Menumbuhkan bisnis yang lain Y10 Pengujian Hipotesis

131

j. Menumbuhkan bisnis yang lain Y10

Dari pertanyaan terhadap indikator menumbuhkan bisnis yang lain yang diajukan kepada 228 responden, rata-rata skor jawaban responden sebesar 2,12. Hal ini menunjukkan bahwa responden dalam menjawab pertanyaan pengaruh “menumbuhkan bisnis yang lain” terhadap tujuan pembangunan perikanan Jawa Tengah termasuk dalam kategori cukup yaitu dengan perincian : 16 responden atau 7,02 menjawab masih rendah , 29 responden atau 12,72 menjawab cukup, 150 responden atau 65,79 menjawab sudah tinggi dan 33 responden atau 14,47 menyatakan sangat tinggi. Tabel 74 Rata-rata skor jawaban responden terhadap indikator menumbuhkan bisnis yang lain No. Kategori Skor Nilai Jumlah Skor Persentase 1. Sangat rendah 5 0,00 2. Rendah 4 16 64 7,02 3. Cukup 3 29 87 12,72 4. Tinggi 2 150 300 65,79 5. Sangat tinggi 1 33 33 14,47 Jumlah 228 484 Rata-rata skor 2,12 Sumber : Data primer yang telah diolah, 2008

k. Menurunkan eksternalitas negatif Y11

Dari pertanyaan terhadap indikator menurunkan eksternalitas negatif yang diajukan kepada 228 responden, rata-rata skor jawaban responden sebesar 1,97. Tabel 75 Rata-rata skor jawaban responden terhadap indikator menurunkan eksternalitas negatif No. Kategori Skor Nilai Jumlah Skor Persentase 1. Sangat rendah 5 0,00 2. Rendah 4 24 96 10,53 3. Cukup 3 15 45 6,58 4. Tinggi 2 120 240 52,63 5. Sangat tinggi 1 69 69 30,26 Jumlah 228 450 Rata-rata skor 1,97 Sumber : Data primer yang telah diolah, 2008 132 Hal ini menunjukkan bahwa responden dalam menjawab pertanyaan pengaruh “menurunkan eksternalitas negatif” terhadap tujuan pembangunan perikanan Jawa Tengah termasuk dalam kategori rendah yaitu dengan perincian : 24 responden atau 10,09 menjawab masih rendah , 15 responden atau 6,58 menjawab cukup, 120 responden atau 52,63 menjawab sudah tinggi dan 69 responden atau 30,26 menyatakan sangat tinggi. 133 4.3 Analisis SEM Structural Equation Modelling 4.3.1 Uji model unidimensional masing-masing variabel laten dengan confirmatory factor analysis CFA Uji analisis faktor konfirmatori Confirmatory Factor Analysis CFA adalah suatu analisa untuk menguji unidimensionalitas dari suatu indikator yang membentuk suatu variabel laten tertentu Ghozali 2004.

4.3.1.1 Variabel laten lingkungan usaha perikanan LUP

Dari hasil awal analisis uji model undimensional pada variabel laten lingkungan usaha perikanan menunjukkan nilai Chi-square sebagai kriteria model fit menunjukkan bahwa model belum fit, hal ini ditunjukkan oleh nilai Chi-square 335,599, probabilitas 0,000, nilai fit lainnya juga menghasilkan nilai dibawah yang direkomendasikan antara lain, CMINDf 9,589, AGFI 0,586, GFI 0,737, TLI 0,575 dan RMSEA 0,195 Gambar 12. Selanjutnya dilakukan pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator yang dianalisis. ,10 LUP Chi-square= 335,599 Df = 35 Probabilitas = ,000 AGFI = ,586 GFI = ,737 TLI = ,575 RMSEA = ,195 X10 1,19 e10 1,00 1 X9 1,27 e9 ,70 1 X8 1,26 e8 ,81 1 X7 1,06 e7 ,79 1 X6 ,84 e6 2,44 1 X5 ,42 e5 2,73 1 X4 ,70 e4 2,67 1 X3 ,87 e3 2,16 1 X2 ,38 e2 2,65 1 X1 ,55 e1 2,50 1 Gambar 12 Output path diagram model awal lingkungan usaha perikanan Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator menunjukkan bahwa semua indikator dapat diterima. indikator skill dan knowledge sumberdaya manusia SDM X1, penggunaan teknologi tepat guna X2, Kapital working yang cukup X3, budaya sebagai nelayan dan pedagang yang dilestarikan X4, perijinan sesuai potensi X5, tersedianya logistik X6, penguasaanadanya 134 akses ke pasar yang kompetitif X7, interesttingkat suku bunga yang murah X8, kredit yang dapat diakses X9, dan regulasiijinaturan yang cepat dan biaya yang murah X10, dimana semua variabel indikator Tabel 76 sudah signifikan yaitu mempunyai standardized estimate atau regression weight atau koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar dari t tabel pada level 5 dengan df 35 sebesar 1,69, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa semua indikator secara signifikan berhubungan dengan variabel laten lingkungan usaha perikanan. Tabel 76 Regression weights loading factor measurement model awal lingkungan usaha perikanan Estimate S.E. C.R. P Label X10 --- LUP 1,000 X9 --- LUP ,704 ,292 2,414 ,016 par_1 X8 --- LUP ,812 ,303 2,684 ,007 par_2 X7 --- LUP ,792 ,289 2,744 ,006 par_3 X6 --- LUP 2,436 ,617 3,951 par_4 X5 --- LUP 2,730 ,674 4,049 par_5 X4 --- LUP 2,672 ,681 3,921 par_6 X3 --- LUP 2,160 ,569 3,793 par_7 X2 --- LUP 2,647 ,651 4,065 par_8 X1 --- LUP 2,497 ,624 4,003 par_9 Setelah diketahui bahwa semua variabel signifikan, akan tetapi model masih belum fit misfit, kemudian mencari penyebab model misfit tersebut dengan melihat nilai modification indexes MI . Tabel 77 Modification index model awal lingkungan usaha perikanan M.I. Par Change e3 --e2 6,133 -,109 e4 --e3 74,189 ,489 e5 --e2 4,840 ,072 e5 --e3 6,526 -,119 e6 --e5 4,145 ,094 e7 --e3 6,825 -,172 e7 --e4 8,020 -,173 135 M.I. Par Change e8 --e3 9,001 -,216 e8 --e4 7,212 -,179 e8 --e7 41,469 ,497 e9 --e3 7,250 -,195 e9 --e4 8,492 -,195 e9 --e7 49,116 ,544 e9 --e8 59,508 ,652 e10 --e3 4,568 -,150 e10 --e4 13,935 -,242 e10 --e7 16,209 ,303 e10 --e8 57,966 ,623 e10 --e9 33,431 ,476 Dari tabel modification index tersebut dicari nilai modification index MI terbesar yaitu 74,189 yang berhubungan dengan error kovarian antara item 3 kapital working yang cukup dengan item 4 budaya sebagai nelayan dan pedagang yang dilestarikan dengan nilai statistik 0,489. Berdasarkan informasi ini jika model akan direvisi dengan mengkorelasikan error 3 dengan error 4, maka nilai chi-square akan turun paling sedikit sebesar 74,189. Hasil revisi 1 model sebagai berikut : ,12 LUP Chi-square= 250,307 Df = 34 Probabilitas = ,000 AGFI = ,654 GFI = ,786 TLI = ,685 RMSEA = ,167 X10 1,17 e10 1,00 1 X9 1,26 e9 ,73 1 X8 1,24 e8 ,84 1 X7 1,05 e7 ,81 1 X6 ,82 e 6 2,27 1 X5 ,39 e 5 2,57 1 X4 ,81 e4 2,26 1 X3 ,99 e3 1,71 1 X2 ,35 e2 2,48 1 X1 ,57 e1 2,27 1 ,53 Gambar 13 Output path diagram model revisi 1 lingkungan usaha perikanan Dari hasil model revisi 1 analisis uji model undimensional pada variabel laten lingkungan usaha perikanan menunjukkan bahwa model belum fit yang ditunjukkan oleh nilai Chi-square 250,307 dan probabilitas 0,000, nilai fit yang lain masih dibawah nilai yang direkomendasikan antara lain; nilai CMINDf 7,362, AGFI 0,654, GFI 0,786, TLI 0,685 136 dan RMSEA 0,167 Gambar 13. Selanjutnya dilakukan pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator yang dianalisis. Tabel 78 Regression weights loading factor measurement model revisi 1 lingkungan usaha perikanan Estimate S.E. C.R. P Label X10 --- LUP 1,000 X9 --- LUP ,733 ,271 2,702 ,007 par_1 X8 --- LUP ,837 ,281 2,984 ,003 par_2 X7 --- LUP ,807 ,267 3,024 ,002 par_3 X6 --- LUP 2,270 ,532 4,267 par_4 X5 --- LUP 2,571 ,587 4,382 par_5 X4 --- LUP 2,262 ,540 4,187 par_6 X3 --- LUP 1,710 ,434 3,943 par_7 X2 --- LUP 2,483 ,564 4,404 par_8 X1 --- LUP 2,265 ,524 4,321 par_9 Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 78 sudah signifikan yaitu mempunyai standardized estimate atau regression weight atau koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar dari t tabel pada level 5 dengan df 34 sebesar 1,69, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa semua indikator secara signifikan berhubungan dengan variabel laten lingkungan usaha perikanan. Tabel 79 Modification index model revisi 1 lingkungan usaha perikanan M.I. Par Change e8 --e5 5,073 -,121 e8 --e7 40,066 ,483 e9 --e5 7,156 -,144 e9 --e7 47,859 ,531 e9 --e8 58,287 ,638 e10 --e4 8,054 -,153 e10 --e7 14,954 ,287 e10 --e8 56,471 ,608 e10 --e9 32,086 ,461 137 Setelah diketahui bahwa semua indikator signifikan, akan tetapi model masih belum fit misfit, kemudian mencari penyebab model misfit tersebut dengan melihat nilai modification indexes MI . Dari tabel modification index tersebut dicari nilai modification index MI terbesar yaitu 58,287 yang berhubungan dengan error kovarian antara item 8 interesttingkat suku bunga yang murah dengan item 9 kredit yang dapat diakses dengan nilai statistik 0,638. Berdasarkan informasi ini jika model akan direvisi dengan mengkorelasikan error 8 dengan error 9, maka nilai chi-square akan turun paling sedikit sebesar 58,287. Hasil revisi 2 model sebagai berikut : ,11 LUP Chi-square= 206,403 Df = 33 Probabilitas = ,000 AGFI = ,732 GFI = ,839 TLI = ,740 RMSEA = ,152 X10 1,18 e10 1,00 1 X9 1,27 e9 ,71 1 X8 1,25 e8 ,81 1 X7 1,06 e7 ,78 1 X6 ,83 e6 2,35 1 X5 ,38 e5 2,68 1 X4 ,81 e4 2,37 1 X3 ,99 e3 1,79 1 X2 ,35 e2 2,58 1 X1 ,57 e1 2,36 1 ,52 ,49 Gambar 14 Output path diagram model revisi 2 lingkungan usaha perikanan Dari hasil model revisi 2 analisis uji model undimensional pada variabel laten lingkungan usaha perikanan menunjukkan bahwa model belum fit, yaitu dari nilai Chi-square 206,403 dan probabilitas 0,000, nilai fit yang lain juga masih di bawah nilai yang direkomendasikan antara lain; CMINdf 6,255, AGFI 0,732, GFI 0,839, TLI 0,740 dan RMSEA 0,152 Gambar 14. Selanjutnya dilakukan pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator yang dianalisis. Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 80 sudah signifikan yaitu mempunyai standardized estimate atau regression weight atau 138 koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar dari t tabel pada level 5 dengan df 33 sebesar 1,69, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa semua indikator secara signifikan berhubungan dengan variabel laten lingkungan usaha perikanan. Tabel 80 Regression weights loading factor measurement model revisi 2 lingkungan usaha perikanan Estimate S.E. C.R. P Label X10 --- LUP 1,000 X9 --- LUP ,691 ,279 2,479 ,013 par_1 X8 --- LUP ,809 ,290 2,789 ,005 par_2 X7 --- LUP ,802 ,279 2,878 ,004 par_3 X6 --- LUP 2,368 ,576 4,110 par_4 X5 --- LUP 2,697 ,639 4,218 par_5 X4 --- LUP 2,377 ,588 4,045 par_6 X3 --- LUP 1,800 ,470 3,830 par_7 X2 --- LUP 2,589 ,612 4,233 par_8 X1 --- LUP 2,363 ,568 4,157 par_9 Setelah diketahui bahwa semua indikator signifikan, akan tetapi model masih belum fit misfit, kemudian mencari penyebab model misfit tersebut dengan melihat nilai modification indexes MI . Tabel 81 Modification index model revisi 2 lingkungan usaha perikanan M.I. Par Change e8 --e5 5,027 -,109 e9 --e5 5,449 -,126 e9 --e7 16,844 ,287 e9 --e8 27,249 ,397 e10 --e4 7,516 -,148 e10 --e8 42,277 ,479 e10 --e9 32,828 ,469 Dari tabel modification index tersebut dicari nilai modification index MI terbesar yaitu 42,277 yang berhubungan dengan error kovarian antara item 8 interesttingkat suku bunga yang murah dengan item 10 139 regulasiijinaturan yang cepat dan biaya yang murah dengan nilai statistik 0,479. Berdasarkan informasi ini jika model akan direvisi dengan mengkorelasikan error 8 dengan error 10, maka nilai chi-square akan turun paling sedikit sebesar 42,277. Hasil revisi 3 model sebagai berikut : ,11 LUP Chi-square= 156,174 Df = 32 Probabilitas = ,000 AGFI = ,787 GFI = ,876 TLI = ,808 RMSEA = ,131 X10 1,19 e10 1,00 1 X9 1,27 e9 ,71 1 X8 1,17 e8 ,78 1 X7 1,06 e7 ,81 1 X6 ,83 e6 2,43 1 X5 ,38 e5 2,78 1 X4 ,80 e4 2,45 1 X3 ,98 e3 1,86 1 X2 ,35 e2 2,66 1 X1 ,57 e1 2,43 1 ,52 ,36 ,51 Gambar 15 Output path diagram model revisi 3 lingkungan usaha perikanan Dari hasil model revisi 3 analisis uji model undimensional pada variabel laten lingkungan usaha perikanan menunjukkan bahwa model belum fit yang ditunjukkan dari nilai Chi-square 156,174 dan probabilitas 0,000 nilai fit lainnya juga masih dibawah nilai yang direkomendasikan, antara lain; CMINDf 4,880 AGFI 0,787, GFI 0,876, TLI 0,808 dan RMSEA 0,131 Gambar 15. Selanjutnya dilakukan pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator yang dianalisis. Tabel 82 Regression weights loading factor measurement model revisi 3 lingkungan usaha perikanan Estimate S.E. C.R. P Label X10 --- LUP 1,000 X9 --- LUP ,710 ,289 2,452 ,014 par_1 X8 --- LUP ,779 ,226 3,448 par_2 X7 --- LUP ,807 ,288 2,804 ,005 par_3 X6 --- LUP 2,433 ,608 4,005 par_4 X5 --- LUP 2,777 ,676 4,107 par_5 X4 --- LUP 2,453 ,621 3,947 par_6 X3 --- LUP 1,861 ,496 3,750 par_7 140 Estimate S.E. C.R. P Label X2 --- LUP 2,665 ,647 4,122 par_8 X1 --- LUP 2,433 ,601 4,050 par_9 Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 82 sudah signifikan yaitu mempunyai standardized estimate atau regression weight atau koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar dari t tabel pada level 5 dengan df 32 sebesar 1,69, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa semua indikator secara signifikan berhubungan dengan variabel laten lingkungan usaha perikanan. Setelah diketahui bahwa semua indikator signifikan, akan tetapi model masih belum fit misfit, kemudian mencari penyebab model misfit tersebut dengan melihat nilai modification indexes MI . Tabel 83 Modification index model revisi 3 lingkungan usaha perikanan M.I. Par Change e9 --e5 4,735 -,117 e9 --e7 26,265 ,370 e9 --e8 14,614 ,261 e10 --e4 7,611 -,133 e10 --e7 10,599 ,199 e10 --e9 11,203 ,244 Dari tabel modification index tersebut dicari nilai modification index MI terbesar yaitu 26,265 yang berhubungan dengan error kovarian antara item 7 penguasaanadanya akses ke pasar yang kompetitif dengan item 9 kredit yang dapat diakses dengan nilai statistik 0,370. Berdasarkan informasi ini jika model akan direvisi dengan mengkorelasikan error 7 dengan error 9, maka nilai chi-square akan turun paling sedikit sebesar 26,265. Hasil revisi 4 model sebagai berikut : 141 ,10 LUP Chi-square= 121,533 Df = 31 Probabilitas = ,000 AGFI = ,833 GFI = ,906 TLI = ,855 RMSEA = ,113 X10 1,19 e10 1,00 1 X9 1,28 e9 ,68 1 X8 1,23 e8 ,78 1 X7 1,00 e7 ,80 1 X6 ,83 e6 2,49 1 X5 ,37 e5 2,85 1 X4 ,80 e4 2,52 1 X3 ,98 e3 1,92 1 X2 ,35 e2 2,73 1 X1 ,57 e1 2,49 1 ,52 ,20 ,59 ,45 Gambar 16 Output path diagram model revisi4 lingkungan usaha perikanan Dari hasil model revisi 4 analisis uji model undimensional pada variabel laten lingkungan usaha perikanan menunjukkan bahwa model belum fit yang ditunjukkan dari nilai Chi-square 121,533 dan probabilitas 0,000, nilai fit lainnya juga masih dibawah yang di tetapkan antara lain; CMINDf 3,920 AGFI 0,833, TLI 0,855 dan RMSEA 0,113 Gambar 16. Selanjutnya dilakukan pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator yang dianalisis. Tabel 84 Regression weights loading factor measurement model revisi 4 lingkungan usaha perikanan Estimate S.E. C.R. P Label X10 --- LUP 1,000 X9 --- LUP ,679 ,293 2,315 ,021 par_1 X8 --- LUP ,776 ,226 3,429 par_2 X7 --- LUP ,795 ,289 2,749 ,006 par_3 X6 --- LUP 2,492 ,637 3,914 par_4 X5 --- LUP 2,851 ,711 4,011 par_5 X4 --- LUP 2,524 ,653 3,864 par_6 X3 --- LUP 1,916 ,521 3,680 par_7 X2 --- LUP 2,730 ,678 4,025 par_8 X1 --- LUP 2,492 ,630 3,957 par_9 Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 84 sudah signifikan yaitu mempunyai standardized estimate atau regression weight atau koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar 142 dari t tabel pada level 5 dengan df 31 sebesar 1,69, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa semua indikator secara signifikan berhubungan dengan variabel laten lingkungan usaha perikanan. Tabel 85 Modification index model revisi 4 lingkungan usaha perikanan M.I. Par Change e7 -- e5 4,207 ,087 e9 -- e5 6,324 -,123 e9 -- e8 25,705 ,328 e10 -- e4 6,875 -,124 Setelah diketahui bahwa semua indikator signifikan, akan tetapi model masih belum fit misfit, kemudian mencari penyebab model misfit tersebut dengan melihat nilai modification indexes MI . Dari tabel modification index tersebut dicari nilai modification index MI terbesar yaitu 25,705 yang berhubungan dengan error kovarian antara item 8 interesttingkat suku bunga yang murah dengan item 9 kredit yang dapat diakses dengan nilai statistik 0,328. Berdasarkan informasi ini jika model akan direvisi dengan mengkorelasikan error 8 dengan error 9, maka nilai chi-square akan turun paling sedikit sebesar 25,705 Hasil revisi 5 model sebagai berikut : ,10 LUP Chi-square= 80,041 Df = 30 Probabilitas = ,000 AGFI = ,879 GFI = ,934 TLI = ,917 RMSEA = ,086 X10 1,19 e10 1,00 1 X9 1,28 e9 ,66 1 X8 1,13 e8 ,76 1 X7 1,06 e7 ,79 1 X6 ,83 e6 2,51 1 X5 ,37 e5 2,87 1 X4 ,79 e4 2,54 1 X3 ,98 e3 1,93 1 X2 ,35 e2 2,74 1 X1 ,57 e1 2,51 1 ,51 ,39 ,42 ,54 ,49 Gambar 17 Output path diagram model revisi 5 lingkungan usaha perikanan 143 Dari hasil model revisi 5 analisis uji model undimensional pada variabel laten lingkungan usaha perikanan menunjukkan bahwa model belum fit, hal ini ditunjukkan oleh nilai Chi-square 80,041 dan probabilitas 0,000, nilai fit lainnya juga menghasilkan nilai dibawah yang direkomendasikan antara lain, CMINDf 2,668, AGFI 0,879, dan RMSEA 0,086 Gambar 17. Selanjutnya dilakukan pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator yang dianalisis. Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 86 sudah signifikan yaitu mempunyai standardized estimate atau regression weight atau koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar dari t tabel pada level 5 dengan df 30 sebesar 1,69, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa semua indikator secara signifikan berhubungan dengan variabel laten lingkungan usaha perikanan. Tabel 86 Regression weights loading factor measurement model revisi 5 lingkungan usaha perikanan Estimate S.E. C.R. P Label X10 --- LUP 1,000 X9 --- LUP ,664 ,293 2,267 ,023 par_1 X8 --- LUP ,760 ,240 3,165 ,002 par_2 X7 --- LUP ,787 ,294 2,672 ,008 par_3 X6 --- LUP 2,506 ,643 3,894 par_4 X5 --- LUP 2,869 ,719 3,990 par_5 X4 --- LUP 2,540 ,661 3,845 par_6 X3 --- LUP 1,930 ,527 3,666 par_7 X2 --- LUP 2,744 ,685 4,003 par_8 X1 --- LUP 2,505 ,637 3,936 par_9 Setelah diketahui bahwa semua indikator signifikan, akan tetapi model masih belum fit misfit, kemudian mencari penyebab model misfit tersebut dengan melihat nilai modification indexes MI . 144 Tabel 87 Modification index model revisi 5 lingkungan usaha perikanan M.I. Par Change e7 --e5 4,401 ,089 e9 --e5 4,310 -,094 e10 --e4 7,590 -,137 e10 --e9 14,718 ,241 Dari tabel modification index tersebut dicari nilai modification index MI terbesar yaitu 14,718 yang berhubungan dengan error kovarian antara item 9 kredit yang dapat diakses dengan item 10 regulasiijinaturan yang cepat dan biaya yang murah dengan nilai statistik 0,328. Berdasarkan informasi ini jika model akan direvisi dengan mengkorelasikan error 9 dengan error 10, maka nilai chi-square akan turun paling sedikit sebesar 14,718. Hasil revisi 6 model sebagai berikut : ,10 LUP Chi-square= 57,682 Df = 29 Probabilitas = ,001 AGFI = ,907 GFI = ,951 TLI = ,951 RMSEA = ,066 X10 1,20 e10 1,00 1 X9 1,21 e9 ,64 1 X8 1,18 e8 ,75 1 X7 1,06 e7 ,80 1 X6 ,83 e6 2,54 1 X5 ,37 e5 2,91 1 X4 ,79 e4 2,58 1 X3 ,98 e3 1,96 1 X2 ,35 e2 2,77 1 X1 ,57 e1 2,54 1 ,51 ,37 ,52 ,46 ,57 ,35 Gambar 18 Output path diagram model revisi 6 lingkungan usaha perikanan Dari hasil model revisi 6 analisis uji model undimensional pada variabel laten lingkungan usaha perikanan menunjukkan bahwa model telah fit, yang ditunjukkan dari nilai Chi-square 57,682, probabilitas 0,001, CMINDf 1,989, AGFI 0,907, GFI 0,951, TLI 0,951 dan RMSEA 0,066 yang telah memenuhi syarat Gambar 18. Menurut Ghozali 2004, dan Ferdinand 2006 untuk menilai sebuah model fit, dari 11 kriteria tersebut 7 kriteria sudah cukup untuk menilainya, yaitu Chi-square, Significance probability, CMINDF, GFI goodness-of-fit index, AGFI adjusted goodness-of- fit index, TLI Tucker-Lewis Index, 145 dan RMSEA adjusted goodness-of- fit index. Untuk lebih jelasnya dari hasil analisis setelah model mengalami 6 revisi dijelaskan pada Tabel 88. Tabel 88 Indeks pengujian kelayakan kesesuaian model lingkungan usaha perikanan No. Goodness of Fit Creation Index Syarat sebuah model fit Hasil analisis Evaluasi model 1. Chi Square Statistic Kecil, ? 2 dengan df= 29 adalah 42,557 57,682 2. Significant Probability P ≤ 0,05 0,001 Baik 3. CMINDF ≤ 2,00 1,989 Baik 4. GFI goodness-of-fit index ≥ 0,90 0,951 Baik 5. AGFI adjusted goodness- of- fit index ≥ 0,90 0,907 Baik 6. TLI Tucker-Lewis Index ≥ 0,95 0,951 Baik 7. RMSEA adjusted goodness-of- fit index ≤ 0,08 0,066 Baik Sumber : Data primer yang telah diolah, 2008 Dari sepuluh indikator yang membentuk variabel laten lingkungan usaha perikanan di Jawa Tengah, ternyata yang berpengaruh terbesar terhadap lingkungan bisnis sektor perikanan adalah pada indikator X5 perijinan sesuai potensi dengan nilai statistik sebesar 2,913. Besarnya pengaruh perijinan sesuai potensi terhadap lingkungan bisnis sektor perikanan, karena kondisi sumberdaya perikanan, antara lain, sumberdaya stok ikan, hutan mangrove, sumberdaya karang sebagai salah satu sumber pemasok ikan hasil tangkap telah mengalami degradasi, apalagi kondisi sumberdaya di pantai utara jawa, yang diindikasikan dengan semakin menurunnya ikan hasil tangkapan selama 10 tahun terakhir, dengan demikian sumberdaya ikan akan semakin menipis. Dengan semakin sedikitnya sumberdaya ikan, dibutuhkan “kearifan pengambil kebijakan” yaitu pemerintah daerah maupun pusat dalam mengeluarkan ijin penangkapan yang harus disesuaikan dengan potensi sumberdaya ikan yang ada. Ijin yang dikeluarkan tersebut tidak terbatas dari pemerintah daerah kota maupun provinsi yang mengurusi ijin kapal dibawah 100 GT, akan tetapi juga untuk pemerintah pusat yaitu Departemen Kelautan RI 146 harus lebih selektif mengeluarkan ijin kapal-kapal yang home base nya di Pantai Utara Jawa Tengah.

