Judul Tesis : Pendekatan Metode Kuadrat Terkecil Parsial pada Pernodelan Persamaan Struktural (Studi Kasus: Perusahaan Manuf'aktur yang Go Public di Indonesia)
Nama : Bambang Irawan
NRP : 98114
Program Stud : Statistika
Menyetuj ui, 1. Komisi Pembimbing
.Sc Ketua
Ir. H. Aii Hamim Wigena. MSG Ansgota
Mengetahui,
2. Ketua Program Studi Statistika 3. Direktur Program Pascasarjana
PENDEKATAN METODE KUADRAT TERKECIL PARSIAL
PADA PEMODELAN PERSAMAAN STRUKTURAL
(Studi kasus : Perusahaan Manufaktur yang Go Public di Indonesia)
Oleh :
BAMBANG IRAWAN
PROGRAM PASCASARJANA
INSTITUT PERTANIAN BOGOR
ABSTRAK
BAMBANG IRAWAN. Pendekatan Metode Kuadrat Terkecil Parsial pada Pemodelan Persamaan Struktural (Studi Kasus: Perusahaan Manufaktur yang Go Public di Indonesia), di bawah bimbingan AUNUDDIN sebagai ketua dan AJI HAMlM WIGENA sebagai anggota.
Model Persamaan Struktural (MPS) adalah penggabungan teknik analisis faktor dan sidik lintas. MPS dapat digunakan untuk mendeskripsikan keterkaitan hubungan linear secara simultan peubah-peubah pengamatan dan melibatkan peubah laten yang tidak dapat diukur secara langsung. Ada dua pendekatan pada MPS. Pertama, Model Struktur Koragam (MSK) yang mempunyai asumsi-asurnsi peubah pengamatan menyebar normal ganda dan ukuran contoh relatif besar. Kedua, Metode Kuadrat Terkecil Parsial (MKTP) yang mempunyai asumsi bebas sebaran dan ukuran contoh tidak hams besar. Kedua metode tersebut diterapkan pada pemodelan Prestasi Manajer. Hasil Penelitian menunjukkan bahwa pendugaan model Prestasi Manajer dengan peubah pengamatan tidak menyebar normal ganda dan ukuran contoh relatif kecil sehingga
MKTP
lebih tepat digunakan dari pada metode MSK.Hasil analisis dengan MKTP menunjukkan bahwa Komitmen Organisasi berpengaruh langsung maupun tidak langsung terhadap Prestasi Manajer dan juga berpengaruh langsung terhadap Akses Informasi untuk Pelaksanaan Tugas, dan Akses Informasi untuk Pelaksaman Tugas berpengaruh langsung terhadap Prestasi Manajer. Pengaruh tidak langsung dari Partisipasi dalam Penyusunan Anggaran terhadap Prestasi Manajer lebih besar dari pa& pengaruh langsungnya. Hal ini menunjukkan bahwa Komitmen Organisasi dan Akses Informasi untuk Pelaksanaan Tugas menunjang Prestasi Manajer.
SURAT PERNYATAAN
Dengan ini saya menyatakan bahwa tesis saya yang berjudul :
"Paadelcatan Metode Kuadrat Terkecil Parsial pada Panodelan Persamaan Struktural"
(Studi kasus: Perusahaan Manufakhx yang Go Public di Indonesia)
adalah benar menrpakan hasil karya sendiri dan b e l m pernah dipublikasikan. Semua sumber data
dan
informmi telah dinyatakan secara jelas dan dapat diperiksa kebenarannya.PENDEKATAN METODE KUADRAT TERKECIL PARSIAL
PADA PEMODELAN PERSAMAAN STRUKTURAL
(Studi kasus: Perusahaan Manufaktur yang Go Public di Indonesia)
Oleh :
BAMBANG IRAWAN
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada
Program Studi Statistika
PROGRAM PASCASARJANA
INSTITUT PERTANIAN BOGOR
Judul Tesis : Pendekatan Metode Kuadrat Terkecil Parsial pada Pernodelan Persamaan Struktural (Studi Kasus: Perusahaan Manuf'aktur yang Go Public di Indonesia)
Nama : Bambang Irawan
NRP : 98114
Program Stud : Statistika
Menyetuj ui, 1. Komisi Pembimbing
.Sc Ketua
Ir. H. Aii Hamim Wigena. MSG Ansgota
Mengetahui,
2. Ketua Program Studi Statistika 3. Direktur Program Pascasarjana
RIWAYAT HIDUP
Penulis dilahirkan di Kediri pada tanggal 1 Desember 1968 dari ayah Suwarno, BA
dan ibu Sanny. Penulis merupakan putra pertarna dari lima bersaudara.
Pada tahun 1988 penulis lulus dari SMA negeri 3 Kediri
dan
pada tahun yang samamelanjutkan S1 pada Program Studi Statistika di Universitas Gajayana di Malang. Pada tahun
1993 penulis diangkat sebagai staf pengajar pada Universitas Gajayana di Malang hingga
PRAKATA
Puji syukur kami panjatkan kehadirat Allah S.W.T., berkat rachmat dan karunia-Nya,
akhirnya penulis dapat menyelesaikan tesis dengan judul
"
Pendekatan Metode Kuadrat Terkecil Parsial pada Pemoddan Persamaan Stmklwal", studi pada Perusahaan Manuf- yang Go Publik di Indonesia.Tesis yang dipersiapkan sebagai salah satu syarat menyelesaikan pendidikan S2 di W t u t Pertanian Bogor ini adalah untuk mengetahui pengaruh partisipasi dalam penyusunan anggaran terhadap prestasi manajer secara induvidual, jika komitmen organisasi dan akses
untuk pelaksanaan tugas sebagai peubah antara.
Dalam kesempatan ini penulis menyampaikan pengahargaan dan ucapan terirna kasih yang sebesar-besarnya kepada : Bapak Dr. Ir. Aunuddm, MSc, selaku Ketua Komisi Pembimbing dan Bapak Ir. H. Aji Hamim Wigena, MSc, selaku Anggota Pembimbing yang telah banyak memberikan arahan, motivasi dan masukan yang sangat berguna untuk kelayakan tesis ini.
Penulis juga menyampaikan terima kasih kepada Bapak Suwarno, Bapak Sutikno dan
rekan-rekan mahasiswa Pascasarjana Program Studi Statistika, khususnya angkatan tahun
1998 atas dukungan dan kerjasama yang baik selama perkuliahan sampai dengan selesainya penulisan tesis ini.
Ucapan terima kasih kepada pimpinan, staf pengajar
dan
pegawai Program StudiStatistika yang telah banyak memberikan kesempatan dan fasilitas kepada penulis selama perkuliahan dan penelitian s a m p penyelesaian tesis ini.
Dengan segala kerendahan penulis menyadari sepenuhnya atas segala kekurangan dalam penyusunan tesis ini. Segala kritik dan saran untuk perbaikan akan diterima dengan senang hati. Harapan penulis semoga penelitian ini memberi manfaat yang sebesar-besarnya bagi penulis pribadi pada khususnya dan masyarakat yang terkait pada urnumnya. Arnien.
