35
perikanan yang ada di Kota Makassar. Pengolahan data melalui kegiatan pengelompokan data yang sejenis, tabulasi dan lain-lain.
3.5.2 Analisis persamaan struktural
Menurut Hair et al. 1998 ada beberapa langkah dalam penggunaan SEM dengan rincian sebagai berikut:
1 Pengembangan model berdasarkan teori dan existing condition
Prinsip di dalam SEM adalah menganalisis hubungan kausal antar variabel eksogen dan endogen, hubungan kausal apabila terjadi perubahan nilai di dalam
suatu variabel akan menghasilkan perubahan dalam variabel lain. Solimun 2002 yang diacu dalam Mustaruddin 2010 mengatakan bahwa
langkah awal SEM adalah pengembangan model teoritis yang dimaksudkan untuk mendapatkan justifikasi terhadap konsep-konsep yang dikembangkan, sehingga
model akhir yang diperoleh dapat dipertanggungjawabkan dan mendapat kebenaran secara ilmiah. Dalam kaitan ini, peneliti dalam mengembangkan teori
harus melakukan serangkaian eksplorasi ilmiah melalui telaah pustaka yang berkaitan, dan diskusi pakar menjadi hal penting untuk dilakukan guna
mendapatkan justifikasi atas model teoritis yang dikembangkan. Dengan demikian tanpa dilandasi teoritis yang kuat maka SEM tidak dapat digunakan, hal
ini disebabkan karena SEM tidak digunakan untuk menghasilkan sebuah model melainkan digunakan untuk mengkonfirmasi model melalui data empirik.
Berdasarkan telaah pendahuluan, beberapa komponen yang berinteraksi dalam pengembangan industri perikanan berbasis pelabuhan perikanan di Kota
Makassar, adalah internal industri, eksternal industri, sumberdaya alam dan lingkungan, lingkungan industri perikanan, kinerja industri perikanan, kebijakan
pemerintah, pelayanan pelabuhan dan daya saing industri perikanan. Analisis SEM dalam penelitian ini akan dikembangkan untuk melihat
terjadinya interaksi diantara komponen-komponen tersebut dan mengetahui interaksi mana yang paling berperan dalam pengembangan industri perikanan
berbasis pelabuhan perikanan di Kota Makassar. Gambaran interaksi diantara komponen tersebut kemudian diilustrasikan dalam rancangan awal path diagram.
36
2 Penyusunan rancangan path diagram
Penyusunan rancangan path diagram merupakan kegiatan penggambaran interaksi antar komponen yang dikembangkan secara teoritis dan kemudian
menjadi konstruk penelitian. Dalam penggambaran ini, konstrukfaktorvariabel laten penelitian tersebut harus dilengkapi dengan dimensivariabel manifes.
Setelah model teoritis diuraikan pada langkah pertama maka dikembangkan path diagram. Model path diagram dalam kajian model pengembangan industri
perikanan berbasis pelabuhan perikanan di Kota Makassar Sulawesi Selatan disajikan pada Gambar 4.
INTERNAL INDUSTRI
EKSTERNAL INDUSTRI
LINGKUNGAN INDUSTRI PRK
SDA LINGKUNGAN
KEBIJAKAN PEMERINTAH
KINERJA INDUSTRI PRK
DAYA SAING INDUSTRI PRK
PELAYANAN PELABUHAN PRK
Gambar 4 Hubungan antar faktor pada rancangan path diagram Komponen yang berupa konstrukvariabel laten pada diagram di atas dapat
dibedakan menjadi 2 kelompok konstruk yaitu konstruk eksogen dan konstruk endogen. Konstruk eksogen independent variable adalah variabel independen
yang mempengaruhi variabel dependen. Pada model SEM, variabel eksogen ditunjukkan dengan adanya anak panah yang berasal dari variabel tersebut menuju
ke variabel endogen. Variabel endogen adalah variabel dependen yang dipengaruhi oleh variabel independen eksogen. Pada model SEM, variabel
eksogen ditunjukkan dengan adanya anak panah yang menuju pada variabel tersebut.
37
Penelitian ini akan menguji ada tidaknya pengaruh-pengaruh diantara kedelapan faktor yang telah ditentukan di atas. Adapun rincian definisi setiap
faktor disajikan pada Tabel 2. Tabel 2 Definisi dari masing-masing faktor
Faktor Definisi
Internal industri
Eksternal industri
Sumberdaya alam dan lingkungan
Lingkungan industri
perikanan Kinerja
industri perikanan
Kebijakan pemerintah
Pelayanan pelabuhan
perikanan Daya saing
Kegiatan atau usaha yang dilakukan untuk mencapai tujuan dengan menggunakan atau mengkoordinasikan
kegiatan orang lain.
