Reliabilitas Klasik Alpha Cronbach
Alpha Cronbach digunakan untuk mengukur sejauh mana item-item dalam suatu instrumen pengukuran saling konsisten. Instrumen pengukuran ini bisa berupa kuesioner, skala psikologis, atau tes. Alpha Cronbach menghasilkan koefisien reliabilitas yang berkisar antara 0 hingga 1, di mana semakin tinggi nilai koefisien, semakin tinggi pula konsistensi internal instrumen pengukuran tersebut.
Pada dasarnya, Alpha Cronbach mengukur konsistensi antara item-item dalam instrumen pengukuran dengan asumsi bahwa item-item tersebut mengukur konstruk yang sama. Koefisien Alpha Cronbach dihitung berdasarkan korelasi antara item-item dalam instrumen. Semakin tinggi korelasi antara item-item, semakin tinggi pula koefisien Alpha Cronbach.
Nilai Alpha Cronbach yang dianggap baik bervariasi tergantung pada konteks pengukuran dan bidang penelitian. Secara umum, nilai 0,70 atau lebih tinggi dianggap dapat diterima, meskipun ada beberapa penelitian yang menetapkan standar yang lebih tinggi atau lebih rendah tergantung pada tujuan penelitian.
## You will find additional options and better formatting using itemAnalysis().## Warning in log(pTauDif): NaNs produced
## Warning in log(pTauDif): NaNs produced##
## Number of Items
## 15
##
## Number of Examinees
## 110
##
## Coefficient Alpha
## 0.898## You will find additional options and better formatting using itemAnalysis().## Warning in log(pTauDif): NaNs produced
## Warning in log(pTauDif): NaNs produced| item.mean | alpha.del | |
|---|---|---|
| item1 | 4.227273 | 0.9292646 |
| item2 | 2.172727 | 0.8872212 |
| item3 | 1.890909 | 0.8845629 |
| item4 | 1.481818 | 0.8861144 |
| item5 | 1.672727 | 0.8856341 |
| item6 | 1.363636 | 0.8910761 |
| item7 | 1.400000 | 0.8944400 |
| item8 | 1.445455 | 0.8963106 |
| item9 | 1.290909 | 0.8903909 |
| item10 | 1.409091 | 0.8898476 |
| item11 | 1.809091 | 0.8872394 |
| item12 | 1.490909 | 0.8843946 |
| item13 | 1.654546 | 0.8875028 |
| item14 | 1.545454 | 0.8854626 |
| item15 | 1.690909 | 0.8822199 |
Tampak dari sini item 1 kita bisa hilangkan agar relianilitasnya naik.
Analisa Confirmatory Factor Analysis
Confirmatory Factor Analysis (CFA) adalah sebuah metode statistik yang digunakan dalam riset sosial dan ilmu perilaku untuk menguji dan memvalidasi struktur faktorial dari suatu konstruk yang diukur dengan menggunakan indikator atau item yang terkait.
CFA adalah bagian dari analisis faktor yang lebih luas, tetapi berbeda dengan analisis faktor eksploratori (EFA). EFA digunakan untuk mengidentifikasi pola-pola dalam data dan mengungkap struktur faktorial yang mungkin ada di balik indikator atau item yang diukur. Sebaliknya, CFA digunakan untuk menguji hipotesis yang telah diajukan tentang struktur faktorial yang diharapkan.
Tujuan utama dari CFA adalah untuk memvalidasi teori konstruk yang diukur melalui pengujian model yang diusulkan. Dalam CFA, peneliti mengajukan hipotesis tentang hubungan antara variabel laten (faktor) dan indikator yang diukur secara langsung. Model CFA mengasumsikan bahwa indikator secara langsung dipengaruhi oleh faktor-faktor laten yang mendasarinya, dan hubungan antara faktor-faktor laten ini direpresentasikan oleh matriks kovarians.
Analisis CFA menghasilkan beberapa output yang berguna, termasuk estimasi koefisien beban (factor loading) yang menunjukkan kekuatan hubungan antara setiap indikator dengan faktor-faktor laten, estimasi reliabilitas faktor, dan indeks kecocokan model (model fit indices) yang memberikan informasi tentang sejauh mana model yang diajukan sesuai dengan data.