Bogor, Pebruari 2002
DAFTAR IS1
Halarnan DAFTAR TABEL
...
vi DAFTAR GAMBAR ... vi DAFTAR LAMPIRAN ... vi PENDAHULUAN ... 1 Latar Belakang ... 1 Tujuan ... 2 TINJAUAN PUSTAKA ... 3 Metode Kuadrat Terkecil Parsial (MKTP) ... 3 Pendugaan MKTP ... 6 Evaluasi MKTP...
7 Model Struktur Koragam (MSK) ... 10...
Pendugaan MSK 12
...
Evaluasi MSK 14
METODE PENELITIAN ... ...
Surnber Data
Metode Analisis ... ... HASIL DAN PEMBAHASAN
Hasil Analisis MSK
...
Hasil Analisis MKTP ...KESIMPULAN DAN SARAN ... 27 Kesimpulan
...
27...
Saran 27
DAFTAR TABEL
Halaman
...
1 . Uji koefisien lintas peubah laten pada MSK
...
2
.
Korelasi peubah laten pada MKTP... 3
.
Uji koefisien lintas peubah laten padaMKTP
3 . Uji koefisien lintas peubah laten dan peubah penjelas pada MKTP ...
DAFTAR GAMBAR
Halaman
1
.
Koefisien lintas model pada MSK...
2.
Plot peluang kenormalan ......
3
.
Koefisien lintas model pada MKTPDAFTAR LAMPIRAN
Halaman
1 . D a h peubah laten clan peubah penjelas
...
2 . Data Prestasi Manajer ...3
.
Perintah iteratif LVPLS...
PENDAHULUAN
Penelitian rnanajemen merupakan penelitian multidimensi dari fenomena praktis
yang diamati dalam berbagai dimensi sebuah konsep. Demikian juga dengan proses penarikan kesimpulannya bersifat multidimensi dan berjenjang, sehingga dibutuhkan sebuah model dan alat analisis yang rnampu mengakomodasi penelitian tersebut.
Metode yang sering digunakan &lam pennasalahan diatas adalah Model Persamaan Struktural (MPS). MPS adalah sekumpulan teknik-teknik statistika yang dapat
menguji sebuah rangkaian hubungan yang relatif rurnit secara simultan. Hubungan yang
rumit dapat dibangun dari satu atau lebih peubah bebas dan satu atau lebih peubah tidak
bebas. Peubah tersebut dapat berbentuk peubah laten yang dibangun dari beberapa peubah penjelas.
Pemodelan persamaan struktural yang lengkap pada dasarnya terdiri dan model
stnrktural dan model pengukuran. Model pengukuran digunakan untuk mengko~irmasi dimemi-dimemi yang dikembangkan pada peubah laten dan model struktural merupakan struktur hubungan yang membentuk kausalitas antara peubah laten.
MPS mempunyai dua pendekatan yaitu Model Struktur Koragam (MSK) dan Metode Kuadrat Terkecil Parsial (MKTP). MSK mempunyai asumsi-asumsi peubah
pengamatan menyebar normal ganda dan ukuran contoh hams relatif besar (n2100). Sedangkan MKTP merupakan metode lunak (Soft Model) yang artinya di dalam pendugaan
MKTP tidak memerlukan asumsi yang ketat mengenai sebaran dari peubah pengamatan
Menurut Krelle (1997), MSK tidak dapat konvergen jika ukuran contoh relatif kecil
(n1100), tetapi sangat baik jika ukuran contoh relatif besar sedangkan menurut Wold
(1982), MKTP dan MSK adalah metode yang saling melengkapi dalam pendugaan model lintas. MSK mempunyai ciri-ciri yaitu: (a) pendugaannya menggunakan kemunglunan maksimum,(b) uji hipotesisnya berperan menerima atau menolak model dan (c) pendugaan
galat baku untuk parameter-parameter. Sedangkan MKTP mempunyai cici-ciri yaitu (a)
pendugaannya menggunakan algoritrna MKTP, (b) ujinya berperan untuk mengukur
kekuatan prediktif dan (c) galat baku diduga dengan prosedur jackknife.
MKTP digunakan didalam dua kondisi. Pertama, asumsi peubah pengamatan
menyebar normal ganda dan ukuran contoh yang besar tidak Qpenuhi. Kedua, terutama
diharapkan untuk prediksi, dimana situasi informasi teoritis lernah, sehingga mempemudah dalam pengembangan teori.
Tujuan
Tujuan penelitian ini adalah :
1. Menerapkan pendekatan MKTP pada M P S .
TINJAUAN PUSTAKA
Metode Kuadrat Terkecil Parsial ( MKTP )
MKTP dikembangkan oleh Wold (1982) sebagai metode umum untuk pendugaan
model peubah laten yang diukur tidak langsung oleh peubah penjelas. Model MKTP
didefinisikan dm dua persarnaan linier yang disebut model struktural (model inner) dan
model pengukuran (model outer). Spesifikasi model struktural add& hubungan antara
peubah laten yang tidak dapat diukur secara langsung, sedan- spesifikasi model pengukuran adalah hubungan antara peubah laten dan sekelompok peubah penjelas yang
dapat diukur secara langsung.
Persarnaan model struktural yang menghubungkan peubah-peubah laten sebagai
berikut :
dimana :
J = banyaknya peubah laten
q = peubah laten tidak bebas ke-j
qi = peubah laten bebas ke-i untuk i # j
$ J' .. = koefisien lintas peubah laten ke-j dan ke-i
Pjo
= intersep<
J . = sisaan model struktural ke- jModel struktural dengan pendekatan MKTP diasurnsikan rekursif Dari persarnaan (1) diperoleh spesifikasi prediksi sebagai berikut :
ha1 ini berimplikasi
c ~ v ( < ~ , q ~ ) = O ,
untuk
i < j , j = l , ..., J (3) dan peubah laten talc bebas diasumsikan merupakan h g s i linear dan peubah laten bebas.Persamaan model pengukuran peubah-peubah laten dapat ditulis sebagai berikut : y k~ . =xkjo +xkjqj +Ekj ,
untuk
j = l ,...,J
,
j = l,...,
K j (4)dimana :
J = banyaknya peubah laten
q = peubah laten ke- j
Y kj = peubah penjelas ke- k dan peubah laten ke- j
x = koefisien antara peubah penjelas ke- k dan peubah laten ke- j
ckj = sisaan model pengukuran peubah penjelas ke- k dan peubah laten ke- j
k = lintasan dari q ke y kj .
