Bab 2

ADLN - Perpustakaan Universitas Airlangga
BAB II
TINJAUAN PUSTAKA
2.1. Confirmatory Factor Analysis
Menurut Hair et al (2010), Confirmatory Factor Analysis (CFA) adalah
bagian dari SEM ( Structural Equation Modeling) yang berguna untuk menguji
bagaimana variabel-variabel terukur (indikator-indikator) yang baik dalam
menggambarkan atau mewakili suatu bilangan dari suatu faktor, dimana dalam
CFA faktor dapat disebut juga dengan konstrak. Konstrak merupakan suatu
variabel tak terukur yang membutuhkan variable-variabel terukur (indikator)
untuk dapat menggambarkan konstrak tersebut. Selain itu CFA juga digunakan
untuk menguji penegasandari teori pengukuran. Teori pengukuran digunakan
untuk menentukan bagaimana variabel-variabel terukur,dapat menggambarkan
secara logis dan sistematik suatu konstrak yang ditampilkan dalam suatu model.
Berikut ini contoh diagram jalur untuk CFA sederhana berdasarkan teori
pengukuran dari dua konstrak, yaitu Supervisor Support dan Work Environment :
Gambar 2.1.1 Diagram jalur CFA
Skripsi Analisis Pengaruh Faktor-Faktor Pencegahan Diabetes Militus.... Kusuma, Amanda Aulia
7
Dari gambar diatas dapat dijelaskan sebagai berikut:
X1 = LX 1 Supervisor Support + e1
X2 = L X 2 Supervisor Support + e2
X5 = L X 5 Work Environment + e5
Persamaan tersebut memiliki pengertian bahwa Indikator X1, X2, X3, dan X4
mampu menggambarkan Konstrak Supervisor Support masing-masing sebesar
L X 1 , L X 2 , L X 3 , dan L X 4 ; selanjutnya indikator X5, X6, X7, dan X8 mampu
menggambarkan Konstrak Work Environment masing-masing sebesar L X 5 , L X 6 ,
L X 7 , dan L X 8 . Nilai L X 1 , L X 2 , ..., L X 8 merupakan parameter yang mengukur
hubungan antara konstrak dan indikator-indikatornya. Koefisien hubungn antara
konstrak dengan indikatornya tersebut dinamakanloading atau unstandardized
loading.
Menurut Mulaik(2009) persamaan pengukuran secara umum untuk
Confirmatory Factor Analysis (CFA) dirumuskansebagai berikut:
X = Λξ + Ψ ε
8
dengan Xmatriks (p x 1) dari indikator, ξ matrik (gx 1) dari variabelkonstrak,
εmatrik (p x 1) dari eror, Λmatriks (p x g) dari loading diantara indikator dan
konstrak,Ψ adalah matriks diagonal (p x p) dari loading diantara indiktor dan
error, p banyaknya indikator, dan g banyaknya konstrak. Untuk mempermudah
pembahasan, diasumsikan bahwa E[ξε] = 0 dan E[εε’] = I (matriks identitas).
Misalkan diberikan hubungan pengukuran dengan 3 konstrak dan 9 indikator yang
digambarkan melalui diagram jalur berdasarkan teori pengukuran sebagai berikut:
1
 11
X1 11
 22 21
2 X2 1
 33
3 X3 31
 44
4 X4 42 12   2 1
 55 52
5 X5 2 13  31
 66 23  3 2
6 X6 62
7
 77
X7 73
 88 83
8 X8 3
 99
9 X9 93
Gambar 2.2 Diagram jalur First Order Confirmatory Factor
9
Model pengukuran ini diekspresikan oleh persamaan pengukuran:
X 1  11 1   11 1
X 2   21 1   22  2
X 3  31 1   33 3
X 4   42  2   44  4 12   21
X 5  52  2   55  5 dengan 13  31
X 6  62  2   66  6  23  32
X 7  73  3   77  7
X 8  83  3   88  8
X 9  93  3   99  9
dengan Xi indikator ke-i, ij loading pada indikator ke-i dan konstrak ke-j,  ii
loading pada indikator ke-i dan error ke-i,  i error ke-i,  j konstrak ke-j, dan  ij
kovarian antara konstrak ke-i dan konstrak ke-j dengan i  1,2,..., 9 dan j  1,2,3 .
Persamaan pengukuran tersebut memiliki bentuk matriks sebagai berikut:
X = Λξ + Ψ ε
 X1   11 0 0 
X   0 0 
 2  21 
X3  31 0 0 
   
