6.3 Pembahasan

sebagai Smart City pemerintah terus berupaya merealisasikan infrastruktur yang dibutuhkan oleh masyarakat.

6.3 Pembahasan

a. Studi Kasus

Surabaya dikenal dengan potensi pengembangan permukiman kota dengan prestasi tingkat dunia. Dalam hal ini menjadi kesempatan bagi srabaya dalam menuju perwujutan kota menjai smart city melalui bidang permukiman. Dimana permukiman menjadi komponen yang mendominasi dari pengembangan sebuah kota untk meningkatkan kualitas. Dimana salah satu kampung di Surabaya yaitu kampung lawas maspati dimana kampung ini yang mengalami perubahan citra yang baik sejak adanya kader lingkungan, dimana kegelishan masyarakat akan stigma negative lingkungan memotivasi Sebagian masyarakat turut dalam program perbaikan lingkugan. Kampung Lawas Maspati yang merupakan kampung dengan ciri khas cagar budaya yang melekat dengan sejarah Kota Surabaya didalamnya.

Penggunaan analisis SEM (Structural Equation Modelling) dalam mengidentifikasi preferensi masyarakat dalam mewujudkan konsep smart city juga diperlukan. SEM (Structural Equation Modelling) merupakan teknik statistika yang kuat dalam menetapkan model pengukuran dan model struktural. SEM juga didasarkan pada hubungan kausalitas, yakni terjadinya perubahan pada satu variabel berdampak pada perubahan variabel yang lainnya. Metode SEM memiliki kemampuan analisis dan prediksi yang lebih baik dibandingkan analisis jalur dan regresi berganda karena SEM mampu menganalisis sampai pada level terdalam terhadap variabel atau model yang dite liti. Metode SEM lebih koprehensif dalam menjelaskan fenomena penelitian. Sementara analisis jalur dan regresi berganda hanya mampu menjangkau level variabel laten sehingga mengalami kesulitan dalam mengurai atau menganilisis fenomena empiris yang terjadi pada levellevel butir atau indikator-indikator variabel laten (Ulum, Tirta, & Anggraeni, 2014). Dalam mewujudkan konsep smart city perlu adanya variable yang

berpengaruh berdasarkan preferensi masyarakat. Dari variable variable tersebut kelompok kami mengidentifikasinya untuk melihat adakah hubungan antar variable dengan menggunakan analisis SEM (Structural Equation Modelling).

b. Tujuan Tujuan dari penelitian ini merupakan keterkaitan antar variable dalam pengembangan kampung cerdas di kota surabaya dalam mewujudkan konsep smart city. Serta mengidentifikasi variable yang berpengaruh berdasarkan masyarakat kampung cerdas di kota Surabaya dalam mewujudkan konsep smart city.

c. Data

Data yang kami gunakan dalam praktikum analisis Structural Equation Modelling (SEM) ini yaitu kami peroleh dari Tugas Akhir dengan judul “Penentuan Kriteria Pengembangan Kampung Cerdas di Kota Surabaya dalam Mewujudkan Konsep Smart City” (Paramasatya, 2017).

