Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA,

Fakultas MIPA, Universitas Negeri Yogyakarta, 2 Juni 2012.

Pemodelan Structural Equation Modeling (SEM) Berbasis Varians Pada Derajat

Kesehatan Di Propinsi Jawa Timur 2010

1
Noermayanti Hidayat dan 2Dr.Bambang Widjanarko Otok,S.Si,M.Si
1
Mahasiswa S2 Jurusan Statistika- FMIPA ITS, Surabaya
2
Dosen Pembimbing, Jurusan Statistika- FMIPA ITS
Noermayanti.hidayat@yahoo.com

Abstrak
Selama lebih dari tiga dasawarsa, Indonesia telah melaksanakan berbagai upaya dalam rangka
meningkatkan kesehatan dan kesejahteraan masyarakat. Namun demikian, walau sudah dicapai banyak
kemajuan tetapi keadaan kesehatan msyarakat di Indonesia masih tertinggal jika dibandingkan dengan
beberapa negara tetangga. Angka kematian bayi misalnya, di Indonesia sendiri angka kematian bayi berada
diurutan atas diantara negara-negara anggota South East Asia Medical Information Center (SEAMIC), serta
sebagian besar masyarakat Indonesia sendiri baik yang berada di pedesaan maupun perkotaan masih sulit
untuk mendapatkan pelayanan kesehatan. Untuk mengatasi masalah-masalah tersebut, maka perlu dilakukan
penetapan tentang indikator derajat kesehatan untuk mengetahui peningkatan derajat kesehatan masyarakat
dan pelayanan kesehatan dapat dirasakan oleh semua lapisan masyarakat.
Derajat kesehatan sendiri dipengaruhi oleh beberapa faktor antara lain lingkungan, perilaku, dan
pelayanan kesehatan. Dalam mencapai derajat kesehatan, faktor-faktor yang mempengaruhi tersebut harus
dapat dikendalikan dengan baik, karena semua faktor tersebut tidak dapat diukur secara langsung
melainkan pada indikator-indikator yang diketahui. Dalam penelitian ini akan dihubungkan tiga variabel
konstruk yang berkaitan denga derajat kesehatan yaitu variabel lingkungan, perilaku, dan pelayanan
kesehatan untuk melihat apakah ketiga variael tersebut berpengaruh terhadap derajat kesehatan atau tidak.
Salah satau metode yang digunakan dalam penelitian ini adalah dengan menggunakan analisis Structural
Equation Modeling (SEM) yang berbasis varians yaitu Partial Least Square (PLS) untuk mengetahui
kebenaran konsep teori mengenai faktor-faktor yang mempengaruhi derajat kesehatan masyarakat Jawa
Timur.PLS merupakan metode analisis yang powerfull karena metode tersebut tidak didasarkan pada
banyaknya asumsi dimana seperti data tidak harus berdistribusi multivariat normal dan sampel tidak harus
besar. Tujuan dalam penelitian ini adalah untuk mendapatkan bentuk estimasi parameter dan bentuk
estimasi model fit.
Hasil akhir dalam penelitian ini adalah, yang pertama untuk estimasi parameter dalam PLS
diperoleh tiga estimasi yaitu estimasi bobot, estimasi jalur, serta estimasi rata-rata dan lokasi parameter,
yang kedua untuk model fit yang diperoleh dalam PLS adalah : Derajat kesehatan = -0,213 lingkungan -
0,098 perilaku -0,362 pelayanan kesehatan, dengan nilai R-square sebesar 0,269 yang artinya variasi
derajat kesehatan dapat dijelaskan oleh varilabel konstruk lingkungan, periaku, dan pelayanan kesehatan
sebesar 26,9 % sedangkan 73,1 % dipengaruhi oleh variabel lain.

Kata kunci : Derajat kesehatan, SEM-Varians (PLS)

1. PENDAHULUAN
1.1 Latar Belakang
Selama lebih dari tiga dasawarsa, Indonesia telah melaksanakan berbagai upaya dalam rangka
meningkatkan kesehatan dan kesejahteraan masyarakat. Namun demikian, walau sudah dicapai
banyak kemajuan tetapi keadaan kesehatan msyarakat di Indonesia masih tertinggal jika
dibandingkan dengan beberapa negara tetangga. Angka kematian bayi misalnya, di Indonesia
sendiri angka kematian bayi berada diurutan atas diantara negara-negara anggota South East Asia
Medical Information Center (SEAMIC), serta sebagian besar masyarakat Indonesia sendiri baik
yang berada di pedesaan maupun perkotaan masih sulit untuk mendapatkan pelayanan kesehatan.
Untuk mengatasi masalah-masalah tersebut, maka perlu dilakukan penetapan tentang indikator
derajat kesehatan untuk mengetahui peningkatan derajat kesehatan masyarakat.

M-1
Noermayanti Hidayat / Pemodelan SEM - PLS

Derajat kesehatan sendiri dipengaruhi oleh beberapa faktor antara lain lingkungan,
perilaku, dan pelayanan kesehatan. Dalam mencapai derajat kesehatan, faktor-faktor yang
mempengaruhi tersebut harus dapat dikendalikan dengan baik, karena semua faktor tersebut tidak
dapat diukur secara langsung melainkan pada indikator-indikator yang diketahui. Dalam penelitian
ini akan dihubungkan tiga variabel konstruk yang berkaitan dengan derajat kesehatan yaitu variabel
lingkungan, perilaku, dan pelayanan kesehatan untuk melihat apakah ketiga variabel tersebut
berpengaruh terhadap derajat kesehatan atau tidak. Salah satau metode yang digunakan dalam
penelitian ini adalah dengan menggunakan analisis Structural Equation Modeling (SEM) yang
berbasis varians yaitu Partial Least Square (PLS) untuk mengetahui kebenaran konsep teori
mengenai faktor-faktor yang mempengaruhi derajat kesehatan masyarakat Jawa Timur. PLS sendiri
merupakan metode analisis yang powerfull karena metode tersebut tidak didasarkan pada
banyaknya asumsi dimana seperti data tidak harus berdistribusi multivariat normal dan sampel
tidak harus besar.