Dalam CFA, peneliti dapat menguji berbagai aspek model, seperti keabsahan konstruk, struktur faktorial, ukuran faktor, dan hubungan antara faktor-faktor laten. Dengan menguji model yang diajukan secara kritis dan membandingkannya dengan model alternatif, CFA memungkinkan peneliti untuk menguji dan memvalidasi konstruk yang diukur secara empiris.
KMO Bartlett’s
KMO (Kaiser-Meyer-Olkin): KMO adalah singkatan dari Kaiser-Meyer-Olkin. KMO adalah indeks yang digunakan dalam analisis faktor untuk mengukur kesesuaian atau kesesuaian sampel data untuk dilakukan analisis faktor. KMO berkisar antara 0 hingga 1, dengan nilai di atas 0,6 dianggap cukup baik dan di atas 0,8 dianggap sangat baik. KMO memperhitungkan korelasi antarvariabel dan menghasilkan skor yang menunjukkan sejauh mana data Anda cocok untuk dilakukan analisis faktor. Bartlett’s Test of Sphericity:
Bartlett’s Test of Sphericity adalah tes statistik yang digunakan dalam analisis faktor untuk menguji hipotesis nol bahwa matriks kovarians dari variabel-variabel yang diuji adalah matriks identitas (tidak ada hubungan antara variabel). Jika nilai signifikansi (p-value) dari tes Bartlett rendah (biasanya di bawah 0,05), maka hipotesis nol ditolak, dan hal ini menunjukkan bahwa terdapat hubungan yang signifikan antara variabel-variabel tersebut. Dalam konteks analisis faktor konfirmatori, Bartlett’s Test of Sphericity digunakan untuk mendukung adanya hubungan antara indikator-indikator atau item-item yang diukur dalam konstruk yang diuji.
##
## Attaching package: 'psych'## The following objects are masked from 'package:CTT':
##
## polyserial, reliability##
## Attaching package: 'Hmisc'## The following object is masked from 'package:psych':
##
## describe## The following objects are masked from 'package:base':
##
## format.pval, units## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = rArahan)
## Overall MSA = 0.89
## MSA for each item =
## item1 item2 item3 item4 item5 item6 item7 item8 item9 item10 item11
## 0.86 0.89 0.87 0.91 0.92 0.93 0.86 0.89 0.87 0.86 0.92
## item12 item13 item14 item15
## 0.93 0.85 0.86 0.88Nilai KMO over all diatas 0,5 artinya factor analisa bisa dilanjutkan
Hasil Confirmatory Factor Analysis
## This is lavaan 0.6-15
## lavaan is FREE software! Please report any bugs.##
## Attaching package: 'lavaan'## The following object is masked from 'package:psych':
##
## cor2cov## ## ################################################################################# This is semTools 0.5-6## All users of R (or SEM) are invited to submit functions or ideas for functions.## #################################################################################
## Attaching package: 'semTools'## The following objects are masked from 'package:psych':
##
## reliability, skew## The following object is masked from 'package:CTT':
##
## reliability
## lavaan 0.6.15 ended normally after 38 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 30
##
## Number of observations 110
##
## Model Test User Model:
##
## Test statistic 295.689
## Degrees of freedom 90
## P-value (Chi-square) 0.000
##
## Model Test Baseline Model:
##
## Test statistic 1162.308
## Degrees of freedom 105
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.805
## Tucker-Lewis Index (TLI) 0.773
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -1298.558
