TUJ_PEM_PI
IV. Variabel tujuan pembangunan Perikanan Jawa Tengah (TUJ_PEM_Pi) 1. Kelompok
2) Persamaan spesifikasi model pengukuran
Pada spesifikasi ini peneliti menentukan variabel mana mengukur konstruk mana serta menentukan serangkaian matrik yang menunjukan korelasi yang dihipotesakan antar konstruk atau variabel. Persamaan untuk model pengukuran dapat digambarkan sebagai berikut :
Variabel = variabel eksogen + error
Persamaan strukturalnya adalah sebagai berikut :
Variabel 1 (X1) = ? 1 Y 1 + e 1...[58] Variabel 2 (X2) = ? 2 Y 2 + e 2...[59] Variabel 3 (X3) = ? 3 Y 3+ e 3...[60] Dimana :
X1, X2, X3 = Variabel yang di survei ? = Loading Factor e = Error
Dari Gambar 6 Model Path Diagram Tujuan Pembangunan Perikanan Jawa Tengah, dapat dijelaskan persamaan spesifikasi model sebagai berikut :
X1= ? 1 LUP + e 1 X18= ?18KEBIJ_DAE+e18 X35= ?35KI_PROS+e35
X2= ? 2 LUP + e 2 X19= ?19KEBIJ_DAE+e19 X36= ?36KI_PROS+e36
X3= ? 3 LUP + e 3 X20= ?20KEBIJ_DAE+e20 X37= ?37KI_PROS+e37
X4= ? 4LUP + e 4 X21= ?21KEBIJ_DAE+e21 X38= ?38KI_PROS+e38
X5= ? 5 LUP + e 5 X22= ?22KEBIJ_DAE+e22 Y1= ?39TUJ_PEM_PI+e39
X6= ? 6 LUP + e 6 X23= ?23KEBIJ_DAE+e23 Y2= ?40TUJ_PEM_PI+e40
X7= ? 7 LUP + e 7 X24= ?24KEBIJ_DAE+e24 Y3= ?41TUJ_PEM_PI+e41
X8= ? 8 LUP + e 8 X25= ?25KUP_TANG+e2 5 Y4= ?42TUJ_PEM_PI+e42
X9= ? 9LUP + e 9 X26= ?26KUP_TANG+e2 6 Y5= ?43TUJ_PEM_PI+e43
X10= ?10 LUP + e10 X27= ?27KUP_TANG+e2 7 Y6= ?44TUJ_PEM_PI+e44
X11= ?11KEBIJ_PUS+e11 X28= ?28KUP_TANG+e2 8 Y7= ?45TUJ_PEM_PI+e45
X12= ?12KEBIJ_PUS+e12 X29= ?29KUP_TANG+e2 9 Y8= ?46TUJ_PEM_PI+e46
X13= ?13KEBIJ_PUS+e13 X30= ?30KUP_TANG+e3 0 Y9= ?47TUJ_PEM_PI+e47
X14= ?14KEBIJ_PUS+e14 X31= ?31KUP_TANG+e3 1 Y10= ?48TUJ_PEM_PI+e48
X15= ?15KEBIJ_PUS+e15 X32= ?32KUP_TANG+e3 2 Y11= ?49TUJ_PEM_PI+e49
X16= ?16KEBIJ_DAE+e16 X33= ?33KI_PROS+e33
Langkah ke ( 4 ) : memilih matrik input dan estimasi model
Pada SEM hanya menggunakan matrik kovarians/matrik korelasi sebagai data input untuk keseluruhan estimasi yang dilakukan. SEM ini pada mulanya sebagai alat analisis yang berbasis pada matrik kovarians. Matrik kovarians digunakan karena memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi yang berbeda atau sempel yang berbeda, hal ini tidak dapat digunakan analisis korelasi. Menurut Baumgartner dan Homburg (1996), yang dikutip dalam Ferdinand (2005), menyarankan agar menggunakan matrik kovarians pada saat pengujian teori sebab kovarian lebih memenuhi assumsi metodologi dan merupakan bentuk data lebih sesuai untuk memvalidasi hubungan kausalitas. Kemudian ukuran sampel memegang peranan penting dalam estimasi dan interpretasi hasil-hasil SEM. Ukuran sampel yang harus digunakan menurut Hair et al. yang paling sesuai adalah antara 100-200. Apabila ukuran sampel lebih dari 400 maka metode menjadi lebih sensitif sehingga sulit mendapatkan ukuran goodness of fit yang baik. Ukuran sampel minimum 5-10 observasi untuk setiap estimasi parameter (Imam Ghozali dan Fuad, 2006, dan Ferdinand 2006) sehingga dari jumlah indikator penelitian 49 maka jumlah sampel minimal 245 s.d 490, akan tetapi setelah mengalami revisi dari beberapa variabel laten didapatkan jumlah indikator penelitian menjadi 43, maka kisaran jumlah sampel antara 215-430. Dalam penelitian ini jumlah sampel telah memenuhi syarat yaitu 228 responden, sehingga teknik estimasi yang digunakan Maximum Likelihood (ML).
