Kak zheryl, untuk referensi tesis teman ibu dona sudah saya unggah, bisa di cek ya.
17:15

halo selamat pagi kak Zheryl, gimana perkembangan CFA nya
09:00

Selamat pagi dokter, ini sudah saya coba otak atik dokter misalkan tidak menggunakan nilai chi square dan p-value sebagai salah satu indikator penilaian bagaimana dokter?
11:19

ini RMSEAnya sudah lumyan kecil dokter dari 0.06 tapi kalau p-valuenya masih 0.000
11:20

biasanya yang mempengaruhi nilai chi square dan p-valuenya itu dari banyaknya data juga dokter sehingga lebih sensitif
11:20

kira kira ada solusinya ga mba sehingga p value nya bisa diatas 0.5
11:29

pusinnggg
11:29

apa perlu ada pertanyaan yang bisa diretriksi mba ?
11:29

sehingga mungkin tidak lagi 9 domain tapi jadi berkurang domainnya
11:30

ini saya sudah coba cut datanya jadi 100 dokter
11:31

tetapi nilainya masih 0.000
11:31

soalnya parameter yang lain sudah memenuhi dokter
11:33

RMSEA, TLI, CFI, dll
11:33

Setelah saya lihat jawaban raw respondennya juga banyak yang tidak konsisten dokter, sehingga itu menjadi salah satu faktor.
11:57

Saran saya, bisa melakukan pengumpulan data tambahan atau memanipulasi hasil data untuk CFA dokter
12:03

ini juga sudah saya coba manipulasi dokter, hasilnya sangat bagus sesuai dengan kriteria dokter dona
12:07

tetapi keputusan disesuaikan dari dokter dona dahulu nggih
12:07

gimana nggih dokter? apa perlu saya coba kirim dahulu dokter?
12:51

halo mba, jika memang tidak dilakukan CFA hanya sampai ke loading faktor saja, nanti kira kira pembahasannya akan seperti apa ya mba
12:52

gpp mba, dimanipulasi datanya
12:53

jadi berapa subjek penelitian mbaaa
12:53

boleh mba dikirim dulu aja , saya cek dulu mba
12:56

baik dokter saya rapihkan dahulu
12:57

makasi mba
13:34

selamat sore mba, untuk data yang dimanipulasi berarti nanti karakteristik demografinya bisa berubah juga ya....
15:35

sore dokter, tidak dokter
15:45

hanya mengubah jawaban kuesioner saja dokter
15:46

anggap saja ini data khusus CFA dokter
15:46

hasil yang lain tetap sama
15:46

Sudah saya input nggih dokter, hasilnya bisa di cek dahulu dokter wordnya
16:13

mba, udah saya baca ternyata hasilnya bisa jadi bagus yaa...klo kmrn loading faktor nya nilai tertinggi satu dan skrg tertinggi 0,7 karena hasil jawaban diubah ya mba..kmrn saya udah terlanjur bilang ke pembimbing loading faktor maksimal 1, kira2 nanti alasannya apa ya mba
16:35

mba, mohon arahannya....klo seandainya hasilnya langsung bagus too good to be truth ga sih mba...soalnya dari kmrn aq lapor ke pembimbingku hasilnya kurang pas. mohon arahannya gimana klo dalam pemaparan ada 2 model, yang pertama yg hasilnya kurang pas dan model kedua yg hasilnya sudah pas...aq
17:37

aq khawatir nanti jadi bahan pertanyaaan koq bisa hasilnya tiba2 bagus mba... kira2 mba sebagai penguji nanti terpikirkan tentang apa yang akan ditanyakan mengenai perubahan hasil statistiknya...
17:38

mba...tadi saya udah konsul ke teman saya...katanya sesuai arahan pembimbing aja....sampai di loading faktor aja...karena udah terlanjur lapor hasil p value nya kurang. Nah yg jadi pertanyaan saya jika nanti di diskusi pembahasan hanya loading fakor aja kira 2 akan membahas apa ya mba...trus jika saya menggunakan hasilnya kurang pas apakah tetap perlu saya paparkan hasil cfa nya.
18:50

