X4 = Kebutuhan X5 = Waktu manuver
Y = Jalur yang efektif
5.2.2.3. Konversi Diagram Jalur kedalam Serangkaian Persamaan Struktural dan Spesifikasi Model Pengukuran
Berdasarkan dari kajian teori diatas, dirubah kedalam persamaan struktural dan spesifikasi model pengukuran. Persamaan struktural dari diagram jalur diatas hanya
menggambarkan satu diagram laten dan 5 indikatornya sehingga persamaan dari setiap indikator dimasukkan menjadi model pengukuran. Dengan demikian persamaan model
pengukuran dapat dibuat seperti: X1 = 1Y + e1…………………………1
X2 = 2Y + e2…………………………2 X3 = 3Y + e3…………………………3
X4 = 4Y + e4…………………………4 X5 = 5Y + e5…………………………5
Untuk model struktural dari pengukuran dapat dibuat seperti: Y = bX1 + bX2 + bX3 + bX4 + BX5……………..6
5.2.2.4. Memilih Input Matriks dan Mendapatkan Model Estimate
Model persamaan struktural mengakomodasi input matriks dalam bentuk covariance atau korelasi. Untuk analisis faktor konfirmatori kedua jenis input matriks
ini dapat digunakan. Namun demikian karena tujuannya adalah mengeksplorasi pola
saling hubungan interrelationship, maka input matriks dalam bentuk korelasi yang digunakan. Program AMOS akan mengkonversikan dari data mentah ke bentuk
kovarian atau korelasi lebih dahulu sebagai input analisis. Untuk data yang akan diinput terlebih dahulu diolah data pada tabel 5.1. dengan rumus:
Waktu Perjalanan = waktu berangkat –waktu tiba x 24 Waktu Perjalanan = 41608 10:00 AM – 41508 8.30 PM x 24 = 36 jam
Waktu bongkar muat=Completed LoadDish–Comenced LoadDisch x24 Waktu bongkar muat = 42108 10:48 AM – 41708 1.30 PM x 24 = 22,3 jam
Waktu bersandar ={Comenced LoadDish– Sbe Ship Arrived x24 + BosvFull Away – Completed LoadDish x24}
Waktu bersandar = {41608 10:00 AM – 41508 8.30 PM x 24 + {41708 1:30 PM – 41708 8.18 AM x 24 }= 12,9 jam
Untuk data jarak dan kebutuhan data tidak perlu diolah dan dapat langsung dimasukkan ke input data AMOS. Untuk keseluruhan pengolahan dapat dilihat pada Tabel 5.7.
Tabel 5.7. Data Tampilan Untuk Pengolahan AMOS NO
X1 X2
X3 X4
X5
1 22.3
36 414.36
2568.25 12.9
2 10.4
93.3 930
2169.4 1.9
3 1.9
28.8 331.49
398.85 1.4
4 13.3
33.2 382.13
2542.22 55
5 6.9
29.9 931
1206.62 1.2
6 7.7
13.5 155.39
1335.61 8.3
7 17.9
29 333.79
2594.7 14.2
8 9.7
81 932
2594.7 36.8
9 26.5
69.3 797.64
2599.55 22.1
10 9.6
31 356.81
2363.67 8.1
11 1.7
14.3 933
235.88 1
12 18.8
38 437.38
2574.75 11.55
13 16.5
37.5 431.63
1806.42 1.58
14 6.3
21.9 934
768.33 2.8
15 4.5
29.3 337.24
2600.69 3.5
16 8.5
87.5 1007.12
1152.61 3.2
Tabel 5.7. Data Tampilan………………. Lanjutan NO
X1 X2
X3 X4
X5
17 5.5
19 935
507.82 5.8
18 3.5
24 276.24
644.8 12.7
