Analisis Structural Equation Model (SEM)

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:

1. Uji Konfirmatori Faktor

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.

a. Uji Konfirmatori Faktor Variabel Kepuasan

Indikator yang digunakan untuk mengukur variabel kepuasan adalah keselamatan,

aksesibilitas, tarif terjangkau, kapasitas, teratur, lancar dan cepat, tepat waktu, keterpaduan,
efisien, mudah, tertib, aman, nyaman dan polusi rendah. Empat belas variabel manifes dapat
membentuk variabel laten kepuasan apabila mempunyai nilai loading faktor () dan
probabilitas seluruh indikator variabel masih di atas angka pembatas (cut off point) 0,40 atau
40% dan nilai probabilitas di bawah  = 0,05.

b. Uji Konfirmatori Faktor Variabel Kinerja

Indikator yang digunakan untuk mengukur variabel kinerja adalah keselamatan,
aksesibilitas, tarif terjangkau, kapasitas, teratur, lancar dan cepat, tepat waktu, keterpaduan,
efisien, mudah, tertib, aman, nyaman dan polusi rendah. Empat belas variabel manifes dapat
membentuk variabel laten kinerja apabila mempunyai nilai loading faktor () dan probabilitas
 seluruh indikator variabel masih di atas angka pembatas (cut off point) 0,40 atau 40% dan nilai
probabilitas di bawah  = 0,05.

2. Pengembangan diagram jalur untuk menunjukkan hubungan kausalitas

Pengembangan diagram jalur untuk mengembangkan hubungan kausalitas yang ingin diuji,
yang dikembangkan dari persaman struktural yang disusun. Hubungan kausalitas digambarkan
dalam sebuah diagram jalur untuk menunjukkan alur hubungan antara variabel endogen dan
variabel eksogen. Dalam model persamaan structural, hubungan kausalitas cukup digambarkan
dalam sebuah diagram. Selanjutnya bahasa program akan mengkoversi gambar menjadi persamaan
dan persamaan menjadi estimasi. Pengembangan diagram jalur penelitian ini dapat dilihat pada
gambar berikut:

Gambar 4.1 Pengembangan Diagram Jalur (Path)

Identivikasi dan spesifikasi :
(1) Variabel eksogen (X) yaitu Kepuasan merupakan latent exogenous variable yang diukur
melalui 14 observed variable yaitu:
X1 : Keselamatan
X2 : Aksesibilitas
X3 : Tarif terjangkau
X4 : Kapasitas
 X5 : Teratur
X6 : Lancar dan Cepat
X7 : Tepat waktu
X8 : Keterpaduan
X9 : Efisien
X10 : Mudah
X11 : Tertib
X12 : Aman
X13 : Nyaman
X14 : Polusi rendah

(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

3. Konversi diagram jalur ke dalam persamaan struktural

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

e = Kesalahan pengukuran pertama (zeta 1) variable laten

1 = Regression Weight

4. Evaluasi model dengan Criteria Goodness-of Fit

Analisis kesesuaian model digunakan untuk mengetahui derajad kesesuaian model yang
diestirnasi dengan data hasil observasi. Model yang dibangun dalam penelitian ini dikatakan
sesuai dengan data hasil observasi jika nilai khi-kuadrat tidak signifikan, RMSEA £ 0,08, GFI
³0,90, AGFI ³0,90, CFI ³ 0,90, NFI ³ 0,90 dan TLI ³0,90. Jika model yang dibangun belum
layak diterima, maka langkah selanjutnya melakukan rnodifikasi model untuk mendapatkan
model yang fit. Kriteria yang digunakan dapat dilihat pada tabel berikut.
Tabel 4.2. Kriteria Kesesuaian Model Fit (Goodness of fit)

Goodness of fit Cut-off Keterangan

Non signifikan Digunakan n = 100-200. Model baik bilamana X2
Chi-square
tergantung α dengan derajad bebasnya tidak jauh berbeda.
digunakan
Tingkat signifikan diharapkan di atas 0,05
Probability  0.05

RMSEA ≤ 0,08 Digunakan untuk n besar

GFI ≥ 0,90 Mirip dengan R2 dalam regresi
AGFI ≥ 0,90 Mirip R2 adjusted dalam regresi
CFI ≥ 0,95 Tidak sensitif atas sampel besar

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.