2. Process Theory
Merupakan teori-teori yang berusaha memahami proses berpikir yang ada yang dapat mendorong seseorang untuk berperilaku tertentu, salah satu teori ini
adalah teori harapan expectancy theory.
2.4 Sikap
Menurut Thurstone 2000 yang dikutip Azwar 2003, sikap adalah derajat afek positif atau afek negatif yang dikaitkan dengan suatu obyek
psikologis. Sikap adalah keadaan mental dan syaraf dari kesiapan, yang diatur melalui pengalaman yang memberikan pengaruh dinamik atau terarah terhadap
respon individu pada semua obyek dan situasi yang berkaitan dengannya. Dari sini sikap dapat digambarkan sebagai kecenderungan subyek merespon suka atau
tidak suka terhadap suatu obyek. Dalam bahasan ini yang berperan sebagai subyek
yaitu Wanita Usia Subur WUS dan obyek yaitu pemeriksaan IVA.
Walgio 2001 mengemukakan ciri-ciri sikap yaitu: tidak dibawa sejak lahir, selalu berhubungan dengan obyek sikap, dapat tertuju pada satu obyek saja
maupun tertuju pada sekumpulan obyek-obyek, dapat berlangsung lama atau sebentar dan mengandung faktor perasaan dan motivasi.
Ketika kita memaknai sikap sebagai kecenderungan berperilaku dan motivasi adalah dorongan kemauan – willingness untuk berperilaku, tampak
jelas bahwa kedua konsep tersebut berhubungan sangat erat dengan perilaku behavior. Sikap seseorang yang negatif atau positif terhadap sesuatu
objeksubjek dapat diinterpretasikan secara kuat bahwa seseorang tersebut mau
termotivasi atau tidak mau tidak termotivasi melakukan sesuatu terhadap objek atau subjek tertentu tadi Mustafa, 2009.
Menurut Notoatmodjo 2007, sikap terdiri dari berbagai tingkatan yakni: 1.
Menerima receiving Menerima diartikan bahwa orang subjek mau dan memperhatikan stimulus
yang diberikan objek. 2.
Merespon responding Memberikan jawaban apabila ditanya, mengerjakan dan menyelesaikan tugas
yang diberikan adalah suatu indikasi dari sikap merespons. 3.
Menghargai valving Mengajak orang lain untuk mengerjakan atau mendiskusikan suatu masalah
adalah suatu indikasi sikap tingkat tiga. 4.
Bertanggung jawab responsible Bertanggung jawab atas segala sesuatu yang telah dipilihnya dengan segala
risiko merupakan sikap yang paling tinggi.
2.5 Amos
2.5.1 Pengenalan Amos
Menurut Sarwono 2012, Amos merupakan singkatan dari Analisis of Moment Structures
yang digunakan sebagai pendekatan umum analisis data dalam model sebab akibat causal modeling. Amos dikembangkan oleh Arbuckle pada
tahun 1994. Amos semula merupakan perangkat lunak komputasi statistic yang mandiri namun dalam perkembangannya saat ini Amos diambil alih oleh SPSS
sehingga versi-versinya mengikuti perkembangan SPSS.
2.5.2 Keunggulan Amos
1. Perhitungan yang rumit akan jauh lebih mudah dilakukan dibandingkan dengan
menggunakan perangkat lunak lainnya 2.
Penggunaan Amos akan mempercepat dalam membuat spesifikasi, melihat serta melakukan modifikasi model secara grafik dengan menggunakan tool
yang sederhana. 3.
Proses perhitungan dan analisis menjadi lebih sederhana bahkan orang-orang awam yang bukan ahli statistik akan dapat menggunakan dan memahami
dengan mudah. Adapun keunggulan lain yang dimiliki Amos bila dibandingkan dengan
perangkat lunak lainnya yaitu sebagai berikut: a.
Program dapat melakukan analisis dengan menggunakan data yang berasal dari beberapa populasi secara sekaligus.
b. Dapat menangani missing data secara baik, yaitu dengan membuat estimasi
yang didasarkan pada informasi maximum likelihood yang sempurna dan tidak hanya bersandar pada metode yang sudah ada, yaitu listwise, pairwise deletion,
atau mean imputation. c.
