Olah Data
2022-11-24
Baca Data
Data hasil kuesioner
if(!require(googlesheets4)){
install.packages("googlesheets4")
library(googlesheets4)
}
gs4_deauth()
form <- "https://docs.google.com/spreadsheets/d/1BctPP-J7X2qz6bm6QTCVDAZDNS3l37G9godqdfIng0Q/edit#gid=752027602"
data <- NULL
data <- data.frame(read_sheet(form))
# membuang timestamp
data <- data[,-1]
# membuang pertanyaan x1-18 yang double
data <- data[,-20]
# Mengganti nama variabel x1 : kolom 2 - 22
colnames(data)[2:22] <- paste0("x1-",1:21)
# Mengganti nama variabel x2 : kolom 35 - 56
colnames(data)[35:56] <- paste0("x2-",1:22)
# Mengganti nama variabel x3 : kolom 23 - 34
colnames(data)[23:34] <- paste0("x3-",1:12)
# Mengganti nama variabel y1 : kolom 57 - 68
colnames(data)[57:68] <- paste0("y1-",1:12)
# Mengganti nama variabel y2 : kolom 69 - 79
colnames(data)[69:79] <- paste0("y2-",1:11)
# Konversi jawaban ke angka 1 hingga 5
for (i in 2:ncol(data)){
data[,i] <- sapply(data[,i], switch,
"Sangat Setuju" = 5,
"Setuju" = 4,
"Ragu-ragu" = 3,
"Tidak Setuju" = 2,
"Sangat Tidak Setuju" = 1)
}Banyaknya responden adalah 215 orang.
Uji Validitas dan Reliabilitas
Menggunakan 30 responden dan package psych
if(!require(psych)){
install.packages("psych")
library(psych)
}
set.seed(234)
acak <- sample(1:nrow(data), 30) # memilih 30 responden secara acak
data_30 <- data[acak,]Pembagian Data
- Variabel \(X_1\) : kolom 2 - 22
- Variabel \(X_3\) : kolom 23 - 34
- Variabel \(X_2\) : kolom 35 - 56
- Variabel \(Y_1\) : kolom 57 - 68
- Variabel \(Y_2\) : kolom 69 - 79
x1 <- data_30[,2:22]
x3 <- data_30[,23:34]
x2 <- data_30[,35:56]
y1 <- data_30[,57:68]
y2 <- data_30[,69:79]Validitas dan Reliabilitas untuk \(X_1\)
ax1 <- alpha(x1, check.keys = T)
ax1##
## Reliability analysis
## Call: alpha(x = x1, check.keys = T)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.92 0.92 0.99 0.37 12 0.019 4 0.31 0.36
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.88 0.92 0.96
## Duhachek 0.89 0.92 0.96
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## x1-1 0.92 0.92 0.98 0.37 12 0.020 0.034 0.36
## x1-2 0.92 0.92 0.98 0.38 12 0.020 0.033 0.38
## x1-3 0.92 0.92 0.98 0.37 12 0.020 0.034 0.36
## x1-4 0.92 0.93 0.98 0.38 12 0.019 0.033 0.38
## x1-5 0.93 0.93 0.98 0.38 12 0.019 0.030 0.38
## x1-6 0.92 0.92 0.98 0.37 12 0.020 0.035 0.36
## x1-7 0.92 0.92 0.98 0.36 11 0.021 0.034 0.36
## x1-8 0.92 0.92 0.98 0.38 12 0.019 0.032 0.38
## x1-9 0.92 0.92 0.98 0.38 12 0.020 0.033 0.38
## x1-10 0.92 0.92 0.98 0.37 12 0.020 0.032 0.36
## x1-11 0.92 0.92 0.98 0.36 11 0.021 0.034 0.36
## x1-12 0.92 0.92 0.98 0.36 11 0.021 0.034 0.36
## x1-13 0.92 0.92 0.98 0.38 12 0.020 0.033 0.36
## x1-14 0.92 0.92 0.98 0.37 12 0.020 0.034 0.36
## x1-15 0.92 0.92 0.98 0.36 11 0.021 0.032 0.36
## x1-16 0.92 0.92 0.98 0.36 11 0.021 0.031 0.36
## x1-17 0.92 0.92 0.98 0.36 11 0.021 0.031 0.36
## x1-18 0.92 0.92 0.98 0.36 11 0.021 0.033 0.36
## x1-19 0.92 0.92 0.98 0.36 11 0.021 0.032 0.36
## x1-20 0.92 0.92 0.98 0.36 11 0.021 0.032 0.36
## x1-21 0.92 0.92 0.98 0.36 11 0.022 0.033 0.35
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## x1-1 30 0.56 0.57 0.57 0.51 4.1 0.48
## x1-2 30 0.47 0.48 0.47 0.41 4.1 0.43
## x1-3 30 0.59 0.59 0.57 0.53 4.1 0.52
## x1-4 30 0.44 0.44 0.43 0.38 4.2 0.48
## x1-5 30 0.44 0.43 0.43 0.38 4.1 0.51
## x1-6 30 0.62 0.63 0.62 0.58 4.0 0.41
## x1-7 30 0.74 0.75 0.75 0.71 4.0 0.41
## x1-8 30 0.49 0.47 0.46 0.42 4.0 0.56
## x1-9 30 0.51 0.51 0.49 0.45 4.1 0.43
## x1-10 30 0.62 0.63 0.63 0.57 4.1 0.45
## x1-11 30 0.68 0.69 0.69 0.63 4.1 0.52
## x1-12 30 0.70 0.69 0.69 0.66 3.9 0.43
## x1-13 30 0.48 0.50 0.49 0.44 4.0 0.37
## x1-14 30 0.62 0.61 0.61 0.57 3.8 0.48
## x1-15 30 0.76 0.76 0.76 0.73 4.0 0.56
## x1-16 30 0.78 0.78 0.78 0.75 4.0 0.56
## x1-17 30 0.77 0.77 0.78 0.73 4.0 0.45
## x1-18 30 0.68 0.68 0.68 0.64 4.0 0.49
## x1-19 30 0.71 0.70 0.70 0.67 4.0 0.49
## x1-20 30 0.78 0.78 0.78 0.75 4.0 0.49
## x1-21 30 0.81 0.80 0.81 0.77 3.9 0.71
##
## Non missing response frequency for each item
## 2 3 4 5 