BAB III

LANDASAN TEORI

3.1 Struktural Equation Modeling (SEM)

Structural Equation Modeling disingkat SEM merupakan metode
analisis multivariat yang dapat digunakan untuk menggambarkan
keterkaitan hubungan linier secara simultan antara variabel pengamatan
(indikator) dan variabel yang tidak dapat diukur secara langsung (variabel
laten) (Prihandini & Sunaryo: 2011).
SEM merupakan teknik analisis multivariat yang dikembangkan
guna menutupi keterbatasan yang dimiliki oleh model-model analisis
sebelumnya yang telah digunakan secara luas dalam penelitian statistik.
Model-model yang dimaksud diantaranya adalah analisis regresi, analisis
jalur, dan analisis faktor konfirmatori (Hox & Bechger: 1998).
3.1.1 Pengertian SEM
Menurut Bollen (2011) sebagaimana dikutip oleh Latan (2013: 5),
“Sem are sets of equations that encapsulate the relationships among the
latent variables, observed variables,and error variables”. SEM dapat
digunakan untuk menjawab berbagai masalah riset (research question)
dalam suatu set analisis secara sistematis dan komprehensif.

Menurut Ramadiani (2010), SEM adalah singkatan structural

equation model yang merupakan model persamaan struktural generasi
kedua teknik analisis multivariat yang memungkinkan peneliti untuk
menguji hubungan antara variabel yang kompleks baik recursive maupun
nonrecursive untuk memperoleh gambaran menyeluruh mengenai suatu
model.

Menurut Ghozali & Fuad (2008: 3), model persamaan struktural

(Structural Equation Modeling) adalah generasi kedua teknik analisis
multivariat (Bagozzi dan Fornell, 1982) yang memungkinkan peneliti untuk

19
 20

menguji hubungan antara variabel yang kompleks baik recursive maupun

nonrecursive untuk memperoleh gambaran menyeluruh mengenai
keseluruhan model.
Dengan demikian SEM adalah salah satu teknik analisis multivariat
yang digunakan untuk menganalisis hubungan antar variabel yang lebih
kompleks dibandingkan dengan analisis regresi berganda dan analisis
faktor.
3.1.2 Keunggulan SEM
Menurut Narimawati & Sarwono (2007: 3), keunggulan-keunggulan
SEM dibanding dengan regresi berganda antara lain
1. memungkinkan adanya asumsi-asumsi yang lebih fleksibel.
2. penggunaan analisis faktor penegasan (confirmatory factor
analysis) untuk mengurangi kesalahan pengukuran dengan memiliki
banyak indikator dalam satu variabel laten.
3. daya tarik interface pemodelan grafis untuk memudahkan pengguna
membaca keluaran hasil analisis.
4. kemungkinan adanya pengujian model secara keseluruhan dari pada
koefisien-koefisien secara sendiri-sendiri.
5. kemampuan untuk menguji model-model dengan menggunakan
beberapa variabel terikat.
6. kemampuan untuk membuat model terhadap variabel-variabel
perantara.
7. kemampuan untuk membuat model gangguan kesalahan (error
term).
8. kemampuan untuk menguji koefisien-koefisien diluar antara
beberapa kelompok subjek.

9. kemampuan untuk mengatasi data yang sulit, seperti data time series
dengan kesalahan autokorelasi, data yang tidak normal, dan data yang tidak
lengkah.
 21

3.1.3 Kelemahan SEM

Adapun beberapa kelemahan yang dimiliki SEM adalah sebagai berikut
1. SEM tidak digunakan untuk menghasilkan model namun untuk
mengkonfirmasi suatu bentuk model.
2. Hubungan kausalitas diantara variabel tidak ditentukan oleh SEM,
namun dibangun oleh teori yang mendukungnya.
3. SEM tidak digunakan untuk menyatakan suatu hubungan kausalitas,
namun untuk menerima atau menolak hubungan sebab akibat secara teoritis
melalui uji data empiris.
4. Studi yang mendalam mengenai teori yang berkaitan menjadi model
dasar untuk pengujian aplikasi SEM.

3.2 Konsep Dasar SEM

Pada pembahasan kali ini akan membahas konsep dasar dari Structural
Equational Modeling atau dikenal SEM, terdapat variabel SEM dan model dalam
SEM.

3.2.1 Variabel dalam SEM

Terdapat dua variabel utama dalam SEM, antara lain
1. Variabel Laten (Latent Variable)
Menurut Ghozali (2004: 12), Variabel Laten yaitu konsep abstrak
psikologi seperti sikap, intelegence. Variabel laten ini merupakan variabel
kunci dalam SEM yang menjadi perhatian. Perilaku variabel laten dapat
diamati secara tidak langsung dan tidak sempurna melalui pengaruhnya
terhadap variabel indikator atau variabel manifest.
Terdapat dua jenis variabel laten yaitu variabel eksogen
(independen) dan endogen (dependen). Kedua jenis variabel ini dibedakan
berdasarkan kedudukan sebagai variabel dependen atau bukan dependen di
dalam suatu model persamaan. Variabel eksogen digambarkan dalam huruf
Greek dengan “ksi” dan variabel endogen dengan “eta” . Dalam bentuk
grafis, variabel eksogen menjadi target garis dengan dua anak panah
atau hubungan korelasi/kovarian sedangkan variabel endogen menjadi
 22

target paling tidak satu anak panah atau hubungan regresi.

2. Variabel Teramati (Observe Variable)
Variabel teramati merupakan konsep abstrak yang langsung dapat
diukur. Seperti contoh inflasi langsung dapat diukur dengan angka indek
harga konsumen, kinerja perusahaan dapat diukur langsung dengan laba,
dll. Variabel ini digunakan untuk membentuk variabel laten yang
diwujudkan dalam pertanyaan skala Likert. Variabel ini untuk membentuk
variabel laten eksogen yang diberi simbol X sedangkan variabel laten
endogen diberi simbol Y.

3.2.2 Model dalam SEM

Dalam model perhitungan SEM, terdapat dua jenis model yaitu
1. Model Struktural
Model struktural merupakan seperangkat hubungan antar variabel
laten dan hubungan ini dapat dianggap linear, meskipun pengembangan
lebih lanjut memungkinkan memasukkan persamaan non-linear. Dalam
bentuk grafis, garis dengan satu kepala anak panah menggambarkan
hubungan regresi dalam karakter Greek ditulis “gamma” untuk regresi
variabel eksogen ke variabel endogen dan dalam karakter Greek ditulis
“beta” untuk regresi satu variabel endogen ke variabel endogen lainnya,
sedangkan garis dengan dua kepala anak panah menggambarkan hubungan
korelasi atau kovarian yang dalam karakter Greek ditulis “phi” untuk
korelasi antar variabel eksogen. Pada model ini menghasilkan validitas
prediktif (predictive validity).

2. Model Pengukuran
Model pengukuran merupakan bagian dari suatu model SEM yang
biasanya dihubungkan dengan variabel-variabel laten dan indikator-
indikatornya. Hubungan dalam model ini dilakukan lewat model analisis
faktor konfirmatori atau confirmatory factor analysis (CFA) dimana
terdapat kovarian yang tidak terukur antara masing-masing pasangan
variabel- variabel yang memungkinkan. Model pengukuran ini dievaluasi
 23

sebagaimana model SEM lainnya dengan menggunakan pengukuran uji

keselarasan. Proses analisis ini hanya dapat dilanjutkan jika model
pengukuran valid. Pada model ini menghasilkan validitas konvergen.
(convergent validity).
3.3 Tahapan dan Prosedur SEM
Menurut Bollen & Long (1993) sebagaimana dikutip oleh Thanjoyo
(2012: 43), secara umum prosedur SEM mengandung tahap-tahap sebagai
berikut
1. Spesifikasi model (model specification)
Tahap ini berkaitan dengan pembentukan model awal persamaan
struktural. Model awal ini diformulasikan suatu teori atau penelitian
sebelumnya.
2. Identifikasi (identification)
Tahap ini berkaitan dengan pengkajian tentang kemungkinan
diperolehnya nilai yang unik untuk setiap parameter yang ada di dalam
modeldan kemungkinan persamaan simultan tidak ada solusinya.
3. Estimasi (estimation)
Tahap ini berkaitan dengan estimasi terhadap model untuk
menghasilkan nilai-nilai parameter menggunakan salah satu metode
estimasi yang tersedia. Pemilihan metode estimasi yang digunakan
seringkali ditentukan berdasarkan karakteristik dari variabel-variabel yang
dianalisis.
4. Uji kecocokan (testing fit)
Tahap ini berkaitan dengan pengujian kecocokan antara model
dengan data. Beberapa kriteria ukuran kecocokan atau Goodness of Fit
(GOF) dapat digunakan untuk melaksanakan langkah ini.
5. Respesifikasi (Respecification)
Tahap ini dapat juga disebut modifikasi yang berkaitan dengan
respesifikasi model berdasarkan hasil uji kecocokan pada tahap
sebelumnya.
 24