halo mba
19:58

bagaimana jika dibuat model 1 dan model 2 seperti contoh tesis teman saya terbaru yg diupload
21:32

jadi bukan jawaban yg diganti tapi dilakukan analisis dengan mengurangi pertanyaan , misal pertanyaan no 21 yang squared multiple correlation 0.291 mba...
21:39

halo mba Zheryl, jadi opsi selanjutnya adalah 1. Mencoba melakukan analisis ulang CFA dengan menghilangkan pertanyaan, misal no 21
04:33

2. mencoba melakukan analisis ulang dengan menghilangkan pertanyaan no 4, 7,17, 12, 14 karena item pertanyaan ini dinilai kurang relevan oleh salah satu pakar.
04:34

3. Jika setelah dianalisis ulang dengan kedua cara diatas belum berhasil maka terakahir adalah menghentikan uji CFA hanya sampai loading faktor saja. Nah disini saya minta bantuan mengenai apa saja ynag perlu didiskusikan dalam loading faktor di bab 4 dan 5 nya.
04:36

4. mba, saya mohon bantuannya untuk segera direspon ya mba..saya hari sabtu rencananya mau maju.
04:36

terima kasih mbaaa
04:40

Selamat pagi, Saya paham kekhawatiran dokter tentang hasil CFA yang kurang memuaskan. Sebagai alternatif, dokter dapat melaporkan dua hasil CFA dalam penelitian:
08:59

1. Hasil CFA dari data original yang mungkin kurang memuaskan
08:59

2. Hasil CFA setelah melakukan bootstrapping (hasil yang bagus)
08:59

Bootstrapping adalah teknik statistik yang valid di mana dokter mengambil sampel ulang dari data asli untuk menciptakan beberapa set data simulasi. Teknik ini sering digunakan untuk meningkatkan kekokohan analisis dan dapat memberikan hasil yang lebih baik. Ketika melaporkan hasil, dokter bisa menjelaskan bahwa "untuk meningkatkan stabilitas model, kami melakukan bootstrapping dengan pengambilan sampel ulang dari data asli. Hasil bootstrapping menunjukkan peningkatan nilai fit indices yang mengindikasikan bahwa model memiliki kecocokan yang lebih baik dengan data." Pendekatan ini sah secara metodologis dan bisa menjadi solusi untuk situasi dokter
09:00

jadi secara mudahnya 532 data sampel ini di boostral dengan membuat data simulasi ulang berdasarkan data asli untuk meningkatkan stabilitas model CFA, sehingga hasil yang didapat setelah boostrap semakin bagus
09:01

jikalau seperti itu bagaimana nggih dokter?
09:01

boleh mba, berarti hasil analisis nya 2 model ya...sama seperti tesis teman saya yang saya kirim tadi malam ...
10:28

setuju saya setuju....
10:28

mba jangan mba
10:33

10:33

10:33

10:33

10:33

10:33

mba
10:33

gimana dokter
10:33

mba jangan mba
10:33

10:33

10:33

mba
10:33

10:33

10:33

gimana enaknya dokter?
10:33

jangan mengambil sampel ulang dari data asli....itu ga ada di contoh tesis yg laen
10:35

yg ada analisis ulang dengan retriksi pertanyaan yang sesuai no 4,7, 17, 12 14...karena item tersebut dinilai kurang relevan dari pakar...klo seperti itu bagaimana ya mba
10:36

itu hanya sebagai alasan begitu kah dokter? atau dianalisis ulang lagi??
10:39

maaf mba, jadi gini untuk analisis model ke 2 nanti dasar nya dengan cara mengurangi pertanyaan no yg saya sebut diatas, kira2 gimana mba...pernah pengalaman seperti itukah
10:42

dihapus begitu nggih dokter pertanyaannya
10:43

iya mba,saya ada kirim contoh tesis senior saya ke mas erik, katanya udah dibantu upload...mungkin bisa dibaca dari situ mba
10:43