X 4  0  42 0   1 
X = X5  Λ=  0 52 0   
ξ =  2 
   
X 6  0 62 0   3 
X  0 0 73 
 7  
X8  0 0 83 
X  0 0 93 
 9 
10
 1   1 1 0 0 0 0 0 0 0 0 
   0  0 0 0 0 0 0 0 
 2  22
 3   0 0  33 0 0 0 0 0 0 
   
 4   0 0 0  44 0 0 0 0 0 
ε =  5  Ψ=  0 0 0 0  55 0 0 0 0 
   
 6   0 0 0 0 0  66 0 0 0 
   0 0 0 0 0 0  77 0 0 
 7  
 8   0 0 0 0 0 0 0  88 0 
   0 0 0 0 0 0 0 0  9 9 
 9 
 1 1 2 1 3 
Φξξ   2 1 1  2 3 
3 1 3 2 1 
Jika Ψ diasumsikan bernilai I (matriks identitas), maka persamaan pengukuran
sebagai berikut.
X = Λξ + I ε
atau
X = Λξ +
dengan merupakan matriks diagonal (p x p) dari error dan disebut juga error
pengukuran (measurement error). Contoh hubungan pengukuran dengan 3
konstrak dan 9 indikator yang digambarkan sebelumnya, diekspresikan oleh
persamaan pengukuran berikut:
11
X1 = l11 x1 + e11
X 2 = l21 x1 + e 22
X3 = l31 x1 + e33
X 4 = l42 x 2 + e 44 12   21
X 5 = l52 x 2 + e 55 dengan 13  31
X 6 = l62 x 2 + e 66  23  32
X 7 = l73 x 3 + e 77
X8 = l83 x 3 + e88
X 9 = l93 x 3 + e 99
dengan  ii adalah kesalahan pengukuran pada indikator ke-i dengan i  1,2,..., 9 .
Persamaan pengukuran tersebut memiliki bentuk matriks sebagai berikut.
X = Λξ +
é e11 0 0 0 0 0 0 0 0 ù
ê ú
ê 0 e 22 0 0 0 0 0 0 0 ú
ê ú
ê 0 0 e33 0 0 0 0 0 0 ú
ê 0 0 0 e 44 0 0 0 0 0 ú
ê ú
=ê 0 0 0 0 e 55 0 0 0 0 ú.
ê 0 0 0 0 0 e 66 0 0 0 ú
ê ú
ê 0 0 0 0 0 0 e 77 0 0 ú
ê ú
ê 0 0 0 0 0 0 0 e88 0 ú
ê 0 0 0 0 0 0 0 0 e 99 úû
ë
2.2 Second Order Confirmation Factor
Pada bahasan sebelumnya dijelaskan tentang CFA untuk First Order
Confirmation Factor (FOCF) yang mana setiap konstrak dapat langsung diukur
oleh indikator-indikatornya. Kondisi FOCF tidak berlaku untuk beberapa konstrak
12
yang lain, seperti konstrak etos kerja yang memiliki dimensi konstrak yaitu
konstrak kerja keras, konstrak kerja cerdas, dan konstrak kerja ikhlas. Pada kasus