3.3.1 Spesifikasi Model

Tahap spesifikasi model merupakan pembentukan hubungan
antara variabel laten yang satu dengan variabel laten lainnya dan juga
hubungan antara variabel laten dengan variabel manifest didasarkan
pada teori yang berlaku.
Menurut Wijanto (2008: 35), melalui langkah-langkah berikut
dapat diperoleh model yang diinginkan, yaitu
1. Spesifikasi model pengukuran
 Mendefinisikan variabel-variabel laten yang ada di dalam penelitian
 Mendefinisikan variabel-variabel yang teramati
 Mendefinisikan hubungan di antara variabel laten dengan
variabel yang teramati
2. Spesifikasi model struktural
Mendefinisikan hubungan kausal di antara variabel-variabel laten
tersebut.
3. Menggambarkan diagram jalur dengan hybrid model yang
merupakan kombinasi dari model pengukuran dan model
struktural, jika diperlukan (bersifat opsional).
3.3.2 Identifikasi Model
Menurut Wijanto (2008: 37), secara garis besar ada 3 kategori
dalam persamaan secara simultan, yaitu
1. Under-identified model
Adalah model dengan jumlah parameter yang diestimasi lebih
besar dari jumlah data yang diketahui (data tersebut merupakan
varians dan kovarians dari variabel-variabel yang teramati).
2. Just-identified model
Adalah model dengan jumlah parameter yang diestimasi
sama dengan jumlah data yang diketahui.
3. Over-identified model
Adalah model dengan jumlah parameter yang diestimasi lebih
kecil dari jumlah data yang diketahui.
 25

Besarnya degree of freedom (df) pada SEM adalah besarnya

jumlah data yang diketahui dikurangi jumlah parameter yang
diestimasi yang nilainya kurang dari nol (df = (jumlah data yang
diketahui – jumlah parameter yang diestimasi) < 0).
Cara melihat ada tidaknya problem identifikasi adalah dengan
melihat hasil estimasi yang meliputi
 adanya nilai standart error yang besar untuk 1 atau lebih koefisien;
 ketidakmampuan program untuk invert information matrix;
 nilai estimasi yang tidak mungkin error variance yang negatif; dan
 adanya nilai korelasi yang tinggi (> 0,90) antar koefisien estimasi.
Jika diketahui ada problem identifikasi maka ada tiga hal yang harus dilihat
 besarnya jumlah koefisien yang diestimasi relatif terhadap
jumlah kovarian atau korelasi, yang diindikasikan dengan nilai
degree of freedom yang kecil;
 digunakannya pengaruh timbal balik atau respirokal antar konstruk
(model
non recursive); atau

 kegagalan dalam menetapkan nilai tetap (fix) pada skala konstruk.

3.3.3 Estimasi Model

Setelah melakukan identifikasi, langkah selanjutnya adalah
estimasi yang bertujuan untuk menentukan nilai estimasi setiap
parameter model yang membentuk matriks ∑(𝜃) sehingga nilai
parameter tersebut sedekat mungkin dengan nilai yang ada di dalam
matriks S (matriks kovarians dari variabel yang teramati/sampel).
Menurut Febriyana dkk. (-: 37), ∑ diestimasi oleh matriks
kovarian sampel, dilambangkan dengan S, yaitu matriks estimator
yang konsisten dan tak bias dari ∑, sehingga tujuan dari estimasi
model adalah untuk meminimalkan perbedaan antara matriks
hipotesis dan matriks kovarian sampel dalam sebuah fungsi
pencocokan yang dinyatakan dalam F (S, ∑(𝜃))
 26

Menurut Bollen (1989) sebagaimana dikutip oleh Wijanto

(2008: 44) memberikan penjelasan tentang beberapa karakteristik
dari F(S, ∑(𝜃)) sebagai berikut
 F (S, ∑(𝜃)) adalah skalar;
 F (S, ∑(𝜃)) ≥ 0 ;
 F (S, ∑(𝜃)), jika dan hanya jika ∑(𝜃) = 𝑆 ; dan
 F (S, ∑(𝜃)) adalah kontinu dalam S dan ∑(𝜃) .
Meminimisasi fungsi F yang memenuhi kondisi di atas akan
menghasilkan estimator 𝜃 yang konsisten.
Metode estimasi yang paling sering digunakan dalam SEM
adalah Maximum Likelihood Estimation (MLE).

3.3.4 Maximum Likelihood

Menurut Bollen (1989: 134) sebagaimana dikutip oleh Wijanto
(2008:45), MLE secara iterative akan meminimasikan fungsi F (S, ∑(𝜃))
sebagai berikut:
𝐹 𝑀𝐿 (𝜃) = log | ∑(𝜃)| + 𝑡𝑟 (𝑆 ∑−1(𝜃)) − log|𝑆| − (𝑝 + 𝑞 ) ……. (Rumus 3.1)

dimana diasumsikan ∑(𝜃) dan S adalah definit positif; X dan Y

adalah multinormal distribution, dan S mempunyai Wishart
distribution 𝑝 + 𝑞 merupakan banyaknya variabel teramati (X dan Y) dalam
model.

Menurut Bollen (1989) sebagaimana dikutip oleh Thanjoyo (2012:

47), Maximum Likelihood (ML) mempunyai beberapa karakteristik yang
penting dan karakteristik ini adalah asimptotik sehingga berlaku untuk
sampel yang besar.
Beberapa karakteristik tersebut antara lain
1. ML secara asimptotik tidak bias, meskipun estimator ini bias
untuk sampel kecil,
2. ML adalah konsisten,
3. ML adalah asymptotically efficient, sedemikian sehingga
diantara estimator yang konsisten, tidak ada yang mempunyai
 27

asymptotic variance lebih kecil, dan

4. Distribusi dari estimator mendekati distribusi normal ketika
ukuran sampel meningkat.
Menurut Thanjoyo (2012: 47), meskipun ML popular penggunaannya
dalam SEM tetapi ada kekurangannya yang perlu diperhatikan yaitu ketika
nonormality atau excessive kurtosis mengancam validitas dari uji
signifikansi ML. Menurut Bollen (1989) sebagaimana dikutip oleh
Thanjoyo (2012: 47) menyarankan beberapa alternatif untuk mengatasi hal
ini, yaitu
1. Mentransformasikan variabel sedemikian rupa sehingga
mempunyai multinormalitas yang lebih baik dan
menghilangkan kurtosis yang berlebihan.
2. Menyediakan penyesuaian pada uji signifikan dan kesalahan
standar biasa sehingga hasil modifikasi uji signifikan dari
adalah secara asimptotis benar (asymptotically correct).
3. Menggunakan bootstrap resampling procedures.
4. Menggunakan estimator alternatif yang menerima
ketidaknormalan (nonnormality) dan estimator tersebut
asymptotically efficient. Weighted Least Square (WLS) adalah
salah satu di antara metode berikut.
Menurut Ghozali & Fuad (2008: 36), Maximum Likelihood
disarankan menggunakan ukuran sampel sebesar 100-200. Apabila data
yang digunakan sebesar lebih dari 200 maka akan menghasilkan indeks
goodness of fit yang buruk.
Menurut Chou et al. (1991) & Hu et al. (1992) sebagaimana dikutip
oleh Ghozali & Fuad (2008: 193), beberapa peneliti membolehkan
penggunaan skala interval sebagai data continous dan sehingga dapat
langsung dianalisis (data mentah atau covariance matrix) dengan
menggunakan maximum likelihood dan melakukan koreksi atas beberapa
bias yang mungkin timbul.
Menurut Bryne (1998) sebagaimana dikutip oleh Ghozali & Fuad
(2008: 202), dalam penggunaan data ordinal yang diberlakukan sebagai data
 28

continous dan menggunakan ML lebih baik apabila ukuran data yang kecil
dan jumlah kategori yang lebih dari 3.

