Uji CFA: Loading Factor

Hitung loading factor terstandar dari data kuesioner (PAF) dan ringkasan CR & AVE untuk validitas konvergen.

Apa yang dihitung?

λ, λ², θ, t (opsional) → keputusan per indikator; ringkasan CR & AVE.

Konfigurasi

Input Data Kuesioner (Responden × Item)

Tabel (kolom = item)

Baris pertama opsional sebagai header (nama item). Masukkan skor responden per item dipisahkan tab/spasi/koma. Nilai non-numerik diabaikan.

Faktor

Cutoff λ

Catatan

Loadings dihitung dari data (PAF, berbasis korelasi). Konvergen: λ ≥ cutoff (umum 0.5–0.7), AVE ≥ 0.50, CR ≥ 0.70.

Standardized Factor Loadings (PAF)

Item	F1	h²	Primary
Item1	1.0000	1.0000	F1
Item2	1.0000	1.0000	F1
Item3	1.0000	1.0000	F1

Loadings dihitung dari korelasi (PAF). h² = Σλ² per item; θ = 1−h².

Ringkasan per Faktor (CR & AVE)

Faktor	Item	CR	AVE
F1	Item1, Item2, Item3	1.0000	1.0000

CR dihitung dari λ terasosiasi ke faktor (berdasarkan loading tertinggi); AVE dari λ².

Kesimpulan Validitas Konvergen

Cutoff λ = 0.7. Kriteria per faktor: λ tinggi, CR ≥ 0.70, AVE ≥ 0.50.

Memenuhi validitas konvergen.

Langkah Perhitungan

\begin{align} &\textbf{Langkah PAF (Principal Axis Factoring)}\\ &1.\ \text{Hitung matriks korelasi }R.\\ &2.\ \text{Inisialisasi komunalitas } h_i^2 \approx \text{SMC}_i.\\ &3.\ \text{Bentuk matriks tereduksi }A:\ A_{ij}=R_{ij},\ A_{ii}=h_i^2.\\ &4.\ \text{Eigen-dekomposisi }A\to (\lambda_f, v_f),\ \text{ambil }k\ \text{faktor}.\\ &5.\ \text{Loading } \Lambda = v_f\,\sqrt{\lambda_f},\ h_i^2=\sum_f \lambda_{if}^2.\\ &6.\ \text{Ulangi 3-5 hingga konvergen; } \theta_i=1-h_i^2. \end{align}