SEM Analysis dengan R Studio
Prof Dr Suhartono M.Kom UIN Maulana Malik Ibrahim Malang
1/5/2022
Salah satu kelebihan SEM adalah kemampuannya untuk melakukan pengukuran pada faktor (disebut juga latent variable/latent construct) berdasarkan beberapa variabel yang diukur (Chin, 1998). Hal tersebut juga membedakan SEM dengan regresi linier.
Salah satu kelebihan SEM adalah kemampuannya untuk melakukan pengukuran pada faktor (disebut juga latent variable/latent construct) berdasarkan beberapa variabel yang diukur. Hal tersebut juga membedakan SEM dengan regresi linier.
Salah satu aplikasi yang sekarang dapat digunakan untuk pengolahan SEM adalah R, khususnya modul lavaan. R menjadi salah satu pilihan aplikasi untuk mengolah data secara statistik yang menarik karena sifatnya yang tidak berbayar. Pada tutorial ini akan dibahas langkah-langkah yang dibutuhkan untuk analisis data SEM dengan menggunakan modul tersebut. Sebagai persiapan, aplikasi yang sudah harus diinstall adalah R dan Rstudio.
SEM-Covariance Based VS SEM PLS Secara umum, berdasarkan metode yang digunakan untuk menjelaskan variansi data, terdapat dua jenis metode SEM yaitu 1) SEM covariance based (SEM CB), dan 2) SEM Partial Least Squares technique (SEM PLS). SEM CB lebih popular daripada SEM PLS. Hal ini dikarenakan selain SEM CB ditemukan terlebih dahulu sehingga lebih diterima banyak kalangan, SEM CB juga mengkonfirmasi teori berdasarkan data yang didapatkan (Chin, 1998). Hal tersebut menyebabkan seringkali SEM CB lebih disukai oleh editor atau reviewer jurnal-jurnal sistem informasi terkemuka. Akan tetapi, untuk dapat melakukan analisis dengan SEM CB, dibutuhkan data yang cukup banyak. Setidaknya dibutuhkan 5 responden untuk satu variabel yang digunakan, bahkan ada yang menyarankan hingga 20 responden untu satu variabel (Hair et al., 2006). Selain itu, data yang digunakan juga harus berdistribusi normal. Selain itu, pada SEM CB, construct latent yang dapat diukur adalah variabel dengan indikator reflective (seluruh pertanyaannya mengukur satu dimensi yang sama). Jika data yang didapat sedikit, tidak normal, dan variabel indikator yang digunakan bukan reflective, SEM PLS dapat digunakan (F. Hair Jr et al., 2014). Seringkali seorang peneliti dihadapkan pada kesulitan pencarian data. Hal lain yang dirasakan sebagai keterbatasan peneliti adalah peneliti tidak punya kontrol pada data yang diambil sehingga kondisi data normal, bisa saja tidak tercapai. Oleh karena kondisi tersebut, banyak penelitian yang memilih menggunakan SEM PLS. Berikut adalah istilah-istilah yang sering muncul atau digunakan pada SEM: 1. Path diagram. Path diagram adalah penggambaran visual hubungan antar construct. Pada path diagram, hubungan antar diasumsikan linier. 2. Construct/Konstruk/Variabel laten. Construct adalah istilah yang digunakan untuk menggambarkan konsep. Konsep dapat berupa hal yang sederhana, seperti umur, jenis kelamin, dan pendidikan. Namun juga dapat berupa konsep yang kompleks, misal: pengetahuan, penggunaan sosial media, dan efisiensi. 3. Variabel indikator. Variabel indikator adalah alat yang digunakan untuk mengukur suatu konsep atau construct. 4. Exogenous Construct/Variabel Independent/Variabel Indikator. Construct yang tidak disebabkan atau diprediksikan oleh construct lain. 5. Endogenous Construct/Variabel Dependent. Construct yang disebabkan atau diprediksikan oleh construct lain. Misal, diduga durasi belajar berpengaruh pada keberhasilan belajar. Pada dugaan tersebut, maka durasi belajar adalah variabel independent dan keberhasilan belajar adalah variabel dependent.
R Modul Lavaan Module Lavaan adalah modul open source yang dikembangkan pendamping R. Lavaan dapat digunakan untuk mengolah multivariate model termasuk analisis path, confirmatory factor analysis dan SEM (Rosseel, 2012). Informasi penggunaan Lavaan lebih detail dapat dilihat di: https://lavaan.ugent.be/tutorial/index.html.
Pada dasarnya, R hanya menyediakan hasil yang diminta oleh pengguna. Berbeda dengan perangkat lunak sejenis lainnya dimana seluruh hasil analisis ditampilkan pada satu laporan.Oleh karena itu, berapa banyak hasil analisis yang ditampilkan akan bergantung pada kelengkapan syntax yang digunakan. Tabel 1 merupakan daftar syntax yang dapat digunakan pada modul Lavaan. Tidak seluruh syntax yang ada di Lavaan, tetapi syntax tersebut cukup digunakan untuk pemula.
Syntax Kegunaan cfa() : Melakukan analisis confirmatory factor analysis sem() : Melakukan analisis SEM summary() : Menampilkan hasil panjang analisis show() : Menampilkan hasil singkat analisis modificationindices() Menampilkan modifikasi yang dapat dilakukan pada model untuk meningkatkan hasil penilaian model
ANALISIS MENGGUNAKAN LAVAAN Hal pertama yang dilakukan untuk memulai pengolahan data adalah memasukkan data ke dalam RStudio. Berbagai format data dapat dimasukkan kedalam RStudio misalnya format SPSS, text, Excel, dan SAS. Pada contoh ini, digunakan format data dalam bentuk text. Jika data dimasukkan dalam bentuk teks, maka baris pertama diisi nama variabel yang akan diolah.
#Panggil Data dari Folder
library(haven)## Warning: package 'haven' was built under R version 4.1.2ZAKAT <- read_sav("ZAKAT.sav")#Tampilkan Tabel Data
View(ZAKAT)Memasukkan Model Path Untuk menspesifikasikan model SEM pada R, terdapat beberapa operator yang harus diketahui (Tabel 2). Berdasarkan tabel tersebut, misal terdapat sebuah konstruk A yang diukur dengan tiga pertanyaan, maka model akan dinyatakan sebagai berikut: „A =~ pertanyaan1+pertanyaan2+pertanyaan3‟.