3.4 Uji Kecocokan Model

Setelah melakukan metode estimasi terhadap model, langkah
selanjutnya adalah melakukan uji kecocokan model. Uji kecocokan
model dilakukan untuk menguji apakah model yang dihipotesiskan
merupakan model yang baik untuk merepresentasikan hasil
penelitian.
Menurut Hair dkk sebagaimana dikutip oleh Wijanto (2008: 49),
evaluasi terhadap tingkat kecocokan data dengan model dilakukan
melalui beberapa tahapan, yaitu
1. Kecocokan Keseluruhan Model (Overall Model Fit);
2. Kecocokan Model Pengukuran (Measurement Model Fit); dan
3. Kecocokan Model Struktural (Structural Model Fit).

3.4.1 Kecocokan Keseluruhan Model

Tahap ini merupakan tahap pertama yang dilakukan untuk
mengevaluasi secara umum derajat kecocokan antara data dengan
model.
(1) Ukuran kecocokan absolut
a. Chi-Square dan Probabilitas
Chi-square merupakan statistik pertama dan satu-satunya uji
statistik dalam GOF. Chi-square digunakan untuk menguji
seberapa dekat kecocokan antara matrik kovarian sampel S
dengan matrik kovarian model ∑(𝜃). Uji statistik 𝜒 2 adalah

𝜒 2 = (𝑛 − 1)F(𝑆, ∑(𝜃)).......(Rumus 3.2)

yang merupakan sebuah distribusi Chi-Square dengan degree
of freedom (df) sebesar c - p dimana c = (𝓃𝓍 + 𝓃𝛾)(𝓃𝓍 +
𝓃𝛾 + 1)/2 adalah adalah banyaknya matrik varian-kovarian
non-redundan dari variabel teramati. Dengan 𝓃𝓍 adalah
 29

banyaknya variabel teramati x, 𝓃𝛾 adalah banyaknya

variabel teramati y sedangkan p adalah parameter yang
diestimasi dan n adalah ukuran sampel.
Menurut Joreskog & Sorbom (1989), 𝜒 2 seharusnya
lebih diperlakukan sebagai ukuran goodness of fit (atau
badness of fit) dan bukan sebagai uji statistik. 𝜒 2 disebut
sebagai badness of fit karena nilai 𝜒 2 yang besar
menunjukkan kecocokan yang tidak baik (bad fit) sedangkan
nilai yang kecil menunjukkan good fit (kecocokan yang
baik).

P adalah probabilitas untuk memperoleh

penyimpangan besar sehingga nilai chi-square yang
signifikan (≤ 0,05)menunjukkan bahwa data empiris yang
diperoleh memiliki perbedaan dengan teori yang telah
dibangun. Sedangkan nilai probabilitas tidak signifikan
adalah yang diharapkan untuk menunjukkan data empiris
sesuai dengan model. Oleh karena itu diperoleh kesimpulan
hipotesis diterima jika nilai p yang diharapkan lebih besar
daripada 0,05.
Dengan demikian 𝜒 2 tidak dapat dijadikan sebagai
satu-satunya ukuran dari kecocokan keseluruhan model. Para
peneliti mengembangkan banyak alternatif ukuran dari
kecocokan data-model untuk memperbaiki bias karena
sampel yang besar dan meningkatnya kompleksitas model.
b. Non-Centrality Parameter (NCP)
NCP merupakan ukuran perbedaan antara ∑ dengan
∑(𝜃) yang dapat dihitung dengan rumus
NCP = 𝜒 2 − 𝑑𝑓......(Rumus 3.3)

dimana df adalah degree of freedom.

NCP juga merupakan ukuran badness of fit dimana semakin

 30

besar perbedaan antara ∑ dengan ∑(𝜃) semakin besar nilai

NCP.
c. Scaled NCP (SNCP)
SNCP merupakan pengembangan dari NCP dengan
memperhitungkan ukuran sampel seperti di bawah ini
SNCP = (𝜒 2 − 𝑑𝑓)/𝑛.......(Rumus 3.4)

dimana n adalah ukuran sampel.

d. Goodness Of Fit Indeks (GFI)

GFI dapat diklasifikasikan sebagai ukuran kecocokan absolut
karena pada dasarnya GFI membandingkan model yang
dihipotesiskan dengan tidak ada model sama sekali (Σ(0)).
Rumus dari GFI adalah sebagai berikut
Ϝ̂
GFI = 1 - Ϝ ............(Rumus 3.5)
0

Dimana :
Ϝ̂ = nilai minimum dari F untuk model yang dihipotesiskan
Ϝ0 = nilai minimum dari F, ketika tidak ada model yang
dihipotesiskan Nilai GFI berkisar antara 0 (poor fit) sampai 1
(perfect fit) dan nilai GFI ≥ 0.90 merupakan good fit
(kecocokan yang baik) sedangkan 0,80≤ GFI < 0.90 sering
disebut marginal fit.

e. Root Mean Square Residual (RMSR)

RMSR mewakili nilai rerata residual yang diperoleh dari
mencocokkan matrik varian-kovarian dari model yang
dihipotesiskan dengan matrik varian-kovarian dari data
sampel. Standardized RMSR mewakili nilai rerata seluruh
standardized residuals dan mempunyai rentang dari 0 ke 1.
Model yang mempunyai kecocokan baik (good fit) akan
mempunyai nilai Standardized RMSR lebih kecil dari 0,05.
 31

f. Root Mean Square Error Approximation (RMSEA)

RMSEA merupakan salah satu indeks yang informatif dalam
SEM. Menurut Byrne (1998) sebagaimana dikutip oleh
Hooper [Link] (2008), RMSEA memberitahu kita seberapa
baik model, dengan tidak diketahui, tetapi secara optimal
estimasi parameter yang dipilih akan sesuai dengan populasi
matriks kovarians. Rumus perhitungan RMSEA adalah
sebagai berikut
̂
𝐹
RMSEA = √𝑑𝑓0 ..........Rumus (3.6)

Menurut Brown & Cudeck (1993) sebagaimana dikutip oleh

Wijanto (2008: 54), nilai RMSEA ≤ 0,05 menandakan close
fit sedangkan 0,05 < RMSEA ≤ 0,08 menunukan good fit.
Menurut Bryne (1998) sebagaimana dikutip oleh Ghozali &
Fuad (2008: 32), nilai RMSEA ≤ 0.05 mengindikasikan
model fit.

g. Expected Cross Validation Indeks (ECVI)

ECVI digunakan untuk perbandingan model dan semakin
kecil nilai ECVI sebuah model semakin baik tingkat
kecocokannya. Rumus perhitungan ECVI adalah sebagai
berikut
2𝑞
ECVI = 𝐹̂ + ............(Rumus 3.7)
𝑛−1

Dimana :
n = ukuran sampel
q = jumlah parameter yang diestimasi

(2) Ukuran kecocokan incremental

a. Adjusted Goodness Of Fit Indeks (AGFI)
 32

AGFI merupakan perluasan dari GFI yang disesuaikan

dengan rasio antara degree of freedom dari
null/independence/baseline model dengan degree of freedom
dari model yang dihipotesiskan atau diestimasi (Joreskog &
Sorbom: 1989). Rumus perhitungan AGFI adalah sebagai
berikut

𝑑𝑓
AGFI = 1 – 𝑑𝑓0 (1 − 𝐺𝐹𝐼)
𝑛

𝑝
=1− (1 − 𝐺𝐹𝐼 ) ………(Rumus 3.8)
𝑑𝑓𝑛

Dimana :

𝑑𝑓0 = degree of freedom dari tidak ada model

P = jumlah varian dan kovarian dari variabel teramati

𝑑𝑓𝑛 = degree of freedom dari model yang dihipotesiskan

Nilai AGFI berkisar antara 0 sampai 1 dan nilai AGFI

≥ 0,90 menunjukkan good fit sedangkan 0,80 ≤ GFI < 0,90
disebut sebagai marginal fit.

b. Tucker Lewis Index (TLI)

TLI digunakan sebagai sarana untuk mengevaluasi analisis
faktor yang kemudian diperluas untuk SEM. TLI juga
dikenal sebagai NNFI. Rumus perhitungannya adalah
(𝜒𝐼2 /𝑑𝑓𝑖 )− (𝜒ℎ2 / 𝑑𝑓ℎ )
TLI = ..........(Rumus 3.9)
(𝜒𝐼2 /𝑑𝑓𝑖 )−1

Dimana :

𝜒𝑖2 = chi-square dari null/independence model

𝜒ℎ2 = chi-square dari model yang dihipotesiskan

𝑑𝑓𝑖 = degree of freedom dari null model

 33

𝑑𝑓ℎ = degree of freedom dari model yang dihipotesiskan

Nilai TLI berkisar antara 0 sampai 1 dengan nilai TLI ≥ 0.90

menunjukan good fit sedangkan 0,80 ≤ TLI < 0,90 disebut
sebagai marginal fit.

c. Normed Fit Indeks (NFI)

NFI mempunyai nilai berkisar antara 0 sampai 1 dengan nilai
NFI ≥ 0,90 menunjukkan good fit sedangkan 0,80 ≤ NFI <
0,90 adalah marginal fit. Untuk memperoleh nilai NFI dapat
digunakan rumus di bawah ini
(𝜒𝑖2 − 𝜒ℎ2 )
NFI = ...........(Rumus 3.10)
𝜒𝑖2

d. Relative Fit Indeks (RFI)

Rumus perhitungan RFI adalah sebagai berikut

𝑓ℎ /𝑑𝑓ℎ
RFI = 1 - ………..(Rumus 3.11)
𝑓𝑖 /𝑑𝑓𝑖

Dimana :

𝑓ℎ = nilai minimum F dari model yang dihipotesiskan.

