Teknik analisis Structural Equation Modelling (SEM) dapat dilakukan dengan bantuan berbagai software, salah satunya yaitu AMOS. AMOS dapat menjelaskan masalah pengukuran dan struktur dan selanjutnya digunakan untuk menganalisis dan menguji hipotesis. Kemampuan AMOS dalam bermacam-macam analisis dapat digunakan untuk : a) Mengestimasi koefisien yang tidak diketahui dari satu set persamaan linier terstruktur, b) Mengakomodasi model yang didalamnya termasuk variabel laten, c) Mengakomodasi pengukuran error baik dependen maupun independen, d) Mengakomodasi peringatan yang timbal balik, simultan, dan saling ketergantungan.

Keseluruhan model dari SEM (Structural Equation Modelling) terdiri dari: (1) Model struktural (Structural Model) yaitu hubungan antara variabel laten (variabel yang tidak dapat diukur secara langsung dan memerlukan beberapa indikator untuk mengukurnya) endogen dan eksogen. (2) Model pengukuran (Measurement Model) yaitu hubungan antara indikator dengan variabel laten. Pengujian model struktural dan pengukuran yang digabung tersebut memungkinkan peneliti untuk menguji measurement error sebagai bagian yang tidak terpisahkan dari SEM serta melakukan analisis faktor bersamaan dengan pengujian hipotesis.

Tahapan pemodelan dan analisis persamaan struktural terdiri dari 7 (tujuh) langkah, sebagai berikut (Ghozali, 2017: 61):

1.      Pengembangan model berdasar teori

Model persamaan struktural didasarkan pada hubungan kausalitas, yaitu perubahan satu variabel diasumsikan akan berakibat pada perubahan variabel lainnya. Kuatnya hubungan kausalitas antara dua variabel yang diasumsikan oleh peneliti bukan terletak pada metode analisis yang dipilih oleh peneliti, tetapi terletak pada justifikasi (pembenaran) secara teoritis untuk mendukung analisis. Jadi hubungan antar variabel dalam model merupakan deduksi dari teori.

2.      Menyusun diagram jalur

Diagram jalur menunjukkan alur hubungan kausal variabel eksogen dan endogen. Hubungan-hubungan kausal yang telah ada justifikasi teori dan konsepnya, divisualisasikan ke dalam gambar sehingga lebih mudah melihatnya dan lebih menarik. Jika hubungan kausal tersebut ada yang secara konseptual belum fit maka dapat di buat beberapa model yang kemudian diuji menggunakan SEM untuk mendapatkan model yang lebih tepat.

3.      Merubah diagram jalur ke dalam persamaan struktural

Menyusun persamaan struktural yaitu menghubungkan konstruk laten endogen atau eksogen dengan variabel indikator atau manifest. Setelah model teoritis dikembangkan dan digambarkan kedalam sebuah diagram alur, maka selanjutnya mengkonversi model tersebut ke dalam persamaan struktural dalam bentuk model matematika. Persaman structural dirumuskan untuk menyatakan hubungan kausalitas antar berbagai konstruk. Menurut Ferdinand (2014:42) persamaan structural pada dasarnya dapat dibangun dengan pedoman berikut:

Variabel endogen = variabel eksogen + variabel endogen + Error

Sebagai contoh, persaman struktural model penelitian ini dapat dituliskan sebagai berikut:

Y1 = b11 X1 + b21 X2 + d1

Y2 = b12 X1 + b22 X2 + g1 Y1 + d1

Dimana:

Y1 = Kepuasan kerja

Y2 = Kinerja pegawai

X1 = Komunikasi organisasi

X2 = Penggunaan teknologi informasi

b = koefisien regresi variabel eksogen terhadap variabel endogen

g = koefisien regresi variabel endogen terhadap variabel endogen

d = error atau residual

4.      Memilih matrik input

Input penelitian ini menggunakan matriks varians atau konvarians, karena matrik ini memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi yang berbeda atau sampel yang berbeda. Penggunaan matriks varian/kovarians pada saat pengujian teori sebab lebih memenuhi asumsi – asumsi metodologi dimana standar error menunjukkan angka yang lebih akurat dibanding menggunakan matriks korelasi (Ghozali, 2017: 63).