4.3.1.2 Variabel laten kebijakan pemerintah pusat KEBIJ_PUS

Dari hasil analisis uji model undimensional atau confimatory factor analysis pada measurement model pada variabel laten kebijakan pemerintah pusat KEBIJ _PUS menunjukkan bahwa model sudah fit, hal ini ditunjukkan oleh nilai Chi-square 7,117, CMINDf 1,423 probabilitas 0,212, AGFI 0,963, GFI 0,988, TLI 0,997 dan RMSEA 0,043 Gambar 19. 1,58 KEBIJ_PUS X15 ,10 e15 1,00 1 X14 ,11 e14 ,90 1 X13 ,20 e13 1,00 1 X12 ,33 e12 ,68 1 X11 ,60 e11 ,55 1 Chi-square = 7,117 Df = 5 Probabilitas = ,212 AGFI = ,963 GFI = ,988 TLI = ,997 RMSEA = ,043 Gambar 19 Output path diagram model kebijakan pemerintah pusat Tabel 89 Regression weights loading factor measurement model kebijakan pemerintah pusat Estimate S.E. C.R. P Label X15 --- KEBIJ_PUS 1,000 X14 --- KEBIJ_PUS ,899 ,024 37,024 par_1 X13 --- KEBIJ_PUS ,999 ,030 33,543 par_2 X12 --- KEBIJ_PUS ,679 ,033 20,568 par_3 X11 --- KEBIJ_PUS ,548 ,042 12,909 par_4 Sumber : Data primer yang telah diolah, 2008 Hal tersebut juga didukung oleh hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 89 menunjukkan bahwa semua indikator dapat diterima. indikator pendidikan yang dapat diakses dan bermutu X11, permodalan dengan interesttingkat suku bunga yang murah dan dapat diakses X12, 147 pelatihan dan bimbingan yang dapat diakses X13, tersedianya fasilitas sekolah yang memadai X14, dan tersedianya fasilitas puskesmas yang memadai X15. Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 89 sudah signifikan yaitu mempunyai standardized estimate atau regression weight atau koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar dari t tabel pada level 5 dengan df 5 sebesar 2,02, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa semua indikator secara signifikan berhubungan dengan variabel laten kebijakan pemerintah pusat. Tabel 90 Indeks pengujian kelayakan kesesuaian model kebijakan pemerintah pusat No. Goodness of Fit Creation Index Syarat sebuah model fit Hasil analisis Evaluasi model 1. Chi Square Statistic Kecil, ? 2 dengan df= 5 adalah 11,0705 7,117 Baik 2. Significant Probability P ≤ 0,05 0,212 Kurang 3. CMINDF ≤ 2,00 1,989 Baik 4. GFI goodness-of-fit index ≥ 0,90 0,988 Baik 5. AGFI adjusted goodness- of- fit index ≥ 0,90 0,963 Baik 6. TLI Tucker-Lewis Index ≥ 0,95 0,997 Baik 7. RMSEA adjusted goodness-of- fit index ≤ 0,08 0,043 Baik Sumber : Data primer yang telah diolah, 2008 Sehingga dari pengujian model goodness of fit creation index semua kriteria evaluasi model dinyatakan baik Tabel 89, walaupun dengan catatan nilai probabilitias diatas nilai yang di persyaratkan, dan indikator yang ada dapat digunakan untuk mengukur kebijakan pemerintah pusat. Dari sepuluh indikator yang membentuk variabel laten kebijakan pemerintah pusat di Jawa Tengah, ternyata yang berpengaruh terbesar terhadap lingkungan bisnis sektor perikanan adalah pada indikator X15 Tersedianya fasilitas puskesmas yang memadai dengan nilai statistik 148 sebesar 1,000. Hal ini mengindikasikan bahwa keberadaan fasilitas untuk kesehatan bagi nelayan maupun pengolah ikan atau keluarganya sangat mempengaruhi mereka untuk dalam berpartisipasi dalam pembangunan perikanan Jawa Tengah. Kondisi ini bisa dimengerti, karena selama ini fasilitas kesehatan bagi nelayan sangat minim, bahkan bisa dikatakan dibeberapa daerah tidak ada, sehingga diharapkan dengan tersedianya fasilitas kesehatan ini dapat meningkatkan peran nelayan lebih baik dalam pembangunan. Untuk itu pemerintah pusat sewajarnya menyediakan fasilitas kesehatan bagi nelayan maupun pengolah ikan dan keluarganya di dekat wilayah mereka.

