Jurnal Perkeretaapian Indonesia (Indonesian Railway Journa.
Vol.
9 No.
2 Oktober, 2025
p-ISSN 2550-1127/e-ISSN 2656-8780
ANALISIS FAKTOR YANG MEMPENGARUHI KEPUASAN PENGGUNA
FACE RECOGNITION DI STASIUN SURABAYA GUBENG
Henry Hendarto1.
Nanda Ahda Imron2.
Erifendi Churniawan3, 1,2,3Program Studi Manajemen Transportas Perkeretaapian.
Politeknik Perkeretaapian Indonesia Madiun Corresponding Author : hendarto1202@gmail.
ABSTRAK
PT KAI melakukan inovasi dalam proses boarding secara mandiri menggunakan fasilitas Face Recognition (FR) yang mulai digunakan di Stasiun Surabaya Gubeng sejak bulan Maret 2023.
Penelitian ini bertujuan untuk menganalisis persepsi penumpang terhadap kepuasan pengguna FR di Stasiun Surabaya Gubeng.
Metode dalam penelitian menggunakan End User Computing Satisfaction (EUCS) dengan 5 variabel yaitu: isi, ketepatan, bentuk, kemudahan penggunaan, dan ketepatan waktu untuk mengukur persepsi pengguna FR di Stasiun Surabaya Gubeng.
Data diolah dengan metode Structural Equation Modelling (SEM), dibantu aplikasi SmartPLS versi 4.
SEM melibatkan tiga pengujian yaitu: analisis model pengukuran .
ji validitas konvergen, validitas diskriminan, dan reliabilita.
, analisis model struktural .
ji multikolinieritas dan hipotesi.
, serta analisis kebaikan dan kecocokan model .
oefisien determinasi dan uji model fi.
Uji validitas konvergen dan diskriminan serta uji reliabilitas menunjukkan bahwa semua indikator dalam setiap variabel valid dan reliabel.
Uji multikolineritas juga menunjukkan tidak adanya kolineritas.
Namun, dalam uji hipotesis, variabel content dan ease of use tidak berpengaruh terhadap kepuasan pengguna FR di Stasiun Surabaya Gubeng.
Sebaliknya, variabel accuracy, format, dan timeliness berpengaruh terhadap kepuasan Kesimpulan penelitian ini sebanyak 69,7% pengguna FR merasa puas dengan penggunaan FR di Stasiun Surabaya Gubeng.
Kata Kunci: Kepuasan Pengguna.
Face Recognition.
End User Computing Satisfaction.
Structual Equation Modelling.
Stasiun Surabaya Gubeng.
ABSTRACT
PT KAI has innovated the boarding process by implementing a self-service Face Recognition (FR) facility, which has been used at Surabaya Gubeng Station since March 2023.
This study aims to analyze passengers' perceptions of satisfaction with the use of FR at Surabaya Gubeng Station.
The research method used is End User Computing Satisfaction (EUCS) with five variables:
content, accuracy, format, ease of use, and timeliness to measure users' perceptions of FR at Surabaya Gubeng Station.
The data was processed using the Structural Equation Modelling (SEM) method, assisted by the SmartPLS version 4.
2 application.
SEM
involves three tests: measurement model analysis .
onvergent validity, discriminant validity, and reliability test.
, structural model analysis .
ulticollinearity and hypothesis test.
, and model goodness and fit analysis .
oefficient of determination and model fit tes.
Convergent and discriminant validity tests, as well as reliability tests, showed that all indicators in each variable are valid and reliable.
The multicollinearity test also indicated no collinearity.
However, in the hypothesis test, the variables content and ease of use did not affect the satisfaction of FR users at Surabaya Gubeng Station.
On the other hand, the variables accuracy, format, and timeliness did affect user satisfaction.
The study concluded that 69.
7% of FR users are satisfied with the use of FR at Surabaya Gubeng Station.
Keywords: User Satisfaction.
Face Recognition.
End User Computing Satisfaction.
Structural Equation Modeling.
Surabaya Gubeng Station.
Dalam era globalisasi, masyarakat semakin teliti terhadap pelayanan yang diberikan.
Purba menyatakan bahwa di era teknologi ini, masyarakat menginginkan layanan yang praktis dan efisien .
PENDAHULUAN
KA tetap menjadi pilihan utama karena kecepatannya dan kemampuan mengangkut banyak penumpang, sehingga layak didukung untuk perkembangannya.
Jurnal Perkeretaapian Indonesia (Indonesian Railway Journa.
Vol.
A No.
A bulan terbit, tahun terbit p-ISSN 2550-1127/e-ISSN 2656-8780 Kamandanu mengatakan bahwa PT.
KAI terus berinovasi untuk meningkatkan pelayanan, termasuk dengan memperkenalkan sistem Face Recognition Boarding Gate (FRBG) untuk memudahkan pemeriksaan tiket .
Sebelumnya.
Atma melaporkan bahwa ratusan penumpang terlantar di Stasiun Pasuruan karena sistem antrean boarding tiket yang buruk, menyebabkan penumpang ketinggalan kereta .
