BAB II TINJAUAN PUSTAKA. bagaimana variabel-variabel terukur (indikator-indikator) yang baik dalam

ADLN - Perpustakaan Universitas Airlangga

6

BAB II TINJAUAN PUSTAKA

2.1. Confirmatory Factor Analysis Menurut Hair et al (2010), Confirmatory Factor Analysis (CFA) adalah bagian dari SEM ( Structural Equation Modeling) yang berguna untuk menguji bagaimana variabel-variabel terukur (indikator-indikator) yang baik dalam menggambarkan atau mewakili suatu bilangan dari suatu faktor, dimana dalam CFA faktor dapat disebut juga dengan konstrak. Konstrak merupakan suatu variabel tak terukur yang membutuhkan variable-variabel terukur (indikator) untuk dapat menggambarkan konstrak tersebut. Selain itu CFA juga digunakan untuk menguji penegasandari teori pengukuran. Teori pengukuran digunakan untuk menentukan bagaimana variabel-variabel terukur,dapat menggambarkan secara logis dan sistematik suatu konstrak yang ditampilkan dalam suatu model. Berikut ini contoh diagram jalur untuk CFA sederhana berdasarkan teori pengukuran dari dua konstrak, yaitu Supervisor Support dan Work Environment :

Gambar 2.1.1 Diagram jalur CFA

Skripsi

Analisis Pengaruh Faktor-Faktor Pencegahan Diabetes Militus....

Kusuma, Amanda Aulia


7

Dari gambar diatas dapat dijelaskan sebagai berikut: X1 = LX 1 Supervisor Support + e1 X2 = L X 2 Supervisor Support + e2 X3 = L X 3 Supervisor Support + e3 X4 = L X 4 Supervisor Support + e4 X5 = L X 5 Work Environment + e5 X6 = L X 6 Work Environment + e6 X7 = L X 7 Work Environment + e7 X8 = L X 8 Work Environment + e8 Persamaan tersebut memiliki pengertian bahwa Indikator X1, X2, X3, dan X4 mampu menggambarkan Konstrak Supervisor Support masing-masing sebesar

L X 1 , L X 2 , L X 3 , dan L X 4 ; selanjutnya indikator X5, X6, X7, dan X8 mampu menggambarkan Konstrak Work Environment masing-masing sebesar L X 5 , L X 6 , L X 7 , dan L X 8 . Nilai L X 1 , L X 2 , ..., L X 8 merupakan parameter yang mengukur

hubungan antara konstrak dan indikator-indikatornya. Koefisien hubungn antara konstrak dengan indikatornya tersebut dinamakanloading atau unstandardized loading. Menurut Mulaik(2009) persamaan pengukuran secara umum untuk Confirmatory Factor Analysis (CFA) dirumuskansebagai berikut: X = Λξ + Ψ ε

Skripsi




8

dengan Xmatriks (p x 1) dari indikator, ξ matrik (gx 1) dari variabelkonstrak, εmatrik (p x 1) dari eror, Λmatriks (p x g) dari loading diantara indikator dan konstrak,Ψ adalah matriks diagonal (p x p) dari loading diantara indiktor dan error, p banyaknya indikator, dan g banyaknya konstrak. Untuk mempermudah pembahasan, diasumsikan bahwa E[ξε] = 0 dan E[εε’] = I (matriks identitas). Misalkan diberikan hubungan pengukuran dengan 3 konstrak dan 9 indikator yang digambarkan melalui diagram jalur berdasarkan teori pengukuran sebagai berikut:

1 2

3 4

5

6 7

8

9

 11  22

 33  44

 55  66

 77  88

 99

X1 X2

11

21

X3

31

X4

42

X5

52

X6

62

X7

73

X8

X9

83

1

12   2 1 2

23  3 2

13  31

3

93

Gambar 2.2 Diagram jalur First Order Confirmatory Factor

Skripsi




9

Model pengukuran ini diekspresikan oleh persamaan pengukuran:

