BAB II TINJAUAN PUSTAKA 2.1 Analisis Jalur 2.1.1 Sejarah Analisis Jalur Path Analysis atau analisis jalur dikembangkan oleh Sewal Wright tahun 1934. Bohrnstedt mengartikan analisis jalur sebagai “a technique for estimating the effect’s a set of independent variables has on a dependent variable from a set of observed correlations, given a set of hypothesized causal asymetric relatin among the variables” (Riduan dan Kuncoro 2011 dikutip oleh Sunjoyo dkk, 2013). Analisis jalur ini merupakan perluasan atau kepanjangan dari regresi berganda yang digunakan untuk menaksir hubungan kausalitas (sebab-akibat) antar variabel yang telah ditetapkan sebelumnya, serta menguji besarnya sumbangan atau kontribusi masing-masing variabel eksogen terhadap variabel endogen (Ghozali 2006, Riduan dan Kuncoro 2011 dikutip oleh Sunjoyo dkk, 2013). Dalam pengujian hubungan kausal tersebut yang didasarkan pada teori yang memang menyatakan bahwa variabel yang dikaji memiliki hubungan secara kausal. Analisis jalur bukan ditujukan untuk menurunkan teori kausal, melainkan dalam penggunaannya harus didasarkan pada teori yang menyatakan bahwa hubungan antar variabel tersebut bersifat kausal. Dengan demikian, kuat lemahnya teori yang digunakan dalam menggambarkan hubungan kausal tersebut menentukan dalam penyusunan diagram jalur dan mempengaruhi hasil dari analisis serta pengimplementasian secara keilmuan (Widiyanto, 2013).
2.1.2 Pengertian Analisis Jalur Menurut Pedhazur dalam Kerlinger (1983) dikutip oleh Widiyanto (2013), analisis jalur merupakan suatu bentuk terapan dari analisis multiregresi. Dalam analisis ini digunakan diagram jalur untuk membantu konseptualisasi masalah atau menguji hipotesis yang kompleks dan juga untuk mengetahui pengaruh langsung dan tidak langsung dari variabel-variabel bebas terhadap variabel terikat. Analisis jalur ialah suatu tehnik untuk menganalisis hubungan sebab akibat yang terjadi pada regresi berganda jika variabel bebasnya mempengaruhi variabel tergantung tidak hanya secara langsung, tetapi juga secara tidak langsung (Robert D. Rutherford 1993 dikutip oleh Sarwono, 2007). Defenisi lain mengatakan “Analisis jalur merupakan pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikasi (significance) hubungan sebab akibat hipotetikal dalam seperangkat variabel” (Paul Webley 1997 dikutip oleh Sarwono, 2007). David Garson dari North Carolina State University mendefenisikan analisis jalur sebagai model perluasan regresi yang digunakan untuk menguji keselarasan matriks korelasi dengan dua atau lebih model hubungan sebab akibat yang dibandingkan oleh peneliti. Modelnya digambarkan dalam bentuk gambar lingkaran dan panah dimana anak panah tunggal menunjukkan sebagai penyebab. Regresi dikenakan pada masing-masing variabel dalam suatu model sebagai variabel tergantung (pemberi respons) sedang yang lain sebagai penyebab. Pembobotan regresi diprediksikan dalam suatu model yang dibandingkan dengan
matriks korelasi yang diobservasi untuk semua variabel dan dilakukan juga penghitungan uji keselarasan statistik (David Garson 2003 dikutip oleh Sarwono, 2007). 2.1.3 Manfaat Analisis Jalur Menurut Saparina (2013), ada beberapa manfaat analisis jalur diantaranya adalah: 1.
Sebagai penjelas terhadap fenomena yang dipelajari atau permasalahan yang diteliti.
2.
Untuk prediksi nilai variabel endogenous (Y) berdasarkan nilai variabel eksogenous (X).
3.
Sebagai faktor determinan yaitu penentuan variabel eksogenous (X) mana yang berpengaruh dominan terhadap variabel endogenous (Y), juga untuk menelusuri mekanisme (jalur-jalur) pengaruh variabel eksogenous (X) terhadap variabel endogenous (Y).
