Tehnik analisis yang digunakan pada penelitian adalah Structural Equation Modeling (SEM)
dengan menggunakan program AMOS (Analysis of Moment Structural). Alasan yang mendasari
digunakan SEM adalah: (1) studi ini menggunakan variabel laten yang diukur melalui indikator
variabel, (2) SEM merupakan salah satu tehnik analisis multivariat yang memungkinkan dilakukan
analisis serangkaian dari beberapa variabel laten secara simultan sehingga memberikan efisiensi
secara statistik, (3) SEM merupakan teknik analisis yang dapat digunakan untuk melihat pengaruh
atau hubungan timbal balik. Hair et al., (2006), menyatakan uji kelayakan model setara dengan
analisis konfirmatori, uji parameter yang diestimasi setara dengan regresi, dan menentukan jalur yang
dominan pengaruhnya setara dengan analisis path.
Keunggulan lain analisis SEM dibanding tehnik analisis multivariat lainnya karena dalam laten
variabel dimasukkan kesalahan pengukuran dalam model yaitu kesalahan pengukuran variabel laten
exogeneus diberi lambang (e) dibaca epsilon, sedangkan kesalahan pengukuran pada variabel
endogeneus diberi lambang Z dibaca zeta, (Hair et al, 2006). Langkah awal pengoperasian SEM
(AMOS) adalah melakukan uji asumsi yaitu:
a. Uji Normalitas Data
Uji normalitas untuk mengetahui data yang akan dianalisis menyebar normal. Uji
normalitas dimaksudkan untuk menguji apakah data yang digunakan dalarn penelitian memiliki
distribusi normal baik secara multivariat maupun univariat. Hair, et al., (2006) mengatakan
evaluasi normalitas dilakukan dengan menggunakan kriteria critical ratio skweness value
sebesar ± 1,96 pada tingkat probabilitas 95%. Data dapat disimpulkan mempunyai distribusi
normal jika nilai critical ratio skweness di bawah harga mutlak ± 1,96. Uji normalitas data
menggunakan metode univariate normality dengan melihat koefisien indeks skew univariate
(kecondongan) dan indeks kurtosis univariate (tinggi-datar). Data memenuhi syarat normalitas
data jika koefisien indeks skew univaNiate dan indeks kurtosis multivariate berada diantara 0
sampai ±1,96, (Ferdinand, 2005). Asumsi normalitas dapat pula dilakukan dengan Z-skor. Bila
Z-skor lebih besar dari nilai kritis ³ 3,0 maka dapat dikatakan distribusi data tidak normal.
b. Uji Outliers Data
Outliers terjadi bila observasi muncul dengan nilai ekstrim. Outliers disebabkan karena
kesalahan prosedur, keadaan yang benar-benar khusus, hal tertentu yang tidak diketahui
penyebabnya, atau akibat kombinasi. Outliers dapat diuji dengan menggunakan kriteria jarak
mahalanobis pada tingkat P< a= 0,025 atau 95%. Jarak mahalanobis ini dievaluasi dengan
menggunakan X2 pada derajad bebas sebesar jumlah indikator variabel yang digunakan dalam
penelitian. Bila mahalanobis > nilai X2 pada tingkat signifingkasi a= 0,025 maka terjadi
multivariate outliers. Uji outlier data untuk mengetahui pentilan data observasi yang ekstrim
(Hair et al., 2006). Outlier data dapat dilihat dari koefisien nilai mahalanobis distance, jika
koefisien niiai mahalanobis distence > X2 berarti terjadi multivariate outliers data (Ghozali,
2004).
c. Uji Multikolineritas Data.
Uji multikolinearitas data dilihat melalui matrik kovarians. Nilai determinasi matriks
kovarians yang sangat kecil menunjukkan indikasi terdapat masalah muitikolinearitas atau
singularitas, sehingga data tidak dapat digunakan untuk penelitian. Nilai determian yang sangat
kecil atau mendekati nol mengindikasikan terjadi multikolineritas data sehingga data tersebut
tidak dapat digunakan dalam penelitian, (Ghozali, 2004).