tersebut digunakan CFA dengan Second Order Confirmation Factor (SOCF).
Dengan kata lain, menurut Hair et al (2010), SOCF merupakan CFA dari konstrak
yang memiliki beberapa dimensi konstrak yang diukur oleh indikator-
indikatornya.
Persamaan pengukuran secara umum untuk analisis faktor konfirmatori
untuk secondorderconfirmation factor dirumuskan dengan perluasan sebagai
berikut.
X = Λξ + Ψ ε
degan
ξ = Γ ξ*
dengan Xmatriks (p x 1) dari indikator, ξ matrik (g x 1) dari variabel dimensi
konstrak, ξ* matrik (g x 1) dari variabel konstrak, ε matrik (p x 1) dari variabel
error, Λmatriks (p x g) dari loading diantara indikator dan dimensi konstrak,
Γmatriks (p x g) dari loading diantara dimensi konstrak dan konstrak,Ψ matriks
diagonal (p x p) dari loading diantara indiktor dan error, pbanyaknya indikator,
dan gbanyaknya konstrak. Misalkan diberikan hubungan pengukuran dengan 1
konstrak, 3 dimensi konstrak, dan 9 indikator yang digambarkan melalui diagram
jalur berdasarkan teori pengukuran sebagai berikut:
13
1
 11
X1 11
 22 21
2 X2 1
 33
3 X3 31  11
 44
4 X4 42
 55 52  21
5 X5 2 1*
 66
6 X6 62
 77
7 X7  31
73
 88 83
8 X8 3
 99
9 X9 93
Gambar 2.3 Diagram jalur Second Order Confirmatory Factor
Model pengukuran ini diekspresikan oleh persamaan pengukuran:
X 1  11 1  11 1
X 2  21 1  22 2
X 3  31 1  33 3
X 4  42  2  44 4 1   111*
X 5  52  2  55 5 dengan  2   211*
X 6  62  2  66 6  3   311*
X 7  73  3  77 7
X 8  83  3  88 8
X 9  93  3  99 9
dengan Xi indikator ke-i, ij loading pada indikator ke-i dan konstrak ke-j,  ii
loading pada indikator ke-i dan error ke-i,  i error ke-i,  j konstrak ke-j, dan  ij
kovarian antara konstrak ke-i dan konstrak ke-j dengan i  1,2,..., 9 dan j  1,2,3 .
Persamaan pengukuran tersebut memiliki bentuk matriks sebagai berikut.
X = Λξ + Ψ ε
14
ξ = Γ ξ*
 X1   11 0 0 
X   
 2  21 0 0 
X3 31 0 0 
   