K = banyaknya peubah penjelas pada peubah laten ke- j
Peubah penjelas diasumsikan memiliki satu peubah laten dan dikelompoh kedalam
blok-blok yang terpisah. Setiap blok mewakili satu peubah laten. Karena pembobot peubah
diasumsikan mempunyai skala ragam unit. Dari persarnaan (4) diperoleh spesifikasi prediksi sebagai berikut :
E(~kj
I
q j ) = xkjO + % j q jP I
hal ini berimplikasi
C O V ( E ~ ~ , ~ ~ ) = O (6)
Asumsi dasar pemodelan MKTP adalah semua informasi dari peubah penjelas
ditujukan pada peubah-peubah laten. Hal ini mempunyai dua implikasi. Pertarna, model
MKTP tidak melibatkan hubungan langsung antara peubah penjelas. Kedua, sisaan-sisaan
model pengukuran dari satu blok diasumsikan tidak berkorelasi dengan sisaan-sisaan
model pengukuran dari blok yang lainnya.
Persamaan (1) &pat disubtitusikan ke dalam persamaan (4). Hasilnya sebagai
berikut :
dan persamaan (7) dapat disederhadcan menjadi
Y s = x.ha + xk$(C )) +
&ih
i<j
(8)
Menurut Wold (1982), persamaan (8) dikenal sebagai subtitusi eliminasi dari peubah laten
atau disingkat SELV (Substitutive Elimination of the Lutent Variable). Dari persamaan (8) dapat diketahui bahwa SELV menghubungkan peubah penjelas endogen dengan peubah
laten melalui model struktud, oleh masing-masing blok
dari
peubah penjelas. Intersepdan
sisaan pada persarnaan (8) adalah rnasing-masing x', = xkjo
+
x,pjo dan&ij
= xXkjCj+
gXkjPendugaan MKTP
Persamaan-persamaan diatas merupakan asumsi teroritis dar~ model MKTP.
Koefisien-koefisien model struktural serta pembobot-pembobot dan koefisien-koefisien model pengukuran tidak diketahui dan harus diduga. Proses prosedur pendugaan MKTP ada dua tahap dasar. Tahap pertama melibatkan pendugaan iteratif dari peubah-peubah laten sebagai kombinasi linier dari sekelompok peubah-peubah penjelasnya. Tahap kedua
melibatkan pendugaan non-iteratif dari koefisien model stnrktural dan model pengukuran.
Sedangkan persamaan pendugaan peubah-peubah laten endogen sebagai berikut :
Yjn = est(qjn
1
=C
(why1
(9)Persamaan (9) digunakan untuk pendugaan peubah laten sebagai kombinasi linier
dan sekelompok peubah-peubah penjelasnya. Pembobot-pembobot w,, dipilih supaya dugaan peubah-peubah laten mernpunyai ragam unit. Pendugaan peubah laten yang
didefinisikan diatas adalah langkah kedua dari pendugaan MKTP yang akan digunakan
untuk menghitung pembobot-pembobot dan koefisien-koefisien model struktural yang
diperoleh dengan cara menerapkan Metode Kuadrat Terkecil (MKT). Pembobotan awal
ditetapkan dengan korelasi order no1 antara peubah-peubah penjelas dan sekelompok
peubah-peubah latennya. Koefisien lintas model struktural diperoleh dengan meregresikan
setiap hubungan-hubunganya secara terpisah.
Inti dari prosedur
MKTP
adalah penentuan pembobot-pembobot yang selanjutnyaakan digunakan untuk menduga peubah laten. Pembobot-pembobot diperoleh dari regresi
antara outward mode dan inward mode analog dengan perbedaan peubah penjelas rejlektf
dan format6 Peubah penjelas reJlektlf diasumsikan mencerminkan dimensi laten dan
peubah penjelas formaif diasumsikan sebagai hasil dari hubungan dimensi laten (Chin,
2000).
Ada beberapa model pendugaan di dalam MKTP. Pertama, satu blok dengan
outward mode sarna dengan analisis komponen utama pertama. Kedua, dua blok yang semuanya menggunakan inward mode sama dengan analisis korelasi kanonik pertarna.
Ketiga, dua blok yang semuanya menggunakan outward mode sama dengan interbattery
analisis faktor. Ke empat, dua blok dengan blok exsogen menggunakan inward mode dan
blok endogen menggunakan outward mode sama dengan analisis redundancy. Analisis
diatas merupakan kasus khusus dari MKTP yang menjadi
dasar
pengembangan analisisdari model yang lebih komplek.
Pada dasarnya pendekatan MKTP adalah pengabungan model pendugaan diatas
sebagai pengembangan model-model lintas yang melibatkan lebih dari dua peubah laten.
Proses pendugaannya menggunakan MKT yang diaplikasikan pada persamaan hubungan model struktural dan model pengukuran Karena MKTP tidak memerlukan asumsi yang
ketat terhadap sebaran dari peubah, sisaan dan parameter maka metode ini sering disebut model lunak.
Evaluasi MKTP
Pada dasarnya MKTP h berorientasi prediktif Oleh karena itu, selain menduga
pembobot dan koefisien lintas model, bagian yang penting adalah mengevaluasi
kesesuaian model dengan memeriksa kekuatan prediktif dari dugaan model struktural dan
Menurut Wold (1982), uji Stone-Geiser &pat mengetahui kerelevanan suatu
prediktif, dengan cara meregresikan k peubah bebas setiap kali penghilangan satu kasus ke
i = 1,2,
... .
,n. Perluasan prediksi ini diukur melalui satatistik Q2 dengan persamaansebagai berikut:
dimana :
b = Koefisien regresi yang diperoleh tanpa kasus ke-i
-
Y = Rata-rata dari peubah tidak bebas yang dihitung tanpa kasus ke-i
n = Banyaknya kasus
k = Banyaknya peubah bebas
Nilainya berkisar -1 sampai 1. Jika Q~ > 0 maka model prediksi relevan dan jika Q~ < 0
maka model prediksi tidak relevan Nilai Q2 diperoleh dari rata
-
rata nilai Q2 dari setiap kasus ke-i yang dihilangkan. Semakin tinggi nilai Q2 model prediksi semakin relevan.Uji-uji lainnya yang mendukung dalam evaluasi model adalah uji validitas kekonvergenan, uji validitas diskriminan dan uji koefisien lintas model menggunakan
teknik JacKKnzfing.
Ada 3 uji validitas kekonvergenan yang digunakan : reliabilitas setiap peubah penjelas, reliabilitas gabungan dan Average Variance Extracted (AVE) setiap peubah.
Pertama, reliabilitas setiap peubah penjelas ditentukan oleh koefisien lintasnya masing-
reliabiltas cukup baik. Kedua, reliabilitas gabungan (p,) digunakan untuk mengukur reliabilitas setiap peubah laten, dengan persamaan sebagai berikut:
di mana xi merupakan koefisien lintas ke-i. Nilai ini dapat menunjukkan stabilitas dan konsistensi dari suatu pengukuran. Nilainya berkisar dan 0 sampai 1. Chin (1996),
merekomendasikan diatas 0.8 mengindikasikan reliabilitas gabungan cukup baik. Ketiga, AVE digunakan untuk mengukur keragaman peubah laten yang dapat dijelaskan oleh keragaman model pengukuran, dengan persamaan sebagai berikut:
di mana x, merupakan koefisien lintas ke-i. Nilainya berkisar dari 0 sampai 1. Semakin
tinggi nilai AVE mengindikasikan jumlah keragaman dari peubah penjelas yang diakomodasi oleh peubah laten lebih besar dibandingkan dengan jumlah keragaman yang tidak dapat dijelaskan oleh peubah penjelas. Tan et al. (1997) merekomendasikan AVE diatas 0.5 mengindikasikan cukup baik.