- Tabel 2. Operator pada R
: Operasi regresi + : Digunakan untuk memisahkan variabel independent =~ : Digunakan untuk menunjukkan sebuah konsep/konstruk diukur dengan variabel bebas sebagai berikut ~~ : Berkorelasi dengan ’ : Mengawali pernyataan model jika di awal, mengakhiri pernyataan model jika di akhir # : Komentar
Harus diingat bahwa SEM biasanya digunakan untuk mengkonfirmasi suatu teori, sehingga model yang dibuat harus berdasarkan teori.
#Spesifikasi Structural Equoation Modeling (SEM)
library(lavaan)## Warning: package 'lavaan' was built under R version 4.1.2## This is lavaan 0.6-9
## lavaan is FREE software! Please report any bugs.MODEL <- '
# measurement model
NP=~NP1+NP2+NP3+NP4
SZ=~SZ1+SZ2+SZ3
NS=~NS1+NS2+NS3
NZ=~NZ1+NZ2+NZ3
KP=~KP1+KP2+KP3
# regressions
NZ ~ SZ + KP+NS
SZ ~ NP
'Confirmatory Factor Analysis (CFA) Suatu variabel dikatakan baik dengan indikator salah satunya factor loading yang lebih besar dari 0.5 (Hair et al., 2006). Factor loading dapat diketahui melalui CFA. Pada modul Lavaan, melakukan CFA cukup sederhana. Hal yang harus dilakukan adalah memasukkan dahulu model path CFA lalu baru menggunakan syntax cfa() untuk menganalis data berdasarkan model path yang dimasukkan. Pertama, menentukan model CFA-nya. CFA digunakan untuk mengetahui apakah beberapa variabel indikator mewakili sebuah construct. Misal, ada sebuah construct/konsep dinamakan “keaktifan berpartisipasi di sosial media (AP)” (Gharib, Philpott and Duan, 2017).
# specify the model cfa
SDL.model <- 'NP=~NP1+NP2+NP3+NP4'
# fit the model
fit <- cfa(SDL.model, data=ZAKAT)
summary(fit, standardized=TRUE)## lavaan 0.6-9 ended normally after 21 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 8
##
## Number of observations 160
##
## Model Test User Model:
##
## Test statistic 0.565
## Degrees of freedom 2
## P-value (Chi-square) 0.754
##
## 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
## NP =~
## NP1 1.000 0.759 0.908
## NP2 0.995 0.060 16.625 0.000 0.755 0.888
## NP3 0.881 0.058 15.169 0.000 0.668 0.849
## NP4 0.918 0.062 14.837 0.000 0.696 0.840
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .NP1 0.123 0.022 5.626 0.000 0.123 0.176
## .NP2 0.153 0.024 6.296 0.000 0.153 0.212
## .NP3 0.173 0.024 7.135 0.000 0.173 0.279
## .NP4 0.202 0.028 7.273 0.000 0.202 0.294
## NP 0.576 0.079 7.311 0.000 1.000 1.000Hasilnya dapat dilihat pada tabel di bawah. Besar loading masing-masing indikator ditunjukkan pada hasil latent variables di bawah kolom std.all. Pada tabel di bawah, angka tersebut dipertebal dengan sengaja untuk mempermudah pencarian. Namun harus diingat, pada hasil di R, tidak ada angka yang ditulis tebal.
Berdasarkan angka dibawah, maka dapat diketahui bahwa standardized factor loading untuk NP1 = 0.908, NP2=0.888, dan seterusnya. Sedangkan standard error dapat dilihat pada hasil variances. Berdasarkan angka dibawah, maka dapat diketahui bahwa error untuk NP1 = 0.176, Np2=0.212, dan seterusnya.
Karena factor loading untuk masing-masing indikator nilainya lebih dari 0,5 maka indikator kemungkinan merupakan alat ukur yang cukup/memuaskan. Akan tetapi, patut disadari, factor loading bukanlah satu-satunya indikator. Seringkali dibutuhkan lebih dari satu indikator, (Hair et al., 2006) misalnya nilai composite reliability, average variance extracted, dan lain-lain yang tidak dibahas pada tutorial ini.
Analisis Path Model Pada bagian ini dibahas tentang cara memperoleh hasil analisis SEM. Contoh yang digunakan masih tetap sama, yaitu contoh pada Gambar 5. Setelah dilakukan pengecekan validitas dan reliabilitas serta uji asumsi pada variabel indikator dan konstruk (tidak dibahas seluruhnya di tutorial ini), barulah analisis SEM dapat dilakukan. Analisis SEM terdiri dari dua tahap. Pertama, spesifikasi model. Tuliskan syntax pada Kode 1 di layar 3 pada Rstudio (bagian console), tekan enter. Untuk kemudahan, syntax dapat ditulis terlebih dahulu di notepad baru di copy and paste pada console. Selanjutnya memerintahkan pada R untuk melakukan analisis SEM dengan memasukkan syntax berikut (Kode 3). Perintah yang dituliskan dapat dibaca sebagai berikut: 1) masukkan data bernama SDL ke model bernama model lalu lakukan pengolahan sem dan masukkan hasil ke variabel fit2 (nama model harus disesuaikan dengan variabel dimana data model di-setting, pada contoh ini, sesuai isi Kode 1, nama variabel yang digunakan „model‟); 2) tampilkan ringkasan hasil dengan menampilkan nilai perhitungan (fit.measure) dan hasil standardized.