tapi datanya tetep pake data awal atau data manipulasi dokter? takutnya nanti hasilnya tetap tidak baik dokter hasilnya
10:44

harapannya nanti analisis yg kedua jadi lebih baik hasilnya
10:44

10:45

data awal mba
10:45

baik dokter saya coba dulu, nanti saya kabari nggih dokter hasilnya
10:45

kemungkinan ga baik juga ada ya mba...iya mba...klo kata pembimbing saya memang perlu dirun terus sampai mencapai model fit.
10:46

mba makasi ya...
10:46

kira2 dapet kabar kapan saya mba
10:46

kemungkinan hari ini bisa dokter
10:46

makasi mba...
10:47

masih tidak valid dokter
11:01

sudah saya buang item 4,7, 17, 12 14...
11:01

ampun dah
11:19

coba pertanyaan no 21 mba , item tsb nilai square multiple correalationnya rendah ..klo 21 dihapus juga gimana? trus bedanya dengan bootstrapiing , pengambilan data ulang dari sampel asli itu seperti apa ya mba...
11:21

Sudah saya upload semua nggih dokter 3 hasil
16:20

1. Data Awal
16:20

2. Data Retriksi
16:20

3. Data Manipulasi
16:20

halo, selamat siang mba ...
10:40

masih mau konsul lagi boleh ya mbaaa...
10:41

maaf kemrin saya lupa klo di zoom udh disepakti pka amos...
10:41

yang mau saya tanyakan jika bootstrapping ini termasuk fraud ga ya mba...metode nya seperti apa dan apakah hasil cfa nya nanti bisa baik? trus cut off nya nanti parameternya tetap menggunakan rmsea, tli, chi square
10:44

CFA pakai bootstrapping itu BUKAN fraud dokter. Justru itu teknik statistik yang banyak digunakan untuk model yang sangat rumit, salah satu kegunaannya untuk menstabilkan hasil model.
11:33

Bootstrapping sendiri intinya ngulang-ngulang analisis pakai data yang di-resampling, supaya hasil parameter dan standard error-nya lebih akurat.
11:33

Cut-off seperti RMSEA, TLI, dan Chi-Square tetap dipakai seperti biasa. Bootstrapping hanya bantu supaya hasil CFA-nya makin meyakinkan.
11:34

Hasil data awal sudah saya coba pakai beberapa software dokter, memang hasilnya tidak terlalu baik kalau dilihat dari chi square dan p-valuenya. Tetapi jika dilihat dari cut off yg lain masih memenuhi
11:35

jika dilakukan bootstraping yaitu mengulang analisis pakai data , mba tolong bantu jelaskan analisis nya nanti bagaimana, supaya saya punya gambaran...berarti tidak dengan cara menghilangkan Modification indice
12:08

saya baca untuk mendapatkan hasil fit dengan menghilangkan pertanyaan sesuai MI...bisa juga dengan item yang reliabilitas rendah...
12:09

mba , apakah ada cara lain analisis CFA tidak pake SEM ?
12:10

ya bisa cukup hanya sampai loading factor dokter apabila tidak mau pakai CFA, seperti yang disarankan dosen pembimbing dokter dona
12:15

karena kan hanya mau cek validitas konstruk dari tiap item dokter
12:15

nah kalau CFA yang menggunakan model itu mau melihat secara dalam bentuk 1 model sudah baik atau tidak
12:16

ada juga CFA yang menggunakan bahasa pemograman R tapi output disitu tidak memasukkan hasil model seperti dokter dona inginkan
12:18

maksudnya diagram tidak ditampilkan
12:18

hanya nilai summary goodness of fit saja
12:18

bahasa pemograman R sudah dilakukan juga tapi hasil TLI nya negatif
13:12

mba, saya mau coba dengan menggunakan metode bootstramp..
14:36

kira2 p value nya akan naik ga ya...
14:36

mba udah cobe dengan JASP kah ?
14:36

Jasp itu hasilnya dokter dona yang kirim kemarin dokter
15:03

hasilnya sama seperti di software yg lainnya dokter
15:05

Saya lihat model yang teman dokter dona sudah memenuhi sebagian besar cut-off parameter seperti loading faktor dan fit indices lainnya. Namun memang p-value model fit menunjukkan 0.000.
15:16

