STATISTIK LANJUTAN

STATISTIKA LANJUTAN 346 4. Uji Reliabilitas Reliabilitas berasal dari kata reliability. Pengertian dari reliability (rliabilitas) adalah keajegan pengukuran (Walizer, 1987). Sugiharto dan Situnjak (2006) menyatakan bahwa reliabilitas menunjuk pada suatu pengertian bahwa instrumen yang digunakan dalam penelitian untuk memperoleh informasi yang digunakan dapat dipercaya sebagai alat pengumpulan data dan mampu mengungkap informasi yang sebenarnya dilapangan. Ghozali (2009) menyatakan bahwa reliabilitas adalah alat untuk mengukur suatu kuesioner yang merupakan indikator dari peubah atau konstruk. Suatu kuesioner dikatakan reliabel atau handal jika jawaban seseorang terhadap pernyataan adalah konsisten atau stabil dari waktu ke waktu. Reliabilitas suatu test merujuk pada derajat stabilitas, konsistensi, daya prediksi, dan akurasi. 5. Penyebaran Kuesioner Setelah kuesioner dianggap telah memenuhi syarat validitas dan reliabilitas, maka kuesioner siap untuk disebarkan kepada para responden yang telah ditentukan sebelumnya. 6. Pengumpulan Data Setelah kuesioner telah selesai disebarkan, maka saatnya data-data tersebut dikumpulkan. Cara yang selanjutnya adalah dengan cara menilai hasil dari isian-isian para

STATISTIKA LANJUTAN 347 responden. Hasil tersebut akan dinilai melalui sebuah nilai angka, angka-angka inilah yang kita kumpulkan menjadi data. 7. Penginputan Data Setelah data kita dapatkan, maka Langkah berikutnya adalah menginput data ke dalam sebuah tabel yang sudah kita susun secara sistematis di perangkat lunak Microsoft Excel secara manual. Data ini kita butuhkan dalam penghitungan yang nantinya akan dibantu oleh aplikasi SPSS. Di bawah ini adalah sata yang telah disusun dengan sistematis melalui Microsoft Excel. Gambar 4. Contoh Hasil Penginputan Data

STATISTIKA LANJUTAN 348 8. Pengaturan Variabel-Vaeriabel pada SPSS Langkah yang dilakukan berikutnya adalah melakukan penggunaan aplikasi penghitungan analisis jalur menggunakan aplikasi SPSS. Yang harus dilakukan pertama adalah mengunduh aplikasi lalu di-install hingga terpasang dan siap untuk digunakan. Setelah SPSS siap digunakan, Langkah selanjutnya adalah membuka halam awal SPSS. Dalam halaman awal tersebut, ada dua jendela utama yang bis akita pilih, yaitu “variabel view” dan “data view”. Yang kita pilih terlebih dahulu adalah jendela “variable view”. Setelah itu, saatnya kita mengatur isian tiap-tiap variabelnya sesuai dengan judul yang telah kita tentukan. Berikut adalah gambar isian-isian varibel yang telah disusun. Gambar 5. Isian Variabel pada SPSS (variable view)

STATISTIKA LANJUTAN 349 9. Penyalinan Data dari Microsoft Excel ke SPSS Langkah selanjutnya adalah melakukan penghitungan Analisis Regresi model 1 menggunakan aplikasi SPSS. Dalam halaman awal tersebut, ada dua jendela utama yang bis akita pilih, yaitu “variabel view” dan “data view”. Yang kita pilih dalam penghitungan kali ini adalah jendela “data view”. Selanjutnya, kita perlu membuka Kembali data yang telah kita kumpulkan sebelumnya di perangkat Microsoft Excel secara manual seperti pada Gambar 4. di atas. Usahakan susunan penulisan variabel pada Microsoft Excel dan SPSS tersusun secara sama agar dengan mudah kita tinggal menyalin data yang ada pada Microsoft Excel ke “data vie” SPSS. Berikut adalah hasil Salinan data dari Microsoft Excel ke “data view” pada SPSS. Gambar 6. Penginputan Data Salinan dari Microsoft Excel ke SPSS

STATISTIKA LANJUTAN 350 10. Pemetaan Penghitungan Analisis Regresi Model 1 Berikutnya adalah saatnya mengatur dan menghitung Analisis Regresi Model 1 menggunakan SPSS tersebut sepeti pada gambar di bawah ini dengan cara memilihi fitur “regression” pada bagian atas halaman SPSS, setelah terbuka maka akan banyak pilihan berikutnya, lalu pilih “linier”. Lalu pemetaan siap dilakukan seperti pada gambar di bawah ini. Gambar 7. Pengaturan Pemetaan Penghitungan Regresi Model 1 Setelah pemetaan selesai, saat kita melakukan penghitungan hanya cukup dengan meng-klik ok. 11. Output SPSS Regresi Model 1 Setelah Langkah di atas dilakukan, maka secara otomatis, aplikasi SPSS akan menghitung Analisis Regresi Model 1. Tidak sampai hitungan detik, Output penghitungan Analisis Regresi Model 1 akan tampil secara otomatis seperti pada gambar di bawah ini.

STATISTIKA LANJUTAN 351 Gambar 8. Output SPSS Regresi Model 1 12. Pemetaan Analisis Regresi Model 2 Langkah selanjutnya adalah melakukan penghitungan Analisis Regresi model 2 menggunakan aplikasi SPSS. Dalam halaman awal tersebut, ada dua jendela utama yang bis akita pilih, yaitu “variabel view” dan “data view”. Sama dengan Analisis Regresi model 1, yang kita pilih dalam penghitungan kali ini adalah jendela “data view”. Berikutnya adalah saatnya mengatur dan menghitung Analisis Regresi Model 1 menggunakan SPSS tersebut sepeti pada gambar di bawah ini dengan cara memilihi fitur “regression” pada bagian atas halaman SPSS, setelah terbuka maka akan banyak pilihan berikutnya, lalu pilih “linier”. Lalu pemetaan siap dilakukan seperti pada gambar di bawah ini. Lalu pemetaan siap dilakukan seperti pada gambar di bawah ini.