1.2 Rumusan Masalah

1. Bagaimana bentuk estimasi parameter dari Structural Equation Modeling (SEM) berbasis
varians dengan pendekatan Partial Least Squre (PLS)?
2. Bagaimana bentuk estimasi model fit dari Structural Equation Modeling (SEM) berbasis
varians dengan pendekatan Partial Least Squre (PLS) terhadap derajat kesehatan?

1.3 Tujuan
1. Mendapatkan bentuk estimasi parameter dari Structural Equation Modeling (SEM) berbasis
varians dengan pendekatan Partial Least Squre (PLS).
2. Mendapatkan bentuk estimasi model fit dari Structural Equation Modeling (SEM) berbasis
varians dengan pendekatan Partial Least Squre (PLS) terhadap derajat kesehatan.

1.4 Manfaat Penelitian

Manfaat yang ingin dicapai dalam penelitian ini adalah :
1. Sebagai bahan perbandingan dalam mempelajari metode statistik terutama yang berhubungan
dengan pemodelan SEM dan yang berbasis varians.
2. Sebagai metode alternatif dalam pemodelan SEM berbasis vaians dalam penyimpangan asumsi
normalitas bagi para peneliti khususnya dibidang kesehatan.
3. Menambah pengetahuan peneliti tentang penerapan ilmu statistika dalam masalah sosial
masyarakat khususnnya dalam bidang kesehatan.

1.5 Batasan Masalah

Penelitian ini dibatasi hanya pada kajian pemodelan derajat kesehatan menggunakan analisis
Structural Equation Model (SEM) berbasis varians dengan pendekatan Partial Least Square (PLS).

2. METODE PENELITIAN
2.1 Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari Dinas
Kesehatan Propinsi Jawa Timur 2010, yaitu data tentang faktor-faktor yang mempengaruhi dan
indikator-indikator yang terkait pada derajat kesehatan untuk tiap Kabupaten/Kota di Provinsi Jawa
Timur yang terdiri dari 38 Kabupaten/Kota.

2.2 Identifikasi Variabel Penelitian

Variabel yang digunakan dalam penelitian ini menggunakan variabel observed atau variabel
teramati sebanyak 11 variabel indikator yaitu :
X1 : Persentase rumah sehat
X2 : Persentase keluarga yang memiliki akses air bersih
X3 : Persentase keluarga yang memiliki pengelolaan limbah
X4 : Persentase peran aktif masyarakat dalam posyandu
X5 : Persentase bayi yang mendapat ASI eksklusif

M-2
 Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA,
Fakultas MIPA, Universitas Negeri Yogyakarta, 2 Juni 2012.

X6 : Persentase keluarga miskin (GAKIN) yang berobat pada tenaga kesehatan (khususnya
yankes di puskesmas)
X7 : Persentase pertolongan persalinan dengan tenaga kesehatan (dokter, bidan, atau
paramedis lain)
X8 : Persentase deteksi tumbuh kembang anak balita
Y1 : Angka kematian bayi (AKB) per 1000 kelahiran hidup
Y2 : Morbiditas (angka kesakitan yang positif terkena penyakit malaria)
Y3 : Status gizi bayi (gizi buruk)

Variabel Eksogen (Independen) yang digunakan dalam penelitian ini adalah:

Variabel lingkungan, variabel perilaku, dan variabel pelayanan kesehatan
Variabel Endogen (Dependen) yang digunakan dalam penelitian ini adalah:
Variabel Derajat Kesehatan

Variabel laten yang diketahui dalam penelitian ini terdiri dari 4 variabel yaitu variabel
lingkungan, variabel perilaku, variabel pelayanan kesehatan, dan variabel derajat kesehatan.
Sedangkan variabel-variabel indikator terhadap variabel derajat kesehatan dapat didefinisikan
sebagai variabel manifest (variabel teramati) adalah sebagai berikut berikut :
a. Indikator dari variabel lingkungan (variabel eksogen / independen)
1. Persentase rumah sehat
2. Persentase keluarga yang memiliki akses air bersih
3. Persentase keluarga yang memiliki pengelolaan limbah
b. Indikator dari variabel perilaku hidup sehat (variabel eksogen / independen)
1. Persentase peran aktif masyarakat dalam posyandu
2. Persentase bayi yang mendapat ASI eksklusif
3. Persentase keluarga miskin (GAKIN) yang berobat pada tenaga kesehatan
c. Indikator dari variabel pelayanan kesehatan (variabel eksogen / independen)
1. Persentase pertolongan persalinan dengan tenaga kesehatan (dokter, bidan, atau
paramedis lain)
2. Persentase deteksi tumbuh kembang anak balita melalui pelayanan kesehatan
d. Indikator dari variabel derajat kesehatan (variabel endogen / dependen)
1. Angka kematian bayi (AKB) per 1000 kelahiran hidup
2. Persentase morbiditas (angka kesakitan yang positif terkena penyakit malaria)
3. Persentase status gizi bayi (gizi buruk)

2.3 Metode Analisis Data

Analisis ini dilakukan berdasarkan tujuan penelitian, adapun langkah-langkahnya sebagai
berikut :
1. Estimasi Parameter SEM - Partial Least Square (PLS) :
Estimasi parameter pemodelan SEM dengan pendekatan PLS diperoleh melalui proses iterasi
tiga tahap dengan menggunakan Ordinary Last Square (OLS) yaitu sebagai berikut:
 Tahap pertama menentukan estimasi bobot (Weight Estimate) untuk menetapkan skor atau
menghitung data variabel laten.
 Tahap kedua menentukan estimasi jalur (estimasi untuk inner dan outer model) yang
menghubungkan antar variabel laten dan estimasi loading antara variabel laten dengan
indikatornya.
 Tahap ketiga menentukan estimasi rata-rata dan lokasi parameter untuk indikator dan variabel
laten.
2. Langkah-langkah analisis model fit persamaan struktural dengan SEM- Partial Least
Square (PLS) :
Dalam penelitian ini, analisis data pada SEM-PLS akan menggunakan bantuan software
SmartPLS.