X4  0 42 0   1 
X = X5 Λ =  0 52 0  ξ =  2  ξ* = [1* ]
     
X6  0 62 0   3 
X  0 0 73 
 7  
X8  0 0 83 
X  0 0 93 
 9 
1   1 1 0 0 0 0 0 0 0 0 
   0  0 0 0 0 0 0 0 
 2  22
 3   0 0  33 0 0 0 0 0 0 
   
 4   0 0 0  44 0 0 0 0 0 
ε =  5  Ψ =  0 0 0 0  55 0 0 0 0 
   
 6   0 0 0 0 0  66 0 0 0 
   0 0 0 0 0 0  77 0 0 
 7  
 8   0 0 0 0 0 0 0  88 0 
   0 0 0 0 0 0 0 0  9 9 
 9 
Jika Ψ diasumsikan bernilai I (matriks identitas), maka persamaan
pengukuran sebagai berikut:
X = Λξ + I ε
ξ = Γ ξ*
atau
X = Λξ +
15
ξ = Γ ξ*
dengan merupakan matriks diagonal (p x p) dari error dan disebut juga error
pengukuran (measurement error). Contoh hubungan pengukuran dengan 1
konstrak, 3 dimensi konstrak, dan 9 indikator yang digambarkan sebelumnya,
diekspresikan oleh persamaan pengukuran berikut:
X1 = l11 x1 + e11
X 2 = l21 x1 + e 22
X3 = l31 x1 + e33
X 4 = l42 x 2 + e 44 1   111*
X 5 = l52 x 2 + e 55 dengan  2   211*
X 6 = l62 x 2 + e 66  3   311*
X 7 = l73 x 3 + e 77
X8 = l83 x 3 + e88
X 9 = l93 x 3 + e 99
dengan  ii adalah kesalahan pengukuran pada indikator ke-i dengan i  1,2,..., 9 .
Persamaan pengukuran tersebut memiliki bentuk matriks sebagai berikut:
X = Λξ + έ , dengan ξ = Γ ξ*
é e11 0 0 0 0 0 0 0 0 ù
ê ú
ê 0 e 22 0 0 0 0 0 0 0 ú
ê ú
ê 0 0 e33 0 0 0 0 0 0 ú
ê 0 0 0 e 44 0 0 0 0 0 ú
ê ú
=ê 0 0 0 0 e 55 0 0 0 0 ú.
ê 0 0 0 0 0 e 66 0 0 0 ú
ê ú
ê 0 0 0 0 0 0 e 77 0 0 ú
ê ú
ê 0 0 0 0 0 0 0 e88 0 ú
ê 0 0 0 0 0 0 0 0 e 99 úû
ë
16
Joreskog dan Sorbom (1996) menganjurkan untuk menggunakan data
ordinal (skala Likert) untuk diperlakukan sebagai data ordinal . Jika data tergolong
ordinal, kategorik, atau campuran, maka metode Diagonally Weighted Least
Squares (DWLS) untuk Polychoric correlation matrices direkomendasikan
sebagai metode estimasi model. metode ini membutuhkan sebuah estimasi
asymptotic covariance matrix dari korelasi sampel.
2.3 Uji Kecocokan Model
Menurut Hair et al. (2010), CFA tidak mempunyai uji statistik tunggal
terbaik yang dapat menjelaskan kekuatan dalam mengestimasi sebuah model.
Sebagai gantinya, telah dikembangkan beberapa kombinasi ukuran kecocokan
model yang menghasilkan 2 perspektif, yaitu ukuran kecocokan model
pengukuran dan ukuran kecocokan keseluruhan model, yaitu:
1. kecocokan model pengukuran, meliputi.
1) validitas konstrak, menggambarkan keakuratan dari kumpulan item-item
terukur yang menggambarkan konstraksecara teoritis. Indikator dari
validitas digambarkan melalui:
1. Nilai t-value semua unstandardized loading signifikan (t-value >
tα/2(df)). Karena n > 30 , tα/2(df) ≈ zα/2 . Untuk α = 0,05 , zα/2 = 1,96 .
2. Nilai standardized loading yang seharusnya lebih besar dari 0,5 dan
idealnya lebih besar dari 0,7 .
17
3. Nilai averagevariance extracted (AVE) adalah rata-rata dari variance
extracted yang merupakan kuadrat dari standardized loading dari
setiap indikator yang menjelaskan konstrak. AVE dirumuskan sebagai.
1 n 2
AVE   Li
n i 1
denganLi adalah standardized loading dan n adalah banyaknya
standardized loading.Menurut Hair et al (2010) Nilai AVE yang
signifikan harus lebih besar dari 0,5.
2) Reliabilitas konstrak, atau construct reliability (CR) merupakan ukuran