Uji validitas diskriminan digunakan untuk mengetahui kesesuaian pembeda dari
Model Struktur Koragam (MSK)
MSK merupakan penggabungan logika dari konfirmasi faktor analisis, regersi berganda,
dan
analisis sidik lintas. Beberapa model analisis MSK telah dikembangkan olehBentler (1981), Bentler & Week (1980) Browne (1984), Joreskog (1978), McArdle &
McDonald (1984), Lee & Jennrich (1984), tetapi yang sering digunakan dalam penerapan adalah LISREL (Llnear Structural RELatiom) nama perangkat lunak kornputer yang
digunakan untuk pemodelan struktur koragam (Joreskog ,1990).
MSK mempunyai dua komponen dasar. Pertama, model pengukuran didefinisikan sebagai hubungan antara peubah laten dan sekelompok peubah penjelas yang dapat diukur langsung. Kedua, model struktural didefinisikan sebagai hubungan antara peubah laten
yang tidak dapat diukur secara langsung. Peubah-peubah tersebut juga dibedakan sebagai
peubah bebas dan peubah tidak bebas.
Semua peubah tersebut dikelompokan kedalam 4 bagian, yaitu q peubah penjelas
bebas, p peubah penjelas tidak bebas, n peubah laten bebas,
dan
m peubah laten tidakbebas. Peubah laten tak bebas dan peubah laten bebas mempunyai hubungan linier struktural sebagai berikut:
q = B q + r c + < (13)
dimana :
p
= matriks koefisien peubah laten tidak bebas berukuran m x m7 = matriks koefisien peubah laten bebas berukuran m x n
g = vektor peubah laten tak bebas berukuran 1 x m
6
= vektor peubah laten bebas berukuran 1 x nha1 ini berimplikasi E(q) = E(<) = 0 , E(5) = 0 dan diasumsikan
<
tidak berkorelasi dengan5
serta (I-B) tak singular.Ada dua persamaan matrik yang digunakan untuk menjelaskan model pengukuran.
Persamaan pertama untuk peubah penjelas tidak bebas yaitu :
y=Ayq + E (14)
dirnana :
y = vektor peubah penjelas tidak bebas yang berukuran p x 1
A, = matrik koefisien yang mengindikasikan pengaruh peubah laten tak bebas
terhadap peubah penjelas tak bebas yang berukuran p x m
q = vektor peubah laten talc bebas yang berukuran m x 1
E = vektor kesalahan pengukuran peubah penjelas talc bebas yang berukuran
P X ~
dan persamaan kedua untuk peubah penjelas bebas yaitu : x = A , 5 + 6
dimana :
x = vektor peubah penjelas bebas yang berukuran q x 1
A, = matrik koefisien yang mengndikasikan pengaruh peubah laten bebas
terhadap peubah penjelas bebas yang berukuran q x n
E, = vektor peubah laten bebas yang berukuran n x 1
6 = vektor kesalahan pengukuran peubah penjelas bebas yang berukuran q x 1 Kesalahan pengukuran E dan 6 dianggap tidak berkorelasi satu sama lain, serta tidak
MSK menetapkan empat matrik tambahan, yaitu B,adalah matrik koragam antara
keasalahan pengukuran dari persamaan (14) yang berukuran q x q, 43, adalah matrik
koragam antara keasalahan pengukuran dari persamaan (15) yang berukuran p x p,
matrik koragam antara peubah-peubah laten bebas yang berukuran n x n, dan 'P matrik koragam diantara kesalahan-kesalahan didalam prediksi yang berukuran m x m.
Matrik koragam populasi C(0)didefinisikan sebagai fungsi
dari
delapan matrikparameter 0 , yaitu A,, A, , 0,, 0,, @ , B ,
T
dan 'P. Parameter-parameter tersebuthams di identifikasi sebagai parameter tetap, parameter konstrain, atau parameter bebas. Pernasalahan identifikasi model merupakan penentuan nilai unik untuk setiap parameter
bebas dapat ditentukan atau tidak berdasarkan data yang diamati. Hal ini tergantung pada
pemilihan model dan spesifikasi dari parameter. Model memerlukan identifikasi mengenai hubungan-hubungan antar peubah agar dapat diduga dan diuji. Kondisi perlu untuk
identifikasi adalah banyaknya ragam dan koragam lebih kecil dari pada peubah-peubah penjelas dalarn model. Apabila suatu parameter tidak dapat diidentifikasi, maka tidak dapat ditentukan penduga yang konsisten. Matrik koragam contoh S digunakan untuk menduga
nilai parameter bebas yang dihasilkan oleh data.
Pendugaan MSK
Di &lam langkah pendugaan, nilai awal parameter bebas dipilih supaya
menghasilkan dugaan matrik koragarn C(0)dari model. Nilai awal dapat dipilih dari
informasi sebelumnya. Tujuan pendugaan adalah C(0) konvergen terhadap matrik
koragam contoh(S) sehngga perbedaan kedua matrik tersebut relatif kecil. Ada beberapa
ciri data, tennasuk
ukuran
contoh dan sebarannya Roses yang sering digunakan adalahiteratif. Bentuk mum dari h g s i penduga sebagai berikut : Q = (s - a(e))'W(s
-
4 0 ) ) dimana:s = vektor ragam dan koragam peubah-peubah yang diamati a(0) = vektor ragam dan koragam sebagai prediksi model
W = matriks pembobot
matrik pembobot W harus sesuai dengan metode pendugaan yang dipilih. W dipilih untuk mernperkecilQ, dan Q(N-1) memberikan fungsi pendugaan, &lam kasus ini
x2.
Hasil darix2
dipengaruhl oleh ukuran contoh, sebaran gdat, sebaran faktor serta diasumsikan faktor dan galat saling bebas.Model yang sering digunakan sebagai metode pendugaan adalah Maimurn
Likelihood (ML) dengan fungi penduga sebagai berikut:
Fm=logI
CI
-log1 SI
+tr(SC-I)-p (17)di dalam kasus ini, W =
C-I
dan p = banyaknya peubah penjelas. Apapun fungsi yangdipilih, hasil yang diharapkan dari proses pendugaan adalah fungsi penduga bernilai 0.
Nilai fungsi penduga sebesar 0 berimplikasi bahwa model dugaan matrik koragam populasi
dan matrik koragam contoh adalah sama.
Evaluasi MSK
Analisis MSK tidak mempunyai alat uji tunggal untuk menguji hipotesis model.