𝑓𝑖 = nilai minimum F dari model null/independence.

RFI mempunyai nilai berkisar antara 0 sampai 1 dengan nilai RFI ≥

0,90 menunjukkan good fit sedangkan 0,80 ≤ RFI< 0,90 adalah
marginal fit.

e. Incremental Fit Indeks (IFI)

Rumus perhitungan IFI adalah sebagai berikut
𝑛𝐹 − 𝑛𝐹
IFI = 𝑛𝐹𝑖 − 𝑑𝐹ℎ ........(Rumus 3.12)
𝑖 ℎ

Nilai IFI berkisar antara 0 sampai 1. Nilai IFI ≥ 0,90

menunjukkan good fit sedangkan 0,80 ≤ IFI< 0,90 adalah
marginal fit.
 34

f. Comparative Fit Indeks (CFI)

Nilai CFI berkisar antara 0 sampai 1. Nilai CFI ≥ 0,90
menunjukkan good fit sedangkan 0,80 ≤ CFI< 0,90 adalah
marginal fit. Nilai CFI dapat dihitung dengan rumus
𝑙
CFI = 1 𝑙1 ............(Rumus 3.13)
2

Dimana
𝑙1 = max (𝑙ℎ , 0)
𝑙2 = max (𝑙ℎ , 𝑙𝑖 , 0)
𝑙ℎ = [(𝑛 − 1)𝐹ℎ − 𝑑𝑓ℎ
𝑙𝑖 = [(𝑛 − 1)𝐹𝑖 − 𝑑𝑓𝑖
(3) Ukuran kecocokan parsimoni
a. Parcimonious Normed Fit Indeks (PNFI)
PNFI digunakan untuk membandingkan model-model
alternatif dan tidak ada rekomendasi tingkat kecocokan yang
dapat diterima. Nilai PNFI yang lebih tinggi yang lebih baik.
Rumus PNFI adalah sebagai berikut
𝑑𝑓ℎ
PNFI = 𝑥 𝑁𝐹𝐼............(Rumus 3.14)
𝑑𝑓𝑖

dimana

𝑑𝑓ℎ = degree of freedom dari model yang dihipotesiskan.

𝑑𝑓𝑖 = degree of freedom dari null/independence model.

b. Parcimonious Goodness Of Fit Indeks (PGFI)

PGFI berdasarkan parsimoni dari model yang
diestimasi. PGFI melakukan penyesuaian terhadap GFI
dengan cara sebagai berikut
𝑑𝑓ℎ
PGFI = 𝑥 𝐺𝐹𝐼............(Rumus 3.15)
𝑑𝑓0

Nilai PGFI berkisar antara 0 sampai 1 dengan nilai yang

lebih tinggi menunjukkan model parsimoni yang lebih baik.
c. Normed Chi-Square
 35

Normed Chi-Square diperoleh melalui

Normed 𝜒 2 = 𝜒 2 /𝑑𝑓ℎ …………..(Rumus 3.16)

Nilai Normed Chi-Square disarankan adalah antara batas bawah 1,0

dan batas atas 2,0 atau 3,0 atau lebih longgar 0,5.

d. Akaike Information Indeks (AIC)

AIC merupakan ukuran yang digunakan untuk membandingkan
beberapa model dengan jumlah konstruk yang berbeda. AIC dapat
dihitung dengan menggunakan rumus

AIC = 𝜒 2 + 2 ∗ 𝑞............(Rumus 3.17)

dimana q adalah jumlah parameter yang diestimasi.
Nilai AIC yang lebih kecil dan mendekati nol menunjukkan
kecocokan yang lebih baik serta parsimoni yang lebih tinggi.

e. Consistent Akaike Information Indeks (CAIC)

Menurut Bozdogan (1987) sebagaimana dikutip oleh Wijanto
(2008: 60) menyatakan bahwa AIC memberikan penalti
hanya berkaitan dengan degree of freedom dan tidak
berkaitan dengan ukuran sampel. Rumus CAIC yang
mengikutsertakan ukuran sampel sebagai berikut
CAIC = 𝜒 2 + (1 + ln 𝑛) ∗ 𝑞...........(Rumus 3.18)
dimana n adalah jumlah observasi.
Menurut Wijanto (2008: 61), pembahasan tentang uji
kecocokan serta batas- batas nilai yang menunjukkan tingkat
kecocokan yang baik (good fit) untuk setiap GOF (Goodness Of Fit)
yang dapat dilihat pada tabel 3.1.
 36

Tabel 3.1 Ukuran Kococokan Mutlak

Ukuran Kecocokan Mutlak

Ukuran Goodness of fit Tingkat kecocokan yang dapat diterima

Chi-Square Semakin kecil nilainya semakin baik.

good fit apabila GFI ≥ 0,9 dan fit marginal

Goodness of Fit Index (GFI) apabila 0,8 ≤ IFI ≤ 0,9.

Root Mean Square Residual

(RMSR) RMSR ≤ 0,05 artinya good fit

Root Mean Square Error of

Approximation (RMSEA) RMSEA ≤ 0,05 artinya good fit

Expected Cross Validation Index Model dikatakan fit apabila memiliki nilai
(ECVI) ECVI yang kecil

Non Centrality Parameter (NCP) Semakin kecil nilainya semakin baik.

Scaled NCP (SNCP) Semakin kecil nilainya semakin baik.

 37

Tabel 3.2 Uji Kecocokan Parsimoni

Ukuran Kecocokan Parsimoni

Ukuran Goodness of fit Tingkat kecocokan yang dapat diterima

Parsimonious Normed Fit

Index (PNFI) Semakin tinggi nilai PNFI, maka
kecocokan suatu model akan semakin baik.

Parsimonious Goodness of Semakin tinggi nilai PGFI, maka tingkat

Fit Index (PGFI) kecocokan suatu model akan semakin baik.

Nilai AIC yang positif dan lebih kecil

Akaike Information
menunjukkan parsimoni yang lebih baik. Pada
Criterion (AIC)
model tunggal, nilai AIC yang mendekati nol
menunjukkan model lebih fit dan lebih
parsimoni.

Consistent Akaike Nilai CAIC yang positif dan lebih kecil

Information Criterion menunjukkan parsimoni yang lebih baik. Pada
(CAIC) model tunggal, nilai CAIC yang mendekati nol
menunjukkan model lebih fit dan lebih
parsimoni.
Criteria N (CN) CN > 200

Rasio antara Chi-Square dibagi df (degree of

Normed Chi-Square freedom). Nilai yang disarankan 2,0 atau 3,0
dan yang lebih longgar 5,0.
 38

Tabel 3.3 Ukuran Kococokan Incremental

Ukuran Kecocokan Incremental

Ukuran Goodness of fit Tingkat kecocokan yang dapat diterima

Adjusted Goodness of Fit

Model dikatakan good fit apabila AGFI ≥ 0,9 dan
Index (AGFI)
dikatakan fit marginal apabila 0,8 ≤ AGFI ≤ 0,9.

Model dikatakan good fit apabila memiliki nilai

Tucker Lewis Index TLI ≥ 0,9 dan dikatakan fit marginal apabila 0,8 ≤
(TLI) TLI ≤ 0,9.

Model dikatakan good fit apabila memiliki nilai

Normed Fit Index (NFI) NFI ≥ 0,9 dan dikatakan fit marginal apabila 0,8 ≤
NFI ≤ 0,9.