4.3.1.3 Variabel laten kebijakan pemerintah daerah KEBIJ_DAE

Dari hasil awal analisis uji model undimensional pada variabel laten kebijakan pemerintah daerah KEBIJ_DAE menunjukkan bahwa model belum fit, hal ini ditunjukkan oleh nilai Chi-square 159,463 dan probabilitas 0,000, nilai fit yang lain menunjukkan masih dibawah nilai yang direkomendasikan, yaitu CMINDf 5,906 AGFI 0,753, GFI 0,852, TLI 0,798 dan RMSEA 0,147 Gambar 20. Selanjutnya dilakukan pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing- masing indikator yang dianalisis. ,28 KEBIJ_DAE X24 ,87 e24 1,00 1 X23 ,53 e23 ,46 1 X22 ,60 e22 ,39 1 X21 ,33 e21 1,45 1 X20 ,68 e20 1,54 1 X19 ,89 e19 ,74 1 X18 ,59 e18 1,26 1 X17 ,23 e17 ,89 1 X16 ,25 e16 1,96 1 Chi-square = 159,463 Df = 27 Probabilitas = ,000 AGFI= ,753 GFI = ,852 TLI = ,770 RMSEA = ,147 Gambar 20 Output path diagram model awal kebijakan pemerintah daerah Selanjutnya dilakukan pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator yang dianalisis Tabel 90 menunjukkan bahwa semua indikator dapat diterima, yaitu indikator 149 pelatihan dan penyuluhan yang dapat diakses dan bermutu X16, pelabuhan dan Tempat Pelelangan ikan yang baik X17, proses perizinan yang cepat dengan biaya yang wajar X18, kelembagaan koperasi, LSM yang berjalan dengan baik X19, teknologi yang memberi nilai tambah ke prosesing X20, pelatihan dan bimbingan yang dapat diakses X21, pungutan pajak, biaya operasi, retribusi yang membebani X22, tersedianya fasilitas sekolah yang memadai X23, dan tersedianya fasilitas puskesmas yang memadai X24, semuanya mempunyai standardized estimate atau regression weight atau koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar dari t tabel pada level 5 dengan df 27 sebesar 1,70, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa semua indikator secara signifikan berhubungan dengan variabel laten kebijakan pemerintah daerah. Tabel 91 Regression weights loading factor measurement model awal kebijakan pemerintah daerah Estimate S.E. C.R. P Label X24 --- KEBIJ_DAE 1,000 X23 --- KEBIJ_DAE ,462 ,111 4,168 par_1 X22 --- KEBIJ_DAE ,392 ,115 3,407 par_2 X21 --- KEBIJ_DAE 1,451 ,198 7,337 par_3 X20 --- KEBIJ_DAE 1,537 ,220 6,999 par_4 X19 --- KEBIJ_DAE ,739 ,158 4,683 par_5 X18 --- KEBIJ_DAE 1,262 ,189 6,679 par_6 X17 --- KEBIJ_DAE ,890 ,130 6,860 par_7 X16 --- KEBIJ_DAE 1,961 ,262 7,476 par_8 Tabel 92 Modification index model awal kebijakan pemerintah daerah M.I. Par Change e18 -- e17 10,771 ,087 e19 -- e17 6,134 -,079 e19 -- e18 16,351 -,203 e20 -- e18 12,832 ,163 e20 -- e19 8,289 -,158 e21 -- e17 5,626 -,050 e21 -- e18 13,270 -,121 e21 -- e19 21,133 ,184 150 M.I. Par Change e22 -- e17 12,122 ,091 e23 -- e16 5,812 -,076 e23 -- e19 6,519 ,118 e23 -- e21 9,320 ,094 e23 -- e22 20,122 -,169 e24 -- e16 7,073 -,108 e24 -- e20 7,676 ,151 e24 -- e23 20,203 ,206 Setelah diketahui bahwa semua indikator signifikan, akan tetapi model masih belum fit misfit, kemudian mencari penyebab model misfit tersebut dengan melihat nilai modification indexes MI. Dari tabel modification index tersebut dicari nilai modification index MI terbesar yaitu 21,133 yang berhubungan dengan error kovarian antara item 19 kelembagaan koperasi, LSM yang berjalan dengan baik dengan item 21 pelatihan dan bimbingan yang dapat diakses dengan nilai statistik 0,184. Berdasarkan informasi ini jika model akan direvisi dengan mengkorelasikan error 19 dengan error 21, maka nilai chi-square akan turun paling sedikit sebesar 21,133. Hasil revisi 1 model sebagai berikut : ,28 KEBIJ_DAE X24 ,87 e24 1,00 1 X23 ,53 e23 ,45 1 X22 ,60 e22 ,39 1 X21 ,36 e21 1,41 1 X20 ,65 e20 1,55 1 X19 ,93 e19 ,62 1 X18 ,56 e18 1,28 1 X17 ,22 e17 ,90 1 X16 ,28 e16 1,92 1 Chi-square = 136,623 Df = 26 Probabilitas = ,000 AGFI= ,792 GFI = ,880 TLI = ,801 RMSEA = ,137 ,20 Gambar 21 Output path diagram model revisi 1 kebijakan pemerintah daerah Dari hasil model revisi 1 analisis uji model undimensional pada variabel laten kebijakan pemerintah daerah menunjukkan bahwa model belum fit yang ditunjukkan oleh nilai Chi-square 136,623 dan probabilitas 151 0,000, nilai fit lainnya juga menghasilkan nilai dibawah yang direkomendasikan antara lain, CMINDf 5,251 AGFI 0,792, GFI 0,880, TLI 0,801 dan RMSEA 0,137 Gambar 21. Selanjutnya dilakukan pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator yang dianalisis. Tabel 93 Regression weights loading factor measurement model revisi1 kebijakan pemerintah daerah Estimate S.E. C.R. P Label X24 --- KEBIJ_DAE 1,000 X23 --- KEBIJ_DAE ,445 ,109 4,079 par_1 X22 --- KEBIJ_DAE ,392 ,114 3,434 par_2 X21 --- KEBIJ_DAE 1,408 ,192 7,314 par_3 X20 --- KEBIJ_DAE 1,554 ,218 7,121 par_4 X19 --- KEBIJ_DAE ,624 ,153 4,072 par_5 X18 --- KEBIJ_DAE 1,285 ,188 6,816 par_6 X17 --- KEBIJ_DAE ,896 ,129 6,954 par_7 X16 --- KEBIJ_DAE 1,917 ,256 7,500 par_8 Tabel 94 Modification index model revisi 1 kebijakan pemerintah daerah M.I. Par Change e18 -- e17 7,730 ,072 e19 -- e16 8,222 ,116 e19 -- e18 5,271 -,108 e20 -- e18 9,247 ,134 e21 -- e18 7,152 -,084 e22 -- e17 11,901 ,089 e23 -- e21 5,405 ,068 e23 -- e22 19,852 -,168 e24 -- e16 5,984 -,102 e24 -- e20 6,591 ,138 e24 -- e23 20,708 ,209 e18 -- e17 7,730 ,072 Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 93 sudah signifikan yaitu mempunyai standardized estimate atau regression weight atau koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar dari t tabel pada level 5 dengan df 26 sebesar 1,71, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat 152 disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa semua indikator secara signifikan berhubungan dengan variabel laten kebijakan pemerintah daerah. Setelah diketahui bahwa semua indikator signifikan, akan tetapi model masih belum fit misfit, kemudian mencari penyebab model misfit tersebut dengan melihat nilai modification indexes MI. Dari tabel modification index tersebut dicari nilai modification index MI terbesar yaitu 20,708 yang berhubungan dengan error kovarian antara item 23 tersedianya fasilitas sekolah yang memadai dengan item 24 tersedianya fasilitas puskesmas yang memadai dengan nilai statistik 0,209. Berdasarkan informasi ini jika model akan direvisi dengan mengkorelasikan error 19 dengan error 21, maka nilai chi-square akan turun paling sedikit sebesar 20,708. Hasil revisi 2 model sebagai berikut : ,27 KEBIJ_DAE X24 ,88 e24 1,00 1 X23 ,54 e23 ,42 1 X22 ,60 e22 ,41 1 X21 ,36 e21 1,44 1 X20 ,66 e20 1,59 1 X19 ,94 e19 ,64 1 X18 ,56 e18 1,32 1 X17 ,22 e17 ,92 1 X16 ,27 e16 1,98 1 Chi-square = 114,935 Df = 25 Probabilitas = ,000 AGFI= ,819 GFI = ,900 TLI = ,831 RMSEA = ,126 ,21 ,20 Gambar 22 Output path diagram model revisi 2 kebijakan pemerintah daerah Dari hasil model revisi 2 analisis uji model undimensional pada variabel laten kebijakan pemerintah daerah menunjukkan bahwa model belum fit yang ditunjukkan oleh nilai Chi-square 114,935 dan probabilitas 0,000 nilai fit lainnya juga menghasilkan nilai dibawah yang direkomendasikan antara lain, CMINDf 4,597, AGFI 0,819, TLI 0,831 dan RMSEA 0,126 Gambar 22. 153 Selanjutnya dilakukan pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator yang dianalisis. Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 94 sudah signifikan yaitu mempunyai standardized estimate atau regression weight atau koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar dari t tabel pada level 5 dengan df 25 sebesar 1,71, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa semua indikator secara signifikan berhubungan dengan variabel laten kebijakan pemerintah daerah. Tabel 95 Regression weights loading factor measurement model revisi 2 kebijakan pemerintah daerah Estimate S.E. C.R. P Label X24 --- KEBIJ_DAE 1,000 X23 --- KEBIJ_DAE ,425 ,098 4,352 par_1 X22 --- KEBIJ_DAE ,413 ,118 3,499 par_2 X21 --- KEBIJ_DAE 1,437 ,202 7,115 par_3 X20 --- KEBIJ_DAE 1,588 ,229 6,939 par_4 X19 --- KEBIJ_DAE ,635 ,159 4,004 par_5 X18 --- KEBIJ_DAE 1,321 ,198 6,679 par_6 X17 --- KEBIJ_DAE ,923 ,135 6,814 par_7 X16 --- KEBIJ_DAE 1,978 ,270 7,313 par_8 Setelah diketahui bahwa semua indikator signifikan, akan tetapi model masih belum fit misfit, kemudian mencari penyebab model misfit tersebut dengan melihat nilai modification indexes MI. Tabel 96 Modification index model revisi 2 kebijakan pemerintah daerah M.I. Par Change e18 --e17 7,319 ,069 e19 --e16 9,141 ,122 e19 --e18 5,220 -,108 e20 --e18 9,373 ,135 e21 --e18 6,705 -,081 e22 --e17 11,129 ,086 e23 --e19 4,369 ,088 e23 --e21 5,246 ,065 e23 --e22 17,798 -,152 e24 --e20 6,852 ,134 154 Dari tabel modification index tersebut dicari nilai modification index MI terbesar yaitu 17,798 yang berhubungan dengan error kovarian antara item 22 pungutan pajak, biaya operasi, retribusi yang membebani dengan item 23 tersedianya fasilitas sekolah yang memadai dengan nilai statistik - 0,152. Berdasarkan informasi ini jika model akan direvisi dengan mengkorelasikan error 22 dengan error 23, maka nilai chi-square akan turun paling sedikit sebesar 17,798. Hasil revisi 3 model sebagai berikut : ,27 KEBIJ_DAE X24 ,88 e24 1,00 1 X23 ,53 e23 ,44 1 X22 ,60 e22 ,42 1 X21 ,36 e21 1,44 1 X20 ,66 e20 1,59 1 X19 ,93 e19 ,64 1 X18 ,56 e18 1,32 1 X17 ,22 e17 ,92 1 X16 ,27 e16 1,97 1 Chi-square = 96,135 Df = 24 Probabilitas = ,000 AGFI= ,837 GFI = ,913 TLI = ,859 RMSEA = ,115 ,19 ,20 -,15 Gambar 23 Output path diagram model revisi 3 kebijakan pemerintah daerah Dari hasil model revisi 3 analisis uji model undimensional pada variabel laten kebijakan pemerintah daerah menunjukkan bahwa model belum fit yang ditunjukkan oleh nilai Chi-square 96,135 dan probabilitas 0,000 nilai fit lainnya juga menghasilkan nilai dibawah yang direkomendasikan antara lain; CMINDf 4,006, AGFI 0,837, TLI 0,859 dan RMSEA 0,115 Gambar 23. Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 97 sudah signifikan yaitu mempunyai standardized estimate atau regression weight atau koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar dari t tabel pada level 5 dengan df 24 sebesar 1,71, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan 155 nol dapat ditolak. Sehingga dapat disimpulkan bahwa semua indikator secara signifikan berhubungan dengan variabel laten kebijakan pemerintah daerah. Tabel 97 Regression weights loading factor measurement model revisi 3 kebijakan pemerintah daerah Estimate S.E. C.R. P Label X24 --- KEBIJ_DAE 1,000 X23 --- KEBIJ_DAE ,440 ,099 4,466 par_1 X22 --- KEBIJ_DAE ,420 ,118 3,551 par_2 X21 --- KEBIJ_DAE 1,441 ,202 7,133 par_3 X20 --- KEBIJ_DAE 1,586 ,229 6,940 par_4 X19 --- KEBIJ_DAE ,641 ,159 4,041 par_5 X18 --- KEBIJ_DAE 1,316 ,197 6,668 par_6 X17 --- KEBIJ_DAE ,922 ,135 6,819 par_7 X16 --- KEBIJ_DAE 1,975 ,270 7,323 par_8 Setelah diketahui bahwa semua indikator signifikan, akan tetapi model masih belum fit misfit, kemudian mencari penyebab model misfit tersebut dengan melihat nilai modification indexes MI. Tabel 98 Modification index model revisi 3 kebijakan pemerintah daerah M.I. Par Change e18 -- e17 7,562 ,071 e19 -- e16 8,589 ,118 e19 -- e18 5,357 -,109 e20 -- e18 9,724 ,138 e21 -- e18 6,676 -,081 e22 -- e17 9,240 ,075 e22 -- e18 5,988 -,095 e23 -- e19 4,132 ,082 e23 -- e21 4,795 ,059 e24 -- e20 7,534 ,141 Dari tabel modification index tersebut dicari nilai modification index MI terbesar yaitu 9,724 yang berhubungan dengan error kovarian antara item 18 Proses perizinan yang cepat dengan biaya yang wajar dengan item 20 Teknologi yang memberi nilai tambah ke prosesing dengan nilai statistik 0,138. Berdasarkan informasi ini jika model akan direvisi dengan mengkorelasikan error 18 dengan error 20, maka nilai chi-square akan turun paling sedikit sebesar 9,724. Hasil revisi 4 model sebagai berikut : 156 ,26 KEBIJ_DAE X24 ,89 e24 1,00 1 X23 ,53 e23 ,45 1 X22 ,59 e22 ,43 1 X21 ,34 e21 1,49 1 X20 ,71 e20 1,55 1 X19 ,92 e19 ,69 1 X18 ,60 e18 1,28 1 X17 ,23 e17 ,93 1 X16 ,23 e16 2,04 1 Chi-square = 85,201 Df = 23 Probabilitas = ,000 AGFI= ,853 GFI = ,925 TLI = ,873 RMSEA = ,109 ,20 ,18 -,15 ,16 Gambar 24 Output path diagram model revisi 4 kebijakan pemerintah daerah Dari hasil model revisi 4 analisis uji model undimensional pada variabel laten kebijakan pemerintah daerah menunjukkan bahwa model belum fit yang ditunjukkan oleh nilai Chi-square 85,201 dan probabilitas 0,000 nilai fit lainnya juga menghasilkan nilai dibawah yang direkomendasikan antara lain, CMINDf 3,704, AGFI 0,853, TLI 0,873 dan RMSEA 0,109Gambar 24. Tabel 99 Regression weights loading factor measurement model revisi 4 kebijakan pemerintah daerah Estimate S.E. C.R. P Label X24 --- KEBIJ_DAE 1,000 X23 --- KEBIJ_DAE ,448 ,101 4,457 par_1 X22 --- KEBIJ_DAE ,435 ,121 3,587 par_2 X21 --- KEBIJ_DAE 1,488 ,211 7,046 par_3 X20 --- KEBIJ_DAE 1,554 ,232 6,704 par_4 X19 --- KEBIJ_DAE ,694 ,165 4,216 par_5 X18 --- KEBIJ_DAE 1,283 ,200 6,416 par_6 X17 --- KEBIJ_DAE ,927 ,139 6,667 par_7 X16 --- KEBIJ_DAE 2,045 ,286 7,141 par_8 Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 99 sudah signifikan yaitu mempunyai standardized estimate atau regression weight atau koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar 157 dari t tabel pada level 5 dengan df 26 sebesar 1,71, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa semua indikator secara signifikan berhubungan dengan variabel laten kebijakan pemerintah daerah. Setelah diketahui bahwa semua indikator signifikan, akan tetapi model masih belum fit misfit, kemudian mencari penyebab model misfit tersebut dengan melihat nilai modification indexes MI. Tabel 100 Modification index model revisi 4 kebijakan pemerintah daerah M.I. Par Change e18 -- e17 10,063 ,081 e19 -- e16 7,185 ,107 e19 -- e18 4,445 -,098 e21 -- e18 4,203 -,063 e22 -- e17 8,848 ,074 e22 -- e18 4,193 -,077 e23 -- e19 4,111 ,082 e23 -- e21 4,798 ,059 e24 -- e20 8,161 ,145 Dari tabel modification index tersebut dicari nilai modification index MI terbesar yaitu 10,063 yang berhubungan dengan error kovarian antara item 17 pelabuhan dan Tempat Pelelangan ikan yang baik dengan item 18 proses perizinan yang cepat dengan biaya yang wajar dengan nilai statistik 0,081. Berdasarkan informasi ini jika model akan direvisi dengan mengkorelasikan error 17 dengan error 18, maka nilai chi-square akan turun paling sedikit sebesar 10,063. Hasil revisi 5 model sebagai berikut : 158 ,26 KEBIJ_DAE X24 ,89 e24 1,00 1 X23 ,53 e23 ,45 1 X22 ,60 e22 ,43 1 X21 ,33 e21 1,50 1 X20 ,72 e20 1,54 1 X19 ,91 e19 ,71 1 X18 ,62 e18 1,24 1 X17 ,24 e17 ,91 1 X16 ,23 e16 2,05 1 Chi-square = 74,687 Df = 22 Probabilitas = ,000 AGFI= ,865 GFI = ,934 TLI = ,888 RMSEA = ,103 ,19 ,17 -,16 ,17 ,09 Gambar 25 Output path diagram model revisi 5 kebijakan pemerintah daerah Dari hasil model revisi 5 analisis uji model undimensional pada variabel laten kebijakan pemerintah daerah menunjukkan bahwa model belum fit yang ditunjukkan oleh nilai Chi-square 74,687 dan probabilitas 0,000, nilai fit lainnya juga menghasilkan nilai dibawah yang direkomendasikan antara lain; CMINDf 3,395 AGFI 0,865, TLI 0,888 dan RMSEA 0,103 Gambar 25. Tabel 101 Regression weights loading factor measurement model revisi 5 kebijakan pemerintah daerah Estimate S.E. C.R. P Label X24 --- KEBIJ_DAE 1,000 X23 --- KEBIJ_DAE ,454 ,101 4,512 par_1 X22 --- KEBIJ_DAE ,433 ,121 3,578 par_2 X21 --- KEBIJ_DAE 1,500 ,212 7,091 par_3 X20 --- KEBIJ_DAE 1,545 ,231 6,699 par_4 X19 --- KEBIJ_DAE ,714 ,165 4,327 par_5 X18 --- KEBIJ_DAE 1,235 ,197 6,276 par_6 X17 --- KEBIJ_DAE ,905 ,137 6,592 par_7 X16 --- KEBIJ_DAE 2,046 ,288 7,099 par_8 Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 101 sudah signifikan yaitu mempunyai standardized estimate atau regression weight atau koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar 159 dari t tabel pada level 5 dengan df 22 sebesar 1,71, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa semua indikator secara signifikan berhubungan dengan variabel laten kebijakan pemerintah daerah. Setelah diketahui bahwa semua indikator signifikan, akan tetapi model masih belum fit misfit, kemudian mencari penyebab model misfit tersebut dengan melihat nilai modification indexes MI. Tabel 102 Modification index model revisi 5 kebijakan pemerintah daerah M.I. Par Change e18 -- e16 4,695 ,071 e19 -- e16 5,876 ,097 e22 -- e17 12,231 ,085 e22 -- e18 6,572 -,095 e23 -- e19 4,103 ,082 e23 -- e21 4,625 ,057 e24 -- e20 7,822 ,143 Dari tabel modification index tersebut dicari nilai modification index MI terbesar yaitu 12,231 yang berhubungan dengan error kovarian antara item 17 Pelabuhan dan Tempat Pelelangan ikan yang baik dengan item 22 Pungutan pajak, biaya operasi, retribusi yang membebani dengan nilai statistik 0,085. Berdasarkan informasi ini jika model akan direvisi dengan mengkorelasikan error 17 dengan error 22, maka nilai chi-square akan turun paling sedikit sebesar 12,231. Hasil revisi 5 model sebagai berikut : 160 ,26 KEBIJ_DAE X24 ,89 e24 1,00 1 X23 ,53 e23 ,45 1 X22 ,60 e22 ,40 1 X21 ,33 e21 1,50 1 X20 ,72 e20 1,54 1 X19 ,91 e19 ,72 1 X18 ,62 e18 1,24 1 X17 ,25 e17 ,89 1 X16 ,22 e16 2,05 1 Chi-square = 61,758 Df = 21 Probabilitas = ,000 AGFI= ,880 GFI = ,944 TLI = ,909 RMSEA = ,092 ,20 ,17 -,15 ,16 ,10 ,09 Gambar 26 Output path diagram model revisi 6 kebijakan pemerintah daerah Dari hasil revisi 6 model analisis uji model undimensional pada variabel laten kebijakan pemerintah daerah menunjukkan bahwa model belum fit yang ditunjukkan oleh nilai Chi-square 61,758 probabilitas 0,000 nilai fit lainnya juga menghasilkan nilai dibawah yang direkomendasikan yaitu; CMINDf 2,940 AGFI 0,880, dan RMSEA 0,092 Gambar 26. Tabel 103 Regression weights loading factor measurement model revisi 6 kebijakan pemerintah daerah Estimate S.E. C.R. P Label X24 --- KEBIJ_DAE 1,000 X23 --- KEBIJ_DAE ,453 ,100 4,519 par_1 X22 --- KEBIJ_DAE ,397 ,119 3,327 par_2 X21 --- KEBIJ_DAE 1,499 ,211 7,093 par_3 X20 --- KEBIJ_DAE 1,543 ,230 6,704 par_4 X19 --- KEBIJ_DAE ,718 ,165 4,340 par_5 X18 --- KEBIJ_DAE 1,237 ,197 6,287 par_6 X17 --- KEBIJ_DAE ,892 ,136 6,533 par_7 X16 --- KEBIJ_DAE 2,051 ,291 7,056 par_8 Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 103 sudah signifikan yaitu mempunyai standardized estimate atau regression weight atau 161 koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar dari t tabel pada level 5 dengan df 21 sebesar 1,72, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa semua indikator secara signifikan berhubungan dengan variabel laten kebijakan pemerintah daerah. Setelah diketahui bahwa semua indikator signifikan, akan tetapi model masih belum fit misfit, kemudian mencari penyebab model misfit tersebut dengan melihat nilai modification indexes MI. Tabel 104 Modification index model revisi 6 kebijakan pemerintah daerah M.I. Par Change e19 -- e16 5,817 ,097 e23 -- e19 4,317 ,084 e23 -- e21 5,532 ,062 e24 -- e16 4,611 -,085 e24 -- e20 8,063 ,145 Dari tabel modification index tersebut dicari nilai modification index MI terbesar yaitu 8,063 yang berhubungan dengan error kovarian antara item 20 teknologi yang memberi nilai tambah ke prosesing dengan item 24 tersedianya fasilitas puskesmas yang memadai dengan nilai statistik 0,145. Berdasarkan informasi ini jika model akan direvisi dengan mengkorelasikan error 20 dengan error 24, maka nilai chi-square akan turun paling sedikit sebesar 8,063. Hasil revisi 7 model sebagai berikut : 162 ,24 KEBIJ_DAE X24 ,90 e24 1,00 1 X23 ,53 e23 ,46 1 X22 ,60 e22 ,42 1 X21 ,34 e21 1,56 1 X20 ,73 e20 1,58 1 X19 ,91 e19 ,76 1 X18 ,62 e18 1,29 1 X17 ,25 e17 ,93 1 X16 ,19 e16 2,17 1 Chi-square = 53,270 Df = 20 Probabilitas = ,000 AGFI= ,892 GFI = ,952 TLI = ,922 RMSEA = ,086 ,20 ,16 -,15 ,16 ,10 ,09 ,15 Gambar 27 Output path diagram model revisi 7 kebijakan pemerintah daerah Dari hasil revisi 7 model analisis uji model undimensional pada variabel laten kebijakan pemerintah daerah menunjukkan bahwa model belum fit yang ditunjukkan oleh nilai Chi-square 53,270 probabilitas 0,000, nilai fit lainnya juga menghasilkan nilai dibawah yang direkomendasikan yaitu; CMINDf 2,664 AGFI 0,892, dan RMSEA 0,086 Gambar 27. Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 104 sudah signifikan yaitu mempunyai standardized estimate atau regression weight atau koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar dari t tabel pada level 5 dengan df 20 sebesar 1,72, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa semua indikator secara signifikan berhubungan dengan variabel laten kebijakan pemerintah daerah. 163 Tabel 105 Regression weights loading factor measurement model revisi 7 kebijakan pemerintah daerah Estimate S.E. C.R. P Label X24 --- KEBIJ_DAE 1,000 X23 --- KEBIJ_DAE ,434 ,107 4,067 par_1 X22 --- KEBIJ_DAE ,423 ,127 3,318 par_2 X21 --- KEBIJ_DAE 1,566 ,233 6,736 par_3 X20 --- KEBIJ_DAE 1,589 ,231 6,880 par_4 X19 --- KEBIJ_DAE ,773 ,178 4,335 par_5 X18 --- KEBIJ_DAE 1,307 ,216 6,062 par_6 X17 --- KEBIJ_DAE ,938 ,150 6,270 par_7 X16 --- KEBIJ_DAE 2,214 ,332 6,673 par_8 Setelah diketahui bahwa semua indikator signifikan, akan tetapi model masih belum fit misfit, kemudian mencari penyebab model misfit tersebut dengan melihat nilai modification indexes MI. Tabel 106 Modification index model revisi 7 kebijakan pemerintah daerah M.I. Par Change e19 --e16 5,282 ,091 e19 --e18 4,091 -,091 e23 --e21 5,489 ,063 Dari tabel modification index tersebut dicari nilai modification index MI terbesar yaitu 5,489 yang berhubungan dengan error kovarian antara item 21 Pelatihan dan bimbingan yang dapat diakses dengan item 23 Tersedianya fasilitas sekolah yang memadai dengan nilai statistik 0,063. Berdasarkan informasi ini jika model akan direvisi dengan mengkorelasikan error 21 dengan error 23, maka nilai chi-square akan turun paling sedikit sebesar 5,489. Hasil revisi 8 model sebagai berikut : 164 ,23 KEBIJ_DAE X24 ,91 e24 1,00 1 X23 ,53 e23 ,43 1 X22 ,60 e22 ,42 1 X21 ,34 e21 1,57 1 X20 ,74 e20 1,59 1 X19 ,91 e19 ,77 1 X18 ,62 e18 1,31 1 X17 ,25 e17 ,94 1 X16 ,17 e16 2,21 1 Chi-square = 47,241 Df = 19 Probabilitas = ,000 AGFI= ,899 GFI = ,957 TLI = ,930 RMSEA = ,081 ,19 ,15 -,15 ,16 ,10 ,09 ,16 ,07 Gambar 28 Output path diagram model revisi 8 kebijakan pemerintah daerah Dari hasil revisi 8 model analisis uji model undimensional pada variabel laten kebijakan pemerintah daerah menunjukkan bahwa model belum fit yang ditunjukkan oleh nilai Chi-square 47,241 dan probabilitas 0,000 nilai fit lainnya juga menghasilkan nilai dibawah yang direkomendasikan yaitu; CMINDf 2,486, AGFI 0,899, dan RMSEA 0,081 Gambar 28. Tabel 107 Regression weights loading factor measurement model revisi 8 kebijakan pemerintah daerah Estimate S.E. C.R. P Label X24 --- KEBIJ_DAE 1,000 X23 --- KEBIJ_DAE ,434 ,107 4,067 par_1 X22 --- KEBIJ_DAE ,423 ,127 3,318 par_2 X21 --- KEBIJ_DAE 1,566 ,233 6,736 par_3 X20 --- KEBIJ_DAE 1,589 ,231 6,880 par_4 X19 --- KEBIJ_DAE ,773 ,178 4,335 par_5 X18 --- KEBIJ_DAE 1,307 ,216 6,062 par_6 X17 --- KEBIJ_DAE ,938 ,150 6,270 par_7 X16 --- KEBIJ_DAE 2,214 ,332 6,673 par_8 Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 107 sudah signifikan 165 yaitu mempunyai standardized estimate atau regression weight atau koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar dari t tabel pada level 5 dengan df 26 sebesar 1,71, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa semua indikator secara signifikan berhubungan dengan variabel laten kebijakan pemerintah daerah. Setelah diketahui bahwa semua indikator signifikan, akan tetapi model masih belum fit misfit, kemudian mencari penyebab model misfit tersebut dengan melihat nilai modification indexes MI. Tabel 108 Modification index model revisi 8 kebijakan pemerintah daerah M.I. Par Change e19 --e16 4,953 ,088 e19 --e18 4,600 -,097 e23 --e19 7,402 ,109 e24 --e21 4,849 ,078 Dari tabel modification index tersebut dicari nilai modification index MI terbesar yaitu 7,402 yang berhubungan dengan error kovarian antara item 19 kelembagaan koperasi, LSM yang berjalan dengan baik dengan item 23 tersedianya fasilitas sekolah yang memadai dengan nilai statistik 0,109. Berdasarkan informasi ini jika model akan direvisi dengan mengkorelasikan error 19 dengan error 23, maka nilai chi-square akan turun paling sedikit sebesar 7,402. Hasil revisi 9 model sebagai berikut : 166 ,23 KEBIJ_DAE X24 ,90 e24 1,00 1 X23 ,53 e23 ,42 1 X22 ,60 e22 ,42 1 X21 ,35 e21 1,56 1 X20 ,74 e20 1,59 1 X19 ,91 e19 ,76 1 X18 ,62 e18 1,31 1 X17 ,25 e17 ,94 1 X16 ,17 e16 2,21 1 Chi-square = 38,602 Df = 18 Probabilitas = ,003 AGFI= ,912 GFI = ,965 TLI = ,946 RMSEA = ,071 ,19 ,17 -,14 ,16 ,09 ,09 ,15 ,09 ,13 Gambar 29 Output path diagram model revisi 9 kebijakan pemerintah daerah Dari hasil model revisi 9 analisis uji model undimensional pada variabel laten kebijakan pemerintah daerah menunjukkan bahwa model sudah fit yang ditunjukkan oleh nilai Chi-square 38,603, df 18, CMINDf 2,145 probabilitas 0,003, AGFI 0,912, GFI 0,965, TLI 0,946 dan RMSEA 0,071 yang telah memenuhi syarat Gambar 29. Tabel 109 Regression weights loading factor measurement model revisi 9 kebijakan pemerintah daerah Estimate S.E. C.R. P Label X24 --- KEBIJ_DAE 1,000 X23 --- KEBIJ_DAE ,421 ,106 3,965 par_1 X22 --- KEBIJ_DAE ,422 ,127 3,313 par_2 X21 --- KEBIJ_DAE 1,562 ,232 6,723 par_3 X20 --- KEBIJ_DAE 1,588 ,231 6,864 par_4 X19 --- KEBIJ_DAE ,762 ,178 4,279 par_5 X18 --- KEBIJ_DAE 1,310 ,216 6,076 par_6 X17 --- KEBIJ_DAE ,940 ,150 6,281 par_7 X16 --- KEBIJ_DAE 2,213 ,332 6,663 par_8 Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 109 sudah signifikan yaitu mempunyai standardized estimate atau regression weight atau 167 koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar dari t tabel pada level 5 dengan df 26 sebesar 1,71, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa semua indikator secara signifikan berhubungan dengan variabel laten kebijakan pemerintah daerah. Atau dapat disimpulkan dari perhitungan untuk menilai model fit ditunjukkan dari Tabel 110. Tabel 110 Indeks pengujian kelayakan kesesuaian model kebijakan pemerintah daerah No. Goodness of Fit Creation Index Syarat sebuah model fit Hasil analisis Evaluasi model 1. Chi Square Statistic Kecil, ? 2 dengan df= 18 adalah 28,869 38,602 Baik 2. Significant Probability P ≤ 0,05 0,003 Baik 3. CMINDF ≤ 2,00 2,145 Baik 4. GFI goodness-of-fit index ≥ 0,90 0,965 Baik 5. AGFI adjusted goodness- of- fit index ≥ 0,90 0,912 Baik 6. TLI Tucker-Lewis Index ≥ 0,95 0,946 Baik 7. RMSEA adjusted goodness-of- fit index ≤ 0,08 0,071 Baik Sumber : Data primer yang telah diolah, 2008 Dari sembilan indikator yang membentuk variabel laten kebijakan pemerintah daerah di Jawa Tengah, ternyata yang berpengaruh terbesar terhadap kebijakan daerah dalam rangka peningkatan pembangunan perikanan adalah indikator X16 pelatihan dan penyuluhan yang dapat diakses dan bermutu dengan nilai statistik sebesar 2,213. Dengan adanya pelatihan dan penyuluhan yang dapat diakses dan bermutu akan dapat meningkatkan kemampuan stakeholder di sektor perikanan, seperti nelayan, pengolah ikan, pengambil kebijakan di sektor perikanan atau birokrasi sehingga dengan pelatihan secara kontinyu dan terus menerus akan mampu meningkatkan skill dan pengetahuan yang pada akhirnya akan dapat meningkatkan pembangunan di Jawa Tengah, seperti salah satu indikator pembangunan nasional yaitu diukur dari nilai IPM Indeks Pembangunan Manusia IPM, yang salah satunya dari angka melek huruf. 168

