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