Model dikatakan good fit apabila memilki nilai IFI

Incremental Fit Index
≥ 0,9 dan dikatakan fit marginal apabila 0,8 ≤ IFI
(IFI)
≤ 0,9.

Model dikatakan good fit apabila memiliki nilai

Comparative Fit Index
CFI ≥ 0,9 dan dikatakan fit marginal apabila 0,8 ≤
(CFI)
CFI ≤ 0,9.

Model dikatakan good fit apabila memilki nilai RFI

Relative Fit Index (RFI) ≥ 0,9 dan dikatakan fit marginal apabila 0,8 ≤ RFI
≤ 0,9.
 39

Terdapat beberapa ukuran kecocokan pada output lisrel 8.80 yang

dapat di gunakan untuk menunjukkan bahwa model secara keseluruhan
sudah baik. Namun, tidak penting atau realistis untuk memasukkan semua
indeks dalam output program karena dapat menyulitkan pembaca dan
peninjau (Hooper et al, 2008). Menurut Kline (2005) dalam Hooper et al
(2008), indeks yang dimasukkan dan disarankan untuk digunakan adalah
chi-square test, RMSEA, CFI dan RMSR. Tidak ada batasan pasti
mengenai dugaan terhadap kecocokan model dalam melaporkan berbagai
indeks penting karena perbedaan indeks merefleksikan aspek yang berbeda
pada kecocokan model (Crowley and Fan, 1997) dalam (Hooper et al,
2008).
3.4.2 Kecocokan Model Pengukuran
Uji kecocokan model pengukuran dilakukan terhadap setiap
konstruk atau model pengukuran secara terpisah melalui
1. Evaluasi terhadap validitas dari model pengukuran; dan
2. Evaluasi terhadap reliabilitas dari model pengukuran.
Validitas berhubungan dengan apakah suatu variabel mengukur
apa yang seharusnya diukur. Meskipun validitas tidak akan pernah
dapat dibuktikan tetapi dukungan kearah pembuktian tersebut dapat
dikembangkan.
Menurut Rigdon & Ferguson (1991) dan Doll, Xia &
Torkzadeh (1994) sebagaimana dikutip oleh Wijanto (2008: 65) suatu
variabel dikatakan mempunyai validitas yang baik terhadap konstruk
atau variabel latennya jika memenuhi syarat
 Nilai t muatan faktornya (loading factors) lebih besar dari nilai kritis
(atau ≥ 1,96 atau untuk praktisnya ≥ 2 ); dan
 Muatan faktor standarnya (standardized loading factors)
Menurut Igbaria [Link] (1997) sebagaimana dikutip oleh Wijanto
(2008: 65), tentang relative importance and significant of the factor
loading of each item, menyatakan bahwa muatan faktor standar ≥
0,50.
 40

Reliabilitas adalah konsistensi suatu pengukuran. Apabila reliabilitas

tinggi menunjukkan indikator-indikator mempunyai konsistensi tinggi
dalam mengukur konstruk latennya.
Secara umum teknik mengestimasi reliabilitas adalah test-retest,
alternative forms, split-halves, dan Cronbach’s alpha. Dari berbagai
pendekatan tersebut, ternyata koefisien Cronbach’s alpha yang
menggunakan batasan asumsi paling sedikit. Reliabilitas komposit suatu
konstruk dihitung sebagai berikut

(∑ 𝑆𝑡𝑑.𝐿𝑜𝑎𝑑𝑖𝑛𝑔)2
𝐶𝑜𝑛𝑠𝑡𝑟𝑢𝑐𝑡 𝑅𝑒𝑙𝑖𝑎𝑏𝑖𝑙𝑖𝑡𝑦 = (∑ 𝑆𝑡𝑑.𝐿𝑜𝑎𝑑𝑖𝑛𝑔)2+∑ 𝜀𝑗
………..(Rumus 3.19)

dimana [Link] (standardized loadings) dapat diperoleh secara

langsung dari keluaran program LISREL 8.80 dan adalah measurement
error untuk setiap indikator atau variabel teramati.

Ekstrak varian mencerminkan jumlah varian keseluruhan dalam indikator-indikator

yang dijelaskan oleh variabel laten. Ukuran ekstrak varian dapat dihitung sebagai
berikut

 Standardiz e Loading  2

 Standardiz e Loading    
Variance Extracted = 2
.......(Rumus 3.20)
j

Menurut hair [Link] (1998) sebagaimana dikutip oleh Wijanto

(2008: 66) dikatakan memiliki reliabilitas yang baik adalah jika
1. Construct Reliability (CR) ≥ 0,70 dan
2. Variance Extracted (VE) ≥ 0,50.
3.4.3 Kecocokan Model Struktural
Menurut Dr. Edi Riadi (2016:101) dalam buku Statistik SEM
Structural Equation Modeling dengan Lisrel dengan “tingkat ketelitian (α)
sebesar 5% dan tingkat kepercayaan sebesar 95% sehingga diperoleh nilai
Z = 1,96, nilai e (tingkat signifikasi/eror) sebesar 5%. Koefisien determinasi
(R2 ) pada persamaan struktural mengindikasikan jumlah varian pada
variabel laten endogen yang dapat dijelaskan secara simultan oleh variabel-
variabel laten independen. Semakin tinggi nilai R2 , maka semakin besar
 41

variabel-variabel independen tersebut dapat menjelaskan variabel endogen

sehingga semakin baik persamaan struktural.

3.4.4 Respesifikasi Model

Setelah melakukan uji kecocokan model dan didapat model
yang diuji tidak fit maka perlu dilakukan respesifikasi model.
Respesifikasi model harus didukung teori karena tujuan dari CB-
SEM untuk mengkonfirmasi teori. Apabila model telah
direspesifikasi maka model yang baru harus di cross-validated
(validasi silang) dengan data yang baru.
Apabila model yang dihipotesiskan belum mencapai model
yang fit, maka dapat dilakukan respesifikasi model untuk mencapai
nilai fit yang baik. Oleh karena itu, pendekatan teori yang benar
ketika melakukan respesifikasi model ini dibutuhkan.
Respesifikasi model dilakukan dengan memodifikasi program PRELIS.
Dalam memodifikasi model ada beberapa cara yang dapat dilakukan yaitu
1. Menghapus variabel teramati yang tidak memenuhi syarat
validitas dan reliabilitas yang baik;
2. Memanfaatkan informasi yang terdapat dalam modification indices,
yaitu
 menambahan path (lintasan) baru diantara variabel teramati
dengan variabel laten dan antar variabel laten;
 menambahan error covariance diantara dua buah error variances.

3.5 Metode Pengolahan Data dan Analisis

Pada langkah ini, data-data hasil kuesioner yang telah terkumpul
diolah dan dianalisis dengan menggunakan bantuan software LISREL 8.80.
Dengan SEM, peneliti melakukan analisis pengaruh kompetensi pegawai
dan fasilitas perpustakaan terhadap kualitas pelayanan di Perpustakaan
Ubhara.
Tahapan-tahapan pemodelan SEM yaitu
1. Membuat hipotesis awal dan model awal penelitian menggambarkan
 42

diagram jalur dengan hybrid model yang merupakan kombinasi dari model
pengukuran dan model struktural.
2. Memasukkan data dengan program SPSS;
3. Melakukan uji normalitas dengan program LISREL,Menurut Ghozali &
Fuad (2008: 37), normalitas dibagi menjadi dua yaitu Univariate normality
(normalitas univariat), Multivariate normality (normalitas multivariat).
4. Menilai identifikasi model Menurut Mueller (1996) sebagaimana
dikutip oleh Thanjoyo (2012: 46) menyarankan salah satu usaha yang dapat
dilakukan untuk memperoleh model yang over-identified adalah memiliki
salah satu dari 2 pilihan sebagai berikut
 Menetapkan salah satu muatan faktor dari setiap variabel laten yang
ada dalam model dengan nilai 1,0; atau
 Variabel laten distandarisasikan ke unit variance dengan
menetapkan nilai 1 pada komponen diagonal dari matrik
5. Melakukan estimasi model;
Membuat program PRELIS untuk model pengukuran (model CFA), Melakukan
estimasi model dengan Maximum Likelihood (ML)
6. Menguji kecocokan model dan langkah-langkah menguji kecocokan model
yaitu
 Menguji kecocokan keseluruhan model (Goodness of Fit);
 Menguji validitas
Menurut Rigdon & Ferguson (1991) dan Doll, Xia & Torkzadeh
(1994) sebagaimana dikutip oleh Wijanto (2008: 65), suatu variabel
dikatakan mempunyai validitas yang baik terhadap konstruk atau variabel
latennya apabila memenuhi syarat berikut nilai T muatan faktornya (loading
factors) lebih besar dari nilai kritis (atau atau untuk praktisnya dan muatan
faktor standarnya (standardized loading factors)
 Menguji reliabilitas Menurut hair [Link] (1998) sebagaimana dikutip oleh
Wijanto (2008: 66) dikatakan memiliki reliabilitas yang baik adalah jika
1. Construct Reliability (CR) ≥ 0,70 dan
2. Variance Extracted (VE) ≥ 0,50
 43

7. Melakukan respesifikasi model beberapa cara memodifikasi program

PRELIS antara lain
 Menghapus variabel teramati yang tidak memenuhi syarat validitas
dan reliabilitas yang baik;
 Memanfaatkan informasi yang terdapat dalam modification indices,
yaitu
1. Menambahan path (lintasan) baru diantara variabel teramati dengan
variabel laten dan antar variabel laten;
2. Menambahan error covariance diantara dua buah
error varian.