4.3.1.4 Variabel laten kinerja usaha perikanan tangkap KUP_TANG

Dari hasil awal analisis uji model undimensional pada variabel laten kinerja usaha perikanan tangkap KUP_TANG menunjukkan bahwa model belum fit, hal ini ditunjukkan oleh nilai Chi-square 600,333 dan probabilitas 0,000, nilai fit lainnya juga menghasilkan nilai dibawah yang direkomendasikan antara lain; CMINDf 30,017 AGFI 0,550, GFI 0,750, TLI 0,034 dan RMSEA 0,034 yang belum memenuhi syarat Gambar 30. ,02 KUP_TANG Chi-square = 600,333 Df = 20 Probabilitas = ,000 AGFI = ,550 GFI = ,750 TLI = ,034 RMSEA = ,358 X25 ,62 e25 1,00 1 X26 ,29 e26 6,21 1 X27 ,30 e27 4,25 1 X28 ,15 e28 2,78 1 X29 ,43 e29 -1,78 1 X30 ,43 e30 -1,80 1 X31 ,38 e31 -,05 1 X32 ,30 e32 ,42 1 Gambar 30 Output path diagram model awal kinerja usaha perikanan tangkap Selanjutnya dilakukan pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator yang dianalisis. menunjukkan bahwa tidak semua indikator dapat diterima. Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari indikator X25, X26, X27 dan X28 Tabel 111 sudah signifikan yaitu mempunyai standardized estimate atau regression weight atau koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar dari t tabel pada level 5 dengan df 20 sebesar 1,72, oleh karena itu variabel-variabel tersebut dapat dinyatakan signifikan dan dapat disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa indikator indikator laba dan rugi RL X25, return on investment ROI X26, informasi fishing ground FG 169 X27, dan peningkatan pendapatan Anak Buah Kapal ABK X28 secara signifikan berhubungan dengan variabel laten kinerja usaha perikanan tangkap. Sedangkan indikator kebersihan lingkungan X30, sarana dan prasarana TPI X31 dan ketersediaan es garam X32, harus dihilangkan dari variabel laten kinerja usaha perikanan tangkap. Tabel 111 Regression weights loading factor measurement model awal kinerja usaha perikanan tangkap Estimate S.E. C.R. P Label X25 --- KUP_TANG 1,000 X26 --- KUP_TANG 6,213 2,706 2,296 ,022 par_1 X27 --- KUP_TANG 4,252 1,851 2,297 ,022 par_2 X28 --- KUP_TANG 2,784 1,214 2,293 ,022 par_3 X29 --- KUP_TANG -1,780 ,889 -2,002 ,045 par_4 X30 --- KUP_TANG -1,802 ,896 -2,011 ,044 par_5 X31 --- KUP_TANG -,052 ,335 -,156 ,876 par_6 X32 --- KUP_TANG ,416 ,350 1,189 ,234 par_7 Adapun hasil revisi 1 model adalah sebagai berikut : ,03 KUP_TANG Chi-square = ,844 Df = 2 Probabilitas = ,656 AGFI = ,991 GFI = ,998 TLI = 1,015 RMSEA = ,000 X25 ,61 e25 1,00 1 X26 ,34 e26 4,50 1 X27 ,28 e27 3,27 1 X28 ,13 e28 2,22 1 Gambar 31 Output path diagram model revisi 1 kinerja usaha perikanan tangkap Selanjutnya dilakukan pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator yang dianalisis. Pada Tabel 104 menunjukkan bahwa semua indikator dapat diterima, hal ini ditunjukkan dengan nilai CR yang lebih kecil dari 1,96, yaitu indikator laba 170 dan rugi RL X25, return on investment ROI X26, dan informasi Fishing Ground FG X27, peningkatan pendapatan Anak Buah Kapal ABK X28, dan, dapat diterima karena mempunyai nilai t-hitung CR lebih besar dari nilai kritisnya 1,96 pada taraf signifikan 5 . Tabel 112 Regression weights loading factor measurement model revisi 1 kinerja usaha perikanan tangkap Estimate S.E. C.R. P Label X25 --- KUP_TANG 1,000 X26 --- KUP_TANG 4,504 1,486 3,031 ,002 par_1 X27 --- KUP_TANG 3,268 1,070 3,055 ,002 par_2 X28 --- KUP_TANG 2,215 ,729 3,038 ,002 par_3 Dari hasil model revisi 9 analisis uji model undimensional pada variabel laten kinerja usaha perikanan tangkap menunjukkan bahwa model sudah fit yang ditunjukkan oleh nilai Chi-square 0,844, probabilitas 0,656 , CMINDf 0,656, AGFI 0,998, GFI 0,965, TLI 1,015 dan RMSEA 0,000 yang telah memenuhi syarat Gambar 31. Atau dapat ditunjukkan dengan Tabel 113. Tabel 113 Indeks pengujian kelayakan kesesuaian model kinerja usaha perikanan tangkap No. Goodness of Fit Creation Index Syarat sebuah model fit Hasil analisis Evaluasi model 1. Chi Square Statistic Kecil, ? 2 dengan df= 2 adalah 5,991 0,844 2. Significant Probability P ≤ 0,05 0,656 kurang 3. CMINDF ≤ 2,00 0,422 Baik 4. GFI goodness-of-fit index ≥ 0,90 0,965 Baik 5. AGFI adjusted goodness- of- fit index ≥ 0,90 0,998 Baik 6. TLI Tucker-Lewis Index ≥ 0,95 1,015 Baik 7. RMSEA adjusted goodness-of- fit index ≤ 0,08 0,000 Baik Sumber : Data primer yang telah diolah, 2008 Dari empat indikator yang membentuk variabel laten kinerja usaha perikanan tangkap di Jawa Tengah, ternyata yang berpengaruh terbesar terhadap kinerja adalah indikator X26 return on investment ROI atau 171 tingkat pengembalian modal, hal ini karena selama ini investasi di sektor perikanan terutama perikanan tangkap membutuhkan modal yang besar antara lain, dari harga kapal dan harga alat tangkap yang mahal, sementara hasil tangkapan tidak bisa di harapkan. Hasil penelitian ini memperkuat pendapat dari Kusumastanto 2002, bahwa sektor perikanan dibutuhkan investasi yang besar, baik dari kapal maupun alat tangkap, sedangkan hasil tangkapan cenderung turun, dengan kondisi ini kecenderungan kepemilikan alat tangkap terbesar dari alat tangkap dengan “armada semut”. Mahalnya investasi ini diperparah dengan kondisi minimnya modal yang didapatkan nelayan dari kredit pihak penyalur kredit seperti perbankan, maupun pemerintah Dahuri 2003; Mulyadi 2005; Fauzi 2006. Dengan demikian, dari hasil analisis ini tingkat pengembalian modal sangat besar pengaruhnya terhadap kinerja usaha perikanan tangkap.