Sistem baru ini diharapkan dapat mencegah kejadian serupa dengan mempercepat proses boarding.
Public Relations KAI menjelaskan bahwa sejak 28 September 2022.
PT KAI mengujicobakan fasilitas FRBG di Stasiun Bandung untuk memudahkan penumpang kereta jarak jauh naik tanpa perlu menunjukkan berbagai dokumen fisik .
Kehadiran FRBG bertujuan untuk mempercepat proses boarding dan mengurangi antrean.
Dewi menjelaskan bahwa FRBG adalah fasilitas boarding yang menggunakan kamera guna mencari tahu data diri dan mengesahkan identitas perorangan melalui muka, agar terpadu dengan data diri kereta dan vaksinasi penumpang .
penumpang yang tidak menggunakan FR untuk diperbolehkan masuk area boarding tetapi hanya dibatasi 10 menit sebelum kereta berangkat, yang menyebabkan antrean panjang untuk registrasi FR.
Fachrial juga menambahkan bahwa FR tidak menyelesaikan masalah karena sering gagal mendeteksi wajah, meskipun sudah diadakan dengan biaya mahal.
Ia juga menyayangkan SOP yang tidak jelas dan diskriminatif terhadap penumpang yang menolak mendaftar wajahnya, dengan petugas yang hanya mengizinkan mereka masuk area boarding sesaat sebelum kereta berangkat.
Menurut Haezer, untuk menggunakan fasilitas FRBG, pelanggan perlu melakukan registrasi satu kali di stasiun dengan e-KTP dan pemindai jari .
Setelah registrasi, pelanggan tidak perlu mencetak boarding pass lagi.
Public Relations KAI menambahkan bahwa PT.
KAI tetap menyediakn layanan boarding manual di Stasiun Bandung bagi pelanggan yang tidak mempunyai KTP elektronik atau yang KTP elektroniknya rusak.
1 Face Recognition Boarding Gate Menurut Public Relations KAI , layanan FRBG adalah sebuah sistem boarding yang memanfaatkan kamera untuk mengenali dan memvalidasi identitas penumpang melalui teknologi pengenalan wajah, yang terhubung dengan data tiket kereta .
Teknologi ini memetakan ciri khas wajah untuk berbagai aplikasi, seperti otentikasi identitas dan kontrol akses.
Karina menambahkan bahwa fasilitas FRBG tersedia di stasiun Bandung.
Gambir.
Cirebon.
Solo Balapan.
Surabaya Gubeng.
Semarang Tawang.
Malang.
Yogyakarta, dan Surabaya Pasar Turi, dengan Stasiun Surabaya Gubeng mulai menggunakan FR pada Maret 2023 .
Berlandaskan hal tersebut, diperlukan penelitian yang mempunyai tujuan guna menganalisis faktor yang mempengaruhi kepuasan pengguna FR di Stasiun Surabaya Gubeng, dikarenakan pada pelaksanaannya pengguna merasakan dampak positif maupun negatif dari penggunaan FR di Stasiun Surabaya Surabaya Gubeng.
STUDI LITERATUR
Sanjaya & Hardiyanto menyatakan bahwa layanan FRBG kini tersedia di beberapa stasiun, termasuk Malang.
Surabaya Gubeng.
Yogyakarta.
Solo Balapan.
Gambir, dan Bandung .
Rahayu & Djumena menambahkan bahwa proses verifikasi wajah dalam sistem FR memerlukan waktu kurang dari 1 menit, mempermudah pelanggan dan memperlancar antrean saat boarding .
Soesanto.
Salsabila.
Putri, & Dannisya menjelaskan bahwa penerapan sistem FR oleh PT.
KAI memiliki beberapa risiko, yaitu:
2 End User Computing Satisfaction Doll & Torkzadeh menjelaskan bahwa kepuasan komputasi pengguna akhir (EUCS) adalah konstruksi teoritis penting karena kemampuannya membantu mengidentifikasi hubungan sebab-akibat .
EUCS
bisa berperan sebagai variabel dependen ketika fokus penelitian adalah faktor yang mempengaruhi kepuasan pengguna, atau sebagai variabel independen saat penelitian berfokus pada perilaku yang ditimbulkan oleh kepuasan tersebut.
Dalam penelitian mengenai faktor hulu, keberhasilan sistem sering diukur dengan EUCS untuk menilai efektivitas fasilitas.
Triandika.
Rachmaningsih, & Wijaya mengemukakan memengaruhi kepuasan pengguna, yakni: isi, akurasi, bentu, kemudahan penggunaan, dan ketepatan waktu .
Privasi Data: Ada kekhawatiran bahwa kamera dalam fitur FR dapat menyalahgunakan data wajah penumpang untuk keperluan lain yang menimbulkan masalah privasi.
Salah Identifikasi: Sistem FR rentan terhadap kesalahan identifikasi, yang dapat merugikan penumpang dalam segi kemudahan .