4.
Pengujian model, menggunakan theory triming, baik untuk uji reabilitas konsep yang sudah ada ataupun uji pengembang konsep baru.
2.1.4 Asumsi dalam Analisis Jalur Asumsi yang melandasi analisis jalur diantaranya adalah (Solimun 2002, Riduan dan Kuncoro 2011 dikutip oleh Sunjoyo dkk, 2013): 1.
Hubungan antar variabel haruslah linear dan aditif.
2.
Ukuran sampel yang memadai sebaiknya diatas 100.
3.
Pola hubungan antara variabel adalah rekursif (satu arah).
4.
Data berskala interval.
2.1.5 Istilah-istilah dasar dalam Analisis Jalur Menurut Sarwono (2007), ada beberapa istilah yang digunakan dalam analisis jalur yaitu sebagai berikut: 1.
Model Jalur Adalah suatu diagram yang menghubungkan antara variabel bebas, perantara dan tergantung. Pola hubungannya menggunakan anak panah. Anak panah tunggal menunjukkan hubungan sebab-akibat antara variabel exogenous dengan satu variabel tergantung atau lebih. Anak panah-anak panah juga menghubungkan kesalahan (variabel residue) dengan semua variabel endogenous masing-masing. Anak panah ganda menunjukkan korelasi antara pasangan variabel-variabel exogenous.
2.
Jalur penyebab untuk suatu variabel yang diberikan Meliputi pertama, jalur-jalur arah dari anak panah menuju ke variabel tersebut dan kedua, jalur-jalur korelasi dari semua variabel endogenous yang dikorelasikan dengan variabel-variabel lain yang mempunyai anak panahanak panah menuju ke variabel yang sudah ada tersebut.
3.
Variabel exogenous Adalah semua variabel yang tidak ada penyebab–penyebab eksplisitnya atau dalam diagram tidak ada anak-anak panah yang menuju ke arahnya, selain pada bagian kesalahan pengukuran. Jika antara variabel ini dikorelasikan maka korelasi ditunjukkan dengan anak panah berkepala dua yang menghubungkan variabel-variabel tersebut. Variabel ini disebut pula independen variabel.
4.
Variabel endogenous Adalah variabel yang mempunyai anak panah-anak panah menuju ke arahnya. Variabel yang termasuk di dalamnya mencakup semua variabel perantara dan tergantung. Variabel perantara endogenous mempunyai anak panah yang menuju ke arahnya dan dari arah variabel tersebut dalam suatu model. Adapun variabel tergantung hanya mempunyai anak panah yang menuju ke arahnya. Variabel ini disebut pula dependen variabel.
5.
Koefisien jalur atau pembobotan jalur Adalah koefisien regresi standar atau disebut ‘beta’ yang menunjukkan pengaruh langsung dari suatu variabel bebas terhadap variabel tergantung dalam suatu model tertentu.
6.
Variabel-variabel exogenous yang dikorelasikan Jika semua variabel exogenous dikorelasikan maka sebagai penanda hubungannya ialah anak panah dengan dua kepala yang dihubungkan di antara variabel-variabel dengan koefisien korelasinya.
7.
Istilah gangguan Gangguan atau residue
mencerminkan adanya varian yang tidak dapat
diterangkan atau pengaruh dari semua variabel yang tidak terukur ditambah dengan kesalahan pengukuran. 8.
Dekomposisi pengaruh Koefisien-koefisien jalur dapat digunakan untuk mengurai korelasi-korelasi dalam suatu model ke dalam pengaruh langsung dan tidak langsung yang
berhubungan dengan jalur langsung dan tidak langsung yang direfleksikan dengan anak panah-anak panah dalam suatu model tertentu. 9.
Model Recursive Model penyebab mempunyai satu arah dan tidak ada pengaruh sebab akibat (reciprocal). Dalam model ini, satu variabel tidak dapat berfungsi sebagai penyebab dan akibat dalam waktu yang bersamaan.