reliabilitas dan konsistensi secara internal dari variabel-variabel
menggambarkan suatu konstrak laten. CR dirumuskan sebagai.
2 2
 n   n 
  Li    Li 
CR   i 1    i 1 
2 2
 n  n
 n  n
  Li    ei   Li    (1  Li )
 i 1  i 1  i 1  i 1
dengan Li adalah nilai standardized loading dan nilai e adalah nilai error
pengukuran untuk suatu konstrak yang bernilai 1 – L . Menurut Hair et al
(2010) Nilai CR harus lebih besar dari 0,7 .
2. Kecocokan keseluruhan model, yaitu ukuran kecocokan mutlak, ukuran
kecocokan incremental, dan ukuran kecocokan parsimoni yang ditunjukkan
pada tabel berikut:
18
1) Ukuran kecocokan mutlak (absolute fit measures), merupakan ukuran
goodness-of-fit dan badness-of-fit keseluruhan untuk keseluruhan
model meliputi:
a. Uji Kecocokan Chi-Square
Joreskog dan Sorbom (1996) mendeskripsikan bahwa uji
kecocokan chi-squaredidasari oleh generalisasi statistik LR untuk
pengetesan hipotesis gabungan dengan banyak parameter.
b. Goodnees-Of-Fit Index (GFI)
Ukuran GFI pada dasarnya merupakan ukuran kemampuan suatu
model menerangkan keragaman data. Nilia GFI berkisar antara 0 – 1.
Sebenarnya, tidak ada kriteria standar tentang batas nilai GFI yang
baik. Namun bisa disimpulkan, model yang baik adalah model yang
memiliki nilai GFI mendekati 1..
c. Root Mean Square Error (RMSR)
d. Root Mean Square Error Of Approximation (RMSEA)
RMSEA merupakan ukuran rata-rata perbedaan per degree of
freedom yang diharapkan dalam populasi. Nilai RMSEA < 0,08
adalah good fit, sedangkan Nilai RMSEA < 0,05 adalah close fit.
e. Expected Cross-Validation Index (ECVI)
f. Non-Centrality Parameter (NCP)
2) Ukuran kecocokan incremental (incremental/relative fit measures),
merupakan kumpulan dari ukuran goodness-of-fit yang menaksirkan
19
bagaimana kebaikan suatu ukuran relatif model tertentu untuk beberapa
model alternatif meliputi:
a. Adjusted Goodness-Of-Fit Index (AGFI)
b. Tucker-Lewis Index (TLI)
Ukuran TLI disebut juga dengan nonnormed fit index (NNFI).
Ukuran ini merupakan ukuran untuk pembandingan antarmodel
yang mempertimbangkan banyaknya koefisien di dalam model.
TLI  0,9 adalah good fit, sedangkan 0,8  TLI  0,9 adalah
marginal fit.
c. Normed Fit Index (NFI).
Nilai NFI merupakan besarnya ketidakcocokan antara model target
dan model dasar. Nilai NFI berkisar antara 0 – 1. NFI  0,9 adalah
good fit, sedangkan 0,8  NFI  0,9 adalah marginal fit.
d. Incremental Fit Index (IFI)
e. Comparative Fit Index (CFI)
f. Relative Fit Index (RFI)
3) Ukuran kecocokan parsimoni (parsimonious/adjusted fit measures),
yaitu merupakan ukuran goodness-of-fit keseluruhan yang
menggambarkan derajat kecocokan model tiap koefisien estimasi
(parameter) untuk mengevaluasi parsimoni dari model yang bandingkan
meliputi:
a. Parsimonious Normed Fit Index (PNFI)
b. Parsimonious Goodness-Of-Fit Index (PGFI)
20
c. Akaike Information Criterion (AIC)
d. Consistent Akaike Information Criterion (CAIC)
e. Criteria N (CN)
Ukuran kecocokan keseluruhan model yang dikutip dari Hair et al (2010)
ditunjukkan pada tabel berikut:
Tabel 2.1Kecocokan Keseluruhan Model
Ukuran Kecocokan Mutlak Persyaratan Model yang Baik