Tim detikcom melaporkan bahwa seorang penumpang KAI bernama Fachrial Kautsar menolak menggunakan FR di Stasiun Bandung pada 19 November 2023.
Petugas stasiun kemudian menginformasikan bahwa Jurnal Perkeretaapian Indonesia (Indonesian Railway Journa.
Vol.
A No.
A bulan terbit, tahun terbit p-ISSN 2550-1127/e-ISSN 2656-8780 Variabel .
Isi .
: Mengukur kepuasan pengguna dengan mempertimbangkan fungsi, modul, dan informasi yang disediakan oleh sistem.
Akurasi .
: Menilai kepuasan pengguna dengan mengacu pada keakuratan data yang diproses oleh sistem.
Bentuk .
: Menilai kepuasan pengguna berdasarkan tampilan aplikasi.
Kemudahan penggunaan .
ase of us.
: Menilai menggunakan sistem untuk memasukkan, memproses data, dan mencari informasi.
Ketepatan waktu .
: Menilai kepuasan pengguna berdasarkan kecepatan dalam sistem guna menyajikan data dan informasi yang Kepuasan Ketepatan Informasi (X2.
Tampilan Bentuk Fasilitas (X3.
Bentuk Layout Fasilitas (X3.
Format 3 Instrumen Penelitian Bentuk Layout Informasi (X3.
Bahan instrumen penelitian disebutkan dengan indikator pertanyaan pada yang sesuai dengan EUCS sebagai berikut:
Tabel 1.
Instrumen Penelitian Variabel Indikator Ketersediaan Informasi Pada Fasilitas (X1.
Content Manfaat Pada Fasilitas (X1.
Teks Pada Konten Fasilitas (X1.
Isi User Interface Fasilitas (X1.
Keakuratan Tampilan Informasi (X2.
Accuracy Ketepatan Fitur Fasilitas (X2.
Kesesuaian Informasi Indikator Pada Fasilitas (X2.
Format Bentuk Tulisan (X3.
Butir Pertanyaan Ketersediaan informasi pada fasilitas Face Recognition (FR) ini tepat dan benar Informasi yang diberikan fasilitas Face Recognition (FR) berguna bagi pengguna sistem Teks pada user interface fasilitas Face Recognition (FR) mudah dipahami dan jelas Konten / isi dari user interface fasilitas Face Recognition (FR) sesuai kebutuhan Tampilan informasi pada fasilitas Face Recognition (FR) benar dan akurat Fitur yang ada di fasilitas Face Recognition (FR) sesuai dengan fitur yang diinginkan Informasi yang diberikan dan Kemudahan Pengguna Dalam Navigasi (X4.
Informasi Pesan (X4.
Ease of use Kemudahan Pengguna Untuk Memakai (X4.
Perbantuan Petugas (X4.
Timelines Kecepatan Waktu Menampilkan Informasi (X5.
Ketepatan Informasi Butir Pertanyaan ditampilkan pada fasilitas Face Recognition (FR) sesuai dengan informasi yang dicari Pengguna puas dengan keakuratan informasi dari fasilitas Face Recognition (FR) Tampilan menu dari fasilitas Face Recognition (FR) Layout yang disediakan fasilitas Face Recognition (FR) untuk informasi mudah untuk dilihat Tata letak menu dan informasi di fasilitas Face Recognition (FR) teratur dan rapi Format jenis huruf pada fasilitas Face Recognition (FR) dapat dibaca oleh Pengguna mudah dalam penggunaan fasilitas guna penelusuran .
fasilitas Face Recognition (FR) Pesan kesalahan yang diberikan fasilitas Face Recognition (FR) saat mengalami gagal sistem bersifat Pengguna menunggu lama dalam bergantian .
penggunaan fasilitas Face Recognition (FR) Petugas fasilitas Face Recognition (FR) pengguna fasilitas dalam penggunaannya Kecepatan waktu respon fasilitas Face Recognition (FR) dalam menampilkan Ketepatan informasi fasilitas Face Jurnal Perkeretaapian Indonesia (Indonesian Railway Journa.
Vol.
A No.
A bulan terbit, tahun terbit p-ISSN 2550-1127/e-ISSN 2656-8780 Variabel Indikator Menampilkan Informasi (X5.
Lama Waktu Menampilkan Informasi (X5.
Jangka Waktu Petugas (X5.
Pemberian Informasi (Y.
Keandalan Untuk Pengguna (Y.
User Satisfaction Proses (Y.
Kepuasan (Y.
Butir Pertanyaan Recognition (FR) dalam menampilkan informasi terbaru Jangka waktu untuk sistem Face Recognition (FR) dalam memperbaiki kegagalan sistemnya 6 Skala Likert Jangka waktu respon petugas stasiun saat pengguna mengalami kegagalan sistem pada fasilitas Face Recognition (FR) Fasilitas Face Recognition (FR) memberikan hal-hal yang dibutuhkan Fasilitas Face Recognition (FR) dapat diandalkan oleh Fasilitas Face Recognition (FR) mempermudah proses boarding kereta api jarak jauh Fasilitas Face Recognition (FR) memberikan kepuasan kepada pengguna fasilitas guna proses boarding kereta api jarak jauh Tabel 2.