4.3.1.5 Variabel laten kinerja industri pengolahan KI_PROS

Dari hasil awal analisis uji model undimensional pada variabel laten kinerja industri pengolahan KI_PROS menunjukkan bahwa model belum fit, hal ini ditunjukkan oleh nilai Chi-square 52,391 dan probabilitas 0,000, nilai fit lainnya juga menghasilkan nilai dibawah yang direkomendasikan antara lain; CMINDf 5,82 AGFI 0,824, GFI 0,924, TLI 0,659 dan RMSEA 0,146 Gambar 32. Selanjutnya dilakukan pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator yang dianalisis. 172 ,71 KI_PROS X33 ,18 e33 1,00 1 X34 ,69 e34 ,40 1 X35 ,59 e35 ,65 1 X36 ,89 e36 -,77 1 X37 1,09 e37 -,01 1 X38 ,61 e38 -,17 1 Chi-square = 52,391 Df = 9 Probabilitas = ,000 AGFI = ,824 GFI = ,924 TLI = ,659 RMSEA = ,146 Gambar 32 Output path diagram model awal kinerja industri pengolahan Tabel 114 Regression weights loading factor measurement model awal kinerja industri pengolahan Estimate S.E. C.R. P Label X33 --- KI_PROS 1,000 X34 --- KI_PROS ,402 ,083 4,857 par_1 X35 --- KI_PROS ,654 ,101 6,450 par_2 X36 --- KI_PROS -,768 ,114 -6,749 par_3 X37 --- KI_PROS -,013 ,092 -,146 ,884 par_4 X38 --- KI_PROS -,167 ,072 -2,329 ,020 par_5 Selanjutnya dilakukan pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator yang dianalisis. menunjukkan bahwa tidak semua indikator dapat diterima. Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari indikator X33, X34, X35, X37 dan X38 Tabel 114 sudah signifikan yaitu mempunyai standardized estimate atau regression weight atau koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar dari t tabel pada level 5 dengan df 5 sebesar ±2,01, oleh karena itu variabel-variabel tersebut signifikan dan disimpulkan bahwa hipotesis yang menyatakan loading factor sama dengan nol dapat ditolak. Sehingga dapat disimpulkan bahwa indikator indikator laba dan rugi RL X33, return on investment ROI X34, peningkatan pendapatan pekerja X35, informasi harga ikan 173 X37, dan teknologi dan nilai tambah X38 secara signifikan berhubungan dengan variabel laten kinerja industri pengolahan. Sedangkan indikator penyediaan pangan yang bergizi X36, harus dihilangkan dari variabel laten kinerja industri pengolahan. Karena loading factor atau koefisien lamda dari indikator penyediaan pangan yang bergizi X36 terbukti paling tidak efisien dalam membentuk undimensional pada variabel laten kinerja industri pengolahan yang ditunjukkan dengan nilai CR lebih kecil dari 1,96 pada taraf 5 dan paling kecil yaitu sebesar -6,749, maka model direvisi dengan mengeluarkan indikator X36 tersebut. Adapun hasil revisi 1 model adalah: ,51 KI_PROS Chi-square = 28,656 Df = 5 Probabilitas = ,000 AGFI = ,853 GFI = ,951 TLI = ,628 RMSEA = ,144 X33 ,38 e33 1,00 1 X34 ,64 e34 ,57 1 X35 ,48 e35 ,90 1 X37 1,08 e37 ,08 1 X38 ,62 e38 -,17 1 Gambar 33 Output path diagram model revisi 1 kinerja industri pengolahan Tabel 115 Regression weights loading factor measurement model revisi 1 kinerja industri pengolahan Estimate S.E. C.R. P Label X33 --- KI_PROS 1,000 X34 --- KI_PROS ,566 ,121 4,666 par_1 X35 --- KI_PROS ,896 ,177 5,070 par_2 X37 --- KI_PROS ,082 ,119 ,695 ,487 par_3 X38 --- KI_PROS -,169 ,088 -1,923 ,054 par_4 Dari hasil pengujian nilai standardized estimate atau regression weight atau koefisien lamda ? coefficient dan CR critical ratio t-hitung lebih besar dari t tabel pada level 5 dengan df 5 sebesar ±2,01, nilai 174 lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 115 menunjukkan bahwa tidak semua indikator dapat diterima. Hal ini ditunjukkan dengan nilai CR yang lebih kecil dari 1,96, yaitu indikator informasi harga ikan X37, dan Teknologi dan nilai tambah X38. Karena loading factor atau koefisien lamda dari indikator teknologi dan nilai tambah X38 terbukti paling tidak efisien dalam membentuk undimensional pada variabel laten kinerja industri pengolahan yang ditunjukkan dengan nilai CR lebih kecil dari 1,96 pada taraf 5 dan paling kecil yaitu sebesar -1,923, maka model direvisi dengan mengeluarkan indikator X38 tersebut. Adapun hasil revisi 2 model adalah: ,49 KI_PROS Chi-square = 21,483 Df = 2 Probabilitas = ,000 AGFI = ,782 GFI = ,956 TLI = ,514 RMSEA = ,207 X33 ,40 e33 1,00 1 X34 ,63 e34 ,59 1 X35 ,47 e35 ,93 1 X37 1,08 e37 ,11 1 Gambar 34 Output path diagram model revisi 2 kinerja industri pengolahan Tabel 116 Regression weights loading factor measurement model revisi 2 kinerja industri pengolahan Estimate S.E. C.R. P Label X33 --- KI_PROS 1,000 X34 --- KI_PROS ,594 ,122 4,851 par_1 X35 --- KI_PROS ,927 ,176 5,282 par_2 X37 --- KI_PROS ,105 ,122 ,861 ,389 par_3 Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 115 menunjukkan 175 bahwa semua indikator dapat diterima, yang ditunjukkan dengan nilai CR yang lebih besar dari nilai kritisnya 2,01 pada taraf signifikan 5. Setelah diketahui bahwa semua indikator signifikan, akan tetapi model masih belum fit misfit, kemudian mencari penyebab model misfit tersebut dengan melihat nilai modification indexes MI . Tabel 117 Modification index model revisi 2 kinerja industri pengolahan M.I. Par Change e34 --e37 19,778 ,254 Dari tabel modification index tersebut nilai modification index MI sebesar 19,778 yang berhubungan dengan error kovarian antara item 34 return on investment ROI dengan item 37 informasi harga ikan dengan nilai statistik 0,254. Berdasarkan informasi ini jika model akan direvisi dengan mengkorelasikan error 34 dengan error 37, maka nilai chi-square akan turun paling sedikit sebesar 19,778. Hasil revisi 3 model sebagai berikut : ,48 KI_PROS Chi-square = ,130 Df = 1 Probabilitas = ,719 AGFI = ,997 GFI = 1,000 TLI = 1,043 RMSEA = ,000 X33 ,40 e33 1,00 1 X34 ,63 e34 ,58 1 X35 ,46 e35 ,94 1 X37 1,09 e37 ,00 1 ,26 Gambar 35 Output path diagram model revisi 3 kinerja industri pengolahan Dari hasil model revisi 3 analisis uji model undimensional pada variabel laten kinerja industri pengolahan menunjukkan bahwa model telah fit, walaupun dengan catatan, yang ditunjukkan dari nilai Chi-square 0,130, probabilitas 0,719, CMINDf 0,130, , AGFI 0,997, GFI 1,000, TLI 1,043 dan RMSEA 0,000 yang telah memenuhi syarat Gambar 35. 176 Tabel 118 Indeks pengujian kelayakan kesesuaian model kinerja industri pengolahan No. Goodness of Fit Creation Index Syarat sebuah model fit Hasil akhir analisis Evaluasi model 1. Chi Square Statistic Kecil, ? 2 dengan df= 1 adalah 3,841 0,130 2. Significant Probability p ≤ 0,05 0,719 kurang 3. CMINDF ≤ 2,00 0,130 Baik 4. GFI goodness-of-fit index ≥ 0,90 0,997 Baik 5. AGFI adjusted goodness- of- fit index ≥ 0,90 1,000 Baik 6. TLI Tucker-Lewis Index ≥ 0,95 1,043 Baik 7. RMSEA adjusted goodness-of- fit index ≤ 0,08 0,000 Baik Sumber : Data primer yang telah diolah, 2008 Dari empat indikator yang membentuk variabel laten kinerja usaha perikanan tangkap di Jawa Tengah, ternyata yang berpengaruh terbesar terhadap kinerja industri pengolahan adalah indikator X33 Laba dan Rugi RL atau tingkat laba dan rugi. Pentingnya penilaian laba dan rugi dalam industri pengolahan ikan ini disebabkan karena industri pengolahan di Jawa Tengah yang ada lebih banyak merupakan industri sampingan dari nelayan yang melaut, sehingga potensi untuk mendapatkan laba dan rugi sangat diutamakan bagi keluarga nelayan, bahkan jika kondisi paceklik terjadi industri pengolahan dijadikan sebagai mata pencaharian utama di nelayan.