Ada beberap indek kesesuaian yang digunakan untuk mengukur derajat kesesuaian antara
RMSEA (Root Mean Square Error of Approximation), GFI (Goodness of Fit Index) dan
AGFI (Adjusted Goodness of Fit Index).
Statistik
x2
ujinya digunakan untuk adanya perbedaan antara koragam contoh dankoragam populasi. Hasil yang diharapkan adalah penerimaan hipotesis no1 yang artinya
tidak ada perbedaan antara koragam contoh dan koragam populasi.
RMSEA adalah sebuah indeks yang dapat digunakan untuk menkompensasi
statistik
x2
dalam contoh yang besar. RMSEA menunjukkan kesesuaian yang dapatdiharapkan bila model diduga dalam populasi. Nilai RMSEA yang diharapkan sebesar
6 0.08.
Indeks kesesuaian GFI ini untuk menetung proporsi ragam terboboti dalam matriks koragam contoh yang dijelaskan oleh matriks koragam populasi yang telah diduga
dengan persamaan sebagai berikut :
GFI = tr(a'Wa) tr(s' Ws)
Dimana tr(s'Ws) adalah jumlah ragam kuadrat terboboti dari rnatrik koragam model yang diduga, sementara tr(a'Wa) adalah jumlah ragam kuadrat terboboti dari matrik koragam contoh. W dab matriks bobot yang dipilih sesuai dengan metode pendugaannya. Nilai GFI antara 0 sampai dengan 1
.
Nilai yang diharapkan 1 0.90.Nilai GFI analog dengan
R~
dalam regresi berganda. Indeks kesesuaian ini dapatdisesuaikan terhadap derajat bebas yang tersedia untuk menguji suatu model. Indeks ini
diperoleh dengan nunus sebagai berikut:
d b
dimana :
G
d, = prg) = jurnlah contoh moment
g-1
d = derajat bebas
METODE PENELITIAN
Sum ber Data
Data yang digunakan dalam penelitian ini adalah data sekunder mengenai Prestasi
Manajer (Rosidi, 1999). Data yang diamati adalah Partisipasi dalam Penyusunan Anggaran
(PPA), Komitmen Organisasi (KO), Akses I n f o m i untuk Pelaksanaan Tugas (AIPT) dan
Prestasi Manajer (PM) dengan ukuran contoh sebesar 47.
Analisis data dalam penelitian ini menggunakan MKTP dan MSK, sehingga PPA, KO, AIPT dan PM merupakan peubah laten yang masing-masing mempunyai 5,3,3 dan 4
peubah penjelas berturut-turut. Peubah penjelas pada peubah laten PPA, KO, dan AIPT merupakan skala Likert dengan 7 pilihan.
Metode AnaIisis
Analisis data dalam penelitian ini menggunakan perangkat lunak LVPLS 1.8,
LISREL 8.30, dan S-PLUS 2000 dengan tahapan sebagai berikut:
1. Menentukan s p e s i f h i model
2. Menentukan pembobot-pembobot, koefisien-koefisien lintas dan nilai-nilai peubah
laten dengan menggunakan algoritrna
MKTP
untuk sidik lintas peubah laten, dengan tahaptahap dan langkah-langkah sebagai berikut :Tahap 1. Pendugaan iteratif dan pembobot-pembobot dan nilai-nilai peubah laten dimulai pada langkah #4 dan selanjutnya langkah #1 sampai langkah #4
diulang sampai konvergen dengan batas kekonvergenan yang telah
# 1. Pembobotan model struktural
signcov (Yj , Yi ) , jika Yj dan Yi berdekatan,
v.. =
JI selainnya.
#2. Pendugaan model
struktural
A
Yj = x v j i
xi
#3. Pembobotan model pengukuran
A A
ykjn= ~ kYjn j
+
ekjn ( outward )( inward ) #4. Pendugaan model pengukuran
Tahap 2. Pendugaan koefisien -koefisien lintas
Tahap 3. Pendugaan paremeter-parameter lokasi
(Chin, 2000)
3. Menguji validitas kekonvergenan 4. Menguji validitas diskriminan
5. Menguji koefisien lintas model dengan menggunakan teknik Jackknifing
6. Menguji kekuatan prediktif dengan statistik Q~
HASIL DAN PEMBAHASAN
Analisis data Prestasi Manajer (Rosidi, 1999) dilakukan dengan dua metode yaitu
Model Struktur Koragam (MSK) dan Metode Kuadrat Terkecil Parsial (MKTP). Hasil
analisis kedua metode tersebut akan dibandingkan untuk dilihat pengaruhnya apabila peubah pengamatan tidak menyebar normal ganda dan ukuran contoh relatif kecil (n = 47).
Hasil analisis MSK
Ringkasan hasil keluaran program LISREL dan pengaruh langsung, tidak langsung
dan total serta uji t untuk pengaruh langsung disajikan pada Tabel 1.
Goodness of Fit Stafistcs :
Chi-Square = 220.99 ; df= 84 ; p-value=0.00
RMSM = 0.188; 90 Percent Conjiidnce Interval for RMRM = (0.16 ; 0.22 ) GFI= 0.98; AGFI= 0.98
Ketaangan : ** = sangat nyata pada a=0.01
(a). (HI+H5)+(H2+&)+(HI+I-L+&) = (0.61 x 0.13)+(0.61x 0.63)+(0.61 x 0 . 4 0 ~ 0.63) = 0.08+0.38+0.15=0.62
(b). @,+I&) = (0.40 x 0.63) = 0.25
Nilai-nilai kesesuaian model (Goodness of Fit) menyatakan bahwa Nilai X 2 sebesar
220.99 dengan derajat bebas sebesar 84, serta p-value sebesar 0.00 dan RMSEA sebesar
0.188 (>0.08), menunjukkan keadaan empiris dari data tidak sesuai dengan model yang
diajukan. Sedangkan menurut kriteria kesesuaian lainnya yakni, nilai Goodnees of Fit
model yang diajukan dapat diterima. Dari uji kesesuaian model analisis MSK memberikan hasil yang berbeda, sehingga secara teoritis model sulit dijelaskan.
[image:80.541.43.509.66.531.2]Keterangan : ** = sangat nyata p d a a=0.01
Gambar 1. Koefisien lintas model pada MSK
Sementara secara teoritis model seharusnya dapat dijelaskan melalui analisis MSK.
Setelah ditelusuri lebih lanjut ternyata peubah pengamatan tidak memenuhi asurnsi
Dengan demikian pernasalahan di atas perlu dicarikan solusinya dengan
menerapkan MKTP yang tidak memerlukan asumsi peubah pengamatan menyebar normal
ganda dan u h a n contoh tidak harus besar.