#Model Fit yang diminta
fitsem<-sem(MODEL,data = ZAKAT) #Melakukan SEM Analysis
summary(fitsem, fit.measures=TRUE, standardized=TRUE,rsquare=TRUE) ## lavaan 0.6-9 ended normally after 51 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 39
##
## Number of observations 160
##
## Model Test User Model:
##
## Test statistic 156.621
## Degrees of freedom 97
## P-value (Chi-square) 0.000
##
## Model Test Baseline Model:
##
## Test statistic 1995.029
## Degrees of freedom 120
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.968
## Tucker-Lewis Index (TLI) 0.961
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -2159.164
## Loglikelihood unrestricted model (H1) -2080.853
##
## Akaike (AIC) 4396.327
## Bayesian (BIC) 4516.259
## Sample-size adjusted Bayesian (BIC) 4392.799
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.062
## 90 Percent confidence interval - lower 0.043
## 90 Percent confidence interval - upper 0.079
## P-value RMSEA <= 0.05 0.134
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.089
##
## 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
## NP =~
## NP1 1.000 0.759 0.908
## NP2 0.988 0.060 16.521 0.000 0.749 0.881
## NP3 0.881 0.058 15.293 0.000 0.669 0.850
## NP4 0.923 0.061 15.121 0.000 0.700 0.845
## SZ =~
## SZ1 1.000 0.733 0.898
## SZ2 1.014 0.065 15.485 0.000 0.742 0.902
## SZ3 0.909 0.067 13.532 0.000 0.666 0.822
## NS =~
## NS1 1.000 0.722 0.894
## NS2 0.985 0.068 14.487 0.000 0.712 0.881
## NS3 0.755 0.068 11.059 0.000 0.545 0.736
## NZ =~
## NZ1 1.000 0.787 0.926
## NZ2 0.858 0.062 13.881 0.000 0.675 0.840
## NZ3 0.776 0.065 11.970 0.000 0.610 0.764
## KP =~
## KP1 1.000 0.507 0.736
## KP2 1.404 0.133 10.598 0.000 0.712 0.881
## KP3 1.361 0.130 10.439 0.000 0.690 0.859
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## NZ ~
## SZ 0.274 0.075 3.655 0.000 0.255 0.255
## KP 0.393 0.149 2.644 0.008 0.253 0.253
## NS 0.432 0.105 4.127 0.000 0.397 0.397
## SZ ~
## NP 0.385 0.079 4.872 0.000 0.399 0.399
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## NP ~~
## NS 0.341 0.057 6.005 0.000 0.623 0.623
## KP 0.198 0.040 4.927 0.000 0.516 0.516
## NS ~~
## KP 0.233 0.042 5.558 0.000 0.635 0.635
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .NP1 0.123 0.021 5.817 0.000 0.123 0.176
## .NP2 0.162 0.024 6.625 0.000 0.162 0.224
## .NP3 0.172 0.024 7.227 0.000 0.172 0.278
## .NP4 0.196 0.027 7.294 0.000 0.196 0.286
## .SZ1 0.128 0.026 4.993 0.000 0.128 0.193
## .SZ2 0.126 0.026 4.855 0.000 0.126 0.187
## .SZ3 0.213 0.030 7.119 0.000 0.213 0.325
## .NS1 0.131 0.027 4.937 0.000 0.131 0.200
## .NS2 0.146 0.027 5.396 0.000 0.146 0.224
## .NS3 0.252 0.032 7.833 0.000 0.252 0.458
## .NZ1 0.103 0.029 3.521 0.000 0.103 0.142
## .NZ2 0.190 0.030 6.434 0.000 0.190 0.295
## .NZ3 0.265 0.035 7.615 0.000 0.265 0.416
## .KP1 0.217 0.029 7.600 0.000 0.217 0.458
## .KP2 0.146 0.031 4.775 0.000 0.146 0.223
## .KP3 0.169 0.031 5.455 0.000 0.169 0.262
## NP 0.576 0.079 7.331 0.000 1.000 1.000
## .SZ 0.451 0.065 6.907 0.000 0.841 0.841
## NS 0.522 0.075 6.974 0.000 1.000 1.000
## .NZ 0.315 0.049 6.365 0.000 0.509 0.509
## KP 0.257 0.049 5.195 0.000 1.000 1.000
##
## R-Square:
## Estimate
## NP1 0.824
## NP2 0.776
## NP3 0.722
## NP4 0.714
## SZ1 0.807
## SZ2 0.813
## SZ3 0.675
## NS1 0.800
## NS2 0.776
## NS3 0.542
## NZ1 0.858
## NZ2 0.705
## NZ3 0.584
## KP1 0.542
## KP2 0.777
## KP3 0.738
## SZ 0.159
## NZ 0.491fitcfa<-cfa(MODEL,data = ZAKAT) #Melakukan Confirmatory Factor Analysis#Laporan Awal Fit Model
fitsem## lavaan 0.6-9 ended normally after 51 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 39
##
## Number of observations 160
##
## Model Test User Model:
##
## Test statistic 156.621
## Degrees of freedom 97
## P-value (Chi-square) 0.000fitcfa## lavaan 0.6-9 ended normally after 51 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 39
##
## Number of observations 160
##
## Model Test User Model:
##
## Test statistic 156.621
## Degrees of freedom 97
## P-value (Chi-square) 0.000#Hasil Panjang Analysis
summary(fitsem,standardized=TRUE)## lavaan 0.6-9 ended normally after 51 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 39
##
## Number of observations 160
##
## Model Test User Model:
##
## Test statistic 156.621
## Degrees of freedom 97
## P-value (Chi-square) 0.000
##
## 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
## NP =~
## NP1 1.000 0.759 0.908
## NP2 0.988 0.060 16.521 0.000 0.749 0.881
## NP3 0.881 0.058 15.293 0.000 0.669 0.850
## NP4 0.923 0.061 15.121 0.000 0.700 0.845
## SZ =~
## SZ1 1.000 0.733 0.898
## SZ2 1.014 0.065 15.485 0.000 0.742 0.902
## SZ3 0.909 0.067 13.532 0.000 0.666 0.822
## NS =~
## NS1 1.000 0.722 0.894
## NS2 0.985 0.068 14.487 0.000 0.712 0.881
## NS3 0.755 0.068 11.059 0.000 0.545 0.736
## NZ =~
## NZ1 1.000 0.787 0.926
## NZ2 0.858 0.062 13.881 0.000 0.675 0.840
## NZ3 0.776 0.065 11.970 0.000 0.610 0.764
## KP =~
## KP1 1.000 0.507 0.736
## KP2 1.404 0.133 10.598 0.000 0.712 0.881
## KP3 1.361 0.130 10.439 0.000 0.690 0.859
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## NZ ~