Skala Likert Dipakainya skala Likert dimana disini tercantum dalam Sugiyono menjelaskan bahwa skala Likert bermanfaat untuk menaksir sikap, pendpat, dan persepsi individu atau kelompok terhadap suatu fenomena sosial .
Dalam analisis kuantitatif, setiap pernyataan dalam skala Likert diberi skor sesuai tabel 7 Structural Equation Model Structural Equation Model (SEM) adalah sebuah metode multivariat yang ampuh untuk menakar hubungan dan pengaruh antar variabel dalam suatu Menurut Ginting.
SEM menggabungkan analisis faktor beserta regresi untuk menghasilkan model yang lebih komprehensif .
SEM melibatkan tiga kegiatan utama yang dilakukan secara bersamaan: analisis model pengukuran dan struktural, serta analisis kebaikan dan kecocokan SEM telah banyak digunakan dalam berbagai bidang penelitian, seperti psikologi, pendidikan, ekonomi, dan bisnis.
METODE PENELITIAN
1 Metode Pengumpulan Data Peneliti membutuhkan data sekunder dan primer untuk membuat penelitian ini, data sekunder yang dibutuhkan ialah jumlah penumpang pengguna FR di Stasiun Surabaya Gubeng harian mulai tanggal maret 2023 s.
Serta data primer yang dibutuhkan ialah penilaian penumpang yang sudah pernah melakukan proses boarding menggunakan fasilitas sistem FR di Stasiun Surabaya Gubeng terhadap kualitas pelayanan dan kepuasan penumpang pengguna fasilitas sistem FR di Stasiun Surabaya Gubeng melalui instrumen Dari data sekunder tersebut didapatkan populasi dari penelitian ini ialah jumlah penumpang naik KA jarak jauh yang menggunakan fasilitas FR di Stasiun Surabaya Gubeng bulan Januari 2024 s.
Maret 2024 yang berjumlah 66.
989 orang.
4 Populasi dan Sampel Fauzy menyatakan bilamana suatu populasi mencakup semua subjek dalam satu penelitian .
Serta didalam penelitian ini, populasi yang digunakan adalah total penumpang harian dengan tiket kereta api jarak jauh yang menggunakan fasilitas FR saat boarding di Stasiun Surabaya Gubeng selama hari kerja pada periode Januari hingga Maret 2024.
Sugiyono mengemukakan bahwa sampel merupakan sebuah cuplikan dari populasi yang dijadikan objek penelitian.
Cuplikan ini bisa dianggap sebagai representasi dari populasi secara keseluruhan .
5 Kuesioner Menurut Widoyoko, kuesioner merupakan sebuah alat pengumpulan data yang menggunakan banyak pernyataan yang tertulis.
Sampel diminta menjawab pernyataan tersebut sesuai dengan pengalaman, pendapat, atau fakta yang mereka alami .
Setelah didapatkan jumlah populasi, peneliti menentukan ukuran sampel menggunakan berbagai metode yang terbagi menjadi populasi diketahui dan tidak diketahui Jurnal Perkeretaapian Indonesia (Indonesian Railway Journa.
Vol.
A No.
A bulan terbit, tahun terbit p-ISSN 2550-1127/e-ISSN 2656-8780 Tabel 3.
Metode Menentukan Ukuran Sampel Metode Menentukan Ukuran Sampel Krejcie Morgan Populasi Issac dan Diketahui Michael Slovin Populasi Tidak Diketahui Lemeshaw mencapai tingkat ketelitian yang diinginkan.
Instrumen dianggap valid jika nilai Sig < 0,05, dan sebaliknya:
Rumus ycu= ycU2.
Oe ycE) .
cA Oe .
ycc2 ycU2.
Oe ycE) ycu= Tabel 5.
Hasil Uji Validitas ycU2.
ycE Variabel .
cA Oe .
ycc2 ycU2.
ycE ycA ycu= 1 .
) Content ycs2.
Oe ycE) ycu= ycc2 Accuracy Didapatkan hasil perhitungan menentukan ukuran sampel sebagai berikut:
Format Tabel 4.
Hasil Menentukan Ukuran Sampel Metode Menentukan Ukuran Sampel Krejcie Morgan Populasi Issac dan Michael Diketahui Slovin Populasi Lemeshaw Tidak Diketahui Sampel 346 responden 346 responden 398 responden Ease Of Use 384 responden Timeliness Untuk menentukan ukuran sampel harus dipilih dengan nominal sampel .
terbanyak yang mendekati Oleh karena itu, peneliti menggunakan rumus slovin dengan jumlah sampel 398 responden guna sampel dari penelitian ini.
Namun pada penyebaran kuesioner di lokasi, peneliti mendapatkan sampel sebanyak 401 responden, dimana nilai tersebut diatas nilai hasil perhitungan untuk menentukan ukuran Satisfaction Indikator X1.
