BAB II TINJAUAN PUSTAKA
2.4 Tinjauan Tentang Konstruksi Alat Ukur
2.4.5 Validitas Instrumen
2.4.5.1 Pengujian Validitas Instrumen
Validitas mengarah pada aspek ketepatan dan kecermatan hasil pengukuran, yang mana pengukuran sendiri dilakukan untuk mengetahui seberapa banyak (dalam arti kuantitatif) suatu aspek psikologis yang terdapat dalam diri individu, yang dinyatakan oleh skornya pada instrumen pengukuran yang bersangkutan (Azwar, 2016c). Cronbach (dalam Crocker & Algina, 2008)
Indeks Diskriminasi Evaluasi
≥0.4 Sangat Memuaskan
≤0.3 – 0.39 Cukup Memuaskan, tidak membutuhkan revisi
≤0.2 – 0.29 Belum memuaskan, perlu revisi
≤ 0.19 Jelek dan harus dibuang
mendefinisikan validasi sebagai proses yang dilakukan oleh pembuat atau pengembang instrumen ukur untuk mengumpulkan bukti guna mendukung jenis kesimpulan yang harus diambil dari nilai suatu instrumen ukur. Adapun uji validitas yang dilakukan dalam penelitian ini yaitu menggunakan validitas isi (content validity) dan validitas konstruk (contruct validity).
2.4.5.1 Validitas Isi (Content Validity)
Haynes, Richard, dan Kubany (1995) mendefinisikan validitas isi sebagai suatu proses untuk mengetahui sejauh mana elemen-elemen instrumen ukur relevan dan mewakili konstruk alat ukur yang ditargetkan untuk tujuan tertentu.
Crocker & Algina (2008) menjelaskan bahwa tujuan dilakukannya validitas konten (content validity) adalah untuk menilai sejauh mana aitem yang dibuat mewakili domain kerja atau konstruk yang lainnya. Pada validitas isi (content validity), prosedur yang perlu dilakukan yaitu dengan melibatkan panel ahli (kecuali penulis) untuk menilai sejauh mana aitem yang telah dibuat menggambarkan domain yang dimaksudkan. Azwar (2016c) menjelaskan bahwa semua aitem yang telah selesai ditulis sesuai dengan indikator keperilakuan dengan mengikuti kaidah penulisan, akan diproses untuk uji kualitas pertama melalui serangkaian review atau telaah oleh penelaah soal.
Mosier (Crocker & Algina, 2008) menjelaskan terdapat konsep lain yang perlu diperhatikan dalam validitas isi (content validity), yaitu validitas tampang (face validity) yang pada umumnya diartikan sebagai sajauh mana tampilan aitem tampak untuk mengukur konstruk yang memiliki kebermaknaan bagi responden yang akan mengisi. Pada beberapa kasus misalnya untuk tes prestasi atau untuk tes ketenagakerjaan, perlu untuk memperhatikan validitas tampang (face validity), hal ini dikarenakan validitas tampang (face validity) yang dibuat
sedemikian rupa dapat memotivasi responden untuk memberikan respon terbaik sebab tes yang diberikan mengukur konstruksi yang berarti (Crocker & Algina, 2008).
Pada penelitian ini, validitas isi dilakukan dengan menggunakan formula Aiken’s V. Hal ini dikarenakan instrumen yang dibuat oleh peneliti merupakan instrumen yang mengukur atribut laten, sehingga panel penilainya merupakan sekelompok ahli atau individu yang dianggap kompeten dan mampu untuk memahami relevansi isi aitem dengan indikator keperilakuan (Azwar, 2016b).