miss
## x1-1 0.0 0.07 0.77 0.17 0
## x1-2 0.0 0.03 0.80 0.17 0
## x1-3 0.0 0.10 0.73 0.17 0
## x1-4 0.0 0.03 0.73 0.23 0
## x1-5 0.0 0.07 0.73 0.20 0
## x1-6 0.0 0.10 0.83 0.07 0
## x1-7 0.0 0.07 0.83 0.10 0
## x1-8 0.0 0.13 0.70 0.17 0
## x1-9 0.0 0.03 0.80 0.17 0
## x1-10 0.0 0.07 0.80 0.13 0
## x1-11 0.0 0.10 0.73 0.17 0
## x1-12 0.0 0.17 0.80 0.03 0
## x1-13 0.0 0.07 0.87 0.07 0
## x1-14 0.0 0.23 0.73 0.03 0
## x1-15 0.0 0.17 0.70 0.13 0
## x1-16 0.0 0.13 0.70 0.17 0
## x1-17 0.0 0.10 0.80 0.10 0
## x1-18 0.0 0.10 0.77 0.13 0
## x1-19 0.0 0.10 0.77 0.13 0
## x1-20 0.0 0.10 0.77 0.13 0
## x1-21 0.1 0.00 0.80 0.10 0invalid <- NULL
for (i in (1:ncol(x1))) {
if (ax1$alpha.drop[i,1] > ax1$total$raw_alpha) {
invalid <- c(invalid, rownames(ax1$alpha.drop[i,]))
}
}
invalid## [1] "x1-4" "x1-5" "x1-8"Ringkasan Statistik: Hasil uji reliabilitas secara keseluruhan bagi item-item atau instrumen-istrumen penyusun variabel \(X_1\) bisa dilihat pada nilai raw alpha. raw_alpha adalah nilai Cronbach’s \(\alpha\) (jika nilainya ≥ 0.7 atau 0.8 maka item-item penyusun variabel yang diuji memiliki reliabilitas yang baik; Kline (1999)). Terlihat bahwa nilai raw alpha yang didapat adalan 0.92 sehingga bisa dikatakan bahwa secara keseluruhan item-item atau instrumen-istrumen penyusun variabel \(X_1\), dapat dipercaya dan dapat digunakan.
Hasil uji validitas bisa dilihat dengan dengan membandingkan nilai Croncbach’s alpha dengan nilai raw alpha dari setiap isntrumen atau item. Jika nilai raw alpha pada bagian Reliability if an item is dropped: lebih besar dari nilai Cronbach’s alpha, maka item atau instrumen tersebut bisa dikatakan tidak valid karena ketika item atau instrumen tersebut didrop atau dibuang akan membuat nilai Cronbach’s alpha meningkat. Item yang tidak valid:
Validitas dan Reliabilitas untuk \(X_2\)
ax2 <- alpha(x2, check.keys = T)## Warning in cor.smooth(r): Matrix was not positive definite, smoothing was doneax2##
## Reliability analysis
## Call: alpha(x = x2, check.keys = T)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.97 0.97 1 0.58 30 0.0086 3.8 0.48 0.59
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.95 0.97 0.98
## Duhachek 0.95 0.97 0.98
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## x2-1 0.96 0.97 1.00 0.57 28 0.0094 0.019 0.58
## x2-2 0.96 0.97 1.00 0.58 29 0.0090 0.019 0.59
## x2-3 0.97 0.97 1.00 0.59 30 0.0086 0.018 0.59
## x2-4 0.96 0.97 1.00 0.58 29 0.0090 0.019 0.59
## x2-5 0.96 0.97 1.00 0.57 28 0.0093 0.019 0.59
## x2-6 0.96 0.97 1.00 0.57 28 0.0094 0.019 0.58
## x2-7 0.97 0.97 1.00 0.59 30 0.0087 0.018 0.61
## x2-8 0.96 0.97 1.00 0.58 28 0.0092 0.019 0.59
## x2-9 0.96 0.97 0.99 0.58 29 0.0090 0.020 0.59
## x2-10 0.96 0.97 1.00 0.58 29 0.0091 0.020 0.58
## x2-11 0.97 0.97 1.00 0.59 30 0.0088 0.019 0.60
## x2-12 0.97 0.97 1.00 0.59 30 0.0088 0.018 0.60
## x2-13 0.97 0.97 1.00 0.59 30 0.0088 0.018 0.61
## x2-14 0.97 0.97 1.00 0.59 30 0.0088 0.019 0.60
## x2-15 0.97 0.97 1.00 0.58 29 0.0089 0.020 0.59
## x2-16 0.97 0.97 1.00 0.58 30 0.0089 0.019 0.60
## x2-17 0.97 0.97 1.00 0.58 29 0.0090 0.020 0.59
## x2-18 0.96 0.97 1.00 0.57 28 0.0092 0.019 0.58
## x2-19 0.97 0.97 1.00 0.59 30 0.0085 0.018 0.61
## x2-20 0.96 0.97 1.00 0.57 28 0.0093 0.019 0.58
## x2-21 0.96 0.97 1.00 0.57 28 0.0095 0.019 0.59
## x2-22 0.96 0.97 1.00 0.58 29 0.0092 0.019 0.58
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## x2-1 30 0.90 0.90 0.90 0.89 3.8 0.63