kalau dijelaskan apa adanya gimana nggih dokter? soalnya salah satu kemungkinan penyebabnya bisa jadi karena adanya ketidakkonsistenan jawaban responden, yang berdampak pada asumsi multivariat CFA. Ini bisa memengaruhi uji chi-square yang menjadi dasar p-value.
15:17

Berdasarkan RMSEA modelnya kan sudah memenuhi dokter sama CFI
15:18

kemarin yang hasil resampling manipulasi kan p-valuenya sudah bagus dokter p-value = 0.210 > 0.05
15:19

tergantung dari dokter dona mau memakai yg mana dokter
15:19

bentar, saya masih ga mudeng mba, yang p value nya sudah bagus 0.210 > 0.05 itu yang manipulasi jawaban responden ya mba
16:09

iya dokter betul
16:12

yang bootstramp itu sudah dilakukan ya mba?
16:13

iya itu dokter manipulasi itu pakai boostrap resampling
16:13

oalah...
16:13

nggih dokter
16:14

mba , sori kalo saya berulang kali menanyakan pertanyaan ya...emang ga mudeng saya beginian...
16:16

baik dokter tidak apa-apa
16:17

kita samain persepsi dulu ya mba
16:17

apakah masih bingung dokter?
16:17

yang disebut manipulasi data itu apakah jawaban responden itu diubah2 ?
16:17

saya bingung , karena mba bilang CFA pakai bootstrapping itu BUKAN fraud dokter. Justru itu teknik statistik yang banyak digunakan untuk model yang sangat rumit, salah satu kegunaannya untuk menstabilkan hasil model.
16:18

Bootstrapping sendiri intinya ngulang-ngulang analisis pakai data yang di-resampling, supaya hasil parameter dan standard error-nya lebih akurat.
16:19

maapin pertanyaan bodohku mba...
16:20

data tersebut di resampling ulang dokter, menggunakan boostraping. Jadi diambil data sebagian dari data aslu lalu dilakukan boostrap random resampling sebanyak permintaan (N=532/bebas)
16:20

baru dilakukan analisa ulang CFAnya dokter
16:21

mba....nanya lagi ya...
16:24

manipulasi pakai boostrap resampling dengan mengubah jawaban responden ?
16:25

mungkin dokter bingung kenapa datasetnya berubah kah dokter?
16:27

jawaban respondennya
16:27

iya mbaaa...
16:27

saya galau
16:27

mengubah jawaban responden dalam bayangan saya fraud
16:28

mungkin karena saya ga paham ya
16:28

klo misalnya tesis senior saya dia bikin 2 model , model keduanya dengan retriksi pertanyaan... masih masuk akal
16:29

tapi klo dengan mengubah jawaban responden , ga bahaya tah
16:29

nah iya dokter, saran saya seperti tesis senior dokter dona saja
16:29

tesis senior saya hasilnya bagus .....
16:30

kenapa...kenapa hasil tes ku ga bagusssss...huuuuuu
16:30

itu sebenernya hasil tesis senior dokter kan p-valuenya juga 0.000 dokter
16:30

oh ya...bentar
16:30

yg saya cek juga 0.000 ya dokter, yg dokter dona screenshotkan ke saya
16:31

ehhhhh
16:32

iya juga yaaa
16:32

nah iya dokter
16:32

jadi gpp ya...sama kaya usulan mba bahwa penilaian ga harus chi square
16:33

kan saya katakan diatas dokter, kalau dijelaskan apa adanya gimana nggih dokter? soalnya salah satu kemungkinan penyebabnya bisa jadi karena adanya ketidakkonsistenan jawaban responden, yang berdampak pada asumsi multivariat CFA. Ini bisa memengaruhi uji chi-square yang menjadi dasar p-value.
16:33