3.6 Pengertian Koleksi Perpustakaan Menurut Para Ahli

Menurut ALA Glossary of Library and Information Science (1983) koleksi
perpustakaan merupakan sejumlah kegiatan yang berkaitan dengan penentuan dan
koordinasi kebijakan seleksi, menilai kebutuhan pemakai, studi pemakaian koleksi,
evaluasi koleksi, identifikasi kebutuhan koleksi, seleksi bahan pustaka,
perencanaan kerjasama sumberdaya koleksi, pemeliharaan koleksi dan penyiangan
koleksi perpustakaan.
Menurut Literature (1998 : 2) koleksi perpustakaan adalah semua bahan
pustaka yang dikumpulkan, diolah, dan disimpan untuk disajikan kepada
masyarakat guna memenuhi kebutuhan pengguna akan informasi”. Sedangkan
menurut Ade Kohar (2003 : 6), “Koleksi perpustakaan adalah yang mencakup
berbagai format bahan sesuai dengan perkembangan dan kebutuhan alternatif para
pemakai perpustakaan terhadap media rekam informasi”.
Dari pernyataan pengertian koleksi perpustakaan di atas dapat disimpulkan
bahwa koleksi perpustakaan adalah semua bahan pustaka yang ada sesuai dengan
kebutuhan sivitas akademika dan dapat digunakan oleh para pengguna
perpustakaan tersebut. Kemudian diklasifikasikan jenis-jenis koleksi perpustakaan.
 44

3.6.1 Jenis-jenis Koleksi Perpustakaan

Adapun menurut jenis koleksi perpustakaan menurut Yulia (1993:3)
terdapat 4 jenis koleksi perpustakaan yaitu:
1. Karya Cetak
Koleksi perpustakaan berupa karya cetak adalah sebuah hasi dari pemikiran
manusia yang dituangkan dalam bentuk cetak. Misalnya seperti:
 Buku adalah bahan pustaka yang merupakan suatu kesatuan utuh dan yang
paling utama terdapat dalam koleksi perpustakaan. Berdasarkan standar dari
Unesco tebal buku paling sedikit setidaknya terdiri dari 49 halaman, tidak
termasuk kulit maupun jaket buku. contohnya buku fiksi, buku teks, dan
buku rujukan.
 Karya terbitan berseri adalah bahan pustaka yang direncanakan untuk
diterbitkan terus dengan jangka waktu terbit tertentu. Yang termasuk dalam
bahan pustaka ini adalah harian (surat kabar), majalah (mingguan bulanan
dan lainnya), laporan yang terbit dalam jangka waktu tertentu, seperti
laporan tahunan, tri wulanan, dan sebagainya.

2. Karya Non-Cetak
Koleksi perpustakaan karya non-cetak adalah hasil sebuah pemikiran
manusia yang dituangka tidak dalam bentuk buku atau majalah atau teks lainnya.
Melainkan juga bisa dalam bentuk rekaman suara, rekaman video, rekaman gambar
dan sebagainya. Istilah lain yang dipakai untuk bahan pustaka dengan istilah yang
disebut acheter viagra. Misalnya seperti:
 Hasil rekaman suara
koleksi perpustakaan dalam bentuk hasil rekaman suara yakni
berbentuk pita kaset dan piringan hitam. Sebagai contoh untuk koleksi
perpustakaan adalah buku pelajaran bahasa inggris yang dikombinasikan
dengan pita kaset.
 Hasil rekaman video
koleksi perpustakaan dalam bentuk hasil rekaman video tersebut dapat
berupa film dan kaset video. Kegunaannya selain bersifat rekreasi juga
 45

dipakai untuk pendidikan. Misalnya untuk keperluan proses pembelajaran,

dalam hal ini bagimana cara menggunakan perpustakaan.
3. Karya Grafika
Untuk koleksi perpustakaan dengan menggunakan karya grafika ini,
terdapat dua tipe bahan grafika yaitu, bahan pustaka yang dapat dilihat
langsung (misalnya lukisan, bagan, foto, gambar, teknik dan sebagainya) dan
yang harus dilihat dengan bantuan alat (misalnya selid, transparansi, dan
filmstrip).
4. Karya dengan bentuk elektronik
Dengan memanfaatkan kecanggihan teknologi, maka beberapa informasi
yang menjadi salah satu bahan dari koleksi perpustakaan dapat di tuangkan
secara digital dalam bentuk elektronik. Misalnya seperti pita magnetis dan
cakram atau disc. Untuk membacanya diperlukan perangkat keras seperti
computer, CD-ROM player, dan sebagainya.

3.7 Kompetensi Pegawai

Kata kompetensi sering didengar ataupun diucapkan oleh banyak
orang. Setiap orang memiliki persepsi masing-masing terkait dengan
kompetensi itu sendiri. Perbedaan tersebut merupakan hal yang wajar
dan tetap sah-sah saja sebab masing-masing individu belum
memahami makna asal atau makna aslinya.
Ada yang mengintepretasikan kompetensi sepadan dengan
kemampuan atau kecakapan. Ada lagi yang mengintepretasikan
sepadan dengan ketrampilan, pengetahuan dan berpendidikan tinggi.
Bahkan ada pula yang mengintepretasikan sepadan dengan layak
(feasible), handal (reliable), cocok, dapat dipercaya dan cerdas
(Sudarmanto, 2009: 45).
Menurut Richard E. Boyatzis (1982: 23) sebagaimana dikutip
oleh Sudarmanto (2009: 46), kompetensi adalah karakteristik-
karakteristik yang berhubungan dengan kinerja unggul dan atau
efektif di dalam pekerjaan.
 46

Menurut Lyle Spencer & Signe Spencer (1993: 9) sebagaimana

dikutip oleh Sudarmanto (2009: 46), kompetensi merupakan
karakteristik dasar perilaku individu yang berhubungan dengan
kriteria acuan efektif dan atau kinerja unggul di dalam pekerjaan atau
situasi.
Menurut McAshan (1981: 45) sebagaimana dikutip oleh
Sudarmanto (2009: 48), kompetensi merupakan pengetahuan,
keahlian, dan kemampuan yang dimiliki/dicapai seseorang, yang
menjadi bagian dari dirinya sehingga dapat menjalankan penampilan
kognisi, afeksi, dan perilaku psikomotorik tertentu.
Adapun menurut Badan Kepegawaian Negara (2003)
mendefinisikan kompetensi sebagai kemampuan dan karakteristik
yang dimiliki seorang Pegawai Negeri Sipil yang berupa
pengetahuan, keterampilan, dan sikap perilaku yang diperlukan
dalam pelaksanaan tugas jabatannya sehingga Pegawai Negeri Sipil
tersebut dapat melaksanakan tugasnya secara professional, efektif,
dan efisien.
Dari beberapa definisi di atas dapat disimpulkan bahwa
kompetensi pada dasarnya merupakan karakteristik dasar yang
berupa pengetahuan, keterampilan, dan sikap yang dimiliki individu
yang melekat pada dirinya dalam melaksanakan tugas dan pekerjaan
di tempat kerja.