Adapun statistic Aiken’s V dirumuskan sebagai berikut:
Adapun kriteria validitas isi Aiken’s V yang diklasifikasikan seperti yang ditunjukkan pada tabel di bawah ini (Aiken, 1980):
Tabel 2.2 Kriteria Validitas Isi Aiken’s V
2.4.5.2 Validitas Konstruk (Construct Validity)
Cohen & Swerdlik (2009) mendefinisikan validitas konstruk (construct validity) sebagai suatu penilaian tentang kesesuaian antara tujuan instrumen dan data yang diperoleh dari hasil respon (jawaban) yang diberikan oleh subjek pada sebuah variabel yang disebut konstruk. Konstruk sendiri merupakan ide ilmiah yang diinformasikan dan dikembangkan atau dihipotesisikan untuk menggambarkan atau menjelaskan perilaku. Misalnya, intelijen merupakan
Nilai Valliditas Kriteria Validitas
0.80< V ≤ 1.00 Sangat Tinggi
0.60< V ≤ 0.80 Tinggi
0.40< V ≤ 0,60 Cukup
0.20< V ≤ 0,40 Rendah
0.00< V ≤ 0,20 Sangat Rendah
sebuah konstruk yang memungkinkan untuk menggambarkan mengapa seorang siswa memiliki “kinerja” yang baik di sekolah. Azwar (2016a) mendefinisikan validitas konstruk sebagai suatu proses untuk membuktikan apakah hasil pengukuran yang diperoleh melalui aitem-aitem tes berkorelasi tinggi dengan konstruk teoretik yang menjadi dasar penyusunan instrumen ukur tersebut.
Cohen & Swerdlik, (2009) menjelaskan bahwa dalam melakukan validitas konstruk, apabila suatu instrumen ukur tersebut valid, maka responden akan memberikan respon atau jawaban sesuai dengan apa yang telah diperediksi oleh teori. Namun, apabila responden memberikan responden atau jawaban yang tidak sesuai dengan perkiraan peneliti atau prediksi teori, maka peneliti perlu memeriksa kembali sifat konstruk itu sendiri (Cohen & Swerdlik, 2009).
Crocker & Algina (2008) juga menjelaskan bahwa bagaimanapun konstruk psikologis memerlukan pembenaran sintaksis oleh postulasi hubungan spesifik antara ukuran konstruksi melalui yaitu; pertama, ukuran konstruksi lainnya dalam sistem teoritis dan yang kedua, ukuran kriteria kenyataan (real-world) tertentu.
Oleh karenanya, definisi operasional yang dimiliki sebuah konstruksi masih tidak cukup, melainkan kepentingan konstruk juga harus dibuat secara eksplisit melalui deskripsi tentang bagaimana hal tersebut terkait dengan variabel-variabel lain.
Pada penelitian ini, pengujian validitas konstruk (contruct validity) dilakukan dengan menggunakan eksploratori faktor analisis (EFA) dan kemudian hasil yang diperoleh dari eksploratori faktor analisis (EFA) akan ditindak lanjuti dengan menggunakan konfirmatori faktor analisis (CFA). Eksploratori faktor analisis (EFA) digunakan sebagai cara awal untuk melakukan eksplorasi sebelum membangun sebuah pengukuran, dan kemudian konfirmatori faktor analisis sebagai cara kedua untuk memeriksa apakah struktur yang diidentifikasi pada
eksploratori faktor analisis berjalan pada sampel yang baru atau dengan kata lain, konfirmatori faktor analisis (CFA) dapat digunakan untuk mengonfirmasi struktur faktor yang telah diidentifikasi dari hasil eksploratori faktor analisis (CFA) (Harrington, 2009).
1. Eksploratori Faktor Analisis (EFA)
Harrington (2009) mendefinisikan Eksploratori faktor analisis (EFA) sebagai sebuah proses yang digunakan untuk mengidentifikasi faktor-faktor yang mendasari atau variabel laten pada satu set variabel. Analisis ini juga menjelaskan hubungan (yaitu korelasi, kovariat, dan variasi) diantara aitem (yaitu, variabel atau indikator yang diamati). Eksploratori faktor analisis didasarkan pada model faktor secara umum, dimana masing-masing variabel yang diamati merupakan fungsi linier dari satu atau lebih, dari faktor umum (yaitu, variabel laten yang mendasarinya) dan satu faktor unik (yaitu, informasi spesifik aitem atau kesalahan (error).