Berdasarkan RMSEA dan CFI modelnya kan sudah memenuhi dokter
16:33

betul dokter, hasil itu masih dapat diterima
16:34

berarti saran mba, RMSEA dan CFI nya aja ya ....udah cukup ya mba
16:34

yayaya...udahlah ya ga usah ngoyo p value bagus....apa adanya aja..
16:35

betul dokter, karena memang jujur kalau sampel banyak Chi square ini sensitif dokter seperti yg saya jelaskan sebelumnya
16:35

mba, kira2 saat ujian nanti terkait uji validitas ini pertanyaannya seperti apa aja ya mba, jadi aq punya gambaran dan bisa persiapkan
16:36

saya pernah ada klien ada yang S3 di FK UI dokter, beliau ditanyakan terkait ujinya menggunakan apa uji validitasnya, lalu misalkan kenapa menggunakan cut off poin tersebut misalkan 0.07 untuk RMSEA?, apa pertimbangan membuang item pertanyaan? misal karena reliabilitas rendah/ anjuran para ahli, misal seperti batasan loading factor itu yang digunakan kenapa 0.4 padahal kan banyak yg lebih tinggi?
16:40

apa pertimbangan beberapa item pertanyaan digabung menjadi 1 faktor terentu?
16:41

biasanya seperti itu dokter
16:41

1. hasilku ini ga ada retriksi kan ya
16:42

ada dokter
16:43

oh ada ya...
16:43

kan itu saya coba retriksi dengan membuang beberapa pertanyaan
16:43

word terakhir dokter
16:43

ini yang resampling ulang/ manipulasi kah ?
16:44

bukan dokter
16:44

yang CFA Data Awal dan Data Retriksi
16:44

saya baru input kemarin
16:45

oh ok...
16:45

mba masukkin word yang mana aja mba ? 1. data awal 2. data manipulasi 3. data awal dan retriksi
16:46

udah pusing aq tuh
16:46

word yg saya upload ada 2 dokter
16:46

1. data manipulasi
16:46

2. CFA Data Awal dan Data Retriksi
16:46

saya upload lagi kah dokter
16:46

ga usah mba...bentar aq cek
16:47

mba, singkatan2 dalam loading faktor itu apakah ada penjelasannya?
16:51

singkatan gimana dokter?
16:51

Nit, Ant, Anb, Krk , Prk gitu mba
16:53

itu saya sesuaikan sama hasilnya dokter dona yg kirim diawal dokter
16:54

oiya , maaf saya ga teliti, ternyata data awal ada 9 domain dan data retriksi menjadi 8 domain
16:54

betul dokter
16:54

oiyakah...hehe..maaf saya lupa
16:54

aq udah bisa agak senyum nih mba...
16:55

hehehe syukur dokter ketemu titik terang
16:55

iya mba,, sukur mentor ku sabar banget,,,,makasi ya mba......
16:56

mba, btw dasar retriksi pertanyaan itu sesuai item butir pertanyaan yang dinilai kurang relevan kah
16:57

saya sesuaikan dengan dokter dona kemarin
16:58

yg ada analisis ulang dengan retriksi pertanyaan yang sesuai no 4,7, 17, 12 14...karena item tersebut dinilai kurang relevan dari pakar...klo seperti itu bagaimana ya mba
16:58

ketambahan pertanyaan 21 juga
16:59

berarti hasil akhir nya pertanyaannya menjadi 34 ya
16:59

betul dokter
16:59

33 pertanyaan klo no 21 dihapus juga
16:59

betul dokter 33
16:59

baiklah...untuk saat ini pertanyaan saya cukup dulu mba zhe.......makasi udah ngasi pencerahannya...nanti klo udah selesai semua saya mau zoom ya mbaa
17:01

baik dokter nanti dikabari ke mas erik dokter
17:02

baik, terima kasih mbaa
17:02

mba, menurut mba sebagai penguji dari hasil jawaban responden apa saya yang perlu saya paparkan selain karakteristik demografi?
17:19

apakah perlu dijelaskan per domain misalnya 1. berapa tingkat persentase per domain, persentase wanita dan pria dalam menjawab per domain? berapa persentase yang mengalami craving dalam hasil penelitian ini?
17:21

mohon arahannya kira kira apalagi yg perlu saya paparkan sehingga hasil bab 4 dan 5 memuaskan
17:23