Gambar 2. Plot peluang kenormalan Hasil analisis MKTP
Kekuatan model pengukuran diuji dengan validitas kekonvergenan dan validitas
diskriminan. Koefisien lintas peubah penjelas (n), composite reliability (p,) dan Average
Variance Extracted (AVE) setiap peubah laten, secara rinci disajikan pada Gambar 3. Ada tiga uji validitas kekonvergenan Pertama, nilai koefisien lintas (n) peubah
laten semuanya di atas 0.7, artinya reliabilitas setiap peubah penjelas cukup baik. Kedua,
nilai pc peubah Iqkn semuanya di atas 0.8, artinya kualitas pengukurannya cukup baik.
Ketiga, nilai AVE peubah laten Partisipasi semuanya Q atas 0.5, artinya jumlah keragaman
Uji validitas diskriminan digunakan untuk mengetahui kesesuaian pembeda dari peubah laten. Berdasarkan Tabel 2, semua nilai akar kuadrat AVE lebih besar dibandingkan dengan semua korelasi antar peubah laten, yang menunjukkan validitas
disknminannya cukup baik.
Hipotesis model struktural diuji dengan memeriksa model strukturalnya melalui R2
dan Q~ serta uji t untuk koefisien lintas peubah laten yang disajikan pada Gambar 3. Persamaan Komitmen Organisasi (KO) pada Gambar 3 diperoleh sebagai berikut :
KO = 0.569 PPA (20)
Dari persamaan (20) diperoleh informasi R2=0.3240 yang artinya keragaman Komitmen Organisasi (KO) dapat dijelaskan oleh keragaman Partisipasi dalam Penyusunan Anggaran
(PPA) sebesar 32.40% dan nilai Q~ > 0 yang artinya kekuatan predktif cukup relevan. Uji t untuk koefisien lintas peubah laten Komitmen Organisasi (KO) dan Prestasi Manajer (PPA) adalah nyata pada tingkat a = 0.01 (p < 0.01). Hal ini menunjukkan bahwa semakin
tinggi tingkat partisipasi dalam pengambilan keputusan dalam menyusun anggaran maka akan meningkatkan komitmennya terhadap organisasi. Temuan ini memberikan informasi
bahwa untuk meningkatkan komitmen para rnanajer terhadap organisasi salah satu strategi yang perlu dilaksanakan adalah mengembangkan partisipasi manajer dalam penyusunan
anggaran yang menjadi tanggung jawabnya.
Persamaan Akses Informasi untuk Pelaksanaan Tugas (AIPT) pada Gambar 3
diperoleh sebagai berikut :
Tabel 2. Korelasi antar peubah laten
PM
0.820
Keterangan : Diagonal = akar kuadrat AVE , Sub Diagonal = Korelasi antar peubah laten
AIPT 0.842 0.777 KO 0.942 0.682 0.677 Peubah Laten
A P T = 0.521 KO
+
0.386 PPA (21)Dari persamaan (21) diperoleh informasi ~ ~ = 0 . 6 4 9 4 yang artinya keragaman Akses
Informasi untuk Pelaksanaan Tugas
(AIPT)
&pat dijelaskan oleh keragaman KomitmenOrganisasi (KO) dan Partisipasi dalam Penyusunan Anggaran (PPA) sebesar 64.94% dan
nilai Q2 > 0 yang artinya kekuatan prediktif cukup relevan. Uji t untuk koefisien lintas peubah laten Komitmen Organisasi (KO) dm Akses Informasi untuk Pelaksanaan Tugas
(APT) adalah nyata pada tingkat a = 0.01 (p < 0.01) demikian juga dengan uji t untuk
koefisien lintas peubah laten Partisipasi dalam Penyusunan Anggaran (PPA) dan Akses
Informasi untuk Pelaksanaan Tugas (AIPT) adalah nyata pada tingkat a = 0.01 (p < 0.01).
Hal ini menunjukkan bahwa semakin tinggi tingkat partisipasi &lam pengambilan
keputusan &lam menyusun anggaran dan meninglcatkan komitmennya terhadap
organisasi maka akan mengurangi ketimpangan informasi untuk pelaksanaan tugas. Persamaan Prestasi Manajer (PM) pada Gambar 3 diperoleh sebagai berikut :
PM = 0.347 PPA
+
0.234 KO+
0.360 A P T (22)Dari persamaan (22) diperoleh informasi ~ ~ 4 . 6 9 7 5 yang artinya keragaman Prestasi
Manajer (PM) dapat dijelaskan oleh keragaman Partisipasi dalam Penyusunan Anggaran
(PPA), Komitmen Organisasi (KO) dan Akses hformasi untuk Pelaksanaan Tugas (AIPT)
sebesar 69.75% dan nilai Q2 > 0 yang artinya kekuatan prediktif cukup relevan. Uji t untuk
koefisien lintas peubah laten Komitmen Organisasi (KO) dan Prestasi Manajer (PM) adalah nyata pada tingkat a = 0.01 (p < 0.01) demikian juga dengan uji t
untuk
koefisienlintas peubah laten Partisipasi dalam Penyusunan Anggaran (PPA) dan Prestasi Manajer
(PM) adalah nyata pada tingkat a = 0.05 (p < 0.05) serta uji t untuk koefisien lintas peubah
nyata pada tingkat a = 0.01 (p < 0.01). Hal ini menunjukkan bahwa sernakin besar tingkat Partisipasi dalarn Penyusunan Anggaran (PPA), Komitmen Organisasi (KO) yang tinggi dan ketersediaan Akses Informasi untuk Pelaksanaan Tugas (AIPT) yang memadai akan menunjang Prestasi Manajer (PM). Apabila nilai Partisipasi dalam Penyusunan Anggaran
(PPA) bertambah satu satuan dan yang lainnya tetap, maka akan meningkatkan presetasi
sebesar 0.347 unit, apabila nilai Komitmen Organisasi (KO) bertambah satu satuan dm
yang lainnya tetap maka meningkatkan presetasi sebesar 0.234 unit dan apabila nilai Akses
Informasi untuk Pelaksanaan Tugas (AIPT) bertambah satu satuan dan yang lainnya tetap
maka akan meningkatkan presetasi sebesar 0.360 unit. Penyumbang terbesar pada Prestasi Manajer (PM) adalah Akses Informasi untuk Pelaksanaan Tugas (AIPT).
[image:84.541.58.507.301.722.2]Keteraogan : * = nyata pada a4.05 dan ** = sangat nyata pada a4.01
Berdasarkan Tabel 3, uji t untuk koefisien lintas peubah laten hanya Komitmen Tabel 3. Uji koefisien lintas peubah laten pada MKTP
Organisasi (KO) dan Prestasi Manajer (PM) yang nyata pada tingkat (p < 0.05) selainnya nyata pada tingkat 1% (p < 0.0 1).