## x2-2 30 0.79 0.78 0.78 0.76 3.7 0.71
## x2-3 30 0.70 0.70 0.70 0.66 3.7 0.78
## x2-4 30 0.78 0.77 0.77 0.76 3.7 0.64
## x2-5 30 0.86 0.85 0.85 0.84 3.7 0.69
## x2-6 30 0.88 0.88 0.88 0.87 3.8 0.66
## x2-7 30 0.63 0.63 0.63 0.59 4.0 0.56
## x2-8 30 0.84 0.83 0.83 0.82 3.8 0.68
## x2-9 30 0.78 0.78 0.78 0.75 3.8 0.65
## x2-10 30 0.82 0.82 0.82 0.80 3.8 0.55
## x2-11 30 0.70 0.71 0.71 0.67 3.9 0.61
## x2-12 30 0.70 0.70 0.70 0.67 3.8 0.61
## x2-13 30 0.64 0.65 0.65 0.61 3.9 0.45
## x2-14 30 0.67 0.69 0.69 0.65 4.1 0.52
## x2-15 30 0.72 0.73 0.73 0.69 4.1 0.45
## x2-16 30 0.71 0.71 0.71 0.68 3.8 0.53
## x2-17 30 0.78 0.78 0.78 0.76 3.9 0.51
## x2-18 30 0.89 0.89 0.89 0.88 4.0 0.49
## x2-19 30 0.68 0.66 0.66 0.63 3.7 0.83
## x2-20 30 0.85 0.84 0.84 0.83 3.8 0.66
## x2-21 30 0.89 0.88 0.88 0.87 3.9 0.76
## x2-22 30 0.83 0.82 0.82 0.81 4.0 0.64
##
## Non missing response frequency for each item
## 2 3 4 5 miss
## x2-1 0.00 0.33 0.57 0.10 0
## x2-2 0.03 0.37 0.50 0.10 0
## x2-3 0.10 0.17 0.63 0.10 0
## x2-4 0.03 0.27 0.63 0.07 0
## x2-5 0.03 0.30 0.57 0.10 0
## x2-6 0.03 0.23 0.63 0.10 0
## x2-7 0.00 0.17 0.70 0.13 0
## x2-8 0.03 0.27 0.60 0.10 0
## x2-9 0.03 0.20 0.67 0.10 0
## x2-10 0.00 0.27 0.67 0.07 0
## x2-11 0.00 0.23 0.63 0.13 0
## x2-12 0.00 0.30 0.60 0.10 0
## x2-13 0.00 0.13 0.80 0.07 0
## x2-14 0.00 0.10 0.73 0.17 0
## x2-15 0.00 0.07 0.80 0.13 0
## x2-16 0.00 0.23 0.70 0.07 0
## x2-17 0.00 0.20 0.73 0.07 0
## x2-18 0.00 0.13 0.77 0.10 0
## x2-19 0.10 0.20 0.57 0.13 0
## x2-20 0.03 0.23 0.63 0.10 0
## x2-21 0.03 0.23 0.53 0.20 0
## x2-22 0.00 0.20 0.60 0.20 0invalid <- NULL
for (i in (1:ncol(x2))) {
if (ax2$alpha.drop[i,1] > ax2$total$raw_alpha) {
invalid <- c(invalid, rownames(ax2$alpha.drop[i,]))
}
}
invalid## [1] "x2-19"Ringkasan Statistik: Hasil uji reliabilitas secara keseluruhan bagi item-item atau instrumen-istrumen penyusun variabel \(X_2\) bisa dilihat pada nilai raw alpha. raw_alpha adalah nilai Cronbach’s \(\alpha\) (jika nilainya ≥ 0.7 atau 0.8 maka item-item penyusun variabel yang diuji memiliki reliabilitas yang baik; Kline (1999)). Terlihat bahwa nilai raw alpha yang didapat adalan 0.97 sehingga bisa dikatakan bahwa secara keseluruhan item-item atau instrumen-istrumen penyusun variabel \(X_2\), dapat dipercaya dan dapat digunakan.
Hasil uji validitas bisa dilihat dengan dengan membandingkan nilai Croncbach’s alpha dengan nilai raw alpha dari setiap isntrumen atau item. Jika nilai raw alpha pada bagian Reliability if an item is dropped: lebih besar dari nilai Cronbach’s alpha, maka item atau instrumen tersebut bisa dikatakan tidak valid karena ketika item atau instrumen tersebut didrop atau dibuang akan membuat nilai Cronbach’s alpha meningkat. Item yang tidak valid:
Validitas dan Reliabilitas untuk \(X_3\)
ax3 <- alpha(x3, check.keys = T)
ax3##
## Reliability analysis
## Call: alpha(x = x3, check.keys = T)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.92 0.92 0.98 0.49 11 0.02 3.8 0.64 0.51
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.87 0.92 0.96
## Duhachek 0.88 0.92 0.96
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## x3-1 0.92 0.92 0.98 0.52 12.0 0.019 0.045 0.57
## x3-2 0.93 0.93 0.98 0.54 13.0 0.019 0.032 0.57
## x3-3 0.91 0.91 0.97 0.49 10.5 0.022 0.049 0.51
## x3-4 0.91 0.90 0.97 0.46 9.4 0.023 0.049 0.48
## x3-5 0.91 0.91 0.96 0.48 10.1 0.023 0.046 0.51
## x3-6 0.91 0.91 0.97 0.47 9.9 0.023 0.046 0.49
## x3-7 0.92 0.92 0.98 0.50 11.1 0.021 0.046 0.53
## x3-8 0.91 0.91 0.97 0.47 9.8 0.023 0.048 0.49
## x3-9 0.91 0.91 0.97 0.46 9.5 0.025 0.043 0.49
## x3-10 0.91 0.91 0.97 0.47 9.9 0.023 0.046 0.49
## x3-11 0.91 0.91 0.97 0.48 10.3 0.022 0.045 0.49
## x3-12 0.91 0.91 0.97 0.48 10.3 0.022 0.048 0.51
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## x3-1 30 0.49 0.52 0.49 0.41 3.9 0.76
## x3-2 30 0.34 0.38 0.36 0.26 4.1 0.68
## x3-3 30 0.71 0.71 0.70 0.66 3.9 0.82
## x3-4 30 0.88 0.89 0.89 0.85 3.9 0.78
## x3-5 30 0.80 0.78 0.78 0.74 3.6 1.04
## x3-6 30 0.84 0.82 0.83 0.80 3.6 0.94
## x3-7 30 0.64 0.63 0.61 0.56 3.7 0.87
## x3-8 30 0.82 0.83 0.81 0.79 3.8 0.76
## x3-9 30 0.89 0.87 0.87 0.85 3.4 1.14
## x3-10 30 0.80 0.81 0.81 0.76 3.8 0.81
## x3-11 30 0.77 0.74 0.74 0.71 3.4 1.04
## x3-12 30 0.74 0.76 0.75 0.69 3.9 0.73
##
## Non missing response frequency for each item
## 1 2 3 4 5 miss
## x3-1 0.00 0.07 0.13 0.63 0.17 0
## x3-2 0.00 0.03 0.07 0.63 0.27 0
## x3-3 0.00 0.10 0.10 0.63 0.17 0
## x3-4 0.00 0.07 0.17 0.60 0.17 0
## x3-5 0.03 0.17 0.10 0.57 0.13 0
## x3-6 0.00 0.17 0.23 0.47 0.13 0
## x3-7 0.00 0.13 0.13 0.60 0.13 0
## x3-8 0.00 0.07 0.20 0.60 0.13 0
## x3-9 0.03 0.23 0.17 0.40 0.17 0
## x3-10 0.00 0.07 0.23 0.53 0.17 0
## x3-11 0.03 0.20 0.17 0.50 0.10 0
## x3-12 0.00 0.03 0.23 0.57 0.17 0invalid <- NULL
for (i in (1:ncol(x3))) {