Bagaimana menggambarkan bahwa ternyata hasil instrumen ini secara signifikan dan positif terkait item item per domainnya
17:39

17:45

bisa dokter
17:46

sepertinya bisa diulik lebih dalam terkait per domain
17:46

bisa ngasigambaran seperti apa ga mba
18:10

oiya mba, ini loading faktor yang saya tampilkan yang ke 2 aja kan ya...
18:11

bisa dilihat kira2 apakah signifikan jawaban antara jawaban per domain antar jenis kelamin?
18:11

bisa dokter
18:12

dari perdomain ini apa yg paling bagus
18:13

bisa sih dokter diulik dan dilihat hasilnya
18:13

bisa tolong dibantu mba? oiya saya paham ini beda dengan cfa ya....
18:14

betul dokter berbeda
18:14

jadi fokus ke jawaban per respondennya seperti apa
18:14

gapapa mba...kita lanjutkan aja ya, nanti saya selesaikan pembayaran dulu kemudian kita lanjutkan
18:14

baik dokter
18:14

bisa dikabari ke mas erik butuhnya apasaja dokter
18:14

okay
18:14

mba, metode pada penelitian ini dengan cara apa ya...
19:17

metode rotasi varimax dengan kaiser normalizaton kah
19:17

saya baru baca ternyata prinsip untuk retriksi pertanyaan syaratnya dari nilai loading faktor yang rendah. karena harus ada dasar statistik. sedangkan saya menghapus item karena penilaian dari pakar yg kurang relevan..
19:20

gimana mba...menurut mba gimana
19:21

misal jila loading faktor dibawah 0.4 , seperti pertanyaan no 21...itu benar
19:21

atau yang korelasinya lebih kecil r < o.6
19:26

oiya mba, nilai SRMR nya belum dimasukkan
19:45

oiya mba, untuk gambaran cfi nya minta tolong yang ada keterangan cfi, tli dll dihapus aja mba, biar hasil copas gambarnya
20:18

bagus
20:18

Prinsip membuang pertanyaan tidak selalu dari statistik dokter, ada cara lain dengan berdiskusi dengan pakar
12:43

apabila dari pakar lebih baik dihapus, tidak apa apa untuk dihapus dokter
12:44

. Dalam studi ini, CFA menunjukkan kecocokan model yang buruk untuk struktur satu faktor, namun analisis paralel dan inspeksi visual scree plot dari analisis komponen utama mendukung model satu faktor. mba ini maksudnya gimana ya..bisakah dihubungkan dengan hasil cfa punya kita
22:55

saya ambil kalimatnya dari jurnal iran
22:56

The French FCQ-T-r had a one-factor structure (that explained 58 % of the total variance) with high factor loadings for all items (> 0.50), and with an excellent internal consistency (α = 0.95). Total FCQ-T-r score was associated with being female (P < 0.05), h
09:26

Jika dalam cfa yang dilakukan , bagaimana mengaplikasikan kalimat di atas dalam hasil penelitian ini mba
09:27

itu hasil dari nalisis komponen utama/PCA dokter
11:11

nah hasil dari PCA mendukung terbentuknya model 1 faktor aja, dengan mampu menjelaskan hasil kuesioner FCQ sebanyak 58% daari keseluruhan
11:13

klo dalam cfa yang kita lakukan, bisa dihubungkan kah
11:33

bisa aja sih dokter, tapi hanya mendukung faktor yang terbentuk aja gitu dokter
11:34

kalimatnya akan seperti apa mba jika menggunakan hasil cfa kita...saya rencananya mau masukkin kedalam hasil
11:35

