Pendekatan Metode Kuadrat Terkecil Parsial pada Pemodelan Persamaan Struktural

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 sama}

melanjutkan 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 Studi}

Statistika 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 pada

MKTP

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 MKTP

DAFTAR 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- j

Model 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 j

P 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. Intersep}

dan

sisaan pada persarnaan (8) adalah rnasing-masing x', = xkjo

+

x,pjo dan

&ij

= xXkjCj

+

gXkj

Pendugaan 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

(why

1

(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 selanjutnya

akan 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 analisis}

dari 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 persamaan

sebagai 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 oleh}

Bentler (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 tidak}

bebas. 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 m

7 = 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 n

ha1 ini berimplikasi E(q) = E(<) = 0 , E(5) = 0 dan diasumsikan

<

tidak berkorelasi dengan

5

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 matrik}

parameter 0 , yaitu A,, A, , 0,, 0,, @ , B ,

T

dan 'P. Parameter-parameter tersebut

hams 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 adalah}

iteratif. 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 dari

x2

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 S

I

+tr(SC-I)-p ₍₁₇₎

di dalam kasus ini, W =

C-I

dan p = banyaknya peubah penjelas. Apapun fungsi yang

dipilih, 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 dan

koragam 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 dapat

diharapkan 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 dapat

disesuaikan 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 Komitmen

Organisasi (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

koefisien

lintas 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

[image:85.541.73.508.65.216.2]

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 Kong

Krelle,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.

1

Oh

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