## SZ 0.274 0.075 3.655 0.000 0.255 0.255
## KP 0.393 0.149 2.644 0.008 0.253 0.253
## NS 0.432 0.105 4.127 0.000 0.397 0.397
## SZ ~
## NP 0.385 0.079 4.872 0.000 0.399 0.399
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## NP ~~
## NS 0.341 0.057 6.005 0.000 0.623 0.623
## KP 0.198 0.040 4.927 0.000 0.516 0.516
## NS ~~
## KP 0.233 0.042 5.558 0.000 0.635 0.635
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .NP1 0.123 0.021 5.817 0.000 0.123 0.176
## .NP2 0.162 0.024 6.625 0.000 0.162 0.224
## .NP3 0.172 0.024 7.227 0.000 0.172 0.278
## .NP4 0.196 0.027 7.294 0.000 0.196 0.286
## .SZ1 0.128 0.026 4.993 0.000 0.128 0.193
## .SZ2 0.126 0.026 4.855 0.000 0.126 0.187
## .SZ3 0.213 0.030 7.119 0.000 0.213 0.325
## .NS1 0.131 0.027 4.937 0.000 0.131 0.200
## .NS2 0.146 0.027 5.396 0.000 0.146 0.224
## .NS3 0.252 0.032 7.833 0.000 0.252 0.458
## .NZ1 0.103 0.029 3.521 0.000 0.103 0.142
## .NZ2 0.190 0.030 6.434 0.000 0.190 0.295
## .NZ3 0.265 0.035 7.615 0.000 0.265 0.416
## .KP1 0.217 0.029 7.600 0.000 0.217 0.458
## .KP2 0.146 0.031 4.775 0.000 0.146 0.223
## .KP3 0.169 0.031 5.455 0.000 0.169 0.262
## NP 0.576 0.079 7.331 0.000 1.000 1.000
## .SZ 0.451 0.065 6.907 0.000 0.841 0.841
## NS 0.522 0.075 6.974 0.000 1.000 1.000
## .NZ 0.315 0.049 6.365 0.000 0.509 0.509
## KP 0.257 0.049 5.195 0.000 1.000 1.000summary(fitcfa,standardized=TRUE)## lavaan 0.6-9 ended normally after 51 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 39
##
## Number of observations 160
##
## Model Test User Model:
##
## Test statistic 156.621
## Degrees of freedom 97
## P-value (Chi-square) 0.000
##
## 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
## NP =~
## NP1 1.000 0.759 0.908
## NP2 0.988 0.060 16.521 0.000 0.749 0.881
## NP3 0.881 0.058 15.293 0.000 0.669 0.850
## NP4 0.923 0.061 15.121 0.000 0.700 0.845
## SZ =~
## SZ1 1.000 0.733 0.898
## SZ2 1.014 0.065 15.485 0.000 0.742 0.902
## SZ3 0.909 0.067 13.532 0.000 0.666 0.822
## NS =~
## NS1 1.000 0.722 0.894
## NS2 0.985 0.068 14.487 0.000 0.712 0.881
## NS3 0.755 0.068 11.059 0.000 0.545 0.736
## NZ =~
## NZ1 1.000 0.787 0.926
## NZ2 0.858 0.062 13.881 0.000 0.675 0.840
## NZ3 0.776 0.065 11.970 0.000 0.610 0.764
## KP =~
## KP1 1.000 0.507 0.736
## KP2 1.404 0.133 10.598 0.000 0.712 0.881
## KP3 1.361 0.130 10.439 0.000 0.690 0.859
##
## Regressions:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## NZ ~
## SZ 0.274 0.075 3.655 0.000 0.255 0.255
## KP 0.393 0.149 2.644 0.008 0.253 0.253
## NS 0.432 0.105 4.127 0.000 0.397 0.397
## SZ ~
## NP 0.385 0.079 4.872 0.000 0.399 0.399
##
## Covariances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## NP ~~
## NS 0.341 0.057 6.005 0.000 0.623 0.623
## KP 0.198 0.040 4.927 0.000 0.516 0.516
## NS ~~
## KP 0.233 0.042 5.558 0.000 0.635 0.635
##
## Variances:
## Estimate Std.Err z-value P(>|z|) Std.lv Std.all
## .NP1 0.123 0.021 5.817 0.000 0.123 0.176
## .NP2 0.162 0.024 6.625 0.000 0.162 0.224
## .NP3 0.172 0.024 7.227 0.000 0.172 0.278
## .NP4 0.196 0.027 7.294 0.000 0.196 0.286
## .SZ1 0.128 0.026 4.993 0.000 0.128 0.193
## .SZ2 0.126 0.026 4.855 0.000 0.126 0.187
## .SZ3 0.213 0.030 7.119 0.000 0.213 0.325
## .NS1 0.131 0.027 4.937 0.000 0.131 0.200
## .NS2 0.146 0.027 5.396 0.000 0.146 0.224
## .NS3 0.252 0.032 7.833 0.000 0.252 0.458
## .NZ1 0.103 0.029 3.521 0.000 0.103 0.142
## .NZ2 0.190 0.030 6.434 0.000 0.190 0.295
## .NZ3 0.265 0.035 7.615 0.000 0.265 0.416
## .KP1 0.217 0.029 7.600 0.000 0.217 0.458
## .KP2 0.146 0.031 4.775 0.000 0.146 0.223
## .KP3 0.169 0.031 5.455 0.000 0.169 0.262
## NP 0.576 0.079 7.331 0.000 1.000 1.000
## .SZ 0.451 0.065 6.907 0.000 0.841 0.841
## NS 0.522 0.075 6.974 0.000 1.000 1.000
## .NZ 0.315 0.049 6.365 0.000 0.509 0.509
## KP 0.257 0.049 5.195 0.000 1.000 1.000#Menampilkan Hasil Analysa Pendek
show(fitsem)## lavaan 0.6-9 ended normally after 51 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 39
##
## Number of observations 160
##
## Model Test User Model:
##
## Test statistic 156.621
## Degrees of freedom 97
## P-value (Chi-square) 0.000show(fitcfa)## lavaan 0.6-9 ended normally after 51 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 39
##
## Number of observations 160
##
## Model Test User Model:
##
## Test statistic 156.621
## Degrees of freedom 97
## P-value (Chi-square) 0.000Untuk mengetahui apakah data yang didapat mengkonfirmasi model (goodness of fit criteria), bagian yang harus dilihat adalah informasi di bagian kedua setelah informasi deskripsi jumlah responden. Terdapat berbagai kriteria yang dapat dirujuk. Contoh kriteria tersebut misalnya: Comparative Fit Index, Tucker-Lewis Index, dan RMSEA. Rule of thumb yang biasanya dipakai disajikan pada Tabel 5 (Hair et al., 2006). Berdasarkan rule of thumb pada Tabel 5, dapat disimpulkan bahwa data mengkonfirmasi model yang diusulkan.