4.3.1.6 Variabel laten tujuan pembangunan perikanan Jawa Tengah TUJ_PEM_Pi

Dari hasil awal analisis uji model undimensional pada variabel laten tujuan pembangunan perikanan Jawa Tengah TUJ_PEM_Pi menunjukkan nilai Chi-square dan probabilitas sebagai kriteria model fit menunjukkan bahwa model belum fit, hal ini ditunjukkan oleh nilai Chi-square 307,955, probabilitas 0,000, nilai fit lainnya juga menghasilkan nilai dibawah yang direkomendasikan antara lain, CMINDf 6,999, AGFI 0,664, GFI 0,776, TLI 0,620 dan RMSEA 0,163 Gambar 36. Selanjutnya dilakukan pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator yang dianalisis. 177 ,25 TUJ_PEM_Pi Chi-square = 307,955 Df = 44 Probabilitas = ,000 AGFI = ,664 GFI = ,776 TLI = ,620 RMSEA = ,163 Y11 ,54 e49 1,00 1 Y10 ,47 e48 ,50 1 Y9 ,76 e47 -,26 1 Y8 ,29 e46 ,97 1 Y7 ,20 e45 1,35 1 Y6 ,19 e44 1,30 1 Y5 ,30 e43 1,43 1 Y4 ,93 e42 ,08 1 Y3 ,91 e41 -,26 1 Y2 1,00 e40 ,18 1 Y1 ,88 e39 1,31 1 Gambar 36 Output path diagram model awal tujuan pembangunan perikanan Jawa Tengah Tabel 119 Regression weights loading factor measurement model awal tujuan pembangunan perikanan Jawa Tengah Estimate S.E. C.R. P Label Y11 --- TUJ_PEM_Pi 1,000 Y10 --- TUJ_PEM_Pi ,500 ,109 4,597 par_1 Y9 --- TUJ_PEM_Pi -,256 ,125 -2,044 ,041 par_2 Y8 --- TUJ_PEM_Pi ,969 ,125 7,750 par_3 Y7 --- TUJ_PEM_Pi 1,346 ,159 8,449 par_4 Y6 --- TUJ_PEM_Pi 1,303 ,154 8,461 par_5 Y5 --- TUJ_PEM_Pi 1,433 ,167 8,564 par_6 Y4 --- TUJ_PEM_Pi ,078 ,136 ,574 ,566 par_7 Y3 --- TUJ_PEM_Pi -,256 ,137 -1,861 ,063 par_8 Y2 --- TUJ_PEM_Pi ,177 ,143 1,239 ,215 par_9 Y1 --- TUJ_PEM_Pi 1,307 ,187 6,972 par_10 Pada Tabel 119 menunjukkan bahwa tidak semua indikator dapat diterima, yang ditunjukkan dengan CR critical ratio t-hitung lebih kecil dari t tabel pada level 5 dengan df 44 sebesar 1,68 nilai CR yang lebih dari 1,68, yaitu indikator GDP atau devisa Y2, incomependapatan daerah Y3, kenaikan incomependapatan masyarakat Y4 dan plasma nutfah Y9. Adapun indikator ketahanan pangan Y1, penyerapan tenaga kerja Y5, pemerataan kesempatan usaha antar pelaku bisnis Y6, pemerataan kesempatan usaha antar pelaku bisnis Y7, kelestarian lingkungan Y8, menumbuhkan bisnis yang lain Y10 dan menumbuhkan bisnis yang lain 178 Y11, dapat diterima karena mempunyai nilai t-hitung CR lebih besar dari nilai kritisnya 1,96 pada taraf signifikan 5 . Karena loading factor atau koefisien lamda dari indikator ikut plasma nutfah Y9 tidak efisien dalam membentuk undimensional pada variabel laten tujuan pembangunan perikanan Jawa Tengah yang ditunjukkan lebih kecil dari nilai CR -2,044 dengan df 44 pada taraf 5 yaitu sebesar 1,68 maka model direvisi dengan mengeluarkan indikator plasma nutfah Y9 dari model. Adapun hasil revisi 1 model adalah sebagai berikut : ,25 TUJ_PEM_Pi Chi-square = 246,146 Df = 35 Probabilitas = ,000 AGFI = ,704 GFI = ,812 TLI = ,666 RMSEA = ,163 Y11 ,54 e49 1,00 1 Y10 ,47 e48 ,51 1 Y8 ,29 e46 ,97 1 Y7 ,20 e45 1,35 1 Y6 ,18 e44 1,31 1 Y5 ,30 e43 1,43 1 Y4 ,92 e42 ,09 1 Y3 ,91 e41 -,24 1 Y2 1,00 e40 ,19 1 Y1 ,89 e39 1,30 1 Gambar 37 Output path diagram model revisi 1 tujuan pembangunan perikanan Jawa Tengah Tabel 120 Regression weights loading factor measurement model revisi 1 kinerja usaha perikanan tangkap Estimate S.E. C.R. P Label Y11 --- TUJ_PEM_Pi 1,000 Y10 --- TUJ_PEM_Pi ,509 ,109 4,659 par_1 Y8 --- TUJ_PEM_Pi ,973 ,126 7,737 par_2 Y7 --- TUJ_PEM_Pi 1,352 ,160 8,428 par_3 Y6 --- TUJ_PEM_Pi 1,310 ,155 8,441 par_4 Y5 --- TUJ_PEM_Pi 1,432 ,168 8,522 par_5 Y4 --- TUJ_PEM_Pi ,088 ,136 ,650 ,516 par_6 Y3 --- TUJ_PEM_Pi -,239 ,137 -1,741 ,082 par_7 Y2 --- TUJ_PEM_Pi ,190 ,143 1,326 ,185 par_8 Y1 --- TUJ_PEM_Pi 1,305 ,188 6,936 par_9 Dari hasil revisi 1 model analisis uji model undimensional pada variabel laten tujuan pembangunan perikanan Jawa Tengah TUJ_PEM_Pi menunjukkan nilai Chi-square dan probabilitas sebagai 179 kriteria model fit menunjukkan bahwa model belum fit, hal ini ditunjukkan oleh nilai Chi-square 246,146, probabilitas 0,000, nilai fit lainnya menghasilkan nilai dibawah yang direkomendasikan antara lain, CMINDf 7,033, AGFI 0,704, GFI 0,812, TLI 0,666 dan RMSEA 0,163 Gambar 37. Selanjutnya dilakukan pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator yang dianalisis. Karena loading factor atau koefisien lamda dari indikator incomependapatan daerah Y3 tidak efisien dalam membentuk undimensional pada variabel laten tujuan pembangunan perikanan Jawa Tengah yang ditunjukkan lebih kecil dari nilai CR -1,741 dan p=0,082 dengan df 35 pada taraf 5 yaitu sebesar 1,68, maka model direvisi dengan mengeluarkan indikator incomependapatan daerah Y3 dari model. Adapun hasil revisi 2 model adalah sebagai berikut : ,25 TUJ_PEM_Pi Chi-square = 111,138 Df = 27 Probabilitas = ,000 AGFI = ,822 GFI = ,893 TLI = ,836 RMSEA = ,117 Y11 ,54 e49 1,00 1 Y10 ,47 e48 ,52 1 Y8 ,29 e46 ,98 1 Y7 ,20 e45 1,36 1 Y6 ,18 e44 1,32 1 Y5 ,31 e43 1,43 1 Y4 ,92 e42 ,11 1 Y2 1,00 e40 ,21 1 Y1 ,89 e39 1,30 1 Gambar 38 Output path diagram model revisi 2 tujuan pembangunan perikanan Jawa Tengah Tabel 121 Regression weights loading factor measurement model revisi 2 kinerja usaha perikanan tangkap Estimate S.E. C.R. P Label Y11 --- TUJ_PEM_Pi 1,000 Y10 --- TUJ_PEM_Pi ,516 ,110 4,687 par_1 Y8 --- TUJ_PEM_Pi ,976 ,127 7,699 par_2 Y7 --- TUJ_PEM_Pi 1,363 ,162 8,406 par_3 Y6 --- TUJ_PEM_Pi 1,319 ,157 8,418 par_4 Y5 --- TUJ_PEM_Pi 1,432 ,169 8,461 par_5 Y4 --- TUJ_PEM_Pi ,107 ,136 ,782 ,434 par_6 180 Estimate S.E. C.R. P Label Y2 --- TUJ_PEM_Pi ,206 ,144 1,433 ,152 par_7 Y1 --- TUJ_PEM_Pi 1,305 ,189 6,892 par_8 Karena loading factor atau koefisien lamda dari indikator kenaikan Incomependapatan masyarakat Y4 tidak efisien dalam membentuk undimensional pada variabel laten tujuan pembangunan perikanan Jawa Tengah yang ditunjukkan lebih kecil dari nilai CR 0,782 dan p=0,434 dengan df 27 atau pada taraf 5 yaitu sebesar 1,70, maka model direvisi dengan mengeluarkan indikator kenaikan Incomependapatan masyarakat Y4 dari model. Adapun hasil revisi 3 model adalah sebagai berikut : ,25 TUJ_PEM_Pi Chi-square = 82,354 Df = 20 Probabilitas = ,000 AGFI = ,834 GFI = ,908 TLI = ,868 RMSEA = ,117 Y11 ,54 e49 1,00 1 Y10 ,47 e48 ,51 1 Y8 ,29 e46 ,98 1 Y7 ,20 e45 1,36 1 Y6 ,18 e44 1,32 1 Y5 ,31 e43 1,43 1 Y2 1,00 e40 ,20 1 Y1 ,89 e39 1,30 1 Gambar 39 Output path diagram model revisi 3 tujuan pembangunan perikanan Jawa Tengah Tabel 122 Regression weights loading factor measurement model revisi 3 kinerja usaha perikanan tangkap Estimate S.E. C.R. P Label Y11 --- TUJ_PEM_Pi 1,000 Y10 --- TUJ_PEM_Pi ,514 ,110 4,673 par_1 Y8 --- TUJ_PEM_Pi ,976 ,127 7,695 par_2 Y7 --- TUJ_PEM_Pi 1,364 ,162 8,404 par_3 Y6 --- TUJ_PEM_Pi 1,320 ,157 8,416 par_4 Y5 --- TUJ_PEM_Pi 1,433 ,169 8,461 par_5 Y2 --- TUJ_PEM_Pi ,202 ,143 1,406 ,160 par_6 Y1 --- TUJ_PEM_Pi 1,304 ,189 6,887 par_7 181 Dari hasil revisi 3 model analisis uji model undimensional pada variabel laten tujuan pembangunan perikanan Jawa Tengah TUJ_PEM_Pi menunjukkan nilai Chi-square dan probabilitas sebagai kriteria model fit menunjukkan bahwa model belum fit, hal ini ditunjukkan oleh nilai Chi-square 82,354, probabilitas 0,000, nilai fit lainnya menghasilkan nilai dibawah yang direkomendasikan antara lain, CMINDf 4,118, AGFI 0,834, TLI 0,868 dan RMSEA 0,117 Gambar 39. Selanjutnya dilakukan pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator yang dianalisis. Karena loading factor atau koefisien lamda dari indikator GDP atau devisa Y2 tidak efisien dalam membentuk undimensional pada variabel laten tujuan pembangunan perikanan Jawa Tengah yang ditunjukkan dengan lebih kecilnya nilai CR 1,406 atau setara dengan t tabel dengan df 20 atau pada taraf 5 yaitu sebesar 1,72, maka model direvisi dengan mengeluarkan indikator GDP atau Devisa Y2 dari model. Adapun hasil revisi 4 model adalah sebagai berikut : ,25 TUJ_PEM_Pi Chi-square = 62,466 Df = 14 Probabilitas = ,000 AGFI = ,830 GFI = ,915 TLI = ,888 RMSEA = ,123 Y11 ,54 e49 1,00 1 Y10 ,47 e48 ,51 1 Y8 ,29 e46 ,97 1 Y7 ,20 e45 1,36 1 Y6 ,18 e44 1,31 1 Y5 ,30 e43 1,43 1 Y1 ,89 e39 1,30 1 Gambar 40 Output path diagram model revisi 4 tujuan pembangunan perikanan Jawa Tengah Dari hasil revisi 4 model analisis uji model undimensional pada variabel laten tujuan pembangunan perikanan Jawa Tengah menunjukkan bahwa model belum fit yang ditunjukkan oleh nilai Chi-square 62,466 probabilitas 0,000, nilai fit lainnya juga menghasilkan nilai dibawah yang direkomendasikan yaitu; CMINDf 2,462 AGFI 0,830, TLI 0,888 dan RMSEA 0,123 Gambar 40. Selanjutnya dilakukan pengujian nilai lamda 182 signifikansi nilai loading factor terhadap bobot dari masing-masing indikator yang dianalisis. Dari hasil pengujian nilai lamda signifikansi nilai loading factor terhadap bobot dari masing-masing indikator Tabel 123 menunjukkan bahwa semua indikator dapat diterima, yang ditunjukkan dengan nilai CR yang lebih besar dari nilai kritisnya 1,76 pada taraf signifikan 5., yang menunjukkan bahwa indikator Y1, Y5, Y6, Y7, Y8, Y10 dan Y11 mempunyai nilai CR diatas 1,76. Sehingga dapat disimpulkan bahwa indikator-indikator tersebut secara signifikan berhubungan dengan variabel laten tujuan pembangunan perikanan Jawa Tengah. Setelah diketahui bahwa semua indiktor tersebut signifikan, akan tetapi model masih belum fit misfit, kemudian mencari penyebab model misfit tersebut dengan melihat nilai modification indexes MI. Tabel 123 Regression weights loading factor measurement model revisi 4 tujuan pembangunan perikanan Jawa Tengah Estimate S.E. C.R. P Label Y11 --- TUJ_PEM_Pi 1,000 Y10 --- TUJ_PEM_Pi ,509 ,109 4,661 par_1 Y8 --- TUJ_PEM_Pi ,971 ,126 7,719 par_2 Y7 --- TUJ_PEM_Pi 1,356 ,161 8,432 par_3 Y6 --- TUJ_PEM_Pi 1,314 ,156 8,444 par_4 Y5 --- TUJ_PEM_Pi 1,431 ,168 8,503 par_5 Y1 --- TUJ_PEM_Pi 1,302 ,188 6,915 par_6 Tabel 124 Modification index model revisi 4 tujuan pembangunan perikanan Jawa Tengah M.I. Par Change e5 --e1 4,337 ,081 e6 --e1 8,480 -,092 e7 --e6 21,636 ,074 e8 --e1 7,158 ,097 e8 --e6 5,003 -,041 e10 --e6 4,658 -,049 e10 --e8 8,663 ,076 e11 --e1 4,404 ,101 e11 --e6 4,363 -,051 e11 --e10 8,636 ,102 183 Dari tabel modification index tersebut dicari nilai modification index MI terbesar yaitu 21,636 yang berhubungan dengan error kovarian antara item 6 pemerataan kesempatan usaha antar pelaku bisnis dengan item 7 pemerataan konsumsi ikan dengan nilai statistik 0,074. Berdasarkan informasi ini jika model akan direvisi dengan mengkorelasikan error 6 dengan error 7, maka nilai chi-square akan turun paling sedikit sebesar 21,636. Hasil revisi 5 model sebagai berikut : ,29 TUJ_PEM_Pi Chi-square = 23,874 Df = 13 Probabilitas = ,032 AGFI = ,935 GFI = ,970 TLI = ,973 RMSEA = ,061 Y11 ,50 e49 1,00 1 Y10 ,46 e48 ,52 1 Y8 ,26 e46 ,96 1 Y7 ,30 e45 1,11 1 Y6 ,28 e44 1,08 1 Y5 ,26 e43 1,38 1 Y1 ,81 e39 1,32 1 ,15 Gambar 41 Output path diagram model revisi 5 tujuan pembangunan perikanan Jawa Tengah Tabel 125 Indeks pengujian kelayakan kesesuaian model tujuan pembangunan perikanan Jawa Tengah No. Goodness of Fit Creation Index Syarat sebuah model fit Hasil analisis Evaluasi model 1. Chi Square Statistic Kecil, ? 2 dengan df= 13 adalah 22,362 23,362 2. Significant Probability P ≤ 0,05 0,032 Baik 3. CMINDF ≤ 2,00 1,836 Baik 4. GFI goodness-of-fit index ≥ 0,90 0,970 Baik 5. AGFI adjusted goodness- of- fit index ≥ 0,90 0,935 Baik 6. TLI Tucker-Lewis Index ≥ 0,95 0,973 Baik 7. RMSEA adjusted goodness-of- fit index ≤ 0,08 0,061 Baik Sumber : Data primer yang telah diolah, 2008 184 Dari hasil model revisi 5 analisis uji model undimensional pada variabel laten tujuan pembangunan perikanan Jawa Tengah menunjukkan bahwa model telah fit, yang ditunjukkan dari nilai Chi-square 23,874, probabilitas 0,032, CMINDf 1,836, AGFI 0,935, GF I 0,970, TLI 0,973 dan RMSEA 0,061 yang telah memenuhi syarat Gambar 41. Dari tujuh indikator yang membentuk variabel laten tujuan pembangunan perikanan Jawa Tengah, yang berpengaruh terbesar terhadap tujuan pembangunan perikanan Jawa Tengah adalah indikator Y5 penyerapan tenaga kerja. Dengan besarnya pengaruh penyerapan tenaga kerja mengindikasikan bahwa sektor perikanan di Jawa Tengah