X 1  11 1   11 1 X 2   21 1   22  2 X 3  31 1   33 3

12   21 13  31  23  32

X 4   42  2   44  4 X 5  52  2   55  5

dengan

X 6  62  2   66  6 X 7  73  3   77  7 X 8  83  3   88  8 X 9  93  3   99  9

dengan Xi indikator ke-i, ij loading pada indikator ke-i dan konstrak ke-j,  ii loading pada indikator ke-i dan error ke-i,  i error ke-i,  j konstrak ke-j, dan  ij kovarian antara konstrak ke-i dan konstrak ke-j dengan i  1,2,..., 9 dan j  1,2,3 . Persamaan pengukuran tersebut memiliki bentuk matriks sebagai berikut: X = Λξ + Ψ ε

 X1  X   2 X3    X 4  X = X5    X 6  X   7 X8  X   9

Skripsi

 11   21 31  0 Λ=  0  0 0  0 0 

0 0 0

 42 52 62 0 0 0

0 0 0 0 0 0

         73   83  93 

 1    ξ =  2   3 




10

0 0 0 0 0 0 0   1 1 0  0  0 0 0 0 0 0 0  22   0 0  33 0 0 0 0 0 0    0 0  44 0 0 0 0 0   0 0 0 0  55 0 0 0 0  Ψ=  0   0 0 0 0  66 0 0 0   0  0 0 0 0 0 0  77 0 0    0 0 0 0 0 0  88 0   0  0 0 0 0 0 0 0 0  9 9  

 1     2  3     4  ε =  5     6     7  8     9

 1 1 2 1 3  Φξξ   2 1 1  2 3  3 1 3 2 1  Jika Ψ diasumsikan bernilai I (matriks identitas), maka persamaan pengukuran sebagai berikut. X = Λξ + I ε atau X = Λξ + dengan

merupakan matriks diagonal (p x p) dari error dan disebut juga error

pengukuran (measurement error). Contoh hubungan pengukuran dengan 3 konstrak dan 9 indikator yang digambarkan

sebelumnya, diekspresikan oleh

persamaan pengukuran berikut:

Skripsi




X1 = l11 x1 + e11 X 2 = l21 x1 + e 22 X3 = l31 x1 + e33 X 4 = l42 x 2 + e 44 X 5 = l52 x 2 + e 55 X 6 = l62 x 2 + e 66

11

12   21 13  31  23  32

dengan

X 7 = l73 x 3 + e 77 X8 = l83 x 3 + e88 X 9 = l93 x 3 + e 99 dengan  ii adalah kesalahan pengukuran pada indikator ke-i dengan i  1,2,..., 9 . Persamaan pengukuran tersebut memiliki bentuk matriks sebagai berikut. X = Λξ +

é ê ê ê ê ê ê =ê ê ê ê ê ê ê ë

2.2

e11

0

0

0

0

0

0

0

0

e 22

0

0

0

0

0

0

0

0

e33

0

0

0

0

0

0

0

0

e 44

0

0

0

0

0

0

0

0

e 55

0

0

0

0

0

0

0

0

e 66

0

0

0

0

0

0

0

0

e 77

0

0

0

0

0

0

0

0

e88

0

0

0

0

0

0

0

0

0 ù ú 0 ú ú 0 ú 0 ú ú 0 ú. 0 ú ú 0 ú ú 0 ú e 99 úû

Second Order Confirmation Factor Pada bahasan sebelumnya dijelaskan tentang CFA untuk First Order

Confirmation Factor (FOCF) yang mana setiap konstrak dapat langsung diukur oleh indikator-indikatornya. Kondisi FOCF tidak berlaku untuk beberapa konstrak

