SEM sebagai teknik analisis multivariat yang memungkinkan peneliti menguji hubungan antar variabel yang komplek.
SEM menganalisis sebuah rangkaian hubungan yang relatif rumit, secara simultan menguji dan mengestimasi hubungan multiple exogeneus
dan endogeneus dengan banyak indikator Chin, 1988; Gefen et. all, 2000; dikutip Latan, 2012:5 dalam Siswoyo, 2012:11. Pada analisis
SEM, variabel dibedakan menjadi: a. Variabel Laten
Adalah variabel yang tidak dapat diukur secara langsung kecuali diukur dengan satu atau lebih variabel manifes. Variabel laten
digolongkan menjadi dua: 2 Variabel Laten Eksogen
Variabel Laten Eksogen ialah variabel independen bebas yang mempengaruhi variabel dependen terikat. Dalam
penelitian ini variabel laten eksogen adalah Computer Self- Efficacy X1, Subjective Norm X2, dan System Quality X3.
3 Variabel Laten Endogen Variabel Laten Endogen ialah variabel dependen yang
dipengaruhi oleh variabel independen. Dalam penelitian ini variabel laten endogen adalah Perceived Ease of Use Y1,
Perceived Usefulness Y2, dan Intention to System Use Y3.
b. Variabel Manives Variabel Manives ialah variabel yang digunakan untuk
menjelaskan atau mengukur variabel laten. Sebutan lain variabel manives adalah observes variable, measured variable, atau indikator.
4. Pengujian Model Struktural
a. Asumsi Kecukupan Sampel Ukuran sampel yang harus terpenuhi disarankan lebih dari 100
atau minimal lima kali jumlah item indikator yang digunakan. Teknik estimasi model yang digunakan adalah Maximum Likelihood
Estimated ML membutuhkan sampel berkisar antara 100-200 sampel Siswoyo, 2012:76. Dalam penelitian ini jumlah sampel yang
digunakan adalah 150, maka sudah memenuhi kriteria asumsi ukuran sampel dalam SEM sebab sudah melebihi batas minimal yaitu 100.
b. Asumsi Outliers Outliers adalah observasi yang muncul dengan nilai-nilai
ekstrim baik secara univariat maupun multivariat muncul karena kombinasi karakteristik yang unik yang dimilikinya dan terlihat sangat
jauh berbeda dengan observasi-observasi lainnya. c. Asumsi Normalitas
Apabila asumsi normalitas tidak terpenuhi dan penyimpangan data normalitas besar maka akan menghasilkan hasil uji statistik yang
bias. Pengujian normalitas dalam penelitian ini dilakukan dengan
memberikan perintah test of normality and outlier. Asumsi normalitas akan diterima bila nilai C.R -2,58 c.r 2,58 Siswoyo, 2012:76.
d. Evaluasi Kriteria Goodness of Fit GOF Pengujian Goodness of Fit didasarkan pada kriteria, antara lain:
1 �
2
Chi Square Statistik Tujuan analisis ini adalah mengembangkan dan menguji
sebuah model yang sesuai dengan data. Nilai Chi Square yang kecil akan menghasilkan nilai probabilitas ρ yang lebih besar dari
tingkat signifikansi α dan ini menunjukkan bahwa input matrik kovarian antara prediksi dengan observasi tidak berbeda secara
signifikan. Sebaliknya nilai Chi Square yang tinggi relatif terhadap degree of freedom menunjukkan bahwa matrik kovarian atau
korelasi yang diobservasi dengan yang diprediksi berbeda secara nyata dan ini menghasilkan probabilitas lebih kecil dari tingkat
signifikansi Siswoyo, 2012:71. Semakin kecil nilai
�
2
semakin baik model dan diterima berdasarkan probabilitas dengan cut off value sebesar
ρ 0,05. 2 Goodness of Fit Index GFI
Secara teoritis, angka GFI berkisar antara 0 poor fit sampai 1,0 perfect fit dengan pedoman bahwa semakin kecil hasil GFI
mendekati 1, akan semakin baik model dalam menjelaskan data yang yang ada. Menurut Siswoyo 2012:72 nilai GFI sebagai
ukuran good fit adalah sebesar 0,90.