Tabel 5. Kriteria yang biasanya digunakan Kriteria Dianggap baik jika CFI, TLI > 0.90 RMSEA, RMSR < 0.08
#Menampilkan Modifikasi yang dilakukan RStudio pada Model
modindices(fitsem,sort. = TRUE)## lhs op rhs mi epc sepc.lv sepc.all sepc.nox
## 193 NS1 ~~ NS2 20.310 0.178 0.178 1.285 1.285
## 228 KP2 ~~ KP3 20.244 0.214 0.214 1.367 1.367
## 93 NZ =~ KP1 15.888 0.273 0.215 0.312 0.312
## 54 NP =~ KP1 15.125 0.261 0.198 0.288 0.288
## 238 SZ ~ KP 12.320 0.500 0.346 0.346 0.346
## 229 NP ~~ SZ 10.394 -0.180 -0.352 -0.352 -0.352
## 249 NP ~ SZ 10.394 -0.398 -0.384 -0.384 -0.384
## 235 NZ ~~ KP 9.704 -0.347 -1.219 -1.219 -1.219
## 232 SZ ~~ NZ 9.704 -0.362 -0.961 -0.961 -0.961
## 236 NZ ~ NP 9.704 0.310 0.299 0.299 0.299
## 230 NP ~~ NZ 9.704 0.105 0.246 0.246 0.246
## 234 NS ~~ NZ 9.704 -0.202 -0.498 -0.498 -0.498
## 201 NS2 ~~ NS3 9.247 -0.080 -0.080 -0.414 -0.414
## 226 KP1 ~~ KP2 8.463 -0.088 -0.088 -0.493 -0.493
## 95 NZ =~ KP3 8.189 -0.213 -0.168 -0.209 -0.209
## 186 SZ3 ~~ NS3 8.093 -0.061 -0.061 -0.262 -0.262
## 233 SZ ~~ KP 7.301 0.066 0.195 0.195 0.195
## 241 KP ~ SZ 7.301 0.147 0.212 0.212 0.212
## 92 NZ =~ NS3 7.179 0.208 0.164 0.221 0.221
## 80 NS =~ KP1 7.027 0.222 0.160 0.233 0.233
## 170 SZ1 ~~ NZ3 6.870 0.051 0.051 0.275 0.275
## 239 SZ ~ NS 6.689 0.286 0.282 0.282 0.282
## 67 SZ =~ KP1 6.442 0.148 0.108 0.157 0.157
## 218 NZ1 ~~ KP3 6.306 -0.046 -0.046 -0.348 -0.348
## 50 NP =~ NS3 6.253 0.199 0.151 0.204 0.204
## 172 SZ1 ~~ KP2 6.117 0.042 0.042 0.307 0.307
## 48 NP =~ NS1 5.884 -0.190 -0.144 -0.178 -0.178
## 169 SZ1 ~~ NZ2 5.554 -0.041 -0.041 -0.260 -0.260
## 184 SZ3 ~~ NS1 5.385 0.042 0.042 0.254 0.254
## 105 KP =~ NS3 5.163 0.288 0.146 0.197 0.197
## 248 NP ~ NZ 5.132 0.233 0.242 0.242 0.242
## 144 NP3 ~~ NS3 4.928 0.043 0.043 0.205 0.205
## 90 NZ =~ NS1 4.759 -0.165 -0.130 -0.160 -0.160
## 181 SZ2 ~~ KP1 4.550 0.038 0.038 0.227 0.227
## 177 SZ2 ~~ NS3 4.265 0.039 0.039 0.217 0.217
## 82 NS =~ KP3 4.216 -0.194 -0.140 -0.175 -0.175
## 149 NP3 ~~ KP2 4.002 -0.035 -0.035 -0.220 -0.220
## 55 NP =~ KP2 3.610 -0.138 -0.105 -0.130 -0.130
## 189 SZ3 ~~ NZ3 3.582 -0.042 -0.042 -0.176 -0.176
## 116 NP1 ~~ NS2 3.272 -0.028 -0.028 -0.210 -0.210
## 56 NP =~ KP3 3.181 -0.129 -0.098 -0.122 -0.122
## 244 NS ~ NZ 3.060 -0.278 -0.303 -0.303 -0.303
## 237 SZ ~ NZ 3.015 0.265 0.285 0.285 0.285
## 129 NP2 ~~ NS1 2.812 -0.028 -0.028 -0.191 -0.191
## 58 SZ =~ NP2 2.803 -0.098 -0.072 -0.084 -0.084
## 108 KP =~ NZ3 2.741 0.197 0.100 0.125 0.125
## 148 NP3 ~~ KP1 2.698 0.030 0.030 0.153 0.153
## 158 NP4 ~~ NZ2 2.685 0.031 0.031 0.159 0.159
## 175 SZ2 ~~ NS1 2.525 -0.026 -0.026 -0.199 -0.199
## 214 NZ1 ~~ NZ2 2.499 0.072 0.072 0.514 0.514
## 211 NS3 ~~ KP1 2.464 0.033 0.033 0.141 0.141
## 164 SZ1 ~~ SZ3 2.364 0.074 0.074 0.448 0.448
## 182 SZ2 ~~ KP2 2.293 -0.026 -0.026 -0.190 -0.190
## 53 NP =~ NZ3 2.237 0.106 0.080 0.101 0.101
## 141 NP3 ~~ SZ3 2.160 -0.027 -0.027 -0.141 -0.141
## 126 NP2 ~~ SZ1 2.131 -0.024 -0.024 -0.164 -0.164
## 171 SZ1 ~~ KP1 2.101 -0.025 -0.025 -0.152 -0.152
## 65 SZ =~ NZ2 2.087 -0.093 -0.068 -0.085 -0.085
## 79 NS =~ NZ3 2.061 0.128 0.093 0.116 0.116
## 86 NZ =~ NP4 2.052 0.086 0.068 0.082 0.082
## 203 NS2 ~~ NZ2 2.033 -0.026 -0.026 -0.154 -0.154
## 195 NS1 ~~ NZ1 2.014 -0.024 -0.024 -0.208 -0.208
## 225 NZ3 ~~ KP3 1.888 0.029 0.029 0.139 0.139
## 73 NS =~ NP4 1.884 0.106 0.076 0.092 0.092
## 103 KP =~ NS1 1.882 -0.173 -0.088 -0.109 -0.109
## 64 SZ =~ NZ1 1.800 0.090 0.066 0.078 0.078
## 63 SZ =~ NS3 1.799 0.084 0.062 0.083 0.083
## 216 NZ1 ~~ KP1 1.741 0.024 0.024 0.161 0.161
## 106 KP =~ NZ1 1.724 -0.155 -0.079 -0.093 -0.093
## 119 NP1 ~~ NZ2 1.710 -0.021 -0.021 -0.140 -0.140
## 180 SZ2 ~~ NZ3 1.667 -0.025 -0.025 -0.137 -0.137
## 57 SZ =~ NP1 1.641 0.069 0.051 0.061 0.061
## 71 NS =~ NP2 1.639 -0.095 -0.068 -0.080 -0.080
## 205 NS2 ~~ KP1 1.622 -0.023 -0.023 -0.131 -0.131
## 77 NS =~ NZ1 1.573 -0.115 -0.083 -0.098 -0.098
## 47 NP =~ SZ3 1.443 -0.074 -0.056 -0.070 -0.070
## 115 NP1 ~~ NS1 1.438 0.018 0.018 0.145 0.145
## 76 NS =~ SZ3 1.411 0.073 0.053 0.065 0.065
## 118 NP1 ~~ NZ1 1.326 0.018 0.018 0.158 0.158
## 121 NP1 ~~ KP1 1.324 0.019 0.019 0.118 0.118
## 52 NP =~ NZ2 1.302 0.074 0.056 0.070 0.070
## 46 NP =~ SZ2 1.287 0.064 0.049 0.059 0.059
## 113 NP1 ~~ SZ2 1.221 0.017 0.017 0.133 0.133
## 130 NP2 ~~ NS2 1.184 0.018 0.018 0.119 0.119
## 231 SZ ~~ NS 1.175 0.035 0.072 0.072 0.072
## 245 NS ~ SZ 1.175 0.078 0.079 0.079 0.079
## 135 NP2 ~~ KP1 1.172 -0.020 -0.020 -0.105 -0.105
## 185 SZ3 ~~ NS2 1.142 0.020 0.020 0.113 0.113
## 209 NS3 ~~ NZ2 1.103 0.022 0.022 0.099 0.099
## 70 NS =~ NP1 1.076 -0.072 -0.052 -0.062 -0.062
## 207 NS2 ~~ KP3 1.074 0.019 0.019 0.121 0.121
## 133 NP2 ~~ NZ2 1.019 0.018 0.018 0.102 0.102
## 208 NS3 ~~ NZ1 0.975 0.019 0.019 0.120 0.120
## 162 NP4 ~~ KP3 0.963 -0.019 -0.019 -0.102 -0.102
## 188 SZ3 ~~ NZ2 0.949 0.019 0.019 0.095 0.095
## 142 NP3 ~~ NS1 0.935 -0.016 -0.016 -0.106 -0.106
## 96 KP =~ NP1 0.907 -0.084 -0.043 -0.051 -0.051
## 147 NP3 ~~ NZ3 0.875 0.019 0.019 0.087 0.087
## 59 SZ =~ NP3 0.849 -0.053 -0.039 -0.049 -0.049
## 124 NP2 ~~ NP3 0.841 0.018 0.018 0.111 0.111
## 221 NZ2 ~~ KP2 0.807 -0.017 -0.017 -0.101 -0.101
## 89 NZ =~ SZ3 0.794 0.054 0.042 0.052 0.052
## 155 NP4 ~~ NS2 0.783 0.016 0.016 0.093 0.093
## 109 NP1 ~~ NP2 0.772 0.019 0.019 0.138 0.138
## 174 SZ2 ~~ SZ3 0.760 -0.043 -0.043 -0.261 -0.261
## 204 NS2 ~~ NZ3 0.756 0.018 0.018 0.089 0.089
## 217 NZ1 ~~ KP2 0.744 0.016 0.016 0.127 0.127
## 240 KP ~ NZ 0.684 0.142 0.221 0.221 0.221
## 68 SZ =~ KP2 0.673 0.047 0.034 0.043 0.043
## 178 SZ2 ~~ NZ1 0.628 0.013 0.013 0.114 0.114
## 210 NS3 ~~ NZ3 0.609 -0.018 -0.018 -0.070 -0.070
## 99 KP =~ NP4 0.603 0.077 0.039 0.047 0.047
## 213 NS3 ~~ KP3 0.571 -0.016 -0.016 -0.076 -0.076
## 200 NS1 ~~ KP3 0.554 -0.013 -0.013 -0.090 -0.090
## 131 NP2 ~~ NS3 0.550 -0.014 -0.014 -0.071 -0.071
## 152 NP4 ~~ SZ2 0.532 -0.013 -0.013 -0.079 -0.079
## 100 KP =~ SZ1 0.522 0.056 0.028 0.035 0.035
## 102 KP =~ SZ3 0.522 0.063 0.032 0.039 0.039
## 227 KP1 ~~ KP3 0.521 -0.021 -0.021 -0.109 -0.109
## 157 NP4 ~~ NZ1 0.501 -0.013 -0.013 -0.088 -0.088
## 123 NP1 ~~ KP3 0.501 -0.012 -0.012 -0.081 -0.081
## 110 NP1 ~~ NP3 0.494 -0.014 -0.014 -0.097 -0.097
## 220 NZ2 ~~ KP1 0.485 0.013 0.013 0.066 0.066
## 219 NZ2 ~~ NZ3 0.474 -0.021 -0.021 -0.092 -0.092
## 215 NZ1 ~~ NZ3 0.473 -0.025 -0.025 -0.152 -0.152
## 87 NZ =~ SZ1 0.425 -0.036 -0.028 -0.034 -0.034
## 168 SZ1 ~~ NZ1 0.414 -0.011 -0.011 -0.092 -0.092
## 45 NP =~ SZ1 0.400 -0.036 -0.027 -0.033 -0.033
## 85 NZ =~ NP3 0.399 0.036 0.028 0.036 0.036
## 187 SZ3 ~~ NZ1 0.395 0.012 0.012 0.079 0.079
## 192 SZ3 ~~ KP3 0.387 0.012 0.012 0.065 0.065
## 91 NZ =~ NS2 0.387 -0.047 -0.037 -0.046 -0.046
## 161 NP4 ~~ KP2 0.379 0.011 0.011 0.068 0.068
## 114 NP1 ~~ SZ3 0.370 -0.010 -0.010 -0.064 -0.064
## 137 NP2 ~~ KP3 0.367 0.011 0.011 0.066 0.066
## 212 NS3 ~~ KP2 0.365 0.012 0.012 0.064 0.064
## 69 SZ =~ KP3 0.363 -0.035 -0.026 -0.032 -0.032
## 101 KP =~ SZ2 0.343 0.045 0.023 0.028 0.028
## 84 NZ =~ NP2 0.341 -0.034 -0.026 -0.031 -0.031
## 125 NP2 ~~ NP4 0.308 -0.012 -0.012 -0.066 -0.066
## 122 NP1 ~~ KP2 0.300 -0.009 -0.009 -0.066 -0.066
## 