Faktor di luar industri yang menjadi obyek utama penelitian, yang mempengaruhi kinerja industri baik
langsung maupun tidak langsung.
Keadaan sumberdaya alam biasanya dilihat dari ketersediaan sumberdaya ikan, keadaan daerah
penangkapan ikan serta energi pendukung.
Industri dan pemasok akan berada dalam suatu lingkungan makro yang dapat menciptakan peluang
dan ancaman Kotler 1997.
Ukuran keberhasilan industri, biasanya dilihat dari nilai keuangan, pemasaran, daya serap tenaga kerja
Keputusan yang dikeluarkan pemerintah dalam upaya memberikan pelayanan umum kepada pengguna jasa
di bidang perikanan.
Pengguna jasa pelabuhan yang berorientasi pada efisiensi, transparansi dan memberikan dampak positif
bagi perkembangan usaha perikanan.
Kemampuan suatu produk dalam memasuki pasar untuk memenuhi kebutuhan dan memberikan
kepuasan pelanggan.
Penjelasan dari 8 faktor tersebut yaitu: Internal Industri II, Eksternal Industri EI, Sumberdaya Alam dan Lingkungan SAL, Lingkungan Industri
Perikanan LIP, Kinerja Industri Perikanan, Kebijakan Pemerintah KP, Pelayanan Pelabuhan PLP dan Daya Saing Industri Perikanan DIP yang
digunakan sebanyak 33 variabel, dari masing-masing variabel diberi nilai. Pemberian nilai variabel menggunakan skala Likert skala 1 sampai 5.
38
3 Konversi diagram alir ke dalam persamaan
Setelah digambarkan dalam sebuah diagram pada langkah kedua, maka langkah berikutnya dilakukan konversi kedalam rangkaian persamaan. Persamaan
yang dibangun ada dua macam: a Persamaan struktural
Persamaan ini menyatakan hubungan kausalitas antara berbagai konstruk sebagai berikut:
Faktor endogen = Faktor eksogen + Error Persamaan strukturnya adalah sebagai berikut:
Y
1
= β
1
Y
2
+ β
2
Y
3
+ β
3
Y
4
+ β
4
Y
5
+ δ
1
Dimana: .......................................... 1
Y
1
Y = Faktor endogen
2
,Y
3
,Y
4
,Y
5
β = Bobot regresi regression weigth
= Faktor eksogen δ
= Disturbance term error b Persamaan spesifikasi model pengukuran
Pada spesifikasi ini peneliti akan menentukan variabel mana mengukur faktor konstruk serta menentukan serangkaian matrik yang menunjukkan
korelasi yang dihipotesakan antar konstruk atau faktor. Persamaan untuk model pengukuran dapat digambarkan sebagai berikut:
Variabel 1 X
1
= λ
1
Y
1
+ ε
1
Variabel 1 X .................................................................
2
2
= λ
2
Y
2
+ ε
2
Variabel 1 X ................................................................
3
3
= λ
3
Y
3
+ ε
3
Dimana: .................................................................
4
X
1
, X
2
, X
3
λ = Loading Factor
= Variabel yang disurvei ε = Error
4 Pemilihan matrik input dan estimasi model
39
SEM hanya menggunakan matrik kovarians atau matrik korelasi sebagai data input untuk keseluruhan estimasi yang dilakukan. SEM pada awalnya
sebagai alat analisis yang berbasis pada matrik kovarians. Matrik kovarians digunakan karena memiliki keunggulan dalam menyajikan perbandingan yang
valid antara populasi yang berbeda atau sampel yang berbeda, hal ini tidak dapat digunakan analisis korelasi. Menurut Kline et al. 2001 yang diacu dalam
Kusyanto 2006 menyarankan agar menggunakan matrik kovarians pada saat pengujian teori, sebab kovarians lebih memenuhi asumsi metodologi dan
merupakan bentuk data yang lebih sesuai untuk memvalidasi hubungan kausalitas.