3.7.1 Jenis dan Kategori Kompetensi Pegawai

Menurut Boyatzis (1982) sebagaimana dikutip oleh
Sudarmanto (2009: 51), mengemukakan komponen-kompenen
kompetensi terdiri dari
1. Motive (dorongan); motive termasuk pemikiran-pemikiran yang
berhubungan dengan pernyataan tujuan atau tema tertentu.
Sebagai contoh, orang yang berpikir (sadar/tidak) seputar
perbaikan dan berlomba terhadap standar prima/terbaik (dalam
kerja), maka ia dikatakan berada pada motive pencapaian
 47

(McClelland, Arkinson dan Boyatzis). Contoh dari motive ini

adalah kebutuhan atau dorongan berprestasi, kebutuhan atau
dorongan berkuasa.
2. Traits (ciri, sifat, karakter pembawaan); merupakan pemikiran-
pemikiran dan aktivitas psikomotorik yang berhubungan
dengan kategori umum dari kejadian-kejadian. Sebagai contoh,
orang yang percaya bahwa dirinya berada dalam pengendalian
masa depan dan nasibnya, maka ia dikatakan memiliki traits of
efficacy. Contoh dari sikap ini adalah sikap berani mengambil
inisiatif mengambil resiko.
3. Self image (citra diri); merupakan persepsi orang terhadap
dirinya dan evaluasi terhadap citranya tersebut. Definisi dari
Self image ini termasuk di dalamnya self concept (konsep diri)
dan self esteem (harga diri).
4. Social role (peran sosial); merupakan persepsi orang terhadap
seperangkat norma sosial perilaku yang diterima dan dihargai
oleh kelompok sosial atau organisasi yang memilikinya.
5. Skills (ketrampilan); merupakan kemampuan yang
menunjukkan sistem atau urutan perilaku yang secara
fungsional berhubungan dengan pencapaian tujuan kinerja.
Skill juga merupakan kapasitas seseorang yang secara
fungsional dapat efektif atau tidak efektif dalam situasi
pekerjaan. Hasil dari skill adalah sesuatu yang data dilihat dan
diukur. Sebagai contoh,
kemampuan perencanaan. Seseorang yang memiliki skill ini
dapat mengidentifikasi urutan dan tindakan tertentu yang perlu
diambil dalam menyelesaikan sasaran tertentu.
3.7.2 Manfaat Penggunaan Kompetensi Pegawai
Menurut Sutrisno (2011: 208), saat ini konsep kompetensi
sudah mulai diterapkan dalam berbagai aspek dari manajemen
sumber daya manusia walaupun yang paling banyak adalah pada
bidang pelatihan dan pengembangan, rekrutmen dan seleksi, dan
 48

sistem remunerasi.
Menurut Ruky dalam Sutrisno (2011: 208), konsep kompetensi
menjadi semakin populer dan sudah banyak digunakan oleh
perusahaan-perusahaan besar dengan berbagai alasan, yaitu
1. Memperjelas standar kerja dan harapan yang ingin dicapai.
Dalam hal ini, model kompetensi akan mampu menjawab dua
pertanyaan mendasar: keterampilan, pengetahuan, dan
karakteristik apa saja yang dibutuhkan dalam pekerjaan, dan
perilaku apa saja yang berpengaruh langsung dengan prestasi
kerja. Kedua hal tersebut akan banyak membantu dalam
mengurangi pengambilan keputusan secara subyektif dalam
bidang SDM.
2. Alat seleksi karyawan. Penggunaan kompetensi standar sebagai
alat seleksi dapat membantu organisasi memilih calon
karyawan yang terbaik. Dengan kejelasan terhadap perilaku
efektif yang diharapkan dari karyawan, kita dapat mengarahkan
pada sasaran yang selektif serta mengurangi biaya rekruitmen
yang tidak perlu. Caranya dengan mengembangkan suatu
perilaku yang dibutuhkan untuk setiap fungsi jabatan serta
memfokuskan wawancara seleksi pada perilaku yang dicari.
3. Memaksimalkan produktivitas. Tuntutan untuk menjadikan
suatu organisasi “ramping” mengharuskan kita untuk mencari
karyawan yang dapat dikembangkan secara terarah untuk
menutupi kesenjangan dalam keterampilannya sehingga
maupun untuk dimobilisasikan secara vertical maupun
horisontal.
4. Dasar untuk pengembangan sistem remunerasi. Model
kompetensi dapat digunakan untuk mengembangkan sistem
remunerasi (imbalan) yang akan dianggap lebih adil. Kebijakan
remunerasi akan lebih terarah dan transparan dengan
mengaitkan sebanyak mungkin keputusan dengan suatu set
perilaku yang diharapkan yang ditampilkan seorang karyawan.
 49

5. Memudahkan adaptasi terhadap perubahan. Dalam era

perubahan yang sangat cepat, sifat dari suatu pekerjaan sangat
cepat berubah dan kebutuhan akan kemampuan baru terus
meningkat. Model kompetensi memberikan sarana untuk
menetapkan keterampilan apa saja yang akan dibutuhkan untuk
memenuhi kebutuhan yang selalu berupah ini.
6. Menyelaraskan perilaku kerja dengan nilai-nilai organisasi.
Model kompetensi merupakan cara yang paling mudah untuk
mengomunikasikan nilai dan hal apa saja yang harus menjadi
fokus dalam unjuk kerja karyawan.

3.8 Fasilitas Perpustakaan

Menurut Moenir (2001: 119) sebagaimana dikutip oleh Pratiwi
(2013: 27), fasilitas adalah segala jenis peralatan, perlengkapan kerja
dan pelayanan yang berfungsi sebagai alat utama/pembantu dalam
melaksanakan pekerjaan dan juga sosial dalam rangka kepentingan
orang-orang yang sedang berhubungan dengan organisasi kerja itu
atau segala sesuatu yang digunakan, dipakai, ditempati, dan dinikmati
oleh orang pengguna.
Menurut Sutarno (2006: 11), pengertian yang lebih umum dan
luas tentang perpustakaan yaitu mencakup suatu ruangan, bagian dari
gedung/bangunan, atau gedung tersendiri, yang berisi buku-buku
koleksi yang disusun dan diatur sedemikian rupa sehingga mudah
untuk dicari dan dipergunakan apabila sewaktu- waktu diperlukan
oleh pembaca.
Fasilitas perpustakaan merupakan segala sesuatu yang
dipergunakan dan dinikmati guna menunjang pengorganisasian
koleksi buku pustaka dan terbitan lain yang diatur dengan tata
susunan tertentu dalam suatu ruangan yang nyaman (Pratiwi, 2013:
28).
Oleh karena itu, fasilitas perpustakaan adalah segala jenis
kelengkapan yang dipergunakan dan dinikmati pembaca untuk
 50

menunjang pengorganisasian dari perpustakaan.

3.8.1 Indikator Fasilitas Perpustakaan
Menurut Moenir (2001: 119) sebagaimana dikutip oleh Pratiwi
(2013: 28), menentukan indikator-indikator dari fasilitas
perpustakaan yaitu
1. Ruangan Perpustakaan
Menurut Perpustakaan Nasional RI (2011: 29),
Gedung/Ruang perpustakaan adalah tempat atau bagian
tertentu dalam sebuah bangunan yang digunakan untuk
menjalankan fungsi perpustakaan.
Menurut Sutarno (2006: 80), aspek yang perlu
diperhatikan pada unsur gedung adalah
 Lokasi, harus di tempat yang mudah dan ekonomis
didatangi masyarakat pemakai;
 Luas tanah (jika perpustakaan menempati gedung
tersendiri), diusahakan cukup menampung bangunan
gedung, dengan kemungkinan perluasan dalam waktu 10-
15 tahun mendatang;
 Luas gedung atau ruangan harus cukup menampung ruang
koleksi bahan pustaka, ruang baca dengan kapasitas
minimal 10% dari jumlah masyarakat yang akan dilayani,
ruang layanan, ruang kerja pengolahan dan administrasi;
 Ruangan-ruangan lain yang diperlukan, seperti gudang dan kamar
kecil;
 Konstruksi, mencakup aspek kekuatan dan pengamanan;
 Cahaya di dalam ruang harus terang;
 Kesejukan di dalam ruangan dan pertukaran udara/ventilasi harus
baik;
 Lingkungan yang tenang;
 Tempat parkir kendaraan secukupnya;
 Taman, dan lain-lain.
 51