No Smart Economy Smart Mobility Smart People

SEc1 SEc2 SEc3 SEc4 SEc5 SEc6 SEc7 SM1 SM2 SM3 SM4 SM5 SM6 SM7 SP1 SP2 SP3 SP4

1 2 1 2 1 2 2 2 2 3 3 1 2 1 1 1 2 2 2 2 2 2 3 3 3 3 3 1 1 1 1 2 2 2 2 2 1 3 3 2 3 2 3 3 2 3 2 3 3 1 2 1 1 1 2 3 2 4 2 1 3 3 2 2 3 2 3 2 2 2 1 1 1 2 1 3 5 2 3 3 3 3 2 3 2 1 2 1 2 3 3 1 3 3 3 6 1 2 2 3 2 3 3 2 3 2 1 2 1 1 2 1 3 1 7 2 2 3 3 3 3 3 3 3 2 1 2 1 1 3 2 3 3 8 1 3 2 2 2 3 3 2 1 1 1 1 1 1 3 1 1 3 9 2 2 3 3 3 2 3 2 1 3 1 2 1 1 2 2 1 1 10 1 1 3 3 2 2 2 1 1 1 2 2 1 1 1 1 1 1 11 1 2 1 1 2 2 2 2 1 3 1 2 1 1 1 2 2 2 12 2 3 3 3 3 3 3 2 1 3 1 2 1 1 2 1 1 1 13 2 2 2 1 3 2 3 2 1 3 1 1 1 1 1 1 2 1 14 2 2 2 3 3 3 3 2 1 3 1 2 1 1 1 2 1 1 15 2 3 3 3 3 3 3 3 3 2 1 1 1 1 3 1 1 2 16 2 1 1 1 2 3 3 3 3 2 1 2 1 1 2 1 1 2 17 1 3 3 3 3 2 3 2 3 1 2 2 1 1 3 2 3 2 18 2 2 2 2 3 2 2 1 1 3 1 1 1 1 1 2 2 2 19 2 2 2 2 3 3 3 2 3 2 1 1 1 1 3 3 2 3 20 1 3 3 3 2 3 3 2 3 1 3 3 3 2 2 3 3 2 21 2 2 2 3 3 3 3 2 3 2 1 2 1 2 1 2 3 1 22 2 1 3 3 2 2 3 2 1 1 1 2 1 1 1 2 1 1 23 2 2 1 2 3 2 3 1 1 3 1 1 1 1 1 1 3 1 24 1 3 1 2 3 3 3 2 1 3 2 2 1 1 1 2 3 2 25 1 2 1 2 2 3 3 1 1 2 1 1 1 3 1 1 1 1 26 1 2 1 2 3 2 2 1 1 1 2 2 1 1 1 2 1 1 27 1 1 1 1 3 3 3 1 1 1 1 1 1 1 1 1 1 1 28 2 1 2 2 2 2 3 1 1 1 1 2 1 1 1 1 1 1 29 2 1 2 1 3 3 3 1 1 1 1 2 1 1 1 1 1 1 30 2 3 2 3 3 3 3 2 1 1 1 2 1 3 1 2 3 1 31 2 3 2 3 3 3 3 1 1 1 1 2 1 3 1 2 3 1 32 1 3 1 3 3 3 3 2 1 1 1 2 1 1 1 1 1 2 33 1 1 1 1 2 3 3 2 2 3 2 2 1 3 1 2 3 3 34 1 1 1 1 3 3 3 2 1 1 1 1 1 3 1 1 3 1 35 1 1 1 1 2 3 2 1 1 1 2 2 1 3 1 1 1 2

d. Langkah Pengerjaan Berikut merupakan langkah-langkah yang kami lakukan dalam praktikum analisis SEM menggunakan aplikasi WarpPLS: 1)Memasukkan data yang diperoleh dari laporan ilmiah ke Microsoft Excel.

2) Membuka aplikasi WarpPLS, kemudian memulainya dengan membuat project baru (klik “Project to Step 1”)

3) Setelah jendela baru muncul maka klik “Create project file”

4) Memberi nama file dari project yang akan kita buat, kemudian klik “Save”

5) Selanjutnya masuk ke tahapan kedua dengan mengeklik “Proceed to Step

2”. Jendela baru pun akan muncul.

6) Mengimport file Excel yang telah kita buat di langkah no. 1 dengan cara klik “Read from file”

7) Memilih data yang akan kita gunakan untuk analisis SEM, kemudian klik

“Open”

8) Data yang akan diolah pun muncul. Jika data sudah benar maka klik “Yes”

pada kotak dialog di atas tabel

9) Selanjutnya masuk ke tahapan ketiga, klik “Proceed to Step 3”

10) Setelah muncul jendela baru, klik “Pre-process data”

11) Tunggu proses pengecekan hingga selesai. Setelah selesai, klik “Ok” untuk menutup jendela

12) Selanjutnya akan muncul tabel berisikan data yang telah dilakukan proses pengolahan, klik “Yes” jika dirasa data sudah benar

13) Masuk ke tahapan keempat, klik “Proceed to Step 4”

14) Setelah muncul jendela baru, klik “Define SEM model”

15) Memulai proses pembuatan model dari variabel-variabel

16) Untuk membentuk variabel laten, caranya adalah: Latent variable options → Create latent variable. Kemudian klik kiri di layar kosong berwarna

putih maka akan muncul jendela seperti gambar di bawah ini.

17) Memberikan nama dan menambahkan indikator dari masing-masing variabel laten

18) Menata variabel-variabel yang telah terbentuk dan berikan tanda panah dengan “Direct link options → Create direct link → hubungkan antara

variabel satu dengan yang lain”, hasilnya sebagai berikut.

19) Setelah menyimpan model yang telah dibuat maka selanjutnya masuk ke tahapan kelima. Klik “Proceed to Step 5”

20) Jendela baru akan muncul kemudian klik “Perform SEM analysis”

21) Akan muncul hasil sebagai berikut.