Chi-Square (χ2) GOF P-value ≥ 0,05
Goodness of Fit Index (GFI) GFI ≥ 0,9
Root Mean Square Residual (RMR) RMR < 0,05
Standardized RMR (SRMR) SRMR < 0,05
Root Mean Square Error of Approximation
RMSEA < 0,08
(RMSEA)
Estimated Non-centrality Parameter (NCP) Semakin kecik semakin baik
Expected Cross-Validation Index (ECVI) Semakin kecik semakin baik
Ukuran Kecocokan Incremental Persyaratan Model yang Baik
Adjusted Goodness of Fit Index (AGFI) AGFI ≥ 0,8
Normed Fit Index (NFI) NFI ≥ 0,8
Non-Normed Fit Index (NNFI) NNFI ≥ 0,8
Comparative Fit Index (CFI) CFI ≥ 0,8
Incremental Fit Index (IFI) IFI ≥ 0,8
Relative Fit Index (RFI) RFI ≥ 0,8
Ukuran Kecocokan Parsimoni Persyaratan Model yang Baik
Parsimony Goodness of Fit Index (PGFI) Semakin tinggi lebih baik
Parsimony Normed Fit Index (PNFI) Semakin tinggi lebih baik
AIC model Positif kecil lebih baik
CAIC model Positif kecil lebih baik
Critical N (CN) CN > 200
2.4 Ukuran Sampel Penelitian
Narimawati dan Munandar (2008) menyajikan suatu ukuran sampel untuk
populasi sebagai berikut:
21
1. Jika populasi sangat besar (jumlah tidak diketahui), maka ukuran sampel
dirumuskan untuk.
a. variabel-variabel dikotomi
z2 pq
n0 
e2
q  1 p
b. variabel-variabel kontinu atau polikotomi
z2 2
n0 
e2
keterangan:
n0 = ukuran sampel untuk populasi yang tidak diketahui.
p = proporsi yang diestimasi suatu atribut yang ada dalam suatu populasi.
 2 = varians suatu atribut dalam suatu populasi.
z = nilai kuantil pada distribusi normal standar pada taraf signifikan 
atau selang kepercayaan (1   )100 % .
e = tingkat presisi (ketepatan) yang disebut juga sebagai kesalahan
pengambilan sampel (sampling error). Nilai e merupakan jangkauan
dimana nilai populasi yang tepat diperkirakan dan diekspresikan
dalam prosentase. Misalkan ditentukan e  1% ketika peneliti
mengambil sampel dengan proporsi 50%. Hal ini memberikan
22
rekomendasi bagi peneliti dengan tingkat ketepatan sebesar  1%
yang dapat menyimpulkan bahwa sampel yang diambil terletak
antara 49% dan 51%.
2. Jika populasi kecil (jumlah diketahui), maka ukuran sampel dirumuskan
sebagai.
n0
n
(n  1)
1 0
N
keterangan:
n0 = ukuran sampel untuk populasi yang tidak diketahui
n = ukuran sampel untuk populasi yang diketahui
N = ukuran populasi yang diketahui
3. Jika populasi kecil (jumlah diketahui) untuk proporsi 50% dan selang
kepercayaan 95%, maka ukuran sampel dihitung dengan rumus Yamane
sebagai berikut.
N
n
1  N (e) 2
keterangan:
n = ukuran sampel untuk populasi yang diketahui
N = ukuran populasi yang diketahui
e = tingkat presisi (ketepatan)
23
Hair et al. (2010) menjabarkan bahwa ukuran sampel minimal yang
digunakan berdasarkan model secara kompleks dan karakteristik dasar model
pengukuran sebagai berikut:
1. ukuran sampel minimal 100 : model berisi maksimal 5 konstrak yang setiap
konstraknya memiliki minimal 3 item (variabel terobservasi) dengan
hubungan yang tinggi (standardized loading ≥ 0,6).
2. ukuran sampel minimal 150 : model berisi maksimal 7 konstrak dengan
setiap konstraknya memiliki hubungan yang sedang (standardized loading ≥
0,5).
3. ukuran sampel minimal 300 : model berisi maksimal 7 konstrak dengan
setiap konstraknya memiliki hubungan yang rendah (standardized loading ≥
0,45).
4. ukuran sampel minimum500 : model berisi banyak konstrak yang setiap
itemnya memiliki hubungan yang rendah (standardized loading ≥ 0,45),
dan/atau setiap konstraknya memiliki minimum 3 variabel terukur (item).
2.5 Diabetes Militus
Diabetes Militus adalah kumpulan gejala yang timbul pada seseorang
akibat peningkatan kadar glukosa darah yang disebabkan oleh kekurangan insulin
baik absolut maupun relatif (Suyono,dkk 2002). Diabetes Militusmerupakan
hyperglikemia kronis yang disebabkan oleh faktor lingkungan dan keturunan
secara bersama-sama, hyperglikemia kronis memiliki karakteristik yang tidak
dapat disembuhkan tetapi dapat dikontrol.
24
Berdasarkan teori dari Profesor Hembing Wijayakusuma (2003), ada tiga jenis
pencegahan Diabetes Militus:
1. Pencegahan primer
Tujuannya untuk mencegah terjadinya Diabetes Militus. Untuk itu,
faktor-faktor yang dapat menyebabkan Diabetes Militus perlu diperhatikan,