Skripsi




12

yang lain, seperti konstrak etos kerja yang memiliki dimensi konstrak yaitu konstrak kerja keras, konstrak kerja cerdas, dan konstrak kerja ikhlas. Pada kasus tersebut digunakan CFA dengan Second Order Confirmation Factor (SOCF). Dengan kata lain, menurut Hair et al (2010), SOCF merupakan CFA dari konstrak yang memiliki beberapa dimensi konstrak yang diukur oleh indikatorindikatornya. Persamaan pengukuran secara umum untuk analisis faktor konfirmatori untuk secondorderconfirmation factor dirumuskan dengan perluasan sebagai berikut. X = Λξ + Ψ ε degan ξ = Γ ξ* dengan Xmatriks (p x 1) dari indikator, ξ matrik (g x 1) dari variabel dimensi konstrak, ξ* matrik (g x 1) dari variabel konstrak, ε matrik (p x 1) dari variabel error, Λmatriks (p x g) dari loading diantara indikator dan dimensi konstrak, Γmatriks (p x g) dari loading diantara dimensi konstrak dan konstrak,Ψ matriks diagonal (p x p) dari loading diantara indiktor dan error, pbanyaknya indikator, dan gbanyaknya konstrak. Misalkan diberikan hubungan pengukuran dengan 1 konstrak, 3 dimensi konstrak, dan 9 indikator yang digambarkan melalui diagram jalur berdasarkan teori pengukuran sebagai berikut:

Skripsi




1 2

3 4

5 6 7

8 9

 11  22

 33  44

 55

 66  77

 88  99

X1 X2

11

21

1

X3

31

X4

42

X5

52

62

X7

73

X9

83

 11

2

X6

X8

13

 21

1*

 31 3

93

Gambar 2.3 Diagram jalur Second Order Confirmatory Factor

Model pengukuran ini diekspresikan oleh persamaan pengukuran:

X 1  11 1  11 1 X 2  21 1  22 2 X 3  31 1  33 3

1   111*

X 4  42  2  44 4 X 5  52  2  55 5

dengan

X 6  62  2  66 6

 2   211*  3   311*

X 7  73  3  77 7 X 8  83  3  88 8 X 9  93  3  99 9

dengan Xi indikator ke-i, ij loading pada indikator ke-i dan konstrak ke-j,  ii loading pada indikator ke-i dan error ke-i,  i error ke-i,  j konstrak ke-j, dan  ij kovarian antara konstrak ke-i dan konstrak ke-j dengan i  1,2,..., 9 dan j  1,2,3 . Persamaan pengukuran tersebut memiliki bentuk matriks sebagai berikut. X = Λξ + Ψ ε

Skripsi




14

ξ = Γ ξ*

 X1  X   2 X3   X4 X = X5   X6 X   7 X8  X   9

 11 0   21 0 31 0   0 42 Λ =  0 52   0 62 0 0  0 0 0 0 

1     2  3     4  ε =  5  Ψ =    6     7  8     9

0 0 0 0 0 0

         73   83  93 

 1  ξ =  2     3 

ξ* = [1* ]

0 0 0 0 0 0 0   1 1 0  0  0 0 0 0 0 0 0  22   0 0  33 0 0 0 0 0 0    0 0  44 0 0 0 0 0   0  0 0 0 0  55 0 0 0 0    0 0 0 0  66 0 0 0   0  0 0 0 0 0 0  77 0 0    0 0 0 0 0 0  88 0   0  0 0 0 0 0 0 0 0  9 9  

Jika Ψ diasumsikan bernilai I (matriks identitas), maka persamaan pengukuran sebagai berikut: X = Λξ + I ε ξ = Γ ξ* atau X = Λξ +

Skripsi




15

ξ = Γ ξ* dengan merupakan matriks diagonal (p x p) dari error dan disebut juga error pengukuran (measurement error). Contoh hubungan pengukuran dengan 1 konstrak, 3 dimensi konstrak, dan 9 indikator yang digambarkan sebelumnya, diekspresikan oleh persamaan pengukuran berikut:

X1 = l11 x1 + e11 X 2 = l21 x1 + e 22 X3 = l31 x1 + e33

1   111*

X 4 = l42 x 2 + e 44 X 5 = l52 x 2 + e 55 X 6 = l62 x 2 + e 66

 2   211*

dengan

 3   311*

X 7 = l73 x 3 + e 77 X8 = l83 x 3 + e88 X 9 = l93 x 3 + e 99

dengan  ii adalah kesalahan pengukuran pada indikator ke-i dengan i  1,2,..., 9 . Persamaan pengukuran tersebut memiliki bentuk matriks sebagai berikut: X = Λξ + έ , dengan ξ = Γ ξ*