10. Model Non-Recursive Model penyebab mempunyai arah yang membalik (feed back loop) dan ada pengaruh sebab akibat (reciprocal). 2.1.6 Model Analisis Jalur Beberapa istilah dan defenisi dalam analisis jalur. (1) Dalam Analisis Jalur, kita hanya menggunakan sebuah lambung variabel, yaitu X. Untuk membedakan X yang satu dengan X yang lainnya, kita menggunakan subscript (indeks). Contoh: X1, X2, X3, ..... , Xk. (2) Kita membedakan dua jenis variabel, yaitu variabel variabel yang menjadi pengaruh (exogenous variable), dan variabel yang dipengaruhi (endogenous variable). (3) Lambang hubungan langsung dari eksogen ke endogen adalah panah bermata satu, yang bersifat recursive atau arah hubungan yang tidak berbalik/satu arah. (4) Diagram jalur merupakan diagram atau gambar yang mensyaratkan hubungan terstruktur antar variabel (Harun Al Rasyid, 2005). Ada beberapa model yang dapat digunakan,mulai dari yang paling sederhana sampai dengan yang lebih rumit, diantaranya:
a.
Analisis Jalur Model Trimming Model Trimming adalah model yang digunakan untuk memperbaiki suatu model struktur analisis jalur dengan cara mengeluarkan dari model variabel eksogen yang koefisien jalur diuji secara keseluruhan apabila ternyata ada variabel yang tidak signifikan. Walaupun ada satu, dua, atau lebih variabel yang tidak signifikan, perlu memperbaiki model struktur analisis jalur yang telah dihipotesiskan.
b.
Analisis Jalur Model Dekomposisi Model dekomposisi adalah model yang menekankan pada pengaruh yang bersifat kausalitas antar variabel, baik pengaruh langsung ataupun tidak langsung dalam kerangka analisis jalur, sedangkan hubungan yang sifatnya nonkausalitas atau hubungan korelasional yang terjadi antar variabel eksogen tidak termasuk dalam perhitungan ini. Perhitungan menggunakan analisis jalur dengan menggunakan model dekomposisi pengaruh kausal antar variabel dapat dibedakan menjadi tiga yaitu: 1. Direct causal effects (Pengaruh Kausal Langsung) adalah pengaruh satu variabel eksogen terhadap variabel endogen yang terjadi tanpa melalui variabel endogen lain. 2. Indirect causal effects (Pengaruh Kausal Tidak Langsung) adalah pengaruh satu variabel eksogen terhadap variabel endogen yang terjadi melalui variabel endogen lain terdapat dalam satu model kausalitas yang sedang dianalisis.
3. Total causal effects (Pengaruh Kausal Total) adalah jumlah dari pengaruh kausal langsung dan pengaruh kausal tidak langsung. c.
Model Regresi Berganda Model ini merupakan pengembangan regresi berganda dengan menggunakan dua variabel exogenous, yaitu X1 dan X2 dengan satu variabel endogenous Y. Model ini digambarkan sebagai berikut:
X1
Y
X2
Gambar 2.1 Model Regresi Berganda d.
Model Mediasi Model mediasi atau perantara ialah di mana variabel Y memodifikasi pengaruh variabel X terhadap variabel Z. Model ini digambarkan sebagai berikut:
X
Z
Y
Gambar 2.2 Model Mediasi e.
Model Kombinasi Regresi Berganda dan Mediasi Model ini merupakan kombinasi antara model pertama dan kedua, yaitu variabel X berpengaruh terhadap variabel Z secara langsung dan secara tidak langsung mempengaruhi variabel Z melalui variabel Y. Model digambarkan sebagai berikut:
X
Z
Y Gambar 2.3 Model Kombinasi f.
Model Kompleks Model ini merupakan model yang lebih kompleks, yaitu variabel X1 secara langsung mempengaruhi Y2 dan melalui variabel X2 secara tidak langsung mempengaruhi Y2, sementara variabel Y2 juga dipengaruhi oleh variabel Y1. Model digambarkan sebagai berikut :
X1
X2
Y1
Y2 Gambar 2.4 Model Kompleks
g.