STATISTIKA LANJUTAN 352 Gambar 9. Pengaturan Pemetaan Penghitungan Regresi Model 2 13. Output SPSS Regresi Model 2 Setelah Langkah di atas dilakukan, sama seperti pada Regresi Model 1, maka secara otomatis, aplikasi SPSS akan menghitung Analisis Regresi Model 2. Tidak sampai hitungan detik, Output penghitungan Analisis Regresi Model 2 akan tampil secara otomatis seperti pada gambar di bawah ini. Gambar 10. Output SPSS Regresi Model 2

STATISTIKA LANJUTAN 353 14. Interpretasi Temuan Mengacu pada output regresi model 1 pada tabek “coefficients”, dapat diketahui bahwa signifikansi dari variable X1 = 0.049 dan X2 = 0.000 lebih kecil dari 0.05. hasil ini menyimpulkan bahwa variable X1 dan X2 berpengaruh yang signifikan terhadap Y. Mengacu pada “model summary” besaran R Square adalah 0.161. Ini menunjukan bahwa sumbangsi pengaruh X1 dan X2 terhadap Y sebesar 16.1%, sementara sisanya 83.9% dipengaruhi oleh variable lain yang tidak ada dalam penelitian. Nilai e1 = √1 − 0,161 = 0.9159. Mengacu pada output regresi model 2 pada tabek “coefficients”, dapat diketahui bahwa signifikansi dari variable X1 = 0.637, X2 = 0.000, dan Y= 0.000 ada yang lebih kecil dari 0.05. hasil ini menyimpulkan bahwa variable X2 dan Y

STATISTIKA LANJUTAN 354 berpengaruh signifikan terhadap Z, sedangkan X1 tidak signifikan. Mengacu pada “model summary” besaran R Square adalah 0.381. Ini menunjukan bahwa sumbangsi pengaruh X1, X2, dan Y terhadap Z sebesar 38.1%, sementara sisanya 61.9% dipengaruhi oleh variable lain yang tidak ada dalam penelitian. Nilai e2 = √1 − 0,381 = 0.7867. Gambar 12. Interpretasi Analisis Regresi Model 2 15. Uji Hipotesis a. Analisis pengaruh X1 terhadap Y: diperoleh nilai signifikansi X1 sebesar 0.049 lebih kecil dari 0.05 sehingga secara langsung terdapat pengaruh yang signifikan X1 terhadap Y. b. Analisis pengaruh X2 terhadap Y: diperoleh nilai signifikansi X2 sebesar 0.000 lebih kecil dari 0.05 sehingga secara langsung terdapat pengaruh yang signifikan X2 terhadap Y.

STATISTIKA LANJUTAN 355 c. Analisis pengaruh X1 terhadap Z: diperoleh nilai signifikansi X1 sebesar 0.637 lebih besar dari 0.05 sehingga secara langsung tidak terdapat pengaruh yang signifikan X1 terhadap Z. d. Analisis pengaruh X2 terhadap Z: diperoleh nilai signifikansi X2 sebesar 0.000 lebih kecil dari 0.05 sehingga secara langsung terdapat pengaruh yang signifikan X2 terhadap Z. e. Analisis pengaruh Y terhadap Z: diperoleh nilai signifikansi Z sebesar 0.000 lebih kecil dari 0.05 sehingga secara langsung terdapat pengaruh yang signifikan Y terhadap Z. f. Analisis pengaruh X1 melalui Y terhadap Z: pengaruh langsung dari X1 terhadap Z sebesar –0.036, sedangkan pengaruh tidak langsung X1 melalui Y terhadap Z adalah (beta X1 terhadap Y dikali beta Y terhadap Z), yaitu: 0.172 x 0.663 = 0,114. Berdasarkan hasil perhitungan tersebut, diketahui pengaruh langsung = –0.036 dan pengaruh tidak langsung = 0,114. Artinya pengaruh tidak langsung lebih besar daripada pengaruh langsung. Hasil tersebut menunjukan bahwa secara tidak langsung X1 melalui Y berpengaruh signifikan terhadap z.

STATISTIKA LANJUTAN 356 g. Analisis pengaruh X2 melalui Y terhadap Z: pengaruh langsung dari X2 terhadap Z sebesar 0.319, sedangkan pengaruh tidak langsung X1 melalui Y terhadap Z adalah (beta X2 terhadap Y dikali beta Y terhadap Z), yaitu: -0.357 x 0.663 = -0,237. Berdasarkan hasil perhitungan tersebut, diketahui pengaruh langsung = 0.319 dan pengaruh tidak langsung = -0,237. Artinya pengaruh tidak langsung lebih kecil daripada pengaruh langsung. Hasil tersebut menunjukan bahwa secara tidak langsung X2 melalui Y tidak berpengaruh signifikan terhadap z. h. Dari serangkaian pembahasan atas hasil di atas, kita dapat menarik simpulan bahwa hipotesis yang berbunyi “Pengaruh Gaya Kepemimpinan (X1) dan Lingkungan Kerja (X2) melalui Motivasi (Y) terhadap Kinerja Guru (Z)” tidak signifikan.

STATISTIKA LANJUTAN 357 DAFTAR PUSTAKA Cahyani, Ni Wayan Wiwin., I Ketut Tangking Widarsa. (2014). Penerapan Analisis Jalur dalam Analisis Faktor Determinan Ekslusivitas Pemberian ASI di Wilayah Kerja Puskesmas Payangan, Gianyar. Jurnal: Community Health. Vol II (1). Ceraka, E,R., S.Sugiarto. 2017. Path Analysis Terhadap FaktorFaktor Yang Mempengaruhi Prestasi Siswa. Jurnal Akuntabilitas: Manajemen Pendidikan. Vol 5 (2). https://doi.org/10.21831/amp.v5i2.10910 Hakam, Malik., Sudarno., Abdul Hoyyi. (2015). Analisis Jalur terhadap Faktor-faktor yang mempengaruhi Indeks Prestasi Kumulatif (IPK) Mahasiswa Statistika Undip. Jurnal: Gaussian. Vol 4 (1). Retnawati, Hri. (2017). Analisis Jalur, Analisis Faktor Konfirmatori dan Pemodelan Persamaan Strutural. Makalah Kegiatan Workshop. Fakultas Ekonomi dan Bisnis IAIN Batusangkar. Setyorini, D., Achmad Syahlani. 2019. Analisis Jalur (Path Analysis) Pengaruh Kondisi Sosial Ekonomi Dan Motivasi Belajar Terhadap Prestasi Belajar Mahasiswa. Jurnal Akuntansi dan Manajemen. Vol 16 (2). Sudjana, (1992). Metoda Statistika (Edisi ke 5). Bandung: Tarsito Sugiyono (2003). Statistika untuk Penelitian. Bandung: Alfabeta.

STATISTIKA LANJUTAN 358 STRUCTURAL EQUATION MODELLING (SEM) Istihayyu Buansari Program Studi Doktor Linguistik Terapan Universitas Negeri Jakarta [email protected] A. Pendahuluan Structural Equation Modelling (SEM) merupakan salah satu teknik dalam analisis kuantitatif yang termasuk ke dalam teknik analiis multivariat yang dikembangkan untuk menutupi keterbatasan yang dimiliki oleh model analisis yang sebelumnya pada penelitian statistik seperti analisis regresi, analisis jalur, ataupun analisis faktor konfirmatori. Structural Equation Model (SEM) adalah salah satu metode penelitian yang paling sering digunakan untuk penelitian di bidang ilmu sosial, psikologi, menejemen, ekonomi, sosiologi, ilmu politik, ilmu pemasaran, dan pendidikan. Pada dasarnya, Structural Equation model (SEM) atau model persamaan struktural merupakan gabungan dari dua metode yang digunakan dalam statstik yang terpisah yaitu analisis faktor yang dikembangkan di ilmu psikologi dan psikometri dan persamaan simultan yang dikembangkan di ekonometrika.