## Loglikelihood unrestricted model (H1) -1150.714
##
## Akaike (AIC) 2657.117
## Bayesian (BIC) 2738.131
## Sample-size adjusted Bayesian (SABIC) 2643.330
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.144
## 90 Percent confidence interval - lower 0.126
## 90 Percent confidence interval - upper 0.163
## P-value H_0: RMSEA <= 0.050 0.000
## P-value H_0: RMSEA >= 0.080 1.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.074
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Structured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## Arahan =~
## item1 1.000 0.435 0.727
## item2 -1.516 0.194 -7.798 0.000 -0.659 -0.746
## item3 -1.623 0.199 -8.139 0.000 -0.705 -0.777
## item4 -1.287 0.167 -7.692 0.000 -0.559 -0.736
## item5 -1.554 0.197 -7.885 0.000 -0.675 -0.754
## item6 -0.874 0.133 -6.582 0.000 -0.380 -0.634
## item7 -0.679 0.128 -5.290 0.000 -0.295 -0.513
## item8 -0.560 0.123 -4.552 0.000 -0.243 -0.443
## item9 -0.821 0.125 -6.594 0.000 -0.357 -0.635
## item10 -0.887 0.131 -6.762 0.000 -0.386 -0.651
## item11 -1.076 0.141 -7.635 0.000 -0.468 -0.731
## item12 -1.239 0.147 -8.424 0.000 -0.538 -0.803
## item13 -1.256 0.161 -7.801 0.000 -0.546 -0.746
## item14 -1.304 0.164 -7.942 0.000 -0.567 -0.759
## item15 -1.518 0.179 -8.470 0.000 -0.660 -0.807
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .item1 0.169 0.024 6.912 0.000 0.169 0.472
## .item2 0.346 0.050 6.851 0.000 0.346 0.443
## .item3 0.327 0.049 6.730 0.000 0.327 0.396
## .item4 0.264 0.038 6.883 0.000 0.264 0.458
## .item5 0.346 0.051 6.823 0.000 0.346 0.432
## .item6 0.214 0.030 7.114 0.000 0.214 0.598
## .item7 0.244 0.034 7.256 0.000 0.244 0.737
## .item8 0.242 0.033 7.307 0.000 0.242 0.804
## .item9 0.188 0.026 7.112 0.000 0.188 0.596
## .item10 0.202 0.029 7.086 0.000 0.202 0.576
## .item11 0.190 0.028 6.899 0.000 0.190 0.465
## .item12 0.160 0.024 6.600 0.000 0.160 0.356
## .item13 0.237 0.035 6.850 0.000 0.237 0.443
## .item14 0.236 0.035 6.804 0.000 0.236 0.424
## .item15 0.233 0.035 6.575 0.000 0.233 0.349
## Arahan 0.189 0.043 4.350 0.000 1.000 1.000
##
## R-Square:
## Estimate
## item1 0.528
## item2 0.557
## item3 0.604
## item4 0.542
## item5 0.568
## item6 0.402
## item7 0.263
## item8 0.196
## item9 0.404
## item10 0.424
## item11 0.535
## item12 0.644
## item13 0.557
## item14 0.576
## item15 0.651Reliabilitas Komposit
Dalam reliabilitas komposit, konstruk dianggap sebagai variabel laten yang tidak dapat diukur langsung. Sebagai gantinya, konstruk tersebut diwakili oleh beberapa indikator atau item yang diukur secara langsung melalui kuesioner atau skala. Reliabilitas komposit mengacu pada sejauh mana indikator-indikator tersebut secara bersama-sama mengukur konstruk dengan konsisten.
Metode yang umum digunakan untuk menghitung reliabilitas komposit adalah Weighted Composite Reliability (WCR) atau juga dikenal sebagai Composite Reliability (CR). WCR menggabungkan informasi tentang reliabilitas item dan reliabilitas antara item untuk menghasilkan estimasi reliabilitas komposit.
Nilai reliabilitas komposit (WCR) berkisar antara 0 hingga 1, dan semakin tinggi nilainya, semakin baik keandalan internal konstruk tersebut.
Reliabilitas komposit menjadi alternatif yang semakin populer dalam analisis faktor konfirmatori dan pemodelan persamaan struktural karena dapat memberikan estimasi keandalan yang lebih akurat, terutama ketika konstruk yang diukur terdiri dari beberapa indikator atau item yang saling berhubungan.