4.3.2 Estimasi persamaan full model

Sebelum menganalisis full model lebih lanjut, perlu dijelaskan bahwa dari uji analisis faktor konfirmatori Confirmatory Factor Analysis CFA dari suatu indikator yang membentuk suatu variabel laten dari awal model sejumlah 49 indikator, ada sepuluh 10 indikator yang dihilangkan dari variabel laten yang membentuknya, antara lain X29, X30, X31, X32, X36, X38 Y2, Y3, Y4 dan Y9. Seperti pada Tabel 118 dijelaskan bahwa untuk variabel laten lingkungan usaha perikanan LUP, kebijakan pemerintah pusat KEBIJ_PUS, dan kebijakan pemerintah daerah KEBIJ_DAE, semua indikator sesuai dengan variabel laten yang membentuknya, sedangkan pada variabel laten kinerja usaha perikanan tangkap KUP_TANG, kinerja industri pengolahan KUP_PROS, dan tujuan pembangunan perikanan Jawa Tengah TUJ_PEM_Pi, tidak semua indikator mampu menjelaskan variabel yang dibentuknya. Untuk menilai pengukuran reliabilitas dan variance konstruk tiap variabel laten disajikan pada Tabel 126. Dari evaluasi model tiap variabel laten penelitian terhadap nilai reliabilitas dan variance extracted pada Tabel 119, didapatkan pada kontruk lingkungan usaha perikanan LUP, kebijakan pemerintah pusat KEBIJ_PUS, kebijakan pemerintah daerah KEBIJ_DAER, kinerja usaha perikanan tangkap KUP_TANG, kinerja industri pengolahan KI_PROS, dan tujuan pembangunan perikanan Jawa Tengah TUJ_PEM_PI, dapat diterima karena memiliki nilai lebih besar dari 0,7 yang merupakan syarat indikator-indikator yang mengukur variabel 185 laten tersebut cukup dapat menggambarkan kontruknya. Akan tetapi, dari nilai variance extracted ada dua variabel laten yaitu LUP dan KEBIJ_DAE, dibawah nilai yang disyaratkan yaitu 0,5, walaupun demikian menurut Ferdinand 2006 nilai tersebut bukanlah harga mati, dan selisihnya tidak terlalu besar dari syarat nilai yang ditentukan. Tabel 126 Hasil uji analisis faktor konfirmatori Confirmatory Factor Analysis CFA dari indikator yang membentuk suatu variabel laten pada full model No. Variabel Indikator Hasil akhir CFA Catatan 1 Lingkungan usaha perikanan LUP X1, X2, X3, X4, X5, X6, X7, X8, X9, dan X10 X1, X2, X3, X4, X5, X6, X7, X8, X9, dan X10 Terjadi korelasi antar error e 2 Kebijakan pemerintah pusat KEBIJ_PUS X11, X12, X13, X14, dan X15 X11, X12, X13, X14, dan X15 - 3 Kebijakan pemerintah daerah KEBIJ_DAE X16, X17, X18, X19, X20, X21, X22, X23, dan X24 X16, X17, X18, X19, X20, X21, X22, X23, dan X24 Terjadi korelasi antar error e 4 Kinerja usaha perikanan tangkap KUP_TANG X25, X26, X27, X28, X29, X30, X31 dan X32 X25, X26, X27, dan X28 Indikator X29, X30, X31 dan X32 dikeluarkan 5 Kinerja industri pengolahan KUP_PROS X33, X34, X35, X36, X37, dan X38 X33, X34, X35 dan X37 Indikator X36 dan X38 dikeluarkan, serta adanya korelasi antar error e 6 Tujuan pembangunan perikanan Jawa Tengah TUJ_PEM_Pi Y1, Y2, Y3, Y4, Y5, Y6, Y7, Y8, Y9, Y10 dan Y11 Y1, Y5, Y6, Y7, Y8, Y10, dan Y11 Indikator Y2, Y3, Y4 dan Y9 dikeluarkan serta adanya korelasi antar error e Sumber : Data primer yang telah diolah, 2008 186 Tabel 127 Evaluasi model tiap variabel laten penelitian terhadap nilai reliabilitas dan variance extracted No Variabel Reliabilitas Evaluasi Model Variance Extracted Evaluasi Model 1 LUP 0,845 Diterima 0,403 - 2 KEBIJ_PUS 0,968 Diterima 0,860 Diterima 3 KEBIJ_DAER 0,864 Diterima 0,450 - 4 KUP_TANG 0,810 Diterima 0,548 Diterima 5 KI_PROS 0,763 Diterima 0,527 Diterima 6 TUJ_PEM_PI 0,899 Diterima 0,570 Diterima Sumber : Data primer yang telah diolah, 2008 Sementara itu pengukuran model fit untuk nilai reliabilitas konstruk dan variance extracted, setiap variabel laten digunakan untuk menilai apakah indikator-indikator tersebut cukup dapat menggambarkan kontruknya Ghozali 2004. Hasil reliabilitas yang tinggi memberikan keyakinan bahwa indikator individu semua konsisten dengan pengukurannya. Tingkat reliabilitas yang diterima secara umum adalah lebih besar dari 0,70, dan dari hasil perhitungan reliabilitas yang disajikan pada Tabel 119, menunjukkan bahwa semua variabel penelitian telah memiliki nilai lebih besar dari 0,07, sehingga dapat disimpulkan bahwa indikator individu semuanya konsisten dengan pengukurannya. Sementara itu, untuk pengukuran nilai variance extracted ada 2 variabel yang memiliki nilai yang lebih rendah dari ukuran yang direkomendasikan yaitu lingkungan usaha perikanan LUP 0,403 dan kebijakan pemerintah daerah KEBIJ_DAER 0,450. Walaupun ada nilai variance extracted tersebut lebih rendah dari nilai yang direkomendasikan yaitu 0,50, akan tetapi menurut Ferdinand 2006, nilai tersebut dapat diterima sepanjang disertai dengan alasan empirik yang terlihat dalam proses eksplorasi. Kemudian dari informasi pada Tabel 125, setelah dilakukannya uji akhir pada uji analisis faktor konfirmatori Confirmatory Factor Analysis CFA, kemudian terbentuk Gambar 44 yang merupakan full model setelah diuji analisis faktor konfirmatori. Dari full Model awal tersebut merupakan model struktur hubungan secara rumit antara lingkungan usaha perikanan LUP, kebijakan pemerintah pusat KEBIJ_PUS, kebijakan pemerintah 187 daerah KEBIJ_DAE, kinerja usaha perikanan tangkap KUP_TANG, kinerja industri pengolahan KI_PROS, dan tujuan pembangunan perikanan Jawa Tengah TUJ_PEM_Pi. Adapun indikator atau dimensi yang dikeluarkan dari model antara lain : ikut menciptakan keamanan X29, kebersihan lingkungan X30, sarana dan prasarana TPI X31, ketersediaan es atau garam X32, penyediaan pangan yang bergizi X36, teknologi dan nilai tambah X38, GDP atau devisa Y2, incomependapatan daerah Y3, kenaikan income pendapatan masyarakat Y4 dan plasma nutfah Y9. Dikeluarkannya indikator- indikator tersebut, menunjukkan bahwa indikator itu bukanlah merupakan indikator yang membentuk masing-masing variabel laten. TUJ_PEM_PI KEBIJ_DAE X24 ,80 e24 1,00 1 X23 ,53 e23 ,37 1 X22 ,60 e22 ,33 1 X21 ,50 e21 1,07 1 X20 ,50 e20 1,54 1 X19 1,01 e19 ,33 1 X18 ,45 e18 1,28 1 X17 ,23 e17 ,79 1 X16 ,43 e16 1,59 1 KEBIJ_PUS X15 ,11 e15 1,00 1 X14 ,14 e14 ,89 1 X13 ,16 e13 1,01 1 X12 ,33 e12 ,68 1 X11 ,60 e11 ,55 1 LUP X10 1,19 e10 1,00 1 X9 1,21 e9 ,66 1 X8 1,18 e8 ,77 1 X7 1,06 e7 ,80 1 X6 ,83 e6 2,47 1 X5 ,37 e5 2,83 1 X4 ,80 e4 2,49 1 X3 ,98 e3 1,89 1 X2 ,35 e2 2,70 1 X1 ,58 e1 2,46 1 KUP_TANG KI_PROS -,02 ,89 -,02 ,10 -,37 ,60 -,15 -,04 -,22 -,49 2,10 ,08 ,09 z1 1 ,01 z4 ,12 z6 ,02 z3 1 ,46 1 1,58 z2 1 1 Chi-Square=1644,598 Df=709 CMINDF=2,320 Probabilitas=,000 AGFI=,700 GFI=,741 TLI=,817 RMSEA=,076 ,40 -,09 ,04 ,09 -,01 ,30 ,01 ,07 -,15 ,18 Y1 ,74 e39 1,00 1 Y5 ,31 e43 ,94 1 Y6 ,32 e44 ,72 1 Y7 ,33 e45 ,76 1 Y8 ,22 e46 ,73 1 Y10 ,47 e48 ,33 1 Y11 ,48 e49 ,73 1 X33 ,20 e33 1,00 1 X34 ,69 e34 ,39 1 X35 ,58 e35 ,68 1 X37 1,09 e37 -,04 1 X38 ,61 e38 -,17 1 ,37 z5 1 ,28 X25 ,63 e25 1,00 1 X26 ,25 e26 6,75 1 X27 ,31 e27 4,40 1 X28 ,14 e28 3,00 1 ,52 ,36 ,52 ,45 ,57 ,35 ,18 Gambar 42 Output path diagram full model awal penelitian 188 Tabel 128 Indeks pengujian kelayakan kesesuaian full model awal penelitian No. Goodness of Fit Creation Index Syarat sebuah model fit Hasil analisis Evaluasi model 1. Chi Square Statistic Kecil, ? 2 dengan df= 709 adalah 772,055 1664,598 2. Significant Probability P ≤ 0,05 0,000 Baik 3. CMINDF ≤ 2,00 2,320 Marginal 4. GFI goodness-of-fit index ≥ 0,90 0,741 Marginal 5. AGFI adjusted goodness- of- fit index ≥ 0,90 0,700 Marginal 6. TLI Tucker-Lewis Index ≥ 0,95 0,817 Baik 7. RMSEA adjusted goodness-of- fit index ≤ 0,08 0,076 Baik Sumber : Data primer yang telah diolah, 2008 Dari hasil awal full model menunjukkan nilai Chi-square sebagai kriteria model fit menunjukkan bahwa model belum fit, hal ini ditunjukkan oleh nilai Chi-square 1664,598, probabilitas 0,000, nilai fit lainnya juga menghasilkan nilai dibawah yang direkomendasikan antara lain, CMINDf 2,320, AGFI 0,700, GFI 0,741, dan TLI 0,817, sedangkan nilai RMSEA 0,076 telah fit Gambar 42. Sehingga disimpulkan model awal full model masih marginal dan belum fit Tabel 127. Dari uji tersebut, jika kita uji lebih lanjut untuk merevisi model yaitu dengan melihat nilai modification index MI, maka setelah dilakukan revisi yang ke-18 Lampiran 10, dengan jalan mencari nilai modification index terbesar pada setiap revisi dan dilakukan korelasi antar MI yang terbesar tersebut sampai terjadi nilai yang mendekati fit, dimana hal ini terjadi pada revisi ke-18. Dari nilai uji indeks pengujian kelayakan kesesuaian model dari revisi 1 sampai ke-17 tidak mengalami banyak perubahan Lampiran 11 Hasil revisi ke-18 full model penelitian sebagai berikut : 189 TUJ_PEM_PI KEBIJ_DAE X24 ,79 e24 1,00 1 X23 ,52 e23 ,37 1 X22 ,60 e22 ,38 1 X21 ,57 e21 1,06 1 X20 ,55 e20 1,62 1 X19 1,02 e19 ,27 1 X18 ,45 e18 1,41 1 X17 ,23 e17 ,86 1 X16 ,51 e16 1,65 1 KEBIJ_PUS X15 ,10 e15 1,00 1 X14 ,13 e14 ,89 1 X13 ,18 e13 1,01 1 X12 ,33 e12 ,68 1 X11 ,62 e11 ,53 1 LUP X10 1,19 e10 1,00 1 X9 1,21 e9 ,67 1 X8 1,18 e8 ,77 1 X7 1,06 e7 ,80 1 X6 ,83 e6 2,46 1 X5 ,37 e5 2,82 1 X4 ,80 e4 2,48 1 X3 ,98 e3 1,89 1 X2 ,35 e2 2,71 1 X1 ,58 e1 2,46 1 KUP_TANG KI_PROS -,02 -,34 ,21 ,06 1,99 2,25 -,68 ,04 -5,47 -4,54 2,05 -,16 ,09 z1 1 ,01 z 4 ,06 z6 ,00 z3 1 ,43 1 1,59 z 2 1 1 Chi-Square=1128,994 Df=691 CMINDF=1,634 Probabilitas=,000 AGFI=,769 GFI=,805 TLI=,912 RMSEA=,053 ,20 -,08 ,01 ,07 ,02 ,35 ,03 ,06 -,13 ,10 Y1 ,74 e39 1,00 1 Y5 ,36 e43 ,90 1 Y6 ,35 e44 ,66 1 Y7 ,36 e45 ,72 1 Y8 ,22 e46 ,73 1 Y10 ,47 e48 ,21 1 Y11 ,46 e49 ,75 1 X33 ,23 e33 1,00 1 X34 ,68 e34 ,40 1 X35 ,54 e35 ,74 1 X37 1,05 e37 -,15 1 X38 ,61 e38 -,20 1 ,27 z 5 1 ,13 X25 ,63 e25 1,00 1 X26 ,26 e26 7,00 1 X27 ,31 e27 4,66 1 X28 ,14 e28 3,21 1 ,52 ,36 ,52 ,45 ,57 ,35 ,20 ,62 ,29 ,32 -,03 ,13 -,06 ,16 ,19 ,08 ,15 -,13 ,06 -,16 ,11 ,08 ,08 ,08 -,12 Gambar 43 Output path diagram full model revisi ke-18 penelitian Tabel 129 Indeks pengujian kelayakan kesesuaian full model revisi 18 penelitian No. Goodness of Fit Creation Index Syarat sebuah model fit Hasil analisis Evaluasi model 1. Chi Square Statistic Kecil, ? 2 dengan df= 691 adalah 753,264 1128,994 2. Significant Probability P ≤ 0,05 0,000 Baik 3. CMINDF ≤ 2,00 1,634 Baik 4. GFI goodness-of-fit index ≥ 0,90 0,805 Cukup baik 5. AGFI adjusted goodness- of- fit index ≥ 0,90 0,769 Cukup baik 6. TLI Tucker-Lewis Index ≥ 0,95 0,912 Baik 7. RMSEA adjusted goodness-of- fit index ≤ 0,08 0,053 Baik Sumber : Data primer yang telah diolah, 2008 190 Pada Tabel 128, hasil pengolahan data dengan beberapa indikator kesesuaian memiliki nilai chi-square X 2 sebesar 1141,481 dengan 691 degrees of freedom. Probabilitas chi-square adalah signifikan P = 0,000 yang berarti bahwa model telah fit. Untuk penilaian yang lain juga belum fit artinya masih marginal, antara lain, GFI 0,805 dan AGFI 0,769, sedangkan untuk nilai CMINDF 1,634, TLI 0,912 dan RMSEA 0,053 sudah baik. Dari data hasil pengolahan pada model revisi 18 menunjukkan nilai sudah fit dan baik, walaupun catatan bahwa nilai GFI dan AGFI sedikit dibawah nilai yang dipersyaratkan. GFI Goodness of Fit Index merupakan suatu ukuran mengenai ketepatan model dalam menghasilkan observed matriks kovarian. Nilai GFI yang diperoleh sebesar 0,805. Hal ini menunjukkan bahwa model cukup baik karena batas untuk nilai GFI berkisar dari 0 poor fir sampai 1 perfect fit atau lebih dari 0,90. AGFI Adjusted Goodness of Fit Index merupakan pengembangan dari GFI yang disesuaikan dengan ratio degrees of freedom pada suatu model. Nilai AGFI yang diperoleh sebesar 0,769 mengindikasikan nilai yang cukup baik. Nilai yang direkomendasikan adalah ≥ 0,90. CMINDF merupakan rasio perbandingan antara nilai CMIN The Minimum Sample Discrepancy Function dengan degrees of freedom, yang tidak lain adalah nilai chi-square dibagi dengan degrees of freedom X 2 df. Rasio X 2 df model ini adalah 1,634. Nilai tersebut lebih kecil dari cut of value sebesar 2,00, sehingga model dapat dikatakan berada pada kisaran baik. Nilai TLI Tucker-Lewis Index atau NNFI Non normed Fit Index berkisar dari 0 sampai 1 dan nilai yang direkomendasikan adalah ≥ 0,90. Nilai TLI pada model sebesar 0,912, mengindikasikan bahwa model baik. RMSEA Root Mean Square Error of Approximation merupakan ukuran yang mencoba memperbaiki kecenderungan statistik chi-square menolak model dengan jumlah sampel yang besar. Nilai RMSEA lebih kecil dari 0,08 merupakan ukuran yang dapat diterima. Nilai RMSEA pada model adalah 0,053 yang menunjukkan bahwa model baik. Setelah model dinyatakan baik, walaupun ada catatan adanya perhitungan model yang kurang baik, maka dari model revisi ke-18 ini akan 191 dijadikan sebagai dasar untuk menguji hipotesis Selanjutnya berdasarkan model fit ini akan dilakukan pengujian terhadap lima belas hipotesis yang diajukan dalam penelitian ini, maupun akan melakukan simulasi, sesuai dengan kepentingan penelitian. Tabel 130 Variabel indikator yang paling berpengaruh terhadap variabel laten pada penelitian Analisis No. Variabel Laten CFA Full Model 1 Lingkungan usaha perikananLUP X5=perijinan sesuai potensi 2,91 X5=perijinan sesuai potensi 2,824 2 Kebijakan pemerintah pusat KEBIJ_PUS X15=Tersedianya fasilitas puskesmas yang memadai 1,000 X13=Pelatihan dan bimbingan yang dapat diakses 1,006 3 Kebijakan pemerintah daerah KEBIJ_DAE X16=pelatihan dan penyuluhan yang dapat diakses dan bermutu 2,213 X20=Teknologi yang memberi nilai tambah ke prosesing 1,613 4 Kinerja usaha perikanan tangkap KUP_TANG X26= Return on investment ROI 4,504 X26=Return on Investment ROI 6,990 5 Kinerja industri pengolahan KI_PROS X33=Laba dan Rugi RL 1,000 X33= Laba dan Rugi RL 1,000 6 Tujuan pembangunan perikanan Jawa Tengah TUJ_PEM_Pi Y5=penyerapan tenaga kerja 1,381 Y1= Ketahanan pangan 1,000 Sumber : Data primer yang telah diolah, 2008 Pada Tabel 130 didapatkan bahwa dari hasil uji analisis konfirmatori faktor dan measurement full model dari tiap-tiap variabel laten, mana indikator-indikator yang berpengaruh terhadap masing-masing variabel laten. Dari lingkungan usaha perikanan didapatkan bahwa indikator yang paling berpengaruh baik pada uji analisis konfirmatori faktor maupun measurement full model adalah perijinan sesuai potensi X5. Dari hasil ini menjelaskan bahwa jika perijinan sesuai potensi ditingkatkan sebesar 1 satuan akan meningkatkan peran lingkungan usaha perikanan sebesar 2,91 pada uji CFA dan 2,824 pada uji full model. Pada variabel kebijakan pemerintah pusat indikator yang paling berpengaruh pada hasil uji analisis konfirmatori faktor adalah tersedianya fasilitas puskesmas yang memadai X15 dengan nilai koefisien regresi sebesar 1,000, sedangkan pada uji measurement full model faktor yang paling berpengaruh adalah pelatihan dan bimbingan yang dapat diakses X13. Dari hasil ini dapat disimpulkan bahwa kebijakan pelatihan dan 192 bimbingan yang dapat diakses dari pemerintah pusat merupakan kebijakan yang dapat meningkatkan pembangunan perikanan di Jawa Tengah. Dari variabel kebijakan pemerintah daerah faktor yang paling berpengaruh pada hasil uji analisis konfirmatori faktor adalah pelatihan dan penyuluhan yang dapat diakses dan bermutu X16, dengan nilai koefisien regresi sebesar 2,213, sedangkan pada uji measurement full model faktor yang paling berpengaruh adalah teknologi yang memberi nilai tambah ke prosesing X20, dengan nilai koefisien regresi sebesar 1,613. Dengan demikian secara simultan kebijakan pemerintah dalam upaya untuk peningkatan teknologi yang bertujuan untuk memberikan nilai tambah pada industri pengolahan hasil perikanan akan dapat meningkatkan peran sektor perikanan yang lebih besar pada pembangunan Jawa Tengah. Dari usaha untuk peningkatan teknologi tersebut diharapkan terjadi peningkatan kualitas maupun kuantitas produksi dan nilai tambah hasil perikanan, sehingga mampu tidak hanya memenuhi kebutuhan dalam negeri akan tetapi dapat dilakukan usaha untuk ekspor. Dengan meningkatnya ekspor dari produk perikanan ini akan meningkatkan devisa negara, mengurangi tingkat kemiskinan, menambah lapangan kerja dan lain-lain. Untuk kinerja usaha perikanan tangkap dari hasil uji analisis konfirmatori faktor maupun uji measurement full model, faktor yang paling berpengaruh adalah tingkat pengembalian modal Return on investment. Dengan nilai koefisien regresi sebesar 4,504 untuk uji analisis konfirmatori faktor dan 6,990 untuk uji measurement full. Dengan demikian, dengan lebih cepatnya modal yang diinvestasikan pada usaha perikanan tangkap kembali, maka akan dapat meningkatkan kinerja usaha perikanan tangkap lebih baik. Cepatnya modal yang kembali tersebut, diperlukan karena menurut Kusumastanto 2002 dan Fauzi 2006, pada usaha yang dilakukan di perikanan tangkap memiliki karakteristik bermodalkan besar, akan tetapi tingkat pengembalian modal tersebut cenderung lama, karena tidak pastiannya hasil tangkapan ikan yang didapatkan. Kondisi ini diperparah dengan semakin menurunnya hasil tangkapan ikan dari tahun ke tahun, atau sumberdaya ikan di beberapa wilayah telah mengalami over fishing, salah satunya di daerah pantai utara jawa. 193 Pada variabel kinerja industri pengolahan, dari hasil uji analisis konfirmatori faktor maupun uji measurement full model, faktor yang paling berpengaruh adalah tingkat laba dan rugi RL yang dihasilkan dari industri pengolahan ikan. Dari kondisi ini, kita dapat menyimpulkan bahwa tingkat laba dan rugi merupakan faktor utama untuk meningkatkan kinerja industri pengolahan ikan di Jawa Tengah. Untuk variabel tujuan pembangunan perikanan Jawa Tengah, dari hasil uji analisis konfirmatori penyerapan tenaga kerja Y5 merupakan faktor yang paling berpengaruh, sedangkan indikator ketahanan pangan Y1 merupakan faktor yang berpengaruh pada hasil uji measurement full model. Dari kondisi ini dapat dijelaskan, bahwa salah satu keberhasilan pembangunan perikanan di Jawa Tengah adalah terpenuhinya lapangan pekerjaan bagi masyarakat dan ketercukupinya ketahanan pangan bagi masyarakat. Kebijakan ketahanan pangan ini semakin mengemukan dan merupakan kebijakan yang akan dikedepankan dari Gubernur yang baru terpilih pada Agustus 2008 ini.