Dapat membuat estimasi rata-rata untuk variabel-variabel exogenous dan intercepts
dalam persamaan regresi. d.
Amos dapat juga membuat bootstrapped standard errors dan confidence intervals
yang ada dalam semua estimasi parameter, rata-rata sampel, varian, kovarian dan korelasi.
e. Dapat membuat percentile intervals dan bias-corrected percentile intervals.
f. Model-model jamak dapat disesuaikan dengan menggunakan analisis tunggal.
g. Dapat melakukan pemeriksaan setiap pasangan model dimana satu model
diperoleh dengan membatasi parameter-parameter model lainnya. h.
Dapat membuat laporan beberapa angka statistik yang cocok untuk dilakukan perbandingan untuk model-model tersebut.
i. Amos juga menyediakan pengujian normalitas univariat untuk masing-masing
variabel yang diobservasi dan juga pengujian normalitas multivariat serta dapat mendeteksi outliers.
j. Amos dapat memahami diagram jalur sebagai spesifikasi model dan
memperlihatkan estimasi-estimasi parameter secara grafis dalam model diagram jalur. Diagram-diagram jalur digunakan sebagai spesifikasi model dan
gambar-gambar digram jalur tersebut dapat diimpor ke program Word.
2.5.3 Metode dalam Amos
Metode-metode analisis dalam Amos yang ada saat ini diantaranya adalah: 1.
Maximum Likelihood 2.
Unweighted Least Square 3.
Generalized Least Square 4.
Browne’s Asymptotically Distribution Free Criterion 5.
Scale Free Least Square
2.5.4 Menu Utama Amos
Menurut Mustafa dan Wijaya 2012, pada bagian atas terdapat menu utama AMOS yang terdiri dari menu File, Edit, View, Diagram, Analyze, Tools,
Plugins , dan Help.
Setiap menu terdiri dari beberapa submenu: 1.
Menu File Terdiri dari beberapa submenu yaitu submenu untuk membuat File baru New,
New with Template , membuka File yang sudah ada Open, Retrieve Backup,
menyimpan File Save, Save as, Save as Template, membuka File Data Data Files
, mencetak Print, menelusuri atau browsing diagram path yang sudah ada atau tersimpan Browse Path Diagrams. File Manager yang dapat
digunakan untuk melihat jenis dan nama-nama file yang sudah ada, termasuk juga untuk membuka dan menghapus file tersebut dan submenu untuk keluar
dari Amos Exit. 2.
Menu Edit Terdiri dari beberapa submenu yang berguna untuk proses editing dengan
fungsi utama mengopi gambar pada layar kerja Copy to Clipboard, menghubungkan dengan data lain Link, memindakan gambar Move,
merefleksikan indikator Reflect, merotasi indikator Rotate dan menggeser Drag satu objek ke objek lainnya. Lebih lanjut akan dijelaskan dalam bagian
penjelasan Toolbox yang lebih mempermudah pengoperasian Amos. 3.
Menu View Submenu yang ada dalam menu View banyak digunakan dalam proses analisis
dan permodelan. 4.
Menu Diagram Terdiri dari beberapa submenu yang digunakan untuk membuat atau
menggambarkan model atau diagram yang akan dianalisis.
5. Menu Analyze
Terdiri dari beberapa submenu yang digunakan untuk memberikan perintah menjalankan analisis.
6. Menu Tools
Terdiri dari beberapa submenu yang digunakan sebagai perlengkapan dalam mendukung proses pengolahan data dan tampilan seperti memberi kode,
memilih karakter huruf. 7.
Menu Plugins Terdiri dari beberapa submenu yang digunakan sebagai perlengkapan dalam
melakukan analisis atau pembuatan model yang akan dianalisis seperti menggambar kovarian, menamakan parameter dan sebagainya.
8. Menu Help
Terdiri dari beberapa submenu yang dapat dimanfaatkan untuk membantu memberi penjelasan apabila terdapat masalah dalam pengoperasian Amos serta
dapat dihubungkan dengan jaringan internet atau web.
2.5.5 Uji Kesesuaian dan Uji Statistik
a.