22) Untuk melihat berbagai pengolahan maka klik tab “View” dan pilih

sesuai kebutuhan.

23) Sebagai contoh, berikut merupakan hasil secara umum (View → View

general results)

e. Interpretasi • Validitas (View → View correlations among latent vatiables and errors

→ View correlations among latens variables with sq. rts. of AVEs)

Berdasarkan tabel tersebut, diketahui bahwa nilai yang ada dalam tanda kurung memiliki nilai yang lebih besar (>) dari nilai cross loadings/konstruk lainnya. Hal ini dapat diartikan variabel-variabel tersebut valid.

• Reliabilitas (View → View latent variable coeficients)

Dilihat dari nilai Cronbach’s Alpha, ketiga variabel tersebut tidak

Smart Mobility (SM) Smart People (SP)

Smart Economy (SEc)

Smart Economy (SEc) 0.356 0.286 (0.670)

Smart Mobility (SM) Smart People (SP)

R-squared 0.127 0.138

Adj. R-squared 0.073 0.112 Composite reliab. 0.779 0.439 0.758 Cronbach's alpha 0.674 0.432 0.571 Avg. var. extrac. 0.367 0.291 0.449

Full collin. VIF 1.152 1.095 1.252

Q-squared 0.160 0.203 Min -2.138 -1.324 -1.309 Max 1.399 3.787 2.276

Median -0.031 -0.151 0.010 Mode -1.097 -0.638 -1.309

Skewness -0.377 1.632 0.575

Exc. Kurtosis -0.898 3.998 -0.515

Unimodal-RS Yes Yes Yes Unimodal-KMV Yes Yes Yes

Normal-JB Yes No Yes

Normal-RJB Yes No Yes

Histogram View View View reliabel karena nilainya kurang dari 0,70. Namun jika dilihat dari nilai Composite Reliability, variable Smart Economy dan Smart People adalah reliabel (Smart Economy = 0,779 > 0,70; Smart People = 0,758 > 0,70). • Nilai R2 (View → View latent variable coeficients)

Nilai R2 yang semakin tinggi maka artinya semakin baik. Namun dari tabel ini terlihat bahwa nilai R-squarednya sangat kecil, sekitar 0,1 maka dapat dikatakan hasilnya kurang baik. • Nilai Avg. (View → View latent variable coeficients)

Smart Mobility Smart Mobility (SM) (SM) Smart People Smart People (SP) (SP) 0.138 0.138

Adj. R-Adj. R-squared squared 0.073 0.073 0.112 0.112 Composite reliab. Composite reliab. 0.779 0.779 0.439 0.439 0.758 0.758 Cronbach's alpha Cronbach's alpha 0.674 0.674 0.432 0.432 0.571 0.571 Avg. var. extrac. Avg. var. extrac. 0.367 0.367 0.291 0.291 0.449 0.449

Full collin. VIF Full collin. VIF 1.152 1.152 1.095 1.095 1.252 1.252

Q Q-squared squared 0.160 0.160 0.203 0.203 Min Min -2.138-2.138 -1.324-1.324 -1.309 1.309 Max Max 1.399 1.399 3.787 3.787 2.276 2.276

Median Median -0.031-0.031 -0.151-0.151 0.010 0.010 Mode Mode -1.097-1.097 -0.638-0.638 -1.309 1.309

Skewness Skewness -0.377-0.377 1.632 1.632 0.575 0.575

Exc. Kurtosis Exc. Kurtosis -0.898-0.898 3.998 3.998 -0.515 0.515

Unimodal-Unimodal-RS RS Yes Yes Yes Yes Yes Yes Unimodal-Unimodal-KMV KMV Yes Yes Yes Yes Yes Yes

Normal-Normal-JB JB Yes Yes No No Yes Yes

Normal-Normal-RJB RJB Yes Yes No No Yes Yes

Histogram Histogram View View View View View View Berdasarkan tabel tersebut, nilai Avg. masing-masing variabel nilainya di bawah 0,50. Untuk variabel Smart Ekonomy mempunyai nilai 0,367, Smart

Mobility 0,291, dan Smart People senilai 0,449. • Nilai Loading Factor (View → View indicator loadings and cross-loadings → View combined loadings and cross-loadings)

Berdasarkan tabel di atas, dapat kita lihat bahwa terdapat beberapa nilai loading factors yang kurang dari 0,70.