Haig (2005) menjelaskan bahwa bagian dari varians aitem terbagi menjadi 2 yaitu 1) varians umum yang didapatkan berdasarkan faktor laten yang mendasarinya dan 2) varians unik yang merupakan kombinasi varians dari aitem-aitem (indicator-specific) yang reliabel dan kesalahan acak. Eksploratori faktor analisis sering dianggap sebagai pendekatan berbasis data untuk mengidentifikasi beberapa faktor yang mendasari variabel laten. Hal ini juga dapat digunakan untuk menghasilkan penjelasan dasar terkait teori dan mengidentifikasi struktur variabel laten yang mendasarinya. Namun, pengujian eksploratori faktor analisis masih belum cukup jika digunakan dalam validitas konstruk, oleh karena itu diperlukan pengujian lain seperti konfirmatori faktor
analisis (CFA) untuk mengenali hasil temuan yang didapatkan dari uji ekploratori faktor analisis (Haig, 2005).
Haig (2005) memaparkan bahwa eksploratori faktor analisis dan konfirmatori faktor analisis keduanya didasarkan pada model faktor secara umum, hasil dari ekploratori faktor analisis dapat menjadi landasan atau dasar yang lebih kuat untuk melakukan konfirmatori faktor analisis. Hal ini memperjelas bahwa eksploratori faktor analisis harus selalu digunakan dalam preferensi terhadap analisis komponen utama ketika sedang melakukan penyelidikan terkait struktur kausal secara umum.
Pada prosedur analisis faktor, suatu skala yang skornya dipengaruhi oleh faktor-faktor tertentu disebut sebagai skala yang memiliki faktor muatan (loading factor) yang tinggi. Faktor muatan (loading factor) merupakan indeks yang makna dan besarannya mirip dengan koefisien korelasi (Azwar, 2016c). Hair, dkk (2010) menegaskan bahwa suatu struktur dapat optimal ketika semua variabel memiliki nilai faktor muatan (loading factor) yang tinggi dan hanya memiliki satu faktor.
2. Konfirmatori Faktor Analisis (CFA)
Konfirmatori faktor analisis (CFA) merupakan suatu proses untuk menguji hubungan antara ukuran atau indikator yang diamati (misalnya aitem yang duji, nilai tes, penilaian obersevasi perilaku) dan variabel laten atau faktor (Brown, 2006). Lebih lanjut dijelaskan bahwa konfirmatori faktor analisis (CFA) hampir selalu digunakan dalam proses pengembangan skala untuk memeriksa struktur laten instrumen ukur (misalanya, kuesioner).
Baik eksploratori faktor analisis (EFA) maupun konfirmatori faktor analisis (CFA) keduanya merupakan bentuk dasar dari model faktor. Pada eksploratori faktor analisis (EFA) memungkinkan sebagai cara awal sebelum membangun
sebuah pengukuran, dan kemudian konfirmatori faktor analisis memungkinkan untuk dijadikan sebagai cara kedua untuk memeriksa apakah struktur yang diidentifikasi pada eksploratori faktor analisis berjalan pada sampel yang baru.
Dengan kata lain, konfirmatori faktor analisis (CFA) dapat digunakan untuk mengonfirmasi struktur faktor yang telah diidentifikasi dari hasil eksploratori faktor analisis (CFA).
Pada akhirnya uji konfirmatori faktor analisis, akan menghasilkan model yang fit. Brown (dalam Harrington, 2009) mengidentifikasi 3 kategori indeks model yang fit, yaitu:
1. Indeks absolut
Menguji apakah matriks varians dan kovarian yang diprediksi sama dengan matriks varian dan kovarian sampel. Indeks absolut yang paling umum digunakan yaitu model chi-square (X2), yang menguji apakah model sesuai dengan populasi. Namun, ada beberapa keterbatasan pada model chi-square, misalnya, model ini bergantung pada ukuran sampel dan hampir selalu signifikan dengan jumlah sampel yang besar. Adapun yang termasuk dalam indeks absolut lainnya yaitu Root Mean Square Residual (RMR), yang merupakan perbedaan rata-rata antara kovariab dalam matriks input dan kovarian yang diprediksi oleh model.