Langkah ke ( 5 ) : Kemungkinan munculnya masalah identifikasi
Salah satu masalah yang dihadapi dalam penggunaan estimasi model kausal ini adalah masalah identifikasi. Problem identifikasi pada prinsipnya adalah masalah mengenai ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik. Problem identifikasi dapat muncul gejala sebagai berikut :
1) Standard error untuk satu atau beberapa koefisien adalah sangat besar. 2) Program tidak mampu menghasilkan matrik informasi yang seharusnya
disajikan
3) Muncul angka-angka yang aneh seperti adanya varian error yang negatif
4) Munculnya korelasi yang sangat tinggi antara koefisien estimasi yang didapat (dapat lebih dari 0,9)
Langkah-langkah untuk menguji ada atau tidak adanya problem identifikasi adalah sebagai berikut :
1) Model diestimasi berulang-ulang, dan setiap estimasi dilakukan dengan menggunakan starting value yang berbeda-beda. Bila ternyata hasilnya adalah model tidak konvergen pada titik yang sama setiap kali reestimasi dilakukan.
2) Model dicoba diestimasi, kemudian angka koefisien dari salah satu variabel dicatat, berikutnya koefisien itu ditentukan sebagai sasuatu yang fix pada faktor atau variabel kemudian dilakukan estimasi ulang. Apabila estimasi ulang ini overall fit indeknya berubah total dan berbeda sangat besar dari sebelumnya diduga terdapat problem identifikasi. Disarankan apabila setiap estimasi muncul problem identifikasi ini, model ini sebaiknya dipertimbangkan ulang dengan mengembangkan lebih banyak konstruk.
Langkah ke ( 6 ) : Evaluasi kriteria goodness of fit
Pada langkah ini peneliti harus menggunakan indikator-indikator
goodness of fit dalam menilai fit suatu model. Peneliti tidak boleh hanya menggunakan satu indeks atau beberapa indeks saja untuk menilai suatu model fit, akan tetapi harus mempertimbangkan seluruh indeks. Berikut disajikan beberapa indeks sebagai kriteria goodness of fit (Ghozali dan Fuad 2005):
1) Chi-Square dan Probability
Nilai probabilitas chi-square adalah signifikan (p = 0,00). Apabila hasil analisis didapatkan lebih besar dari p = 0,00 , model dikatakan tidak fit. 2) ?²/df
Ratio perbandingan antara nilai chi-square dengan degrees of freedom (X²/df). Nilai yang diperoleh harus lebih rendah dari cut-off model sebesar 5 disarankan oleh Wheaton (1977) atau Byrne (1988) mengusulkan nilai ratio <2, yang diacu Ghozali (2004) serta Ghozali dan Fuad (2005).
3)RMSEA (Root Mean Square Error of Approximation)
Hipotesis dapat diterima apabila hasil evaluasi menunjukkan angka RMSEA yang jauh lebih kecil dari 0,05 (Joreskog dan Sorbom 2005).
4) NFI (Normed Fit Index)
Nilai ini ditemukan oleh Bentler dan Bonetts (1980) yang diacu dalam
Ghozali dan Fuad (2005) merupakan salah satu untuk menentukan model
fit. Hasil analisis suatu model dikatakan fit apabila nilai NFI mendekati atau lebih besar dari pada 0,9. Jika tidak fit diduga model terlalu komplek.
5) NNFI (Non – Normed Fit Index)
Nilai NNFI ini digunakan untuk mengatasi permasalahan kompleksitas model dalam perhitungan NFI, nilai untuk NNFI lebih besar 0.9.
6) CFI (Comparative Fit Index)
Suatu model dikatakan fit (baik) apabila hasil analisis memiliki nilai mendekati 1 dan 0,9 adalah batas model fit (Bentler 1990 yang diacu dalam
Ghozali dan Fuad 2005). 7) IFI (Incremental Fit Index)
Suatu model dikatakan fit apabila nilai IFI lebih besar 0,9 (Byrne 1998
diacu dalam Ghozali dan Fuad 2005). 8) RFI (Relative Fit Index (RFI)
Nilai RFI berkisar antara 0 sampai 1, dimana nilai semakin mendekati 1, maka model dikatakan Fit.
9) GFI (Goodness of Fit Indices)
Goodness of fit indices (GFI) merupakan suatu ukuran mengenai ketepatan model dalam menghasilkan observed matriks kovarians. Nilai GFI untuk menghasilkan model yang fit berkisar antara 0 sampai 1 atau lebih besar dari 0,9 (Diamantopaulus dan Siguaw 2000 yang diacu dalam
Ghozali dan Fuad 2005).