Model Rekursif dan Non Rekursif Model rekursif adalah jika semua anak panah menuju anak panah seperti gambar di bawah ini : P41
1 P31
3 r21
P43
4
P21 P32 P42
2
e2
e3
e4
Gambar 2.5 Model Rekursif Model ini dapat diterangkan sebagai berikut: 1.
Anak panah menuju satu arah, yaitu dari 1 ke 2, 3 dan 4; dari 2 ke 3 dan dari 3 menuju 4. Tidak ada arah yang terbalik misalnyadari 4 ke 1.
2.
Hanya terdapat satu variabel exogenous, yaitu 1 dan 3 variabel endogenous yaitu 2, 3 dan 4. Masing-masing variabel endogenous diterangkan oleh variabel 1 dan error (e2, e3 dan e4)
3.
Satu variabel endogenous dapat menjadi penyebab variabel endogenous lainnya, tetapi bukan ke variabel exogenous. Model non rekursif terjadi jika arah anak panah tidak searah atau terjadi
arah yang berbalik, misalnya dari 4 ke 3 atau dari 3 ke 1 dan 2, atau bersifat sebab akibat. Pada bagian berikut untuk mempermudah kita dalam memahami analisis jalur, maka kita bisa menggunakan model-model jalur berikut: 1.
Model Persamaan Satu Jalur Model Persamaan satu jalur merupakan hubungan sebenarnya sama dengan regresi berganda, yaitu variabel bebas terdiri dari satu variabel dan variabel tergantungnya hanya satu.
2.
Model Persamaan Dua Jalur Model ini terdiri dari tiga variabel bebas dan mempunyai dua variabel tergantung.
3.
Model Persamaan Tiga Jalur Model ini terdiri dari tiga variabel bebas, salah satu variabel bebas menjadi variabel perantara dan mempunyai dua variabel tergantung.
2.1.7 Keuntungan dan Kelemahan Analisis Jalur Menurut Sarwono (2012), keuntungan menggunakan analisis jalur diantaranya : 1. Kemampuan menguji model keseluruhan dan parameter-parameter individual.
2. Kemampuan pemodelan beberapa variabel mediator/perantara. 3. Kemampuan mengestimasi dengan menggunakan persamaan yang dapat melihat semua kemungkinan hubungan sebab akibat pada semua variabel dalam model. 4. Kemampuan melakukan dekomposisi korelasi menjadi hubungan yang bersifat sebab akibat (causal relation), seperti pengaruh langsung (direct effect) dan pengaruh tidak langsung (indirect effect) dan bukan sebab akibat (non-causal association), seperti komponen semu (spurious). Kelemahan menggunakan analisis jalur diantaranya : 1. Tidak dapat mengurangi dampak kesalahan pengukuran. 2. Analisis jalur hanya mempunyai variabel-variabel yang dapat diobservasi secara langsung. 3. Analisis jalur tidak mempunyai indikator-indikator suatu variabel laten. 4. Karena analisis jalur merupakan perpanjangan regresi linier berganda, maka semua asumsi dalam rumus ini harus diikuti. 5. Sebab akibat dalam model hanya bersifat searah (one direction), tidak boleh bersifat timbal balik (reciprocal). 2.1.8 Perbedaan Analisis Jalur dan Regresi Menurut Saparina (2013), ada beberapa perbedaan model analisis jalur dan regresi yaitu: Tabel 2.1 Perbedaan Analisis Jalur dan Regresi Penjelasan
Model Analisis Regresi
Variabel
Bebas (X), Terikat (Y)
Path (Jalur) Eksogen (X), Endogen (Y), Intervening
bila ada Kegunaan
1. Penjelasan terhadap
1. Penjelasan terhadap fenomena yang
fenomena yang
dipelajari atau permasalahan yang
dipelajari atau
diteliti.
permasalahan yang
2. Prediksi kuantitatif.
diteliti.