χ 2 – Chi Square Statistic Semakin kecil nilai
χ 2 semakin baik model itu dan diterima berdasarkan probabilitas dengan cut-off value sebesar p 0,05 atau p 0,10.
b. RMSEA The Root Mean Square Error of Approximation
Merupakan suatu indeks yang digunakan untuk mengkonpensasi chi- square
dalam sampel yang besar.
c. GFI Goodness of Fit Index
Merupakan ukuran non-statistical yang mempunyai rentang nilai antara 0 sampai dengan 1. Nilai yang tinggi dalam indeks ini menunjukkan sebuah “better
fit ”.
d. AGFI Adjusted Godness of Fit Index
Merupakan kriteria yang memperhitungkan proporsi tertimbang dari varian dalam sebuah matrik kovarian sampel.
e. CMINDF The Minimum Sample Discrepancy Functin Devided with degree of
Freedom Merupakan statistic chi-square
χ 2 dibagi degree of freedom-nya sehingga disebut
χ 2 relative. f.
TLI Tucker Lewis Index Merupakan incremental index yang membandingkan sebuah model yang
diuji terhadap sebuah baseline model. g.
CFI Comparative Fit Index Rentang nilai sebesar 0 – 1 dimana semakin mendekati 1, semakin
mengindikasikan tingkat fit yang paling tinggi.
Goodness of Fit Index Cut off Value
χ 2 -Chi Square Diharapkan Kecil
Significance Probability ≥ 0,05
RMSEA ≤ 0,08
GFI ≥ 0,90
AGFI ≥ 0,90
CMINDF ≤ 2,00
TLI ≥ 0,95
CFI ≥ 0,95
2.6
Aplikasi Lisrel 2.6.1 Pengenalan Lisrel
Menurut Chaniago 2008, lisrel merupakan singkatan dari Linear Structural Relationship juga merupakan program yang banyak digunakan untuk
causal modeling. Hal ini disebabkan selain kemampuan Lisrel dalam
mengestimasi berbagai masalah dalam model sebab akibat, tampilan Lisrel juga paling informatif dalam menyajikan hasil-hasil statistik.
Lisrel adalah sebuah software yang dikembangkan khusus untuk menangani permasalahan causal modeling. Lisrel dikembangkan oleh dua orang
ahli psikologi pendidikan yaitu Prof. Karl Joreskog dan Prof. Dag Sorbom pada tahun 1993 Hisyam, 2009.
2.6.2 Pembagian Lisrel
Setiap file dalam Lisrel mengandung 4 bagian, yaitu: 1.
Title: Judul 2.
Data Specification: Spesifikasi Data 3.
Model Specification: Spesifikasi Model 4.
Output Specification: Spesifikasi Keluaran Untuk menggunakan Lisrel dengan baik, user harus mengetahui bahasa
yang digunakan sebagai input. Ada dua bahasa yang dapat digunakan dalam Lisrel sebagai input yaitu bahasa Lisrel dan bahasa Simplis. Kedua jenis bahasa tersebut
memiliki hasil yang relatif sama, namun dengan Lisrel pemodelan dapat dilakukan dengan hati-hati karena semua matrik yang akan diestimasi dipersiapkan terlebih
dahulu. Untuk memudahkan aplikasi Lisrel, evaluasi serta menjaga kehati-hatian,
sebelum menjalankan Lisrel sebaiknya dipersiapkan terlebih dahulu diagram jalur dan matrik yang dibutuhkan.
2.6.3 Uji Kesesuaian dan Uji Statistik
Menurut Schumaker dan Lomax, 1996: 124 – 126 untuk mengetahui apakah model cocok dengan data digunakan kriteria sebagai berikut:
a.
α P
model cocok dengan data Menurut Joreskog dalam Ghozali, 2008: 32, bila nilai P-values for test of
close fit RMSEA 0,05 lebih besar daripada 0,05 maka model dikatakan fit.
b.
GFI
Goodness of Fit Index Goodness of Fit Index
GFI merupakan suatu ukuran mengenai ketepatan model dalam menghasilkan observed matriks kovariansi. Nilai GFI harus berkisar
antara 0 dan 1. Nilai GFI yang lebih besar daripada 0,9 menunjukkan fit suatu model yang baik.
c.