if (ax3$alpha.drop[i,1] > ax3$total$raw_alpha) {
invalid <- c(invalid, rownames(ax3$alpha.drop[i,]))
}
}
invalid## [1] "x3-1" "x3-2"Ringkasan Statistik: Hasil uji reliabilitas secara keseluruhan bagi item-item atau instrumen-istrumen penyusun variabel \(X_3\) bisa dilihat pada nilai raw alpha. raw_alpha adalah nilai Cronbach’s \(\alpha\) (jika nilainya ≥ 0.7 atau 0.8 maka item-item penyusun variabel yang diuji memiliki reliabilitas yang baik; Kline (1999)). Terlihat bahwa nilai raw alpha yang didapat adalan 0.92 sehingga bisa dikatakan bahwa secara keseluruhan item-item atau instrumen-istrumen penyusun variabel \(X_3\), dapat dipercaya dan dapat digunakan.
Hasil uji validitas bisa dilihat dengan dengan membandingkan nilai Croncbach’s alpha dengan nilai raw alpha dari setiap isntrumen atau item. Jika nilai raw alpha pada bagian Reliability if an item is dropped: lebih besar dari nilai Cronbach’s alpha, maka item atau instrumen tersebut bisa dikatakan tidak valid karena ketika item atau instrumen tersebut didrop atau dibuang akan membuat nilai Cronbach’s alpha meningkat. Item yang tidak valid:
Validitas dan Reliabilitas untuk \(Y_1\)
ay1 <- alpha(y1, check.keys = T)
ay1##
## Reliability analysis
## Call: alpha(x = y1, check.keys = T)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.89 0.9 0.95 0.43 8.9 0.028 3.8 0.53 0.45
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.82 0.89 0.94
## Duhachek 0.84 0.89 0.95
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## y1-1 0.87 0.89 0.95 0.41 7.8 0.033 0.046 0.43
## y1-2 0.88 0.89 0.95 0.42 7.9 0.032 0.047 0.46
## y1-3 0.87 0.88 0.94 0.41 7.7 0.034 0.041 0.43
## y1-4 0.88 0.89 0.95 0.44 8.5 0.031 0.040 0.43
## y1-5 0.89 0.90 0.95 0.45 9.0 0.028 0.043 0.47
## y1-6 0.89 0.90 0.95 0.44 8.7 0.028 0.045 0.46
## y1-7 0.89 0.89 0.95 0.43 8.3 0.028 0.045 0.46
## y1-8 0.89 0.89 0.95 0.43 8.2 0.028 0.041 0.46
## y1-9 0.89 0.89 0.95 0.43 8.2 0.028 0.042 0.46
## y1-10 0.88 0.89 0.95 0.42 7.8 0.031 0.049 0.39
## y1-11 0.88 0.89 0.94 0.43 8.2 0.030 0.045 0.43
## y1-12 0.88 0.88 0.94 0.41 7.7 0.030 0.045 0.39
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## y1-1 30 0.82 0.77 0.75 0.76 3.4 1.00
## y1-2 30 0.77 0.73 0.71 0.71 3.8 0.77
## y1-3 30 0.86 0.79 0.79 0.81 3.5 0.97
## y1-4 30 0.71 0.62 0.61 0.62 3.8 0.91
## y1-5 30 0.56 0.52 0.48 0.46 3.6 0.85
## y1-6 30 0.50 0.59 0.54 0.43 4.0 0.56
## y1-7 30 0.57 0.67 0.66 0.51 4.2 0.53
## y1-8 30 0.57 0.68 0.67 0.52 4.0 0.49
## y1-9 30 0.58 0.67 0.66 0.51 4.0 0.59
## y1-10 30 0.73 0.76 0.74 0.68 3.9 0.68
## y1-11 30 0.74 0.69 0.68 0.64 3.4 1.10
## y1-12 30 0.73 0.78 0.78 0.69 3.9 0.57
##
## Non missing response frequency for each item
## 1 2 3 4 5 miss
## y1-1 0.00 0.23 0.27 0.37 0.13 0
## y1-2 0.00 0.07 0.23 0.57 0.13 0
## y1-3 0.03 0.13 0.23 0.50 0.10 0
## y1-4 0.03 0.07 0.10 0.63 0.17 0
## y1-5 0.00 0.10 0.30 0.47 0.13 0
## y1-6 0.00 0.03 0.07 0.80 0.10 0
## y1-7 0.00 0.00 0.07 0.70 0.23 0
## y1-8 0.00 0.00 0.10 0.77 0.13 0
## y1-9 0.00 0.00 0.17 0.67 0.17 0
## y1-10 0.00 0.03 0.20 0.63 0.13 0
## y1-11 0.03 0.27 0.07 0.53 0.10 0
## y1-12 0.00 0.00 0.23 0.67 0.10 0invalid <- NULL
for (i in (1:ncol(y1))) {
if (ay1$alpha.drop[i,1] > ay1$total$raw_alpha) {
invalid <- c(invalid, rownames(ay1$alpha.drop[i,]))
}
}
invalid## NULLRingkasan Statistik: Hasil uji reliabilitas secara keseluruhan bagi item-item atau instrumen-istrumen penyusun variabel \(Y_1\) bisa dilihat pada nilai raw alpha. raw_alpha adalah nilai Cronbach’s \(\alpha\) (jika nilainya ≥ 0.7 atau 0.8 maka item-item penyusun variabel yang diuji memiliki reliabilitas yang baik; Kline (1999)). Terlihat bahwa nilai raw alpha yang didapat adalan 0.89 sehingga bisa dikatakan bahwa secara keseluruhan item-item atau instrumen-istrumen penyusun variabel \(Y_1\), dapat dipercaya dan dapat digunakan.