M-3
Noermayanti Hidayat / Pemodelan SEM - PLS

a. Mendapatkan model berbasis konsep dan teori untuk merancang model struktural
(hubungan antar variabel laten) dan model pengukurannya, yaitu hubungan antara
indikator-indikator dengan variabel laten.
b. Membuat diagram jalur (diagram path) yang menjelaskan pola hubungan antara variabel
laten dengan indikatornya.
c. Konversi diagram jalur kedalam persamaan.
d. Melakukan evaluasi goodness of fit yaitu dengan evaluasi model pengukuran (outer
model) dengan melihat validitas dan reabilitas. Jika model pengukuran valid dan reliabel
maka dapat dilakukan tahap selanjutnya yaitu evaluasi model struktural. Jika tidak, maka
harus kembali mengkonstruksi diagram jalur.
e. Intepretasi model.

3. HASIL PENELITIAN dan PEMBAHASAN

3.1 Estimasi Parameter SEM – Partial Least Square (PLS)
Estimasi parameter pemodelan persamaan struktural dengan pendekatan partial least square
diperoleh melalui proses iterasi tiga tahap dan di setiap tahap menghasilkan estimasi.
1. Tahap pertama menghasilkan estimasi bobot (weight estimate) 𝑤𝑗ℎ
Estimasi bobot bobot 𝑤𝑗ℎ diperoleh melalui dua jalan, yaitu mode A dan mode B. Mode A
dirancang untuk memperoleh estimasi bobot dengan tipe indikator refleksif, sedangkan mode B
dirancang untuk memperoleh estimasi bobot dengan tipe indikator formatif.
Mode A
Pada mode A bobot 𝑤𝑗ℎ adalah koefisien regresi dari 𝑍𝑗 dalam regresi sederhana 𝑋𝑗ℎ pada
estimasi inner model 𝑍𝑗 .
𝑋𝑗ℎ = 𝑤𝑗ℎ 𝑍𝑗 + 𝑒𝑗ℎ
Estimasi untuk mode A diperoleh melalui metode OLS dengan cara meminimumkan jumlah
kuadrat 𝑒𝑗ℎ , sebagai berikut :
ejh = X jh − wjh Zj
𝐽 𝐽
2 2
∑ 𝑒𝑗ℎ = ∑(𝑋𝑗ℎ − 𝑤𝑗ℎ 𝑍𝑗 )
ℎ=1 ℎ=1
Kemudian jumlah kuadrat 𝑒𝑗ℎ diturunkan terhadap 𝑤𝑗ℎ sehingga diperoleh bobot untuk mode
A:
𝐶𝑜𝑣(𝑋𝑗ℎ , 𝑍𝑗 )
𝑤
̂𝑗ℎ =
𝑉𝑎𝑟(𝑋𝑗2 )
Mode B
Pada mode B vektor 𝑤𝑗 dari pembobot 𝑤𝑗ℎ adalah vektor koefisien regresi berganda dari 𝑍𝑗
pada pusat variabel manifest (𝑋𝑗ℎ − 𝑋̅jh) yang dihubungkan ke sesama variabel laten 𝜉𝑗 :

𝑍𝑗 = 𝑤𝑗 𝑋𝑗 + 𝜀𝑗
𝜀𝑗 = 𝑍𝑗 − 𝑤𝑗 𝑋𝑗
Hitung 𝜀𝑗𝑇 𝜀𝑗 :
𝑇
𝜀𝑗𝑇 𝜀𝑗 = (𝑍𝑗 − 𝑤𝑗 𝑋𝑗 ) (𝑍𝑗 − 𝑤𝑗 𝑋𝑗 )
= 𝑍𝑗 𝑇 𝑍𝑗 − 2𝑤𝑗 𝑋𝑗 𝑇 𝑍𝑗 + 𝑤𝑗 𝑇 𝑤𝑗 𝑋𝑗 𝑇 𝑋𝑗
Kemudian 𝜀𝑗𝑇 𝜀𝑗 diturunkan terhadap 𝑤𝑗ℎ sehingga diperoleh bobot untuk mode B :
−1
̂𝑗 = (𝑋𝑗 𝑇 𝑋𝑗 ) 𝑋𝑗 𝑇 𝑍𝑗
𝑤
Dimana 𝑋𝑗 adalah matriks dengan kolom yang didefinisikan oleh vaariabel manifest (𝑋𝑗ℎ − 𝑋̅jh)
yang menghubungkan variabel laten 𝜉𝑗 ke-j. Vektor bobot inner model adalah 𝑤𝑗ℎ =
−1
(𝑉𝑎𝑟 (𝑋𝑗 )) 𝐶𝑜𝑣(𝑋𝑗ℎ , 𝑍𝑗 ) dengan 𝑉𝑎𝑟 (𝑋𝑗 ) adalah matriks kovarians dari 𝑋𝑗 dan
𝐶𝑜𝑣(𝑋𝑗ℎ , 𝑍𝑗 ) adalah vektor kolom dari kovarians antara variabel 𝑋𝑗ℎ dan 𝑍𝑗 .