72 NS =~ NP3 0.295 0.039 0.029 0.036 0.036
## 88 NZ =~ SZ2 0.288 0.030 0.023 0.028 0.028
## 224 NZ3 ~~ KP2 0.283 -0.011 -0.011 -0.057 -0.057
## 49 NP =~ NS2 0.244 -0.039 -0.029 -0.036 -0.036
## 60 SZ =~ NP4 0.238 -0.030 -0.022 -0.026 -0.026
## 97 KP =~ NP2 0.234 -0.046 -0.023 -0.027 -0.027
## 165 SZ1 ~~ NS1 0.216 0.007 0.007 0.057 0.057
## 190 SZ3 ~~ KP1 0.213 -0.009 -0.009 -0.043 -0.043
## 199 NS1 ~~ KP2 0.197 0.008 0.008 0.057 0.057
## 173 SZ1 ~~ KP3 0.155 -0.007 -0.007 -0.046 -0.046
## 179 SZ2 ~~ NZ2 0.144 0.007 0.007 0.042 0.042
## 176 SZ2 ~~ NS2 0.139 -0.006 -0.006 -0.045 -0.045
## 150 NP3 ~~ KP3 0.138 0.007 0.007 0.039 0.039
## 159 NP4 ~~ NZ3 0.130 0.008 0.008 0.033 0.033
## 146 NP3 ~~ NZ2 0.123 0.006 0.006 0.034 0.034
## 104 KP =~ NS2 0.119 -0.043 -0.022 -0.027 -0.027
## 139 NP3 ~~ SZ1 0.118 0.006 0.006 0.037 0.037
## 134 NP2 ~~ NZ3 0.117 -0.007 -0.007 -0.033 -0.033
## 163 SZ1 ~~ SZ2 0.113 -0.022 -0.022 -0.170 -0.170
## 154 NP4 ~~ NS1 0.111 -0.006 -0.006 -0.036 -0.036
## 160 NP4 ~~ KP1 0.082 0.005 0.005 0.027 0.027
## 166 SZ1 ~~ NS2 0.070 -0.004 -0.004 -0.032 -0.032
## 183 SZ2 ~~ KP3 0.067 0.005 0.005 0.031 0.031
## 151 NP4 ~~ SZ1 0.060 0.004 0.004 0.026 0.026
## 75 NS =~ SZ2 0.058 0.013 0.010 0.012 0.012
## 143 NP3 ~~ NS2 0.053 -0.004 -0.004 -0.024 -0.024
## 145 NP3 ~~ NZ1 0.050 -0.004 -0.004 -0.028 -0.028
## 127 NP2 ~~ SZ2 0.047 0.004 0.004 0.025 0.025
## 83 NZ =~ NP1 0.047 -0.011 -0.009 -0.011 -0.011
## 167 SZ1 ~~ NS3 0.046 0.004 0.004 0.022 0.022
## 132 NP2 ~~ NZ1 0.046 -0.004 -0.004 -0.028 -0.028
## 202 NS2 ~~ NZ1 0.037 0.003 0.003 0.027 0.027
## 194 NS1 ~~ NS3 0.033 -0.005 -0.005 -0.027 -0.027
## 196 NS1 ~~ NZ2 0.031 0.003 0.003 0.020 0.020
## 136 NP2 ~~ KP2 0.024 0.003 0.003 0.018 0.018
## 206 NS2 ~~ KP2 0.022 -0.003 -0.003 -0.018 -0.018
## 81 NS =~ KP2 0.022 -0.014 -0.010 -0.013 -0.013
## 112 NP1 ~~ SZ1 0.021 0.002 0.002 0.017 0.017
## 128 NP2 ~~ SZ3 0.020 0.003 0.003 0.014 0.014
## 138 NP3 ~~ NP4 0.020 -0.003 -0.003 -0.015 -0.015
## 120 NP1 ~~ NZ3 0.018 -0.002 -0.002 -0.014 -0.014
## 78 NS =~ NZ2 0.015 0.010 0.008 0.009 0.009
## 222 NZ2 ~~ KP3 0.011 0.002 0.002 0.011 0.011
## 198 NS1 ~~ KP1 0.010 0.002 0.002 0.011 0.011
## 98 KP =~ NP3 0.010 -0.009 -0.005 -0.006 -0.006
## 111 NP1 ~~ NP4 0.009 0.002 0.002 0.013 0.013
## 61 SZ =~ NS1 0.007 -0.004 -0.003 -0.004 -0.004
## 140 NP3 ~~ SZ2 0.006 0.001 0.001 0.009 0.009
## 74 NS =~ SZ1 0.005 0.004 0.003 0.003 0.003
## 66 SZ =~ NZ3 0.005 -0.005 -0.004 -0.005 -0.005
## 94 NZ =~ KP2 0.003 -0.004 -0.003 -0.004 -0.004
## 117 NP1 ~~ NS3 0.003 0.001 0.001 0.005 0.005
## 197 NS1 ~~ NZ3 0.002 -0.001 -0.001 -0.005 -0.005
## 153 NP4 ~~ SZ3 0.002 -0.001 -0.001 -0.004 -0.004
## 156 NP4 ~~ NS3 0.002 0.001 0.001 0.004 0.004
## 191 SZ3 ~~ KP2 0.002 0.001 0.001 0.004 0.004
## 107 KP =~ NZ2 0.002 0.004 0.002 0.003 0.003
## 62 SZ =~ NS2 0.001 0.002 0.001 0.001 0.001
## 51 NP =~ NZ1 0.000 0.000 0.000 0.000 0.000
## 223 NZ3 ~~ KP1 0.000 0.000 0.000 0.000 0.000#Periksa yang sudah distandarisasi
inspect(fitsem,what="std")## $lambda
## NP SZ NS NZ KP
## NP1 0.908 0.000 0.000 0.000 0.000
## NP2 0.881 0.000 0.000 0.000 0.000
## NP3 0.850 0.000 0.000 0.000 0.000
## NP4 0.845 0.000 0.000 0.000 0.000
## SZ1 0.000 0.898 0.000 0.000 0.000
## SZ2 0.000 0.902 0.000 0.000 0.000
## SZ3 0.000 0.822 0.000 0.000 0.000
## NS1 0.000 0.000 0.894 0.000 0.000
## NS2 0.000 0.000 0.881 0.000 0.000
## NS3 0.000 0.000 0.736 0.000 0.000
## NZ1 0.000 0.000 0.000 0.926 0.000
## NZ2 0.000 0.000 0.000 0.840 0.000
## NZ3 0.000 0.000 0.000 0.764 0.000
## KP1 0.000 0.000 0.000 0.000 0.736
## KP2 0.000 0.000 