Pengaruh Total (1) + (2)
0.569 0.521 0.690 0.386 0.473 0.360 Hipotesis Koefisien Lintas
HI: Partisipmi (PPA) O Komitmen (KO)
HZ: Partisipasi (PPA) O Akses Informasi (AIPT)
H3: Partisipasi (PPA) 0 Prestasi (PM)
a:
Kornitmen (KO)+
Akses Informasi (AIPT) H5: Kornitmen (KO) 0 Prestasi (PM)a:
Akses Informasi (AIPT) 0 Prestasi (PM)Pengaruh total Partisipasi dalarn Penyusunan Anggaran (PPA) terhadap Prestasi
Keterangan : * = nyata pada a4.05 dan ** = sangat nyata pada a4.01
(a). (HI+H5)+(Hr,&)+(HI+Hr,&) 30.569 x 0.234)+(0.521x 0.360)+(0.569 x 0 386 x 0.360) = 0.133M. 188M.079=0.400
(b). m+&)= (0.386x0.360) =0.139
Manajer (PM) diperoleh sebesar 0.690 merupakan sumbangan pengaruh langsung sebesar
0.290 dan pengaruh tidak langsung peubah perantara primer, yaitu
dan
Komitmen Pengaruh Tidak J.w!!sung (2)---
--- 0.400~~)----
0.139@) Pengaruh Langsung (1)Organisasi (KO) sebesar 0.133, Akses Informasi untuk Pelaksanaan Tugas (AIPT) sebesar Koef.Lin 0.569 0.52 1 0.290 0.386 0.234 0.360
0.188 serta peubah pemntara sekunder, yaitu Akses Infonnasi untuk Pelaksanaan Tugas Nilai-t
4.47** 4.61 ** 3.51** 3.66** 2.06*
2.64**
(AIPT) sebesar 0.079 (a).
Pengaruh total Komitmen Organisasi (KO) terhadap Prestasi Manajer (PM)
diperoleh sebesar 0.473, juga merupakan sumbangan pengaruh langsung sebesar 0.234 dan
penganih tidak langsung dari pengaruh peubah perantara Akses Infonnasi untuk
Pelaksanaan Tugas (AIPT) sebesar 0.139 (b).
Berdasarkan Tabel 3, diketahui bahwa penganrh tidak langsung dari Partisipasi dalam Penyusunan Anggaran (PPA) terhadap Prestasi Manajer (PM) lebih besar dari
Organisasi (KO) dan Akses Informasi untuk Pelaksanaan Tugas (AIPT) sangat menunjang
Prestasi Manajer (PM).
Berdasarkan penelitian yang d~lakukan oleh Rosidi (1999) menerangkan bahwa
peubah Partisipasi &lam Penyusunan Anggaran (PPA) mempunyai pengaruh positif yang
nyata terhadap Prestasi Manajer (PM). Hal ini menunjukkan bahwa peubah Partisipasi
dalam Penyusunan Anggaran (PPA) semakin besar akan meningkatkan prestasinya karena dalam partisipasi terjadi internalisasi tujuan, dan penerimaan tanggung jawab sehingga
mendorong mereka berprestasi tinggi. Dengan dimasukanya peubah Komitmen Organisasi
(KO) dan Akses Infonnasi untuk Pelaksanaan Tugas (AIPT) sebagai peubah perantara dari
peubah Partisipasi dalarn Penyusunan Anggaran (PPA) dan Prestasi Manajer (PM) rnaka dapat menjelaskan kuatnya hubungan antara Partisipasi dalam Penyusunan Anggaran
(PPA) dan Prestasi Manajer (PM) disebabkan adanya pengaruh langsung dan tidak
langsung yang positif dari Komitmen Organisasi (KO) dan Akses Infomasi untuk Pelaksanaan Tugas (AIPT).
Kelemahan penelitian yang dilakukan Rosidi (1999) tidak dapat mendeteksi
pengaruh penjelas terhadap peubah laten, ha1 ini disebabkan metode yang digunakan adalah analisis sidik lintas. Tetapi dengan analisis Model Persamaan Struktural (MPS)
pada Metode Kuadrat Terkecil Parsial (MKTP) dapat mendeteksi pengaruh peubah penjehs terhadap peubah laten. Berdasarkan Tabel 4 &pat diketahui bahwa semua peubah
penjelas mempunyai pengaruh yang nyata terhadap peubah latennya masing-masing.
anggaran sebagai pengukur PPA yang paling penting. Sedangkan peubah penjelas X32 (Perusahaan mernpunyai makna pribadi) mempunyai koefisien lintas yang paling besar
terhadap peubah laten Komitmen Organisasi (KO), yang artinya seorang manajer yang
mempunyai loyalitas yang tingg sebagai pengukur KO yang paling penting. Adapun
peubah penjelas X33 (Kemampuan memperoleh informasi stratejik) mempunyai koefisien lintas yang paling besar terhadap peubah laten Akses Informasi Pelaksanaan Tugas (AIPT), yang artinya seorang manajer yang mampu memperoleh infonnasi stratejik
merupakan pengukur AIPT yang paling penting. Demikian juga peubah penjelas
Yh
(Evaluasi) mempunyai koefisien lintas yang paling besar terhadap peubah laten Prestasi
Manajer (PM), artinya seorang manajer yang dapat menilai dan mengukur proposal,
kinerja yang diamati atau dilaporkan penilaian laporan keuangan, pemeriksa produk
[image:87.541.66.510.365.705.2]merupakan pengukur PM yang paling penting.
Tabel 4. Uji k o e f ~ i e n lintas peubah laten dengan Peubah Penjelas pada MKTP
Kornitmen Organisasi (KO) 0 x12
0 x22
0 x32
Nilai t
9.86** 6.17** Koefisien antara Peubah Laten dan Peubah Penjelas
Partisipasi dalam Penyusunan Anggaran (PPA) 0 x11
0 x21
Akses Informasi untuk Pelaksanaan Tugas (APT) 0 X13
0 x21
Koefisien. Lintas 0.8599 0.7145 0.9279 0.9285 0.9697
Prestasi Manajer (PM) 0 y 2
0 y 4
0 ys
Q y 7
KESIMPULAN DAN SARAN
Kesimpulan
Berdasarkan hasil penelitian dapat disimpulkan bahwa :
1. Pendekatan Metode Kuadrat Terkecil Parsial (MKTP) lebih baik dari pada Model Struktur Koragam (MSK) meskipun ada pencilan dan peubah pengamatan tidak menyebar normal ganda.
2. MKTP menghasilkan informasi bahwa Komitmen Organisasi berpengaruh langsung maupun tidak langsung terhadap Prestasi Manajer dan juga berpengaruh langsung
terhadap Akses Informasi untuk Pelaksanaan Tugas, dan Akses Inforrnasi untuk
Pelaksanaan Tugas berpengaruh langsung terhadap Prestasi Manajer. Hal ini
menunjukkan bahwa Komitmen Organisasi dan Akses Informasi untuk Pelaksanaan
Tugas menunjang Prestasi Manajer.
Saran
Dalam penelitian ini masih terdapat data pencilan, sehingga perlu kajian lebih
DAFTAR PUSTAKA
Aunuddin dan Wigena, AH. 1997. Suatu Kajian dan Terapan Metode PLS. Prosiding Seminar Nasional Statistika IV. FMIPA ITS, Surabaya.