X1.
X1.
X1.
X2.
X2.
X2.
X2.
X3.
X3.
X3.
X3.
X4.
X4.
X4.
X4.
X5.
X5.
X5.
X5.
R hitung
0,527
0,668
0,496
0,551
0,481
0,562
0,872
0,551
0,412
0,713
0,504
0,528
0,726
0,582
0,489
0,696
0,383
0,595
0,623
0,453
0,713
0,704
0,499
0,413
Keterangan Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai 2 Uji Reliabilitas Untuk uji reliabilitas juga menggunakan software IBM SPSS26.
Uji reliabilitas memiliki ketentuan yaitu nilai yang didapatkan pada nilai cronbach's alpha > 0,7 untuk 24 indikator yang diuji, dengan jumlah sampel minimal 30 responden.
Berikut adalah hasil dari uji reliabilitas instrumen:
Dalam pengambilan sampel, teknik sampling yang digunakan termasuk kedalam teknik non-probability samping, dan penelitian ini menggunakan gabungan antara teknik sampling insidental dan sampling Tabel 6.
Hasil Uji Reliabilitas 2 Metode Pengolahan Data Pada proses pengolahan data ini, digunakan bantuan software aplikasi Google Spreadsheet dan Ms Excel 2019 guna mempermudah proses operasi matematika.
Ms Word 2019 untuk media penyusunan laporan selama penelitian, lalu dianalisis menggunakan SEMPLS dengan bantuan aplikasi SmartPLS versi 4.
serta aplikasi IBM SPSS26 untuk uji valditas dan 3 Structural Equation Modelling Disini digunakan metode Structural Equation Modelling (SEM) dengan teknik analisis data Partial Least Squares (PLS).
Alat pengujian dalam SEM-PLS .
Analisis Model Pengukuran (Outer Mode.
, .
Analisis Model Struktural (Inner Mode.
, .
Analisis Kebaikan dan Kecocokan Model 1 Uji Validitas Penelitian menggunakan program IBM SPSS 26.
Uji validitas signifikansi yang ditetapkan pada 5% .
untuk 1 Analisis Model Pengukuran (Outer Mode.
Jurnal Perkeretaapian Indonesia (Indonesian Railway Journa.
Vol.
A No.
A bulan terbit, tahun terbit p-ISSN 2550-1127/e-ISSN 2656-8780 Berikut tahapan analisis model pengukuran atau biasa disebut juga outer model yang dapat dilihat dari beberapa indikator, yakni sebagai berikut:s nilai koefisien jalur .
ath coefficien.
positif, maka variabel tersebut memiliki pengaruh searah, yang berarti nilai variabel akan meningkat.
Sebaliknya, bila nilai koefisien dari jalur itu negatif, maka pengaruh variabelnya berlawanan arah dan nilai variabel akan menurun.
A Nilai sig t-values > t-tabel atau p-values < 0,05 maka ya0 ditolak dan ya1 diterima.
A Nilai sig t-values Ou t-tabel atau p-values > 0,05 maka ya0 diterima dan ya1 ditolak.
Validitas Konvergen (Convergent Validit.
Validitas konvergen dalam SEM merupakan indikator kesesuaian antara indikator dan konstruk yang diwakilinya.
Penilaian validitas konvergen dapat dilakukan dengan dua cara utama: analisis korelasi antar komponen dan analisis faktor.
Analisis korelasi antar komponen melihat kekuatan hubungan antara indikator, sedangkan analisis faktor menggunakan loading factor dan Average Variance Extracted (AVE) untuk mengevaluasi konvergensi indikator.
Nilai loading factor minimum yang direkomendasikan adalah 0,7, sedangkan nilai AVE minimum adalah 0,5.
Validitas konvergen yang rendah dapat berakibat pada hasil penelitian yang tidak akurat.
Oleh karena itu, penting untuk memastikan validitas konvergen sebelum melanjutkan analisis SEM.
Validitas Diskriminan (Discriminant Validit.
Validitas diskriminan dalam SEM model reflektif menunjukkan sejauh mana suatu konstruk berbeda dan tidak terkontaminasi oleh konstruk lain.
Penilaian validitas diskriminan dapat dilakukan dengan cara melihat nilai cross loading.
Uji Reliabilitas (Composite Reliabilit.
Suatu variabel laten dapat dikategorikan sebagai baik apabila memenuhi dua kriteria, yaitu reliabilitas komposit dan alpha Cronbach dengan nilai minimal 0,7.
Kedua nilai ini menjadi indikator bahwa alat ukur yang digunakan memiliki tingkat keandalan dan kepercayaan yang memadai.
3 Analisis Kebaikan dan Kecocokan Model Berikut tahapan analisis kebaikan dan kecocokan model yang dapat dilihat dari beberapa indikator, yakni sebagai berikut:
Koefiesien Determinasi .
Uji tersebut dapat dilihat dari nilai R-Square .
atau bisa disebut juga koefisien determinasi.