3. Faktor diterminan yaitu penentuan
2. Prediksi kuantitatif.
variable bebas (X) yang berpengaruh
3. Faktor diterminan
dominan terhadap variable terikat (Y).
yaitu penentuan variable bebas (X)
4. Penelusuran
mekanisme
(lintasan)
pengaruh.
yang berpengaruh
5. Pengujian model, menggunakan teori
dominan terhadap
trimming, baik untuk uji reabilitas
variable terikat (Y).
konsep yang sudah ada ataupun uji pengembangan konsep baru.
Hubungan
Bersifat tunggal
Tunggal atau ganda
yang dianalisis Jenis
data Skala interval dan ratio
yang
Minimal skala interval dan data dinyatakan dalam satuan baku atau z skor
dianalisis Prinsip
1. Hubungan antar variabel berpola linear, bersifat normal. 2. Sistem aliran kausal satu arah. 3. Sampel random 4. Model dianalisis berdasarkan teori-teori yang relevan.
1. Hubungan antar variabel berpola linear, bersifat normal. 2. Sistem aliran kausal satu arah. 3. Sampel random 4. Model dianalisis berdasarkan teoriteori yang relevan 5. Variabel terikat/endogen (Y) minimal dalam skala ukur interval dan rasio.
2.2 Pengetahuan Pengetahuan adalah sejumlah informasi yang dikumpulkan yang dipahami dan pengenalan terhadap sesuatu hal atau benda-benda secara obyektif. Pengetahuan juga berasal dari pengalaman tertentu yang pernah dialami dan yang diperoleh dari hasil belajar secara formal, informal dan non formal (Mangindaan 1996 dalam Toruntju 2005). Menurut Sarwono (1997) dalam Toruntju (2005) pengetahuan lebih bersifat pengenalan terhadap sesuatu benda atau hal secara obyektif. Pengetahuan atau kognitif seseorang adalah hasil tahu yang terjadi setelah seseorang melakukan penginderaan terhadap suatu objek tertentu yang sebagian besar diperoleh melalui indera penglihatan dan pendengaran. Pengetahuan ini merupakan bagian yang penting dalam membentuk motivasi kemudian menjadi suatu sikap. Oleh karena itu dapat dikatakan bahwa pengetahuan seseorang tentang Pemeriksaan IVA adalah pemahaman responden mengenai pemeriksaan IVA setelah melakukan berbagai penginderaan terhadap sejumlah obyek yang berkaitan dengan Pemeriksaan IVA. Menurut Notoatmodjo (2003), terdapat 6 tingkatan pengetahuan yang tercakup dalam domain kognitif yaitu: 1. Tahu (know) Tahu diartikan mengingat suatu materi yang telah dipelajari sebelumnya. Tahu merupakan tingkat pengetahuan yang paling rendah dengan menggunakan kata kerja
menyebutkan,
sebagainya.
menguraikan,
mendefenisikan,
menyatakan
dan
2. Memahami (comprehension) Memahami diartikan suatu kemampuan untuk menjelaskan secara benar tentang objek yang diketahui, dan menginterpretasikan materi tersebut secara benar sehingga dapat menjelaskan, menyebutkan contoh, menyimpulkan, meramalkan dan sebagainya. 3. Aplikasi (aplication) Aplikasi diartikan kemampuan untuk menggunakan materi yang telah dipelajari pada kondisi sebenarnya mencakup penggunaan hukum-hukum, rumus, metode, prinsip dan sebagainya. 4. Analisis (analysis) Analisis adalah suatu kemampuan untuk menjabarkan materi atau suatu objek ke dalam komponen-komponen, namun masih dalam suatu struktur dan masih ada kaitannya. Analisis menggunakan kata kerja dapat menggambarkan (membuat
bagan),
membedakan,
memisahkan,
mengelompokkan
dan
sebagainya. 5. Sintesis (synthesis) Sintesis adalah suatu kemampuan untuk menyusun formulasi baru dari formulasi-formulasi yang ada dengan kata kerja dapat menyusun, dapat merencanakan, dapat meringkaskan, dapat menyesuaikan dan sebagainya. 6. Evaluasi (evaluation) Evaluasi diartikan kemampuan untuk melakukan justifikasi atau penilaian terhadap suatu materi atau objek yang didasarkan pada kriteria yang ditentukan sendiri atau kriteria-kriteria yang telah ada.