5 Antisipasi munculnya masalah identifikasi
Salah satu masalah yang dihadapi dalam penggunaan estimasi model kausal ini adalah terletak pada masalah ketidakmampuan dari model yang
dikembangkan untuk menghasilkan estimasi model yang baik. Gejala yang muncul pada problem identifikasi adalah sebagai berikut:
1 Standar error untuk satu atau beberapa koefisien adalah sangat besar 2 Program tidak menghasilkan matrik informasi yang seharusnya disajikan
3 Muncul angka-angka yang aneh seperti adanya varian error yang negatif 4 Munculnya korelasi yang sangat tinggi antara koefisien estimasi yang didapat
nilai lebih dari 0,9. Langkah-langkah untuk menguji ada tidaknya problem identifikasi adalah
sebagai berikut: 1 Model diestimasi berulang-ulang, dan setiap estimasi dilakukan dengan
menggunakan starting value yang berbeda-beda. Bila ternyata hasilnya adalah model tidak konvergen pada titik yang sama setiap kali re-estimasi dilakukan.
2 Model dicoba diestimasi, kemudian angka koefisien dari salah satu variabel dicatat, berikutnya koefisien itu ditentukan sebagai sesuatu yang fix pada faktor
atau variabel kemudian dilakukan estimasi ulang. Apabila estimasi ulang ini overall fit indeknya berubah total dan berbeda sangat besar dari sebelumnya
diduga ada masalah pada identifikasi. Disarankan apabila setiap estimasi muncul masalah pada identifikasi ini, maka model ini sebaiknya
dipertimbangkan ulang dengan mengembangkan lebih banyak konstruk.
40
6 Evaluasi kriteria goodness of fit
Tahapan ini merupakan kegiatan mengevaluasi kesesuaian model yang dibuat menggunakan berbagai kriteria Goodness of Fit Index. Secara garis besar
tahapan ini terdiri dari 3 kegiatan besar, yaitu; 1 evaluasi data digunakan untuk mengetahui apakah data telah memenuhi asumsi-asumsi SEM atau tidak yang
meliputi evaluasi ukuran sampel, normalitas, outliers, dan lain-lain, 2 uji kesesuaian dan uji statistik dan 3 effect analysis.
Peneliti harus menggunakan indikator-indikator goodness of fit dalam menilai fit suatu model, namun peneliti tidak boleh hanya menggunakan satu indeks atau
beberapa indeks saja untuk menilai suatu model fit, akan tetapi harus mempertimbangkan seluruh indeks Bentler 1990. Wijaya 2010 mengatakan
ada sebanyak 38 program makro untuk menampilkan statistik Goodness of Fit dalam Amos, namun penggunaan indeks dalam suatu penelitian hanya bisa
digunakan beberapa saja, karena semakin banyak indeks yang digunakan akan mempengaruhi nilai-nilai goodness of fit lainnya. Berikut disajikan beberapa
indeks sebagai kriteria goodness of fit Ghozali dan Fuad 2005. 1
Chi-square X
2
Tujuan pengujian Chi-square adalah untuk mengetahui apakah matriks kovarians sampel berbeda secara signifikan dengan matriks kovarians
estimasi Santoso 2007. Menurut Ghozali 2005, chi-square merupakan ukuran mengenai buruknya fit suatu model. Nilai Chi-square diharapkan
kecil, apabila nilainya sebesar 0 nol menunjukkan bahwa model memiliki fit yang sempurna perfect fit, uji ini digunakan untuk mengukur overall fit atau
kesesuaian model yang dibangun dengan data yang tersedia. Semakin kecil nilai chi-square, semakin baik model itu karena dalam uji beda chi-square,
X
2
= 0, berarti benar-benar tidak ada perbedaan, H 2
Probabilitas signifikansi significant probability , diterima.
Probabilitas digunakan untuk memperoleh penyimpangan deviasi besar sebagaimana ditunjukkan oleh nilai chi-square, sehingga nilai chi-square
yang signifikan kurang dari 0.05 menunjukkan bahwa data empiris yang diperoleh memiliki perbedaan dengan teori yang telah dibangun berdasarkan