Koefisien determinasi adalah cara untuk menilai seberapa besar variabel independen dapat menjelaskan variabel dependen.
Kriteria dari nilai R-Square sebesar 0,67 dinilai kuat, nilai 0,33 dinilai sebagai sedang atau moderat, dan nilai 0,19 dinilai lemah.
Uji Model Fit Pada penelitian ini terdapat uji model fit yang menggunakan Standardized Root Mean Residual (SRMR).
Lalu, dituliskan bahwa SRMR merupakan ukuran kecocokan sebuah model.
Model dikatakan cocok jika nilai SRMR yang bernilai < 0,10 dapat diartikan masih dapat HASIL DAN PEMBAHASAN Setelah dilakukan penyebaran kuesioner awal oleh peneliti kepada sampel yang berjumlah 30 responden.
Dan sampel awal tersebut sudah lulus perhitungan uji validitas dan reliabilitas, maka peneliti dapat melakukan penyebaran kuesioner lanjutan sebanyak nilai ukuran sampel yang peneliti.
Dikarenakan juga populasi dari penyebaran kuesioner awal dan lanjutan itu sama.
Pada penelitian ini peneliti memakai metode slovin dalam menentukan ukuran sampel yang nilainya berjumlah 398 sampel.
Namun pada penyebaran kuesioner di lokasi, peneliti mendapatkan sampel sebanyak 401 responden, dimana nilai tersebut diatas nilai hasil perhitungan untuk menentukan ukuran Pada perhitungan untuk 401 sampel yang sudah didapatkan selanjutnya diolah menggunakan metode SEM-PLS ditampilkan pada hasil dan pembahasan dibawah ini.
2 Analisis Model Struktural (Inner Mode.
Berikut tahapan analisis model struktural .
nner mode.
yang dapat dilihat dari beberapa indikator, yakni sebagai berikut:
Uji Multikolineritas Uji multikolinearitas dilakukan karena ini sering terjadi pada model regresi.
Dalam SmartPLS identifikasi keberadaan multikolinieritas bisa dlakukan dengan memeriksa nilai Variance Inflation Factor (VIF).
Dijelaskan juga bahwa nilai VIF harus < 5, maka apabila nilai uji multikolinearitas bernilai > 5 memperlihatkan adanya kolineartas antar konstruk .
Uji Hipotesis Pengujian hipotesis dapat dilihat dari nilai tstatistik dan nilai p-values.
Pada bootstrap digunakanlah 5000 sampel.
Dalam pengujian hipotesis menggunakan metode bootstrap, jika Jurnal Perkeretaapian Indonesia (Indonesian Railway Journa.
Vol.
A No.
A bulan terbit, tahun terbit p-ISSN 2550-1127/e-ISSN 2656-8780 1 Analisis Model Pengukuran Indikator Berikut tahapan uji model pengukuran X1.
X1.
X1.
X1.
Indikator Tabel 7.
Validitas Konvergen - Loading Factor X2.
3 <- X2.
Accuracy X2.
4 <- X2.
Accuracy X3.
1 <- X3.
Format X3.
2 <- X3.
Format X3.
3 <- X3.
Format X3.
4 <- X3.
Format X4.
1 <- X4.
Ease Of Use X4.
2 <- X4.
Ease Of Use X4.
3 <- X4.
Ease Of Use X4.
4 <- X4.
Ease Of Use X5.
1 <- X5.
Timeliness X5.
2 <- X5.
Timeliness X5.
3 <- X5.
Timeliness X5.
4 <- X5.
Timeliness Y1 <- Y.
User Satisfaction Y2 <- Y.
User Satisfaction Y3 <- Y.
User Satisfaction Y4 <- Y.
User Satisfaction Variabel Indikator X1.
Content .
Validitas Konvergen Dalam validitas konvergen nilai dapat dilihat berdasarkan loading factor dan Average Variance Extracted (AVE).
Indikator X1.
1 <- X1.
Content X1.
2 <- X1.
Content X1.
3 <- X1.
Content X1.
4 <- X1.
Content X2.
1 <- X2.
Accuracy X2.
2 <- X2.
Accuracy Tabel 9.
Validitas Diskriminan Outer loadings X2.
X2.
X2.
X2.
Indikator Variabel X2.
Accuracy Variabel X4.
X4.
X4.
X4.
Indikator X5.
X5.
X5.
X5.
Indikator X3.
Format X3.
X3.
X3.
X3.
Variabel X4.
Ease Of Use Variabel X5.
Timeliness Variabel User Satisfaction Berdasarkan tabel diatas, pada nilai cross loading yang sudah menunjukkan nilai terbesar terjadi pada konstruk yang dituju daripada dengan konstruk .
Uji Reliabilitas Pada uji reliabilitas ini dapat diketahui dari nilai cronbachAos alpha dan composite reliability dari masing-masing indikator.
Tabel 10.
Uji Reliabilitas Karena semua item pertanyaan untuk nilai loading factor sudah lebih dari 0,7 menjadikan seluruh indikator tiap variabel dapat dikatakan valid.