M-4
 Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA,
Fakultas MIPA, Universitas Negeri Yogyakarta, 2 Juni 2012.

2. Tahap kedua menghasilkan estimasi jalur yang diperoleh mealalui estimasi inner model dan
outer model.
Estimasi Inner Model
Dengan mengikuti algoritma PLS dari Wold (1985) dan yang telah diperbaiki oleh Lohmoller’s
(1989), maka estimasi inner model 𝑍𝑗 dari standarized variabel laten (𝜉𝑗 − 𝑚𝑗 ) didefinisikan
dengan

𝑍𝑗 ∝ ∑ 𝑒𝑗𝑖 𝑌𝑖
𝑖;𝜉𝑖 𝑑𝑖ℎ𝑢𝑏𝑢𝑛𝑔𝑘𝑎𝑛 𝑝𝑎𝑑𝑎 𝜉𝑗
Dimana bobot inner model 𝑒𝑗𝑖 dapat dipilih melalui tiga skema yaitu :
1. Skema jalur (path schema)
Variabel laten dihubungkan pada 𝜉𝑗 yang dibagi kedalam dua grup yaitu : variabel-variabel
laten yang menjelaskan 𝜉𝑗 dan diikuti dengan variabel-variabel yang dijelaskan oleh 𝜉𝑗 .
Jika 𝜉𝑗 dijelaskan oleh 𝜉𝑖 maka 𝑒𝑗𝑖 adalah koefisien regresi berganda 𝑌𝑖 dari 𝑌𝑗 . Jika 𝜉𝑖
dijelaskan oleh 𝜉𝑗 maka 𝑒𝑗𝑖 adalah korelasi antara 𝑌𝑖 dengan 𝑌𝑗 .
koefisien regresi berganda 𝑌𝑖 dari 𝑌𝑗 , jika 𝜉𝑗 dijelaskan oleh 𝜉𝑖
𝑒𝑗𝑖 = {
𝐶𝑜𝑟(𝑌𝑖 𝑌𝑗 ) , jika 𝜉𝑗 dijelaskan oleh 𝜉𝑖
2. Skema centroid (centroid schema)
Bobot inner model 𝑒𝑗𝑖 merupakan korelasi tanda (sign correlation) antara 𝑌𝑖 dari 𝑌𝑗 , dan
dapat ditulis sebagai berikut :
𝑒𝑗𝑖 = 𝑠𝑖𝑔𝑛[𝐶𝑜𝑟(𝑌𝑖 𝑌𝑗 )]
3. Skema faktor (factor schema)
Bobot inner model 𝑒𝑗𝑖 merupakan korelasi antara 𝑌𝑖 dari 𝑌𝑗 , dan dapat ditulis sebagai
berikut :
𝑒𝑗𝑖 = 𝐶𝑜𝑟(𝑌𝑖 𝑌𝑗 )

Estimasi Outer Model

Estimasi outer model 𝑌𝑗 dari standarisasi variabel laten (𝜉𝑗 − 𝑚𝑗 ) dengan rata-rata = 0 dan
standart deviasi = 1, diperoleh melalui kombinasi linear dari pusat variabel manifest melalui
persamaan berikut :
𝐽

𝑌𝑗 ∝ ± [∑ 𝑤𝑗ℎ (𝑋𝑗ℎ − 𝑋̅𝑗ℎ )]

ℎ=1
Dimana simbol ∝ bermakna bahwa variabel sebelah kiri mewakili variabel sebelah kanan yang
distandarisasi. Standarisasi variabel laten dapat ditulis dengan persamaan sebagai berikut :
𝑌𝑗 = 𝑋𝑗ℎ + 𝑒𝑗
Dengan 𝑋𝑗ℎ = 𝑤𝑗ℎ 𝑍𝑗 + 𝑒𝑗 dan 𝑍𝑗 = 𝑋𝑗ℎ − 𝑋̅𝑗ℎ
Sehingga 𝑌̂𝑗 = ∑𝐽ℎ=1 𝑤
̃𝑗ℎ (𝑋𝑗ℎ − 𝑋̅𝑗ℎ )
Dimana koefisien 𝑤𝑗ℎ dan 𝑤 ̃𝑗ℎ keduanya dinamakan sebagai pembobot outer model.
3. Tahap ketiga menghasilkan estimasi rata-rata (mean) dan lokasi parameter (konstanta).
Pada tahap ini, estimasi didasarkan pada matriks data asli dan hasil estimasi bobot dan koefisien
jalur pada tahap kedua, tujuannya untuk menghitung rata-rata dan lokasi parameter.
Estimasi Rata-rata (Mean) 𝑚𝑗
Estimasi rata-rata (mean) diperoleh melalui persamaan sebagai berikut :
𝜉𝑗 = 𝑌𝑗 + 𝑚𝑗 + 𝑒𝑗
𝜉𝑗 − 𝑚𝑗 = 𝑌𝑗 + 𝑒𝑗
Dengan
𝐽
𝑌𝑗 = ∑ ̃𝑗ℎ (𝑋𝑗ℎ − 𝑋̅𝑗ℎ )
𝑤
ℎ=1
maka