structural equation modelling. Nilai probabilitas adalah signifikan p =
41
0.05. Apabila hasil analisis didapat lebih besar dari p = 0.05 maka model dikatakan tidak fit.
3 RMSEA root mean square error of approximation RMSEA merupakan indikator model fit yang paling informatif. Hipotesis
dapat diterima apabila hasil evaluasi menunjukkan angka RMSEA lebih kecil atau sama dengan 0.08 adalah good fit, sedang RMSEA 0.05 adalah close
fit Joreskog dan Sorbon 2005. 4 CFI comparative fit index
CFI merupakan index yang menunjukkan tingkat fit-nya model yang dibangun. Index ini pada dasarnya membandingkan angka NCP non
centrality parameter pada berbagai model. Nilai berkisar antara 0-1. Suatu model dikatakan good fit apabila hasil analisis memiliki nilai CFI 0.90,
sedang 0.80 CFI 0.90 adalah marginal fit Wijanto 2008. 5 IFI incremental fit index
Nilai berkisar antara 0-1. Suatu model dikatakan fit apabila nilai IFI lebih besar atau sama dengan 0.90, sedang 0.80 IFI 0.90 adalah marginal fit
Wijanto 2008 6 GFI goodness of fit indices
GFI merupakan suatu ukuran mengenai ketepatan model dalam menghasilkan observed matriks kovarians. Untuk menghasilkan model yang fit nilai GFI
antar 0 sampai 1. GFI 0.90 adalah good fit, sedang 0.80 GFI 0.90 adalah marginal fit Wijanto 2008
7 AGFI adjusted goodness of fit index AGFI adalah sama seperti GFI, tetapi telah menyesuaikan pengaruh degree of
freedom pada suatu model Ghozali 2005. Secara teoritis nilai AGFI berkisar antara 0 poor fit sampai 1 perfect fit , dengan nilai lebih tinggi
adalah lebih baik. AGFI 0.90 adalah good fit, sedang 0.80 AGFI 0.90 adalah marginal fit Wijanto 2008.
8 PGFI parsimony goodness of fit index
42
Spesifikasi ulang dari GFI, dimana nilai lebih tinggi menunjukkan parsimoni yang lebih besar. Ukuran ini digunakan untuk perbandingan model-model.
Nilai PGFI 0.90 adalah good fit Wijanto 2008.
Berdasarkan batasan dan kriteria untuk menilai suatu model di atas, maka suatu model akan diuji melalui goodness of fit Tabel 3.
Tabel 3 Goodness of fit statistics yang digunakan sebagai pedoman dalam menilai fit-nya suatu model yang dianalisis
No. Goodness of fit index
Cut-off value
1 2
3 4
5 6
7 8
Chi-square Probability
RMSEA CFI
IFI GFI
AGFI PGFI
Diharapkan kecil 0.05
0.08 0.90
0.90 0.90
0.90 0.90
Sumber: Wijanto 2008
7 Modifikasi dan interpretasi model
Apabila langkah-langkah sebelumnya sudah dilaksanakan dan model cukup baik maka langkah berikutnya dalam SEM melakukan interpretasi dan
modifikasi yaitu: a Interpretasi
Penggunaan SEM bukan untuk menghasilkan teori, tetapi menguji model yang mempunyai pijakan teori yang benar dan baik. Berdasarkan pemikiran ini
maka interpretasi dari model dapat diterima atau tidak diperlukan kekuatan prediksi dari model dibandingkan dengan residual yang dihasilkan.
Penggunaan standardized residual covariance matrik akan dihasilkan nilai residual standar. Apabila interpretasi terhadap residual yang dihasilkan model
melalui pengamatan variabel mempunyai nilai residual standard lebih besar dari besaran tertentu maka model dapat diterima sehingga tidak perlu dilakukan
modifikasi model. b Indeks modifikasi
43
Apabila model belum baik, perlu diadakan modifikasi dan di dalam penggunaan indeks modifikasi ini adalah sebagai pedoman untuk melakukan
modifikasi terhadap model yang diujikan dengan syarat harus terdapat justifikasi teoritis yang cukup kuat untuk modifikasi. Revisi model melalui suatu modifikasi
dilakukan dengan cara melihat niali covariance modification indices yang didapat dari hasil analisis SEM. Nilai modification indices MI pada covariance
menandakan akan turunnya nilai chi-square jika covariance dari indikator- indikator tersebut dikorelasikan. Dimulai dengan nilai modification indices
tertinggi dengan menghubungkan covariance antar variabel yang dituju. Selanjutnya langkah yang harus dilakukan adalah mengorelasikan variabel yang
mempunyai nilai MI yang lebih besar dari 4 nilai MI 4, sampai diperoleh sebuah model yang dinilai benar-benar fit.
8 Perumusan strategi pengembangan industri perikanan
Berdasarkan dari delapan faktor konstruk yang dilihat, akan merumuskan strategi pengembangan industri perikanan di Kota Makassar yang berbasis
Pelabuhan Perikanan. Dasar dari hasil rumusan tersebut dapat dilihat dari hubungan mana yang signifikan atau tidak signifikan, berhubungan positif atau
negatif, kemudian hubungan yang signifikan akan menjadi perhatian dalam mengembangkan industri perikanan di Kota Makassar.
4 HASIL DAN PEMBAHASAN
4.1 Gambaran Umum Lokasi Penenlitian 4.1.1 Keadaan geografi, iklim dan penduduk kota makassar