Hasil uji validitas bisa dilihat dengan dengan membandingkan nilai Croncbach’s alpha dengan nilai raw alpha dari setiap isntrumen atau item. Jika nilai raw alpha pada bagian Reliability if an item is dropped: lebih besar dari nilai Cronbach’s alpha, maka item atau instrumen tersebut bisa dikatakan tidak valid karena ketika item atau instrumen tersebut didrop atau dibuang akan membuat nilai Cronbach’s alpha meningkat. Item yang tidak valid:
Validitas dan Reliabilitas untuk \(Y_2\)
ay2 <- alpha(y2, check.keys = T)
ay2##
## Reliability analysis
## Call: alpha(x = y2, check.keys = T)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.82 0.84 0.89 0.32 5.2 0.048 3.7 0.47 0.3
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.71 0.82 0.90
## Duhachek 0.73 0.82 0.92
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## y2-1 0.81 0.83 0.88 0.33 4.8 0.052 0.027 0.31
## y2-2 0.81 0.83 0.89 0.33 5.0 0.051 0.025 0.31
## y2-3 0.82 0.83 0.88 0.33 5.0 0.050 0.026 0.34
## y2-4 0.81 0.83 0.87 0.32 4.8 0.051 0.024 0.30
## y2-5 0.80 0.81 0.86 0.31 4.4 0.054 0.023 0.29
## y2-6 0.80 0.81 0.87 0.30 4.3 0.053 0.019 0.30
## y2-7 0.82 0.84 0.88 0.34 5.1 0.048 0.025 0.31
## y2-8 0.80 0.82 0.87 0.31 4.4 0.055 0.022 0.28
## y2-9 0.82 0.84 0.89 0.34 5.1 0.050 0.023 0.31
## y2-10 0.81 0.83 0.88 0.32 4.8 0.051 0.024 0.31
## y2-11 0.80 0.81 0.86 0.30 4.3 0.054 0.022 0.28
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## y2-1 30 0.63 0.58 0.53 0.50 3.2 0.96
## y2-2 30 0.53 0.54 0.47 0.43 3.7 0.61
## y2-3 30 0.58 0.53 0.47 0.44 3.5 0.97
## y2-4 30 0.63 0.60 0.59 0.49 3.3 0.99
## y2-5 30 0.70 0.72 0.72 0.63 3.8 0.61
## y2-6 30 0.70 0.74 0.74 0.64 3.9 0.52
## y2-7 30 0.53 0.51 0.46 0.39 3.7 0.88
## y2-8 30 0.71 0.71 0.69 0.60 3.7 0.94
## y2-9 30 0.48 0.51 0.45 0.38 4.2 0.61
## y2-10 30 0.56 0.60 0.57 0.47 3.8 0.63
## y2-11 30 0.71 0.74 0.74 0.63 3.9 0.64
##
## Non missing response frequency for each item
## 1 2 3 4 5 miss
## y2-1 0.03 0.23 0.27 0.43 0.03 0
## y2-2 0.00 0.00 0.40 0.53 0.07 0
## y2-3 0.03 0.13 0.27 0.47 0.10 0
## y2-4 0.03 0.20 0.27 0.43 0.07 0
## y2-5 0.00 0.00 0.30 0.60 0.10 0
## y2-6 0.00 0.00 0.17 0.73 0.10 0
## y2-7 0.03 0.03 0.30 0.50 0.13 0
## y2-8 0.03 0.07 0.20 0.53 0.17 0
## y2-9 0.00 0.00 0.10 0.60 0.30 0
## y2-10 0.00 0.03 0.23 0.67 0.07 0
## y2-11 0.00 0.00 0.23 0.60 0.17 0invalid <- NULL
for (i in (1:ncol(y2))) {
if (ay2$alpha.drop[i,1] > ay2$total$raw_alpha) {
invalid <- c(invalid, rownames(ay2$alpha.drop[i,]))
}
}
invalid## NULLRingkasan Statistik: Hasil uji reliabilitas secara keseluruhan bagi item-item atau instrumen-istrumen penyusun variabel \(Y_2\) bisa dilihat pada nilai raw alpha. raw_alpha adalah nilai Cronbach’s \(\alpha\) (jika nilainya ≥ 0.7 atau 0.8 maka item-item penyusun variabel yang diuji memiliki reliabilitas yang baik; Kline (1999)). Terlihat bahwa nilai raw alpha yang didapat adalan 0.82 sehingga bisa dikatakan bahwa secara keseluruhan item-item atau instrumen-istrumen penyusun variabel \(Y_2\), dapat dipercaya dan dapat digunakan.
Hasil uji validitas bisa dilihat dengan dengan membandingkan nilai Croncbach’s alpha dengan nilai raw alpha dari setiap isntrumen atau item. Jika nilai raw alpha pada bagian Reliability if an item is dropped: lebih besar dari nilai Cronbach’s alpha, maka item atau instrumen tersebut bisa dikatakan tidak valid karena ketika item atau instrumen tersebut didrop atau dibuang akan membuat nilai Cronbach’s alpha meningkat. Item yang tidak valid:
Pembagian Data
Variabel \(X_1\) terdiri atas \(X_{11}\), \(X_{12}\), \(X_{13}\), dan \(X_{14}\).