0.000 0.000 0.881
## KP3 0.000 0.000 0.000 0.000 0.859
##
## $theta
## NP1 NP2 NP3 NP4 SZ1 SZ2 SZ3 NS1 NS2 NS3 NZ1 NZ2
## NP1 0.176
## NP2 0.000 0.224
## NP3 0.000 0.000 0.278
## NP4 0.000 0.000 0.000 0.286
## SZ1 0.000 0.000 0.000 0.000 0.193
## SZ2 0.000 0.000 0.000 0.000 0.000 0.187
## SZ3 0.000 0.000 0.000 0.000 0.000 0.000 0.325
## NS1 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.200
## NS2 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.224
## NS3 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.458
## NZ1 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.142
## NZ2 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.295
## NZ3 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
## KP1 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
## KP2 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
## KP3 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
## NZ3 KP1 KP2 KP3
## NP1
## NP2
## NP3
## NP4
## SZ1
## SZ2
## SZ3
## NS1
## NS2
## NS3
## NZ1
## NZ2
## NZ3 0.416
## KP1 0.000 0.458
## KP2 0.000 0.000 0.223
## KP3 0.000 0.000 0.000 0.262
##
## $psi
## NP SZ NS NZ KP
## NP 1.000
## SZ 0.000 0.841
## NS 0.623 0.000 1.000
## NZ 0.000 0.000 0.000 0.509
## KP 0.516 0.000 0.635 0.000 1.000
##
## $beta
## NP SZ NS NZ KP
## NP 0.000 0.000 0.000 0 0.000
## SZ 0.399 0.000 0.000 0 0.000
## NS 0.000 0.000 0.000 0 0.000
## NZ 0.000 0.255 0.397 0 0.253
## KP 0.000 0.000 0.000 0 0.000#Inspect R-Square
inspect(fitsem,'r2')## NP1 NP2 NP3 NP4 SZ1 SZ2 SZ3 NS1 NS2 NS3 NZ1 NZ2 NZ3
## 0.824 0.776 0.722 0.714 0.807 0.813 0.675 0.800 0.776 0.542 0.858 0.705 0.584
## KP1 KP2 KP3 SZ NZ
## 0.542 0.777 0.738 0.159 0.491#Ukur Model Fitness
fitmeasures(fitcfa)## npar fmin chisq df
## 39.000 0.489 156.621 97.000
## pvalue baseline.chisq baseline.df baseline.pvalue
## 0.000 1995.029 120.000 0.000
## cfi tli nnfi rfi
## 0.968 0.961 0.961 0.903
## nfi pnfi ifi rni
## 0.921 0.745 0.969 0.968
## logl unrestricted.logl aic bic
## -2159.164 -2080.853 4396.327 4516.259
## ntotal bic2 rmsea rmsea.ci.lower
## 160.000 4392.799 0.062 0.043
## rmsea.ci.upper rmsea.pvalue rmr rmr_nomean
## 0.079 0.134 0.056 0.056
## srmr srmr_bentler srmr_bentler_nomean crmr
## 0.089 0.089 0.089 0.093
## crmr_nomean srmr_mplus srmr_mplus_nomean cn_05
## 0.093 0.088 0.088 124.600
## cn_01 gfi agfi pgfi
## 136.163 0.891 0.847 0.635
## mfi ecvi
## 0.830 1.466fitmeasures(fitsem)## npar fmin chisq df
## 39.000 0.489 156.621 97.000
## pvalue baseline.chisq baseline.df baseline.pvalue
## 0.000 1995.029 120.000 0.000
## cfi tli nnfi rfi
## 0.968 0.961 0.961 0.903
## nfi pnfi ifi rni
## 0.921 0.745 0.969 0.968
## logl unrestricted.logl aic bic
## -2159.164 -2080.853 4396.327 4516.259
## ntotal bic2 rmsea rmsea.ci.lower
## 160.000 4392.799 0.062 0.043
## rmsea.ci.upper rmsea.pvalue rmr rmr_nomean
## 0.079 0.134 0.056 0.056
## srmr srmr_bentler srmr_bentler_nomean crmr
## 0.089 0.089 0.089 0.093
## crmr_nomean srmr_mplus srmr_mplus_nomean cn_05
## 0.093 0.088 0.088 124.600
## cn_01 gfi agfi pgfi
## 136.163 0.891 0.847 0.635
## mfi ecvi
## 0.830 1.466fitmeasures(fitsem,c("gfi","agfi","nfi","cfi","rmsea","tli","srmr"))## gfi agfi nfi cfi rmsea tli srmr
## 0.891 0.847 0.921 0.968 0.062 0.961 0.089#Gambar Jalur Analysis
library(semPlot)## Warning: package 'semPlot' was built under R version 4.1.2semPaths(fitcfa,what = "std")
semPaths(fitsem,what = "std")
Daftar Pustaka https://blog.alvinburhani.net/?p=1008 https://lppm.ub.ac.id/wp-content/uploads/formidable/24/Pengolahan-SEM-covariance-based-dengan-R-modul-lavaan-pada-penelitian-sistem-informasi.pdf