M-5
Noermayanti Hidayat / Pemodelan SEM - PLS

J
ξj − mj = ∑ ̃ jh (Xjh − ̅
w X jh )
h=1
Analogi :
J
ξ̂j = ∑ w
̃ jh Xjh = Yj + m
̂j
h=1
Sehingga:
𝐽
𝑚
̂𝑗 = ∑ ̃𝑗ℎ 𝑋̅𝑗ℎ
𝑤
ℎ=1
Dimana 𝑤 ̃𝑗ℎ didefinisikan sebagai pembobot dari outer model, dengan semua variabel manifest
yaitu pengamatan pada skala pengukuran yang sama. Menurut Fornell (1982), mengatakan
bahwa jika estimasi variabel laten pada skala asli maka :
∑J w ̃ jh Xjh
ξ∗j = h=1J
∑h=1 w̃ jh
Persamaan diatas dimungkinkan ketika semua pembobot dari outer model positif. Seringkali di
dalam aplikasi nyata, estimasi variabel laten memerlukan skala 0 – 100 agar memiliki acuan
skala untuk di bandingkan dengan score individu. Sehingga untuk kasus pengamatan ke-i, lebih
muda diperoleh melalui transformasi sebagai berikut :
ξ∗j − xmin
ξ0−100
j = 100 x
xmax − xmin
Dimana 𝑥𝑚𝑖𝑛 dan 𝑥𝑚𝑎𝑥 adalah nilai minimum dan maksimum dari skala pengukuran umum
untuk semua variabel manifest.

Estimasi Lokasi Parameter

Secara umum koefisien jalur 𝑏𝑗𝑖 adalah koefisien regresi berganda dari variabel laten endogen
𝑌𝑗 yang distandarisasi pada variabel laten penjelas (eksogen) 𝑌𝑖 .
J
Yj = ∑i=1 bji Yi + ej
Pada saat variabel laten memusat (non centered) 𝜉̂𝑗 adalah sama dengan 𝑌𝑗 + 𝑚 ̂𝑗 . persamaan
̂
regresi pada saat variabel laten 𝜉𝑗 tidak memusat adalah :
𝐽

𝜉̂𝑗 = 𝑏𝑗0 + ∑ 𝑏𝑗𝑖 𝜉̂𝑖 + 𝑒𝑗

𝑖=1
𝐽 2

𝑒𝑗2 = (𝜉̂𝑗 − (𝑏𝑗0 + ∑ 𝑏𝑗𝑖 𝜉̂𝑖 ))

𝑖=1
= 𝜉̂𝑗2 − 2𝜉̂𝑗 𝑏𝑗0 − 2𝜉̂𝑗 ∑𝐽𝑖=1 𝑏𝑗𝑖 𝜉̂𝑖 + (𝑏𝑗0 2 + 2𝑏𝑗0 ∑𝐽𝑖=1 𝑏𝑗𝑖 𝜉̂𝑖 + ∑𝐽𝑖=1 𝑏𝑗𝑖2 𝜉̂𝑗2 )

𝜕𝑒𝑗2
𝜕𝑏𝑗0
= 𝑏̂𝑗0 = 𝜉̂𝑗 − ∑𝐽𝑖=1 𝑏𝑗𝑖 𝜉̂𝑖
Dengan
bj0 = m
̂ j − ∑ bji m
̂i
i
Jadi lokasi parameternya adalah konstanta 𝑏𝑗0 untuk variabel laten endogen dan rata-rata 𝑚
̂𝑗
untuk variabel laten eksogen.

M-6
 Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA,
Fakultas MIPA, Universitas Negeri Yogyakarta, 2 Juni 2012.

3.2 Estimasi Model Fit SEM - PLS

Analisis Model Persamaan Struktural dengan SEM - Partial Least Square (PLS)
1. Konstruksi Diagram Jalur

Gambar 3.1 Kerangka Konseptual Penelitian Berdasarkan Model Persamaan

Struktural
Sumber : Talangko ( 2009)

Konversi Diagram Jalur ke Persamaan

Outer Model
1. Untuk variabel laten eksogen 1 (refleksif)
𝑋1 = 𝜆𝑋1 𝜉1 + 𝛿1
𝑋2 = 𝜆𝑋2 𝜉1 + 𝛿2
𝑋3 = 𝜆𝑋3 𝜉1 + 𝛿3
2. Untuk variabel laten eksogen 2 (refleksif)
𝑋4 = 𝜆𝑋4 𝜉2 + 𝛿4
𝑋5 = 𝜆𝑋5 𝜉2 + 𝛿5
𝑋6 = 𝜆𝑋6 𝜉2 + 𝛿6
3. Untuk variabel laten eksogen 3 (refleksif)
𝑋7 = 𝜆𝑋7 𝜉3 + 𝛿7
𝑋8 = 𝜆𝑋8 𝜉3 + 𝛿8
4. Untuk variabel laten endogen (refleksif)
𝑌1 = 𝜆𝑌1 𝜂 + 𝜀1
𝑌2 = 𝜆𝑌2 𝜂 + 𝜀2
𝑌3 = 𝜆𝑌3 𝜂 + 𝜀3

Inner Model
𝜂 = 𝛾1 𝜉1 + 𝛾2 𝜉2 + 𝛾3 𝜉3 + 𝜁
Derkes = 𝛾1 Lingk. + 𝛾2 Perilaku + 𝛾3 Yankes + 𝜁 (zeta / tingkat kesalahan struktural)

2. Evaluasi Model
a. Evaluasi Model Pengukuran (Outer Model)
Pada penelitian ini akan dilakukan pengujian validitas dan reliabilitas pada masing-masing
variabel laten yaitu variabel lingkungan, perilaku, pelayanan kesehatan, dan derajat kesehatan
dengan menggunakan bantuan software SmartPLS. Ukuran refleksif individual dikatakan valid jika
memiliki nilai loading (𝜆) dengan variabel laten yang ingin diukur ≥ 0.5, jika salah satu indikator
memiliki nilai loading (𝜆) <0.5 maka indikator tersebut harus dibuang (didrop) karena akan
mengindikasikan bahwa indikator tidak cukup baik untuk mengukur variabel laten secara tepat.
Berikut adalah hasil output diagram jalur persamaan struktural pada PLS dengan menggunakan
software SmartPLS.