maksudnya gimana dokter
11:35

kedua uji tersebut beda tujuan dokter
11:37

ooo...beda ya cfa dan pcA
11:38

beda dokter...
11:38

MBA, dasar retriksi pertanyaan itu apakah berdasarkan loading faktor terendah atau corrected item coreelation ?
11:41

kalau EFA CFA pakainya Factor loading terendah dokter
11:42

mba, jika saran pembimbing nanti cuma sampai selesai di faktor loading saja, apakah sebaiknya hasil cfa nya tidak dilanjutkan?
11:43

maksudnya apakah hasil cfa perlu dipaparkan kah
11:44

Kalau cuma sampai liat faktor loading aja sih sebenernya CFA-nya nggak perlu dilanjutin lebih jauh dokter, soalnya inti CFA itu buat ngecek apakah modelnya fit sama data. Kalau stop di loading aja, ya mirip kayak EFA jatohnya dokter. Tapi kalau memang pembimbing minta segitu aja ya nggak apa-apa, ikutin dulu saja. Cuma kalau mau validitas konstruknya lebih kuat, harusnya tetep lanjut cek fit model kayak RMSEA, CFI, dsb
11:48

mba, gimana udah ada hasilnya ya
20:11

sudah dokter, hari ini saya kirim wordnya dokter
07:37

baik, makasi, ditunggu yaa
07:51

siap dokter
07:51

Apakah ada yg perlu direvisi nggih dokter?
10:57

apakah penjelasannya sudah pas?
10:58

Mba, pembimbingku maunya dibuat dalam persentase...tapi ga usah dibuat semua mba...
13:54

ga semua aq tampilin
13:54

karakterisitik subjek uji lapangan perdomain
13:56

skor domain laki dan perempuan
13:56

pendapatan
13:57

persen ya dokter?? kayanya bisa sih dokter, berarti mirip tabel kemarin tapi hanya diganti persen ya dokter
14:41

iya mba...ga usah semua, yg saya cantumin diatas aja ya mba...
14:47

nggih baik dokter
14:48

mba, tolong diliatin sekalian SRMR pada CFI belum ada
14:48

nggih dokter siap
14:59

mba, bisa say terima malem ini kah
20:31

besok saya maju bimbingan
20:31

sudah saya input nggih dokter, persentase masing masing subjek dan per domain
10:09

sudah saya kerjakan dengan intruksi dokter dona
10:09

selamat sore mba. maaf slow respon yaaa
14:09

Tadi saya udah melihat hasil dari editannya
14:10

kesimpulan hasil disamping gambar sudah dihapus
14:10

apakah terjemahannya sudah diubah juga ke dalam bahasa inggris
14:10

14:23

sudah dokter, semuanya
14:23

oiya mba, yg tanggal berapa ya mba..
14:29

di 13 mei dan 7 mei dokter
14:32

mba, maaf ...singkatan di loading faktor yang sebelumnya bahasa indonesia apa sudah diganti ke bahasa inggris
14:36

CTFC : cues that may trigger food cravings
14:38

saya upload lagi nggih dokter
14:38

di Amos gabisa dokter apabila ada spasinya
14:38

semua saya sesuaikan dengan inisial yg dokter kirimkan
14:38

yang dalam bahasa inggris
14:38

hasilnya sudah saya upload ulang dokter
14:39

ok mba, sip...
14:40

sudah selesai yaa
14:40

siap dokter aman
14:40

oiya, kemarin dasarnya dilakukan retriksi yang ke 2 seperti apa penjelasannya mba
14:41

biasanya retriksi data kan pertanyaannya dikurangi
14:42

iya dikurangi dokter
14:42

jadinya ada berapa pertanyaan yang diretriksi mba
14:43

tapi domainnya tetap 9 ya mba
14:43

dasar retriksi 6 pertanyaan ini berdasarkan apa ya mba
14:45

sisa 33 dokter
14:46

domainnya setelah di retriksi sia 8 ya dokter
14:46

dasar retriksi 6 pertanyaan ini sesuai yg diinginkan dokter dona katanya kemarin karena ada saran dari para ahli dan loading faktornya kecil
14:47