Variabel \(X_2\) terdiri atas \(X_{21}\), \(X_{22}\), \(X_{23}\),
| No | Variabel | Indikator | Item |
|---|---|---|---|
| Pendidikan Kewirausahaan (\(X_1\)) |
|
x1.1 s/d x1.5 | |
|
x1.6 s/d x1.10 | ||
|
x1.11 s/d x1.16 | ||
|
x1.17 s/d x1.21 | ||
| Efikasi Diri (\(X_2\)) |
|
x2.1 s/d x2.6 | |
|
x2.7 s/d x2.10 | ||
|
x2.11 s/d x2.15 | ||
|
x2.16 s/d x2.19 | ||
|
x2.20 s/d x2.22 | ||
| Peran Orang Tua (\(X_3\)) |
|
x3.1 s/d x3.4 | |
|
x3.5 s/d x3.8 | ||
|
x3.9 s/d x3.12 | ||
| Sikap berwirausaha (\(Y_1\)) |
|
y1.1 s/d y1.4 | |
|
y1.5 s/d y1.8 | ||
|
y1.9 s/d y1.12 | ||
| Niat berusaha mahasiswa (\(Y_2\)) |
|
y2.1 s/d y2.2 | |
|
y2.3 s/d y2.5 | ||
|
y2.6 s/d y2.8 | ||
|
y2.9 s/d y2.11 |
x11 <- apply(data[, 2:6], 1, mean)
x12 <- apply(data[, 7:11], 1, mean)
x13 <- apply(data[, 12:17], 1, mean)
x14 <- apply(data[, 17:21], 1, mean)
x21 <- apply(data[, 35:40], 1, mean)
x22 <- apply(data[, 41:44], 1, mean)
x23 <- apply(data[, 45:49], 1, mean)
x24 <- apply(data[, 50:53], 1, mean)
x25 <- apply(data[, 54:56], 1, mean)
x31 <- apply(data[, 23:26], 1, mean)
x32 <- apply(data[, 27:30], 1, mean)
x33 <- apply(data[, 31:34], 1, mean)
y11 <- apply(data[, 57:60], 1, mean)
y12 <- apply(data[, 61:64], 1, mean)
y13 <- apply(data[, 65:68], 1, mean)
y21 <- apply(data[, 69:70], 1, mean)
y22 <- apply(data[, 71:73], 1, mean)
y23 <- apply(data[, 74:76], 1, mean)
y24 <- apply(data[, 77:79], 1, mean)
dat <- data.frame(x11, x12, x13, x14,
x21, x22, x23, x24, x25,
x31, x32, x33,
y11, y12, y13,
y21, y22, y23, y24)SEM
Confirmatory Factor Analysis (CFA) \(X_1\)
Package yang digunakan: lavaan
if(!require(lavaan)){
install.packages("lavaan")
library(lavaan)
}
if(!require(tidySEM)){
install.packages("tidySEM")
library(tidySEM)
}Realibilitas dan validitas
dat_x1 <- data.frame(x11,x12,x13,x14)
ax1 <- alpha(dat_x1, check.keys = T)
ax1##
## Reliability analysis
## Call: alpha(x = dat_x1, check.keys = T)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.94 0.94 0.94 0.8 16 0.0067 4.2 0.47 0.8
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.93 0.94 0.95
## Duhachek 0.93 0.94 0.95
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## x11 0.93 0.93 0.91 0.81 13 0.0086 0.0032 0.83
## x12 0.92 0.92 0.89 0.79 11 0.0096 0.0035 0.76
## x13 0.93 0.93 0.90 0.81 13 0.0088 0.0022 0.83
## x14 0.91 0.92 0.88 0.78 11 0.0102 0.0024 0.76
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## x11 215 0.91 0.91 0.87 0.84 4.2 0.49
## x12 215 0.93 0.93 0.90 0.87 4.2 0.52
## x13 215 0.92 0.91 0.88 0.85 4.1 0.52
## x14 215 0.94 0.93 0.92 0.88 4.1 0.52invalid <- NULL
for (i in (1:ncol(dat_x1))) {
if (ax1$alpha.drop[i,1] > ax1$total$raw_alpha) {
invalid <- c(invalid, rownames(ax1$alpha.drop[i,]))
}
}
invalid## NULLNilai Cronbach Alfa: 0.94
Semua item valid
mod1 <- 'x1 =~ x11 + x12 + x13 + x14'
fit <- cfa(mod1, data = dat)
summary(fit, fit.measures = T)## lavaan 0.6-12 ended normally after 27 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 8
##
## Number of observations 215
##
## Model Test User Model:
##
## Test statistic 56.167
## Degrees of freedom 2
## P-value (Chi-square) 0.000
##
## Model Test Baseline Model:
##
## Test statistic 835.310
## Degrees of freedom 6
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.935
## Tucker-Lewis Index (TLI) 0.804
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -250.366
## Loglikelihood unrestricted model (H1) -222.283
##
## Akaike (AIC) 516.733
## Bayesian (BIC) 543.698
## Sample-size adjusted Bayesian (BIC) 518.348
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.355
## 90 Percent confidence interval - lower 0.278
## 90 Percent confidence interval - upper 0.438
## P-value RMSEA <= 0.05 0.000
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.031
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Structured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|)
## x1 =~
## x11 1.000
## x12 1.108 0.061 18.254 0.000
## x13 1.109 0.062 17.766 0.000
## x14 1.149 0.060 19.307 0.000
##
## Variances:
## Estimate Std.Err z-value P(>|z|)
## .x11 0.061 0.007 8.536 0.000
## .x12 0.050 0.007 7.596 0.000
## .x13 0.058 0.007 7.976 0.000
## .x14 0.038 0.006 6.417 0.000
## x1 0.174 0.022 7.820 0.000standardizedSolution(fit)lay <- get_layout("", "", "x1", "", "",
"x11","x12","","x13","x14", rows = 2)
graph_sem(fit, layout = lay)
Confirmatory Factor Analysis (CFA) \(X_2\)
Realibilitas dan validitas
dat_x2 <- data.frame(x21,x22,x23,x24,x25)
ax2 <- alpha(dat_x2, check.keys = T)
ax2##
## Reliability analysis
## Call: alpha(x = dat_x2, check.keys = T)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.96 0.96 0.95 0.83 24 0.0043 4 0.59 0.82
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.95 0.96 0.97
## Duhachek 0.95 0.96 0.97
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## x21 0.95 0.95 0.94 0.84 20 0.0054 0.00035 0.83