M-7
Noermayanti Hidayat / Pemodelan SEM - PLS

Gambar 3.2 Diagram jalur persamaan struktural PLS dengan

software Smart PLS

Dari gambar diatas terlihat bahwa terdapat empat variabel indikator dengan nilai loading (𝜆) <
0.5 yaitu pada variabel indikator X1, X5, Y2, dan Y3 , maka indikator tersebut harus dibuang
(didrop).
Berikut adalah hasil output ke dua, diagram jalur persamaan struktural pada PLS dengan
menggunakan software SmartPLS.

Gambar 3.3 Diagram jalur persamaan struktural PLS dengan

software Smart PLS

Dari gambar diatas dapat disimpulkan bahwa :

Untuk uji validitas :
Tabel 3.1 Uji validitas

Rata-rata Standart T-
Variabel Loading(λ) Statistik keterangan
Sub Sampel error
X2 0.574 0.569 0.127 4.492 Valid dan signifikan
Lingk
X3 0.986 0.968 0.139 7.076 Valid dan signifikan
X4 0.906 0.876 0.133 6.822 Valid dan signifikan
Perilaku
X6 0.684 0.641 0.239 2.854 Valid dan signifikan
X7 0.922 0.912 0.058 15.994 Valid dan signifikan
Pelayanan Kesehatan
X8 0.549 0.5337 0.149 3.667 Valid dan signifikan
Derajat Kesehatan Y1 1.000 1.000 0.000 0.000 Valid
Sumber : Data Olahan SmartPLS

M-8
 Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA,
Fakultas MIPA, Universitas Negeri Yogyakarta, 2 Juni 2012.

Berdasarkan tabel diatas dapat disimpulkan bahwa nilai loading dari hubungan variabel
indikator X2 dan X3 dengan konstruk lingkungan, hubungan variabel indikator X4 dan X6 dengan
konstruk perilaku, hubungan variabel indikator X7 dan X8 dengan konstruk pelayanan kesehatan,
hubungan variabel indikator Y1 dengan konstruk derajat kesehatan, masing-masing memiliki nilai
loading (𝜆) ≥ 0.5, dan memiliki nilai T-statistik > 1.64 pada taraf signifikansi 𝛼 = 0,1.
Dengan demikian variabel indikator rumah sehat dan keluarga yang memiliki pengelolaan
limbah dapat dikatakan valid untuk mengukur konstruk lingkungan, sedangkan variabel indikator
peran aktif masyarakat dalam posyandu dan keluarga miskin (GAKIN) yang berobat pada tenaga
kesehatan dapat dikatakan valid untuk mengukur konstruk perilaku, variabel indikator pertolongan
persalinan dengan tenaga kesehatan dan deteksi tumbuh kembang anak balita dapat dikatakan valid
untuk mengukur konstruk pelayanan kesehatan, dan variabel indikator Angka Kematian Bayi
dapat dikatakan valid untuk mengukur konstruk laten derajat kesehatan.
Model yang dapat ditulis adalah sebagai berikut :
X2 = 0.574 Lingkungan + 0.127
X3 = 0.986 Lingkungan + 0.139
X4 = 0.906 Perilaku + 6.822
X6 = 0.684 Perilaku + 2.854
X7 = 0.922 pelayanan kesehatan + 15.994
X8 = 0.549 pelayanan kesehatan + 3.667
Y1 = 1.000 Derkes + 0.000

Untuk Uji Reliabilitas :

Dalam penelitian ini suatu variabel dikatakan cukup reliabilitas bila variabel tersebut
mempunyai nilai construc reliality lebih besar dari 0,6. Berikut adalah hasil pengujian reabilitas
pada masing-masing variabel laten dengan bantuan software SmartPLS.
Tabel 3.2 Pengujian Reliabilitas

Berdasarkan hasil tabel diatas, dapat disimpulkan bahwa untuk variabel laten eksogen
Lingkungan, perilaku, dan pelayanan kesehatan memiliki nilai AVE > 0.5 dan 𝜌𝑐 ≥ 0.7 begitu juga
dengan variabel laten endogen derajat kesehatan memiliki nilai AVE > 0.5 dan 𝜌𝑐 ≥ 0.7 maka
dapat disimpulkan bahwa indikator-indikator yang digunakan yaitu pada variabel (X2, X3, X4, X6,
X7, X8, dan Y1) mempunyai reabilitas yang cukup baik atau mampu untuk mengukur konstruknya.
b. Evaluasi Model Struktural (Inner Model)
Model struktural dapat dievaluasi dengan melihat nilai R2 pada variabel endogen dan koefisien
parameter jalur (path coeficient parameter). Berikut hipotesis yang diangkat dalam penelitian ini
adalah :
H1 : Lingkungan berpengaruh terhadap derajat kesehatan
H2 : Perilaku berpengaruh terhadap derajat kesehatan
H3 :Pelayanan kesehatan berpengaruh terhadap derajat kesehatan
Hasil dari model struktural dapat ditunjukkan pada tabel berikut :
Tabel 3.3 Model Struktural