Tabel 8.
Validitas Konvergen Ae AVE Untuk uji reliabilitas yang dilihat dari seluruh nilai variabel baik dari cronbachAos alpha maupun composite reliability sudah memenuhi kriteria dan syarat yang telah ditentukan, yakni nilainya lebih besar dari 0,7.
Karena semua item pertanyaan untuk nilai AVE sudah lebih dari 0,5 menjadikan seluruh indikator tiap variabel sudah dapat dikatakan valid.
2 Analisis Model Struktural Berikut tahapan uji model struktural .
nner mode.
yang dapat dilihat dari beberapa indikator yaitu:
Validitas Diskriminan Dalam validitas diskriminan model reflektif nilai dapat dilihat berdasarkan nilai cross loading.
Jurnal Perkeretaapian Indonesia (Indonesian Railway Journa.
Vol.
A No.
A bulan terbit, tahun terbit p-ISSN 2550-1127/e-ISSN 2656-8780 .
Uji Multikolineritas Untuk menguji multikolinearitas ini dapat menggunakan Variance Inflation Factor (VIF) Tabel 11.
Uji Multikolineritas Indikator X1.
X1.
X1.
X1.
X2.
X2.
X2.
X2.
X3.
X3.
X3.
X3.
VIF
Indikator X4.
X4.
X4.
X4.
X5.
X5.
X5.
X5.
VIF
Berdasarkan tabel diatas, yang ditunjukkan dari setiap indikator diatyas mempunyai nilai VIF < 5.
Sehingga menandakan tidak adanya kolinearitas antar konstruk.
Uji Hipotesis Pada uji hipotesis pertama ini akan dilakukan uji hipotesis pengaruh langsung dengan metode Dalam uji hipotesis mempunyai ketentuan yakni H1 diterima atau hipotesis diterima apabila nilai signifikasin t-values > 1,96 atau bisa juga melihat nilai dari p-values < 0,05.
Tabel 12.
Uji Hipotesis Indikator Content Ie Satisfaction Accuracy Ie Satisfaction Format Ie Satisfaction Ease Of Use Ie Satisfaction Timeliness Ie Satisfaction Path Corfficient Statistic P Values 0,152 1,887 0,059 0,222 3,672 0,000 0,371 5,560 0,000 0,057 1,014 0,311 0,120 1,967 0,049 Tabel diatas merupakan hasil dari t-values, pvalues, dan path coefficient masing-masing variabel, maka berdasarkan tabel diatas, hasil pada uji hipotesis penelitian ini sebagai berikut:
Berdasarkan tabel diatas variabel content mempunyai nilai t-values 1,887 < 1,96 dan pvalues 0,059 > 0,05 sehingga keputusan Ho diterima dan H1 ditolak, menyatakan bahwa tidak terdapat pengaruh signifikan antara variabel content (X.
terhadap user satisfaction (Y).
Berdasarkan tabel diatas variabel accuracy mempunyai nilai t-values 3,672 > 1,96 dan pvalues 0,000 < 0,05 sehingga Keputusan Ho ditolak dan H1 diterima, dimana H1 menyatakan bahwa terdapat pengaruh signifikan antara variabel accuracy terhadap user satisfaction.
Pada uji hipotesis yang pertama ini mendapatkan hasil uji yaitu variabel accuracy (X.
berpengaruh positif dan signifikan terhadap user satisfaction (Y) dengan path coefficient 0,222 .
,2%) atau setiap kali terdapat perubahan mengenai variabel accuracy maka akan berpengaruh terhadap variabel user satisfaction sebesar 0,222 .
,2%).
Berdasarkan tabel diatas variabel format mempunyai nilai t-values 5,560 > 1,96 dan pvalues 0,000 < 0,05 sehingga Keputusan Ho ditolak dan H1 diterima, dimana H1 menyatakan bahwa terdapat pengaruh signifikan antara variabel format terhadap user Pada uji hipotesis yang pertama ini mendapatkan hasil uji yaitu variabel format (X.
berpengaruh positif dan signifikan terhadap user satisfaction (Y) dengan path coefficient 0,371 .
,1%) atau setiap kali terdapat perubahan mengenai variabel format maka akan berpengaruh terhadap variabel user satisfaction sebesar 0,371 .
,1%).
Berdasarkan tabel diatas variabel ease of use mempunyai nilai t-values 1,014 < 1,96 dan pvalues 0,311 > 0,05 sehingga keputusan Ho diterima dan H1 ditolak, menyatakan bahwa tidak terdapat pengaruh signifikan antara variabel ease of use (X.
terhadap user satisfaction (Y) Berdasarkan tabel diatas variabel timeliness mempunyai nilai t-values 1,967 > 1,96 dan pvalues 0,049 < 0,05 sehingga Keputusan Ho ditolak dan H1 diterima, dimana H1 menyatakan bahwa terdapat pengaruh signifikan antara variabel timeliness terhadap user satisfaction.