2.3 Motivasi Motivasi secara umum mengacu pada adanya kekuatan dorongan yang menggerakkan kita untuk berperilaku tertentu. Maka dari itu, dalam mempelajari motivasi kita akan berhubungan dengan hasrat, keinginan, dorongan dan tujuan (Notoatmodjo, 2005). Motivasi seseorang untuk melakukan Pemeriksaan IVA adalah daya upaya yang mendorong seseorang untuk melakukan Pemeriksaan IVA. Motif dapat dikatakan sebagai daya penggerak dari dalam sehingga mengarahkan Wanita Usia Subur (WUS) untuk mau melakukan Pemeriksaan IVA sebagai usaha untuk mendeteksi Kanker Serviks secara dini. Menurut
Notoatmodjo
(2005),
ada
beberapa
pendekatan
dalam
mempelajari motivasi yaitu: a. Pendekatan Instink Instink adalah pola perilaku yang kita bawa sejak lahir yang secara biologis diturunkan, sehingga pada awalnya motivasi dipelajari dengan mempelajari instink. b. Pendekatan Pemuasan Kebutuhan (Drive-Redution) Teori ini menjelaskan motivasi dalam suatu gerak sirkuler. Teori ini merupakan teori yang berusaha menjelaskan apa yang menarik seseorang untuk berperilaku atau disebut push theory guna mencapai tujuannya sehingga tercapailah keseimbangan.
c. Pendekatan Insentif Insentif merupakan stimulus yang menarik seseorang untuk melakukan sesuatu karena dengan melakukan perilaku tersebut, maka kita akan mendapat imbalan. Dalam hal ini, insentif adalah tujuan yang ingin dicapai. d. Pendekatan Arousal Pendekatan ini mencari jawaban atas tingkah laku di mana tujuan dari perilaku uni adalah untuk memelihara atau meningkatkan rasa ketegangan. Teori ini disebut dengan oponen-proses. e. Pendekatan Kognitif Menurut Feldman (2003), pendekatan kognitif ini menjelaskan bahwa motivasi merupakan produk dari pikiran, harapan dan tujuan seseorang. Dalam pendekatan ini dibedakan atas motif intrinsik (dari dalam diri) yang akan mendorong untuk melakukan aktivitas guna memenuhi kesenangan sedangkan motif ekstrinsik (dari luar diri) mendorong seseorang berperilaku tertentu karena ingin mendapatkan pujian. Menurut Notoatmodjo (2010), ada 2 aliran teori motivasi yaitu: 1. Content Theory Merupakan teori-teori yang mengajukan cara untuk menganalisis kebutuhan yang mendorong seseorang untuk bertingkah laku tertentu, salah satu teori kebutuhan yang terkenal adalah teori kebutuhan berhierarki dari Maslow.
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 (objek/subjek) 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 chisquare 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. CMIN/DF (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
CMIN/DF
≤ 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. P > α 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
anatomik/sistologi dan stafnya, teknisi sitologi/skriner. 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
Pengetahuan
Motivasi
Sikap
Analisis Jalur
AMOS
LISREL
Goodness of Fit
Gambar 2.7 Kerangka Operasional 2.9 Hipotesis Penelitian a.
Terdapat pengaruh pengetahuan terhadap motivasi Wanita Usia Subur (WUS) untuk melakukan pemeriksaan IVA.
b.
Terdapat pengaruh pengetahuan terhadap sikap Wanita Usia Subur (WUS) untuk melakukan pemeriksaan IVA.
c.
Terdapat pengaruh motivasi terhadap sikap Wanita Usia Subur (WUS) untuk melakukan pemeriksaan IVA.