M-9
Noermayanti Hidayat / Pemodelan SEM - PLS

Pengaruh hubungan variabel laten eksogen terhadap variabel laten endogen (derajat kesehatan)
pada tabel diatas dapat dijelaskan sebagai berikut :
1. Koefisien parameter jalur yang diperoleh dari hubungan antara variabel lingkungan dengan
derajat kesehaan sebesar -0.213 dengan nilai T-statistik 1.953 > 1,64 pada taraf signifikansi 𝛼
= 0,1 (10%) yang menyatakan bahwa terdapat pengaruh yang signifikan antara kondisi
lingkungan dengan derajat kesehatan. Nilai negatif pada koefisien parameter artinya adalah
semakin baik kondisi lingkungan maka pengukur derajat kesehatan yaitu pada angka kematian
bayi (AKB) akan menurun.
2. Koefisien parameter jalur yang diperoleh dari hubungan antara variabel perilaku dengan
derajat kesehaan sebesar -0.098 dengan nilai T-statistik 1.989 > 1,64 pada taraf signifikansi 𝛼
= 0,1 (10%) yang menyatakan bahwa terdapat pengaruh yang signifikan antara kondisi
perilaku dengan derajat kesehatan. Nilai negatif pada koefisien parameter artinya adalah
semakin baik kondisi perilaku maka pengukur derajat kesehatan yaitu pada angka kematian
bayi (AKB) akan menurun.
3. Koefisien parameter jalur yang diperoleh dari hubungan antara variabel pelayanan kesehatan
dengan derajat kesehaan sebesar -0.362 dengan nilai T-statistik 3.853 > 1,64 pada taraf
signifikansi 𝛼 = 0,1 (10%) yang menyatakan bahwa terdapat pengaruh yang signifikan antara
pelayanan kesehatan dengan derajat kesehatan. Nilai negatif pada koefisien parameter
artinya adalah semakin baik pelayanan kesehatan maka pengukur derajat kesehatan yaitu pada
angka kematian bayi (AKB) akan menurun.

Berdasarkan koefisien-koefisien parameter jalur yang diperoleh pada tabel 3.3 maka model
persamaan struktural yang terbentuk adalah sebagai berikut :
Derajat Kesehatan = - 0.213 Lingkungan - 0.098 Perilaku - 0.362 Pelayanan Kesehatan

Tabel 3.4 Nilai R-Square (R2)

Variabel Nilai R-Square (R2)

Derajat Kesehatan 0.269
Sumber : Data Olahan SmartPLS

Dari hasil model persamaan diatas diperoleh nilai R2 untuk variabel derajat kesehatan sebesar
0.269, yang artinya nilai tersebut mengindikasikan bahwa variasi derajat kesehatan dapat dijelaskan
oleh variabel konstruk (lingkungan, perilaku, dan pelayanan kesehatan) hanya sebesar 26.9 %
sedangkan sisanya yaitu sebesar 73.1 % dipengaruhi oleh variabel lain yang tidak terdapat dalam
model penelitian. Seperti yang diketahui dalam indikator sehat 2010 faktor-faktor yang
mempengaruhi derajat kesehatan tidak hanya variabel konstruk lingkungan, perilaku, dan
pelayanan kesehatan. Akan tetapi terdapat faktor lain yaitu seperti akses dan mutu pelayanan
kesehatan, sumberdaya kesehatan, manajemen kesehatan, dan kontribusi sektor yang terkait.
Dengan demikian dapat disimpulkan bahwa variabel konstruk lingkungan, perilaku, dan pelayanan
kesehatan hanya mampu menjelaskan 26.9 % sebagai faktor terhadap derajat kesehatan, sedangkan
73.1 % nya dijelaskan oleh variabel akses dan mutu pelayanan kesehatan, sumberdaya kesehatan,
manajemen kesehatan, dan kontribusi sektor yang terkait.

M - 10
 Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA,
Fakultas MIPA, Universitas Negeri Yogyakarta, 2 Juni 2012.

4. SIMPULAN, SARAN, dan REKOMENDASI

4.1 Kesimpulan
Berdasarkan analisis data dan pembahasan hasil penelitian maka dapat ditarik kesimpulan
sebagai berikut :
1. Estimasi parameter dari Structural Equation Modeling (SEM) berbasis varians dengan
pendekatan Partial Least Squre (PLS)
 Estimasi bobot yang diperoleh melalui mode A dan mode B
Bobot pada mode A diperoleh melalui turunan pertama dari koefisien regresi sederhana
𝐶𝑜𝑣(𝑋𝑗ℎ ,𝑍𝑗 )
dari Zj yaitu 𝑤
̂𝑗ℎ = , sedangkan mode B diperoleh melalui turunan
𝑉𝑎𝑟(𝑋𝑗2 )
−1
̂𝑗 = (𝑋𝑗 𝑇 𝑋𝑗 ) 𝑋𝑗 𝑇 𝑍𝑗
pertama dari vektor koefisien regresi berganda Xjh yaitu 𝑤
 Estimasi jalur yang diperoleh melalui estimasi inner model dan estimasi outer model
yaitu diperoleh melalui skema centroid yaitu : 𝑒𝑗𝑖 = 𝑠𝑖𝑔𝑛[𝐶𝑜𝑟(𝑌𝑖 𝑌𝑗 )] , skema faktor
yaitu : 𝑒𝑗𝑖 = 𝐶𝑜𝑟(𝑌𝑖 𝑌𝑗 ) , dan skema jalur yang merupakan koefisien regresi berganda Yi
dari Yj dan 𝐶𝑜𝑟(𝑌𝑖 𝑌𝑗 ).
 Estimasi rata-rata yang diperoleh yaitu 𝑚 ̂𝑗 = ∑𝐽ℎ=1 𝑤
̃𝑗ℎ 𝑋̅𝑗ℎ dan estimasi lokasi
parameternya adalah konstanta 𝑏𝑗0 untuk variabel laten endogen dan rata-rata 𝑚 ̂𝑗 untuk
variabel laten eksogen.
2. Sedangkan Model fit dari Structural Equation Modeling (SEM) berbasis varians dengan
pendekatan Partial Least Squre (PLS) terhadap derajat kesehatan didapatkan sebagai berikut :
Model persamaan yang terbentuk yaitu :
Derajat Kesehatan = - 0.213 Lingkungan - 0.098 Perilaku - 0.362 Pelayanan Kesehatan
 Terdapat pengaruh antara kondisi lingkungan (dengan indikator yang berpengaruh yaitu
persentase keluarga yang memilki akses air bersih dan persentase keluarga yang memiliki
pengelolaan limbah ) terhadap derajat kesehatan sebesar (-0.213) yang artinya semakin
baik kondisi lingkungan maka pengukur derajat kesehatan (dengan indikator yang
berpengaruh yaitu AKB) akan menurun sebesar 0.213 atau 21.3 % dan sebaliknya.
 Terdapat pengaruh antara perilaku hidup sehat (dengan indikator yang berpengaruh yaitu
persentase peran aktif masyarakat dalam posyandu dan persentase bayi yang mendapat
ASI eksklusif ) terhadap derajat kesehatan sebesar (-0.098) yang artinya semakin baik
kondisi perilaku maka pengukur derajat kesehatan (dengan indikator yang berpengaruh
yaitu AKB) akan menurun sebesar 0.098 atau 9.8 % dan sebaliknya.
 Terdapat pengaruh antara pelayanan kesehatan (dengan indikator yang berpengaruh yaitu
persentase pertolongan persalinan dengan tenaga kesehatan dan persentase deteksi
tumbuh kembang anak balita ) terhadap derajat kesehatan sebesar (-0.362) yang artinya
semakin baik kondisi pelayanan kesehatan maka pengukur derajat kesehatan (dengan
indikator yang berpengaruh yaitu AKB) akan menurun sebesar 0.362 atau 36.2 % dan
sebaliknya.