Gedung dan ruangan perpustakaan dapat disesuaikan

dengan kondisi, situasi, serta ruang lingkup organisasi yang
membentuk perpustakaan. Pada prinsipnya penyediaan semua
sarana-prasarana, perabot dan perlengkapan adalah dalam
rangka memfasilitasi, mendukung, memudahkan,
meningkatkan kualitas, dan mempercepat proses terlaksananya
kegiatan (Sutarno, 2006: 81).
2. Peralatan Perpustakaan
Menurut Sutarno (2006: 85), perlengkapan, peralatan dan
perabot utama sebuah perpustakaan adalah
 Rak bahan pustaka: buku, majalah, surat kabar, pandang dengan
(AV).
 Lemari katalog; ukurannya disesuaikan dengan ukuran kartu
catalog.
 Meja kursi untuk para pembaca di ruang baca. Bentuknya
dapat bermacam-macam model.
 Meja sirkulasi/layanan.
 Mesin ketik untuk pembuatan kartu catalog dan surat-surat.
 Meja kerja pengolahan dan untuk pegawai.
 Lemari penitipan tas/barang.
 Papan pamer (display).
 Alat baca khusus untuk koleksi tertentu.
 Lemari arsip untuk tata usaha.
 Papan pengumuman.
 Kotak saran.
 Jam dinding.
 Troli pembawa bahan pustaka.
 Komputer.
 Dan lain-lain yang diperlukan.
Pada tahap awal pembentukan perpustakaan yang
pertama, sebagian besar sudah harus disediakan perabot dan
 52

perlengkapan yang diperlukan oleh sebuah perpustakaan. Oleh

karena itu, perlu berhati-hati dalam menentukan rancangan,
konstruksi dan jumlah setiap kebutuhan barang.
3. Koleksi Buku Bacaan
Koleksi buku bacaan merupakan titik tolak untuk
memberikan dan mengarahkan kepada pembaca yang akan
dilayani sehingga koleksi buku bacaan merupakan modal dasar
perpustakaan.
Menurut Sutarno (2006: 82), upaya pembentukan koleksi
pertama harus memperhatikan kriteria pokok, yaitu
 Koleksi perpustakaan mencakup jenis bahan pustaka
tercetak seperti buku, majalah, surat kabar, bahan pustaka
terekam dan elektronik
seperti kaset, video, piringan (disk), film, film strip, dan
koleksi bentuk tertentu seperti lukisan, insektarium, alat
peraga, globe, foto, dan lain- lain.
 Pengadaan koleksi perpustakaan terdiri atas dua tahap,
yaitu pembentukan koleksi petama (dasar), pembinaan dan
pengembangan.
Koleksi perpustakaan harus mencakup bahan pustaka
yang terpilih, informasi yang terkandung harus cocok dengan
keperluan dan dapat dibaca/didengar dan dimengerti oleh
masyarakat pemakai (Sutarno, 2006: 83).
Setiap bahan pustaka yang ditempatkan di ruang koleksi
adalah bahan pustaka yang sudah siap untuk
dipergunakan/dipinjam oleh masyarakat pemakai.

3.9 Kualitas Pelayanan

Kualitas pelayanan akan membahas tentang pengertian dari kualitas
pelayanan dan dimensi kualitas pelayanan menurut para pakar.
 53

3.9.1 Pengertian Kualitas Pelayanan

Menurut Setiyawati (2009: 27), kualitas layanan berasal dari
perbandingan antara harapan pelanggan tentang layanan yang hendaknya
mereka terima dengan layanan yang benar-benar telah mereka peroleh.
Kualitas jasa adalah bagaimana tanggapan konsumen terhadap jasa yang
dikonsumsi atau yang dirasakannya (Jasfar, 2005: 47).
Adapun menurut Amanullah (2012: 31), kualitas pelayanan
merupakan tingkat keunggulan yang diharapkan dan pengendalian atas
tingkat keunggulan tersebut untuk memenuhi keinginan pelanggan.
Menurut Parasuraman dkk. (1988) sebagaimana dikutip oleh
Setiyawati (2009: 27), kualitas layanan dapat diketahui dengan cara
membandingkan persepsi para pelanggan atas layanan yang nyata-nyata
mereka terima atau peroleh dengan layanan yang sesungguhnya mereka
harapkan atau inginkan
Dengan demikian kualitas pelayanan adalah tingkat keunggulan
yang diharapkan dan pengendalian atas tingkat keunggulan tersebut untuk
memenuhi keinginan pengunjung.
3.9.2 Dimensi Kualitas Pelayanan
Menurut Parasuraman (1988) sebagaimana dikutip oleh Jasfar
(2005: 51) mengemukakan lima dimensi kualitas jasa. Kelima dimensi
tersebut adalah
1. Reliability (kehandalan), yaitu kemampuan untuk memberikan
pelayanan yang dijanjikan dengan tepat (accurately) dan kemampuan untuk
dapat dipercaya (dependably), terutama memberikan jasa secara tepat
waktu (ontime), dengan cara yang sama sesuai dengan jadwal yang telah
dijanjikan dan tanpa melakukan kesalahan setiap kali.
2. Responsiveness (daya tanggap), yaitu kemauan atau keinginan para
karyawan untuk membantu dan memberikan jasa yang dibutuhkan
konsumen. Membiarkan konsumen menunggu, terutama tanpa alasan yang
jelas akan menimbulkan kesan negative yang tidak seharusnya terjadi.
Kecuali apabila kesalahan ini ditanggapi dengan cepat, maka dapat menjadi
sesuatu yang berkesan dan menjadi pengalaman yang menyenangkan.
 54

Misalnya, karena keterlambatan keberangakatan pesawat, penumpang

diberikan makanan dan minuman.
3. Assurance (jaminan), meliputi pengetahuan, kemampuan, ramah,
sopan, dan sifat dapat dipercaya dari kontak personel untuk menghilangkan
sifat keragu-raguan konsumen dan merasa terbebas dari bahaya dan resiko.
4. Empathy (empati), yang meliputi sikap kontak personel maupun
perusahaan untuk memahami kebutuhan maupun kesulitan, konsumen,
komunikasi yang baik, perhatian pribadi, kemudahan dalam melakukan
komunikasi atau hubungan.
5. Tangibles (produk-produk fisik), tersedianya fasilitas fisik,
perlengkapan dan sarana komunikasi, dan lain-lain yang dapat dan harus
ada dalam proses jasa. Penilaian terhadap dimensi ini dapat diperluas dalam
bentuk hubungan dengan konsumen lain pengguna jasa, misalnya keributan
yang dilakukan oleh tamu lain di hotel.
Meskipun banyak sekali pendapat yang dikemukakan mengenai
dimensi kualitas jasa, pendapat yang paling sering digunakan dalam
penilaian jasa adalah yang dikemukakan oleh Parasuraman, Zeithaml dan
Berry (1998). Konsumen akan menggunakan kelima dimensi kualitas untuk
membentuk penilaian nya terhadap kualiatas jasa yang merupakan dasar
untuk membandingkan harapan dan persepsinya terhadap jasa.
Dari penjelasan para ahli tentang dimensi kualitas pelayanan, maka
dapat di simpulkan beberapa dimensi yang sesuai agar pelayanan dapat
memberikan kepuasan kepada para pelanggan. Adapun dimensi tersebut
diantaranya keandalan (reliability), ketanggapan (responsiveness), jaminan
(assurance) serta empati (emphaty), bukti fisik (tangible).

3.10 Program Linear Structural Relationship

LInear Structural RELationship (LISREL) adalah program SEM
pertama yang dikembangkan oleh Karl G. Joreskog dan Dag Sorbom pada
tahun 1974. Program LISREL dibuat oleh perusahaan Scientific Software
[Link].
LISREL merupakan satu-satunya program SEM yang paling canggih
 55

dan paling dapat mengestimasi berbagai masalah SEM yang bahkan nyaris
tidak dapat dilakukan oleh program lain, seperti AMOS, EQS dan program
lainnya (Ghozali & Fuad , 2008).
Selain itu, LISREL merupakan program SEM yang sangat informatif
dalam menghasilkan hasil uji statistiknya sehingga modifikasi model dan
penyebab buruknya goodness of fit model dapat dengan mudah diatasi
(Latan, 2013: 6).
Menurut Lei & Wu (2007: 40), “LISREL (linear structural
relationships) is one of the earliest SEM programs and perhaps the most
frequently referenced program in SEM articles” dan “Its version 8
(Joreskog & Sorbom, 1996a, 1996b) has three components: PRELIS,
SIMPLIS, and LISREL.”
Dalam penggunaan SEM, peneliti dapat menganalisis struktur
kovarians (struktur yang menunjukkan hubungan linear antar variabel) yang
rumit, variabel laten, saling ketergantungan antar variabel dan timbal balik
sebab akibat yang dapat ditangani dengan mudah menggunakan model
pengukuran dan persamaan terstruktur.