STATISTIKA LANJUTAN 359 Asumsi yang mendasar pada SEM adalah jenis data kontinu dan terdistribusi normalitas multivariat. Tetapi dalam banyak penelitian baik dalam perilaku sosial, pendidikan, maupun ilmu medis seringkali data berasal dari variabel ordinal dengan pengamatan dalam bentuk diskrit. Sehingga, sangat menarik untuk mengetahui secara lebih mendalam mengenai teknik analisis SEM dalam kajian ilmu statistik. B. Pembahasan 1. Structural Equation Model (SEM) Structural Equation Model adalah salah satu metode penelitian multivariate yang paling sering digunakan untuk penelitian di bidang ilmu sosial, psikologi, menejemen, ekonomi, sosiologi, ilmu politik, ilmu pemasaran, dan pendidikan. Alasan yang mendasari digunakannya SEM dalam penelitian – penelitian tersebut adalah karena SEM dapat menjelaskan hubungan antar beberapa variabel yang ada dalam penelitian. (Albertin, 2011). Structural Equation model atau model persamaan struktural merupakan gabungan dari dua metode yang digunakan dalam statstik yang terpisah yaitu analisis faktor yang dikembangkan di ilmu psikologi dan psikometri dan persamaan simultan yang dikembangkan di ekonometrika (Ghozali,2011).

STATISTIKA LANJUTAN 360 Pendapat serupa dikemukakan oleh Ida (2008) menjelaskan bahwa pemodelan persamaan struktural adalah salah satu kajian statistika yang dapat digunakan untuk menganalisis suatu hubungan yang dibentuk melalui satu atau lebih peubah tak bebas yang dijelaskan oleh satu atau lebih peubah bebas. Model persamaan struktural mengombinasikan beberapa aspek yang terdapat pada analisis jalur dan analisis faktor konfirmatori untuk mengestimasi beberapa persamaan secara simultan sehingga menjadi satu kesatuan metode statistik yang komprehensif (Dodi, 2014). Skrondal dan Hesketh (2004) mengatakan bahwa SEM mempunyai dua komponen model utama, yaitu model pengukuran dan model struktural. Model pengukuran merupakan suatu model yang menghubungkan variabel observed atau indikator dengan variabel laten (unobserved). Sedangkan model struktural merupakan hubungan antar variabel yang dibentuk dari variabel indikator. Menurut Hair, dkk (1998) membagi beberapa tahapan pendekatan standar dalam pemodelan persamaan struktural antara lain spesifikasi model, identifikasi model, estimasi parameter model, uji kecocokan model dan modifikasi model. Dalam estimasi parameternya, SEM pada umumnya menggunakan struktur

STATISTIKA LANJUTAN 361 kovariansi. Oleh karena itu, model SEM dikenal sebagai model struktur kovariansi atau lebih populer dikenal sebagai LISREL (Linear Structural Relationship). Tujuan estimasi parameter ini adalah untuk menghasilkan matriks kovariansi model yang konvergen pada matriks kovariansi sampel yang diobservasi. Dalam mengambil keputusan yang tepat pada metode estimasi apa yang akan digunakan sangat mempengaruhi hasil yang diperoleh pada penelitian yaitu hasil parameter model, nilai kesalahan standar serta indeks kecocokan model. 2. Alasan menggunakan SEM Structural Equation Model (SEM) dipilih oleh beberapa peneliti dalam menjalankan penelitian kuantitatif. Pada dasarnya SEM merupakan model gabungan dari analisis faktor danmodel struktural atau hubungan antar kontak dan mengestimasi keduanya secara bersamaan. Menurut Hendryadi & Suryani (2014) SEM sendiri menjadi populer sebagai lanjutan metode statistik lanjutan yang sekarang dipergunakan di berbagai bidang seperti biometric, ekonometrik, psikometrik, dan sosiometrik. SEM juga dapat digunakan pada penelitian manajemen seperti Sumber Daya Manusia, Pemasaran, Keuangan, dan lainnya.

STATISTIKA LANJUTAN 362 (Hendryadi & Suryani 2014) Seperti pada contoh di atas terdapat model pengukuran SEM yang terdiri dari model CPQ (customer perceived quality), CSAT (customer satisfaction), LOY (customer loyality) dan WOM (word of mouth). Sedangkan model strukutral yaitu terdiri atas hubungan antar kontak yang ingin diuji terhadap CSAT, CSAT terhadap LOY, CSAT terhadap WOM, dan LOY teradahp WOM. Dengan mengestimasi model ini secara bersamaan, maka memungkinkan peneliti untuk dapat 1) menguji validitas dan reliabilitas indikator pada masing-masing konstrak, dan 2) untuk menguji hipotesis atau hubungan antar konstrak. 3. Asumsi dalam Structural Equation Model Asumsi mendasar pada SEM adalah jenis data kontinu dan terdistribusi normalitas multivariat. Tetapi dalam banyak penelitian baik dalam perilaku sosial,

STATISTIKA LANJUTAN 363 pendidikan, maupun ilmu medis seringkali data berasal dari variabel ordinal dengan pengamatan dalam bentuk diskrit. Contoh variabel tersebut adalah item sikap, skala Likert, skala penilaian dan sejenisnya. Kasus khusus ketika subjek diminta untuk melaporkan beberapa sikap dalam skala seperti tidak setuju, kurang setuju, cukup setuju, setuju, sangat setuju untuk melaporkan tingkat kualitas pelayanan terhadap kepuasan dan loyalitas pelanggan yang dipandang sebagai variabel ordinal dengan skala Likert lima poin yaitu 1, 2, 3, 4, 5 (Isnayanti & Abdurakhman,2019). Terdapat beberapa asumsi yang harus dipenuhi dalam Structural Equation Modelling (SEM) untuk melakukan pada penelitian selanjutnya adalah sebagai berikut. 1. Ukuran sampel yang digunakan dalam metode SEM adalah minimal sebanyak 100 sampel. (Ghozali & Fuad, 2005) 2. Berdistribusi normal multivariat merupakan pemeriksaan kenormalan data ini dilakukan dengan menghitung jarak kuadrat untuk setiap pengamatan (Johnson & Wichern, 2007). Langkah-langkah yang dilakukan untuk melakukan uji kenormalan data adalah sebagai berikut.

STATISTIKA LANJUTAN 364 4. Penulisan dan penggambaran variabel pada SEM Dalam SEM yang menjadi perhatian lebih adalah variabel laten yaitu konsep abstrak psikologi pelanggan. Peneliti harus mengamati hubungan variabel laten tersebut dengan variabel manifes. Berikut akan dijelaskan mengenai penulisan dan penggambaran variabel – variabel yang terdapat pada SEM.