4.2 Saran
Dalam penelitian ini masalah yang dikaji masih terbatas, oleh karena itu saran yang dapat
diberikan untuk peneliti selanjutnya agar mengembangkan lagi model yang terbentuk misal, yang
pertama dengan menggali lebih luas variabel-variabel yang dapat berpengaruh terhadap derajat
kesehatan sehingga dapat memberikan kontribusi yang lebih baik terhadap perkembangan
pembangunan di Jawa Timur, yang kedua dengan melakukan perbandingan metode SEM berbasis
varians yang lain dengan data yang sama untuk melihat model yang paling fit, dan yang terahkir
perlu di coba dengan skala data campuran untuk melihat sejauh mana tingkat kehandalan parameter
PLS dalam mengatasai kasus dengan tipe data yang berbeda-beda.

M - 11
Noermayanti Hidayat / Pemodelan SEM - PLS

DAFTAR PUSTAKA
Bollen K.A. (1989). Structural Equation with Laten Variabels. Departement of Sociology, John
Wiley & Sons, New York.
Chin, W. (1998). The Partial Least Square Approach for Structural Equation Modeling. Cleveland.
Ohio.
Fornell, C. and Bookstein, F. (1982). Two Structural Equation Models: LISREL and PLS Applied
to Consumer Exit-Voice Theory. Journal of Marketing Research.19. 440-452.
Geisser,S. (1975). The Predictive Sample Reuse Method With Application. Journal of The
American Statistical Association. Vol.70, 320-328.
Ghozali dan Fuad, (2005), Structural Equation Modeling; Teori, Konsep, dan Aplikasi dengan
Program Lisrel 8.54, Badan Penerbit Universitas Diponegoro, Semarang
Hair et al, (2006). Multivariate Data Analysis, Sixth Edition. New Jersey : Prentice Hall, Upper
Saddle River.
Kaslang, Ronny. J. (2010). Hukum Kesehatan: Dalam Perspektif Pelayanan Kesehatan
Masyarakat Modern. Artikel dipublikasikan oleh Indonesian Legal Information.
Juanda dan Wasrin (2001). Analisis hubungan antara tiga variabel konstruk yaitu meneliti
variabel sumber daya manusia (SDM) yang dapat mempengaruhi pencapain ekonomi dan
akhirnya nanti akan mempengaruhi kualitas hidup. Program Magister Jurusan Statistika
FMIPA, Institut Teknologi Surabaya.
Jihan, S. (2010). Pemodelan persamaan structural pada derajat kesehatan dengan moderasai
infrastruktur (studi kasus di Provinsi Jawa Timur, SUSENAS 2007). Tugas Akhir Jurusan
Statistika FMIPA, Institut Teknologi Surabaya.
Meilany, A.M.(2009). Analisis Structural Equation Model (SEM) untuk Mengetahui Faktor yang
mempengaruhi Derajat Kesehatan. Program Magister Jurusan Kesehatan Masyarakat
Universitas Airlangga, Surabaya.
Skrondal dan Hesketh, (2005). Structural Equation Modeling Categorical Variable, Departemen of
Statistics London School Economies and Political Science (LSE), Graduate School of
Education, Graduate Group in Biostatistics University of California.
Talangko, L. (2009). Pemodelan persamaan structural dengan maximum likelihood dan bootstrap
pada derajat kesehatan di Provinsi Sulawesi Selatan. Program Magister Jurusan Statistika
FMIPA, Institut Teknologi Surabaya.
Wold, H. (1985). Partial Least Square. In S Kotz & N.L.Johnson (Eds). Encyclopedia of Statistical
Sciences. Vol 8 (pp. 587-599). New York. Wiley.
Wijono, D. (2006). Indikator Statistik Vital Kependudukan Dan Kesehatan. Surabaya: CV. Duta Prima
Airlangga.
Wijayanto, (2008). Konsep dan Tutorial Structural Equation Modelling dengan LISRELL 8.8.
Graha Ilmu, Yogyakarta.

M - 12