é ê ê ê ê ê ê =ê ê ê ê ê ê ê ë

Skripsi

e11

0

0

0

0

0

0

0

0

e 22

0

0

0

0

0

0

0

0

e33

0

0

0

0

0

0

0

0

e 44

0

0

0

0

0

0

0

0

e 55

0

0

0

0

0

0

0

0

e 66

0

0

0

0

0

0

0

0

e 77

0

0

0

0

0

0

0

0

e88

0

0

0

0

0

0

0

0

0 ù ú 0 ú ú 0 ú 0 ú ú 0 ú. 0 ú ú 0 ú ú 0 ú e 99 úû




16

Joreskog dan Sorbom (1996) menganjurkan untuk menggunakan data ordinal (skala Likert) untuk diperlakukan sebagai data ordinal . Jika data tergolong ordinal, kategorik, atau campuran, maka metode Diagonally Weighted Least Squares (DWLS) untuk Polychoric correlation matrices direkomendasikan sebagai metode estimasi model. metode ini membutuhkan sebuah estimasi asymptotic covariance matrix dari korelasi sampel. 2.3

Uji Kecocokan Model Menurut Hair et al. (2010), CFA tidak mempunyai uji statistik tunggal

terbaik yang dapat menjelaskan kekuatan dalam mengestimasi sebuah model. Sebagai gantinya, telah dikembangkan beberapa kombinasi ukuran kecocokan model yang menghasilkan 2 perspektif, yaitu ukuran kecocokan model pengukuran dan ukuran kecocokan keseluruhan model, yaitu: 1. kecocokan model pengukuran, meliputi. 1) validitas konstrak, menggambarkan keakuratan dari kumpulan item-item terukur yang menggambarkan konstraksecara teoritis. Indikator dari validitas digambarkan melalui: 1. Nilai t-value semua unstandardized loading signifikan (t-value > tα/2(df)). Karena n > 30 , tα/2(df) ≈ zα/2 . Untuk α = 0,05 , zα/2 = 1,96 . 2. Nilai standardized loading yang seharusnya lebih besar dari 0,5 dan idealnya lebih besar dari 0,7 .

Skripsi




17

3. Nilai averagevariance extracted (AVE) adalah rata-rata dari variance extracted yang merupakan kuadrat dari standardized loading dari setiap indikator yang menjelaskan konstrak. AVE dirumuskan sebagai. 1 n 2 AVE   Li n i 1

denganLi adalah standardized loading dan n adalah banyaknya standardized loading.Menurut Hair et al (2010) Nilai AVE yang signifikan harus lebih besar dari 0,5. 2) Reliabilitas konstrak, atau construct reliability (CR) merupakan ukuran reliabilitas

dan

konsistensi

secara

internal

dari

variabel-variabel

menggambarkan suatu konstrak laten. CR dirumuskan sebagai.

CR 

 n    Li   i 1  2

2

n  n    Li    ei i 1  i 1 



 n    Li   i 1 

2

2

n  n    Li    (1  Li ) i 1  i 1 

dengan Li adalah nilai standardized loading dan nilai e adalah nilai error pengukuran untuk suatu konstrak yang bernilai 1 – L . Menurut Hair et al (2010) Nilai CR harus lebih besar dari 0,7 . 2. Kecocokan keseluruhan model, yaitu ukuran kecocokan mutlak, ukuran kecocokan incremental, dan ukuran kecocokan parsimoni yang ditunjukkan pada tabel berikut:

Skripsi




18

1) Ukuran kecocokan mutlak (absolute fit measures), merupakan ukuran goodness-of-fit dan badness-of-fit keseluruhan untuk keseluruhan model meliputi: a.