STATISTIKA LANJUTAN 365 1) Variabel laten (variabel yang tidak dapat diukur secara langsung) Di dalam SEM, variabel laten digambarkan dengan bulat oval atau elips. Ada dua jenis variabel laten yaitu variabel laten endogen dan variabel laten eksogen. Variabel laten endogen adalah variabel laten yang bergantung, atau variabel laten yang tidak bebas. Variabel laten eksogen adalah variabel laten yang bebas. Dalam SEM variabel laten eksogen dilambangkan dengan karakter ‘ksi’ () dan variabel laten endogen dilambangkan dengan karakter ‘eta’ (). Dalam bentuk grafis variabel laten endogen menjadi target dengan satu anak panah (→) atau hubungan regresi, sedangkan variabel laten eksogen menjadi target dengan 2 anak panah (↔) atau hubungan korelasi. 2) Variabel Manifest Variabel manifest adalah variabel yang langsung dapat diukur. Variabel manifest digunakan sebagai indikator pada konstruk laten. Variabel manifest digambarkan dengan kotak. Variabel manifest digunakan untuk membentuk konstruk laten. Variabel manifest ini diwujudkan dengan pertanyaan – pertanyaan kepada responden dengan skala likert. Responden akan diberi pertanyaan dengan 5 ketegori

STATISTIKA LANJUTAN 366 jawaban yaitu sangat tidak setuju, tidak setuju, netral, setuju, dan sangat setuju (Ghozali, 2005:11). Varibel manifest untuk membentuk konstruk laten eksogen diberi symbol X sedangkan varibel manifest untuk membentuk konstruk laten endogen diberi simbol Y. 3) Model Struktural Model struktural meliputi hubungan antar variabel laten dan hubungan ini dianggap linear. Parameter yang menggambarkan hubungan regresi antar variabel laten umumnya ditulis dengan lambang untuk regresi variabel laten eksogen ke variabel endogen dan ditulis dengan lambang untuk regresi satu variabel laten endogen ke variabel endogen yang lainnya. Variabel laten eksogen dapat pula dikorelasikan satu sama lain dan parameter yang menghubungkan korelasi ini ditulis dengan lambang (Ghozali, 2005:11). 4) Kesalahan Struktural (Structural Error) Sangat tidak memungkinkan untuk melakukan prediksi secara sempurna, oleh karena itu SEM memasukkan kesalahan structural yang ditulis dengan lambang ‘zeta’. Kesalahan struktural ini dikorelasikan dengan variabel laten endogen.

STATISTIKA LANJUTAN 367 5) Model Pengukuran (Measurement Model) Setiap variabel laten biasanya dihubungkan dengan multiple measure. Hubungan antar variabel laten dengan pengukurannya, dilakukan lewat factor analytic measurement model, yaitu setiap variabel laten dibuat model sebagai faktor umum dari pengukurannya. Nilai yang menghubungkan variabel laten dengan pengukurannya diberi simbol ‘lamda’ 6) Kesalahan Pengukuran (Measurement Error) Kesalahan pengukuran yang berhubungan dengan pengukuran X diberi lambang ‘delta’. Sedangkan kesalahan pengukuran yang berhubungan dengan pengukuran Y diberi lambang ‘epsilon’ . 5. Tahapan Pengukuran Menggunakan SEM 1) Pengembangan Model Teoritis Langkah pertama dalam SEM adalah melalukan identifikasi secara teoretis terhadap permasalahan penelitian. Topik penelitian ditelaah secara mendalam dan hubungan antara variabel-variabel yang akan dihipotesiskan harus didukung oleh justifikasi teori yang kuat. Sebagai contoh saat akan melakukan penelitian terhadap kepuasan pelanggan, peneliti harus

STATISTIKA LANJUTAN 368 memahami teori pemasaran mengenai hal-hal apa saja yang akan mempengaruhi kepuasan pelanggan. Hal ini dikarenakan SEM adalah untuk mengkonfirmasikan apakah data observasi sesuai dengan teori atau tidak. Langkah ini mutlak harus dilakukan dan setiap hubungan yang akan digambarkan dalam langkah lebih lanjut harus mempunyai dukungan teori yang kuat. Pernyataan dalam hubungan antar variabel dalam model harus memenuhi syarat kausalitas (Gudono, 2006). Tiga syarat kausalitas tersebut adalah: a) Antara dua variabel (misalnya X dan Y) sama-sama berubah nilainya. Dengan kata lain, ada kovarian ataupun korelasi antara X dan Y. Namun demikian syarat ini saja tidak cukup bilamana ternyata ada variabel ketiga yang menjadi penyebab keduanya. b) Penyebab (misalnya X) terjadi lebih dahulu (dari aspek waktu) dibandingkan dengan yang disebabkan (misalnyaY). Syarat ini tampak jelas dipengaruhi oleh pandangan pandangan yang bersifat positivis. Dalam pengamatan di bidang ilmu sosial, syarat ini yang dipengaruhi sifat positivis perlu ditafsirkan secara hati-hati.

STATISTIKA LANJUTAN 369 Misalnya, seorang investor yang kuatir harga saham akan turun mungkin akan segera menjual sahamnya dan tindakan tersebut justru benar-benar menyebabkan perubahan harga saham. Dalam kasus itu, apakah penurunan harga saham yang menjadi penyebab tindakan menjual saham, atau sebaliknya. c) Peneliti telah menghilangkan kemungkinan faktor – faktor lain sebagai penyebab perubahan variabel dependen (Misalnya Y). syarat ini cukup sulit untuk dipenuhi, karena kenyataanya di dunia ini ada banyak sekali variabel yang saling mempengaruhi. 2) Pengembangan Diagram Alur Setelah memastikan adanya hubungan sebab akibat pada tahap pertama, langkah selanjutnya yang dilakukan adalah menyusun diagram jalur untuk hubungan – hubungan tersebut. Ada dua hal yang perlu dilakukan yaitu menyusun model struktural yaitu menghubungkan antar variabel laten baik endogen maupun eksogen dan menyusun measurement model yaitu menghubungkan variabel laten endogen atau eksogen dengan variabel manifest. Kesepakatan yang ada dalam penggambaran diagram jalur telah

STATISTIKA LANJUTAN 370 dikembangkan oleh LISREL, sehingga tinggal menggunakannya saja (Timm, 2002). 3) Konversi diagram jalur ke dalam persamaan struktural dan model pengukuran Langkah ketiga adalah mengkonversikan diagram jalur ke dalam persamaan, baik persamaan struktural maupun persamaan model pengukuran. Sebenarnya langkah ini telah dilakukan secara otomatis oleh program SEM yang tersedia (AMOS) sebagai salah satu alat bantu yang dapat digunakan oleh seseorang. 4) Memilih jenis matriks input dan estimasi model yang diusulkan Pada awalnya model persamaan struktural diformulasikan dengan menggunakan input matriks varian / kovarian. matriks kovarian memiliki kelebihan daripada matriks korelasi dalam memberikan validitas perbandingan antara populasi yang berbeda atau sampel yang berbeda (Ghozali, 2007:63). namun demikian interpretasi atas dasar unit pengukuran variabel. Matriks korelasi dalam model persamaan struktural tidak lain adalah standardize varian dan kovarian. Penggunaan korelasi cocok jika