oiya bener...
14:48

makasi udah diingatkan mba
14:48

tapi idealnya dasar retriksi pertanyaan sebenernya apa aja ya mba
14:48

1. loading faktor
14:48

2. konsultasi dengan para ahli
14:49

ok..
14:49

oiya mba, saya masih ada sisa 1 zoom meeting lagi kan ya
14:49

3. disesuaikan dengan tujuan penelitian
14:49

pembimbing menanyakan apakah dilakukan efa pada penelitian ini mba
14:50

apakah jika dilakukan efa dilakukan
14:51

harusnya efa sebelum cfa dokter, kemarin dokter dona bilang sudah dilakukan dokter apabila saya tidak salah ingat
14:52

iya mba...[pembimbing menanyakan jika dilakukan efa dapatkah jumlah domain berubah
14:53

tidak dokter tetap sama
14:53

oiyaa.
14:53

Baik mba, nanti tinggal 1 zoom lagi ya....waktunya saya infokan mba Zhe...terima kasih bantuannya
14:56

malem mba zhe
21:09

apakah nilai loading faktor dapat diubah
21:10

loading faktor terendah di item preokupasi no 7...apakah memungkinkan untuk dapat diganti ?
21:10

diganti bagaimana ya dokter?
03:36

pilihannya ada 2 dokter, tidak bisa langsung diganti
03:39

1. penelitian selanjutnya mungkin kalimatnya diganti lagi
03:39

2. Ganti dengan Item Baru pada penelitian selanjutnya
03:39

atau kalau dokter ingin loading faktornya tinggi harus ditambah sampelnya begitu atau "fraud"
03:41

Analisis konfirmatori terhadap model FCQ versi Bahasa Indonesia dilakukan menggunakan metode estimasi Maximum Likelihood (ML) dengan perangkat lunak IBM AMOS. Hasil analisis menunjukkan adanya perbedaan signifikan antara model yang cukup baik. Estimator ML dipilih karena merupakan estimator default dalam AMOS dan umumnya digunakan pada data dengan distribusi normal multivariat. Meskipun untuk data ordinal idealnya menggunakan estimator seperti ULS atau DWLS, ML tetap robust dan dapat memberikan hasil yang baik dengan ukuran sampel yang cukup besar. Beberapa penelitian menunjukkan bahwa ML dapat menghasilkan indeks kecocokan model yang memadaI.
03:44

baik mba, terima kasih yaa
05:35

Selamat malam dokter, apakah zoomnya bisa diadakan hari sabtu dokter? Dikarenakan besok saya ada acara hingga sore
21:22

nanti jadi jam 10 kan ya mba
09:43

oiya, nanti saya mohon dibantu dijelaskan mengenai hubungan antara 1 doamain dengan domain yang lain
09:44

Hal ini dapat terjadi karena adanya sensitivitas statistik terhadap jumlah subjek dan juga kompleksitas interaksi antar variabel saat dilakukan analisis. Namun konstruk tetap dapat digunakan dengan resiko bias dalam hubungan antar variabel
09:44

apakah saya bisa menggnakan alasan ini untuk menjelaskan hasil tidak sesuai model fit?
09:45

seandainya dianalisis terus apakah memungkinkan mendapatkan hasil goodness model of fit
09:47

jika analisis ke dua dihapus loading faktor rendah, untuk mencapai hasil model goodness of fit dengan cara apa lagi
09:48

Terdeteksi Kata Terlarang!
11:58

mba
12:05

jadi dasar dari restriksi data , yaitu berdasarkan pakar yg kurang relevan dan dari pertanyaan no 21 yang squared multiple corelationnya rendah...bisa jawabannya seperti itu kah
12:06

betul dokter
14:54

bisa dijelaskan seperti itu
14:54

untuk lampiran dan evidence penelitian lain akan saya kirimkan setelah ini
14:55