## x22 0.95 0.95 0.94 0.83 20 0.0056 0.00054 0.83
## x23 0.95 0.95 0.94 0.83 19 0.0056 0.00050 0.82
## x24 0.95 0.95 0.94 0.83 19 0.0055 0.00034 0.82
## x25 0.95 0.95 0.94 0.83 20 0.0055 0.00058 0.82
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## x21 215 0.93 0.92 0.90 0.88 3.9 0.69
## x22 215 0.93 0.93 0.91 0.89 3.9 0.67
## x23 215 0.93 0.94 0.92 0.90 4.1 0.59
## x24 215 0.93 0.93 0.91 0.89 4.0 0.57
## x25 215 0.93 0.93 0.91 0.89 4.0 0.66invalid <- NULL
for (i in (1:ncol(dat_x2))) {
if (ax2$alpha.drop[i,1] > ax2$total$raw_alpha) {
invalid <- c(invalid, rownames(ax2$alpha.drop[i,]))
}
}
invalid## NULLNilai Cronbach Alfa: 0.96
Semua item valid
mod2 <- 'x2 =~ x21 + x22 + x23 + x24 + x25'
fit <- cfa(mod2, data = dat)
summary(fit, fit.measures = T)## lavaan 0.6-12 ended normally after 35 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 10
##
## Number of observations 215
##
## Model Test User Model:
##
## Test statistic 22.092
## Degrees of freedom 5
## P-value (Chi-square) 0.001
##
## Model Test Baseline Model:
##
## Test statistic 1235.997
## Degrees of freedom 10
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 0.986
## Tucker-Lewis Index (TLI) 0.972
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -426.060
## Loglikelihood unrestricted model (H1) -415.014
##
## Akaike (AIC) 872.120
## Bayesian (BIC) 905.827
## Sample-size adjusted Bayesian (BIC) 874.139
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.126
## 90 Percent confidence interval - lower 0.075
## 90 Percent confidence interval - upper 0.182
## P-value RMSEA <= 0.05 0.009
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.015
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Structured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|)
## x2 =~
## x21 1.000
## x22 0.984 0.047 21.137 0.000
## x23 0.890 0.040 22.096 0.000
## x24 0.853 0.039 21.700 0.000
## x25 0.973 0.046 21.370 0.000
##
## Variances:
## Estimate Std.Err z-value P(>|z|)
## .x21 0.090 0.010 8.565 0.000
## .x22 0.078 0.009 8.364 0.000
## .x23 0.052 0.007 7.896 0.000
## .x24 0.052 0.006 8.105 0.000
## .x25 0.073 0.009 8.262 0.000
## x2 0.377 0.045 8.459 0.000standardizedSolution(fit)lay <- get_layout("", "", "x2", "", "",
"x21","x22","x23","x24","x25", rows = 2)
graph_sem(fit)
Confirmatory Factor Analysis (CFA) \(X_3\)
Realibilitas dan validitas
dat_x3 <- data.frame(x31,x32,x33)
ax3 <- alpha(dat_x3, check.keys = T)
ax3##
## Reliability analysis
## Call: alpha(x = dat_x3, check.keys = T)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.88 0.88 0.84 0.7 7.1 0.014 3.8 0.69 0.65
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.84 0.88 0.9
## Duhachek 0.85 0.88 0.9
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## x31 0.90 0.90 0.81 0.81 8.7 0.014 NA 0.81
## x32 0.78 0.79 0.65 0.65 3.7 0.029 NA 0.65
## x33 0.77 0.78 0.65 0.65 3.6 0.030 NA 0.65
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## x31 215 0.83 0.85 0.71 0.68 4.0 0.67
## x32 215 0.93 0.92 0.87 0.81 3.7 0.83
## x33 215 0.93 0.92 0.87 0.82 3.7 0.82invalid <- NULL
for (i in (1:ncol(dat_x3))) {
if (ax3$alpha.drop[i,1] > ax3$total$raw_alpha) {
invalid <- c(invalid, rownames(ax3$alpha.drop[i,]))
}
}
invalid## [1] "x31"Nilai Cronbach Alfa: 0.88
\(X_{31}\) tidak valid dan dikeluarkan
dat_x3 <- data.frame(x32,x33)
ax3 <- alpha(dat_x3, check.keys = T)## Number of categories should be increased in order to count frequencies.Nilai Cronbach Alfa baru: 0.9
mod3 <- 'x3 =~ x31 + x32 + x33'
fit <- cfa(mod3, data = dat)
summary(fit, fit.measures = T)## lavaan 0.6-12 ended normally after 17 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 6
##
## Number of observations 215
##
## Model Test User Model:
##
## Test statistic 0.000
## Degrees of freedom 0
##
## Model Test Baseline Model:
##
## Test statistic 366.193
## Degrees of freedom 3
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 1.000
## Tucker-Lewis Index (TLI) 1.000
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -559.878
## Loglikelihood unrestricted model (H1) -559.878
##
## Akaike (AIC) 1131.756
## Bayesian (BIC) 1151.980
## Sample-size adjusted Bayesian (BIC) 1132.967
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.000
## 90 Percent confidence interval - lower 0.000
## 90 Percent confidence interval - upper 0.000
## P-value RMSEA <= 0.05 NA
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.000
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Structured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|)
## x3 =~
## x31 1.000
## x32 1.564 0.128 12.216 0.000
## x33 1.546 0.126 12.220 0.000
##
## Variances:
## Estimate Std.Err z-value P(>|z|)
## .x31 0.214 0.023 9.188 0.000
## .x32 0.132 0.029 4.508 0.000
## .x33 0.120 0.028 4.250 0.000
## x3 0.227 0.039 5.864 0.000standardizedSolution(fit)graph_sem(fit)
Confirmatory Factor Analysis (CFA) \(Y_1\)
Realibilitas dan validitas
dat_y1 <- data.frame(y11,y12,y13)
ay1 <- alpha(dat_y1, check.keys = T)
ay1##
## Reliability analysis
## Call: alpha(x = dat_y1, check.keys = T)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.83 0.84 0.78 0.63 5.2 0.02 3.8 0.58 0.62
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.78 0.83 0.86