STATISTIKA LANJUTAN 371 tujuan penelitiannya hanya untuk memahami pola hubungan antar variabel. Penggunaan lain adalah untuk membandingkan beberapa variabel yang berbeda. Matriks kovarian mempunyai kelebihan dibandingkan matriks korelasi dalam memberikan validitas perbandingan antara populasi yang berbeda atau sampel yang berbeda. Namun matriks kovarian lebih rumit karena nilai koefisien harus diinterpretasikan atas dasar unit pengukuran. 5) Menilai identifikasi model struktural Model struktural dikatakan baik apabila memiliki satu solusi untuk satu estimasi parameter. Dalam satu model sangat mungkin memiliki banyak solusi, sehingga dipilih solusi yang sesuai. Pemilihan solusi yang sesuai itu yang sering disebut dengan masalah identifikasi. Hal yang berkaitan dengan masalah identifikasi model struktural adalah ketika proses estimasi berlangsung, sering diperoleh hasil estimasi yang tidak logis. Cara melihat ada atau tidaknya problem identifikasi adalah dengan melihat hasil estimasi yang meliputi:

STATISTIKA LANJUTAN 372 a) Adanya nilai standar eror yang besar untuk satu atau lebih koefisien. b) Nilai estimasi yang tidak mungkin, misalnya variansi eror yang bernilai negatif. c) Adanya nilai korelasi yang tinggi (>0.90) antar koefisien estimasi. 6) Menilai kriteria Goodness-of-Fit Sebelum menilai kelayakan dari model, langkah yang harus dilakukan adalah menilai apakah data yang akan diolah memenuhi asumsi persamaan struktural. Ada tiga asumsi dasar yang harus dipenuhi untuk dapat menggunakan SEM yaitu: a) Observasi data independent b) Responden diambil secara random c) Memiliki hubungan linear C. Penelitian Relevan Menggunakan SEM Penelitian tentang Structural Equation Modelling telah dilakukan oleh beberapa peneliti sebelumnya. Penelitian menggunakan SEM diantaranya dilakukan oleh: 1. Nie Anggun Parastika (2016) dengan judul penelitian Structural Equation Modelling Untuk Analisis Pengaruh Dukungan Sosial dan Pengetahuan Terhadap Motivasi

STATISTIKA LANJUTAN 373 Sebagai Tindakan Penyembuhan Penderita Tuberculosis di Wilayah Surabaya Tengah. Abstrak Kota Surabaya merupakan urutan pertama penyebaran penyakit tuberculosis tertinggi di Jawa Timur, dengan sebanyak 4.212 warga terinfeksi virus Mycobacterium Tuberculosis. 10 Tingkat keberhasilan penyembuhan yang masih rendah memberi peluang terjadinya penularan penyakit tuberculosis terhadap anggota keluarga atau warga sekitar cukup besar, sehingga akan berdampak negatif bagi kesehatan masyarakat. Beberapa faktor yang diduga mempengaruhi motivasi sebagai tindakan penyembuhan penyakit tuberkulosis antara lain yaitu dukungan sosial dan pengetahuan. Metode yang digunakan dalam penelitian ini yaitu dengan metode SEM (Structural Equation Modelling ) kerena variabel yang dipakai adalah variabel yang tidak terukur. Data yang digunakan dalam penelitian ini adalah data sekunder dan data primer. Data sekunder diperoleh dari data penderita tuberculosis yang melakukan pemeriksaan di puskesmas wilayah tengah kota Surabaya pada periode Januari hingga Desember 2015. Sedangkan data primer diperoleh secara langsung melalui survei terhadap penderita penyakit tuberculosis Tujuan dari penelitian ini adalah mengetahui pengaruh dukungan sosial

STATISTIKA LANJUTAN 374 dan pengetahuan terhadap motivasi sebagai tindakan penyembuhan penderita tuberkulosis. Hasil penelitian menyatakan bahwa dukungan sosial dan pengetahuan sebagai variabel intervening berpengaruh signifikan terhadap motivasi penderita sebagai tindakan penyembuhan tuberculosis. 2. Penelitian yang dilakukan oleh Dodi Kurniawan (2014) dengan judul penelitian Analisis Pengaruh Tingkat Pelayanan Terhadap Loyalitas Pengunjung Kawasan Wisata Pantai Parangtritis dengan Menggunakan Structural Equation Model (SEM). Abstrak Structural Equation Model (SEM)merupakan gabungan daridua metode statistikyang terpisah yaitu analisis faktor (factor analysis) yang dikembangkan di ilmu psikologi dan psikometri dan model persamaan simultan (simultaneous equation modeling) yang dikembangkan di ekonometrika. Dalam penelitian ini, SEM digunakan untuk menganalisis pengaruh tingkat pelayanan terhadap loyalitas pengunjung kawasan wisata pantai Parangtritis.Tujuan penulisan skripsi ini adalah mendeskripsikan hasil analisis pengaruh tingkat pelayanan terhadap loyalitas pengunjung kawasan wisata pantai Parangtritis dengan menggunakan SEM. Tahapan Pemodelan dengan SEM terdiri atas beberapa

STATISTIKA LANJUTAN 375 tahap yaitu: (1) pengembangan model berdasar teori, (2) menyusun diagram jalur, (3) menyusun persaaman struktural, (4) memilih jenis input matriks dan estimasi model yang diusulkan, (5) menilai 11 identifikasi model struktural, (6) menilai kriteria goodness of fit, (7) intepretasi dan modifikasi model. Variabel yang dipakai yaitu tangible, reliability, responsiveness, assurance, emphaty, kepuasan dan loyalitas. Pemilihan sampel dalam penelitian inimenggunakan teknik pengambilan sampel random.Ukuransampel yang digunakan dalam penelitian ini sebanyak 100 orang.Hasilnya asumsi yang disyaratkan dalam analisis SEM telah terpenuhi, yaitu: normalitas (CR=2,414), tidak ada outlier (nilai mahalonobis distance > 0,001) sampel cukup (n=100). Hasil analisis model menunjukan model fit (Chi Square = 597,647,P = 0,097 ,CMIN/DF=1,079 , GFI= 0,769 , RMSEA=0,028 , TLI=0,929 dan PGFI=0,676). Dari 5 dimensi tingkat pelayanan terdapat 2 dimensi yang berpengaruh signifikan terhadap kepuasan, yaitu dimensi responsiveness dan assurance. 3. Penelitian yang dilakukan oleh Albertin Yunita Nawangsari (2011) dengan judul penelitian Structural

STATISTIKA LANJUTAN 376 Equation Modeling Pada Perhitungan Indeks Kepuasan Pelanggan Dengan Menggunakan Software Amos. Abstrak Penulisan skripsi ini bertujuan untuk menjelaskan analisis data dengan metode structural equation modeling yang selanjutnya digunakan sebagai metode analisis data untuk mengukur kepuasan pelanggan mahasiswa FMIPA UNY terhadap operator IM3. Dalam penelitian ini structural equation modeling digunakan untuk menganalisis hubungan antara value, quality, best score, dan customer satisfaction. Analisis SEM akan digunakan untuk menentukan model terbaik pada perhitungan indeks kepuasan mahasiswa UNY terhadap operator IM3. Metode yang digunakan dalam mengumpulkan data adalah metode judgement sampling. Data dikumpulkan dengan membagikan kuesioner kepada mahasiswa FMIPA UNY angkatan 2007- 2010. Untuk menganalisis data tersebut digunakan metode SEM dengan bantuan software AMOS. Analisis SEM mempunyai tujuh tahapan, yaitu: (1) pengembangan model teoritis, (2) pengembangan diagram jalur, (3) konversi diagram jalur ke persamaan struktural, (4) memilih matriks input dan jenis estimasi, (5) mengidentifikasi model, (6) menilai kriteria goodness of fit, (7) menginterpretasikan hasil. Untuk mengukur indeks