Selanjutnya dalam penelitian ini penerapan analisis SEM dilakukan dengan beberapa tahapan
yaitu:
Analisis ini digunakan untuk menunjukkan tingkat kecocokan atau kesesuaian validitas dan
reliabilitas dari indikator atau dimensi penelitian dalam mengukur konstruknya atau dengan kata lain
analisis ini menggambarkan seberapa besar setiap indikator atau dimensi dalam model mampu
menjelaskan konstruk atau variabel latennya ( Ferdinand, 2005:112).
Kriteria pengujiannya adalah memperhatikan nilai probabilitas (p) dari nilai koefisien lambda
(). Jika nilaiprobabilitas (p) lebih kecil dari nilai (0,05), maka indikator atau dimensi tersebut dapat
digunakan untuk membentuk konstruk yang diukurnya. Dengan kata lain bahwa nilai lambda ()
digunakan untuk nilai kecocokan dari indikator atau dimensi yang membentuk sebuah faktor atau
konstruk.
(2) Variabel endogen (Y2) yaitu kinerja merupakan latent endogenous variable yang diukur
melalui 14 observed variable yaitu:
Y1 : Keselamatan
Y2 : Aksesibilitas
Y3 : Tarif terjangkau
Y4 : Kapasitas
Y5 : Teratur
Y6 : Lancar dan Cepat
Y7 : Tepat waktu
Y8 : Keterpaduan
Y9 : Efisien
Y10 : Mudah
Y11 : Tertib
Y12 : Aman
Y13 : Nyaman
Y14 : Polusi rendah
Setelah penggabaran diagram jalur dilakukan, selanjutnya program AMOS versi 18.0 akan
mengkoversi spesifikasi model tersebut ke dalam persamaan structural dan persamaan spesifikasi
model pengukurannya. Persamaan struktural dirumuskan untuk menyatakan hubungan kausalitas
antara variabel (Ferdinand, 2005), sebagai berikut :
Y = 1 X1 + e ………………….……..….Persamaan (1)
Keterangan :
Y = Kinerja
X = Kepuasan
1 = Regression Weight
Keterangan :
X2-Chi square statistik, dimana model dipandang baik atau memuaskan bila nilai chisquarenya
rendah. Semakin kecil nilai chi-squarenya semakin baik model itu dan diterima berdasarkan
prababilitas dengan out - off value sebesar p>0,05.
RMSEA (The Root Mean Square Error ofAppraximation), yang menunjukkan goodness of fit
yang dapat diharapkan bila model diestimasi dalam populasi (Hair et. al. 2006). Nilai
RMSEA yang lebih kecil atau sama dengan 0,08 merupakan indeks untuk dapat
diterimanya model yang menunjukkan sebuah close fit dari model itu berdasarkan degrees
of freedom.
GFI (Goodness of Fit Index) adalah ukuran non statistik yang mempunyai rentang nilai antara 0
(poor fit) sampai dengan 1.0 (perfect fit). Nilai yang tinggi dalam indeks ini menunjukkan
sebuah better fit.
AGFI (Adjusted Goodness of Fit Indices), yaitu tingkat penerimaan yang direkomendasikan bila
AGFI mempunyai nilai sama atau lebih besar dari 0,90.
TLI (Tucker Lewis Indices) merupakan incremental index yang membandingkan sebuah model
yang diuji terhadap sebuah baseline model, dimana nilai yang direkomendasikan sebagai
acuan untuk diterimanya sebuah model adalah > 0,95 (Hair, et al, 2006) dan nilai yang
mendekati 1 menunjukkan a very good fit.
CFI (Comparative Fit Indices), dimana bila mendekati l mengindikasikan tingkat fit yang paling
tinggi, Arbucle, 1997. Nilai yang direkomendasikan adalah CFI > 0,95.
5. Uji Hipotesis
Pengujian hipotesis untuk yang menyatakan bahwa diduga ada pengaruh signifikan antara
variabel kepuasan terhadap kinerja. Hal ini dapat dilihat dengan nilai koefisien jalur antar variabel dan
nilai probabilitas (p). Apabila nilai probabilitas (p) lebih kecil dari 0,05 (p < 0,05), maka hipotesis di
terima. Begitu pula sebaliknya, Apabila nilai probabilitas (p) lebih besar dari 0,05 (p > 0,05), maka
hipotesis di tolak.