Pada uji hipotesis yang pertama ini mendapatkan hasil uji yaitu variabel timeliness (X.
berpengaruh positif dan signifikan terhadap user satisfaction (Y) dengan path coefficient 0,120 .
,0%) atau setiap kali terdapat perubahan mengenai variabel timeliness maka akan berpengaruh terhadap variabel user satisfaction sebesar 0,120 .
,0%) Jurnal Perkeretaapian Indonesia (Indonesian Railway Journa.
Vol.
A No.
A bulan terbit, tahun terbit p-ISSN 2550-1127/e-ISSN 2656-8780 3 Analisis Model Struktural Analisis kebaikan dan kecocokan model dapat dilihat nilainya dengan melihat hasil dari uji R-Square dan uji SRMR.
Koefiesien Determinasi .
Pengukuran kebaikan dan kecocokan model dimulai dari R-Square.
R-Square sendiri juga mempunyai kriteria yakni dari nilai R-Square 0,67 dinilai kuat, 0,33 dinilai sebagai sedang atau moderat, dan 0,19 dinilai lemah.
Tabel 13.
Koefisien Determinasi Indikator R-Square R-Square Adjusted Keterangan User Satisfaction Valid Variabel minat beli mendapatkan hasil atau memperoleh nilai .
R-Square sebesar 0,697 yang berarti mempunyai kriteria kuat.
Hasil dari .
R-Square User Satisfaction atau Kepuasan Pengguna menjelaskan bahwasannya, variabel variable yang terkait mampu menerangkan atau memprediksikan User Satisfaction atau Kepuasan Pengguna sebesar 69,7% .
Uji Model Fit SRMR yaitu uji pada model fit yang digunakan untuk menentukan ukutan kecocokan sebuah model, apakah sudah benar-benar sesuai atau tidak.
Tabel 14.
Uji Model Fit Tabel diatas menunjukkan hasil dari nilai SRMR yang didapatkan dari olah data SmartPLS sebesar 0,094 atau lebih kecil daripada 0,10 artinya model fit dalam penelitian ini terpenuhi KESIMPULAN Berdasarkan hasil dari pengolahan dan analisis penelitian yang telah dibuat diatas, menghasilkan sebuah kesimpulan bilamana:
Pada penelitian ini menunjukkan bilamana variabel isi .
itu tidak berpengaruh terhadap kepuasan pengguna .
ser satisfactio.
Hal ini karena pengguna hanya memanfaatkan FR untuk proses boarding tiket KA jarak jauh, sehingga isi .
tidak memengaruhi kepuasan pengguna FR di Stasiun Surabaya Gubeng.
Penelitian menemukan bahwa variabel ketepatan .
memiliki sebuah pengaruh positif yang siignifikan terhadap kepuasan pengguna .
ser FR.
Pengguna memperhatikan keakuratan dan kesesuaian informasi yang ditampilkan oleh FR, sehingga ketepatan .
menjadi faktor penting dalam meningkatkan kepuasan pengguna di Stasiun Surabaya Gubeng.
Setiap perubahan pada ketepatan .
FR akan memengaruhi kepuasan pengguna fasilitas tersebut di Stasiun Surabaya Gubeng.
Penelitian menyatakan bahwa variabel bentuk .
memiliki sebuah pengaruh positiif serta signifikan terhadap kepuasan pengguna .
ser FR.
Pengguna memperhatikan tampilan, tata letak, dan format FR saat menggunakan fasilitas ini, sehingga bentuk .
berperan penting dalam kepuasan pengguna di Stasiun Surabaya Gubeng.
Perubahan dalam variabel bentuk .
akan memengaruhi kepuasan pengguna fasilitas FR di stasiun tersebut.
Penelitian menunjukkan bilamana variabel kemudahan dalam penggunaan .
ase of us.
tidak berpengaruh terhadap kepuasan penguna .
ser satisfactio.
fasilitas FR.
Kesulitan yang dialami pengguna dalam menggunakan FR, serta kurangnya bantuan dari petugas FR saat terjadi masalah, membuat pengguna merasa tidak puas.
Oleh karena itu, kemudahan dalam penggunaan .
ase of us.
tidak berpengaruh pada kepuasan pengguna FR di Stasiun Surabaya Gubeng.
Penelitian menemukan bahwa variabel ketepatan waktu .
memiliiki pengaruh positif dan signifikan terhadap kepuasan pengguna .
ser satisfactio.
fasilitas FR.
Pengguna memanfaatkan FR untuk mempercepat proses boarding tiket KA jarak jauh, sehingga ketepatan waktu .
berperan penting dalam kepuasan pengguna di Stasiun Surabaya Gubeng.
Setiap perubahan pada .
memengaruhi kepuasan pengguna fasilitas tersebut di stasiun tersebut.
Penelitian menunjukkan bahwa tingkat kepuasan pengguna FR di Stasiun Surabaya Gubeng adalah 69,7%.
Dengan demikian, dapat disimpulkan bahwa pengguna fasilitas FR di stasiun tersebut merasa puas terhadap layanan yang diberikan.
REFERENSI