STATISTIKA LANJUTAN 377 kepuasan mahasiswa FMIPA UNY terhadap operator IM3, model yang dipilih adalah model yang digunakan untuk mengukur ICSI (Indonesian Customer Satisfaction Indeks). Model perhitungan ICSI ternyata dapat digunakan untuk mengukur kepuasan mahasiswa FMIPA UNY terhadap operator IM3 karena model teridentifikasi dan telah memenuhi kriteria goodness of fit. Berdasarkan hasil penelitian, 12 kepuasan mahasiswa FMIPA UNY terhadap operator IM3 memiliki nilai indeks yang tinggi yaitu sebesar 77,75%. D. Penerapan SEM dalam Penelitian Penelitian menggunaka Structural Equation Modeling telah digunakan oleh beberapa peneliti terdahulu. Penulis mengambil contoh penggunaan SEM pada penelitian yang dilakukan oleh Zakheus, dkk (2021) dengan judul penelitian Structural Equation Modeling untuk Mengukur Pengaruh Pelayanan, Harga, dan Keselamatan Terhadap Tingkat Kepuasan Pengguna Jasa Angkutan Umum selama Pandemi Covid-19 di Kota Ambon. Beberapa langkah dalam penelitian ini untuk mendapatkan data yang valid menggunakan model analisis SEM yaitu: 1. Menghitung variabel kepuasan penumpang (Y)

STATISTIKA LANJUTAN 378 Langkah pertama yang dilakukan oleh peneliti tersebut yaitu menghitung variabel kepuasa penumpang dengan memiliki 3 butir pertanyaan dalam instrumen serta memiliki 5 pilihan jawaban yaitu sangat puas, puas, cukup tidak puas, dan sangat tidak puas. Masing-masing skor pada butir soal tersebut yaitu Skor tertinggi 5x3 = 15 Skor terendah 1x3 = 3 Berikut ini hasil perhitungan yang telah dilakukan: Berdasarkan Tabel 1, banyaknya responden yang mempersepsikan kepuasan penumpang pada kualifikasi atau kategori sangat puas sebanyak 64 responden (64%), kualifikasi atau kategori puas sebanyak 31 responden (31%), kualifikasi atau kategori cukup sebanyak 2 responden (2%), sisanya pada kualifikasi atau kategori

STATISTIKA LANJUTAN 379 tidak puas sebanyak 2 responden (2%), dan kualifikasi atau kategori sangat tidak puas sebanyak 1 responden (1%). Hal ini dapat disimpulkan kepuasan penumpang pada jasa angkutan umum di Kota Ambon selama masa pandemi Covid-19 secara umum memiliki kualifikasi sangat puas. 2. Menghitung variabel mutu pelayanan (X1) Langkah selanjutnya yang dilakukan oleh peneliti dalam penelitian yang dilakukan tersebut yaitu menghitung jumlah variabel mutu pelayanan yang memiliki 3 butir pertanyaan pada instrumen dengan memiliki 5 pilihan jawaban yaitu sangat puas, puas, cukup, tidak puas, dan sangat tidak puas. Berikut ini hasil perhitungan yang telah dilakukan terhadap variabel mutu pelayanan Berdasarkan Tabel 2, banyaknya responden yang mempersepsikan mutu pelayanan pada kualifikasi atau kategori sangat puas sebanyak 25 responden (25%), kualifikasi atau kategori puas sebanyak 58 responden (58%), kualifikasi atau kategori cukup sebanyak 13

STATISTIKA LANJUTAN 380 responden (13%), sisanya pada kualifikasi atau kategori tidak puas sebanyak 4 responden (4%), dan kualifikasi atau kategori sangat tidak puas sebanyak 0 responden (0%). Hal ini dapat disimpulkan mutu pelayanan penumpang pada jasa angkutan umum di Kota Ambon selama masa pandemi Covid-19 secara umum memiliki kualifikasi puas. 3. Menghitung variabel harga Pada perhitungan harga yang dilakukan oleh peneliti pun memiliki 5 pilihan jawaban yaitu sangat terjangkau, terjangkau, cukup, tidak terjangkau, dan sangat tidak terjangkau. Berikut ini hasil perhitungan terhadap variabel harga yang telah dilakukan oleh peneliti Berdasarkan Tabel 3, banyaknya responden yang mempersepsikan harga angkutan umum pada kualifikasi atau kategori sangat terjangkau sebanyak 42 responden (42%), kualifikasi atau kategori terjangkau sebanyak 47 responden (47%), kualifikasi atau kategori cukup sebanyak

STATISTIKA LANJUTAN 381 7 responden (7%), sisanya pada kualifikasi atau kategori tidak terjangkau sebanyak 4 responden (4%), dan kualifikasi atau kategori sangat tidak terjangkau sebanyak 0 responden (0%). Hal ini dapat disimpulkan harga pada jasa angkutan umum di Kota Ambon selama masa pandemi Covid-19 secara umum memiliki kualifikasi terjangkau 4. Menghitung variabel keselamatan penumpang (X3) Analisis data pada variabel keselamatan yang dilakukan oleh peneliti memiliki 3 butir pertanyaan dengan 5 pilihan jawaban yakni sangat puas, puas, cukup, tidak puas, dan sangat tidak puas. Berikut ini hasil perhitungan terhadap variabel keselamatan yang telah dilakukan oleh peneliti Banyaknya responden yang mempersepsikan keselamatan penumpang pada kualifikasi atau kategori sangat puas sebanyak 76 responden (76%), kualifikasi atau kategori puas sebanyak 22 responden (22%), kualifikasi atau kategori cukup sebanyak 0 responden (0%), sisanya

STATISTIKA LANJUTAN 382 pada kualifikasi atau kategori tidak puas sebanyak 1 responden (1%), dan kualifikasi atau kategori sangat tidak puas sebanyak 1 responden (1%). Hal ini dapat disimpulkan keselamatan penumpang pada jasa angkutan umum di Kota Ambon selama masa pandemi Covid-19 secara umum memiliki kualifikasi sangat puas. 5. Melakukan spesifikasi model SEM Pada tahap ini dibentuk suatu model yang menggambarkan hubungan antara variabel laten yang satu dengan variabel laten yang lain, maupun variabel laten dengan variabel indikatornya yang didasarkan pada teori yang berlaku. Penggabungan seluruh komponen SEM menjadi suatu model lengkap biasa disebut full dan hybrid model yang digambarkan dalam suatu diagram jalur (path diagram) yang ditunjukkan pada Gambar 1 untuk mempermudah melihat hubungan-hubungan yang ingin diuji.