Uji Kecocokan Chi-Square Joreskog dan Sorbom (1996) mendeskripsikan bahwa uji kecocokan chi-squaredidasari oleh generalisasi statistik LR untuk pengetesan hipotesis gabungan dengan banyak parameter.

b. Goodnees-Of-Fit Index (GFI) Ukuran GFI pada dasarnya merupakan ukuran kemampuan suatu model menerangkan keragaman data. Nilia GFI berkisar antara 0 – 1. Sebenarnya, tidak ada kriteria standar tentang batas nilai GFI yang baik. Namun bisa disimpulkan, model yang baik adalah model yang memiliki nilai GFI mendekati 1.. c. Root Mean Square Error (RMSR) d. Root Mean Square Error Of Approximation (RMSEA) RMSEA merupakan ukuran rata-rata perbedaan per degree of freedom yang diharapkan dalam populasi. Nilai RMSEA < 0,08 adalah good fit, sedangkan Nilai RMSEA < 0,05 adalah close fit. e. Expected Cross-Validation Index (ECVI) f. Non-Centrality Parameter (NCP) 2) Ukuran kecocokan incremental (incremental/relative fit measures), merupakan kumpulan dari ukuran goodness-of-fit yang menaksirkan

Skripsi




19

bagaimana kebaikan suatu ukuran relatif model tertentu untuk beberapa model alternatif meliputi: a.

Adjusted Goodness-Of-Fit Index (AGFI)

b. Tucker-Lewis Index (TLI) Ukuran TLI disebut juga dengan nonnormed fit index (NNFI). Ukuran ini merupakan ukuran untuk pembandingan antarmodel yang mempertimbangkan banyaknya koefisien di dalam model. TLI  0,9 adalah good fit, sedangkan 0,8  TLI  0,9 adalah marginal fit. c. Normed Fit Index (NFI). Nilai NFI merupakan besarnya ketidakcocokan antara model target dan model dasar. Nilai NFI berkisar antara 0 – 1. NFI  0,9 adalah good fit, sedangkan 0,8  NFI  0,9 adalah marginal fit. d. Incremental Fit Index (IFI) e. Comparative Fit Index (CFI) f. Relative Fit Index (RFI) 3) Ukuran kecocokan parsimoni (parsimonious/adjusted fit measures), yaitu

merupakan

ukuran

goodness-of-fit

keseluruhan

yang

menggambarkan derajat kecocokan model tiap koefisien estimasi (parameter) untuk mengevaluasi parsimoni dari model yang bandingkan meliputi: a. Parsimonious Normed Fit Index (PNFI) b. Parsimonious Goodness-Of-Fit Index (PGFI)

Skripsi




20

c. Akaike Information Criterion (AIC) d. Consistent Akaike Information Criterion (CAIC) e. Criteria N (CN) Ukuran kecocokan keseluruhan model yang dikutip dari Hair et al (2010) ditunjukkan pada tabel berikut: Tabel 2.1Kecocokan Keseluruhan Model

Ukuran Kecocokan Mutlak Chi-Square (χ2) GOF Goodness of Fit Index (GFI) Root Mean Square Residual (RMR) Standardized RMR (SRMR) Root Mean Square Error of Approximation (RMSEA) Estimated Non-centrality Parameter (NCP) Expected Cross-Validation Index (ECVI) Ukuran Kecocokan Incremental Adjusted Goodness of Fit Index (AGFI) Normed Fit Index (NFI) Non-Normed Fit Index (NNFI) Comparative Fit Index (CFI) Incremental Fit Index (IFI) Relative Fit Index (RFI) Ukuran Kecocokan Parsimoni Parsimony Goodness of Fit Index (PGFI) Parsimony Normed Fit Index (PNFI) AIC model CAIC model Critical N (CN)

2.4

Persyaratan Model yang Baik P-value ≥ 0,05 GFI ≥ 0,9 RMR < 0,05 SRMR < 0,05 RMSEA < 0,08 Semakin kecik semakin baik Semakin kecik semakin baik Persyaratan Model yang Baik AGFI ≥ 0,8 NFI ≥ 0,8 NNFI ≥ 0,8 CFI ≥ 0,8 IFI ≥ 0,8 RFI ≥ 0,8 Persyaratan Model yang Baik Semakin tinggi lebih baik Semakin tinggi lebih baik Positif kecil lebih baik Positif kecil lebih baik CN > 200

Ukuran Sampel Penelitian

Narimawati dan Munandar (2008) menyajikan suatu ukuran sampel untuk populasi sebagai berikut:

Skripsi




21

1. Jika populasi sangat besar (jumlah tidak diketahui), maka ukuran sampel dirumuskan untuk. a. variabel-variabel dikotomi n0 

z2 pq e2

q  1 p

b. variabel-variabel kontinu atau polikotomi n0 

z2 2 e2

keterangan: n0 = ukuran sampel untuk populasi yang tidak diketahui.

p = proporsi yang diestimasi suatu atribut yang ada dalam suatu populasi.