baik secara genetik dan lingkungan. Berikut adalah hal-hal yang perlu
dilakukan dalam pencegahan primer.
a) Pola makan sehar-hari harus seimbang dan tidak berlebihan
b) Olahraga secara teratur dan tidak berdiam diri
c) Menghindari terjadinya obesitas
d) Hindari obat-obatan yang dapat menimbulkan Diabetes Militus
(diabetogenik)
2. Pencegahan sekunder
Pencegahan sekunder tujuannya adalah mencegah agar penyakit
Diabetes Militus yang sudah timbul tidak menimbulkan komplikasi penyakit
lain, menghilangkan gejala, dan keluhan penyakit Diabetes Militus.
Pencegahan sekunder meliputi deteksi dini penderita Diabetes Militus,
terutama bagi kelompok yang berisiko tinggi terkena Diabetes Militus.Bagi
yang dicurgai terkena Diabetes Militus, perlu diteliti lebih lanjut untuk
memperkuat dugaanadanya Diabetes Militus.
Berikut hal-hal yang harus dilakukan dalam pencegahan sekunder:
25
a) Diet sehari-hari harus seimbang dan sehat
b) Menjaga berat badan dalam batas normal
c) Usaha pengendalian gula darah agar tidak terjadi komplikasi Diabetes
Militus
d) Olahraga teratur sesuai dengan kemampuan fisik dan umur.
3. Pencegahan tersier
Pencegahan tersier bertujuan untuk mencegah kecacatan lebih lanjut dari
komplikasi yang sudah terjadi. Berikut pencegahan yang dimaksud:
a) Mencegah terjadinya kebutaan jika menyerang pembuluh darah mata
b) Mencegah gagal ginjal kronik jika menyerang pembuluh darah ginjal
c) Mencegah stroke jika menyerang pembuluh darah otak
d) Mencegah terjadinya gangren jika terjadi luka
Oleh karena itu, diperlukan pemeriksaan yang rutin dan berkalaterhadap
bagian organ tubuh yang rentan terhadap komplikasi dan kecacatan.
Berdasarkan fokus penelitian, jenis pencegahan yang akan digunakan adalah
pencegahan primer karena pencegahan primer adalah pencegahan yang dilakukan
sebelum terjadinya Diabetes Militus. Sehingga kita dapat melakukan pencegahan
Diabetus Militus sejak dini.
Dari faktor-faktor pencegahan primer Diabetus Militus, maka indikator yang
perlu diperhatikan adalah:
26
a) Pola makan sehari-hari harus seimbang dan tidak berlebihan, dengan
indikator:
1. Diet karbohidrat
2. Diet makanan berserat
3. Diet gula
b) Olahraga secara teratur dan tidak berdiam diri, dengan indikator
1. Olahraga Ringan
2. Olahraga Berat
c) Tidak mengalami obesitas, dengan indikator:
1. Berat badan ideal
2. Lingkar pinggang normal
d) Hindari obat-obatan yang dapat menimbulkan Diabetes Militus
(diabetogenik), dengan indikator:
1. Tidak mengkonsumsi obat hypertensi
2. Tidak mengkonsumsi obat golongan kortikosteroid
3. Tidak mengkonsumsiobat anti kolesterol
27
2.6 Software Lisrel
Perkembagan teknologi analisis saat ini telah banyak bermunculan. Salah
satu program yang banyak digunakan adalah program Lisrel. Program Lisrel
(Linear Structural Relationship) awalnya dikembangkan oleh Karl G. Joreskog
bersama dengan Dag Sorbom (1996) dari Universitas Uppsala Swedia. Program
ini dirancang untuk menganalisis structural equation modeling (SEM), multilevel
structural equation modeling, multilevel linear and non linear modeling serta
validitas dan reliabilitas instrumen.
Untuk memperoleh output dalam format / program lisrel, ada beberapa
pilihan perintah, antara lain:
SS = Print standardized solution
SC = Print completly standardized solution
EF = Print total and indirect effects, their standard error and t-value
VA = Print variance and covariance
MR = Equivalent to RS and VA
FS = Print factor score regression
PC = Print correlations of parameter estimate
PT = Print technical information
28
Secara umum, bentuk badan pemrograman untuk program simplis (yang
selanjutnya akan dipergunakan dalam membuat pemrograman) adalah sebagai
berikut:
[Title]
..........................................................................................
Observed variable (from file name ................)
Covariance matrix (from file name ..................)
Laten variable .........................
Sample siza = ...
Relationships
........................................................................................................
Method = WLS
Number of decimals = 3
Lisrel output: SS SC EF
Path diagram
End of program