STATISTIKA LANJUTAN 383 6. Melakukan Identifikasi Model Setelah dilakukan spesifikasi model, langkah selanjutnya adalah mengidentifikasi model tersebut. Pada analisis SEM diharapkan memperoleh model yang overidentified (df > 0) dan dihindari model yang underidentified (df < 0). Pada penelitian ini diperoleh nilai degree of freedom yaitu 32 sehingga model tersebut adalah over-identified. 7. Melakukan Estimasi Model Setelah dilakukan spesifikasi dan identifikasi model maka tahap selanjutnya yang dilakukan adalah mengestimasi model. Pada penelitian ini, data tidak berdistribusi normal multivariat sehingga model diestimasi menggunakan metode maximum likelihood dengan memperhatikan standar error dan goodness of fit akibat ketidaknormalan data tersebut. Berdasarkan penelitian ini, hasil estimasi dapat dilihat pada Gambar 2.

STATISTIKA LANJUTAN 384 8. Melakukan Uj Kecocokan Model dan Respesifikasi Dalam tahap ini tingkat kecocokan diperiksa antara data dengan model dan dilakukan pengujian secara bertahap. Tahap pertama pengujian dilakukan terhadap model pengukuran untuk mencapai uji kelayakan model yang baik, kemudian tahap kedua dilakukan pengujian secara struktural untuk setiap variabel. a. Melakukan Uji Kecocokan dan Respesifikasi Model Pengukuran Pada tahap ini akan dilakukan validasi untuk mengetahui kesesuaian antara variabel laten dan variabel indikator yang ingin diukur. Pertama dilakukan uji validitas terhadap model pengukuran dengan memperhatikan muatan faktor standarnya (standardized loading factors) 0,50. Standardized loading factors dari model pengukuran dapat dilihat pada Gambar 3.

STATISTIKA LANJUTAN 385 Gambar 3. Hasil Standardized Loading Factors Gambar 3 menunjukkan bahwa seluruh muatan faktor standarnya (standardized loading factors) lebih besar sama dengan 0,50, p-value 0,50, dan nilai ChiSquare semakin kecil semakin baik. Dapat dikatakan bahwa keseluruhan model pengukuran dengan semua nilai variabel teramati valid. b. Uji Kecocokan dan Respesifikasi Model Struktural Pada tahap ini telah diperoleh kecocokan model yang baik, sehingga diperoleh indikator-indikator dari variabel laten, yaitu 1) Indikator dari variabel laten mutu pelayanan adalah X11, X12, dan X13 2) Indikator dari variabel laten harga adalah X21, X22, dan X23 3) Indikator dari variabel laten keselamatan adalah X31, X32, dan X33 4) Indikator dari variabel laten kepuasan penumpang adalah Y11, Y12, dan Y13 c. Melakukan Uji Kecocokan Seluruh Model Hasil uji kecocokan keseluruhan model ditunjukkan pada Tabel 5. Hooper et al. [9], menilai ukuran kecocokan model dengan melihat nilai chi-

STATISTIKA LANJUTAN 386 square, RMSEA, CFI, dan RMSR. Tabel 5 menunjukkan bahwa model sudah sesuai sehingga dapat digunakan sebagai dasar analisis terhadap permasalahan penelitian ini. 9. Melakukan Uji Kecocokan Model Pengukuran Setelah kecocokan model dan data keseluruhan adalah baik, maka langkah selanjutnya adalah menguji kecocokan model pengukuran dengan mengevaluasi setiap variabel laten dengan beberapa indikatornya. Gambar 4 adalah path diagram t-value. Pada hasil estimasi t-value terdapat variabel yang tidak memiliki lintasan yaitu variabel KP ke Y1. Hal ini dikarenakan variabel tersebut telah ditetapkan menjadi variance reference yang berarti variabel indikator tersebut

STATISTIKA LANJUTAN 387 secara nyata berhubungan dengan variabel latennya. Berdasarkan output analisis data, diperoleh hasil persamaan struktural yang ditunjukkan pada Tabel 6. Dari hasil penelitian diperoleh persamaan struktural KP = 0,545X1 + 1,648X2 + 4,721X3 Tabel 6 menunjukkan bahwa nilai R2 sebesar 78,1%, artinya variasi kepuasan penumpang (KP) yang dapat dijelaskan oleh mutu pelayanan (X1) dan harga (X2) serta keselamatan (X3) sebesar 78,1 persen. 10. Menghitung Hipotesis Penelitian Hipotesis dalam penelitian ini dapat dilihat pada Tabel 7. Berdasarkan hasil yang diperoleh pada Gambar 4, diperoleh nilai t-value untuk variabel laten mutu pelayanan yaitu sebesar 14,06 (>1,96). Hal ini dapat disimpulkan bahwa variabel laten mutu pelayanan (MP) mempunyai pengaruh terhadap kepuasan penumpang. Variabel laten harga angkutan umum (H) sebesar 241,88 (>1,96). Hal ini dapat disimpulkan bahwa variabel laten harga angkutan umum mempunyai pengaruh terhadap kepuasan

STATISTIKA LANJUTAN 388 penumpang. Nilai untuk variabel laten keselamatan (K) mempunyai nilai sebesar 137,10 (>1,96). Hal ini dapat disimpulkan bahwa variabel laten keselamatan penumpang mempunyai pengaruh terhadap kepuasan penumpang angkutan umum di Kota Ambon.

STATISTIKA LANJUTAN 389 E. Kesimpulan Berdasarkan pembahasan yang telah dijelaskan dapat disimpulkan bahwa Structural Equation Model (SEM) adalah salah satu teknik dalam ilmu statistika yang termasuk ke dalam teknik analisis mutivariate lanjutan yang banyak digunakan dalam penelitian bidang ilmu sosial, psikologi, menejemen, ekonomi, sosiologi, ilmu politik, ilmu pemasaran, dan pendidikan. Sructural Equation Model (SEM) adalah salah satu metode penelitian yang paling sering digunakan untuk penelitian di bidang ilmu sosial, psikologi, menejemen, ekonomi, sosiologi, ilmu politik, ilmu pemasaran, dan pendidikan. Pada dasarnya, Structural Equation model (SEM) atau model persamaan struktural merupakan gabungan dari dua metode yang digunakan dalam statstik yang terpisah yaitu analisis faktor yang dikembangkan di ilmu psikologi dan psikometri dan persamaan simultan yang dikembangkan di ekonometrika. Terdapat beberapa asumsi yang harus dipenuhi dalam Structural Equation Modelling (SEM) untuk melakukan pada penelitian selanjutnya adalah sebagai berikut. 1. Ukuran sampel yang digunakan dalam metode SEM adalah minimal sebanyak 100 sampel. (Ghozali & Fuad, 2005) 2. Berdistribusi normal multivariat merupakan pemeriksaan kenormalan data

STATISTIKA LANJUTAN 390 ini dilakukan dengan menghitung jarak kuadrat untuk setiap pengamatan (Johnson & Wichern, 2007). Serta terdapat beberapa tahapan untuk menggunakan SEM sebagai salah satu alat untuk analisis dalam penelitian yaitu Pengembangan model teoritis, pengembangan diagram alur, konversi diagram jalur ke dalam persamaan struktural dan model pengukuran, memilih jenis matriks estimasi model yang diusulkan, menilai identifikasi model struktural, menilai kriteria goodness of fit.