5.      Menilai identifikasi model struktural

Permasalahan yang sering muncul di dalam model struktural adalah proses pendugaan parameter. Analisis SEM hanya dapat dilakukan apabila hasil identifikasi model menunjukkan bahwa model termasuk dalam kategori over-identified, yaitu model yang jumlah parameter estimasi lebih kecil dari jumlah data varian dan kovariannya sehingga menghasilkan nilai df positif (Ghozali, 2017:65). Identifikasi tersebut dapat dilakukan dengan memperhatikan nilai df (degrees of freedom) berdasarkan model yang telah dibuat.

6.      Evaluasi kriteria Goodness-of-Fit

Adalah evaluasi kecocokan model yang ditujukan untuk mengevaluasi secara umum derajat kecocokan atau goodness of fit antara data dengan model.

a.    Chi-Square statistics. Kriteria chi square diharapkan kecil (Ferdinand, 2014). semakin kecil nilai X² model semakin baik, dan diterima berdasarkan probabilitas dengan cut-off value sebesar p> 0,05 (Ferdinand, 2014: 67).

b.    RMSEA (The Root Mean Square Error of Approximation), merupakan suatu indeks yang digunakan untuk mengkonpensasi chi-square dalam sampel yang besar. Nilai RMSEA ≤ 0,08 menunjukkan good fit. Nilai RMSEA antara 0,08 sampai 0,10 menunjukkan marginal fit, serta nilai RMSEA ≥0,10 menunjukkan poor fit (Ferdinand, 2014: 74)

c.   GFI (Goodness of fit Index), merupakan ukuran non statistical yang mempunyai rentang nilai antara 0 sampai dengan 1. Nilai yang tinggi dalam indeks ini menunjukkan sebuah “better fit”. Nilai GFI ≥0,90 menunjukkan model yang baik (good fit) (Ferdinand, 2014: 68).

d.  AGFI (Adjusted Goodness of Fit Index), merupakan kriteria yang memperhitungkan proporsi tertimbang dari varian dalam sebuah matrik kovarian sampel. Nilai AGFI antara 0 sampai 1 dan nilai AGFI ≥0,90 menunjukkan good fit, sedangkan 0,80 ≤ AGFI < 0,90 sering disebut sebagai marginal fit (Ferdinand, 2014: 69).

e.     CMIN/DF (The Minimum Sample Discrepancy Function Devided with degrre of Freedom), merupakan statistic chisquare X² dibagi degree of freedom-nya sehingga disebut X² relative. CMIN/DF yang diharapkan adalah ≤2,0 (Ferdinand, 2014: 68)

f.  TLI (Tucker Lewis Indeex), merupakan incremental index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model. Nilai TLI ≥ 0,95 menunjukkan model yang baik (good fit) (Ferdinand, 2014: 72).

g.       CFI (Comparative Fit Index), rentang nilai sebesar 0-1, dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi. Nilai CFI ≥ 0,95 menunjukkan model yang baik (good fit) (Ferdinand, 2014).

Berdasarkan uraian di atas, dapat disimpulkan bahwa untuk menguji kecocokan antara data dengan model dilakukan dengan mengevaluasi secara umum derajat kecocokan atau goodness of fit. Model yang baik hendaknya memenuhi kriteria nilai chi square yang kecil, signifikansi ≥ 0,05, RMSEA ≤ 0,08, GFI ≥ 0,90, AGFI ≥ 0,90, CMIN/DF ≥ 0,90, TLI ≥ 0,95, dan CFI ≥ 0,95.

(Ferdinand, 2014: 77)

7.      Interpretasi dan modifikasi model

Setelah melakukan evaluasi model secara keseluruhan serta penilaian Goodness of Fit Test (GOF) dan didapatkan model yang diuji ternyata tidak fit maka diperlukan modifikasi atau respesifikasi model. Modifikasi model pada program AMOS 22 dapat dilakukan dengan melihat output modification index.