 2 = varians suatu atribut dalam suatu populasi. z = nilai kuantil pada distribusi normal standar pada taraf signifikan 

atau selang kepercayaan (1   )100 % .

e = tingkat presisi (ketepatan) yang disebut juga sebagai kesalahan pengambilan sampel (sampling error). Nilai e merupakan jangkauan dimana nilai populasi yang tepat diperkirakan dan diekspresikan dalam prosentase. Misalkan ditentukan e  1% ketika peneliti mengambil sampel dengan proporsi 50%. Hal ini memberikan

Skripsi




22

rekomendasi bagi peneliti dengan tingkat ketepatan sebesar  1% yang dapat menyimpulkan bahwa sampel yang diambil terletak antara 49% dan 51%. 2. Jika populasi kecil (jumlah diketahui), maka ukuran sampel dirumuskan sebagai.

n

n0 (n  1) 1 0 N

keterangan: n0 = ukuran sampel untuk populasi yang tidak diketahui

n = ukuran sampel untuk populasi yang diketahui

N = ukuran populasi yang diketahui 3. Jika populasi kecil (jumlah diketahui) untuk proporsi 50% dan selang kepercayaan 95%, maka ukuran sampel dihitung dengan rumus Yamane sebagai berikut. n

N 1  N (e) 2

keterangan:

n = ukuran sampel untuk populasi yang diketahui

N = ukuran populasi yang diketahui

e = tingkat presisi (ketepatan)

Skripsi




23

Hair et al. (2010) menjabarkan bahwa ukuran sampel minimal yang digunakan berdasarkan model secara kompleks dan karakteristik dasar model pengukuran sebagai berikut: 1. ukuran sampel minimal 100 : model berisi maksimal 5 konstrak yang setiap konstraknya

memiliki minimal 3 item (variabel terobservasi) dengan

hubungan yang tinggi (standardized loading ≥ 0,6). 2. ukuran sampel minimal 150 : model berisi maksimal 7 konstrak dengan setiap konstraknya memiliki hubungan yang sedang (standardized loading ≥ 0,5). 3. ukuran sampel minimal 300 : model berisi maksimal 7 konstrak dengan setiap konstraknya memiliki hubungan yang rendah (standardized loading ≥ 0,45). 4. ukuran sampel minimum500 : model berisi banyak konstrak yang setiap itemnya memiliki hubungan yang rendah (standardized loading ≥ 0,45), dan/atau setiap konstraknya memiliki minimum 3 variabel terukur (item).

2.5

Diabetes Militus Diabetes Militus adalah kumpulan gejala yang timbul pada seseorang

akibat peningkatan kadar glukosa darah yang disebabkan oleh kekurangan insulin baik absolut maupun relatif (Suyono,dkk 2002). Diabetes Militusmerupakan hyperglikemia kronis yang disebabkan oleh faktor lingkungan dan keturunan secara bersama-sama, hyperglikemia kronis memiliki karakteristik yang tidak dapat disembuhkan tetapi dapat dikontrol.

Skripsi




24

Berdasarkan teori dari Profesor Hembing Wijayakusuma (2003), ada tiga jenis pencegahan Diabetes Militus:

1. Pencegahan primer Tujuannya untuk mencegah terjadinya Diabetes Militus. Untuk itu, faktor-faktor yang dapat menyebabkan Diabetes Militus perlu diperhatikan, baik secara genetik dan lingkungan. Berikut adalah hal-hal yang perlu dilakukan dalam pencegahan primer. a) Pola makan sehar-hari harus seimbang dan tidak berlebihan b) Olahraga secara teratur dan tidak berdiam diri c) Menghindari terjadinya obesitas d) Hindari obat-obatan yang dapat menimbulkan Diabetes Militus (diabetogenik) 2. Pencegahan sekunder Pencegahan sekunder tujuannya adalah mencegah agar penyakit Diabetes Militus yang sudah timbul tidak menimbulkan komplikasi penyakit lain,

menghilangkan gejala, dan keluhan penyakit Diabetes Militus.