Namun, karena RMR dipengaruhi oleh matrik variabel input, maka sulit untuk menafsirkannya. Selain itu, ada pula Standardized Root Mean Square Residual (SRMR) merupakan residual rata-rata antara matriks (korelasi atau kovarian) dan hasil estimasi.
2. Indeks koreksi parsimoni
Indeks koreksi parsimoni merupakan penggabungan dari penalty untuk kesalahan parsimoni yang buruk, oleh karena itu apabila model yang dihasilkan
lebih kompleks, maka model tersebut dipandang memiliki kecocokan yang buruk.
Indeks koreksi parsimoni dapat ditinjau melalui Root Mean Square Error of Approximation (RMSEA) yang berfungsi untuk menguji sejauh mana model tersebut dapat digunakan dengan baik dalam suatu populasi.
3. Indeks kecocokan komparatif
Indeks kecocokan komparatif digunakan untuk membandingkan model yang diusulkan dengan model dasar. Adapun yang termasuk dalam indeks kecocokan komparatif yaitu Tucker-Lewis Index (TLI), Comparative Fit Index (CFI), dan Non-Normed Fit Index (NNFI).
Ada beberapa panduan yang tersedia untuk model yang "dapat diterima".
Brown (2006) merekomendasikan RMSEA mendekati atau kurang dari 0,06, SRMR mendekati atau kurang dari 0,08, CFI (Comparative Fit Index) mendekati 0,95 atau lebih, dan TLI (Tucker-Lewis Index) mendekati 0,95 atau lebih. Penting untuk dipahami bahwa ini bukalah pedoman yang kaku.
Kline (2011) menjelaskan bahwa RMSEA ≤ .05 menunjukkan perkiraan jarak dekat (close fit indeks), nilai antara 0,05 dan 0,08 menunjukkan kesalahan perkiraan yang wajar, dan RMSEA ≥ .10 menunjukkan kecocokan yang buruk.
CFI (Comparative Fit Index) lebih besar dari 0,90 dapat mengindikasikan kecocokan yang cukup baik dari model peneliti (Kline, 2011), dan nilai SRMR kurang dari 0.10 umumnya dianggap menguntungkan (Kline, 2011).
Berdasarkan beberapa indeks model fit yang ditawarkan, peneliti mengacu pada standar kriteria goodness of fit yang dikemukakan oleh Kline (2011) untuk meninjau kriteria goodness of fit berdasarkan nilai RMSEA (Root Mean Square Error of Approximation) berada pada rentang <0,05-0,08, SRMR (Standardized
Root Mean Square Residual) <0.10. TLI (Tucker-Lewis Index) >0,90, dan CFI (Comparative Fit Index) >0,90.
Adapun masing-masing fungsi dari indeks yang digunakan yaitu RMSEA (Root Mean Square Error of Approximation) berfungsi untuk mengetahui sejauh mana model ini cukup sesuai digunakan dalam suatu populasi, hal ini bersifat sensitif terhadap kompleksitas model, namun tidak seperti model chi-square, atau dengan kata lain RMSEA tidak sensitif terhadap ukuran sampel (Harrington, 2009). Selanjutnya, SRMR (Standardized Root Mean Square Residual) berfungsi untuk mengetahui residual rata-rata antara matriks (korelasi atau kovarian) teramati dan hasil estimasi (Brown, 2006). Sedangkan CFI (Comparative Fit Index) dan TLI (Tucker-Lewis Index) merupakan perbandingan indeks komparatif yang digunakan untuk mengevaluasi keseuaian model dengan model baseline yang lebih terbatas (Harrington, 2009).