## Duhachek 0.79 0.83 0.87
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## y11 0.80 0.81 0.68 0.68 4.2 0.027 NA 0.68
## y12 0.76 0.76 0.62 0.62 3.2 0.032 NA 0.62
## y13 0.73 0.76 0.61 0.61 3.1 0.034 NA 0.61
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## y11 215 0.88 0.85 0.73 0.67 3.8 0.76
## y12 215 0.85 0.88 0.78 0.71 4.0 0.56
## y13 215 0.88 0.88 0.79 0.71 3.7 0.68invalid <- NULL
for (i in (1:ncol(dat_y1))) {
if (ay1$alpha.drop[i,1] > ay1$total$raw_alpha) {
invalid <- c(invalid, rownames(ay1$alpha.drop[i,]))
}
}
invalid## NULLNilai Cronbach Alfa: 0.83 Semua item valid
mod4 <- 'y1 =~ y11 + y12 + y13'
fit <- cfa(mod4, data = dat)
summary(fit, fit.measures = T)## lavaan 0.6-12 ended normally after 20 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 6
##
## Number of observations 215
##
## Model Test User Model:
##
## Test statistic 0.000
## Degrees of freedom 0
##
## Model Test Baseline Model:
##
## Test statistic 259.710
## Degrees of freedom 3
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 1.000
## Tucker-Lewis Index (TLI) 1.000
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -517.183
## Loglikelihood unrestricted model (H1) -517.183
##
## Akaike (AIC) 1046.365
## Bayesian (BIC) 1066.589
## Sample-size adjusted Bayesian (BIC) 1047.576
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.000
## 90 Percent confidence interval - lower 0.000
## 90 Percent confidence interval - upper 0.000
## P-value RMSEA <= 0.05 NA
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.000
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Structured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|)
## y1 =~
## y11 1.000
## y12 0.799 0.075 10.658 0.000
## y13 0.991 0.093 10.679 0.000
##
## Variances:
## Estimate Std.Err z-value P(>|z|)
## .y11 0.259 0.033 7.792 0.000
## .y12 0.102 0.017 5.973 0.000
## .y13 0.145 0.026 5.646 0.000
## y1 0.322 0.055 5.888 0.000standardizedSolution(fit)graph_sem(fit)
Confirmatory Factor Analysis (CFA) \(Y_2\)
Realibilitas dan validitas
dat_y2 <- data.frame(y21,y22,y23,y24)
ay2 <- alpha(dat_y2, check.keys = T)
ay2##
## Reliability analysis
## Call: alpha(x = dat_y2, check.keys = T)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.74 0.74 0.74 0.42 2.9 0.03 3.6 0.57 0.41
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.67 0.74 0.79
## Duhachek 0.68 0.74 0.79
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## y21 0.64 0.66 0.63 0.39 1.9 0.044 0.0610 0.35
## y22 0.74 0.74 0.68 0.49 2.9 0.031 0.0198 0.44
## y23 0.62 0.62 0.57 0.36 1.7 0.044 0.0316 0.39
## y24 0.69 0.70 0.61 0.43 2.3 0.036 0.0067 0.44
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## y21 215 0.78 0.78 0.66 0.59 3.4 0.75
## y22 215 0.71 0.68 0.52 0.43 3.3 0.85
## y23 215 0.80 0.81 0.75 0.62 3.7 0.75
## y24 215 0.70 0.73 0.65 0.50 4.0 0.67invalid <- NULL
for (i in (1:ncol(dat_y2))) {
if (ay2$alpha.drop[i,1] > ay2$total$raw_alpha) {
invalid <- c(invalid, rownames(ay2$alpha.drop[i,]))
}
}
invalid## [1] "y22"Nilai Cronbach Alfa: 0.74
\(Y_{22}\) tidak valid dan dikeluarkan
dat_y2 <- data.frame(y21,y23,y24)
ay2 <- alpha(dat_y2, check.keys = T)## Number of categories should be increased in order to count frequencies.Nilai Cronbach Alfa baru: 0.74
mod5 <- 'y2 =~ y21 + y23 + y24'
fit <- cfa(mod5, data = dat)
summary(fit, fit.measures = T)## lavaan 0.6-12 ended normally after 18 iterations
##
## Estimator ML
## Optimization method NLMINB
## Number of model parameters 6
##
## Number of observations 215
##
## Model Test User Model:
##
## Test statistic 0.000
## Degrees of freedom 0
##
## Model Test Baseline Model:
##
## Test statistic 170.138
## Degrees of freedom 3
## P-value 0.000
##
## User Model versus Baseline Model:
##
## Comparative Fit Index (CFI) 1.000
## Tucker-Lewis Index (TLI) 1.000
##
## Loglikelihood and Information Criteria:
##
## Loglikelihood user model (H0) -618.050
## Loglikelihood unrestricted model (H1) -618.050
##
## Akaike (AIC) 1248.100
## Bayesian (BIC) 1268.323
## Sample-size adjusted Bayesian (BIC) 1249.311
##
## Root Mean Square Error of Approximation:
##
## RMSEA 0.000
## 90 Percent confidence interval - lower 0.000
## 90 Percent confidence interval - upper 0.000
## P-value RMSEA <= 0.05 NA
##
## Standardized Root Mean Square Residual:
##
## SRMR 0.000
##
## Parameter Estimates:
##
## Standard errors Standard
## Information Expected
## Information saturated (h1) model Structured
##
## Latent Variables:
## Estimate Std.Err z-value P(>|z|)
## y2 =~
## y21 1.000
## y23 1.692 0.271 6.250 0.000
## y24 1.329 0.200 6.653 0.000
##
## Variances:
## Estimate Std.Err z-value P(>|z|)
## .y21 0.412 0.044 9.438 0.000
## .y23 0.152 0.054 2.824 0.005
## .y24 0.184 0.037 5.030 0.000
## y2 0.145 0.040 3.588 0.000standardizedSolution(fit)lay <- get_layout("", "y2", "",
"y21","y23","y24", rows = 2)
graph_sem(fit)