4.4 Pengujian Hipotesis

Analisis tujuan pembangunan perikanan Jawa Tengah TUJ_PEM_PI dalam penelitian ini merupakan hubungan yang rumit dengan variabel lingkungan usaha perikanan LUP, kebijakan pemerintah pusat KEBIJ_PUS, kebijakan pemerintah daerah KEBIJ_DAE, kinerja usaha perikanan tangkap KUP_TANG, dan kinerja industri pengolahan KI_PROS. Seluruh hipotesis dalam penelitian ini diuji secara simultan dengan model persamaan struktural dibantu dengan program AMOS versi 6. Dalam pengujian ini, ada enam hipotesis yang signifikan yaitu, hipotesis 6, hipotesis 7, hipotesis 8, hipotesis 11, hipotesis 12 dan hipotesis 15, sedangkan hipotesis 1, hipotesis 2, hipotesis 3, hipotesis 4, hipotesis 5, hipotesis 9, hipotesis 10, hipotesis 13, dan hipotesis 14, terbukti tidak signifikan. Hipotesis 1 yang menyatakan bahwa lingkungan usaha perikanan LUP akan berpengaruh positif terhadap kinerja usaha perikanan tangkap KUP_TANG. Hasil pengujian hipotesis menunjukkan koefisien regresi sebesar -0,018 dengan nilai t hitung sebesar -0,795 dan probabilitas sebesar 0,427, nilai ini lebih kecil dari nilai t tabel sebesar -1,65, dengan demikian penelitian ini tidak 194 berhasil membuktikan bahwa lingkungan usaha perikanan berpengaruh positif terhadap kinerja usaha perikanan tangkap, atau dapat disimpulkan bahwa lingkungan usaha berpengaruh negatif dan tidak signifikan terhadap kinerja usaha perikanan tangkap. Tabel 131 Hasil pengujian hipotesis penelitian H Jenis Hubungan Direct effect t hitung Prob Ket. H1 LUP? KUP_TANG -0,018 -0,795 0,427 Tdk signifikan H2 LUP? KI_PROS 0,198 1,099 0,272 Tdk signifikan H3 LUP? TUJ_PEM_PI -0,084 -0,715 0,475 Tdk signifikan H4 KEBIJ_PUS ? LUP 0,202 0,887 0,375 Tdk signifikan H5 KEBIJ_PUS ? KUP_TANG 0,059 0,944 0,345 Tdk signifikan H6 KEBIJ_PUS ? KI_PROS 1,873 2,211 0,027 Signifikan H7 KEBIJ_PUS ? KEBIJ_DAE 0,433 10,247 fix Signifikan H8 KEBIJ_PUS ? TUJ_PEM_PI 2,140 2,620 0,009 Signifikan H9 KEBIJ_DAE? LUP -0,658 -1,219 0,223 Tdk signifikan H10 KEBIJ_DAE? KUP_TANG 0,035 0, 258 0,797 Tdk signifikan H11 KEBIJ_DAE? KI_PROS -5,190 -2,604 0,009 Signifikan H12 KEBIJ_DAE? TUJ_PEM_PI -4,294 -2,184 0,029 Signifikan H13 KUP_TANG? KI_PROS -0,360 -0,417 0,676 Tdk signifikan H14 KI_PROS? TUJ_PEM_PI -0,168 -1,177 0,239 Tdk signifikan H15 KUP_TANG? TUJ_PEM_PI 2,010 1,824 0,068 signifikan Ket : Nilai t tabel a=5 pada df= 692 adalah sebesar ± 1,65 atau nilai p 0,05 Hipotesis 2 yang menyatakan bahwa lingkungan usaha perikanan LUP akan berpengaruh positif terhadap kinerja industri pengolahan KI_PROS. Hasil pengujian hipotesis menunjukkan koefisien regresi sebesar 0,198 dengan nilai t hitung yang diperoleh sebesar 1,099 atau tingkat probabilitas sebesar 0,272, nilai yang dihasilkan ini lebih kecil dari nilai t tabel sebesar 1,65 pada tingkat probabilitas 5, dengan demikian penelitian ini berhasil membuktikan bahwa lingkungan usaha perikanan berpengaruh positif dan tidak signifikan terhadap kinerja industri pengolahan. Hipotesis 3 yang menyatakan bahwa lingkungan usaha perikanan LUP akan berpengaruh positif terhadap tujuan pembangunan perikanan Jawa Tengah TUJ_PEM_PI. Hasil pengujian hipotesis menunjukkan nilai koefisien regresi sebesar -0,084 dengan nilai t hitung yang diperoleh sebesar -0,715 atau tingkat probabilitas sebesar 0,475, nilai perhitungan yang dihasilkan ini lebih kecil dari nilai t tabel sebesar 1,65 pada tingkat probabilitas 5, dengan demikian penelitian ini tidak berhasil membuktikan bahwa lingkungan usaha perikanan 195 berpengaruh positif dan tidak signifikan terhadap tujuan pembangunan perikanan Jawa Tengah. Hipotesis 4 yang menyatakan bahwa kebijakan pemerintah pusat KEBIJ_PUS akan berpengaruh positif terhadap lingkungan usaha perikanan LUP. Hasil pengujian hipotesis menunjukkan nilai koefisien regresi sebesar 0,202 dengan nilai t hitung yang diperoleh sebesar 0,887 atau tingkat probabilitas sebesar 0,375, nilai perhitungan yang dihasilkan ini lebih kecil dari nilai t tabel sebesar 1,65 pada tingkat probabilitas 5, dengan demikian penelitian ini berhasil membuktikan bahwa kebijakan pemerintah pusat berpengaruh positif dan tidak signifikan terhadap lingkungan usaha perikanan. Hipotesis 5 yang menyatakan bahwa pemerintah pusat KEBIJ_PUS akan berpengaruh positif terhadap kinerja usaha perikanan tangkap KUP_TANG. Hasil pengujian hipotesis menunjukkan nilai koefisien regresi sebesar 0,059 dengan nilai t hitung yang diperoleh sebesar 0,944 atau tingkat probabilitas sebesar 0,345, nilai perhitungan yang dihasilkan ini lebih kecil dari nilai t tabel sebesar 1,65 pada tingkat probabilitas 5, dengan demikian penelitian ini berhasil membuktikan bahwa lingkungan usaha perikanan berpengaruh positif dan tidak signifikan terhadap kinerja usaha perikanan tangkap. Hipotesis 6 yang menyatakan bahwa kebijakan pemerintah pusat KEBIJ_PUS akan berpengaruh positif terhadap kinerja industri pengolahan KI_PROS. Hasil pengujian hipotesis menunjukkan nilai koefisien regresi sebesar 1,873 dengan nilai t hitung yang diperoleh sebesar -2,211atau tingkat probabilitas sebesar 0,027, nilai perhitungan yang dihasilkan ini lebih besar dari nilai t tabel sebesar 1,65 pada tingkat probabilitas 5, dengan demikian penelitian ini berhasil membuktikan bahwa kebijakan pemerintah pusat berpengaruh positif dan signifikan terhadap kinerja industri pengolahan. Hipotesis 7 yang menyatakan bahwa kebijakan pemerintah pusat KEBIJ_PUS akan berpengaruh positif terhadap kebijakan pemerintah daerah KEBIJ_DAE. Hasil pengujian hipotesis menunjukkan nilai koefisien regresi sebesar 0,433 dengan nilai t hitung yang diperoleh sebesar -10,247 atau tingkat probabilitas yang sudah fix, nilai perhitungan yang dihasilkan ini lebih besar dari nilai t tabel sebesar 1,65 pada tingkat probabilitas 5, dengan demikian penelitian ini berhasil membuktikan bahwa kebijakan pemerintah pusat berpengaruh positif dan signifikan terhadap kebijakan pemerintah daerah. 196 Hipotesis 8 yang menyatakan bahwa kebijakan pemerintah pusat KEBIJ_PUS akan berpengaruh positif terhadap tujuan pembangunan perikanan Jawa Tengah TUJ_PEM_PI. Hasil pengujian hipotesis menunjukkan nilai koefisien regresi sebesar 2,140 dengan nilai t hitung yang diperoleh sebesar 2,620 atau tingkat probabilitas sebesar 0,009, nilai perhitungan yang dihasilkan ini lebih besar dari nilai t tabel sebesar 1,65 pada tingkat probabilitas 5, dengan demikian penelitian ini berhasil membuktikan bahwa kebijakan pemerintah pusat berpengaruh positif dan signifikan terhadap tujuan pembangunan perikanan Jawa Tengah. Hipotesis 9 yang menyatakan bahwa kebijakan pemerintah daerah KEBIJ_DAE akan berpengaruh positif terhadap lingkungan usaha perikanan LUP. Hasil pengujian hipotesis menunjukkan nilai koefisien regresi sebesar -0,658 dengan nilai t hitung yang diperoleh sebesar -1,219 atau tingkat probabilitas sebesar 0,223, nilai perhitungan yang dihasilkan ini lebih kecil dari nilai t tabel sebesar 1,65 pada tingkat probabilitas 5, dengan demikian penelitian ini tidak berhasil membuktikan bahwa kebijakan pemerintah daerah berpengaruh positif dan tidak signifikan terhadap lingkungan usaha perikanan. Hipotesis 10 yang menyatakan bahwa kebijakan pemerintah daerah KEBIJ_DAE akan berpengaruh positif terhadap kinerja usaha perikanan tangkap KUP_TANG. Hasil pengujian hipotesis menunjukkan nilai koefisien regresi sebesar 0,035 dengan nilai t hitung yang diperoleh sebesar 0,258 atau tingkat probabilitas sebesar 0,797, nilai perhitungan yang dihasilkan ini lebih kecil dari nilai t tabel sebesar 1,65 pada tingkat probabilitas 5, dengan demikian penelitian ini berhasil membuktikan bahwa kebijakan pemerintah daerah berpengaruh, positif akan tetapi tidak signifikan terhadap kinerja usaha perikanan tangkap. Hipotesis 11 yang menyatakan bahwa kebijakan pemerintah daerah KEBIJ_DAE akan berpengaruh positif terhadap kinerja industri pengolahan KI_PROS. Hasil pengujian hipotesis menunjukkan nilai koefisien regresi sebesar -5,190 dengan nilai t hitung yang diperoleh sebesar -2,604 atau tingkat probabilitas sebesar 0,009, nilai perhitungan yang dihasilkan ini lebih besar dari nilai t tabel sebesar 1,65 pada tingkat probabilitas 5, dengan demikian penelitian ini tidak berhasil membuktikan bahwa kebijakan pemerintah 197 daerah berpengaruh positif atau dengan kata lain kebijakan pemerintah daerah berpengaruh negatif dan signifikan terhadap kinerja industri pengolahan. Hipotesis 12 yang menyatakan bahwa kebijakan pemerintah daerah KEBIJ_DAE akan berpengaruh positif terhadap tujuan pembangunan perikanan Jawa Tengah TUJ_PEM_PI. Hasil pengujian hipotesis menunjukkan nilai koefisien regresi sebesar -4,294 dengan nilai t hitung yang diperoleh sebesar - 2,184 atau tingkat probabilitas sebesar 0,029, nilai perhitungan yang dihasilkan ini lebih besar dari nilai t tabel sebesar 1,65 pada tingkat probabilitas 5, dengan demikian penelitian ini tidak berhasil membuktikan bahwa kebijakan pemerintah daerah berpengaruh positif, atau dengan kata lain kebijakan pemerintah daerah berpengaruh negatif dan signifikan terhadap tujuan pembangunan perikanan Jawa Tengah. Hipotesis 13 yang menyatakan bahwa kinerja usaha perikanan tangkap KUP_TANG akan berpengaruh positif terhadap kinerja industri pengolahan KI_PROS. Hasil pengujian hipotesis menunjukkan nilai koefisien regresi sebesar -0,360 dengan nilai t hitung yang diperoleh sebesar -0,417 atau tingkat probabilitas sebesar 0,676, nilai perhitungan yang dihasilkan ini lebih kecil dari nilai t tabel sebesar 1,65 pada tingkat probabilitas 5, dengan demikian penelitian ini tidak berhasil membuktikan bahwa lingkungan usaha perikanan berpengaruh positif dan tidak signifikan terhadap kinerja industri pengolahan. Hipotesis 14 yang menyatakan bahwa kinerja industri pengolahan KI_PROS akan berpengaruh positif terhadap tujuan pembangunan perikanan Jawa Tengah TUJ_PEM_PI. Hasil pengujian hipotesis menunjukkan nilai koefisien regresi sebesar -0,168 dengan nilai t hitung yang diperoleh sebesar - 1,177 atau tingkat probabilitas sebesar 0,239, nilai perhitungan yang dihasilkan ini lebih kecil dari nilai t tabel sebesar 1,65 pada tingkat probabilitas 5, dengan demikian penelitian ini tidak berhasil membuktikan bahwa kinerja industri pengolahan berpengaruh positif dan tidak signifikan terhadap tujuan pembangunan perikanan Jawa Tengah. Hipotesis 15 yang menyatakan bahwa kinerja usaha perikanan tangkap KUP_TANG akan berpengaruh positif terhadap tujuan pembangunan perikanan Jawa Tengah TUJ_PEM_PI. Hasil pengujian hipotesis menunjukkan nilai koefisien regresi sebesar 2,010 dengan nilai t hitung yang diperoleh sebesar 1,824 atau tingkat probabilitas sebesar 0,068, nilai perhitungan yang dihasilkan 198 ini lebih besar dari nilai t tabel sebesar 1,65 pada tingkat probabilitas 5, dengan demikian penelitian ini berhasil membuktikan bahwa lingkungan usaha perikanan berpengaruh positif dan signifikan terhadap tujuan pembangunan perikanan Jawa Tengah. Tabel 132 Pengujian pengaruh langsung dan tidak langsung effect variabel Independen variabel Dependen Direct Indirect Total Perbandingan Effect LUP KUP_TANG -0,018 -0,049 -0,067 TEDE LUP KI_PROS 0,198 0,080 0,278 TEDE LUP TUJ_PEM_PI -0,084 -0,037 -0,121 TEDE KEBIJ_PUS LUP 0,202 0,788 0,990 TEDE KEBIJ_PUS KUP_TANG 0,059 0,621 0,680 TEDE KEBIJ_PUS KI_PROS 1,873 2,934 4,807 TEDE KEBIJ_PUS KEBIJ_DAE 0,433 0,994 1,427 TEDE KEBIJ_PUS TUJ_PEM_PI 2,140 3,671 5,811 TEDE KEBIJ_DAE LUP -0,658 -1,116 -1,774 TEDE KEBIJ_DAE KUP_TANG 0,035 0,157 0,192 TEDE KEBIJ_DAE KI_PROS -5,190 -3,538 -8,728 TEDE KEBIJ_DAE TUJ_PEM_PI -4,294 -3,206 -7,500 TEDE KUP_TANG KI_PROS -0,360 -0,054 -0,414 TEDE KI_PROS TUJ_PEM_PI -0,168 -0,184 -0,352 TEDE KUP_TANG TUJ_PEM_PI 2,010 0,330 2,340 TEDE Analisis pengaruh langsung direct effect, pengaruh tidak langsung indirect effect dan pengaruh total total effect antar variabel dalam model, digunakan untuk membandingkan besarnya pengaruh setiap variabel laten. Pengaruh langsung adalah koefisien dari semua garis koefisien dengan anak panah satu ujung, sedangkan pengaruh tidak langsung adalah efek yang muncul melalui sebuah variabel antara intervening variabel sedangkan pengaruh total adalah pengaruh dari berbagai hubungan Ferdinand 2006. Dari hasil pengujian pengaruh langsung dan tidak langsung antar variabel independen dan dependen menunjukkan bahwa pengaruh total TE lebih besar dari pada pengaruh langsung DE, ada delapan, sedangkan pengaruh total TE lebih kecil dari pada pengaruh langsung DE terdapat tujuh pola hubungan Tabel 132. 199

4.5 Simulasi Model