19 16.7
7.5 86.33
2601.53 8.8
20 9.8
58.3 936
1431.21 11.6
21 1.8
31.5 362.57
712.06 13.4
22 4.2
17 195.67
719.16 1.3
23 11.9
29 937
2592.08 22
24 4.3
23.5 270.49
823.52 1.3
25 10.4
23 264.73
1768.56 2.6
26 11
3.2 938
2349.21 2.5
27 7.1
37.5 431.63
1153.46 9.5
28 1.4
15 172.65
340.21 29
7.5 10
115.1 449.43
2.8 30
1.7 24
931 406.11
7.3 31
14 7.3
84.02 2569.88
69.7 47
12.7 10.8
124.31 2435.21
7.1 48
16.4 30.9
937 2611.74
17.7 49
10.1 114
1312.14 2611.74
25.7 50
4.6 80.2
923.1 2589.97
102.3 51
1.4 7
938 323.27
1.33 52
6.1 27.6
317.68 1343.54
7.3 53
4.5 22.5
258.98 923.17
12.7 54
25 266.5
939 2616.5
24.5 55
6 42.6
490.33 1157.18
1.8 56
5.2 35.7
410.91 996.19
1.9 57
3.1 22
253.22 463.14
11.1 58
20.7 6.6
932 2601.43
158.73 59
8 32
368.32 1255.65
7.9 60
3.7 9
103.59 685.06
2.2 61
4.5 16.5
933 660.73
1.5 62
13.8 31.5
362.57 2676.87
7.5 63
11.6 82.2
946.12 2676.87
18.13 64
13.3 79.8
934 2611.69
15.9 65
2.1 23.2
267.03 460.16
6.8 66
17.4 8.5
97.84 1405.41
1.5 67
3 3.8
935 746.12
12.7 68
15.8 40.8
469.61 2620.55
8.9 69
9.1 35.5
408.6 1265.82
1.9 70
8.2 36.5
936 504.94
2.1 71
3.9 24
276.24 849.8
1.1 72
13.2 7.5
86.33 2556.34
5.6 73
8.7 108
937 2556.34
13.6 74
15.2 80.5
926.55 2531.8
4.3 75
7.2 58.5
673.34 1635.16
3 76
8.7 9.4
938 896.64
2.7
Tabel 5.7. Data Tampilan………….. Lanjutan NO
X1 X2
X3 X4
X5
77 17.6
8.3 95.53
2599.8 52.7
78 13.6
42.5 489.18
2076.3 2.6
79 2.1
14.9 939
523.51 25
80 11.1
46.5 535.22
2648.66 2.5
81 4.9
23 264.73
1065.22 2.3
82 4.5
32 940
659.25 6
83 4.9
17.5 201.42
924.19 10.9
84 25.6
38 437.38
2554.95 22.6
85 9.53
84 966.84
2554.95 12
86 16.8
92.8 933
2572.73 133.4
87 3.7
23.5 270.49
796.68 1.5
88 7.17
23.7 272.79
1480.52 11.4
89 1.3
45 934
295.53 10.5
90 13.1
36 414.36
2559.18 95.3
91 9.3
84 966.84
2559.18 8.3
92 12
80.9 935
2534.58 15.6
93 4
33 379.83
461.44 14.1
94 3.6
23 264.73
653.07 12.5
95 5.7
10.5 936
961.45 4.4
96 4.3
17.3 199.12
458.61 8.1
97 17.5
29.5 339.55
2498.67 12
98 8.9
42.5 937
1055.9 4.9
99 2.4
16 184.16
657.05 17.7
100 4.9
9.4 108.19
785.72 9.1
101 14.1
22.8 938
2615.6 16.9
102 9
84 966.84
2615.6 16.7
103 12.9
81.2 934.61
2565.3 17.4
104 4.1
30.5 939
601.79 13.8
105 3.7
37 425.87
753.83 2.3
106 7.4
35.5 408.6
1209.67 2.7
107 11.5
40.5 940
2531.83 23.2
108 6.2
33 379.83
1405.34 15.8
109 2.8
10.8 124.31
531.73 14.7
110 4
23 941
594.77 1.9
111 12
31.9 367.17
2556.89 40
112 8.9
84 966.84
2556.89 15.3
Kemudian untuk estimasi dipilih estimasi Maximum Likelihood ML untuk mengestimasi data yang sudah di input. Setelah estimasi dipilih, kemudian dapat
dilanjutkan ke langkah selanjutnya.
5.2.2.5. Menilai Problem Identifikasi