Pencegahan sekunder meliputi deteksi dini penderita Diabetes Militus, terutama bagi kelompok yang berisiko tinggi terkena Diabetes Militus.Bagi yang dicurgai terkena Diabetes Militus, perlu diteliti lebih lanjut untuk memperkuat dugaanadanya Diabetes Militus. Berikut hal-hal yang harus dilakukan dalam pencegahan sekunder:

Skripsi




25

a) Diet sehari-hari harus seimbang dan sehat b) Menjaga berat badan dalam batas normal c) Usaha pengendalian gula darah agar tidak terjadi komplikasi Diabetes Militus d) Olahraga teratur sesuai dengan kemampuan fisik dan umur. 3. Pencegahan tersier Pencegahan tersier bertujuan untuk mencegah kecacatan lebih lanjut dari komplikasi yang sudah terjadi. Berikut pencegahan yang dimaksud: a) Mencegah terjadinya kebutaan jika menyerang pembuluh darah mata b) Mencegah gagal ginjal kronik jika menyerang pembuluh darah ginjal c) Mencegah stroke jika menyerang pembuluh darah otak d) Mencegah terjadinya gangren jika terjadi luka Oleh karena itu, diperlukan pemeriksaan yang rutin dan berkalaterhadap bagian organ tubuh yang rentan terhadap komplikasi dan kecacatan. Berdasarkan fokus penelitian, jenis pencegahan yang akan digunakan adalah pencegahan primer karena pencegahan primer adalah pencegahan yang dilakukan sebelum terjadinya Diabetes Militus. Sehingga kita dapat melakukan pencegahan Diabetus Militus sejak dini. Dari faktor-faktor pencegahan primer Diabetus Militus, maka indikator yang perlu diperhatikan adalah:

Skripsi




26

a) Pola makan sehari-hari harus seimbang dan tidak berlebihan, dengan indikator: 1. Diet karbohidrat 2. Diet makanan berserat 3. Diet gula b) Olahraga secara teratur dan tidak berdiam diri, dengan indikator 1. Olahraga Ringan 2. Olahraga Berat c)

Tidak mengalami obesitas, dengan indikator: 1. Berat badan ideal 2. Lingkar pinggang normal

d)

Hindari

obat-obatan

yang

dapat

menimbulkan

Diabetes

Militus

(diabetogenik), dengan indikator: 1. Tidak mengkonsumsi obat hypertensi 2. Tidak mengkonsumsi obat golongan kortikosteroid 3. Tidak mengkonsumsiobat anti kolesterol

Skripsi




2.6

27

Software Lisrel Perkembagan teknologi analisis saat ini telah banyak bermunculan. Salah

satu program yang banyak digunakan adalah program Lisrel. Program Lisrel (Linear Structural Relationship) awalnya dikembangkan oleh Karl G. Joreskog bersama dengan Dag Sorbom (1996) dari Universitas Uppsala Swedia. Program ini dirancang untuk menganalisis structural equation modeling (SEM), multilevel structural equation modeling, multilevel linear and non linear modeling serta validitas dan reliabilitas instrumen. Untuk memperoleh output dalam format / program lisrel, ada beberapa pilihan perintah, antara lain: SS = Print standardized solution SC = Print completly standardized solution EF = Print total and indirect effects, their standard error and t-value VA = Print variance and covariance MR = Equivalent to RS and VA FS = Print factor score regression PC = Print correlations of parameter estimate PT = Print technical information

Skripsi




28

Secara umum, bentuk badan pemrograman untuk program simplis (yang selanjutnya akan dipergunakan dalam membuat pemrograman) adalah sebagai berikut: [Title] .......................................................................................... Observed variable (from file name ................) Covariance matrix (from file name ..................) Laten variable ......................... Sample siza = ... Relationships ........................................................................................................ Method = WLS Number of decimals = 3 Lisrel output: SS SC EF Path diagram End of program

Skripsi



BAB II TINJAUAN PUSTAKA. bagaimana variabel-variabel terukur (indikator-indikator) yang baik dalam

Recommend Documents