RMSEA
Root Mean Square Error of Approximation Makin kecil kecocokan model dengan data makin baik. Nilai RMSEA
yang kurang daripada 0,05 mengindikasikan adanya model fit Byrne dalam Ghozali, 2008: 32. RMSEA digunakan untuk mengukur penyimpangan nilai
parameter pada suatu model dengan matriks kovarians Brown dan Cudec dalam Ghozali, 2008: 31. Nilai RMSEA yang berkisar antara 0,01 sampai dengan 0,08
menyatakan bahwa model fit yang cukup MacCallum et all dalam Ghozali, 2008: 32.
2.7 Tes IVA Inspeksi Visual Asam Asetat
2.7.1 Sejarah Tes IVA
Beberapa negara maju telah berhasil menekan jumlah kasus kanker serviks, baik jumlah maupun stadiumnya. Pencapaian tersebut terutama berkat
adanya program skrining massal antara lain dengan Tes Pap. Pemeriksaan IVA diperkenalkan oleh Hinselman pada tahun 1925. Organisasi Kesehatan Dunia
WHO meneliti IVA di India, Muangthai, dan Zimbabwe. Ternyata efektivitasnya tidak lebih rendah daripada tes Pap. Namun di Indonesia kebijakan penerapan
program skrining kanker serviks kiranya masih tersangkut dengan banyak kendala, antara lain luasnya wilayah dan juga kurangnya sumber daya manusia
sebagai pelaku skrining, khususnya kurangnya tenaga ahli patologi anatomiksistologi dan stafnya, teknisi sitologiskriner. Pengobatan kanker serviks
pada stadium lebih dini, hasilnya lebih baik dan mortalitas akan menurun. Hingga sekarang IVA sedang dikembangkan dengan melatih tenaga kesehatan, termasuk
bidan Delima, 2011.
2.7.2 Pengertian Tes IVA
Tes IVA adalah metode pemeriksaan dengan mengoles serviks atau leher rahim dengan asam asetat kemudian diamati apakah ada kelainan seperti area
berwarna putih. Jika tidak ada perubahan warna, maka dapat dianggap tidak ada infeksi pada serviks Kartikawati, 2013.
2.7.3 Tujuan Tes IVA
Untuk melihat adanya sel yang mengalami displasia sebagai salah satu metode skrining kanker mulut rahim Rasjidi, 2009.
2.7.4 Kelebihan Tes IVA
Menurut Delima 2011, ada beberapa kelebihan Tes IVA diantaranya sebagai berikut:
1. Mudah, praktis dan sangat mampu dilaksanakan.
2. Sensivitas dan spesifikasitas cukup tinggi.
3. Dapat dilaksanakan oleh tenaga kesehatan bukan dokter ginekologi, dapat
dilakukan oleh bidan di setiap tempat pemeriksaan kesehatan ibu atau dilakukan oleh semua tenaga medis terlatih.
4. Alat-alat yang dibutuhkan dan teknik pemeriksaan sangat sederhana.
5. Metode skrining IVA sesuai untuk pusat pelayanan sederhana.
2.7.5 Kekurangan Tes IVA
Menurut Rahayu 2013, kekurangan Tes IVA adalah sebagai berikut: 1.
Spesifisitas lebih rendah dari tes Pap positif palsu lebih tinggi. 2.
Angka hasil tes positif tinggi 10-35. 3.
Nilai Prediksi Positif untuk hasil tes positif rendah 10-30. 4.
Terapi akan berlebihan bila dilakukan skrining dan terapi sekaligus. 5.
Kemampuan yang amat terbatas untuk mendeteksi lesi pada endoserviks.
2.7.6 Kontraindikasi
Menurut Rasjidi 2009, Test IVA tidak direkomendasikan pada wanita pasca menopause dikarenakan daerah zona transional seringkali terletak di kanalis
servikalis sehingga tidak tampak dengan pemeriksaan inspikulo.
2.8 Kerangka Operasional
Gambar 2.7 Kerangka Operasional
2.9 Hipotesis Penelitian