Andreb, H.J. and Heien, T., 1999. Explaining Public Attitudes towards the German Welfare State using Structural Equation Models. Conference on Recent Trends and Methods of Social Strat @cation Research. Potsdam, Germany.
Bacon, L.D. 1995. Introduction to Covariance Structure Modeling in Marketing Reserch.
The Sixth Annual AU4 Advanced Research Techniques Forum, Monterey CA.
http:llwww.lba.com/DdElart95csm.odf [28 Maret 200 11
Bacon, L.D. 1997. Introduction to Structural Equation Modeling in Marketing Research.
Advaced Research Techniques Amarican Marketing Association .Monterey CA. http:llwww. lba.com/pdE/art97ohb.pdf [28 Maret 200 11
Bacon, L.D. 1999. Using LISREL and PLS to Measure Customer Satisfaction. Seventh Annual Satooth Sofivae Conference. La Jolla CA.
http://www. Iba.com/~f/csm.pls.mE [28 Maret 200 11
Bollen, K A . 1989. Structural Equations with Latent Variables. Wiley, New York.
Chin, W.W., Marcolin, B.L, and Newsted, P.R,1996. A Partial Least Squares Latent Variable Modeling Approach for Meusuring Interaction Effects : Results from A monte Carlo Simulation Study and Voice Mail Emotion / Adoption study.
http://disc-nt.cba.uhedulchin/icis96.pdf [3 Pebruari 200 11
Chin, W.W. , 1996. Exploring Cultural Differences with Structural Equation Modeling.
http://disc-nt.cba.uh.edu/chinlcross.udf [22 Pebruari 200 11
Chin, W.W. ,1998. Issues and Opinion on Structural Equation Modeling. MIS Quarterly.
http://www.misq.ore/archivist/vollno22/issue 1 /vol22n 1 cornntrv. htrnl [6 Maret 200 1 ]
Chin, W.W., 2000. Partial Least Squares for Researcher: An Overview and Prosentation of Recent Advances using the PLS approach.
http://disc-nt.cba.uh.edu/chin/icis2000vlstalk.~ [2 1 Pebruari 200 11
Croteau, AM, and Raymond,L., 1999. Testing The Validity of Miles and Snow's Typology. Academy of Information and Management Sciences Journal, 2.
Gefen ,D. and Straub,D.,l997. Gender Differences in the Percewon and Use of E-Mail: An Extension to the Technology Acceptance Model, MIS Quarterly, 389-400.
Gefen, D. 2000. Structural Equation Modeling and Regression : Guidelines for Research Practice. Communications of the Association for Information Systems, 4, Article 7.
ht@://www.cis. gsu.edu/-dstraub/Pa~ers/Resume/Gefenetal2OOO.~df [6 Maret 200 11
Grunert,K.G and Scholderer, J., 2000. Generic Advertising for Fish : Result from a Research-based Campaign. Centre for market Surveillance, Research and Strategy for the Food Sector (MAPP), The Aarhus School of Businees, Denmark
Joreskog, KG. and Wold
E,
1982. System Under Indirect Observation, North-Holland, Amsterdam. Part II, l -5 1.KhalifaJM., Lam, R, and
Lee,
M., 1999. Adequacy of Knowledge Management Structures. Department of Information Syatems City University of Hong Kong Tat Chee Avenue, Kowloon Hong KongKrelle,W., 1997. How to deal with unobservable variables in economics.University of Bonn, Germany. Discussion Paper No. B-144.
Lohmoller,J.B. 1989. Latent Variable Path Modeling with Partial Least Squares. :
Physica-Verlag , Heidelberg.
Rosidi, 1999. Partisipasi dalam Penyusunan Anggaran dan Prestasi Manajer : Pengaruh Komitrnen Organisasi dan Informasi Job Relevan. Tesis. Program Studi Manajemen UNIE3RAW. Tidak hpublikasikan.
Rougoor, C.W.
,
Vellinga,T.V., Huirne, RB,M and Kuipers, A. , 1999. Influence of grassland and feeding management on technical and economic results of dairy farms.Journal of Agricultural Science, Netherland, 47. 135- 15 1.
Sellin, N., 1991 , Partial Least Squares Modeling in Research on Educational Achievent.
http://www.waxmann.~~m/fdsellin.Ddf [12 Pebruari 200 11
Tan, S.S.L., Tan B.C*Y, and Wei ILK., 1997. Enviromental Scanning on the Internet.
National University of Singapore.
ht@://www.com~.nus.edu.snl-teohh/~auers/scan.pdf [25 Juni 200 11
Tan,W.G., Chan, T. and Gable, G.G, 1999. A Structural Model of Software Maintainer Effectiveness.
roc.
1Oh
Australian Conjkrence on Injormation Systems.http:llwww.fit. r m t . e d u . a u l i n f o S v d i s m l p a [18 Maret 200 11
Wegelin, J.A.2000. A Survey of Partial Least Squares (PLS) Methods, With Emphasis on the Two-Block Case. Univesitas of Washington .
30
Lampiran 1. Daftar peubah laten dan peubah penjelas
Keterangan :
A. Jawaban peryantaan (peubah penjelas) dari peubah laten Partisipasi dalam Penyusunan Anggaran (PPA),
Komitmen Organisasi (KO) dan Akses Infonnasi untuk Pelaksanaan Tugas (APT) sebagai berikut : 1. Sangat tidak setuju
2. Tidak setuju 3. Agak tidak setuju 4. Ragu-ragu
5. Agak setuju 6.Agaksetuju
7. Sangat setuju
B. Jawaban peryantaan (peubah penjelas) dari peubah laten Prestasi rnanajer (PM) sebagai berikut : 1. Sangat di bawah rata-rata 5. Agak di atas rata-rata
Lampiran 3. Perintah iteratif LVPLS
PLSX
Analisis Partisipasi dalam penyusunan anggaran dan prestasi manajer
4 4 7 1 2 7 0 0 0 0 2 1 4
5 3 3 4
0 0 0 0
0 021
PPA
KO
A 1 PT
Lampiran 4. Perintah iteratif LLSREL
DA N I = 1 5 NO=47 MA=KM
LA
X I 1 X 2 1 X 3 1 X 4 1 X 5 1 X12 X22 X32 X13 X23 X33 Y2 Y4 Y5 Y7
KM FI=C:\Ta\Lisrel\dbaru.kml
SE; 6 7 8 9 1 0 11 1 2 13 1 4 1 5 1 2 3 4 5
MO NY=10 NX=5 NE=3 NK=1 BE=SD PS=DI LE
'KO' ' A I P T ' 'PM' LK
' PPA'
F R L Y 2 1 L Y 3 1 L Y 5 2 L Y 6 2 L Y 8 3 L Y 9 3 L Y 1 0 3 F R L X 2 1 L X 3 1 L X 4 1 L X 5 1
V A l L Y l l L Y 4 2 L Y 7 3 L X l l PD