Reliabilitas Komposit untuk konstruk arahan sebesar
## [1] 0.9149066Reliabilitas Omega dan AVE
Reliabilitas Omega dan Average Variance Extracted (AVE) adalah dua konsep yang digunakan dalam analisis faktor dan validitas konstruk dalam riset sosial dan ilmu perilaku. Kedua metrik ini membantu mengukur keandalan dan validitas dari konstruk yang diukur dengan menggunakan kuesioner atau skala.
Reliabilitas Omega:
Reliabilitas Omega adalah sebuah indeks yang digunakan untuk mengukur keandalan internal dari sebuah konstruk atau dimensi. Hal ini penting karena keandalan internal menunjukkan sejauh mana item-item dalam konstruk yang diukur konsisten dalam mengukur suatu variabel yang sama. Reliabilitas Omega memiliki beberapa varian, seperti Omega Total (Omega total), Omega Hierarchy (Omega h), dan Omega Subscale (Omega s), yang masing-masing memberikan estimasi keandalan internal yang berbeda dalam konteks yang berbeda pula.
Nilai reliabilitas Omega berkisar antara 0 hingga 1. Semakin tinggi nilai Omega, semakin tinggi keandalan internal konstruk tersebut. Nilai di atas 0,7 dianggap cukup baik, meskipun standar yang diterima secara umum dapat bervariasi tergantung pada konteks penelitian dan disiplin ilmu tertentu.
Average Variance Extracted (AVE):
Average Variance Extracted (AVE) adalah metrik yang digunakan untuk mengukur validitas konstruk dalam analisis faktor konfirmatori atau pemodelan persamaan struktural. AVE mengukur sejauh mana varian dari indikator-indikator atau item-item yang diukur oleh suatu konstruk dapat dijelaskan oleh konstruk tersebut. AVE dihitung dengan cara menjumlahkan semua koefisien validitas konstruk yang dihasilkan dari analisis faktor konfirmatori, kemudian membaginya dengan jumlah total indikator atau item-item yang diukur. Nilai AVE berkisar antara 0 hingga 1, dan semakin tinggi nilainya, semakin baik validitas konstruk tersebut.
Sebagai aturan umum, nilai AVE yang diterima dengan baik adalah 0,5 atau lebih tinggi. Nilai AVE yang lebih rendah menunjukkan bahwa konstruk mungkin tidak memiliki validitas yang memadai dan mungkin perlu diperbaiki atau direvisi.
## $cov
## item1 item2 item3 item4 item5 item6 item7 item8 item9 item10
## item1 0.357
## item2 -0.286 0.779
## item3 -0.307 0.465 0.824
## item4 -0.243 0.368 0.395 0.577
## item5 -0.293 0.445 0.476 0.378 0.802
## item6 -0.165 0.250 0.268 0.212 0.256 0.359
## item7 -0.128 0.194 0.208 0.165 0.199 0.112 0.331
## item8 -0.106 0.160 0.172 0.136 0.164 0.092 0.072 0.302
## item9 -0.155 0.235 0.252 0.200 0.241 0.136 0.105 0.087 0.315
## item10 -0.168 0.254 0.272 0.216 0.260 0.146 0.114 0.094 0.138 0.351
## item11 -0.203 0.308 0.330 0.262 0.316 0.178 0.138 0.114 0.167 0.180
## item12 -0.234 0.355 0.380 0.301 0.364 0.204 0.159 0.131 0.192 0.208
## item13 -0.237 0.360 0.385 0.305 0.369 0.207 0.161 0.133 0.195 0.210
## item14 -0.246 0.373 0.400 0.317 0.382 0.215 0.167 0.138 0.202 0.218
## item15 -0.287 0.434 0.465 0.369 0.445 0.250 0.195 0.160 0.235 0.254
## item11 item12 item13 item14 item15
## item1
## item2
## item3
## item4
## item5
## item6
## item7
## item8
## item9
## item10
## item11 0.409
## item12 0.252 0.450
## item13 0.255 0.294 0.535
## item14 0.265 0.305 0.309 0.557
## item15 0.308 0.355 0.360 0.374 0.668## Arahan
## alpha 0.8981735
## omega 0.9237433
## omega2 0.9237433
## omega3 0.9255055
## avevar 0.5275208