10) AGFI (Adjusted Goodness of Fit Index)
Nilai AGFI adalah sama dengan GFI tetapi sudah menyesuaikan pengaruh dengan degrees of freedom pada suatu model.
11) PGFI (parsimony goodness of fit index)
Nilai batasan lebih besar 0,6 model dikatakan baik (Byrne 1998). Berdasarkan batasan dan kriteria untuk menilai suatu model di atas maka suatu model akan diuji melalui goodness of fit (Tabel 6)
Tabel 6 Goodness of fit statistics
Sumber: Ghozali (2004),Ghozali dan Fuad (2005) dan Ferdinand 2006 Selain itu perlu diuji pula nilai analisis dengan melihat nilai : 1) ECVI (Expected Cross Validation Index)
Hasil analisis mengharuskan nilai ECVI penelitian lebih rendah dari nilai ECVI for saturated ataupun nilai ECVI for independence model, artinya model baik untuk direplikasikan pada penelitian berikutnya.
2) AIC dan CAIC (Akaike’s Information Criterion )
Digunakan untuk menilai masalah parsimony dalam penilaian model
fit. Nilai AIC sensitive terhadap jumlah sampel sedang Caic tidak (Bandalos 1993 dalam Ghozali dan Fuad 2005). Hasil analisis nilai AIC dan CAIC harus lebih kecil dari AIC model saturated dan independence untuk membuktikan bahwa model dikatakan fit.
Reliabilitas konstruk dan variance extracted
Pengukuran model fit untuk nilai reliabilitas konstruk dan variance extracted, setiap variabel laten digunakan untuk menilai apakah indikator-indikator tersebut cukup dapat menggambarkan kontruknya (Ghozali 2004). Pendekatan untuk menilai measurement model adalah dengan mengukur composite reliability dan variance extracted untuk setiap konstruk. Hasil reliabilitas yang tinggi memberikan keyakinan bahwa indikator individu semua konsisten dengan pengukurannya. Tingkat reliabilitas yang diterima secara umum adalah = 0,70, sedangkan reliabilitas < 0,07 dapat diterima untuk penelitian yang masih bersifat eksploratori (Ghozali 2004 dan Ferdinand 2006).
No Goodness of Fit Index Cut-Off Value
1 Chi –square Statistic Diharapkan kecil 2 Significant Probability ≥ 0,05 3 ?²/ df < 2,00 4 RMSEA 0,06 – 0,08 5 NFI = 0,90 6 NNFI = 0,90 7 CFI = 0,95 8 IFI = 0,90 9 RFI = 0,90 10 GFI = 0,90 11 AGFI = 0,90 12 PGFI = 0,60 13 TLI = 0,95
Validitas adalah ukuran sampai sejauh mana suatu indikator secara akurat mengukur apa yang hendak ingin diukur. Ukuran reliabilitas yang lain adalah variance extracted sebagai pelengkap ukuran construct reliability, yang menunjukkan jumlah variance yang dari indikator-indikator yang diekstraksi oleh konstruk laten yang dikembangkan (Ferdinand 2006). Angka yang direkomendasikan untuk nilai variance extracted >0,50 (Ghozali 2004 dan Ferdinand 2006).
Rumus untuk menghitung Reliabilitas konstruk dan variance extracted adalah sebagai berikut (Ghozali 2004 dan Ferdinand 2006) :
Reliabilitas konstruk =
)
(
)
tan
(
)
tan
(
2 2Pengukuran
kesalahan
Jumlah
loading
dard
s
dari
jumlah
loading
rd
da
s
dari
jumlah
+
..[40] Variance extracted = pengukuran kesalahan jumlah loading stndard kwadrat Jumlah loading dard s kwadrat Jumlah + tan ….[41] dimana :- Standard loading = standardized regression weight
- Kesalahan pengukuran = 1- (standar loading)2
Langkah ke ( 7 ) : Interpretasi dan modifikasi model
Apabila langkah-langkah sebelumnya sudah dilaksanakan dan model cukup baik maka langkah berikutnya dalam SEM melakukan interpretasi. 1) Interpretasi
Tujuan SEM adalah bukan menghasilkan teori, tetapi menguji model yang mempunyai pijakan teori yang benar dan baik. Berdasarkan pemikiran ini maka interpretasi dari model dapat diterima atau tidak diperlukan kekuatan prediksi dari model dibandingkan dengan residual yang dihasilkan.
Dengan menggunakan standardized residual covariance matrik akan dihasilkan nilai residual standard. Apabila interpretasi terhadap residual yang dihasilkan model melalui pengamatan variabel mempunyai nilai
residual standard lebih besar dari besaran tertentu maka model dapat diterima sehingga tidak perlu dilakukan modifikasi model.