STATISTIKA LANJUTAN 391 DAFTAR PUSTAKA Avolio, B. J., Zhu W., Koh, W., & Bhatia, P. (2004). Transformational leadership and organizational commitment: Mediating role of psychological empowerment and moderating role of structural distance. Journal of Organizational Behaviour, 25, 951-968. Bahia, K. and Nantel, J. (2000), "A reliable and valid measurement scale for perceived service quality of bank", International Journal of Bank Marketing, Vol. 18 No. 2, pp. 84-91 Ball, D., Coelho, P.S. and Vilares, M.J. (2006), "Service personalization and loyalty", Journal of Services Marketing, Vol. 6 No. 6, pp. 391-403. Bass, B.M. (1995), «Transformational leadership redux», Leadership Quarterly, Vol. 6, pp. 463-78. Bass, B. M., & Avolio, B. J. (2004). Manual for the multifactor leadership questionnaire (MLQ-Form 5X). Redwood City, CA: Mindgarden. Byrne, B. M. (2010). Structural Equation Modeling with AMOS: Basic Concepts, Applications, and Programming, NY: Routledge, Taylor and Francis Group, LLC Ghozali, I. 2011, Model Persamaan Struktural Konsep dan Aplikasi dengan Program Amos 2. Semarang: UNDIP. Gudono. 2006. Analisis Arah Kausalitas. Jurnal Ekonomi dan Bisnis Indonesia . Vol. 21 (1)

STATISTIKA LANJUTAN 392 Hair Jr., J. F., Anderson, R. E., Tatham, R. L., dan Black, W. C. 1998. Multivariate Data Analysis: with Reading. Fourth Edition. New Jersey: Prentice Hall. Hendryadi & Suryani. 2014. Structural Equation Modelling dengan Lisrel 8.80. Jakarta: Kaukaba. Hutabarat, Ida Marati. 2008. Pemodelan Persamaan Struktural dengan Analisis Linear Structure Relationship. Jurnal Pythagoras. Vol 4 (2). Isnayanti & Abdurakhman. 2019. Metode Diagonally Weighted Least Square pada Structural Equation Modelling untuk Data Ordinal: Studi Kasus Pada Pengguna Jasa Kereta Api Majapahit Malang-Pasar Senen. Jurnal Media Statistika. Vol 12 (1). E-ISSN: 2477-0467. Johson, R.A., dan Wichern, D.W. 2007. Applied Multivariate Statistkal Analysis, Sixth Edition. New Jersey: Pearson Education, Inc Kurniawan, Dodi. 2014. Analisis Pengaruh Tingkat Pelayanan Terhadap Loyalitas Pengunjung Kawasan Wisata Pantai Parangtritis dengan Menggunakan Struktural Equation Model (SEM). Skripsi: Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Negeri Yogyakarta. Nawangsari, Albertin Yunita. 2011. Structural Equation Modeling Pada Perhitungan Indeks Kepuasan Pelanggan Menggunakan Software Amos. Skripsi: Program Studi Matematika Jurusan Pendidikan Matematika. Universitas Negeri Yogyakarta.

STATISTIKA LANJUTAN 393 Parastika, Nie Anggun. 2016. Structural Education modelling untuk Analisis Pengaruh Dukungan Sosial dan Pengetahuan Terhadap Motivasi Sebagai Tindakan Penyembuhan Penderita Tuberculosis di Wilayah Surabaya Tengah. Tugas Akhir: Program Studi S1 Jurusan Matemtika. Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Teknologi Sepuluh Nopember. Putlely, Zakheus., Yopi Andry Lesnussa., Abraham Z. Wattimena & Muhammad Yahya Matdoan.2021. Structural Equation Modeling untuk Mengukur Pengaruh Pelayanan, Harga, dan Keselamatan Terhadap Tingkat Kepuasan Pengguna Jasa Angkutan Umum selama Pandemi Covid-19 di Kota Ambon. Indonesian Journal of Applied Statistks. Vol 4 (1). Skrondal dan S. Rabe-Hesketh. 2004. Generalized Latent Variable Modeling: Multilevel, Longitudinal, and Structural Equation Models. Boca Raton. FL.: Chapman & Hall/CRC., Timm, Neil. 2002. Aplied Multavariate Analysis. New york: Springer.

STATISTIKA LANJUTAN 394 ANALISIS DALAM KONSEP MODEL PERSAMAAN STRUKTURAL (Structural Equation Modelling – SEM) Prayogo Hadi Sulistio Program Studi Doktor Linguistik Terapan Universitas Negeri Jakarta [email protected] A. Pendahuluan Model persamaan struktural (SEM) menggunakan berbagai jenis model untuk menggambarkan hubungan antara variabel yang diamati, dengan tujuan dasar yang sama yaitu menyediakan uji kuantitatif dari model teoretis yang dihipotesiskan oleh peneliti. Lebih khusus lagi, berbagai model teoretis dapat diuji dalam SEM yang berhipotesis bagaimana kumpulan variabel menentukan konstruksi dan bagaimana konstruksi ini terkait satu sama lain. Misalnya, seorang peneliti pendidikan mungkin berhipotesis bahwa lingkungan rumah seorang siswa memengaruhi prestasinya di sekolah. Seorang peneliti tentang pemasaran mungkin berhipotesis bahwa kepercayaan konsumen pada suatu perusahaan mengarah pada peningkatan penjualan produk untuk perusahaan itu. Seorang profesional perawatan kesehatan mungkin percaya bahwa pola

STATISTIKA LANJUTAN 395 makan yang baik dan olahraga teratur mengurangi risiko serangan jantung. Lebih jauh lagi, Structural Equation Modeling (SEM) adalah salah satu teknik multivariat penting yang secara bersamaan memperkirakan dan menguji serangkaian hubungan ketergantungan yang saling terkait yang dihipotesiskan antara sekumpulan konstruksi laten (Reisinger dan Mavondo, 2007). SEM telah memperoleh kepercayaan secara luas di antara teknik multivariat dan merupakan metode analisis data multivariat yang unggul di antara teknik multivariat lainnya dan teknik yang paling banyak mengalami penyempurnaan dan perluasan (Hershberger, 2003). Schumacker dan Lomax sebagaimana dikutip dalam Reisinger & Mavondo (2007) menyatakan “SEM dapat digunakan untuk menguji sifat dan besarnya hubungan ketergantungan yang didalilkan dan pada saat yang sama menilai hubungan langsung dan tidak langsung”. Dalam setiap contoh, pemakalah percaya bahwa berdasarkan teori dan penelitian empiris, kumpulan variabel menentukan konstruksi yang dihipotesiskan terkait dengan cara tertentu. Tujuan analisis SEM adalah untuk mengetahui sejauh mana model teoritis didukung oleh data sampel. Jika data sampel mendukung model teoretis, maka model teoretis yang