Bab 2

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Bab 2

Diunggah oleh

Hak Cipta:

Format Tersedia

ADLN - Perpustakaan Universitas Airlangga

2.1. Confirmatory Factor Analysis

Menurut Hair et al (2010), Confirmatory Factor Analysis (CFA) adalah

bagaimana variabel-variabel terukur (indikator-indikator) yang baik dalam

variabel tak terukur yang membutuhkan variable-variabel terukur (indikator)

untuk menguji penegasandari teori pengukuran. Teori pengukuran digunakan

untuk menentukan bagaimana variabel-variabel terukur,dapat menggambarkan

Gambar 2.1.1 Diagram jalur CFA

Dari gambar diatas dapat dijelaskan sebagai berikut:

mampu menggambarkan Konstrak Supervisor Support masing-masing sebesar

L X 1 , L X 2 , L X 3 , dan L X 4 ; selanjutnya indikator X5, X6, X7, dan X8 mampu

menggambarkan Konstrak Work Environment masing-masing sebesar L X 5 , L X 6 ,

L X 7 , dan L X 8 . Nilai L X 1 , L X 2 , ..., L X 8 merupakan parameter yang mengukur

hubungan antara konstrak dan indikator-indikatornya. Koefisien hubungn antara

konstrak dengan indikatornya tersebut dinamakanloading atau unstandardized

Menurut Mulaik(2009) persamaan pengukuran secara umum untuk

Confirmatory Factor Analysis (CFA) dirumuskansebagai berikut:

dengan Xmatriks (p x 1) dari indikator, ξ matrik (gx 1) dari variabelkonstrak,

εmatrik (p x 1) dari eror, Λmatriks (p x g) dari loading diantara indikator dan

konstrak,Ψ adalah matriks diagonal (p x p) dari loading diantara indiktor dan

error, p banyaknya indikator, dan g banyaknya konstrak. Untuk mempermudah

pembahasan, diasumsikan bahwa E[ξε] = 0 dan E[εε’] = I (matriks identitas).

Misalkan diberikan hubungan pengukuran dengan 3 konstrak dan 9 indikator yang

digambarkan melalui diagram jalur berdasarkan teori pengukuran sebagai berikut:

Gambar 2.2 Diagram jalur First Order Confirmatory Factor

Model pengukuran ini diekspresikan oleh persamaan pengukuran:

Persamaan pengukuran tersebut memiliki bentuk matriks sebagai berikut:

Jika Ψ diasumsikan bernilai I (matriks identitas), maka persamaan pengukuran

pengukuran (measurement error). Contoh hubungan pengukuran dengan 3

konstrak dan 9 indikator yang digambarkan sebelumnya, diekspresikan oleh

persamaan pengukuran berikut:

dengan  ii adalah kesalahan pengukuran pada indikator ke-i dengan i  1,2,..., 9 .

Persamaan pengukuran tersebut memiliki bentuk matriks sebagai berikut.

2.2 Second Order Confirmation Factor

Pada bahasan sebelumnya dijelaskan tentang CFA untuk First Order

oleh indikator-indikatornya. Kondisi FOCF tidak berlaku untuk beberapa konstrak

tersebut digunakan CFA dengan Second Order Confirmation Factor (SOCF).

yang memiliki beberapa dimensi konstrak yang diukur oleh indikator-

Persamaan pengukuran secara umum untuk analisis faktor konfirmatori

untuk secondorderconfirmation factor dirumuskan dengan perluasan sebagai

dengan Xmatriks (p x 1) dari indikator, ξ matrik (g x 1) dari variabel dimensi

konstrak, ξ* matrik (g x 1) dari variabel konstrak, ε matrik (p x 1) dari variabel

error, Λmatriks (p x g) dari loading diantara indikator dan dimensi konstrak,

Γmatriks (p x g) dari loading diantara dimensi konstrak dan konstrak,Ψ matriks

diagonal (p x p) dari loading diantara indiktor dan error, pbanyaknya indikator,

dan gbanyaknya konstrak. Misalkan diberikan hubungan pengukuran dengan 1

konstrak, 3 dimensi konstrak, dan 9 indikator yang digambarkan melalui diagram

jalur berdasarkan teori pengukuran sebagai berikut:

Gambar 2.3 Diagram jalur Second Order Confirmatory Factor

Model pengukuran ini diekspresikan oleh persamaan pengukuran:

Persamaan pengukuran tersebut memiliki bentuk matriks sebagai berikut.

Jika Ψ diasumsikan bernilai I (matriks identitas), maka persamaan

pengukuran sebagai berikut:

pengukuran (measurement error). Contoh hubungan pengukuran dengan 1

konstrak, 3 dimensi konstrak, dan 9 indikator yang digambarkan sebelumnya,

diekspresikan oleh persamaan pengukuran berikut:

dengan  ii adalah kesalahan pengukuran pada indikator ke-i dengan i  1,2,..., 9 .

Persamaan pengukuran tersebut memiliki bentuk matriks sebagai berikut:

Joreskog dan Sorbom (1996) menganjurkan untuk menggunakan data

ordinal, kategorik, atau campuran, maka metode Diagonally Weighted Least

Squares (DWLS) untuk Polychoric correlation matrices direkomendasikan

sebagai metode estimasi model. metode ini membutuhkan sebuah estimasi

asymptotic covariance matrix dari korelasi sampel.